某風(fēng)電場基于數(shù)據(jù)驅(qū)動(dòng)的診斷系統(tǒng)的建設(shè)與應(yīng)用

蘇俊 陳振華

1.國家電投集團(tuán)江蘇新能源有限公司；2.北京協(xié)合運(yùn)維風(fēng)電技術(shù)有限公司

國內(nèi)風(fēng)電機(jī)組裝機(jī)容量迅速擴(kuò)大，機(jī)組運(yùn)行中的故障問題日益突出，如何提前預(yù)測機(jī)組部件故障，合理安排檢修，減少安全事故及發(fā)電量損失越來越重要。本文通過SCADA 數(shù)據(jù)建立了大部件、設(shè)備健康和性能劣化3 類共134 個(gè)模型，將這些模型集成到數(shù)據(jù)驅(qū)動(dòng)型的診斷系統(tǒng)中，成功發(fā)現(xiàn)了機(jī)組發(fā)電機(jī)軸承異常和功率曲線異常，結(jié)合風(fēng)電場定檢和巡檢工作進(jìn)行了處理，降低風(fēng)電場非計(jì)劃性停機(jī)損失，為智能化運(yùn)維模式的探索提供有效依據(jù)。

伴隨著風(fēng)電行業(yè)的快速發(fā)展和風(fēng)電機(jī)組的廣泛安裝使用，運(yùn)行機(jī)組的故障問題日益突出。如何合理采用故障預(yù)警技術(shù)，通過實(shí)時(shí)數(shù)據(jù)和預(yù)警算法有效地發(fā)現(xiàn)事故隱患，快速準(zhǔn)確地進(jìn)行機(jī)組維護(hù)和維修，保障機(jī)組安全運(yùn)行，降低機(jī)組的故障率，提高風(fēng)電的競爭能力，成為了行業(yè)的共識(shí)。

本文利用風(fēng)電機(jī)組運(yùn)行及狀態(tài)數(shù)據(jù)進(jìn)行全量小顆粒度監(jiān)測和大數(shù)據(jù)挖掘計(jì)算，開發(fā)基于SCADA 數(shù)據(jù)的監(jiān)測發(fā)電機(jī)軸承溫度、齒輪箱溫度這類大部件診斷模型，監(jiān)測風(fēng)電機(jī)組功率曲線的性能劣化診斷模型，監(jiān)測設(shè)備健康的傳感器、溫度模擬量數(shù)值、發(fā)電機(jī)繞組溫度、變槳電機(jī)溫度類設(shè)備健康診斷模型。并開發(fā)集成各類模型的數(shù)據(jù)驅(qū)動(dòng)型診斷系統(tǒng)，對(duì)風(fēng)電場設(shè)備數(shù)據(jù)開展實(shí)時(shí)智能預(yù)警分析，為智能化運(yùn)維模式的探索提供有效依據(jù)。

1 預(yù)警及診斷技術(shù)研究

實(shí)施風(fēng)電機(jī)組故障預(yù)警是目前形勢下電力企業(yè)適應(yīng)市場經(jīng)濟(jì)、降低發(fā)電成本、提高經(jīng)濟(jì)效益的一項(xiàng)有力的措施。其目的是實(shí)時(shí)、在線掌握設(shè)備的健康狀況降低企業(yè)維修費(fèi)，提高設(shè)備可靠性、安全性。

1.1 預(yù)警及診斷理論

在國外，基于狀態(tài)檢修的大部件預(yù)警技術(shù)是20世紀(jì)70年代初發(fā)展起來的一種較為先進(jìn)的檢修方式，已在歐美發(fā)達(dá)國家得到較為廣泛的運(yùn)用。目前，國外在狀態(tài)檢修技術(shù)研究與實(shí)踐應(yīng)用方面都已取得了顯著成績。從2000年開始，以美國為代表的發(fā)達(dá)國家正在從以可靠性為中心的維修(RCM)方式向?qū)嵤╊A(yù)知性檢修(PDM)和狀態(tài)檢修(CBM)方面發(fā)展，來改進(jìn)和優(yōu)化檢修工作。

風(fēng)機(jī)狀態(tài)檢修和大部件預(yù)警可分為基于模型的方法和基于信號(hào)的方法，但是當(dāng)系統(tǒng)越來越復(fù)雜，使用模型和信號(hào)的方法都無效時(shí)，基于人工智能的方法就發(fā)展起來了。（1）其中基于模型的方法可用來發(fā)現(xiàn)一些特殊的系統(tǒng)故障。從實(shí)現(xiàn)的角度可以分為通過數(shù)值計(jì)算實(shí)現(xiàn)，以及通過知識(shí)學(xué)習(xí)的方法實(shí)現(xiàn)。參數(shù)估計(jì)、狀態(tài)監(jiān)測，都是常用的模型方法，模型方法有時(shí)也會(huì)用到推斷和分類算法。（2）基于信號(hào)的方法是通過分析輸出信號(hào)來診斷故障。發(fā)生故障的信號(hào)通常具有一定的特征，從時(shí)域或頻域的角度進(jìn)行分析，可以發(fā)現(xiàn)風(fēng)機(jī)齒輪箱和其他部件的初期故障[1]。（3）專家系統(tǒng)與人工智能方法，某些時(shí)候需處理的對(duì)象過于復(fù)雜，基于模型的方法和基于信號(hào)的方法都無法有效使用的情況下，例如同時(shí)發(fā)生的一些故障造成了不同的影響，這時(shí)就可以用統(tǒng)計(jì)學(xué)習(xí)的方法進(jìn)行故障診斷。常用的統(tǒng)計(jì)學(xué)習(xí)的方法有概率法、模糊邏輯、人工神經(jīng)網(wǎng)絡(luò)、貝葉斯網(wǎng)絡(luò)。統(tǒng)計(jì)學(xué)習(xí)的方法有一個(gè)特點(diǎn)，就是需要大量歷史數(shù)據(jù)。常使用深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)、組合神經(jīng)網(wǎng)絡(luò)[2]、BP 神經(jīng)網(wǎng)絡(luò)[3]、提升樹、支持向量機(jī)[4]、分類回歸樹等方法。

1.2 建模方式

本文基于SCADA 歷史數(shù)據(jù)和案例分別建立大部件診斷模型、設(shè)備健康模型和功率曲線異常模型并進(jìn)行測試，再通過風(fēng)電場實(shí)時(shí)數(shù)據(jù)驗(yàn)證和迭代優(yōu)化模型。建模的技術(shù)路線和方式如下：

（1）技術(shù)路線，首先需將風(fēng)機(jī)歷史數(shù)據(jù)分為異常狀態(tài)和正常狀態(tài)，并進(jìn)一步將異常狀態(tài)按照系統(tǒng)物理構(gòu)成或其他特征區(qū)分成不同的數(shù)據(jù)集，通過構(gòu)建模型建立這些故障數(shù)據(jù)的模型，通過機(jī)組歷史正常數(shù)據(jù)構(gòu)建健康數(shù)據(jù)模型；再將機(jī)組實(shí)時(shí)監(jiān)控?cái)?shù)據(jù)導(dǎo)入到這些模型中，實(shí)時(shí)判斷機(jī)組健康狀態(tài)，預(yù)測機(jī)組是否出現(xiàn)劣化或故障，并通過各種故障模型識(shí)別具體故障部位和等級(jí)，提供特征決策。

（2）模型訓(xùn)練方式，預(yù)警模型訓(xùn)練主要包括兩種方式，一是根據(jù)已有算法和原理拿現(xiàn)場數(shù)據(jù)和案例進(jìn)行驗(yàn)證；另一種是根據(jù)現(xiàn)場案例，嘗試不同算法和數(shù)據(jù)進(jìn)行驗(yàn)證。

（3）模型建立過程，必然一個(gè)循序漸進(jìn)的過程。整個(gè)路線圖分為了4 個(gè)階段進(jìn)行：1）基于原理的一維參數(shù)閾值模型建立。即采用傳統(tǒng)方法，基于部件原理和設(shè)計(jì)參數(shù)，通過搭建實(shí)驗(yàn)平臺(tái)或用軟件搭建模型，根據(jù)嚴(yán)格的輸入輸出公式，導(dǎo)入輸入數(shù)據(jù)通過輸出結(jié)果判斷大部件損壞。2）基于統(tǒng)計(jì)學(xué)的全量風(fēng)機(jī)模型建立。采用統(tǒng)計(jì)學(xué)的概率及分布規(guī)律，計(jì)算全場風(fēng)機(jī)各部件溫度值、電流、電壓等統(tǒng)計(jì)概率閾值，通過閾值對(duì)各風(fēng)機(jī)各參數(shù)進(jìn)行預(yù)警。3）基于原理規(guī)則的制定參數(shù)多維數(shù)據(jù)模型建立。針對(duì)齒輪箱、葉片等大部件存在一定規(guī)則，但是無法通過簡單模型進(jìn)行表述，采用有監(jiān)督學(xué)習(xí)方法挑選有限的參數(shù)進(jìn)行訓(xùn)練。4）基于深度神經(jīng)網(wǎng)絡(luò)的多維數(shù)據(jù)模型建立。針對(duì)無法通過規(guī)則訓(xùn)練的模型，采用全量數(shù)據(jù)進(jìn)行無監(jiān)督、深度神經(jīng)網(wǎng)絡(luò)和深度編碼算法的訓(xùn)練。

（4）建模數(shù)據(jù)，一般采用兩種數(shù)據(jù)，即離線數(shù)據(jù)和在線實(shí)時(shí)數(shù)據(jù)。

2 預(yù)警和診斷模型

本文針對(duì)風(fēng)電場的數(shù)據(jù)和使用場景，將預(yù)警診斷模型分為大部件、功率曲線異常和設(shè)備健康3 類，分別采用不同的理論和方式建立模型。

2.1 大部件預(yù)警診斷模型

風(fēng)機(jī)大部件因設(shè)計(jì)缺陷、質(zhì)量隱患及安裝維護(hù)不規(guī)范導(dǎo)致的安全隱患風(fēng)險(xiǎn)大，難以通過風(fēng)機(jī)自身的故障報(bào)警系統(tǒng)提前發(fā)現(xiàn)運(yùn)行風(fēng)險(xiǎn)，故障停機(jī)后處理難度大，部件失效后造成的發(fā)電量損失影響較大；下面介紹基于SCADA 數(shù)據(jù)的發(fā)電機(jī)軸承故障診斷模型。

該模型基于SCADA 的10min 數(shù)據(jù)，采用單機(jī)自適應(yīng)和多機(jī)協(xié)同的無監(jiān)督學(xué)習(xí)自適應(yīng)算法，利用功率、發(fā)電機(jī)轉(zhuǎn)速、發(fā)電機(jī)驅(qū)動(dòng)端軸承溫度、發(fā)電機(jī)非驅(qū)動(dòng)端軸承溫度、發(fā)電機(jī)繞組溫度、環(huán)境溫度測點(diǎn)建模，利用風(fēng)速、輪轂轉(zhuǎn)速、槳距角、發(fā)電機(jī)冷卻溫度這些測點(diǎn)進(jìn)行條件判斷和數(shù)據(jù)剔除。通過數(shù)學(xué)運(yùn)算并結(jié)合業(yè)務(wù)知識(shí)將與軸承溫度，葉輪轉(zhuǎn)速相關(guān)性低的變量剔除，進(jìn)一步進(jìn)行降維處理提取出發(fā)電機(jī)溫度和發(fā)電機(jī)軸承溫度相關(guān)的特征信息，通過推薦算法建立發(fā)電機(jī)溫度預(yù)警模型及發(fā)電機(jī)軸承故障檢測和診斷模型。

通過全場風(fēng)機(jī)歷史10min 數(shù)據(jù)進(jìn)行訓(xùn)練和驗(yàn)證，得到最終模型；模型執(zhí)行時(shí)采用全場風(fēng)機(jī)10min 數(shù)據(jù)，每天判斷設(shè)備狀態(tài)，最后綜合每天狀態(tài)得到預(yù)警指標(biāo)。

2.2 功率曲線異常診斷模型

從風(fēng)電場損失電量占比可知，機(jī)組發(fā)電性能劣化導(dǎo)致的損失電量占比較高，而風(fēng)機(jī)SCADA 系統(tǒng)并沒有針對(duì)功率曲線的診斷機(jī)制，導(dǎo)致運(yùn)維人員無法及時(shí)發(fā)現(xiàn)性能不佳的機(jī)組。功率曲線診斷模型就是基于風(fēng)速、功率、轉(zhuǎn)速、槳距角、各種溫度的SCADA 數(shù)據(jù)，以單臺(tái)機(jī)組的功率曲線擬合和異常點(diǎn)識(shí)別為出發(fā)點(diǎn)，結(jié)合圖像識(shí)別技術(shù)，通過數(shù)據(jù)挖掘、人工智能算法方式識(shí)別風(fēng)機(jī)限功率、功率曲線偏移、槳葉角受限、風(fēng)機(jī)控制策略變化、風(fēng)機(jī)無法滿發(fā)等情況，并自動(dòng)推送診斷報(bào)警信息。

2.3 設(shè)備健康診斷模型

針對(duì)設(shè)備健康診斷，風(fēng)機(jī)中傳感器、溫控閥等常規(guī)部件數(shù)量多，維修頻次較高，目前常規(guī)固定閾值觸發(fā)的故障報(bào)警機(jī)制，運(yùn)維人員往往只能進(jìn)行事后運(yùn)維，缺乏故障預(yù)警及預(yù)防性運(yùn)維方法。該類診斷模型將重點(diǎn)關(guān)注風(fēng)電機(jī)組的關(guān)鍵模擬量、各子系統(tǒng)溫度類數(shù)值異常情況和轉(zhuǎn)速類數(shù)值異常情況，通過對(duì)設(shè)備歷史數(shù)據(jù)進(jìn)行機(jī)器學(xué)習(xí)，結(jié)合當(dāng)前設(shè)備運(yùn)行狀態(tài)，綜合判斷設(shè)備健康狀態(tài)，及時(shí)給出高準(zhǔn)確率的故障診斷信息。

第一個(gè)階段是通過運(yùn)用深度神經(jīng)網(wǎng)絡(luò)算法建立各類設(shè)備健康的預(yù)警診斷模型。監(jiān)測模型基于代表正常風(fēng)機(jī)的SCADA 數(shù)據(jù)進(jìn)行訓(xùn)練，所有正常以及非正常的風(fēng)機(jī)的擬合誤差將會(huì)被預(yù)測出來。第二階段是建立EWMA控制表。UCL 和LCL 將被用于對(duì)設(shè)備異常進(jìn)行報(bào)警。

3 系統(tǒng)開發(fā)

數(shù)據(jù)驅(qū)動(dòng)型診斷分析系統(tǒng)基于現(xiàn)有的運(yùn)行數(shù)據(jù)來系統(tǒng)地檢測和預(yù)測設(shè)備狀況的過程變化以及其未來趨勢。

3.1 系統(tǒng)架構(gòu)設(shè)計(jì)

數(shù)據(jù)驅(qū)動(dòng)型診斷分析系統(tǒng)通過接口接入集控中心實(shí)時(shí)數(shù)據(jù)，支持離線Excel 格式數(shù)據(jù)導(dǎo)入。數(shù)據(jù)采集后，根據(jù)模型進(jìn)行訓(xùn)練，提供預(yù)警，并將消息推送給用戶。

單臺(tái)風(fēng)機(jī)的預(yù)警模型遍歷需要消耗一定時(shí)間及計(jì)算資源，如何保證全場風(fēng)機(jī)的預(yù)警模型同時(shí)工作，在有限時(shí)間內(nèi)從數(shù)據(jù)中訓(xùn)練得到診斷模型和預(yù)測模型是實(shí)時(shí)預(yù)警的內(nèi)在要求。本次針對(duì)實(shí)時(shí)性要求不高的模型采用延長預(yù)警間隔，增加模型計(jì)算時(shí)間，減少硬件費(fèi)用的投入。

3.2 硬件及部署

系統(tǒng)程序安裝在應(yīng)用服務(wù)器上，安裝程序之前先對(duì)服務(wù)器環(huán)境進(jìn)行維護(hù)，并安裝軟件。硬件配置如下：浪潮NF5270M5，Intel Xeon 4216（16 核）或Xeon 4214(12 核)×2 個(gè)，2GRDIMM DDR4 內(nèi)存×4 個(gè)，960G SSD 2.5×3 個(gè)+2TB SAS 硬盤（15K）3.5×5 個(gè)，INSPUR 八通道高性能SAS RAID 卡RS0820P(2G 緩存)×1 個(gè)，550W白金電源PURLY×2 個(gè)。

數(shù)據(jù)從監(jiān)控中心Ⅲ區(qū)的南瑞朗坤數(shù)據(jù)服務(wù)器通過API 獲取，服務(wù)器共用2 個(gè)物理網(wǎng)卡，分別用于集團(tuán)內(nèi)網(wǎng)系統(tǒng)訪問、外網(wǎng)遠(yuǎn)程維護(hù)。

3.3 系統(tǒng)功能

預(yù)警系統(tǒng)的功能設(shè)計(jì)基于現(xiàn)場生產(chǎn)業(yè)務(wù)場景，根據(jù)每個(gè)風(fēng)場的數(shù)據(jù)采集情況和設(shè)備歷史運(yùn)行規(guī)律定制化配置預(yù)警模型參數(shù)，將預(yù)警模型的算法邏輯和業(yè)務(wù)需求相結(jié)合，通過釋放數(shù)據(jù)價(jià)值，實(shí)現(xiàn)了基于狀態(tài)檢修的智慧運(yùn)維生產(chǎn)模式。

智能預(yù)警系統(tǒng)包括首頁、預(yù)警概覽、預(yù)警詳情、統(tǒng)計(jì)查詢、算法調(diào)度等功能。

（1）首頁和預(yù)警概覽，如圖1所示。為智能預(yù)警系統(tǒng)的信息總覽模塊，針對(duì)用戶所關(guān)注的電站，可以查看電站各模型未處理工單統(tǒng)計(jì)，各類模型在各個(gè)場站歷史預(yù)警甘特圖。

圖1 系統(tǒng)圖Fig.1 System diagram

（2）預(yù)警詳情，各預(yù)警模塊為智能預(yù)警系統(tǒng)每個(gè)模型詳細(xì)信息，展示從預(yù)警概覽跳轉(zhuǎn)過來的預(yù)警信息或每個(gè)模型篩選條件下的結(jié)果。

可以查看該電站選擇風(fēng)機(jī)下未處理、已確認(rèn)、已關(guān)閉預(yù)警信息，默認(rèn)未處理。多維度、快捷切換和跳轉(zhuǎn)展示預(yù)警歷史信息、每條信息下的特征圖、支撐用戶確認(rèn)是否需要處理、提供處理意見和處理過程及結(jié)果反饋功能。

可以批量確認(rèn)預(yù)警信息，確認(rèn)后才能進(jìn)行后續(xù)處理過程跟蹤。

（3）統(tǒng)計(jì)查詢，提供風(fēng)機(jī)維度、模型維度和時(shí)間維度的預(yù)警結(jié)果查詢和分布規(guī)律。

（4）算法調(diào)度，支持技術(shù)人員通過選擇快速配置和調(diào)度任務(wù)，可對(duì)單個(gè)風(fēng)電場單個(gè)模型下方診斷任務(wù)，可一次下發(fā)多條任務(wù)；也可以創(chuàng)建周期性任務(wù)，定時(shí)執(zhí)行；可實(shí)時(shí)跟蹤任務(wù)狀態(tài)。

4 系統(tǒng)應(yīng)用及經(jīng)驗(yàn)總結(jié)

系統(tǒng)部署后，大部件、設(shè)備健康和性能劣化共134個(gè)模型每天執(zhí)行一次，成功發(fā)現(xiàn)3 臺(tái)發(fā)電機(jī)軸承異常，2臺(tái)功率曲線異常，10 臺(tái)限功率運(yùn)行?，F(xiàn)場針對(duì)系統(tǒng)檢修建議，結(jié)合定檢和巡檢對(duì)異常情況進(jìn)行了處理，實(shí)現(xiàn)提升風(fēng)電場故障消缺的準(zhǔn)確性、及時(shí)性，大幅度降低風(fēng)電場非計(jì)劃性停機(jī)損失，為智能化運(yùn)維模式的探索提供有效依據(jù)。

預(yù)警系統(tǒng)在該風(fēng)電場的應(yīng)用有利于風(fēng)電場在線掌握設(shè)備的健康狀況，提高設(shè)備可靠性、安全性；應(yīng)用過程中也發(fā)現(xiàn)預(yù)警模型在實(shí)際應(yīng)用中存在泛化性不足，對(duì)數(shù)據(jù)質(zhì)量要求較高的特點(diǎn)。因此，后續(xù)預(yù)警模型建立及系統(tǒng)開發(fā)需要充分考慮模型的泛化性，提高模型的準(zhǔn)確性，減少模型對(duì)數(shù)據(jù)質(zhì)量的要求，同時(shí)要求風(fēng)電場做好傳感器及數(shù)據(jù)的維護(hù)工作。