基于机器学习的风电机组变桨系统故障预警

Vol. 35,No. 10

2019年10月

Electric Power Science and Engineering

Oct., 2019

doi ： 10. 3969/j. ISSN. 1672-0792. 2019. 10. 012

基于机器学习的风电机组变桨系统故障预警

王伟，吕丽霞，张厚

(华北电力大学控制与计算机工程学院，河北保定071003)

摘要

：针对风电机组工作环境恶略、故障频发的问题，提出了一种风电机组变桨系统的故障预

警方法，将机器学习应用于故障智能诊断，使用支持向量回归算法建立了变桨系统的故障预警 模型，同时，采用信息熵以及均方根误差作为预警的指标，可以更准确直观地对潜在故障做出预

警。以某风电厂运行数据进行仿真试验，仿真结果表明所建模型可在故障发生前8天对潜 在故障做出预警，验证了预警模型的可行性和有效性。关键词：风电；变桨系统；机器学习；故障预警；支持向量回归

中图分类号

:TM307

文献标识码

：A 文章编号：1672_0792(2019) 10-0073-06

Fault early warning of wind turbine pitch system based

on machine learning

WANG Wei,LU Lixia,ZHANG Hou

(School of Control and Computer Engineering, North China Electric Power University, Baoding 071003, China)

Abstract ： Aiming at the problem of bad working environment and frequent faults of wind turbines, a

fault early warning method for pitch control system of wind turbines is proposed. Machine learning is applied to fault intelligent diagnosis. A fault early warning model of pitch control system is established by using support vector regression algorithm. Meanwhile, information entropy and root mean square error are used as the indicators, which can be more accurate and intuitive to make early warning of potential failures. The simulation results of a wind power plant in Xinjiang show that the model can warn potential faults 8 days in advance, which verifies the feasibility and validity of the early warning model.

Key words：wind power；pitch system;machine learning；fault warning；SVR

成本成为制约风力发电发展的重要因素[1]。为了

〇引言

提高风机运行的安全性并且降低维修成本，可以 运用机器学习算法对风电机组的状态参数监测分 近年来风力发电发展迅速，但由于风机结构 析实现对故障的早期预警,对潜在的故障进行早 复杂并且工作运行环境比较恶劣，导致运行维护

期的维护，对机组的安全运行以及维护具有重要

收稿日期：2019-09-04

作者简介:王伟（1993—），男，硕士研究生，主要研究方向为风电机组的故障预警；

吕丽霞（1963—），女，副教授，主要研究方向为先进控制理论及应用，发电系统建模，仿真与优化控制，系统工程理论与方法; 张厚（1992-),男，硕士研究生，主要研究方向为风电机组的故障诊断。

通信作者:王伟

74

电力科学与工程2019 年

意义[2]。风电场的SCADA系统可以采集风机的 外部环境参数以及运行信息，监测历史和实时数 1基础算法介绍

据，因此,通过对SCADA数据的分析成为了故障 的早期预警的有效手段之一。文献[3]使用人工 1.1 Relief 算法

神经网络解决了风电机组异常检测的问题。文献Relief算法是一种特征权重算法。基于Relief [4]使用历史监测数据建立了模糊综合评价方法 算法的特征加权算法的步骤[〜13]。为:设维数为 的故障预警模型。文献[5]基于自适应滤波器建 mx/i的矩阵数据中存放的数据为《个样本的特 立的模型,有效地识别了轴承尺寸偏差、发电机转 征，首先对各个特征赋初始值〇>, = 0,其中w,= 1,子不对称等问题。国内方面：文献[6]根据风电

2,…，yv。

SCADA数据,提出了一种基于群体特征相似

然后对特征样本进行训练：

性评价的风电机组齿轮箱故障预警方法,使用机 (1) 样本数量为i，i从1到n进行循环；组相似性联动及分级滚动时间窗口技术将多种算 (2)

每个样本特征数量为/v，y从1到yv法紧密结合的方法，预警潜在的机组齿轮箱故障。

循环；

文献[7]对风电机组SCADA数据进行在线分析， (3) 循环迭代权值公式为：

建立了机组齿轮箱的温度预测模型，实现了风电 (Oi+1机组齿轮箱运行参数的在线监测。文献[8]提出 = 0)：; -----------------diff(F,^.,//(*,.)) diff(S,^,M(^))n

H------------------n

了一种基于回归模型和GMM相结合的风电机组 (i)

变桨系统运行状态辨识模型，提高了在线识别的 式中：F表示与所抽取样本&同类的样本;s表示 准确度以及故障预测的提前量。文献[9]结合

与所抽取样本A不同类的样本。

SCADA数据与振动信号数据，实现了风电机组远

diff( * r I' * — x' \\x # x,

'

(2)

程状态参数监测与故障预警。

x - x

以上文献都对风电机组的故障预警的研究起 其中,A/h)和//(幻分别表示*的同类以及非同 到了推动作用，但其不足之处在于：1)使用振动信 类的最临近点。假设间隔可以表示为：

号数据或根据热力学方法都需要在风电机组的基

\\\\x-M(x) ||

- \\\\x

-

H(x) || ) (3)

础上再额外加装测量装置等;2)在建立预测模型 后大多处理方式都是通过残差的大小作为故障预 (4) 根据特征参数的阈值，去除低于阈值的特

警的指标。

征参数。

机器学习是从观测数据出发，从中寻找规律， 1.2支持向量回归机

利用所发现的规律对未知数据或目标数据进行预 支持向量回归机（SVR)是由SVM所引申而 测。故障智能诊断技术是机器学习和传统故障诊 来，是SVM重要的应用分支，它能够同时兼顾算 断相结合发展而来的产物，其性能取决于所采取 法的经验风险和推广能力[14_16]。

的智能算法诊断模型[UM1]。支持向量机（SVM) 对于给定训练样本〇,设线性函数

是统计学习理论中最年轻使用的部分，具有适应 f(x) = (CO . x) + b (4)

能力强、全局优化等优点。支持向量回归机 定义e为不敏感损失函数

(SVR)是由SVM所引申而来，是SVM重要的应用 I _ N I _ r° lr -f(x) | ^ e

分支。

7 e l lr ~f

{x) \\ - e\\y -f(x) | > e

本文提出了一种基于支持向量回归机的风电 (5)

机组变桨系统的故障预警方法，通过对于给定的训练样本集合结合LagrangeRelief算法对 的风机状态参数进行故障特征参数提取，然 函数，得出优化问题的对偶形式即最大化函数

wKa，,），选择合适的核函数尺(\\,'.)，把数据后利用机组健康运行状态数据建立基于支持向量 回归机的变桨系统故障预警模型，最后结合熵权 映射到一个高维特性空间，在高维特性空间线性法以及均方根误差对预测参数趋势分析,实现变 回归。则函数/U)可表示为

/

桨系统的故障预警。

/(尤）=Xi = 1

(% —

)尺(义，〜）+ 6 (6)

进行

第10期王伟,等:基于机器学习的风电机组变桨系统故障预警

75

2基于机器学习的风电机组变桨系

统故障预警方案

本文提出的变桨系统故障预警结合了 Relief 特征提取算法、SVR、信息熵以及均方根误差的方 法，整体预警方案如图1所示。

1离线建_模部$|在线监测部分t

选取机组健康运行数据

图

1

风电机组变桨系统故障预警方案

整体预警方案分为离线建模和在线监测两部 分。离线建模部分，经过数据预处理，将与变桨系 统相关的参数进行Relief特征参数的提取，将所提 取的特征参数作为SVR模型的输入与输出。然后 选取2 900组机组健康运行数据进行模型的训练， 并确定RMSE以及信息熵预警的阈值;在线监测 部分，选取风电机组实时运行数据中Relief所提取 的特征参数输入所建的SVR预警模型，通过模型 输出预测值的残差计算RMSE以及信息熵的值， 当两者同时超过阈值时做出故障的预警。2.1 Relief特征参数的提取

本节所用数据为金风科技#1机组风机 2017年运行数据，切入风速为3 m/s,额定风速为 12 m/s，切出风速为25 m/s。SCADA系统中记录 的变桨系统相关参数有发电机转速、有功功率、变 桨电容温度、叶片桨距角、变桨变频器温度等33 项参数。分别选取机组800组故障数据集以及 800组健康数据集，构成训练样本集，每个样本都 包含变桨系统的33个参数。在MATLAB中运行

Relief算法程序，计算所得各个特征参数的权重如

图2所示。

由所得各项运行参数的权重筛选出权重较高 的11特征参数如表1所示。

特征参数

图2

各特征参数权重

表1由Relief算法筛选出的特征参数

特征参数权重

发电机转速0. 107 3有功功率0. 069 1风速

0. 055 51#变桨电机温度0. 036 82#变桨电机温度0. 032 13#变桨电机温度

0. 036 91#叶片桨距角0. 093 42#叶片桨距角

0. 106 13#叶片桨距角

0.081 0变桨机舱温度0. 036 8塔架加速度

0. 032 1

因此,确定预警模型的输入为发电机转速、有

功功率、风速、1#变桨电机温度、2#变桨电机温度、 3#变桨电机温度、1#叶片桨距角、2#叶片桨距角、3 #叶片桨距角、变桨机舱温度、塔架加速度，预警模 型的输出为有功功率。

分析所提取出的故障参数，发电机转速、有功 功率直接可以反映机组当前工作运行状态；风速 的变化会直接影响变桨系统的工作，当风速变化 较大时变桨系统需要频繁动作以维持功率的平 衡，叶片桨距角的频繁动作有可能会导致发生3 个桨叶变桨不同步和桨叶限位开关的故障;塔架 承受变桨叶片旋转的周期性载荷和风流引起的随 机载荷，容易产生共振现象，塔架加速度可以反映 当前塔架的振动情况。变桨电机温度参数的变化 可以反映变桨电机卡涩以及变桨驱动等故障情 况;变桨机舱温度可以反映变桨控制单位冷却风 扇、温控开关、变桨电气回路系统等故障情况。2.2故障预警模型的建立

风电机组在不同的风速变化范围内和运行状

76

电力科学与工程

2019 年

态下，变桨系统相关参数以及风机有功功率存在 变化，将Relief特征参数提取出的1〇个故障特征 参数作为模型的输人，使用支持向量回归（SVR) 算法建立有功功率的回归模型，然后使用机组健 康运行状态的数据进行训练，将训练好的回归模 型用于机组故障预警的在线识别，回归模型得到 的有功功率输出表示在该状态参数机组正常运行 状态下的有功功率，然后计算与有功功率实际值 之前的残差，根据残差的大小即可判断当前机组 的是否存在潜在的故障。

首先选择机组健康运行状态下数据，同时为了 提高模型的回归精度，对数据进行预处理，剔除切 出风速到切除风速范围外的样本，将筛选出的 2 900组数据作为训练样本用于SVR故障预警模型 的训练。经过训练得到的有功功率回归模型输出 的残差曲线如图3所示，变桨系统健康运行状态下 的预测残差基本符合预期，最大值不超过600,每个 残差分布区间的直方图如图4所示,从图中可以看 出残差分布直方图大致服从正态分布，所建的有功 功率回归模型具有较高的回归精度。

600400

1 500

2 000

2 500

3 000

数据样本数

图3

故障预警模型输出残差

皿栽名0200叵

0<-凶胼

1

-600

200

400600

残差/kW

图4

残差直方图

3机组异常预警阈值确定

常规预警方案的预警指标大多是预警模型输

出的残差，这样可能会导致由于干扰点造成的误 预警问题。本文采用残差的RMSE以及信息熵双 重指标作为机组异常预警的指标。RMSE以及信 息熵阈值的确定方法为:选取2 900组机组正常运 行的数据，观测分析RMSE以及信息熵的波动范 围，以波动的范围作为机组异常预警的阈值。3. 1信息熵

信息熵的提出是用于描述事件不确定性的大 小，如果随机变量事件的信息熵越大，代表其不确 定性程度越高，则确定变量事件的难度就越高；如 果随机变量事件的信息熵越小，代表其不确定性 程度越低，则取到确定值的可能性就越大。在本 文中，选取连续相同长度时间段，计算预测残差的 信息熵值，公式如下：

I

t

'J ln\\^J

(7)

式中：w表示统计区间时间长度等间隔功率区间

的总统计数目，为第i个等间隔功率区间的残 差数目；八表示以统计区间时间长度为单位的总 残差数目。

根据模型所得预测残差计算残差的信息熵如 图5所示，在变桨系统正常运行时，残差的信息熵 波动范围为1.8-2.6,因此可以确定异常预警的 RMSE阈值为2. 6。

2.6

2.4

15

20

2530

时间/d

图5

健康运行数据模型输出信息熵

3.2 RMSE(均方根误差）

RMSE(均方根误差）是预测值与真实值偏差

的平方与观测次数/I比值的平方根。均方根误差

是用来衡量观测倌同直倌之间的偏差。机组异常

第10期

王伟,等:基于机器学习的风电机组变桨系统故障预警

77

预警指标需要表7K出预测值与实际测量值的相似 程度可以直观的反映。

RMSE = /J-^ (7i -y,)2 (8)

式中为样本数;yi为状态参数的测量值A为状 态参数的预测值。机组健康运行状态如图 6所示，健康运行状态的波动范围为0~ 0.35,因此取0.35作为变桨系统异常预警的阈 值〇

0.4

0.3

0.2

0.1

15

202530

时间/d

图6健康运行数据模型输出

4实例验证

为验证本文所建变桨系统的故障预警模型，

选取金风科技#1机组风机2017年运行数据, 机组在2017. 10. 9(即所取数据的第27天）变桨电 机发生故障，取故障发生前后的运行数据作为预 警试验的测试数据。图7为变桨系统故障特征参 数权重较高的四项运行参数的变化趋势，四项参 数在故障发生前都没有明显的变化规律和征兆, 因此不能通过单一的参数阈值对故障的发生进行 预警。4. 1

本文所建预警模型试验

通过所建立的故障预警模型对故障发生前数 据进行分析，得到模型的输出残差，如图8所示。

从图8中可以看到，残差在1 700采样点左 右开始出现一些较大的残差，但是只是少数的 点，残差的分布不确定性较大，存在少量的干扰 点，不能确定是否由风速环境的自然因素等导 致，因此需要借用信息熵以及来直观准确 的观测。

图9机组发生故障前故障预警模型输出的 似/S£以及信息熵的变化曲线，分析模型输出的

3 000g吞 2 000

1 0000

) 500 1 000 1 500 2 000 2 500 3000

4

o

02

(0

)

500

1 000

1 500

2 000

2 500

3 000

2

1o

o(〕 500 1 000 1 500 2 000 2 500 3000

2o 1o n

500 1 000 1 500 2 000 2 500 3 000

采样点

图7故障发生前各参数变化曲线

1 500

1 000

005

000

5采样点

图8

故障预警模型输出残差

/?财5£可知，在1 ~ 17天之间变化曲线均在机组正 常运行故障阈值范围之内，在第18天模型 输出的数值到达0.43,超出了故障预警阈 值，同期，模型输出的信息熵在第18天并未超出 信息熵的阈值，但在持续增大，在第19天到达2. 62超出阈值，此时，模型输出的0也超出阈值， 可作为机组变桨系统的故障预警。

裝

一、班

图

故障预警模型残差的mSE和信息熵

78

电力科学与工程2019 年

本文所建立的故障预警模型得到验证，可在 故障发生前8天对潜在故障做出预警。4. 2

使用BP神经网络所建预警模型试验采用相同的数据使用训练BP神经网络建立 的故障预警模型，并确定异常预警的/?MS£阈值 为0.6,信息熵阈值为3。使用相同的金风科 [2]黄小光，潘东浩，史晓鸣，等.风电机组齿轮箱系

统的故障预警研究[J].机电工程，2019，36(06)： 574-578

[3 ] BANGALORE P, LETZGUS S, KARLSSON D, et al.

An artificial neural network-based condition monitoring method for wind turbines, with application to the monitoring of the gearbox [J]. Wind Energy, 2017. 20 技#1机组风机的故障前运行数据进行预警模型的 试验，预警模型输出残差的以及信息熵如 图10所示。_5£和信息熵同时超出阈值发生在 第23天，可在故障发生前4天对潜在故障做出预 警。

10

15

20

25

30

时间/d

图10故障预警模型残差的和信息熵

经过对比表明，无论是预警模型的回归精度 还是故障预警的提前量，本文提出的故障预警方

案都要优于BP神经网络。

5结论

本文研究了风电机组变桨系统故障预警，将

机器学习应用于传统的故障预警方法中，使用支 持向量回归算法建立预警模型，结合Relief故障特 征提取算法对的风电机组故障特征进行降维 筛选，减少了无关信息对模型的影响；并使用信息 熵以及均方根误差结合作为故障预警的指标，直 观有效地对故障做出预警。使用某风电机组 SCADA运行数据仿真结果表明，所建故障预警模 型可有效的对潜在故障做出预警判断。

参考文献：

[1 ]黄樟坚，李辉，刘行中，等.风电变桨系统模型简

化及运行特性比较[J].电测与仪表，2018, 55(01)： 65-71.

(8)： 1421-1438

[4 ] SUN P, LI J, WANG C, et al. A generalized model for

wind turbine anomaly identification based on SCADA data [J]. Applied Energy, 2016, 168： 550-567.[5 ] YANG W, LITTLE C, COURT R. S-Transform and its

contribution to wind turbine condition monitoring [ J ]. Renewable Energy, 2014, 62： 137-146.

[6] 刘帅，刘长良，甄成刚，等.基于群体相似性

的风机齿轮箱预警策略[J].仪器仪表学报， 2018, 39 (01)： 180-1.

[7] 贾子文，顾煜炯.基于数据挖掘的风电机组齿轮箱

运行状态分析[J].中国机械工程，2018, 29 (06)： 650-658.

[8] 郭慧东，王玮，夏明超.基于数据挖掘的风电机组

变桨系统劣化状态在线辨识方法[J].中国电机工

程学报，2016, 36 (09): 23-2397.

[9] 刘秀丽，徐小力.风电场机组远程监测系统

[J].电子测量与仪器学报，2017, 31 ( 05): 794-801.

[1〇]李大中，常永亮，赵杰，等.基于MSET模型的风

力发电机故障预警[J].华北电力技术，2016(12)： 43-48.

[11] 孟玲霞，徐小力，徐杨梅，等.变工况时频脊流形

早期故障预警方法研究[j].北京理工大学学报, 2017 , 37 ( 09)： 942-947.

[12] 孙思齐，马小宁，薛蕊.基于SVR的动车组设备安

全评估方法研究[〗]•计算机仿真，2019, 36 (05)： 179-183.

[13] 刘跃飞，黄细霞，宋虎，等•风力发电系统的风机

齿轮箱故障预测研究[J].计算机仿真，2019, 36(03) ： 124-127.

[14] 刘帅，刘长良，甄成刚.风电机组齿轮箱的多变量

时间序列故障预警[J]•计算机应用，2019, 39(04) ： 1229-1233.

[15] 丁显，韩宁宁，滕伟.基于深度学习的直驱风电机

组故障辨识[J].可再生能源，2018, 36 ( 10): 1535-1540.

[16] 龙霞飞，杨苹，郭红霞，等.大型风力发电机组故

障诊断方法综述[J].电网技术，2017, 41 (11): 3480-3491.