風力發(fā)電機組故障診斷與預測維護技術研究

中國華電科工集團有限公司 王寶靈

1 風電機組常見運行故障

在風電機組運行過程中，容易出現(xiàn)多種故障，以筆者所在的電廠為例，其常見故障類型有如下幾種。

饋電故障：此類故障的出現(xiàn)原因為電纜損壞或老化，具體為機組內部負責饋電的電纜發(fā)生異常，無法正常運行，導致機組穩(wěn)定性受到影響；電源故障：風電機組內部存在諸多子系統(tǒng)，其在運行階段均需要電力支持，若電源出現(xiàn)故障機組運行便會受到影響，嚴重時甚至會引發(fā)災難性的后果；冷卻故障：某電廠所采用的風電機組發(fā)電機主要是永磁式電機，為冷卻溫度，會通過風扇使內部熱空氣與外部空氣相互交換。若風扇因故障無法正常運行，會導致機組內熱量大幅度上升，致使電機繞組增加，不利于機組正常運行；勵磁故障：導致此類故障的發(fā)生原因眾多，通常以參數設置、控制信息被錯誤操作、下載位置不準確為主[1]。某電廠針對上述幾種常見的故障，將CGAN-CNN 作為基礎提出一種診斷風電機組故障的方法，具體內容如下所述。

1.1 構建故障判別模型

在風電機組運行階段獲取故障樣本的難度極大，究其原因，主要是風電機組穩(wěn)定性非常高，且在發(fā)生異常之初通常會立即停機，避免故障擴大造成嚴重的經濟損失。再加上風電機組造價非常高昂，通常不會在做不可逆試驗時將其作為試驗對象，故正常樣本和故障樣本之間存在懸殊的比例，機組故障并不豐富。鑒于此，某電廠會對生成式對抗網絡加以運用，完成模型的構建。究其原因，主要是此類網絡無需在先驗證假設的情況下生成樣本。卷積神經網絡的組成部分較多，分別為輸入、池化、卷積、連接和輸出層。各層的說明如下。

卷積層：該層組成部分為卷積單元，其數量眾多，對輸入數據各種特征予以提取，屬于其主要作用。在實際運算階段可利用下述公式表示運算過程，式中：卷積運算操作由conv表示；輸出特征圖由xI j表示；卷積由＊表示；位置由bI j表示；所在網絡層數由上標表示；激活函數由f(x)表示，通常為ReLU。

池化層：該層屬于采樣層，在運算階段所選擇的卷積核相對較多，在此基礎上所產生的特征圖數量會增加，相較于原始數據，在經過處理后數據量同樣會增加。在經過池化層處理后數據冗余度會下降，有利于降低計算難度，同時還能對過擬合現(xiàn)象加以屏蔽。通常情況下該層所處位置是卷積層之后，輸出相應的公式。

全連接層。該層可以整合特征，使其轉化為特征向量，其所處位置是整個卷積網絡的末端，若有需求還具有與分類器相同的作用，其模型如下：yI=f（Wkxk-1+bk）；式中：特征向量由yI表示；權重由Wk表示；偏置由bk表示；激活函數由f（x）表示[2]。

1.2 以CGAN-CNN 為基礎的風電機組故障判斷技術

某電廠所提出的故障判斷模型由兩部分組成，分別為樣本生成和故障診斷。第一步，需要完成對抗網絡模型的構建，使原始數據增加，生成擬合度高的樣本數據，滿足故障診斷樣本的要求；第二步，實現(xiàn)對卷積神經網絡的構建，之后訓練數據集獲得相應的模型，為故障診斷提供數據支持。

1.2.1 對抗網絡樣本模型的構建

某電廠所構建的CGAN-CNN 模型，其內部存在生成器和判別器，二者的數量均為1，其中，前者結構為三層全連，這里所說的三層，分別為輸入、輸出和隱藏層。后者的結構為四層全連，擁有兩個隱藏層。且各層還具有全連接、激活和dropout 層，其網絡結構如表1所示。

表1 對抗網絡結構

1.2.2 以卷積神經網絡為基礎的風電機組故障診斷模型

某電廠所構建的網絡模型結構層數較多，多達6層，各層的作用和參數如下所述。

一維卷積層：為使提取特征的數量增加，對卷積核的大小進行定義，本次定義的數量為2，在此基礎上完成對濾波器的定義，其數量為100個；池化層：通常情況下該層與卷積層相連，為卷積后池化創(chuàng)造有利的條件，同時該層還具有篩選功能，能夠提取特征鮮明的特征值；第二個一維卷積層，為獲取更高層次的特征需要繼續(xù)利用卷積層學習，其中2×100的矩陣是該層的輸出；平坦層：對多維輸入加以處理，具體處理方式是一維化。

隨機層：在加入dropout 層后，對上層輸入的神經元做賦值處理，但值得注意的是，賦值神經元數量為上層全部數量的50%，以此保證結果的準確性，同時還能使部分神經元之間的依賴作用被弱化；全連接層：借助softmax 函數對該層進行激活。之所以對此類函數加以使用，主要目的是做歸一化處理，在處理完成后輸出結果就會變?yōu)榘l(fā)生概率，這里所說的發(fā)生概率，主要對象為與輸出結果相對應的情況，為后續(xù)準確率和損失率計算提供數據方面的支持。

1.3 風電機組故障診斷技術應用實例

數據預處理。某電廠將10臺容量為1.5MW 的風電機組作為樣本，所選擇的機組在型號和批次上相同，且均處于相同的運行環(huán)境。在故障類型選擇方面，將常見的齒輪、主軸承和發(fā)電機故障作為對象，同時將正常樣本加入其中，故確定的運行模式為四種。調查數據顯示，齒輪箱故障的總數為450、發(fā)電機組故障數量為600，主軸承故障發(fā)生次數為1600，合計2650組，同時還選擇正常運行下的3500組數據，其中機組運行情況樣本分類標簽如下：常規(guī)狀態(tài)1、主軸承故障2、齒輪箱故障3、發(fā)電機故障4，運行狀態(tài)1～4的樣本數據分布情況分別為：3500、1600、450、600，總計6150。

以CNN 為基礎的機組故障診斷。在診斷故障的過程中，分別取該運行狀態(tài)的數據800組，將其作為訓練集，在此基礎上另取400組作為測試集，二者之間的比重為2:1，其輸出結果如下所述：在數據不平衡時，數據量偏少的3類和4類故障，其故障診斷效果非常差，而SMOTE-CNN 模型在預測時所取得的效果較為顯著，好于輸入不平衡樣本集的CNN模型、但差于SMOTE-CNN 模型，由此可以看出，相較于SMOTE 算法使用生成的樣本，采用本文所研究的CGNN 模型所生成的樣本具有更高的真實性，能夠被準確識別[3]。

2 風電機組故障預測方法

2.1 算法流程

風電機組故障預測過程由下述階段組成：第一，采集運行數據；第二，訓練故障預測模型；第三，提取故障特征；第四，演化過程分析。將DBN 模型作為基礎，預測故障的步驟如下所述：

以機組在正常運行狀態(tài)下的某個時間段的SCADA 數據為對象，將其作為訓練數據集，在經過歸一化處理后，得到下述公式：x=（x-xmin）/（xmax-xmin），式中：輸入數據的最大值由xmax表示；最小值由xmin表示；通過滑動窗口的方式對所選擇的數據集做處理，在比較散度算法后對網絡參數予以更新，等到第一個RBM 訓練完成后，確定隱含層節(jié)點數據，并將其作為后續(xù)RBM 的輸入，在重復上述步驟后即可完成DBN 模型的獲取，最后對風電機組標簽樣本加以使用，并利用BP 網絡調整參數。值得注意的是，參數調整所遵循的原則為自上而下。

2.2 模型分析和實例驗證

某電廠將自有的風電機組作為研究對象，結合上文可知該機組的容量為1.5MVA，在選擇訓練樣本時，將正常運行狀態(tài)下機組數據作為選擇，對于機組內各部件所采取的監(jiān)測方式并非集中監(jiān)測，某電廠在驗證過程中所選擇的部件為主軸承。

某電廠所使用的模型為CGAN，其由兩個部分組成，分別為判別器和生成器，兩種設備的連接結構均為四層，分別為隱含層兩個、輸入和輸出層各一個。針對函數損失和訓練效果不佳的問題，所采取的方式為重置生成器設置梯度，從而保證訓練質量。所謂的梯度重置，主要是指在發(fā)現(xiàn)梯度消失后重新設置梯度，并將零值覆蓋，保證生成器能夠正常學習，一直持續(xù)到判別器無法對生成樣本簡單分辨為止。在生成器損失保持平衡后，表示模型達到整體平衡[4]。

以某電廠某風電機組作為數據來源，該機組運行時間為5天10小時20分鐘20秒，每次采樣間隔20秒的時間，總共獲得22000組數據，使其成為輸入樣本。為降低難度且保證不失一般性，本次測試并沒有選擇全部監(jiān)測點的數據，最終確定了如下所述的輸出向量數據：風速（m/s），變量符號為V1；軸承轉子側的溫度℃，變量符號為T1；齒輪箱溫度℃，變量符號為T2；電網電壓V，變量符號為UL1；電網電流A，變量符號為IL1；電網功率（kW），變量符號為P1；變流器有功功率（kW），變量符號為P2。

2.3 機組運行正常時預測模型驗證

某電廠在訓練數據選擇過程中所選的訓練數據數量為30000組，在正常運行狀態(tài)下某電廠風電機組主軸承重構誤差如表2所示，可知其中固定閾值設定原理為EWMA，而基于自適應原理設定的閾值如表3所示，可知在機組正常運行狀態(tài)下因不同時刻風速存在差異，故重構誤差同樣存在波動，但不會超出閾值。

表2 固定閾值重構誤差變化趨勢

表3 自適應閾值重構誤差變化趨勢

2.4 主軸承故障狀態(tài)下預測模型

輸入故障狀態(tài)數據，在經過計算后可以獲得Re的變化情況，之后對上文所介紹的閾值設定方法予以應用，用于校檢故障預測方法，最后對相關參數殘差曲線加以分析，在此基礎上預測故障類型，同時完成對故障標簽的準確核對。本電場將EWMA控制原理作為依據，實現(xiàn)對閾值的設置，其中報警閾值的設定參數為0.505，而預警閾值設定參數低于報警閾值，具體數值為0.326。之后以故障發(fā)生的前三天為時間范圍，發(fā)現(xiàn)在預警閾值范圍內重構誤差的變化波動較小，表明風電機組在這個時間段未發(fā)生故障。在重構誤差產生后，風電機組在運行第四天開始發(fā)出故障預警，第五天故障報警觸發(fā)。自此之后重構誤差的上升速度加快。

預測結果表明，故障預測模型的構建可以起到監(jiān)測風電機組運行狀態(tài)的作用，有利于準確預測機組故障發(fā)生的概率，能夠為后續(xù)機組維護創(chuàng)造有利的條件[5-6]。

3 結語

綜上所述，為實現(xiàn)碳中和的目標，我國高度重視新能源發(fā)電產業(yè)的發(fā)展，以太陽能和風力發(fā)電為代表的新能源發(fā)電方式所占的比重逐漸增加。為使風力發(fā)電機組運行穩(wěn)定性和安全性得到保證，某電廠基于CGAN-CNN 提出一種故障診斷和預測方法，結果表明本文所提出的診斷和預測方法可以取得良好的應用效果，能夠為機組故障維護提供可靠的數據支持。