基于SCADA数据的海上风电机组故障诊断方法

国家电投集团江苏海上风力发电有限公司 王锋 杨荣 黄攀 田智捷

1 引言

风力发电已经逐渐成为世界各国能源开发的重点。我国风电装机在2021 年创历史新高，新增设的吊装海上机组有2603 台，新增装机容量达到1448.2 万kW，同比增长276.7%。目前，海上风电规模化发展、深海漂浮式、大功率海上装备、智能运维等发展趋势，在“双碳”目标等机遇下，海上风电发展潜力巨大，机遇和挑战并存。

为测试和比较不同的风电机组故障诊断方法的精度，国内外学者开展了大量研究。Tautz等[1]以风电场SCADA 系统的实时监测数据为基础进行越限报警。Leahy等[2]研究发现，基于SCADA系统的实时监测数据，给出典型故障的越限诊断指标。Schlechtingen等[3]研究发现，基于主传动链振动监测系统的振动信号分析，采用神经网络对转速和载荷非平稳状态下的齿轮箱故障进行识别，比较SCADA 系统的低速实时监测系统的越限报警信号可以更加精确地定位齿轮箱故障。以上研究大多集中在SCADA 系统信号的提取和故障检测模型的改进上，通过使用数据训练网络的识别故障。

我国海上风电行业起步较晚，累计故障样本数量较少，导致训练后的网络精度较低，面对稍复杂的故障情况，系统无法诊断。因此，为了提高海上风电机组故障诊断的准确性，减少误判误诊的现象发生，本文提出一种基于典型变量分析（Canonical Variate Analysis，CVA）算法的海上风电故障诊断方法，并结合实际SCADA 数据对方法进行验证。结果表明，典型变量分析方法能够有效诊断海上风电机组故障。

2 海上风电机组故障

2.1 海上风电故障率

海上风电机组故障率统计分析表明，海上风机故障的最主要原因是电气系统。电气系统占整体故障率的23%。其次是控制系统，占整体故障的18%。偏航系统、变桨系统以及发电机、齿轮箱和叶片也是导致海上风电机组故障的重要原因。除了电气系统和控制系统，机械传动部件的故障率在海上风电机组故障中的占比较高。

2.2 故障诊断方法

目前，国内外的风电机组故障诊断方法，主要分为基于物理模型的故障诊断方法和基于数据驱动的故障诊断方法。

3 典型变量分析算法

无论是基于模型和基于数据驱动的故障诊断方法都具有局限性。基于模型的故障诊断方法要求建立复杂准确的海上风电机组系统数学模型，而基于数据驱动的诊断方法需要大量故障数据样本。在没有明确数学模型的情况下，海上风电机组SCADA系统中的海量数据和巨大规模为数据驱动的应用带来了可能性。因此，数据驱动方法越来越受到海上风电机组故障诊断研究人员的青睐。

本文基于典型变量分析算法，提出一种基于SCADA 数据的海上风电机组故障诊断方法。该算法利用海上风电机组SCADA数据，提取过程状态，进而估算子空间状态空间矩阵，建立动态过程的子空间模型。研究人员通过比较子空间模型估计的状态与典型变量分析估计的状态之间存在残差，根据多元统计量对残差进行监控，从而实现海上风电机组故障检测。典型变量分析是通过将过去数据空间和未来数据空间变量之间的相关系数最大化，提取具有最佳预测能力的低维典型变量。典型变量分析是利用动态过程观测数据的时间相关性。

假设有m×N个观测向量y，其中m代表变量个数，N代表观测时间点数，用p和f分别表示过去和未来，对应时刻的数据点用式（1）、式（2）表示：

将所有过去或未来的数据点按时间排列在一起，形成过去或未来的矩阵式（3）、式（4）。过去和未来矩阵的观测点个数为M，其中M=N- 2q+1。

为消除不同变量数量级的差异，需要将过去和未来矩阵归一化，变换如式（5）至式（10）所示。

式中，r1≥… ≥rr为典型相关系数；Σpp，Σff，Σfp皆为协方差矩阵；矩阵I为单位矩阵；矩阵J和L通常通过奇异值分解获得；J和L为变换矩阵。

典型变量分析方法的目标是找到最佳线性组合，aTyf(k)以及bTyp(k)这些针对未来和过去的观察使得组合之间的相互关系最大化，相关性可表示为式（11）：

随后通过变换矩阵J和L，可以将过去的过程向量转换成不相关的典型变量c和典型残差e，分别如式（15）、式（16）所示：

式（15）（16）中，Jr是J的第r行，Jd是J的倒数第d行，d=mq-r。

提取的状态c和残差e包含了过程的大部分动态信息，反映了过程的变化趋势，可以用于故障检测。基于典型变量法的故障检测方法主要包括基于状态空间和残差空间的统计。

状态空间的变化可以用T2指标来表示，指标Q表示残差空间中变化的总平方和误差，分别如式（17）、式（18）所示：

4 故障诊断案例分析

以某海上风电机组为例，验证本文所提出的基于实际SCADA数据故障诊断方法的有效性。

4.1 模型参数设置

本文的海上风电机组模型由风速模型、叶片桨距模型、传动模型、发电机与变流器模型、控制器等部分组成，海上风电机组的部分参数见表1。

表1 海上风电机组的部分参数

海上风电机组SCADA 系统包括叶片i的桨距角βi（i=1,2,3） 和vw、ωr、ωg、τg、Pg等参数。

4.2 实际诊断案例分析

根据海上风电机组SCADA 数据，某机组叶片桨距角发生故障图如图1所示。

图1 叶片桨距角发生故障图

本文提出的基于典型变量分析的故障诊断模型的误差统计结果，T2统计值如图2所示。由图2 可知，该模型计算的误差统计结果大于检测阈值，从而触发故障报警。研究人员经过现场故障分析判断，该故障属于桨距角传感器故障。

图2 T2统计值

5 结语

本文提出一种基于典型变量分析算法的海上风电机组故障诊断方法，利用海上风电机组SCADA 系统的过程数据提取过程状态，进而建立过程的子空间模型，通过监控该模型与典型变量分析的估计状态之间的残差，实现故障检测。故障诊断方法通过考虑规范状态空间中过去和未来数据之间的偏差，增强对风机SCADA 系统数据的识别能力，克服数据变化时难以及时有效诊断故障的缺陷，较好地揭示了正常运行和故障状态之间的动态行为差异。

基于SCADA 数据的海上风电机组故障诊断实际案例表明，经过典型变量分析算法处理后的误差统计与设定阈值有明显偏差，故在故障诊断结果上不存在模糊诊断的现象，该方法适用于海上风电非线性动态过程的故障诊断，具有较好效果。