基于非線性狀態(tài)評(píng)估的風(fēng)電場(chǎng)箱式變壓器故障預(yù)警系統(tǒng)研究

高菊輝，史石磊

(北京國(guó)電思達(dá)科技有限公司，北京 100039)

風(fēng)能作為一種清潔、可再生的綠色能源，近年來(lái)一直處于蓬勃發(fā)展階段，風(fēng)電裝機(jī)規(guī)模持續(xù)擴(kuò)大。據(jù)國(guó)家能源局統(tǒng)計(jì)，截止2020年12月底，我國(guó)風(fēng)電總裝機(jī)超過(guò)2.2億kW，位居世界第一。在風(fēng)力發(fā)電事業(yè)飛速發(fā)展的背后，也存在巨大問(wèn)題。由于風(fēng)電機(jī)組長(zhǎng)期工作在惡劣的自然環(huán)境中，導(dǎo)致某些部件故障率顯著增加，嚴(yán)重影響發(fā)電量和電能質(zhì)量。作為風(fēng)電機(jī)組并網(wǎng)端和風(fēng)場(chǎng)主變壓器的電力連接樞紐，風(fēng)電35kV箱式變壓器在風(fēng)力發(fā)電中起著重要作用，一旦出現(xiàn)故障將嚴(yán)重影響發(fā)電量，降低風(fēng)電場(chǎng)收益。

近年來(lái)，在箱式變壓器的狀態(tài)監(jiān)測(cè)與故障診斷方面已取得大量研究成果，并已廣泛應(yīng)用于實(shí)際項(xiàng)目中。沈曉峰等人基于物聯(lián)網(wǎng)架構(gòu)設(shè)計(jì)研發(fā)了一套箱式變壓器智能監(jiān)測(cè)系統(tǒng)，實(shí)現(xiàn)了箱式變壓器運(yùn)行狀態(tài)在線監(jiān)測(cè)、故障預(yù)警等功能。文獻(xiàn)[9]通過(guò)研究一種智能型的風(fēng)電場(chǎng)監(jiān)控系統(tǒng)，實(shí)現(xiàn)了對(duì)風(fēng)場(chǎng)箱式變壓器的集中控制和監(jiān)測(cè)。鄭麗娟等人提出了基于物聯(lián)網(wǎng)信息集成的箱式變壓器綜合監(jiān)控系統(tǒng)，以箱式變壓器綜合監(jiān)控裝置為核心，用模塊化的設(shè)計(jì)思想，實(shí)現(xiàn)箱式變壓器多種監(jiān)測(cè)信息的采集、分析、顯示、控制、報(bào)警等功能。

風(fēng)場(chǎng)箱式變壓器故障預(yù)警診斷模塊基于現(xiàn)場(chǎng)數(shù)據(jù)的實(shí)時(shí)采集，數(shù)據(jù)泛化處理、數(shù)據(jù)儲(chǔ)存；基于采集的海量現(xiàn)場(chǎng)數(shù)據(jù)，通過(guò)對(duì)箱式變壓器運(yùn)行數(shù)據(jù)分析，構(gòu)建基于非線性狀態(tài)估計(jì)的故障預(yù)警模型，實(shí)現(xiàn)箱式變壓器故障預(yù)警、異常結(jié)果推送以及處理意見指導(dǎo)等功能；系統(tǒng)具有離線數(shù)據(jù)導(dǎo)入的功能，可以對(duì)離線數(shù)據(jù)進(jìn)行分析，實(shí)現(xiàn)不同型號(hào)、不同運(yùn)行工況、不同場(chǎng)域內(nèi)的箱式變壓器故障預(yù)警及分析。

1 系統(tǒng)框架

預(yù)警系統(tǒng)采用基于非線性狀態(tài)估計(jì)的箱式變壓器故障預(yù)警方法，屬于機(jī)器學(xué)習(xí)方法，從有耦合關(guān)系的多維數(shù)據(jù)中有效預(yù)測(cè)目標(biāo)參數(shù)，最終使用固定閾值預(yù)警策略預(yù)警目標(biāo)箱式變壓器是否存在隱患故障，為風(fēng)電場(chǎng)的運(yùn)維人員提供運(yùn)維決策支撐。

箱式變壓器故障預(yù)警策略可由在線部分和預(yù)測(cè)模型生成兩部分組成，圖1的左側(cè)為預(yù)測(cè)模型生成部分，右側(cè)為在線故障預(yù)警部分。

圖1 基于非線性狀態(tài)估計(jì)的箱式變壓器故障預(yù)警框架

預(yù)測(cè)模型部分順序?yàn)椋菏紫葘?shù)據(jù)中的錯(cuò)誤數(shù)據(jù)剔除，然后使用NSET算法生成箱式變壓器參數(shù)預(yù)測(cè)模型，使用離線數(shù)據(jù)測(cè)試基于NSET的參數(shù)預(yù)測(cè)模型，得到健康狀態(tài)下的箱式變壓器殘差，基于健康數(shù)據(jù)的箱式變壓器殘差確定故障預(yù)警閾值。

在線部分故障預(yù)警的流程順序?yàn)椋菏褂毛@取的SCADA實(shí)時(shí)數(shù)據(jù)經(jīng)數(shù)據(jù)預(yù)處理與NSET參數(shù)預(yù)測(cè)模型，得到實(shí)時(shí)值的估計(jì)值，計(jì)算實(shí)時(shí)值與預(yù)測(cè)值兩者之差作為預(yù)警策略的統(tǒng)計(jì)樣本，最后判斷當(dāng)前殘差是否超過(guò)離線部分生成的閾值，根據(jù)判斷結(jié)果預(yù)警潛在故障。如果當(dāng)前殘差超出閾值，判斷為箱式變壓器有潛在故障，如果沒(méi)有超出閾值，說(shuō)明目標(biāo)箱式變壓器當(dāng)前運(yùn)行狀態(tài)比較穩(wěn)定，無(wú)潛在故障，可繼續(xù)監(jiān)測(cè)箱式變壓器運(yùn)行參數(shù)。

2 NSET故障診斷方法

非線性狀態(tài)評(píng)估是由Singer等人提出的一種基于數(shù)據(jù)驅(qū)動(dòng)的非參數(shù)、非線性經(jīng)驗(yàn)建模方法。當(dāng)前，非線性狀態(tài)估計(jì)法已廣泛應(yīng)用于設(shè)備狀態(tài)監(jiān)測(cè)、傳感器校驗(yàn)、電子器件壽命預(yù)測(cè)、故障預(yù)警等領(lǐng)域。文獻(xiàn)[16]利用非線性狀態(tài)估計(jì)法建立風(fēng)電機(jī)組齒輪箱溫度預(yù)測(cè)模型，結(jié)合滑動(dòng)窗口技術(shù)實(shí)現(xiàn)了齒輪箱的早期故障預(yù)警和實(shí)時(shí)在線狀態(tài)監(jiān)測(cè)的目的。文獻(xiàn)[17]在定性分析的基礎(chǔ)上，采用非線性狀態(tài)估計(jì)方法建立了風(fēng)電機(jī)組正常工況下的塔架模型，為基于振動(dòng)的狀態(tài)監(jiān)測(cè)和早期故障診斷奠定了基礎(chǔ)。文獻(xiàn)[18]提出基于非線性狀態(tài)估計(jì)的風(fēng)電機(jī)組變槳控制系統(tǒng)故障識(shí)別，可有效識(shí)別出主、次故障，幫助風(fēng)電場(chǎng)運(yùn)維人員確定檢修順序。

將非線性狀態(tài)估計(jì)法運(yùn)用于風(fēng)場(chǎng)箱式變壓器早期故障預(yù)警的基本思路為：從正常工作狀態(tài)下產(chǎn)生的SCADA數(shù)據(jù)中選出一部分狀態(tài)參數(shù)構(gòu)成過(guò)程記憶矩陣，使其能夠覆蓋箱式變壓器的全部正常工作狀態(tài)，利用建立的NSET模型達(dá)到預(yù)測(cè)輸出的目的。NSET建模參量包括：系統(tǒng)總體觀測(cè)矩陣P、訓(xùn)練矩陣K、記憶矩陣D、觀測(cè)矩陣Xobs、預(yù)測(cè)輸出矩陣Xest。

系統(tǒng)總體觀測(cè)矩陣Pn×b如下所示：

式中，b為觀測(cè)向量的時(shí)間標(biāo)簽，n為觀測(cè)向量的參數(shù)個(gè)數(shù)。

從總體觀測(cè)矩陣P中選取一段時(shí)間的參數(shù)作為訓(xùn)練矩陣K，被選取出的參數(shù)均是正常工況下產(chǎn)生的數(shù)據(jù)。

從訓(xùn)練矩陣K中選出m個(gè)觀測(cè)向量組成過(guò)程記憶矩陣D。

NSET模型的輸入為某一時(shí)刻觀測(cè)向量Xobs，輸出為預(yù)測(cè)向量Xest。對(duì)于任意一個(gè)輸入的觀測(cè)向量Xobs，NSET模型都將產(chǎn)生一個(gè)m維的權(quán)值向量W。權(quán)值向量W是一個(gè)列向量且維數(shù)于輸入的觀測(cè)向量相同，W形式如下：

使得：

設(shè)NSET模型輸入與輸出的殘差為ε，對(duì)殘差進(jìn)行極小化處理：

由式（7）可知，DT?D可逆是權(quán)值向量W存在的前提條件，為增強(qiáng)NSET模型可用性，選擇Eucliden距離作為DT和D間的非線性運(yùn)算符，即：

則系統(tǒng)當(dāng)前狀態(tài)估計(jì)矩陣為：

在正常工況下，模型的輸入值和過(guò)程記憶矩陣中的某些向量非常接近，從而會(huì)得到一組與實(shí)際值誤差較小的預(yù)測(cè)值，所以殘差值也比較??；相反，如果輸入NSET模型的實(shí)際值是箱式變壓器在發(fā)生故障或有潛在故障時(shí)產(chǎn)生的數(shù)據(jù)，那么這些值將與過(guò)程記憶矩陣中的觀測(cè)向量有較大偏離，預(yù)測(cè)精度下降，導(dǎo)致殘差值變大。因此，根據(jù)殘差的變化設(shè)定閾值，當(dāng)殘差多次、持續(xù)地超出閾值時(shí)判定為箱式變壓器工作異常，從而實(shí)現(xiàn)了箱式變壓器的故障預(yù)警。

3 方法實(shí)現(xiàn)

3.1 NSET建模變量選取

為建立NSET預(yù)測(cè)模型，首先需要選取出建模變量。在正常運(yùn)行狀態(tài)下，箱式變壓器參數(shù)之間蘊(yùn)含著特定的數(shù)據(jù)結(jié)構(gòu)和分布規(guī)則，為實(shí)現(xiàn)箱式變壓器的故障預(yù)警診斷，以油溫為主，其他參數(shù)為輔，對(duì)箱式變壓器的運(yùn)行狀態(tài)進(jìn)行綜合判斷。本文選擇A相電流、B相電流、C相電流、A相電壓、B相電壓、C相電壓、箱式變壓器油溫為NSET的建模參數(shù)。

3.2 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理是箱式變壓器故障預(yù)警算法的關(guān)鍵一步，包含兩部分內(nèi)容：去除異常值和數(shù)據(jù)歸一化。由于設(shè)備故障和在測(cè)量、傳輸、保存數(shù)據(jù)時(shí)出現(xiàn)錯(cuò)誤等原因，SCADA數(shù)據(jù)中會(huì)包含大量的異常數(shù)據(jù)，為提高建模精度，在使用SCADA數(shù)據(jù)之前需要進(jìn)行數(shù)據(jù)清洗，去除異常值。為消除SCADA數(shù)據(jù)不同變量之間屬性和量綱的影響，需在建模之前對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行歸一化處理：

3.3 構(gòu)造過(guò)程記憶矩陣

正常工況下，風(fēng)場(chǎng)箱式變壓器的每一個(gè)觀測(cè)向量Xobs都由上述6個(gè)變量參數(shù)組成，并且訓(xùn)練矩陣K中的所有觀測(cè)向量已被歸一化處理。對(duì)于每個(gè)變量，將其歸一化后的最小值到最大值等分為300份，即：

式中，si為第i個(gè)變量的步距，和分別為歸一化后第i個(gè)變量的最大值與最小值。

以其中一個(gè)變量A相電流為例，以s1為步距從訓(xùn)練矩陣中選取出若干個(gè)觀測(cè)向量添加到過(guò)程記憶矩陣D中，添加流程如圖2所示。

圖2 過(guò)程記憶矩陣構(gòu)造流程

圖中，δ為一個(gè)小的正數(shù)，此處取0.001，M為訓(xùn)練矩陣K的變量個(gè)數(shù)。剩余的5個(gè)箱式變壓器參數(shù)，均采用圖2所示的流程，從訓(xùn)練矩陣中選擇符合條件的觀測(cè)向量添加到過(guò)程記憶矩陣中。通過(guò)此方法構(gòu)造的過(guò)程記憶矩陣，能夠很好地覆蓋風(fēng)場(chǎng)箱式變壓器的正常工作空間，較好的表征正常工作狀態(tài)下的箱式變壓器特征，此流程完成之后，就可由式（9）建立NSET模型，對(duì)新輸入的觀測(cè)值進(jìn)行預(yù)測(cè)。

3.4 正常狀態(tài)下模型測(cè)試

利用上述建立的非線性狀態(tài)估計(jì)箱式變壓器故障預(yù)警模型，驗(yàn)證模型的精度。選擇某風(fēng)力機(jī)組的2018年9月26日至2019年11月18日狀態(tài)監(jiān)測(cè)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，使用NSET算法生成箱式變壓器參數(shù)預(yù)測(cè)模型，對(duì)2018年11月19日至2018年11月28日的正常運(yùn)行數(shù)據(jù)進(jìn)行模型在線測(cè)試，并由此數(shù)據(jù)的殘差確定閾值，模型測(cè)試結(jié)果如圖3、圖4和圖5所示。

圖3 訓(xùn)練數(shù)據(jù)NSET模型測(cè)試結(jié)果

圖4 11月19日~11月28日正常運(yùn)行數(shù)據(jù)在線測(cè)試結(jié)果

圖5 11月19日~11月28日正常運(yùn)行數(shù)據(jù)殘差統(tǒng)計(jì)圖

從圖3可以看出，本文所建立的箱式變壓器故障預(yù)警模型在訓(xùn)練數(shù)據(jù)集上有著非常好的表現(xiàn)，預(yù)測(cè)值與實(shí)際值極為接近，此模型有著較高的精確度。圖4中，盡管風(fēng)場(chǎng)箱式變壓器油溫的預(yù)測(cè)值大部分高于實(shí)際值，但油溫的預(yù)測(cè)曲線走勢(shì)和大體形狀與實(shí)際溫度曲線還是較為一致的，即實(shí)際值能較好地跟隨預(yù)測(cè)值。

將圖4中的原始數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)相減形成殘差統(tǒng)計(jì)圖，計(jì)算殘差的均值與均方根誤差，得到圖5，正常運(yùn)行數(shù)據(jù)殘差序列的波動(dòng)有一定規(guī)律性。其中兩條橫線為預(yù)警線，這兩條預(yù)警線是以均值為中心，正負(fù)三倍均方根誤差而得到的，即：

其中，Hε為殘差閾值；為殘差均值；Sε為均方根誤差。

3.5 故障狀態(tài)下模型測(cè)試

使用箱式變壓器故障狀態(tài)下SCADA數(shù)據(jù)形成油溫的殘差統(tǒng)計(jì)圖，并使用上述圖5中的兩條預(yù)警線作為殘差閾值，可得故障狀態(tài)下的預(yù)警圖，如圖6所示。

圖6 故障狀態(tài)下模型測(cè)試結(jié)果

從圖6可看出，異常狀態(tài)下，箱式變壓器油溫殘差在第300點(diǎn)附近首次超出閾值下限，在1000點(diǎn)左側(cè)開始頻繁超出預(yù)警線，并在第2200點(diǎn)以后反向超出預(yù)警線。在實(shí)際的箱式變壓器故障預(yù)警中，在1000點(diǎn)處就發(fā)出故障早期預(yù)警，此時(shí)距離發(fā)生故障有充裕的檢修時(shí)間，并且在箱式變壓器故障形成之前也有多次預(yù)警。

4 結(jié)語(yǔ)

基于非線性狀態(tài)估計(jì)方法的箱式變壓器SCADA數(shù)據(jù)故障預(yù)警模塊，能夠?qū)ο涫阶儔浩鬟\(yùn)行數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析、特征值提取、態(tài)勢(shì)預(yù)警等基本分析。該方法能夠接收離線數(shù)據(jù)進(jìn)行模型訓(xùn)練和評(píng)估，接收實(shí)時(shí)數(shù)據(jù)對(duì)設(shè)備進(jìn)行故障預(yù)測(cè)，可動(dòng)態(tài)顯示各監(jiān)測(cè)點(diǎn)數(shù)據(jù)變化情況，從多源海量數(shù)據(jù)中提煉出適用于箱式變壓器設(shè)備狀態(tài)評(píng)估的特征表達(dá)，基于快速建模故障預(yù)警策略，利用所建模型的歷史數(shù)據(jù)完成常態(tài)數(shù)據(jù)指標(biāo)閾值的判定，通過(guò)當(dāng)前監(jiān)測(cè)指標(biāo)與閾值比較，判斷潛在故障，實(shí)現(xiàn)對(duì)箱式變壓器運(yùn)行狀態(tài)預(yù)測(cè)及故障預(yù)警和智能診斷分析。