CN110442833B - 一种基于多维度scada数据评估风电机组健康状态评估方法 - Google Patents

Abstract

本发明公开了一种基于多维度SCADA数据评估风电机组健康状态评估方法，针对传统方法对于风电机组健康状态评估所用参数较为单一，导致评估不全面的问题，提取表征机组退化信息的多个特征参数。该方法通过经验Copula函数计算SCADA***中参数间的互信息，互信息的大小可反映出此参数影响风机性能的程度。将互信息数值大的参数作为健康评估的对象，相比传统方法将风功率曲线作为评估的对象，本发明对于风电机组健康状态的评估更全面、准确。在模型中引入根据风速区间划分工况的方法。并将此方法与核主成分分析结合建立基于自适应KPCA的风电机组健康状态评估模型。本发明诊断结果表明该模型对风电机组健康评估结果优于传统方法的评估结果。

Description

一种基于多维度SCADA数据评估风电机组健康状态评估方法

技术领域

本发明是一种应用于风电机组健康评估领域的方法，针对风电机组所处环境恶劣，维修维护成本高，对其进行实时评估和预测可减少维护费用，提高风机使用效率；属于预测与健康管理技术领域。

背景技术

风电机组的高可靠性是风力发电的根本要求，然而潮湿、腐蚀、风沙、震动、极寒和极热等恶劣运行环境，不完善的运行控制策略和设计安装缺陷导致风力发电装置总体可靠性较低。较低的可靠性导致风电场运行与维护费用居高不下，据统计海上风电场运行与维护费用占发电成本的30％～35％，而其中大约25％～35％为定期维护费用，65％～75％为事后维修费用。降低事后维修费用的一个有效方法就是应用状态监测技术进行故障的早期探测。因此，开展风电机组健康状态监测与评价研究，根据评价结果预先判断机组健康衰退趋势，合理调整运行并安排维修，对提高风电机组运行安全性和可靠性，降低运行与维护费用具有重要的意义。

预测与健康管理(Prognostic and health management,PHM)是一门新兴的工程学科，在提高机器可靠性和降低维护成本方面具有巨大的潜力。健康管理是为即将发生的故障制定最佳维护策略的过程。因此，在一个有效的PHM***中，主要的任务包括机器退化的监控、机器异常的检测和潜在机器故障模式的诊断。在许多应用程序中，这些监控任务都是通过在线方式实现的，以便及时提取最新的机器健康信息，并与管理层同步，以支持决策。据相关工程资料表明，PHM技术能够减少维护成本、提升机器效率及工厂总效率：

A.通过减少备件、保障设备和维修人力等保障资源需求，降低维修保障费用；

B.通过减少维修，特别是计划外维修次数，缩短维修时间，提高战备完好率；

C.通过健康状态预测，减少突发机器故障造成的事故风险，提高任务完成效率。

对于风电机组的PHM方面，当前研究人员多数采用基于状态的维护方式对风电机组进行维护，即通过测量轴承等关键部位温度或者机舱震动等参数，根据与健康状态下运行参数的变差来预测风电机组健康状态。这种方法更有针对性且更精准，但风电机组所属环境恶劣，易受风速、风向、环境温度等影响，风电机组运行状态复杂，基于状态的维护方式只能反映当前状态，而没有办法对未来进行预测，提前预知故障信息。研究人员主要通过风电场数据采集与监视控制(SCADA)***采集的大量数据进行数据挖掘与分析。利用SCADA数据研究风机性能退化程度主要思想是对风电机组的风功率曲线走势进行分析，对实际所得的风功率曲线与理论风功率曲线进行差异对比，将所得差异值量化为可以表征风机健康的指标。然而这类方法仅通过应用风功率曲线单一特征来评价风电机组健康状态，不能反映其复杂的状态信息。针对这一问题，通过对SCADA***中所有参数进行分析和筛选，建立基于多维度SCADA参数的风电机组健康状态评估新方法。

发明内容

本发明针对现阶段对于复杂工况下风电机组状态评估方法采用的参数单一导致评估不全面的问题，提出了一种新的基于多维度SCADA参数的风电机组退化评估方法。该算法的核心思想是：通过对SCADA***中所有参数分析和筛选，并计算参数间的互信息，将互信息的大小作为参数选择的指标来确定研究参数，之后针对风电机组的复杂工况根据风速区间的工况划分方法进行工况辨识，充分考虑风电机组运行过程中的动态性能，最后针对工况划分后的数据通过自适应核主成分分析提取主元进行健康状态评估。该方法相比传统风电机组健康评估方法更加精确。

本发明采用了的技术方案为一种基于多维度SCADA数据评估风电机组健康状态评估方法，如图1所示，为风电机组健康评估模型总体框图。具体过程描述如下：

将SCADA采集***中的数据分为健康样本和待评估样本两类。该方法首先将健康样本通过Copula函数计算各参数与风机健康状态的相关度并建立参数建议选择表，对参数建议选择表中参数进行异常点清除和选择，并形成健康样本集。之后，对健康样本集通过基于风速区间工况划分方法，生成全工况区间矩阵Ω＝[Ω₁,Ω₂,Ω₃,…,Ω_m]；同时，将待评估数据也根据工况子区间划分算法，生成待测数据子区间矩阵Ω′＝[Ω_1′,Ω_2′,Ω_3′,…,Ω_n′]，n<m；根据待测数据子区间工况矩阵Ω′在全工况矩阵Ω中提取对应数据，形成健康样本子区间即子模型样本；进而利用自适应核主成分分析(KPCA)对子模型样本进行建模，并提取主元生成风电机组健康退化评估模型。接下来，通过对待测数据计算SPE统计量和Hotelling-T²统计量，并依据多元统计量的假设检验来判断过程中是否产生故障，SPE统计量能够实现对多变量的监控，反映了测量值对主元模型的偏离程度；Hotelling-T²反映了主元向量在主元模型内部中模量的波动情况。在本方法中根据统计量的变化趋势实时评估风机健康状态。

该方法具体步骤描述如下:

S1参数选择阶段：

S1.1)根据经验选择SCADA***收集的反映风电机组运行状态的参数。分为三类：a条件参数，包括风速、风向和环境温度，这些条件参数能够决定风力涡轮机的功率输出。b健康参数，包括主轴承温度、低速轴温、高速轴温和齿轮箱油温，有助于分析风力机的健康状况。c性能参数，包括转子转速、叶轮转速、发电机转速和有功功率等，用以衡量风力发电机的运行性能。

S1.2)以有功功率为风机性能表现，计算1)所选三类参数与风机的有功功率间的互信息。互信息的大小能够反映出此参数影响风机性能的程度。风机性能互信息的计算函数I如下：

其中：X＝[x₁,x₂,…,x_n'],Y＝[y₁,y₂,…,y_n']是n'维风机性能随机向量，x，y是风机性能随机变量，f_XY(x,y)表示风机性能随机变量x、y的联合概率密度，f_X(x)和f_Y(y)分别为风机性能随机变量x和y的边缘概率密度函数.互信息越大，则变量X包含了关于Y越多的信息，即两变量相关性越大。采用Copula熵的互信息估计方式，避免联合概率密度的估计，且有效提高互信息估计的准确度与效率。Copula计算过程如下：

根据Sklar’s定理：假设n₁维风机性能随机向量

且风机性能边缘分布函数为

风机性能联合概率密度函数为：

则F(X)表示为：

如果已知风机性能联合概率密度：

则：

根据公式(2)、(3)、(4)，X、Y的风机性能联合概率密度用Copula函数表示为：

F_XY(x,y)＝C(F_X(x),F_Y(y)) (6)

则Copula概率密度函数表示为：

因此根据Copula函数计算互信息的公式为：

I(X；Y)＝∫∫c(F_X(x),F_Y(y))f_X(x)f_Y(y)...logc(F_X(x),F_Y(y))dxdy (8)

令F_X(x)＝a,F_Y(y)＝b且a、b∈[0,1]，则互信息的计算公式写为：

根据经验Copula估算F_X(x),F_Y(y)，：

则Copula概率密度函数表示为：

其中N是原始数据集的长度，ω用核光滑评估法估计。

I(X；Y)≈c(a,b)logc(a,b) (12)

通过Copula函数，在事先不知道变量之间的相关性的情况下，不需要估计F_X(x),F_Y(y)和f_XY(x,y)，而只需估计Copula的概率密度函数就能够计算出随机变量X和Y之间的互信息。三类参数与风电机组有功功率的互信息数值大小间接反映此参数对风电机组健康的影响。将三类参数的互信息按照降序方式排列组成互信息向量I＝{I₁,I₂,…，I_L,…}，通过式

计算第L个参数对风电机组健康的影响率，累计影响率为多个参数的影响率的叠加。选择使累计影响率达到90％的参数作为后续健康评估参数。

S2健康评估阶段

S2.1)工况划分阶段：首先对健康数据中的风速数据进行全工况区间划分，以划分后的区间数据为标准，将其他参数也划分为相同的区间数据，形成全工况健康数据集。对待测数据进行工况辨识，形成待测工况数据集。工况划分具体步骤如下：

(1)对健康样本提取风速数据，将风速数据按照下式分割为N个风速子区间

其中V_max为最大风速，V_min为最小风速，L为风速子区间长度。

(2)第K个风速子区间为[V_min+(K-1)L,V_min+KL]，K＜N；

(3)求得的风速子区间作为工况子空间，将健康样本按照此工况区间进行划，获得健康样本Ω＝[Ω₁,Ω₂,Ω₃,…,Ω_i,…Ω_N]，其中Ω_i＝[W_1×j R_1×j T_1×j P_1×j]，W,R,T,P分别代表风速、转速、轴承温度和输出功率参数，j代表符合第i个工况子区间的健康样本的个数；

(4)计算每个工况子区间的各个参数期望值，并作为代表这一工况下的风电机组健康状态数据。

对健康样本提取风速数据，将风速数据按照下式分割为N个风速子区间中，L的选取借鉴区间二分法的思想。设风速以区间长度

n＝0,1,...,j,...逐次划分，当

时划分区间，第i个子区间的风速期望值为p_ji，标准差为S_ji，将致使划分空间的空集最少，且子区间标准差之和

最小的L值为最后风速区间工况划分长度。

S2.2)基于自适应KPCA的建模阶段

自适应KPCA模型的输入数据为通过工况划分后的健康样本和待评估样本。健康样本的数据为全工况数据，待评估样本的工况区间为健康样本工况区间的子集。针对根据风速区间工况识别后的待测试数据维数不相同且所具有的工况不一致的问题，采用自适应KPCA方法提取数据特征，建立风电机组健康退化模型。对于每一组待评估样本，模型需要根据其工况区间相应的提取健康样本子集进行特征提取。利用每一组待测样本的工况情况，提取相应健康数据集工况区间数据，重新形成正常样本集，使新样本集的工况情况与待测样本集一致，然后利用新的正常样本集重新建立KPCA模型，更新核主元数目、监测统计量及其控制限，以更新后的KPCA模型进行健康状态评估。

S2.3)健康评估：计算待评估数据的SPE统计量和Hotelling-T'²统计量，并对两个统计量的变化图进行分析，评估风电机组健康状态。SPE统计量和Hotelling-T'²统计量的计算公式如下：

其中

为输入向量X在特征空间中第i₃个核主元；Λ为与前p个核主元对应的特征组成的对角阵；P_R为KPCA提取的特征向量。

SPE统计限和Hotelling-T²统计限的计算公式如下：

其中F_p,n-p,Υ是对应于置信水平为Υ、自由度为p时，在n-p条件下的F分布临界值；

为X的协方差特征值，θ_k为相应的特征值求和结果，无实际物理意义；k＝1,2,3；

C_γ为标准正态分布检验水平为γ的临界值。

当SPE统计量和Hotelling-T²统计量超过各自统计限，说明风电机组性能退化。

与现有技术相比，本发明提出一种基于多维SCADA数据评估风电机组健康状态的方法。该方法对多个参数进行融合分析，克服了传统方法对单一参数进行健康评估的片面性。使用基于风速区间划分工况的新方法，并融合自适应KPCA模型进行评估，不仅使模型更精确、全面，而且减少错报的异常情况发生。

附图说明

图1为风电机组健康评估模型总体框图；

图2为参数间的copula和copula概率密度分布图；

图3为原始风功率曲线和工划分后的风功率曲线对比图；

图4为风机健康性能退化趋势-统计量变化图；

图5为单一参数模型下的风机退化趋势-统计量变化图；

具体实施方式

发明主要针对风机性能的退化存在不确定性和模糊性而难以评估和预测的问题。本发明使用某风场的数据证明算法的有效性。以下为对此数据的相关介绍：

本发明采用的数据为一台2MW风机在故障前近两个月(2016.2.21-2016.4.16)的周期为5s的部分SCADA数据，该风机在2016.4.16日因主轴高温故障停机，故障部件为齿轮箱。取前十日数据做健康样本预处理，建立风电机组健康评估样本，对后四十天数据进行退化状态评估。

将本发明方法实现风电机组健康状态评估，主要包括参数选择和健康评估两大步骤，如图1是本发明的具体流程图，具体陈述如下：

A.参数选择阶段

步骤1：对于SCADA***中的全部参数，进行经验分析，选出影响风机退化的主要参数，主要有三类：1.条件参数，包括风速、风向和环境温度，这些参数可以决定风力涡轮机的功率输出。2.健康参数，包括主轴承温度、低速轴温、高速轴温、齿轮箱油温，有助于分析风力机的健康状况。3.性能参数，包括转子转速、叶轮转速、发电机转速、有功功率等，用以衡量风力发电机的运行性能

步骤2：针对以上参数进行互信息的计算，选择主要影响此风机退化性能参数。通过经验Copula的方法计算互信息。以风机有功功率为风机性能表现，计算其他参数与有用功率的互信息，互信息的大小可反映出此参数影响风机性能的程度。由于各参数的单位不同，一些取值范围较小的参数对模型的影响不可能均等。因此，首先将数据按下式归一化。

N_data＝(V_i-Min_v)÷(Max_v-Min_v) (17)

构造每对参数的经验Copula函数，采用核光滑法估计Copula密度。图2显示分别为(有功功率、风速)和(有功功率、转速)累积Copula和Copula概率密度。其分布证明了经验Copula过程不改变原始信息，保持了物理意义。因此，互信息估计可以作为参数选择的参考。cdf(有功功率、风速)和cdf(有功功率、转速)为参数的Copula密度概率，从图2可以看出，(有功功率、风速)概率要比(有功功率、转速)小得多。这与建议列表中转速参数高于风速参数的结果相对应。对SCADA***中的可用于分析风电机组退化性能为1～3类参数做Copula估计，建立参数选择建议表，如表1。从表1中可以看出，X、Y、Z轴向振动值影响功率输出，但其在参数建议选择表中等级不够高，相比前三个参数对功率的影响是微不足道的，不作为研究选择。则所选的参数为{轴承转速；风速；主轴温度；输出功率}，输出功率作为必选参数，最直接反应风电机组健康状态的因素。

表1参数建议选择列表

B.健康评估阶段：

步骤1：取2.21-3.03日数据做健康样本，将后40天数据作为40组待测样本。从风速的角度划分区间，将数据通过风速参数划分数个工况进行评估。将正常样本＝{转速；风速；轴承温度；输出功率}中符合某个风速子区间的时刻值归为一类，形成工况子区间。最后将对已划分工况子区间的正常样本进行风电机组退化评估建模。工况子区间长度L＝0.025。当L＝0.025时，划分空间的空集最少，且子区间标准差之和最小。通过基于风速的工况划分方法得到健康数据与待评估数据，以风功率曲线为例，从图3中可以看出，相比原始数据，工况划分后数据不但保留了风速参数对于其他参数的制约而且在大量的SCADA数据中清晰的提炼出参数间的内部关系。

步骤2：模型输入数据为通过工况划分后的健康样本和待评估样本。健康样本的数据为全工况数据，待评估样本的工况区间为健康样本工况区间的子集。利用每一组待测样本的工况情况，提取相应健康数据集工况区间数据，重新形成正常样本集，使新样本集的工况情况与待测样本集一致，然后利用新的正常样本集重新建立KPCA模型，更新核主元数目、监测统计量及其控制限，以更新后的KPCA模型进行健康状态评估。

步骤3：通过对待评估数据的SPE统计量和Hotelling-T²统计量变化图的分析，评估风电机组健康状态。

上述步骤即为本发明方法在风电机组健康状态评估中的具体应用。为了验证本方法的有效性，对上述数据进行了健康评估实验，并用传统方法对此数据进行实验对比。结果分别由图4、图5所示。从图4中可以看出：此风机在3.23-3.26日风机性能有轻微退化趋势，在3.29-4.15日风机性能退化明显，且程度越来越严重。由实际情况可知，此风机在4.16日由于主轴高温造成停机，与本研究模型结果一致。对比图4，5可以看出传统模型明显弱化了风机的退化趋势，且从图5中的红色虚线圈中可以看到单一参数模型中易产生检测异常的情况，这是由于只有风速和输出功率参数的制约时，退化评估结果易受到风速多变的影响，导致检测异常、错误警告的发生。

Claims (3)

1.一种基于多维度SCADA数据评估风电机组健康状态评估方法，其特征在于：

将SCADA采集***中的数据分为健康样本和待评估样本两类；该方法首先将健康样本通过Copula函数计算各参数与风机健康状态的相关度并建立参数建议选择表，对参数建议选择表中参数进行异常点清除和选择，并形成健康样本集；之后，对健康样本集通过基于风速区间工况划分方法，生成全工况区间矩阵Ω＝[Ω₁,Ω₂,Ω₃,…,Ω_m]；同时，将待评估数据也根据工况子区间划分算法，生成待测数据子区间工况矩阵Ω′＝[Ω₁′,Ω₂′,Ω₃′,…,Ω_n′]，n<m；根据待测数据子区间工况矩阵Ω′在全工况区间矩阵Ω中提取对应数据，形成健康样本子区间即子模型样本；进而利用自适应核主成分分析对子模型样本进行建模，并提取主元生成风电机组健康退化评估模型；接下来，通过对待测数据计算SPE统计量和Hotelling-T²统计量，并依据多元统计量的假设检验来判断过程中是否产生故障，SPE统计量能够实现对多变量的监控，反映了测量值对主元模型的偏离程度；Hotelling-T'²反映了主元向量在主元模型内部中模量的波动情况；在本方法中根据统计量的变化趋势实时评估风机健康状态；自适应KPCA模型的输入数据为通过工况划分后的健康样本和待评估样本；健康样本的数据为全工况数据，待评估样本的工况区间为健康样本工况区间的子集；针对根据风速区间工况识别后的待测试数据维数不相同且所具有的工况不一致的问题，采用自适应KPCA方法提取数据特征，建立风电机组健康退化模型；对于每一组待评估样本，模型需要根据其工况区间相应的提取健康样本子集进行特征提取；利用每一组待测样本的工况情况，提取相应健康数据集工况区间数据，重新形成正常样本集，使新样本集的工况情况与待测样本集一致，然后利用新的正常样本集重新建立KPCA模型，更新核主元数目、监测统计量及其控制限，以更新后的KPCA模型进行健康状态评估。

2.根据权利要求1所述的一种基于多维度SCADA数据评估风电机组健康状态评估方法，其特征在于：

该方法具体步骤描述如下，

S1参数选择阶段：

S1.1)选择SCADA***收集的反映风电机组运行状态的参数；分为三类：a条件参数，包括风速、风向和环境温度，这些条件参数能够决定风力涡轮机的功率输出；b健康参数，包括主轴承温度、低速轴温、高速轴温和齿轮箱油温，有助于分析风力机的健康状况；c性能参数，包括转子转速、叶轮转速、发电机转速和有功功率，用以衡量风力发电机的运行性能；

S1.2)以有功功率为风机性能表现，计算S1.1)所选三类参数与风机的有功功率间的互信息；互信息的大小能够反映出此参数影响风机性能的程度；风机性能互信息的计算函数I如下：

其中：X＝[x₁,x₂,…,x_n'],Y＝[y₁,y₂,…,y_n']是n'维风机性能随机向量，x，y是风机性能随机变量，f_XY(x,y)表示风机性能随机变量x、y的联合概率密度，f_X(x)和f_Y(y)分别为风机性能随机变量x和y的边缘概率密度函数.互信息越大，则变量X包含了关于Y越多的信息，即两变量相关性越大；采用Copula熵的互信息估计方式，避免联合概率密度的估计，且有效提高互信息估计的准确度与效率；Copula计算过程如下：

根据Sklar’s定理：假设n₁维风机性能随机向量

且风机性能边缘分布函数为

风机性能联合概率密度函数为：

则F(X)表示为：

如果已知风机性能联合概率密度：

则：

根据公式(2)、(3)、(4)，X、Y的风机性能联合概率密度用Copula函数表示为：

F_XY(x,y)＝C(F_X(x),F_Y(y)) (6)

则Copula概率密度函数表示为：

因此根据Copula函数计算互信息的公式为：

I(X；Y)＝∫∫c(F_X(x),F_Y(y))f_X(x)f_Y(y)...logc(F_X(x),F_Y(y))dxdy (8)

令F_X(x)＝a,F_Y(y)＝b且a、b∈[0,1]，则互信息的计算公式写为：

Copula估算F_X(x),F_Y(y)：

则Copula概率密度函数表示为：

其中N是原始数据集的长度，ω用核光滑评估法估计；

I(X；Y)≈c(a,b)logc(a,b) (12)

通过Copula函数，在事先不知道变量之间的相关性的情况下，不需要估计F_X(x),F_Y(y)和f_XY(x,y)，而只需估计Copula的概率密度函数就能够计算出随机变量X和Y之间的互信息；三类参数与风电机组有功功率的互信息数值大小间接反映此参数对风电机组健康的影响；将三类参数的互信息按照降序方式排列组成互信息向量I＝{I₁,I₂,…，I_L,…}，通过式

计算第L个参数对风电机组健康的影响率，累计影响率为多个参数的影响率的叠加；选择使累计影响率达到90％的参数作为后续健康评估参数；

S2健康评估阶段；

S2.1)工况划分阶段：首先对健康数据中的风速数据进行全工况区间划分，以划分后的区间数据为标准，将其他参数也划分为相同的区间数据，形成全工况健康数据集；对待测数据进行工况辨识，形成待测工况数据集；工况划分具体步骤如下：

(1)对健康样本提取风速数据，将风速数据按照下式分割为N个风速子区间

其中V_max为最大风速，V_min为最小风速，L为风速子区间长度；

(2)第K个风速子区间为[V_min+(K-1)L,V_min+KL]，K＜N；

(3)求得的风速子区间作为工况子空间，将健康样本按照此工况区间进行划，获得全工况区间矩阵Ω＝[Ω₁,Ω₂,Ω₃,…,Ω_i,…Ω_N]，其中Ω_i＝[W_1×j R_1×j T_1×j P_1×j]，W,R,T,P分别代表风速、转速、轴承温度和输出功率参数，j代表符合第i个工况子区间的健康样本的个数；

(4)计算每个工况子区间的各个参数期望值，并作为代表这一工况下的风电机组健康状态数据；

S2.2)基于自适应KPCA的建模阶段；

自适应KPCA模型的输入数据为通过工况划分后的健康样本和待评估样本；健康样本的数据为全工况数据，待评估样本的工况区间为健康样本工况区间的子集；针对根据风速区间工况识别后的待测试数据维数不相同且所具有的工况不一致的问题，采用自适应KPCA方法提取数据特征，建立风电机组健康退化模型；

S2.3)健康评估：计算待评估数据的SPE统计量和Hotelling-T'²统计量，并对两个统计量的变化图进行分析，评估风电机组健康状态；SPE统计量和Hotelling-T'²统计量的计算公式如下：

其中

为输入向量X在特征空间中第i₃个核主元；Λ为与前p个核主元对应的特征组成的对角阵；P_R为KPCA提取的特征向量；

SPE统计限和Hotelling-T²统计限的计算公式如下：

其中F_p,n-p,Υ是对应于置信水平为Υ、自由度为p时，在n-p条件下的F分布临界值；

为X的协方差特征值，θ_k为相应的特征值求和结果，无实际物理意义；k＝1,2,3；

C_γ为标准正态分布检验水平为γ的临界值；

当SPE统计量和Hotelling-T²统计量超过各自统计限，说明风电机组性能退化。

3.根据权利要求2所述的一种基于多维度SCADA数据评估风电机组健康状态评估方法，其特征在于：

对健康样本提取风速数据，将风速数据按照下式分割为N个风速子区间中，L的选取借鉴区间二分法的思想；设风速以区间长度

逐次划分，当

时划分区间，第i个子区间的风速期望值为p_ji，标准差为S_ji，将致使划分空间的空集最少，且子区间标准差之和

最小的L值为最后风速区间工况划分长度。

Images