孙群丽，刘长良，周 瑛

基于状态曲线的风电机组运行工况异常检测

孙群丽1，刘长良2，周 瑛3

（1.华北电力大学科技学院，河北 保定 071003；2.华北电力大学新能源电力系统国家重点实验室，北京 102206；3.石家庄铁道大学四方学院，河北 石家庄 051132）

为了提高风电机组的利用率和发电量，减少风电机组维修和更换费用，需要对其运行工况进行监测。本文首先对机组的风速-功率、风速-转速、风速-桨距角、转速-功率、转速-桨距角5种状态曲线进行理论介绍，然后结合实际运行数据对其进行了分析。结果表明：由于风速的随机性和风电机组的惯性，前3种曲线不能很好地区分机组的正常运行状态和故障状态，而转速-功率、转速-桨距角能够对机组的异常情况进行准确的监测；以转速-功率、转速-桨距角状态曲线为基础，分析了机组不同运行工况在状态曲线上的分布，对各个不同工况分别建立相应的评价体系，通过故障实例分析，表明本文方法能提前感知异常情况，有效提高系统的状态监测精度。

风电机组；状态曲线；转速-功率；转速-桨距角；异常检测；运行工况；监控与数据采集系统

风电机组的可靠性关乎着风电场的安全经济运行，因而对风电机组的运行状态进行监测就显得尤为重要[1]。文献[2-3]利用自适应神经模糊推理系统（ANFIS）分别对机组的变桨系统和整机进行状态监视，建立了故障模型，针对故障的情况给出警告的输出值，但他们都是利用机组已知故障来建立模型，在实际诊断中对故障数据和故障类型有一定的要求，因此应用受到一定的限制。文献[4]从机组运行数据出发，利用Relief特征参数选择的方法，找出与变桨系统密切相关的运行参数，在这些数据的基础上建立变桨系统的支持向量机回归模型对变桨系统的状态进行监测。文献[5-9]用数据挖掘的方法建立了风电机组的非线性识别系统，对机组正常运行时的状态进行监测，一旦发现异常提前发出报警信息；但是在使用机组监控和数据采集系统（SCADA）数据来建立训练模型时，由于数据是某一段时间内的平均值，这就造成模型的精确度不高。文献[10]利用Copula函数建立了风电机组功率曲线的概率模型，然后对机组的运行数据进行分析，结果表明可对机组的叶片退化、偏航和变桨的异常情况进行检测。文献[11]为了对机组的有功功率数据进行分析，采用了Hotelling T2的方法对机组的运行状态进行识别。文献[12]利用计算流体动力学（CFD）技术得到修正后的风速建立功率特性曲线，用此来对机组的性能进行评价；文献[13]用INNER-DBSCAN算法和功率曲线模型的数据驱动实时检测方法，对数据先进行清洗和聚类，然后构造正常运行时的功率曲线模型来识别风机的异常情况。文献[14]以风力机功率曲线为基础，建立了风力机效能转换的指标，对风资源与风场的发电量进行了准确的描述；但是由于风速的快速随机的变化，以及设备的惰性造成风速-功率曲线在使用中存在很大的局限性。

结合上述的研究思想，本文首先从理论上利用机组的技术参数和运行原理分析机组几种典型的状态曲线，指出它们在确定机组运行状态时的优缺点，最后选择转速-功率，转速-桨距角状态曲线来对机组的运行工况进行监测，并建立相应的评判标准。

1 状态曲线

1.1 理论状态曲线

风力发电机组是利用叶轮从风中获取能量通过传动系统带动发电机发电，从而产生电能。目前并网运行的风力发电机组均采用变速恒频的方式，能够最大限度地吸收风能，提高机组的利用效率，该机组在整个运行过程中包括空载、并网、最大风能捕获、恒转速运行和恒功率运行几个阶段，不同运行阶段的风速、功率、桨距角、发电机转速之间的关系如图1所示。图1中in为切入风速，out为切出风速，rtd为额定风速，nrtd为额定转速下对应的风速；rtd为额定功率，in为并网转速，rtd为额定转速；1为机组正常运行过程中的最大桨距角（一般在30°左右），2为机组处于待机状态的桨距角（一般在50°左右），off为机组处于顺桨状态的桨距角（一般在90°左右[15]）。

1.2 实际状态曲线

本文采用某风电场机组5天正常运行的数据来描述上述5种性能曲线，结果如图2所示。

图2a)为实际风速-功率运行曲线。图形标注的部分表示运行中偏离严重的部位，这些偏离一方面由设备故障导致，另一方面风速的变动也会导致状态曲线的偏移，如虚线圆标注部分。当风速降到额定风速rtd以下，此时由于转子的惯性输出的功率依然是额定功率rtd；在黑色方框标注部分也存在同样的情况，此时风速已经小于切入风速in，本应该脱离电网，功率小于0，但显示的功率却大于0；此外，在椭圆区域所包围的散点图右上部分，当风速在增加的过程中高于额定风速rtd时，同样由于转子的惯性，导致实际的功率偏低。因此，用风速-功率曲线来判断系统的性能显然不合适。

图2b)为风速-叶轮转速的实际运行曲线。曲线中方块标注部分是当风速小于切入风速时转速还不为0，圆形标注部分是当风速降低到nrtd以下时，转速却仍然为额定转速rtd，造成这种现象的原因，可能是因为转子的惯性[16-17]，也可能是因为机组故障。

图2c)为风速-桨距角的实际运行曲线。图中方形表示当风速在切入风速in和额定风速rtd之间时桨距角大于0的部分，引起这部分偏移的原因可能是设备故障，也可能是风速变化较快，而变桨系统有一定滞后性所致[17]；椭圆表示当风速10 min平均值小于脱网风速in时或者是发电机输出功率达到一定负值时，风电机组不允许长期在电网中运行，必须脱网，处于自由状态，桨距角处于顺桨状态[18]，这是机组正常运行现象，但是当机组出现故障时也会有上述的运行过程。

图2d)和图2e)分别为叶轮转速-功率，叶轮转速-桨距角实际运行曲线。对比图1d)和图1e)可见，实际运行曲线与理论曲线有很好的匹配度，正常运行状态下偏离理论曲线的距离很小。图2e)中圆形和向上的箭头表示当风速小于切入风速时，机组处于待机状态的运动过程，当风速达到足以吹动叶轮旋转并满足启动条件时，风机开始进入启动阶段，桨距角沿着向下箭头的方向由顺桨状态减小到达椭圆所示的部分进行加速，接着桨距角继续减小，最终达到最小值[18]。

2 基于状态曲线的运行工况分析

在分析比较上述5种状态曲线的基础上，选取叶轮转速-功率、叶轮转速-桨距角状态曲线对机组在不同阶段的工况进行分析。

以变桨系统的运行状况为例，当机组运行在最佳功率跟踪阶段时，如果出现变桨故障导致桨距角增大，最佳风能利用系数减小，功率和驱动力矩减小，这将导致转速下降[19]，如图3中“.”所示的区域；当机组运行在恒转速和恒功率阶段时，变桨系统如果出现故障导致桨距角减小，将使功率增大，转速升高[17]，最终也将偏离理论运行曲线，如图3中“o”和“+”所示区域。

3 故障分析过程

3.1 基于状态曲线的故障监测模型

对比图2和图3中的叶轮转速-功率、叶轮转速-桨距角的状态曲线可知，正常运行数据与理论曲线之间存在一定的距离，这些距离在正常的偏离范围，当需要检测的数据与理论状态曲线的偏离超过这个范围时可认定为故障。故障监测流程如图4所示。

图4 故障监测流程

首先通过机组的技术参数，建立理论状态曲线，然后计算实时在线数据到理论曲线的最短距离np、nβ，其中nplimnp）&nβlimnβ）表示若此最短距离np,nβ超过限定的阈值limnp、limnβ，则认为系统出现故障。另外，当风速在不同的范围时机组运行在不同的状态，对应理论曲线上的不同阶段，因此要有以风速为输入量的状态识别环节。

监测点到理论曲线的距离由下式计算：

式中，为实时监测到的点，ai为理论曲线上的点。图5为不同运行工况下的偏离范围。

3.2 最小距离的计算

由于机组运行参数的量纲不一致，在计算最小距离时存在诸多不便，因此需要对其进行归一化，取它们相对于额定参数的比例作为计算值，表1给出了某1.5 MW机组的相关技术参数。考虑到机组的状态曲线是分段的，实际运行数据到曲线的最小距离则可通过求带约束的最小化问题式(2)来实现。

表1 技术参数

Tab.1 The technical parameters

其中，函数方程和1的取值范围由表1中的机组技术参数和理论曲线确定。

3.3 偏离阈值的确定

由于风速的随机性，风电机组的运行状态在最大功率追踪、恒转速控制和恒功率控制、停机和启动几个阶段之间切换。为了加强识别的精度，应根据不同阶段的特点确定对应转速-功率、转速-桨距角的偏离阈值。

在最大功率追踪阶段（MPPT），cut-in+2<

式中，limnp为运行工况点到转速-功率曲线的偏离阈值，limnβ为运行工况点到转速-桨距角曲线的偏离阈值。

在恒功率阶段（CP），rtd<

在恒转速阶段（CS），rtd–2<

机组在运行中会因为风速的变化而处于启动或者停机过程，在启动过程中，桨距角连续减小，而转速连续增大，如式(9)：

在停机过程中，桨距角连续增大，而转速连续减小，如式(10)：

当转速和桨距角出现上述变化趋势时，是正常的运行现象。

4 故障实例分析

为了验证本文所提出的机组状态异常辨识方法的有效性，应用某风场1.5 MW机组的运行数据进行测试，该机组在2014年1月15日09:50报“变桨安全链故障”。变桨安全链是把可能对机组造成严重损害的故障节点用继电器串联起来，一旦某个节点出现故障，则整条线路断开变桨系统进入紧急停机过程，迅速向90°顺桨。运行人员通过排查确认故障是变桨滑环接触不良所致。变桨滑环负责主控和变桨系统之间的信息连接，当其接触不良时，随着转速增大信号丢失概率增加，主控将失去对变桨系统的控制，出现变桨故障。选取该机组前5天的运行数据，对应的叶轮转速-功率，叶轮转速-桨距角关系如图6所示。从图6可以看出：在系统报故障前有大量的数据偏离正常运行的范围，这些偏离的点是从风速超过额定值的恒功率运行阶段开始的，随着风速的减小，由于变桨滑环的故障，桨距角不能有效地减小，从而使风轮获得的风能减小，转速偏低，功率偏小，如图6a)中的圆形所示；当风速继续减小，机组进入恒转速，最佳功率跟踪阶段时，桨距角的偏大使运行数据的偏离如图6a)中虚线椭圆和实线椭圆形所示；同时桨距角的偏离如图6b)中椭圆区域所示，箭头向上和向下的区域是由于风速在切入值附近变化时引起的启动和停机过程，满足式(9)和式(10)。

基于上述故障检测流程，当偏离距离np和nβ都小于限定的阈值时，系统处于正常运行状态，显示为1；当某一个或者两个大于阈值时，系统处于故障状态，显示为0。从2014年1月10日开始每隔1 min取1次数据，共取得8 640组数据。图7为异常时间显示，其中图7a)为SCADA系统的异常报警时间，图7b)为本文方法的异常报警时间。从图7可以看出：在实际运行过程中可能会有偶尔超过阈值的情况，不用发出报警信号，如图7b)中椭圆标注的区域；只有在2014年1月13日09:23持续出现“0”时系统才发出报警信息；本文方法在系统出现轻微偏离时即发出报警信号，比SCADA系统提前48 h 27 min。

5 结 论

1）通过对叶轮转速-功率，叶轮转速-桨距角状态曲线在理论上和实际中正常运行情况下的对比发现，二者具有较高的一致性，能够较好地反映机组的异常工况。

2）利用状态曲线进行机组的异常情况监测时能够知道异常发生的机理和过程。

3）对不同的运行工况分别建立评价阈值，可提高运行状态异常识别的精度。

4）本文方法在系统出现轻微偏离时即可发出报警信号，比SCADA系统提前48 h 27 min。

［1］ 陈雪峰, 李继猛, 程航, 等. 风力发电机状态监测和故障诊断技术的研究与进展[J]. 机械工程学报, 2011, 47(9): 45-52.CHEN Xuefeng, LI Jimeng, CHENG Hang, et al. Research and application of condition monitoring and fault diagnosis technology in wind turbines[J]. Journal of Mechanical Engineering, 2011, 47(9): 45-52.

［2］ ZHOU Q, XIONG T T, WANG M B, et al. Diagnosis and early warning of wind turbine faults based on cluster analysis theory and modified ANFIS[J]. Energies, 2017, 10(7): 898.

［3］ CHEN B, MATTHEWS P, TAVNER P. Automated on-line fault prognosis for wind turbine pitch systems using supervisory control and data acquisition[J]. IET Renewable Power Generation, 2014, 9(5): 503-513.

［4］ 李辉, 杨超, 李学伟, 等. 风机电动变桨系统状态特征参量挖掘及异常识别[J]. 中国电机工程学报, 2014, 34(12): 1922-1930. LI Hui, YANG Chao, LI Xuewei, et al. Conditions characteristic parameters mining and outlier identification for electric pitch system of wind turbine[J]. Proceedings of the CSEE, 2014, 34(12): 1922-1930.

［5］ BI R, ZHOU C, HEPBURN D M, et al. A NBM based on P-N relationship for DFIG wind turbine fault detection[C]. 2015 International Conference on Smart Grid and Clean Energy Technologies (ICSGCE). IEEE, 2016.

［6］ 董兴辉, 闫慧丽, 张晓亮. 基于FDA贡献图的风电机组变桨系统故障定位[J]. 可再生能源, 2017, 35(1): 93-100. DONG Xinghui, YAN Huili, ZHANG Xiaoliang. Fault location of pitch system based on FDA contribution diagram[J]. Renewable Energy Resources. 2017, 35(1): 93-100.

［7］ 肖成, 刘作军, 张磊. 基于SCADA系统的风电变桨故障预测方法研究[J]. 可再生能源, 2017, 35(2): 278-284. XIAO Cheng, LIU Zuojun, ZHANG Lei. Variable pitch fault prediction of wind power system based on SCADA system[J]. Renewable Energy Resources, 2017, 35(2): 278-284.

［8］ 巨林仓, 史贝贝, 杨清宇, 等. 基于LM算法建立风电机组神经网络故障预警诊断模型[J]. 热力发电, 2010, 39(12): 44-49. JU Lincang, SHI Beibei, YANG Qingyu, et al. Establishment of fault warning diagnosis model for wind power units based on lm algorithm of neural network[J]. Thermal Power Generation, 2010, 39(12): 44-49.

［9］ 徐创学, 刘鲁清, 谢云明, 等. 基于实时数据的风力发电机组性能在线评价[J]. 热力发电, 2015, 44(4): 88-91. XU Chuangxue, LIU Luqing, XIE Yunming, et al. Real-time data based online evaluation of output performance for wind turbine units[J]. Thermal Power Generation, 2015, 44(4): 88-91.

［10］ WANG Y, INFIELD D, STEPHEN B, et al. Copula- based model for wind turbine power curve outlier rejection[J]. Wind Energy, 2014, 17(11): 1677-1688.

［11］ KUSIAK A, VERMA A. Monitoring wind farms with performance curves[J]. IEEE Transactions on Sustainable Energy, 2013, 4(1): 192-199.

［12］ 邢作霞, 张鹏飞, 李媛. 基于CFD技术的风电机组功率特性评估方法[J]. 太阳能学报, 2015, 36(12): 2882-2887. XING Zuoxia, ZHANG Pengfei, LI Yuan. Evaluation method of power characteristics of wind turbine based on CFD technology[J]. Acta Energiae Solaris Sinica, 2015, 36(12): 2882-2887.

［13］ 陈警钰, 陈玉航. 基于INNER-DBSCAN和功率曲线模型的风机异常状态检测[J]. 电力科学与工程, 2017, 33(8): 27-34.CHEN Jingyu, CHEN Yuhang. Condition monitoring for wind turbines based on INNER-DBSCAN and power curvepattern[J]. Electric Power Science and Engineering, 2017, 33(8): 27-34.

［14］ 张家安, 刘宁, 吴林林, 等. 基于风力机功率特性的风资源评估指标体系[J]. 太阳能学报, 2017, 38(2): 498-502. ZHANG Jiaan, LIU Ning, WU Linlin, et al.index system for wind resource assessment based on power characteristics of wind turbine[J]. Acta Energiae Solaris Sinica, 2017, 38(2): 498-502.

［15］ 夏长亮. 双馈风力发电系统设计与并网运行[M]. 北京: 科学出版社, 2014: 22-23.XIA Changliang. The design and grid-connected operations for double fed wind power generation system[M]. Beijing: Science Press, 2014: 22-23.

［16］ 王明军. 风电机组功率曲线问题及争议浅析[J]. 风能, 2016(5): 42-45. WANG Mingjun. Power curve problem and dispute analysis of wind turbines[J]. Wind Energy, 2016(5): 42-45.

［17］ 王明军, 高原生. 风电机组实际运行功率曲线影响因素分析[J]. 风能, 2013(4): 74-79.WANG Mingjun, GAO Yuansheng. An analysis of influence factors on wind turbine’s actual power curve[J]. Wind Energy, 2013(4): 74-79.

［18］ 吴双群. 风力发电原理[M]. 北京: 北京大学出版社, 2011: 77.WU Shuangqun. Principle of the wind driven generator[M]. Beijing: Peking University Press, 2011: 77.

［19］ 赵振宙. 风力机原理[M]. 北京: 中国水利水电出版社, 2016: 45. ZHAO Zhenzhou. Principle of wind turbine[M]. Beijing: China Water & Power Press, 2016: 45.

Abnormal detection of operation conditions of wind turbine based on state curve

SUN Qunli1, LIU Changliang2, ZHOU Ying3

(1. Science and Technology College, North China Electric Power University, Baoding 071003, China; 2. State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources, North China Electric Power University, Beijing 102206, China; 3. Sifang College, Shijiazhuang Tiedao University, Shijiazhuang 051132, China)

In order to improve the utilization rate and power generation of wind turbines, and reduce the cost of maintenance and replacement of wind turbines, it is necessary to monitor the operating conditions. In this paper, five state curves of the unit, including the wind speed-power curve, the wind speed-rotor speed curve, the wind speed-pitch angle curve, the rotor speed-power curve, and the rotor speed-pitch angle curve, are introduced theoretically. Then, they are analyzed combining with the actual operational data. The results show that, due to the randomness of wind speed and the inertia of wind turbines, the first three curves does not allow the wind turbine to distinguish normal operation status from a fault status. However, the rotor speed-power curve and rotor speed-pitch angle curve are able to accurately monitor the abnormal conditions of the wind turbine. On the basis of the last two state curves, the distribution of different operating conditions of the unit is analyzed, and corresponding evaluation systems are established for each operating condition. The fault case study indicates that, this method can sense the unit's abnormal situation in advance, and effectively improve the state monitoring accuracy of the system.

wind turbine unit, state curve, rotor speed-power, rotor speed-pitch angle, anomaly detection, operating condition, monitoring and data acquisition system

TK83

A

10.19666/j.rlfd.201901028

孙群丽, 刘长良, 周瑛. 基于状态曲线的风电机组运行工况异常检测[J]. 热力发电, 2019, 48(7): 110-116. SUN Qunli, LIU Changliang, ZHOU Ying. Abnormal detection of operation conditions of wind turbine based on state curve[J]. Thermal Power Generation, 2019, 48(7): 110-116.

2019-01-26

中央高校基本科研业务费专项基金资助项目(9161717007)；北京市自然科学基金(4182061)

Supported by：Fundamental Research Funds for the Central Universities (9161717007); Natural Science Foundation of Beijing (4182061)

孙群丽(1982—)，女，讲师，博士研究生，主要研究方向为电厂设备的智能控制和故障诊断技术，hdsunqunli@163.com。

（责任编辑 马昕红）