基于狀態(tài)估計(jì)的變流器功率模塊故障預(yù)測(cè)研究

鄧棟，吳曉鵬

(湘電風(fēng)能有限公司 風(fēng)電研究院，湖南 湘潭 411105)

0 引言

風(fēng)力發(fā)電已逐步成為繼火電、水電之后的第三大常規(guī)能源，但是由于風(fēng)的隨機(jī)性、間歇性，以及惡劣的運(yùn)行環(huán)境，導(dǎo)致風(fēng)電機(jī)組的各部件處于交變負(fù)載下，易出現(xiàn)故障。變流器作為風(fēng)電機(jī)組能量轉(zhuǎn)換環(huán)節(jié)的最重要的部件，隨著風(fēng)電機(jī)組長時(shí)間、頻繁和大范圍的隨機(jī)出力，其功率模塊持續(xù)承受劇烈的熱應(yīng)力沖擊，容易損壞。近年來，國內(nèi)大批量風(fēng)電機(jī)組運(yùn)行已超過十年。隨著運(yùn)行經(jīng)驗(yàn)的積累，風(fēng)電機(jī)組全生命周期的運(yùn)維成本已越來越得到行業(yè)的關(guān)注。而變流器作為風(fēng)電機(jī)組的主要部件，且是故障率較高的部件之一，是運(yùn)維成本中的重要組成部分。

變流器的主要故障中，以功率模塊損壞故障的成本最高。此外，由于功率模塊的價(jià)值偏高，且不易現(xiàn)場(chǎng)保存，一般風(fēng)電場(chǎng)不會(huì)長期儲(chǔ)備功率模塊。這就導(dǎo)致功率模塊損壞時(shí)，停機(jī)時(shí)間過長，電量損失較大。為了解決這個(gè)問題，風(fēng)電行業(yè)嘗試對(duì)功率模塊剩余使用壽命進(jìn)行評(píng)估或者采用故障預(yù)測(cè)的方式，提前準(zhǔn)備備件，來減少運(yùn)維成本。本文采用狀態(tài)估計(jì)算法，通過關(guān)鍵特征向量的選取，以直驅(qū)風(fēng)電機(jī)組為例，來實(shí)現(xiàn)變流器功率模塊故障預(yù)測(cè)。

1 特征向量選取

與變流器功率模塊相關(guān)聯(lián)的參數(shù)很多，例如風(fēng)速、葉輪轉(zhuǎn)速、模塊溫度、環(huán)境溫度等等，為保證算法精度，同時(shí)減少計(jì)算量，可著重選取強(qiáng)相關(guān)的參數(shù)作為特征向量，將弱相關(guān)的參數(shù)剔除。

1.1 工作頻率

由于風(fēng)電機(jī)組長時(shí)間、頻繁、大范圍的隨機(jī)出力，導(dǎo)致背靠背式變流器(主流風(fēng)電變流器)機(jī)側(cè)功率模塊長期處于變頻、低頻的工況運(yùn)行。根據(jù)研究表明，功率模塊運(yùn)行工況的頻率越低，功率模塊IGBT和二極管的結(jié)溫波動(dòng)越明顯，因此其可靠性也越低。

圖1為賽米控公司關(guān)于某型功率模塊在不同工作頻率下的結(jié)溫測(cè)試曲線。由圖可知，工作頻率越低時(shí)，功率模塊的結(jié)溫波動(dòng)越大。

圖1 不同工作頻率下結(jié)溫測(cè)試曲線Fig.1 Junction temperature measurement curves at different operating frequencies

因此在特征向量選取時(shí)，如果是機(jī)側(cè)功率模塊，則工作頻率應(yīng)是強(qiáng)相關(guān)參數(shù)，必須作為特征向量之一；而如果是網(wǎng)側(cè)功率模塊，由于工作頻率基本恒定，則此參數(shù)應(yīng)是弱相關(guān)參數(shù)，可以剔除。

1.2 湍流

根據(jù)研究表明，風(fēng)速隨機(jī)波動(dòng)會(huì)導(dǎo)致功率模塊結(jié)溫和結(jié)溫變化幅值也隨機(jī)變化，見表1。表1列出了年平均風(fēng)速6m/s，湍流強(qiáng)度分別為0.12、0.14和0.16三種風(fēng)況下，變流器機(jī)側(cè)功率模塊的平均失效時(shí)間。從表1可以明顯看出，湍流強(qiáng)度增加，功率模塊的失效時(shí)間降低，即使用壽命降低。

表1 不同湍流下功率模塊平均失效時(shí)間Table.1 Average Failure Time of Power Modules in Different Turbulence

在特征向量選取時(shí)，湍流強(qiáng)度一般沒有直接進(jìn)行數(shù)據(jù)采集，需通過如下公式對(duì)風(fēng)速數(shù)據(jù)進(jìn)行預(yù)處理：

式中，I為湍流強(qiáng)度；Vm為平均風(fēng)速，一般為10min平均風(fēng)速；Vin為瞬時(shí)風(fēng)速。

1.3 其他特征向量

目前，直接在線測(cè)量功率器件的結(jié)溫是不可行的，但是由于結(jié)溫影響功率模塊內(nèi)部損耗，因此表征其運(yùn)行狀態(tài)的溫度信號(hào)可從外部獲得。

除此之外，葉輪轉(zhuǎn)速、機(jī)側(cè)電壓電流、網(wǎng)側(cè)電壓電流等常規(guī)強(qiáng)相關(guān)參數(shù)均需作為特征向量。

2 狀態(tài)估計(jì)算法

狀態(tài)估計(jì)算法的本質(zhì)是利用歷史數(shù)據(jù)構(gòu)建能夠反映機(jī)組正常運(yùn)行狀態(tài)的估計(jì)模型。

2.1 構(gòu)造記憶矩陣

設(shè)功率模塊故障預(yù)測(cè)模型中有n個(gè)相互關(guān)聯(lián)的變量，即特征向量，在i時(shí)刻采集n個(gè)測(cè)點(diǎn)作為一個(gè)工況，此工況的觀測(cè)向量為：

采集功率模塊正常運(yùn)行時(shí)的m個(gè)工況觀測(cè)向量，構(gòu)建記憶矩陣M。

該記憶矩陣M每一列代表一個(gè)正常工況，每一行代表設(shè)備運(yùn)行的時(shí)間序列。記憶矩陣的m個(gè)觀測(cè)向量的選擇，盡可能覆蓋完整的正常運(yùn)行工況。

2.2 預(yù)測(cè)估計(jì)值

將機(jī)組運(yùn)行的某一時(shí)刻新的觀測(cè)向量Xobs輸入狀態(tài)估計(jì)模型，獲得對(duì)應(yīng)的輸出向量為Xest。輸入的觀測(cè)向量要與記憶矩陣M中的每一個(gè)觀測(cè)向量做歐式距離近似度計(jì)算，得到一個(gè)m維的權(quán)值向量Q：

其中，*表示歐式距離計(jì)算。

對(duì)應(yīng)的輸出向量Xest為記憶矩陣M和權(quán)值向量Q的線性組合。

2.3 殘差分析

觀測(cè)向量Xobs與預(yù)測(cè)輸出向量Xest的差值叫做殘差，殘差的計(jì)算公式如下：

正常工作時(shí)，觀測(cè)向量與記憶矩陣中的某一向量極為相似，殘差較??；異常工況時(shí)，觀測(cè)向量與記憶矩陣中的任一向量均相差較遠(yuǎn)，殘差較大。

3 實(shí)驗(yàn)驗(yàn)證

3.1 模型建立

本文采集湘電某風(fēng)場(chǎng)直驅(qū)型2MW機(jī)組2017年2月至2018年2月全年SCADA數(shù)據(jù)，選取1000組正常運(yùn)行工況的數(shù)據(jù)組建記憶矩陣。數(shù)據(jù)選取的原則是根據(jù)全功率段，平均選取數(shù)據(jù)。對(duì)記憶矩陣中每一個(gè)樣本進(jìn)行歸一化處理，每一個(gè)狀態(tài)會(huì)形成圓極坐標(biāo)形式的各個(gè)參數(shù)正常取值范圍。

3.2 驗(yàn)證

2017年9月23日該風(fēng)場(chǎng)某機(jī)組報(bào)變流器故障，經(jīng)檢查確定為功率模塊損壞。選取故障前一天至故障后4小時(shí)SCADA數(shù)據(jù)，并進(jìn)行篩選，確定700個(gè)連續(xù)運(yùn)行的樣本點(diǎn)作為實(shí)驗(yàn)數(shù)據(jù)。

將驗(yàn)證數(shù)據(jù)作為觀測(cè)向量導(dǎo)入模型，產(chǎn)生的殘差見圖2所示。

圖2 殘差Fig.2 Residual

圖2 中，前200個(gè)樣本點(diǎn)顯示，各特征向量的殘差較小，均在0.15以下，表示此時(shí)該機(jī)組變流器功率模塊的運(yùn)行狀態(tài)接近正常工況；從樣本點(diǎn)200至600之間，特征向量結(jié)溫的曲線出現(xiàn)明顯增大，峰值多次到達(dá)0.2左右，表示此時(shí)該機(jī)組變流器功率模塊的運(yùn)行狀態(tài)開始出現(xiàn)異常，有損壞可能；從樣本點(diǎn)600開始，各特征向量的殘差都明顯增大，尤其是結(jié)溫已經(jīng)超過0.4，表示此時(shí)該機(jī)組變流器功率模塊已經(jīng)損壞。同時(shí)，在圖2中可以看出，影響該機(jī)組變流器功率模塊正常運(yùn)行的主要因素是結(jié)溫。

4 結(jié)論

本文利用風(fēng)電場(chǎng)SCADA數(shù)據(jù)，采用狀態(tài)估計(jì)方法，對(duì)直驅(qū)型風(fēng)電機(jī)組變流器功率模塊進(jìn)行故障預(yù)測(cè)。通過數(shù)據(jù)挖掘，提取強(qiáng)相關(guān)特征向量，能有效降低向量維度，減少計(jì)算量。通過實(shí)驗(yàn)驗(yàn)證，證明此方法能夠有效預(yù)測(cè)功率模塊故障，同時(shí)通過特征向量殘差的異常情況，可以輔助診斷功率模塊損壞的原因。