基于能量流的風(fēng)電機(jī)組異常運(yùn)行狀態(tài)預(yù)警軟件設(shè)計(jì)

李林鑫 劉德順 覃事剛 張 帆

1(湖南科技大學(xué)機(jī)電工程學(xué)院 湖南 湘潭 411201)2(中南大學(xué)機(jī)電工程學(xué)院 湖南 長(zhǎng)沙 410083)

0 引 言

近年來，通過對(duì)風(fēng)電SCADA系統(tǒng)提供的大量數(shù)據(jù)進(jìn)行分析，來對(duì)風(fēng)電機(jī)組運(yùn)行狀態(tài)識(shí)別、故障診斷與預(yù)警已經(jīng)成為了一個(gè)研究熱點(diǎn)[1]。一方面，采用歷史SCADA數(shù)據(jù)建立研究對(duì)象的正常運(yùn)行狀態(tài)模型，來對(duì)比此后某一段時(shí)間的數(shù)據(jù)變化，實(shí)現(xiàn)異常檢測(cè)。針對(duì)風(fēng)電機(jī)組葉片[2]、齒輪箱[3-4]、發(fā)電機(jī)軸承[5]等關(guān)鍵部件或子系統(tǒng)開展運(yùn)行狀態(tài)識(shí)別與異常預(yù)警。Kusiak等[6]采用霍特林T2統(tǒng)計(jì)方法，對(duì)風(fēng)電機(jī)組的有功功率運(yùn)行數(shù)據(jù)進(jìn)行分析，以此來識(shí)別整機(jī)的運(yùn)行狀態(tài)。另一方面，基于歷史SCADA數(shù)據(jù)建立研究對(duì)象的正常運(yùn)行狀態(tài)預(yù)測(cè)模型，來對(duì)比實(shí)際運(yùn)行狀態(tài)數(shù)據(jù)變化，實(shí)現(xiàn)異常檢測(cè)。Schlechtingen等[7]采用自適應(yīng)神經(jīng)模糊推理系統(tǒng)對(duì)風(fēng)電SCADA數(shù)據(jù)進(jìn)行處理，從而實(shí)現(xiàn)對(duì)風(fēng)力發(fā)電機(jī)運(yùn)行狀態(tài)的監(jiān)測(cè)。孟玲霞等[8]基于流行學(xué)習(xí)的預(yù)警方法、張少敏等[9]基于Storm實(shí)時(shí)流數(shù)據(jù)處理和Spark內(nèi)存批處理技術(shù)，對(duì)風(fēng)電機(jī)組齒輪箱故障預(yù)警進(jìn)行研究。郭慧東等[10]提出了基于SCADA數(shù)據(jù)利用LSSVM與GMM相結(jié)合的風(fēng)電機(jī)組變槳系統(tǒng)劣化狀態(tài)在線識(shí)別方案。梁穎等[11]提出了基于回歸預(yù)測(cè)模型和SCADA系統(tǒng)相配合的在線評(píng)估方案。

本文根據(jù)能量流概念對(duì)風(fēng)電機(jī)組進(jìn)行系統(tǒng)劃分[12]，通過分析風(fēng)電機(jī)組各個(gè)子系統(tǒng)輸入輸出參數(shù)之間的關(guān)系，建立風(fēng)電機(jī)組運(yùn)行狀態(tài)健康指標(biāo)，進(jìn)而利用跨平臺(tái)型良好的Qt開發(fā)軟件來實(shí)現(xiàn)對(duì)風(fēng)電機(jī)組異常運(yùn)行狀態(tài)預(yù)警的軟件設(shè)計(jì)。

1 基于能量流參數(shù)關(guān)系在線預(yù)警原理

1.1 能量流分析

風(fēng)電機(jī)組作為一種復(fù)雜機(jī)電系統(tǒng)，根據(jù)其內(nèi)部能量傳遞關(guān)系，可以將其分為風(fēng)能吸收環(huán)節(jié)、葉片機(jī)械能傳遞環(huán)節(jié)、發(fā)電機(jī)電能轉(zhuǎn)換環(huán)節(jié)以及變頻變流環(huán)節(jié)。根據(jù)這四個(gè)環(huán)節(jié)將風(fēng)電機(jī)組劃分四個(gè)前后關(guān)聯(lián)的子系統(tǒng)。如圖1所示，氣流帶動(dòng)風(fēng)力發(fā)電機(jī)葉輪轉(zhuǎn)動(dòng)，風(fēng)能轉(zhuǎn)換成葉輪系統(tǒng)轉(zhuǎn)動(dòng)的機(jī)械能，然后通過輪轂與發(fā)電機(jī)的連接機(jī)構(gòu)將機(jī)械能傳遞給發(fā)電機(jī)轉(zhuǎn)子，切割磁力線，產(chǎn)生電能，最后再經(jīng)由變頻器將電能傳輸?shù)诫娋W(wǎng)。圖中虛線區(qū)域表示風(fēng)電機(jī)組內(nèi)部能量流變化，每個(gè)子系統(tǒng)的輸入輸出參數(shù)與前后子系統(tǒng)的輸入輸出參數(shù)相關(guān)聯(lián)，對(duì)每個(gè)子系統(tǒng)的相關(guān)信息進(jìn)行分析，即可獲得風(fēng)電機(jī)組當(dāng)前的運(yùn)行狀態(tài)。在本軟件設(shè)計(jì)中，葉輪系統(tǒng)、傳動(dòng)系統(tǒng)、發(fā)電機(jī)系統(tǒng)以及變頻器系統(tǒng)為四個(gè)基本子系統(tǒng)，在這四個(gè)基本子系統(tǒng)之下還可以根據(jù)實(shí)際采集到的SCADA數(shù)據(jù)進(jìn)行細(xì)分，如：在變槳風(fēng)力發(fā)電機(jī)中，葉輪系統(tǒng)中還包括變槳系統(tǒng)等輔助子系統(tǒng)。

圖1 風(fēng)電機(jī)組能量流示意圖

根據(jù)風(fēng)電機(jī)組能量流動(dòng)方向確定每個(gè)子系統(tǒng)對(duì)應(yīng)的SCADA輸入輸出參數(shù)，表1展示了基本子系統(tǒng)與其對(duì)應(yīng)的主要輸入輸出參數(shù)。對(duì)這些輸入輸出參數(shù)之間關(guān)系建模，以此來描述風(fēng)電機(jī)組及其子系統(tǒng)運(yùn)行狀態(tài)。在表1中還可以看到每個(gè)中間子系統(tǒng)的輸入輸出變量都具有承前啟后的特性，即上一個(gè)子系統(tǒng)的輸出參數(shù)作為下一個(gè)子系統(tǒng)的輸入?yún)?shù)。

表1 子系統(tǒng)名稱及其主要輸入輸出參數(shù)

本軟件按照能量流理論將風(fēng)電機(jī)組劃分為四個(gè)子系統(tǒng)后，通過計(jì)算子系統(tǒng)的運(yùn)行狀態(tài)健康指標(biāo)，并分析其變化閾值，從而實(shí)現(xiàn)風(fēng)電機(jī)組運(yùn)行狀態(tài)的在線預(yù)警。

1.2 風(fēng)電機(jī)組運(yùn)行狀態(tài)預(yù)警模型

風(fēng)電機(jī)組運(yùn)行狀態(tài)預(yù)警大致分為狀態(tài)識(shí)別與預(yù)警兩個(gè)步驟。首先需要對(duì)風(fēng)電機(jī)組運(yùn)行狀態(tài)進(jìn)行識(shí)別，提出風(fēng)電機(jī)組運(yùn)行狀態(tài)健康指標(biāo)，然后根據(jù)健康指標(biāo)進(jìn)行統(tǒng)計(jì)分析，計(jì)算閾值，實(shí)現(xiàn)風(fēng)電機(jī)組運(yùn)行狀態(tài)預(yù)警。

對(duì)于實(shí)際風(fēng)電機(jī)組及其各個(gè)子系統(tǒng)來說，其包含的輸入輸出參數(shù)之間的關(guān)系是復(fù)雜的，但都可以采用多項(xiàng)式逼近的方法來表示每個(gè)子系統(tǒng)中輸入輸出參數(shù)之間的關(guān)系。這樣，某輸入x與輸出y之間的關(guān)系可以表示為：

y=a0+a1x+a2x2+…+anxn

(1)

式中:n為多項(xiàng)式階數(shù)，a0、a1、a2、…、an為常系數(shù)。

對(duì)于風(fēng)電機(jī)組及其子系統(tǒng)，基于SCADA參數(shù)歷史數(shù)據(jù)應(yīng)用最小二乘法，可以計(jì)算出式(1)中的系數(shù)a0、a1、a2、…、an，根據(jù)SCADA參數(shù)當(dāng)前數(shù)據(jù)可以計(jì)算出模型系數(shù)記作b0、b1、b2、…、bn，于是，可以得到風(fēng)電機(jī)組及其子系統(tǒng)運(yùn)行狀態(tài)健康指標(biāo)[13]：

(2)

式中:xmax、xmin為當(dāng)前數(shù)據(jù)集中，輸入變量x的最大值與最小值。這里，健康指標(biāo)C表示風(fēng)電機(jī)組某個(gè)時(shí)刻的數(shù)據(jù)集計(jì)算出來的運(yùn)行模型相對(duì)于正常運(yùn)行時(shí)刻的數(shù)據(jù)集計(jì)算出來的標(biāo)準(zhǔn)運(yùn)行模型的差異。健康指標(biāo)C的值越大，說明該時(shí)刻運(yùn)行狀態(tài)相對(duì)于正常運(yùn)行狀態(tài)差異越大，發(fā)生異常的可能性越大；C的值越小，說明該時(shí)刻運(yùn)行狀態(tài)相對(duì)于正常運(yùn)行狀態(tài)差異越小，發(fā)生異常的可能性越小，即運(yùn)行正常的可能性越大。

由于風(fēng)速具有很強(qiáng)的隨機(jī)性，風(fēng)電機(jī)組運(yùn)行狀態(tài)也表現(xiàn)出隨機(jī)性，其健康指標(biāo)C實(shí)際上是一個(gè)隨機(jī)變量。各個(gè)時(shí)刻的健康指標(biāo)組成新的數(shù)據(jù)集Dc={C1,C2,…,Cn}，并具有一定的隨機(jī)分布規(guī)律。采用核密度估計(jì)法對(duì)其進(jìn)行處理，構(gòu)造其密度函數(shù)，一維核密度估計(jì)函數(shù)的一般式為：

(3)

式中:K(x)為核函數(shù)；n為數(shù)據(jù)集Dc中數(shù)據(jù)量；h為核密度函數(shù)的帶寬。帶寬h的取值影響著核密度估計(jì)的精確度，如果h太小或太大都會(huì)對(duì)計(jì)算結(jié)果產(chǎn)生劇烈影響。

選擇高斯核函數(shù)，則可以對(duì)數(shù)據(jù)集Dc統(tǒng)計(jì)分析得到核密度估計(jì)函數(shù)為：

(4)

式中:最優(yōu)帶寬hopt的計(jì)算公式為：

(5)

(6)

2 在線預(yù)警軟件的設(shè)計(jì)與實(shí)現(xiàn)

2.1 應(yīng)用場(chǎng)景

現(xiàn)代大型風(fēng)電機(jī)組大多裝配了相應(yīng)的SCADA系統(tǒng)，對(duì)風(fēng)電機(jī)組進(jìn)行狀態(tài)監(jiān)控。信息收集與儲(chǔ)存是其核心業(yè)務(wù)，而在風(fēng)電機(jī)組運(yùn)行狀態(tài)報(bào)警方面，對(duì)風(fēng)電機(jī)組各子系統(tǒng)的物理聯(lián)系缺乏有效分析與解釋，導(dǎo)致SCADA系統(tǒng)只能在故障發(fā)生時(shí)給出報(bào)警信息，而無法提前預(yù)警以避免事故發(fā)生。利用SCADA系統(tǒng)提供的大量歷史數(shù)據(jù)，對(duì)風(fēng)電機(jī)組運(yùn)行狀態(tài)進(jìn)行分析是本軟件的主要功能。本軟件應(yīng)用架構(gòu)如圖2所示，通過訪問SCADA系統(tǒng)服務(wù)器的數(shù)據(jù)庫獲取實(shí)時(shí)數(shù)據(jù)進(jìn)行分析。

圖2 預(yù)警軟件在SCADA系統(tǒng)中的應(yīng)用構(gòu)架

在核心業(yè)務(wù)模塊中，給出了一個(gè)風(fēng)電機(jī)組實(shí)時(shí)閾值計(jì)算方法，讓原本固定不變的閾值隨SCADA數(shù)據(jù)的變化而變化。除了訪問SCADA系統(tǒng)服務(wù)器數(shù)據(jù)庫以外，本軟件完全獨(dú)立于SCADA系統(tǒng)本身進(jìn)行獨(dú)立的風(fēng)電機(jī)組運(yùn)行狀態(tài)預(yù)警。即對(duì)于不同的SCADA系統(tǒng)，只要正確設(shè)置其數(shù)據(jù)存儲(chǔ)格式，都可以通過本軟件進(jìn)行訪問分析。

成功連接數(shù)據(jù)庫后，軟件會(huì)自動(dòng)讀取SCADA數(shù)據(jù)，并將數(shù)據(jù)傳遞給軟件的其余部件，通過人機(jī)交互接口顯示當(dāng)前數(shù)據(jù)變化。作為一個(gè)基于SCADA數(shù)據(jù)的在線預(yù)警軟件，本軟件不需要在運(yùn)行電腦上額外配置環(huán)境變量，不需要增加任何物理設(shè)備，對(duì)于風(fēng)電機(jī)組維護(hù)成本的影響幾乎為零。

2.2 軟件結(jié)構(gòu)

軟件結(jié)構(gòu)如圖3所示，可以看出，本軟件分為數(shù)據(jù)準(zhǔn)備層、數(shù)據(jù)操作層、繪圖操作層與輔助功能層等四個(gè)層次。

圖3 軟件結(jié)構(gòu)圖

數(shù)據(jù)準(zhǔn)備層：本層為數(shù)據(jù)訪問模塊，具備軟件外部數(shù)據(jù)訪問以及軟件內(nèi)部數(shù)據(jù)分流功能。首先，訪問SCADA服務(wù)器中的數(shù)據(jù)庫作為本軟件的數(shù)據(jù)來源，以驅(qū)動(dòng)軟件內(nèi)置各子系統(tǒng)的數(shù)學(xué)模型；然后將讀取到的SCADA數(shù)據(jù)按照軟件不同功能模塊傳輸給繪圖操作層、數(shù)據(jù)操作層。

數(shù)據(jù)操作層：本層包含兩個(gè)數(shù)據(jù)處理模塊：一個(gè)是基于能量流參數(shù)關(guān)系的風(fēng)電機(jī)組運(yùn)行狀態(tài)健康指標(biāo)計(jì)算模塊；另一個(gè)是基于統(tǒng)計(jì)學(xué)的非參數(shù)核密度估計(jì)的閾值計(jì)算模塊。通過接收來自數(shù)據(jù)準(zhǔn)備層的數(shù)據(jù)后進(jìn)行計(jì)算分析。首先計(jì)算實(shí)時(shí)風(fēng)電機(jī)組運(yùn)行狀態(tài)指標(biāo)值，傳輸給繪圖操作層以及運(yùn)行狀態(tài)指標(biāo)實(shí)時(shí)閾值分析模塊，在運(yùn)行狀態(tài)指標(biāo)實(shí)時(shí)閾值分析模塊中，進(jìn)行實(shí)時(shí)閾值分析，新讀取的數(shù)據(jù)與實(shí)時(shí)更新的歷史數(shù)據(jù)集閾值進(jìn)行對(duì)比，其對(duì)比結(jié)果同樣傳遞給繪圖操作層。

繪圖操作層：從數(shù)據(jù)準(zhǔn)備層與數(shù)據(jù)操作層獲取數(shù)據(jù)信號(hào)，根據(jù)實(shí)時(shí)的數(shù)據(jù)信號(hào)繪制實(shí)時(shí)圖像，包含基本數(shù)據(jù)圖表與狀態(tài)數(shù)據(jù)圖表兩個(gè)繪圖模塊?；緮?shù)據(jù)圖表模塊由主界面基本參數(shù)繪圖與鼠標(biāo)點(diǎn)擊參數(shù)繪圖模塊組成；狀態(tài)數(shù)據(jù)圖表框架由實(shí)時(shí)運(yùn)行狀態(tài)健康指標(biāo)繪制模塊、實(shí)時(shí)健康指標(biāo)閾值繪制模塊與預(yù)警狀態(tài)繪圖模塊三部分組成。其中主界面基本繪圖模塊為軟件主界面基本參數(shù)實(shí)時(shí)顯示，而鼠標(biāo)點(diǎn)擊參數(shù)繪圖則是將本軟件所分析的各個(gè)參數(shù)單獨(dú)繪制成圖，便于運(yùn)維人員在閱讀數(shù)據(jù)的同時(shí)，更直觀掌握當(dāng)前風(fēng)電機(jī)組參數(shù)變化情況。狀態(tài)數(shù)據(jù)圖表框架中包含的三個(gè)模塊是本軟件設(shè)計(jì)的核心內(nèi)容，它們反映了當(dāng)前風(fēng)電機(jī)組實(shí)時(shí)運(yùn)行狀態(tài)、實(shí)時(shí)閾值變化以及風(fēng)電機(jī)組是否處于預(yù)警狀態(tài)。當(dāng)風(fēng)電機(jī)組運(yùn)行狀態(tài)指標(biāo)突破健康指標(biāo)閾值時(shí)，預(yù)警狀態(tài)繪圖模塊將根據(jù)繪圖策略更改當(dāng)前主界面顯示狀態(tài)，提醒工作人員注意風(fēng)電機(jī)組運(yùn)行狀態(tài)。

輔助功能層：作為人機(jī)交互層，本層的設(shè)計(jì)以便于工作人員隨時(shí)查看風(fēng)電機(jī)組運(yùn)行狀態(tài)預(yù)警記錄為目的，設(shè)計(jì)了預(yù)警日志輸出模塊、參數(shù)設(shè)置模塊以及運(yùn)行狀態(tài)提醒模塊。當(dāng)本軟件監(jiān)測(cè)到風(fēng)電機(jī)組可能存在異常運(yùn)行狀態(tài)時(shí)，預(yù)警日志模塊就會(huì)在軟件主界面打印一條預(yù)警事件的記錄，工作人員隨時(shí)可以通過主界面了解風(fēng)電機(jī)組的預(yù)警情況。該模塊還提供了日志文檔功能，可以將預(yù)警日志輸出到文本文檔，保存至工作人員指定目錄下。對(duì)于不同風(fēng)電機(jī)組，其初始模型參數(shù)必然有所差異，因此，利用參數(shù)設(shè)置模塊對(duì)不同風(fēng)電機(jī)組的初始運(yùn)行狀態(tài)模型參數(shù)進(jìn)行設(shè)置。運(yùn)行狀態(tài)提醒模塊是本軟件層的最后一個(gè)模塊，當(dāng)風(fēng)電機(jī)組運(yùn)行狀態(tài)出現(xiàn)異常預(yù)警時(shí)，從無異常狀態(tài)切換至異常，與異常預(yù)警消失后，從異常提醒狀態(tài)恢復(fù)到無異常狀態(tài)。

2.3 基于Qt的軟件模型算法實(shí)現(xiàn)

Qt作為一個(gè)集成開發(fā)環(huán)境，為開發(fā)人員提供了豐富的類庫以及其特有的信號(hào)與槽機(jī)制[14]，易實(shí)現(xiàn)風(fēng)電機(jī)組運(yùn)行狀態(tài)數(shù)據(jù)的在線分析，并輸出預(yù)警結(jié)果。本軟件在數(shù)據(jù)分析過程中包含了一個(gè)時(shí)間窗口模型與兩個(gè)數(shù)據(jù)處理方法。

2.3.1時(shí)間窗口模型

為了實(shí)現(xiàn)數(shù)據(jù)的實(shí)時(shí)更新，引入一個(gè)滑動(dòng)時(shí)間窗口模型來實(shí)現(xiàn)對(duì)獲取到的數(shù)據(jù)建立一個(gè)動(dòng)態(tài)數(shù)據(jù)集D，如圖4所示。

圖4 滑動(dòng)時(shí)間窗口模型

圖4中，n表示數(shù)據(jù)集D的時(shí)間寬度，不同的SCADA系統(tǒng)提供的數(shù)據(jù)采樣頻次不同。本文采用的SCADA系統(tǒng)數(shù)據(jù)采樣頻率為每秒一次，因此數(shù)據(jù)集寬度n在數(shù)值上與時(shí)間計(jì)數(shù)相同，即數(shù)據(jù)集D包含n個(gè)元素，就表示數(shù)據(jù)集D包含n秒鐘的數(shù)據(jù)，D(ti-1)表示ti-1時(shí)刻的數(shù)據(jù)集，Δd表示n個(gè)時(shí)間單位后新增加的數(shù)據(jù)子集。此滑動(dòng)時(shí)間窗口模型的具體算法設(shè)計(jì)詳見算法1。

算法1Sliding Time Window Model(d)

輸入：當(dāng)前時(shí)刻待分析SCADA數(shù)據(jù)；

輸出：動(dòng)態(tài)數(shù)據(jù)集D；

{//start algorithm

步驟1初始化數(shù)據(jù)集基本參數(shù)

int n;

//設(shè)置窗寬;

new QVectorD(n);

//初始化

QVector容器D用于存儲(chǔ)數(shù)據(jù);

D<

//將數(shù)據(jù)d傳遞給D;

步驟2控制數(shù)據(jù)集大小

while(D.size()>=n){

//當(dāng)D的大小達(dá)到窗寬n時(shí),開始循環(huán);

D.removefirst();

//移除D中第一個(gè)元素。

…;

}

//end while;

}

//end algorithm;

在算法1所示的時(shí)間窗口模型實(shí)現(xiàn)過程中，利用while循環(huán)可以保證動(dòng)態(tài)數(shù)據(jù)集的大小固定，當(dāng)數(shù)據(jù)集大小達(dá)到時(shí)間窗口設(shè)定值時(shí)，刪除第一個(gè)數(shù)據(jù)，同時(shí)新進(jìn)的數(shù)據(jù)存入數(shù)據(jù)集的末尾。基于時(shí)間窗口模型，可以實(shí)現(xiàn)風(fēng)電機(jī)組運(yùn)行狀態(tài)健康指標(biāo)與預(yù)警閾值實(shí)時(shí)動(dòng)態(tài)分析。

2.3.2風(fēng)電機(jī)組運(yùn)行狀態(tài)健康指標(biāo)算法

第1節(jié)已經(jīng)討論了關(guān)于風(fēng)電機(jī)組運(yùn)行狀態(tài)健康指標(biāo)的計(jì)算方法，在計(jì)算健康指標(biāo)的過程中，包含了風(fēng)電機(jī)組實(shí)時(shí)運(yùn)行狀態(tài)建模，以及實(shí)時(shí)健康指標(biāo)計(jì)算兩部分。首先利用最小二乘多項(xiàng)式擬合來求解風(fēng)電機(jī)組實(shí)時(shí)運(yùn)行狀態(tài)模型的參數(shù)，然后根據(jù)式(2)計(jì)算健康指標(biāo)，具體算法設(shè)計(jì)詳見算法2。

算法2Healthy Criterion algorithm(x,y)

輸入：目標(biāo)子系統(tǒng)原始輸入輸出參數(shù)SCADA數(shù)據(jù)；

輸出：目標(biāo)子系統(tǒng)運(yùn)行狀態(tài)健康指標(biāo)C；

{

//start algorithm;

步驟1初始化數(shù)據(jù)集基本參數(shù)

new QVectorX(length);

new QVectorY(length);

CriterionCalculation(int n, B[n], x, y)

{

//n為擬合階次；length為時(shí)間窗寬；

//B[n]為標(biāo)準(zhǔn)多項(xiàng)式擬合參數(shù)b0, b1, b2, …, bn;

X<

Y<

//輸入數(shù)據(jù)傳遞給X、Y；

while(X.size()>=length;){

X.removefirst();

Y.removefirst();

步驟2利用最小二乘法計(jì)算式中參數(shù)；

LeastSquares(X,Y,n){

…;

return A[n];

};

//A=(a0, a1, …, an)

步驟3根據(jù)式計(jì)算風(fēng)電機(jī)組運(yùn)行狀態(tài)健康指標(biāo)C；

calculationC(A[n],B[n]){

…;

return C;

}

}

//end while;

}

//end CriterionCalculation();

}

//end algorithm;

在算法2的自定義函數(shù)calculationC(A[n],B[n])中，根據(jù)式(2)計(jì)算風(fēng)電機(jī)組運(yùn)行狀態(tài)健康指標(biāo)時(shí)，采用Romberg積分算法[15]來解決其中的積分問題。Romberg算法是建立在Simpson公式、Newton-Cotes公式基礎(chǔ)上的一種加速積分算法。利用Richardson外推加速收斂技術(shù)，使該算法可以在不增加計(jì)算量的前提下提高誤差精度。

2.3.3風(fēng)電機(jī)組運(yùn)行狀態(tài)預(yù)警閾值算法

利用統(tǒng)計(jì)學(xué)中非參數(shù)估計(jì)原理，可以對(duì)算法2計(jì)算出來的風(fēng)電機(jī)組健康指標(biāo)C進(jìn)行閾值計(jì)算。在這一部分中，要實(shí)現(xiàn)風(fēng)電機(jī)組運(yùn)行狀態(tài)預(yù)警閾值的實(shí)時(shí)分析。首先，收集實(shí)時(shí)健康指標(biāo)C，建立一個(gè)動(dòng)態(tài)數(shù)據(jù)集；其次，根據(jù)式(4)與式(5)計(jì)算健康指標(biāo)C的密度函數(shù)；最后，根據(jù)式(6)計(jì)算閾值。這部分算法詳見算法3?；谒惴?，軟件可以完成實(shí)時(shí)預(yù)警閾值的計(jì)算，返回預(yù)警閾值所需要的參數(shù)，再根據(jù)式(6)便可以計(jì)算出隨SCADA數(shù)據(jù)變化的風(fēng)電機(jī)組運(yùn)行狀態(tài)的預(yù)警閾值。

算法3Warning Threshold algorithm(c)

輸入：待分析風(fēng)電機(jī)組運(yùn)行狀態(tài)健康指標(biāo)C；

輸出：實(shí)時(shí)風(fēng)電機(jī)組預(yù)警閾值Cth；

{

//start algorithm;

步驟1初始化數(shù)據(jù)基本參數(shù)

QVectorC(length);

ThresholdCalculation(double c, int length){

//c為實(shí)時(shí)健康指標(biāo)值;length為時(shí)間窗寬;

步驟2輸入數(shù)據(jù)傳遞給C;

C<

while(C.size()>=length; ){

C.removefirst();

步驟3根據(jù)式中最優(yōu)帶寬hopt；

OptimalBandwidth(C){

…;

return h;

};

步驟4計(jì)算數(shù)據(jù)集的數(shù)字特征

NumericalCharacteris(){

NuclearDensity(C,h){

…;

//根據(jù)式進(jìn)行核密度估計(jì)分析;

};

…;

return Cmean、S、Sigma;

}

//Cmean、S分別運(yùn)行狀態(tài)健康指標(biāo)

//數(shù)據(jù)集的期望與標(biāo)準(zhǔn)差;

//sigma為核密度估計(jì)標(biāo)準(zhǔn)差;

…;

return Cth;

//根據(jù)式計(jì)算預(yù)警閾值Cth;

}

//end while;

}

//end ThresholdCalculation();

}

//end algorithm;

基于時(shí)間窗口模型、風(fēng)電機(jī)組運(yùn)行狀態(tài)健康指標(biāo)算法與預(yù)警閾值算法，可以實(shí)現(xiàn)一個(gè)完整數(shù)據(jù)處理周期。本軟件設(shè)計(jì)的風(fēng)電機(jī)組運(yùn)行狀態(tài)預(yù)警流程如圖5所示。

圖5 預(yù)警流程圖

在圖5中，SCADA數(shù)據(jù)從開始出發(fā)，首先計(jì)算出某個(gè)風(fēng)電機(jī)組及其子系統(tǒng)輸入輸出參數(shù)關(guān)系的運(yùn)行狀態(tài)健康指標(biāo)C，再根據(jù)健康指標(biāo)C的值進(jìn)行實(shí)時(shí)統(tǒng)計(jì)分析并計(jì)算預(yù)警閾值Cth，然后做出判斷。若滿足判定條件，即無異常預(yù)警，直接進(jìn)入下一輪計(jì)算，若不滿足判定條件，則給出預(yù)警提醒，再繼續(xù)下一個(gè)周期的分析。

3 實(shí)例分析

本軟件采用Qt creator開發(fā)軟件，版本號(hào)為5.10.1，操作系統(tǒng)環(huán)境為Windows 10。以某風(fēng)電場(chǎng)2 MW直驅(qū)式風(fēng)電機(jī)組的SCADA系統(tǒng)數(shù)據(jù)為監(jiān)測(cè)對(duì)象，提取風(fēng)電機(jī)組SCADA系統(tǒng)4天運(yùn)行數(shù)據(jù)進(jìn)行在線監(jiān)測(cè)模擬。首先將SCADA數(shù)據(jù)導(dǎo)入服務(wù)器數(shù)據(jù)庫，運(yùn)行本軟件并配置好各子系統(tǒng)標(biāo)準(zhǔn)模型參數(shù)，如圖6所示，點(diǎn)擊確定生效。然后連接數(shù)據(jù)庫，模擬在線監(jiān)測(cè)過程。其中A0、A1分別對(duì)應(yīng)正常運(yùn)行狀態(tài)下的多項(xiàng)式回歸模型參數(shù)。

圖6 葉輪子系統(tǒng)參數(shù)設(shè)置

圖7展示了當(dāng)風(fēng)電機(jī)組正常運(yùn)行時(shí)，在軟件主界面中可以看到實(shí)時(shí)功率曲線穩(wěn)定在額定功率附近，總體運(yùn)行狀態(tài)進(jìn)度條也與其余子系統(tǒng)進(jìn)度條一樣，處于一個(gè)常規(guī)的狀態(tài)。而當(dāng)軟件檢測(cè)出風(fēng)電機(jī)組即將偏離正常運(yùn)行狀態(tài)時(shí)風(fēng)電機(jī)組運(yùn)行狀態(tài)進(jìn)度條數(shù)值將不斷增長(zhǎng)，并且在軟件主界面顯示預(yù)警消息，如圖8所示。

圖7 運(yùn)行狀態(tài)主界面(非預(yù)警狀態(tài))

圖8 運(yùn)行狀態(tài)主界面(預(yù)警狀態(tài))

從圖8中可以看出，葉輪系統(tǒng)出現(xiàn)異常運(yùn)行狀態(tài)預(yù)警，其預(yù)警進(jìn)度條預(yù)警狀態(tài)值已經(jīng)達(dá)到92%。而風(fēng)電機(jī)組總體運(yùn)行狀態(tài)進(jìn)度條仍然處于“非常好”的狀態(tài)，說明風(fēng)電機(jī)組總體的運(yùn)行狀態(tài)與子系統(tǒng)運(yùn)行狀態(tài)不一定完全相同，即風(fēng)電機(jī)組子系統(tǒng)出現(xiàn)異常時(shí)風(fēng)電機(jī)組整體運(yùn)行狀態(tài)并不一定會(huì)同時(shí)出現(xiàn)異常。由于一個(gè)輸入輸出參數(shù)關(guān)系代表著一個(gè)子系統(tǒng)或者零部件運(yùn)行狀態(tài)模型，所以基于參數(shù)關(guān)系的預(yù)警也就提供了發(fā)生異常的零部件方面的信息，這有利于針對(duì)性的維護(hù)。

在軟件運(yùn)行過程中，工作人員可以通過點(diǎn)擊主界面中各個(gè)系統(tǒng)對(duì)應(yīng)的狀態(tài)進(jìn)度條查看當(dāng)風(fēng)電機(jī)組運(yùn)行狀態(tài)健康指標(biāo)與實(shí)時(shí)預(yù)警閾值的變化。圖9顯示了風(fēng)電機(jī)組風(fēng)速與功率之間健康指標(biāo)以及其預(yù)警閾值的變化，橫坐標(biāo)表示當(dāng)前時(shí)刻到過去360 s的時(shí)間跨度，縱坐標(biāo)表示風(fēng)電機(jī)組運(yùn)行狀態(tài)健康指標(biāo)與預(yù)警閾值的變化范圍。

圖9 總體運(yùn)行狀態(tài)評(píng)估指標(biāo)與閾值

4 結(jié) 語

風(fēng)力發(fā)電機(jī)運(yùn)行狀態(tài)預(yù)警的實(shí)時(shí)性對(duì)于風(fēng)電機(jī)組預(yù)警十分關(guān)鍵，本文所設(shè)計(jì)實(shí)時(shí)在線預(yù)警軟件重點(diǎn)在于構(gòu)建一個(gè)實(shí)時(shí)預(yù)警的基本框架，讓使用者更加方便快捷地閱讀風(fēng)電機(jī)組的實(shí)時(shí)運(yùn)行狀態(tài)。本文注重風(fēng)電機(jī)組運(yùn)行狀態(tài)的時(shí)效性與整體性，將原本相對(duì)獨(dú)立的各項(xiàng)SCADA參數(shù)按照能量流理論進(jìn)行系統(tǒng)分類，并整理出對(duì)應(yīng)的輸入輸出參數(shù)，有利于用戶通過預(yù)警信息迅速查找異常零部件。將軟件的數(shù)據(jù)操作設(shè)計(jì)成獨(dú)立的數(shù)據(jù)操作模塊，有利于引入不同的狀態(tài)預(yù)警數(shù)學(xué)模型，且有較強(qiáng)的擴(kuò)展性。