吴亚联 1 ， 梁坤鑫 1 ， 苏永新 1* ， 詹 俊 2
（1.湘潭大学 信息工程学院， 湖南 湘潭 411105； 2.湖南优利泰克自动化系统有限公司， 湖南 长沙 410205）
摘 要： 为提高风电机组部件故障预警的精度和速度， 文章提出了一种基于SCADA数据的风电机组部件故障预警方法， 用于解决现存的风电机组部件故障预警时间与故障预警精度的矛盾。 首先SCADA历史数据通过数据预处理与BP神经网络建立机组部件正常状态模型， 随后以该模型为基础结合基于马氏距离的数据统计方法形成故障预警判据， 并将结果反馈给SCADA系统达到风电机组部件故障预警目的。 仿真结果表明， 使用该方法能够提前2个月识别主轴承故障信号， 同时该方法能发现SCADA系统误报故障。
关键词： 神经网络； 故障诊断系统； 马氏距离； 风电场； SCADA系统
作为一种绿色无污染的新能源， 风能越来越受到重视，它将成为人类未来主要的能源资源 [1] 。 受复杂多变的环境因素影响， 风电机组各部件性能会在运行中逐渐下降， 最终导致部件发生故障。 而对风电机组部件进行故障预警则可提前发现隐患， 有利于优化维护计划， 避免因部件故障延误而导致更加严重的整机故障。
传统风电机组故障预警方法有振动分析、 声学分析、 润滑分析等， 这些方法需要采集高频率的振动数据或额外安装高成本附加设备或者传感器， 导致难以广泛应用于风场中。 风机数据采集与监控（Supervisory Control And Data Acquisition， SCADA） 系统作为风机状态监测的重要组成部分， 能够提供监测风机状态与风机部件运行状态的数据， 基于SCADA数据驱动的风机部件故障预警方法已经被广泛应用于风场中。 通过SCADA数据建立神经网络模型对风机部件进行故障预警不需要对风机组件的机械结构有深入了解。
当SCADA数据充足的情况下， 能够实现对风机多部件的故障预警。 神经网络对风机组件故障预警的这些优点， 使其成为风机关键部件故障预警的重要方法之一 [2-4] 。
Garcia等 [5] 在2006年提出通过利用神经网络建立风机组件正常模型对风机齿轮箱进行故障预警， 该方法通过神经网络正常模型的预测值与实际值进行比较得到误差， 将在正常行为模型定义的置信区间之外的误差判断为异常。 研究结果表明， 使用Garcia提出的方法只能提前26小时监测到风机齿轮箱发生故障， 预警时间过短导致无法针对即将发生的故障制定相应的维护计划。 Zaher等 [6] 在2009年提出类似的方法， 即通过观察神经网络的预测值与实时数据之间的误差和误差频率的增加来实现故障预警。 该方法能够提前6个月对齿轮箱轴承故障进行识别， 但是因为缺乏定量的判据来判断风机组件是否发生异常， 未曾大量运用于风场。 Kusiak等 [7] 在2012年通过改进神经网络模型， 选取最优性能模型对风机发电机轴承进行故障预测。 实验结果表明， 该方法能够提高神经网络精度， 但只能实现提前1.5小时对风机发电机轴承进行故障预测。 由于预警时间过短， 风场业主短时间内无法制定有效的维护计划。针对以上问题， 本文着力解决故障预警时间和预警精度的矛盾。 在结合逐步回归算法和遗传算法优化神经网络预测模型的基础上， 根据神经网络预测模型与马氏距离原理， 提出基于SCADA数据的风机部件故障预警方法。 通过某风场2 MW直驱式的风机进行试验、 分析， 验证所给出的方法在预警时间、 精度方面的有效性。
1 风机故障预警框架
如引言所述， 本文提出一种基于遗传算法的优化BP神经网络（Genetic Algorithm-Back Propagation， GA-BP） 和风机部件参数概率分布的风电机组部件故障预警方法， 其原理如图1所示， 方法分为风电机组部件正常行为建模、 故障预警两个部分。
图1 基于SCADA数据驱动的风电机组部件故障预警
1.1 风电机组部件正常行为建模
实际观测中发现SCADA数据中存在异常数据， 为保证训练数据的一致性与连续性， 对训练数据进行异常数据滤除。 同时为了避免输入参数重复使用与数据冗余， 采用逐步回归算法获取神经网络输入参数， 获取风机部件参数相关性较大的输入参数。SCADA系统由于结构复杂状态参数众多， 故障特征与故障之间存在极为复杂的非线性关系。 GA-BP神经网络具有强大的非线性映射功能， 无需单独建模， 能有效运用于风电场故障诊断中。 基于GA-BP神经网络， 选取相关参数， 建立风电机组部件正常行为模型， 正常行为模型结合基于马氏距离的数据统计方法， 形成故障预警判据， 计算了故障分布概率， 能适应多重工况。
1.2 故障预警
通过SCADA系统将风电机组部件实时监控数据输入模型， 得到其输出， 并计算其与正常值的马氏距离， 如果马氏距离越限， 则判定机组故障， 从而实现故障预警。如图1所示， 基于SCADA数据对风电机组部件进行故障预警主要分为以下3个步骤： 神经网络选择； 数据预处理； 风机部件故障判据确定。
1.3 神经网络选择
风机部件故障诊断问题本质上是非线性的， 选择的神经网络应具有并行处理学习记忆和非线性等特点。 针对以上特点， 选取BP神经网络建立正常模型对风机部件进行故障诊断， 结果表明BP神经网络在风机故障预警中的适用性 [7-8] 。结合具有全局寻优能力的遗传算法， 优化BP神经网络的权重和阈值， 设计基于GA-BP神经网络， 构建风电机组部件预警方案， 有效改善了BP神经网络速度和收敛速度， 也可提高故障预警的成功率 [8-9] 。 本文采用遗传算法优化后的BP神经网络。
2 数据预处理
2.1 异常数据滤除
神经网络预测模型通过训练阶段的数据来确定输入输出之间的映射， 然而SCADA数据在正常情况下很难找到一个完整的、 正常的训练数据集。 通常情况下通过SCADA系统获取的数据是不连续、 不一致的， 为了提高神经网络预测模型的准确性， 需要对数据进行预处理。选取风机功率数据进行数据预处理， 图2为某风机功率数据图， 通过数据的平均值 x 和偏差δ， 对数据进行异常滤除， 受到其他外部因素的影响导致数据具有波动性， 对其进行指数滑差处理：