基于SCADA數(shù)據(jù)的風(fēng)機葉片結(jié)冰檢測方法

李寧波，閆濤，李乃鵬，孔德同，劉慶超，雷亞國

?

基于SCADA數(shù)據(jù)的風(fēng)機葉片結(jié)冰檢測方法

李寧波1，閆濤1，李乃鵬1，孔德同2，劉慶超2，雷亞國1

（1．西安交通大學(xué)陜西省機械產(chǎn)品質(zhì)量保障與診斷重點實驗室，陜西省 西安市 710049；2．華電電力科學(xué)研究院有限公司，浙江省 杭州市 310030）

針對工作在寒冷地區(qū)的風(fēng)機易出現(xiàn)的葉片結(jié)冰現(xiàn)象，提出一種基于SCADA數(shù)據(jù)的風(fēng)機葉片結(jié)冰檢測方法。根據(jù)葉片結(jié)冰會增大發(fā)電機的功率損耗，選擇風(fēng)速與網(wǎng)側(cè)有功功率2個變量，利用主成分分析技術(shù)構(gòu)造對葉片結(jié)冰敏感的風(fēng)速與網(wǎng)側(cè)有功功率在非主成分方向投影特征，通過選擇最優(yōu)閾值使邏輯回歸分類器適用于不平衡分類，可以實現(xiàn)風(fēng)機葉片結(jié)冰檢測自動化與智能化。通過中國工業(yè)大數(shù)據(jù)創(chuàng)新競賽數(shù)據(jù)驗證了該方法的有效性。

風(fēng)機葉片結(jié)冰檢測；SCADA數(shù)據(jù)；非主成分方向投影特征；最優(yōu)閾值選擇；不平衡分類

0 引言

風(fēng)電是目前最成熟、最具發(fā)展?jié)摿η一緦崿F(xiàn)商業(yè)化的新興可再生能源技術(shù)[1-2]。在全世界各國中，中國的風(fēng)電發(fā)展舉世矚目，年新增風(fēng)電裝機占全世界的比例從2006年的不足10%上升到2010年的49%，且保持著不斷增高的趨勢。但風(fēng)能獲取的特殊性決定了大量風(fēng)機需布置在高緯度、高海拔的寒冷地區(qū)。以我國為例，至2016年，全國風(fēng)機累計裝機總量的65%以上位于北方寒冷地區(qū)[3]。而工作在寒冷地區(qū)的風(fēng)機受霜冰、雨凇和濕雪等氣象條件影響，極易發(fā)生葉片結(jié)冰現(xiàn)象，進而引發(fā)一系列后果。具體來說有以下危害[4]：

1）結(jié)冰后的風(fēng)機葉片翼型發(fā)生改變，導(dǎo)致風(fēng)能捕獲能力下降，加之葉片上附著冰層，增大了葉片轉(zhuǎn)動所需能量，最終導(dǎo)致風(fēng)機發(fā)電功率損耗；

2）風(fēng)機葉片結(jié)冰后，直接導(dǎo)致葉片部分結(jié)構(gòu)參數(shù)改變，繼而影響其固有模態(tài)參數(shù)，誘發(fā)葉片斷裂；

3）當風(fēng)機葉片結(jié)冰積累到一定程度后，冰層受自重影響斷裂飛出，極易擊中風(fēng)場巡檢人員，造成人身事故。

由上可見，及時檢測并消除葉片結(jié)冰故障對于延長風(fēng)電設(shè)備使用壽命、預(yù)防重大安全事故具有重要意義。針對葉片結(jié)冰檢測問題，現(xiàn)有方法主要通過對葉片結(jié)冰機制進行理論分析研究，建立葉片結(jié)冰判斷模型并根據(jù)監(jiān)測數(shù)據(jù)判斷當前時刻風(fēng)機葉片是否發(fā)生結(jié)冰。文獻[5]通過紅外傳感器采集葉片溫度數(shù)據(jù)，根據(jù)預(yù)設(shè)結(jié)冰閾值判斷葉片結(jié)冰與否。文獻[6]基于超聲檢測技術(shù)，實現(xiàn)對葉片結(jié)冰的早期檢測。文獻[7]利用風(fēng)機葉片上預(yù)先布置的光纖傳感器判斷葉片是否發(fā)生結(jié)冰。文獻[8]對現(xiàn)有葉片結(jié)冰檢測方法進行總結(jié)。然而，上述方法盡管具有物理意義明顯、方法準確率較高的優(yōu)點，但其往往需要額外布置傳感器，帶來風(fēng)場運營成本飛升，故而在實際中并未得到廣泛使用。

SCADA系統(tǒng)作為當前應(yīng)用最為廣泛、技術(shù)發(fā)展最為成熟的數(shù)據(jù)采集與監(jiān)控系統(tǒng)，在大量風(fēng)電設(shè)備中得到應(yīng)用[9]。由于SCADA系統(tǒng)采集的大量監(jiān)測變量能夠充分表征風(fēng)機工作狀態(tài)，倘若能使用合適的智能模型從SCADA數(shù)據(jù)中挖掘故障信息、判斷葉片結(jié)冰狀態(tài)，則可充分利用SCADA系統(tǒng)，在較低的成本下完成葉片結(jié)冰檢測工作，大大拓寬葉片結(jié)冰檢測方法的適用場合。

本文對某風(fēng)場SCADA數(shù)據(jù)進行分析，篩選與構(gòu)造能夠反映葉片結(jié)冰狀態(tài)的監(jiān)測變量，而后基于邏輯回歸算法構(gòu)造不平衡分類器，以根據(jù)SCADA數(shù)據(jù)實現(xiàn)風(fēng)機葉片結(jié)冰監(jiān)測。

1 基于SCADA數(shù)據(jù)的方法

SCADA系統(tǒng)是風(fēng)場設(shè)備管理、監(jiān)測和控制的重要系統(tǒng)，風(fēng)機運行的實時數(shù)據(jù)主要由SCADA系統(tǒng)進行存儲。目前，SCADA系統(tǒng)中存儲的數(shù)據(jù)通常有上百個變量，涵蓋了風(fēng)機的工況參數(shù)、環(huán)境參數(shù)和狀態(tài)參數(shù)等多個維度，風(fēng)場管理者能夠通過分析SCADA系統(tǒng)實時了解風(fēng)電裝備資產(chǎn)的運行和健康狀態(tài)。

由引言可知，風(fēng)機葉片結(jié)冰會增大風(fēng)機發(fā)電的功率損耗，本文選擇了風(fēng)速和網(wǎng)側(cè)有功功率2個與結(jié)冰現(xiàn)象較為相關(guān)的變量進行分析。

基于SCADA數(shù)據(jù)的風(fēng)機葉片結(jié)冰檢測方法流程如圖1所示，分為離線訓(xùn)練和在線預(yù)測2部分。離線訓(xùn)練包括數(shù)據(jù)預(yù)處理、敏感特征選擇與構(gòu)建、邏輯回歸分類器構(gòu)建、最優(yōu)閾值選擇4步；在線預(yù)測同樣要經(jīng)過數(shù)據(jù)預(yù)處理，提取選擇和構(gòu)建好的特征，將其輸入訓(xùn)練好的邏輯回歸分類器，并將邏輯回歸輸出與最優(yōu)閾值比較，得到分類結(jié)果。

圖1 風(fēng)機葉片結(jié)冰檢測方法流程圖

1.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理分為2步：數(shù)據(jù)分組與數(shù)據(jù)篩選。數(shù)據(jù)分組是將SCADA數(shù)據(jù)按照時間連續(xù)性，每5~10min的數(shù)據(jù)劃分為一組，取組內(nèi)變量的平均值作為該組變量的特征。因為風(fēng)機葉片轉(zhuǎn)動慣性的存在，會減少風(fēng)機發(fā)電瞬時功率與瞬時風(fēng)速之間的相關(guān)性，數(shù)據(jù)分組可降低慣性對其影響。數(shù)據(jù)篩選則是篩選出未達滿功率發(fā)電的數(shù)據(jù)，進行后續(xù)結(jié)冰監(jiān)測判別。因為在已有數(shù)據(jù)中，當風(fēng)機滿功率發(fā)電時，無結(jié)冰事件。數(shù)據(jù)篩選可截取平均功率隨平均風(fēng)速近似線性變化的部分。

數(shù)據(jù)預(yù)處理的目的是將葉片結(jié)冰現(xiàn)象對風(fēng)速與發(fā)電功率的影響顯性化。顯性化過程如圖2所示。圖2(a)為原始風(fēng)速與功率關(guān)系圖，圖2(b)為經(jīng)過數(shù)據(jù)分組處理后的風(fēng)速與功率關(guān)系圖，圖2(c)為經(jīng)過數(shù)據(jù)篩選處理后的風(fēng)速與功率關(guān)系圖。

1.2 敏感特征構(gòu)建

敏感特征構(gòu)建利用主成分分析技術(shù)對風(fēng)速與功率特征進行主成分分析。如圖3所示，黑色箭頭方向為主成分方向，代表風(fēng)速對功率的影響關(guān)系；而非主成分方向即為綠色箭頭方向，可在一定程度上表示結(jié)冰故障情況。

構(gòu)建的敏感特征即為風(fēng)速與功率在非主成分方向的投影，特征分布如圖4所示，可以看出，正常狀態(tài)和結(jié)冰狀態(tài)存在明顯的劃分。

1.3 分類器的構(gòu)建與最優(yōu)閾值選擇

為使風(fēng)機葉片結(jié)冰預(yù)測自動化和智能化，在提取敏感特征后將其輸入機器學(xué)習(xí)模型自動判別風(fēng)機的結(jié)冰狀態(tài)。本方案采用的機器學(xué)習(xí)模型為邏輯回歸分類器，邏輯回歸函數(shù)表達式為

圖2 數(shù)據(jù)預(yù)處理過程圖

圖3 風(fēng)速與功率特征主成分分析圖

式中：表示輸入特征；為輸入樣本維數(shù)；；表示邏輯回歸函數(shù)的參數(shù)。

通常，當分類器的正反2類樣本平衡時，邏輯回歸函數(shù)的判別閾值取為0.5。但是，當風(fēng)機葉片結(jié)冰問題是一個嚴重的不平衡分類問題，大量的樣本是正常樣本，結(jié)冰樣本僅為少數(shù)。因此，邏輯回歸函數(shù)的判別閾值需根據(jù)交叉驗證實驗調(diào)節(jié)，選擇最優(yōu)判別閾值。

2 實驗驗證

驗證數(shù)據(jù)來自首屆中國工業(yè)大數(shù)據(jù)創(chuàng)新競賽[10]，數(shù)據(jù)概況見表1。數(shù)據(jù)包括某風(fēng)場內(nèi)5臺風(fēng)機的SCADA數(shù)據(jù)，采集歷時2個月，總計采集了一百多萬個時間戳的SCADA監(jiān)測數(shù)據(jù)，其中每個時間戳的SCADA數(shù)據(jù)包括28個連續(xù)數(shù)值型監(jiān)測變量，涵蓋了風(fēng)機的工況參數(shù)、環(huán)境參數(shù)和狀態(tài)參數(shù)等多個維度。同時，數(shù)據(jù)由于保密問題，賽事主辦方對風(fēng)速、網(wǎng)側(cè)有功功率等變量進行了減均值除標準差的標準化處理，失去了原始的物理意義。

此外，所給數(shù)據(jù)的狀態(tài)標簽分布呈現(xiàn)嚴重非平衡性。訓(xùn)練集狀態(tài)標簽分布見表2，正常狀態(tài)標簽的時間戳約占全部監(jiān)測數(shù)據(jù)的90%，而故障時間僅占不到10%。對于這樣極度非平衡的數(shù)據(jù)，易造成算法對少數(shù)類識別率低，而風(fēng)機葉片結(jié)冰預(yù)測問題恰為對少數(shù)類的識別問題。

表1 實驗數(shù)據(jù)概況

表2 訓(xùn)練數(shù)據(jù)狀態(tài)標簽

2.1 交叉驗證選擇最優(yōu)分類閾值

通過對訓(xùn)練數(shù)據(jù)進行交叉驗證，選擇最優(yōu)的分類閾值。評估函數(shù)為分類準確率與比賽得分函數(shù)[10]，分類準確率評估多數(shù)類的識別情況，比賽的得分函數(shù)評估對少數(shù)類的識別情況。實驗一的訓(xùn)練數(shù)據(jù)為風(fēng)機15，驗證數(shù)據(jù)為風(fēng)機21，實驗結(jié)果如圖5所示；實驗二的訓(xùn)練數(shù)據(jù)為風(fēng)機21，驗證數(shù)據(jù)為風(fēng)機15，實驗結(jié)果如圖6所示。

圖5 實驗一結(jié)果圖

圖6 實驗二結(jié)果圖

從圖5與圖6的實驗結(jié)果中可以看出，隨著分類閾值的升高，分類準確率即對多數(shù)類的識別能力不斷增加，且在初始階段變化明顯，隨后變化逐漸平緩，當閾值取為0.1時，分類準確率均已超過90%；而比賽得分函數(shù)則不像分類準確率一樣單調(diào)變化，得分先隨著閾值的升高而升高，當閾值取為0.1左右時，得分達到最高點，之后隨著閾值的升高而下降，當閾值取為0.1時，所有得分均超過80分。綜上所述，0.1為合理的分類閾值。

2.2 測試集與最終提交集的預(yù)測結(jié)果

最終的實驗方案如表3所示，測試集與最終提交集的預(yù)測結(jié)果及得分如圖7所示。圖7中以5臺風(fēng)機的風(fēng)速變量表示時間，訓(xùn)練集中紅色區(qū)域表示實際風(fēng)機葉片結(jié)冰時間，預(yù)測集和最終提交集紅色區(qū)域表示預(yù)測風(fēng)機葉片結(jié)冰時間。從圖7中可以看出，對應(yīng)關(guān)系比較明顯，預(yù)測較為準確。

表3 最終實驗方案

圖7 測試集與提交集檢測結(jié)果圖

本方案在訓(xùn)練集的得分為86分，測試集的得分為85分，最終提交集的得分為75分。在八百多支參賽隊伍中最終取得第5名。

3 結(jié)論

1）本文提出了一種基于SCADA數(shù)據(jù)的風(fēng)機葉片結(jié)冰檢測方法。實驗結(jié)果表明，該方法較為準確地預(yù)測了風(fēng)機葉片的結(jié)冰時間。

2）依據(jù)風(fēng)機葉片結(jié)冰對風(fēng)機工作狀態(tài)的影響，本文從SCADA系統(tǒng)中選擇風(fēng)速與網(wǎng)側(cè)有功功率變量，并利用主成分分析技術(shù)提取其在非主成分方向的投影特征，實驗結(jié)果表明，該特征對風(fēng)機葉片結(jié)冰極為敏感。

3）針對風(fēng)機葉片結(jié)冰這類不平衡分類問題，本文采用選擇最優(yōu)閾值使邏輯回歸分類器適用于不平衡樣本，實驗結(jié)果表明，該方法有效地解決了風(fēng)機葉片結(jié)冰的不平衡分類問題。

[1] 胡彥君，史波．SCD 3.0 MW大功率兩葉片風(fēng)力發(fā)電機優(yōu)化[J]．發(fā)電與空調(diào)，2017，38(4)：47-51．

[2] 劉保松，劉曉光．風(fēng)電機組功率曲線的優(yōu)化研究[J]．發(fā)電與空調(diào)，2015，36(5)：36-40．

[3] 北極星風(fēng)力發(fā)電網(wǎng)．權(quán)威數(shù)據(jù)——2015年中國風(fēng)電裝機容量統(tǒng)計報告：新增裝機30753MW同比增長32.6%[EB/OL]．(2016-04-01)[2018-02-28]．http：//news.bjx.com.cn/html/20160401/721882.shtml.

[4] 張建卓，董申，李旦．基于正負剛度并聯(lián)的新型隔振系統(tǒng)研究[J]．納米技術(shù)與精密工程，2004，2(4)：314-318．

[5] Mu?oz C Q G，Márquez F P G，Tomás J M S．Ice detection using thermal infrared radiometry on wind turbine blades[J]．Measurement，2016(93)：157-163．

[6] Berbyuk V，Peterson B，M?ller J．Towards early ice detection on wind turbine blades using acoustic waves[C]．Proceedings of Nondestructive Characterization for Composite Materials，Aerospace Engineering，Civil Infrastructure，and Homeland Security 2014．International Society for Optics and Photonics，2014，9063：90630F．

[7] Kim D，Sampath U，Kim H，et al．A fiber-optic ice detection system for large-scale wind turbine blades

[C]．Proceedings of Optical Modeling and Performance Predictions IX．International Society for Optics and Photonics，2017，10374：103740B．

[8] Shi Q．Model-based detection for ice on wind turbine blades[D]．Trondheim：NTNU，2017．

[9] 梁穎，方瑞明．基于SCADA和支持向量回歸的風(fēng)電機組狀態(tài)在線評估方法[J]．電力系統(tǒng)自動化，2013，37(14)：7-12．

[10] 風(fēng)機運行脫敏數(shù)數(shù)據(jù)[EB/OL]．[2017-07-15][2018-02-28]．http：//www.industrial-bigdata.com.

(責(zé)任編輯 車德競)

Ice Detection Method by Using SCADA Data on Wind Turbine Blades

LI Ningbo1, YAN Tao1, LI Naipeng1, KONG Detong2, LIU Qingchao2, LEI Yaguo1

(1. Shaanxi Key Laboratory of Mechanical Product Quality Assurance and Diagnostics, Xi'an Jiaotong University, Xi'an 710049, Shaanxi Province, China; 2. Huadian Electric Power Research Institute Co., LTD, Hangzhou 310030, Zhejiang Province, China)

Aimed at the phenomenon of wind turbine blade icing, which is easy to occur in the cold areas, a method of icing detection of wind turbine blades using SCADA data was proposed. When the blades are icing, the power loss of generator will be increased, thus the method picks two variables, wind speed and power. Principal component analysis (PCA) was used to construct the projection feature on non-principal component direction which is sensitive to icing and active power of network. By choosing the optimal threshold, the logistic regression classifier is suitable for unbalanced classification. The effectiveness of this method was verified by the data of China Industrial Big Data Innovation Competition.

ice detection on wind turbine blade; SCADA data; non-principal component projection feature; optimal threshold selection; unbalanced classification

2017-12-05。

李寧波(1992)，男，博士研究生，主要研究方向為機械設(shè)備剩余壽命預(yù)測，liningbo1992@163.com。

國家自然科學(xué)基金項目(U1709208，61673311)；中組部“萬人計劃”青年拔尖人才支持計劃。

Project Supported by National Natural Science Foundation of China (U1709208, 61673311); National Program for Support of Top-notch Young Professionals.

10.12096/j.2096-4528.pgt.2018.010