硕士研究生论文风力发电机组非参数模型状态监测关键问题研究

1、I / 47硕士学位论文硕士学位论文风力发电机组非参数模型状态监测关键问题研究ResearchResearch onon Non-parameterNon-parameter ModelModel ConditionCondition MonitoringMonitoring ofof WindWind PowerPower UnitUnitII / 47工学硕士学位论文风力发电机组非参数模型状态监测关键问题研究硕士研究生：导 师 ：申请学位：工学硕士学科：控制科学与工程专业：检测技术与自动化装置所 在 学 院：控制与计算机学院答 辩 日 期：授予学位单位 ：华北电力大学Classified

2、Index: TM614 U.D.C: 621.3 III / 47Dissertation for the Master Degree in EngineeringResearchResearch onon Non-parameterNon-parameter ModelModel ConditionCondition MonitoringMonitoring ofof WindWind PowerPower UnitUnitCandidateCandidate：SupervisorSupervisor：ProfAcademicAcademic DegreeDegree AppliedApp

3、lied forfor：Master of EngineeringSpecialitySpeciality：Detection technology and automation equipmentS Sc ch ho oo ol l：School of Control and Computer EngineeringDateDate ofof DefenceDefence：March， 2013IV / 47Degree-Conferring-Degree-Conferring-InstitutionInstitution：NorthChinaElectricPowerUniversity华

4、北电力大学硕士学位论文原创性声明本人重声明：此处所提交的硕士学位论文风力发电机组非参数模型状态监测关键问题研究 ，是本人在导师指导下，在华北电力大学攻读硕士学位期间独立进行研究工作所取得的成果。据本人所知，论文中除已注明部分外不包含他人已发表或撰写过的研究成果。对本文的研究工作做出重要贡献的个人和集体，均已在文中以明确方式注明。本声明的法律结果将完全由本人承担。作者签名： 日期： 年 月 日华北电力大学硕士学位论文使用授权书风力发电机组非参数模型状态监测关键问题研究 系本人在华北电力大学攻读硕士学位期间在导师指导下完成的硕士学位论文。本论文的研究成果归华北电力大学所有，本论文的研究容不得以其它

5、单位的名义发表。本人完全了解华北电力大学关于保存、使用学位论文的规定，同意学校保留并向有关部门送交论文的复印件和电子版本，允许论文被查阅和借阅，学校可以为存在馆际合作关系的兄弟高校用户提供文献传递服务和交换服务。本人授权华北电力大学，可以采用影印、缩印或其他复制手段保存论文，可以公布论文的全部或部分容。本学位论文属于(请在以上相应方框打“”)：，在 年解密后适用本授权书不作者签名： 日期： 年 月 日V / 47导师签名： 日期： 年 月 日I / 47摘 要风力发电作为一种清洁的可再生能源利用方式，近年来在世界围获得了飞速的发展，其中风力发电机组大型设备状态监测成为风电研究领域的重要组成部分

6、。本文在近几年国外关于风电机组状态监测研究成果的基础上，针对风力发电机组控制、风力发电机组的运行以与风电机组仿真的需要，展开对状态监测关键问题的研究，主要工作容和创新成果如下:1. 详细分析了风力发电机组状态监测的现状，提出基于非参数建模状态监测方法的两个关键问题：输入变量集选取与残差处理。2. 由于在建立机组各部件重要测量参数的预测模型时，该测量参数预测模型的输入变量集的确定，是建立其准确模型的关键，因此，预测模型输入变量集的确定是影响预测模型精度的重要因素。本文详细分析了变量集之间的相关关系与判断变量参数相关关系的方法，建立风电机组齿轮箱温度的 IPSO-BP 状态监测模型，并依据相关关系

7、定量分析的结果来选取 IPSO-BP 模型的输入变量集，通过对比分析残差结果，总结出非参数模型输入样本集选取的方法。3. 在风力发电机组非参数预测模型的残差统计方法中，合适的滑动窗口能够消除由于测量误差，机组启停等偶然因素造成的孤立的较大残差的影响。本文详细分析了双滑动窗口残差统计的方法与原理，指出了双滑动窗口具有能够抑制孤立异常残差的作用，并利用 IPSO-BP 预测模型加以验证。关键词：状态检测、相关性分析、残差统计方法、双滑动窗口、IPSO-BP 模型II / 47AbstractAs a clean and renewableutilize way, the wind power ha

8、s been developed worldwide in recent years, and the condition monitoring of the large equipment of the wind power units has become the important part. On the bases of the research achievement of condition monitoring on the wind power units in recent years, this article aims at the requirements on th

9、e control, operation and the simulation of the wind power unit, and research on the main issues of condition monitoring, the main content of work and the innovateachievement are as follows:1. It analysis the current situation of the condition monitoring on the wind power unit in details, and come up

10、 with two issues in the field of condition monitoring, one is regarding the selection of input variable and another one is regarding the dispose of residual.2. The key point of establishing accuracy model is determined by the measure parameter of input variable sets when the forecase models of the m

11、ain measure parameters of each component is established. The article analysis the judge method and the relativerelationship among the variable sets, establish the IPSO-BP condition monitoring model regarding the temperature of bearings of wind power units. It will selected the input variable sets of

12、 the IPSO-BP models according to the analysis results of the relative relationships, and it will refine the selection ways of non-parameter model input samples in contrast to the results of residual.3. In the statistical methods of residual regarding non-parameter forecase models of the wind power u

13、nits, the suitable of the slipping windows can eliminate the impacts caused by measure errors and occasional reasons, for example the shut down of the units. The article analysis the mothed and principle of the duplex slipping windows in details, it indicates the suppression fuction on the abnormal

14、residual by using the duplex slipping windows, then, confirms it by using the IPSO-BP forcase models.III / 47KeywordsKeywords: condition monitoring,relativity analysis, statistical methods of residual, double slipping windows, IPSO-BP models I / 47目 录摘摘 要要 IABSTRACTABSTRACTIIII目录目录 I I第第 1 1 章绪论章绪论

15、1 11.1 本文研究的目的和意义 11.2 风力发电机组状态监测的研究 21.2.1 风力发电机组状态监测的必要性 31.2.2 国外研究现状 31.3 本课题的主要研究容 5第第 2 2 章基于章基于 IPSO-BPIPSO-BP 模型状态监测的研究模型状态监测的研究 6 62.1 引言 62.2 IPSO-BP 神经网络基本原理 72.3 基于 IPSO-BP 模型状态监测 82.3.1 IPSO-BP 网络结构与训练样本的选择 82.3.2 IPSO-BP 网络的训练与验证过程 102.4 齿轮箱温度 IPSO-BP 神经网络模型预测残差统计分析 122.4.1 滑动窗口残差均值与标准

16、差统计 122.4.2 齿轮箱工作异常时温度残差统计特性分析 132.4.3 齿轮箱预测残差分析 142.5 本章小结 16第第 3 3 章章 关键问题一：非参数模型输入变量集选取关键问题一：非参数模型输入变量集选取 17173.1 引言 173.2 相关性分析的概述 183.3 基于 IPSO-BP 模型输入变量集选取的比较分析 193.3.1 作散点图 193.3.2 从物理和能量转换的角度分析参数与齿轮箱温度的相关关系 223.3.3 基于 IPSO-BP 模型输入变量集选取的比较分析 233.4 本章小结 26II / 47第第 4 4 章章 关键问题二：基于莱特准则的双滑动窗口残差统

17、计方法关键问题二：基于莱特准则的双滑动窗口残差统计方法 27274.1 引言 274.2 基于莱特准则的双滑动窗口残差统计方法 284.2.1 莱特准则判别方法 284.2.2 双滑动窗口残差统计方法概述 294.3 基于 IPSO-BP 模型双滑动窗口残差统计方法 304.4 本章小结 31第第 5 5 章结论与展望章结论与展望 3333参考文献参考文献 3535攻读硕士学位期间发表的论文与其它成果攻读硕士学位期间发表的论文与其它成果 3838致致 39391 / 47第 1 章 绪 论1.1 本文研究的目的和意义能源，是现代文明发展不可或缺的因素，在推动社会经济飞跃发展中起着至关重要的作用

18、。基于能源供应的可靠性、安全性和能源利用的高效性、清洁性，能源在世界各国经济可持续发展的道路上扮演着越来越重要的角色1。长期以来，化石能源作为世界能源的主要供应方式倍受各国关注，化石能源的形成过程极其漫长，其储量有限，属于非可再生能源。在工业化逐步实现的过程中，地球上大量丰富的自然资源被过度开发和使用，其中能源资源占很大比例。传统能源紧缺己经成为一个焦点问题，世界各国都在积极采取应对的措施。我国同样也面临着严重的能源问题，文献2中截至 2009 年底，我国的可探明能源储量情况如表 1-1所示： 表 1-11-1 2009 年底我国能源储备序号名称储量（亿吨）可供开采时间（年）1石油22142煤

19、炭9001003天然气6310100 kM i1 A0.01i k1 ii1 kk1 1( )NxkA 添加 XN(k)到 D 结束 N N N Y Y Y 图 2-1 根据功率变量x1构造训练样本集图中为 0.001。对剩余的 4 个变量，均采用与图 2-1 一样的流程以 0.005 为步距从集合K K中选择观测向量添加到训练样本集中。采用此方法构造训练样本集，能够将组成观测向量的 5 个变量的不同测量值对应的历史记录选入训练样本集中，从而使其能较好地覆盖齿轮箱正常工作空间。最后，构造验证样本集选取 SCADA 历史数据中从 4 月 1 日 0 时到 4 月 6 日 0 时的 720 个历史

20、记录作为验证集。在此时段，该机组共发生 3 次停机，各次停机的 SCADA 记录如表 2-2所示。表 2-2 4 月 1 日至 6 日机组停机记录序号日期时间状态号停机原因12006/04/022:28:4377齿轮箱油超温22006/04/027:42:1377齿轮箱油超温32006/04/0311:14:35147指令停机需注意的是，对于实际风电机组，报警停机与设备故障之间没有必然联系。如表 2-2 中虽然发生了 2 次齿轮箱油超温报警停机，但在该机组 4 月份与后续月份的 SCADA 记录和运行日志中未发现齿轮箱故障和维修的记录。部分报警停机属于机组自身的保护功能。在 4 月份，齿轮箱工

21、作正常，无超温或其他故障。2.3.2IPSO-BP 网络的训练与验证过程通过对样本对的反复学习，IPSO-BP 网络的误差达到了系统平均误差的要求(0.02)，网络的权值调整完毕。为了检验模型的有效性，将测试样本作为网络的10 / 47输入。在 4 月份的历史记录中，齿轮箱温度的最大值为 74.1，最小值为 50.2。环境温度的最大值为 20，最小值为13。记齿轮箱温度的 BP 神经网络模型预测残差为 (2-9)55GTxx式中：为齿轮箱温度实际测量值；为 IPSO-BP 网络对该实测温度的估计5x5 x值。验证结果见图 2-2。图中各变量的值均为归一化后的结果。当功率为 0 时即机组停机时，

22、IPSO-BP 模型对齿轮箱温度不进行预测，对应的齿轮箱温度预测值为 0，对应的残差为 0。预测值为 0，对应的残差为 0。 图 2-2 某机组 4 月 1 日至 6 日的 IPSO-BP 模型验证结果在图 2-2 中，某些孤立时刻的齿轮箱温度的预测残差明显大于其他时刻。且这些预测残差大的点是成对出现的，共 3 对，其位置和出现原因如表 2-3 所示，与表 2-2 中的机组的 3 次停机时刻完全对应。表 2-3 验证结果中残差大的位置与原因序号位置时刻残差值原因1第 160 点04/02 2:300.092022006/04/02 2:28:43 发生齿轮箱油超温停机11 / 47第 182

23、点04/02 6:100.10232006/04/02 5:58:56 System OK 机组重启第 192 点04/02 7:500.095672006/04/02 7:42:13 发生齿轮箱油超温停机2第 205 点04/02 10:00-0.20292006/04/02 9:56:56 System OK 机组重启第 357 点04/03 11:200.095632006/04/03 11:14:35指令停机3第 366 点04/03 12:500.13692006/04/03 12:43:03 System OK 机组重启在表 2-3 中这些时刻出现预测残差大的原因如下：由于在这些时

24、刻即机组停机和重新启动时，观测向量中各变量之间的关系与风电机组和齿轮箱正常运行时的状态差别很大（如当风速很高时功率低或为零） ，观测向量偏离正常工作空间，通过训练样本集中的历史观测向量的组合无法给出精确的预测值，导致残差增大。这种由于启停机造成的孤立残差较大的点不应视为齿轮箱故障的出现 。去除以上由于停机导致的残差很大的 6 点后，IPSO-BP 神经网络模型的预测精度很高，预测残差绝大多数情况下在 0.05 以下。验证结果表明齿轮箱 IPSO-BP 神经网络温度模型对齿轮箱正常工作时的动态特性具有很高的建模精度。2.4 齿轮箱温度 IPSO-BP 神经网络模型预测残差统计分析2.4.1 滑动

25、窗口残差均值与标准差统计本文方法选择的训练样本能够较好地覆盖齿轮箱的正常工作空间。当齿轮箱工作正常时，IPSO-BP 网络模型的输入观测向量位于正常工作空间，能够被训练样本覆盖，或者说输入与训练样本中的某些向量距离很近，此时 IPSO-BP 网络模型对齿轮箱温度具有很好的预测效果。当齿轮箱出现异常时，其动态特性发生改变，观测向量中的 5 个变量之间的关系发生异常变化，偏离正常工作状态空间，无法被训练样本覆盖，其齿轮箱温度的预测残差增大且残差分布会显著区别于正常工作状态下的残差分布。残差的均值和标准差可以直观地反映其大小和分布情况。为实时连续地反映残差分布特性的变化，本文采用滑动窗口残差统计的方

26、法。某段时间，记 IPSO-BP 神经网络模型的齿轮箱温度预测残差序列为 (2-10)12NGT对该序列，取一个宽度为的滑动窗口。对窗口的连续个残差计算其均值和标NN准差：12 / 47 (2-11)12111()1NiiNiiXNSXN残差滑动窗口如图 2-3 所示。图 2-3 3 残差滑动窗口统计采用滑动窗口残差统计方法的原因如下：1)该残差统计方法能够连续实时地检测残差统计特性的变化，算法简单，适合在线实时分析。2) IPSO-BP 网络模型采用训练样本中合理选择的有限个历史观测向量代表整个齿轮箱温度特性的正常工作空间。其对整个正常工作空间覆盖能力较好，如2.3 节验证结果所示。但对正常

27、工作空间的不同区域，其覆盖能力是有差异的。对某些特定的局部的工作空间，IPSO-BP 网络模型的覆盖能力比其他区域稍差。当IPSO-BP 神经网络模型的输入观测向量位于这些区域时，其预测精度会有所下降，即在残差序列中会出现一些孤立的残差相对较大的点。这些孤立的残差相对较大的点并不是齿轮箱故障的征兆。滑动窗口残差统计方法计算滑动窗口多个残差的统计特性，对上述情况下的孤立较大残差的不利影响具有很好的抑制作用。3)通过合理选择滑动窗口的宽度，既能与时迅速地反映残差统计特性的连N续变化，又能消除随机因素的影响，提高齿轮箱状态监测的可靠性，降低误报警的几率。2.4.2 齿轮箱工作异常时温度残差统计特性分

28、析当齿轮箱工作正常时，IPSO-BP 网络温度模型预测精度很高，预测残差的均值接近 0，且标准差较小。当齿轮箱出现故障隐患时，其工作特性会发生改变。齿轮箱的常见故障主要有润滑不良、偏心、齿面点蚀胶合等，这些故障都会导致齿轮箱温度特性发生改变，使新的观测向量偏离正常工作状态空间。IPSO-BP 网络温度模型预测残差增大，统计特性改变，主要表现为以下 3 种形式：1)残差的均值仍接近 0，但残差的标准差明显增大，表现为残差的散布围增大；2)残差的均值以较大幅度偏离 0，但残差的标准差变化不大，表现为预测残差出现系统偏差；3)以上两种情况的组合。为了根据残差的统计特性变化检测齿轮箱的故障隐患，需要确

29、定残差均值和13 / 47标准差的故障阈值，记其分别为和。当 IPSO-BP 网络模型预测的齿轮箱温度YEYS残差滑动窗口统计特性超过其中某一设定阈值时，发出故障隐患报警，提醒操作人员密切关注齿轮箱的运行状态，与时采取相应的处理措施。残差均值和标准差阈值可以由运行人员根据经验确定，也可以根据 2.3 节中 IPSO-BP 网络温度模型的验证结果确定。将验证集合作为 IPSO-BP 网络模型的输入，计算验证集合的预测输出和残差序列，对该残差序列采用滑动窗口统计方法计算残差的连续实时均值和标准差。记验证序列的残差均值绝对值最大值为，标准差的最大值为，则齿轮箱故障vEvS征兆诊断的阈值标准为 (2-

30、12)12YVYVEk ESk S 式中和可以由现场运行人员根据运行经验参与确定。如 2.3 节所述，在1k2k机组停机和启动的前后时刻，会造成残差异常增大，在进行残差分析时，可以根据功率是否为 0 确定这些异常残差的位置并用 0 替代，使其不影响齿轮箱的监测。2.4.3 齿轮箱预测残差分析对 2.3.2 节中的验证集合残差序列采用滑动窗口统计方法确定齿轮箱工作异常监测时所需的均值和标准差的阈值，本文中滑动窗口宽度 N=100。验证序列滑动窗口均值与标准差的变化趋势如图 2-4 所示 图 2-4 验证集合的残差滑动窗口统计特性由图 2-4 得，。本文取，则齿轮箱0.016vE 46.3442

31、10vS13k 23k 14 / 47故障报警的阈值为，。该机组的 2006 年的 SCADA0.0404YE 31.26884 10YS数据中，没有出现齿轮箱故障的记录。为了验证 IPSO-BP 网络模型监测齿轮箱故障的有效性，人为模拟当齿轮箱故障时导致齿轮箱温度升高的情况。对 4 月 1 日0 时到 4 月 6 日 0 时的 720 个历史数据从第 501 点开始对齿轮箱温度变量人为加入步距为 0.001 的累积温度偏移。故障模拟的 IPSO-BP 网络模型残差如图 2-5 所示。图 2-5 齿轮箱温度偏移后的 IPSO-BP 模型预测残差结果齿轮箱温度偏移后对应的残差滑动窗口统计特性和报

32、警阈值如图 2-6 所示。图 2-6 温度偏移后的残差滑动窗口统计特性从图 2-6 中可以看出，标准差曲线在第 440 个滑动窗口超出了预先设定的均值阈值，距离开始偏离的第 501 点的位置为 440+100-500=40，100 为滑动窗口的宽度。在第 541 点处，检测出了齿轮箱温度的异常变化。该点人为偏移后的齿轮箱温度与对应的原始正常齿轮箱温度间的偏差可以根据温度偏移步距和齿轮箱温度变化区间求出，即 400.001(74.1-50.2)=0.96()。可见，当齿轮箱出现故障隐患导致其温度异常变化时，本文提出的基于 IPSO-BP 网络温度模型状态监测方法能够与时发现并发出报警信息，实现齿

33、轮箱状态的在线监测。2.5 本章小结本章采用 IPSO-BP 网络，合理选择与齿轮箱温度密切相关的过程变量，并给出了选择训练样本的有效方法，建立了齿轮箱温度 IPSO-BP 预测模型。该建模方法具有很小的训练误差和检验误差，不仅能更快的收敛于最优解，而且能够显著提高建模精度。当齿轮箱出现故障隐患时， IPSO-BP 模型预测的残差的分布特性15 / 47发生改变。本章采用滑动窗口连续实时地计算残差均值和标准差的变化趋势，并和设定阈值比较，得出齿轮箱当前的运行状态。通过对某机组齿轮箱温度 SCADA数据与人为模拟的齿轮箱故障的分析，IPSO-BP 模型能够与时检测出齿轮箱工作状态的异常变化，验证

34、了 IPSO-BP 模型的有效性。第 3 章 关键问题一：非参数模型输入变量集选取3.1 引言风电机组状态监测技术是采用先进的监测仪器和统计软件对机组的重要部件进行在线监测和分析、评估其运行状态、诊断和预测故障，大大延长了检修周期，提高了故障检修的成功率，减少了备品备件的存储，达到大幅降低维护成本的目的。目前国外学者对时间序列建模与预测进行了大量的研究，并取得了一定的成果。如 CAO 等24采用小波网络、SHI 等25采用回声状态向量机、 HAN 等26来用递归神经网络进行混沌时间序列预测等。这些预测方法大都是针对单变量的研究，其基本原理是对观测数据进行相空间重构，利用合适的非线性数学模型来完

35、成系统的动态特性拟合，具有较高的精度。在时间序列分析中，嵌入理论对于时间序列的建模具有十分重要的作用。理论分析认为，通过选择合适的时间延迟和嵌入维数，单变量序列能够实现复杂系统的重构。但是在实际分析中，单变量时间序列不能够完全反映系统的全部动力学特性27，使预测结果不够精确。在解决实际问题的建模中，复杂系统通常需要多个变量进行描述，得到的观测序列往往为多变量时间序列。理论上，多变量时间序列与单变量序列相比，其包含了更多的系统信息。因此，采用多变量时间序列建立的预测模型更能充分反映复杂系统的动力学特性。此外，如果只有少量的观测数据，多变量序列还能够补充原单变量时间序列的信息。因此，在分析复杂系统

36、时，采用多变量时间序列的预测模型具有更高的实际意义。对于复杂系统的建模，变量间的相关分析也逐渐引起人们的关注，如Wojcik 等28通过对荷兰 Maastricht 地区的降雨和气温进行相关分析，选取二者的联合信息估计月均降雨量和月均温度。 Liu 等29则收集澳大利亚全国 39个观测点的降雨和气温观测值，结合二者信息估计太阳日辐射大小。相关性分析作为一个焦点问题被人们普遍关注，在进行时间序列的状态预测建模中，如果忽略了变量之间的相互关系，将可能会对建模的结果产生影响，严重时将产生错误的分析结果。通常将相关系数作为度量相关关系的尺度，因其只是一个线性的r16 / 47度量，对于非线性的情况和非

37、正态分布并不适用，而且相关系数容易受其他因素的影响，其反映的往往是表面的、非本质的联系。通过对获取的多变量时间序列中各变量之间进行相关性分析（包括线性相关、非线性相关和不相关） ，寻找能够反应动力系统演化特征的数据，剔除其中的冗余数据，是多变量时间序列建模需要首要解决的一个问题。在建立机组各部件重要测量参数的 IPSO-BP 模型时，该预测模型的输入变量集的确定是准确建立该模型的关键。文献30对集中变量的确定方法主要是根据风电机组的工作原理与 SCADA 数据趋势分析得到的。但 SCADA 数据中测量变量对IPSO-BP 建模变量的影响是多种形式的，最简单的相关关系为正线性相关，如齿轮箱轴承温

38、度与齿轮箱润滑油温度，其之间变化趋势基本一致。建模变量也可能与SCADA 其他变量之间存在负线性相关，甚至非线性相关关系。此时，简单的趋势分析和比较确定观测向量的方法难以适用。本文做出了 SCADA 中各参数与齿轮箱润滑油温度之间的散点图，量化分析了它们之间的关系，利用 IPSO-BP 方法建立齿轮箱润滑油温度预测模型，并对其进行温度预测，通过对残差进行分析比较，选出最优建模输入变量集，从而更精确的建立风电机组各部件的非参数测量变量模型。3.2 相关性分析的概述统计学中用一个统计量描述相关的密切程度，这个统计量称相关系数或相关指数，分别记为 或。相关系数的绝对值必然在 0 到 1 之间，即，而

39、r2R11r 相关指数小于等于 1，即。对于相关关系的分析我们可以借助于若干分析指21R 标（如相关系数或相关指数）对变量之间的密切程度进行测定。相关系数是反映两个变量线性相关关系的一个重要统计指标，用 表示。其数r学计算公式为：(3-1)22222xyxynxyxyrnxxnyy 相关系数 没有单位，其绝对值。，说明变量和之间为正相关，即r1r 0r xy和的变化趋势方向一样；，说明变量和为负相关关系，表明和之xy0r xyxy间反向变化，如增大则减小。越接近于 1，线性关系越密切；为完全xyr1r 相关。相关指数是反映两个变量非线性相关关系的一个重要统计指标31，用表示，2R其数学计算公式

40、为17 / 47(3-2)221-ttyyRyy其中是对的数学期望；是的算数平均值。，越接近于 1，非线yyx_yy21R2R性关系越密切。3.3 基于 IPSO-BP 模型输入变量集选取的比较分析本章研究的风电机组的额定功率为1.5MW。切入风速为3m/s，额定风速为12m/s。叶轮的额定转速为20r/min，双馈发电机的额定转速为1800r/min，齿轮箱的变速比为 190。该机组的 SCADA 系统记录一次参数的间隔时间为 10min。记录的容包括有功功率、无功功率、发电机转速、风速、环境温度、机舱温度、齿轮箱润滑油和轴承温度等共计 47 个参数。3.3.1 作散点图在直角坐标系中分别作

41、出 SCADA 系统中其他 46 个变量与齿轮箱润滑油温度的散点图，其中部分散点图如图 3-1：a)齿轮箱温度与齿轮轴承温度关系图 d)齿轮箱温度与齿轮箱转速关系图18 / 47b)齿轮箱温度与发电机温度关系图 e)齿轮箱温度与无功功率关系图c)齿轮箱温度与功率关系图 f)齿轮箱温度与风差 10 秒关系图图 3-1 SCADA 中部分参数与齿轮箱润滑油温度的散点图由散点图可以清楚的看到部分 SCADA 中以下参数与齿轮箱润滑油温度呈线性关系，其相关系数列于表 3-1。表 3-1 齿轮箱润滑油温度与其呈线性关系的变量与其相关系数齿轮箱轴承温度发电机冷空气温度发电机定子线圈温度 2发电机定子线圈温

42、度 1发电机轴承温度 A发电机轴承温度 B机舱温度齿轮箱温度0.8597080.7070320.6908540.6916680.700380.6734910.5334231由散点图中可以看到 SCADA 中以下参数与齿轮箱润滑油温度呈非线性关系，且明显看出呈 S 型曲线关系，S 型曲线是两变量之间非线性关系中的一种，其方程式如下：(3-3)-1LYbxae, ,0L a b S 型曲线具有以下性质：是的非减函数，开始时随着的增加，的增YXXY长速度也逐渐加快，但是达到一定水平之后，其增长速度又逐渐放慢。最后无Y论如何增加，只会趋近于，而永远不会超过。本文相关指数的求解步骤XYLL19 / 47

43、如下：(a) 将 SCADA 中与齿轮箱润滑油温度呈 S 型曲线关系的参数归一化后，令=1。L(b) 将 S 型曲线方程变为直线方程，其变换过程如下：首先，(3-3)式两边同时取倒数，可得：(3-4)-111bxaeY 进而又有： (3-5)-1-1bxaeY上式两边取对数，可得： (3-6)1(-1)-InIna bxY令；代入式(3-6)，可得1Y(-1)InY1bIna2-bb (3-7)12Ybb x(c) 计算回归系数、常数与曲线回归方程322b1b (3-8)2xYbSSxx其中 (3-9)-xYSxxYY (3-10)2Sxxxx (3-11)12-bYb x将所求的，带入式(3

44、-3)中可求出曲线回归方程1b2b (3-12)12-11b b xye(d) 求相关指数将和由式(3-12)计算得出得代入式(3-2)可以算出相关指数。Yy2R其相关指数列于表 3-2。表 3-2 齿轮箱润滑油温度与其呈 S 型曲线关系的变量与其相关指数功率转子转速变速箱转速发电机转速风速转矩设定值齿轮箱温度0.3001290.147210.1469350.1470890.3702660.3101811由散点图 e)、f)可以看出，齿轮箱温度与机组无功功率和风差 10 秒等参数几乎没有关系，即不管齿轮箱温度如何变化，机组无功功率和风差 10 秒等参数不会变化。20 / 473.3.2 从物理

45、和能量转换的角度分析参数与齿轮箱温度的相关关系由 3.3.1 节可知，通过相关性分析，SCADA 数据中测量变量对齿轮箱润滑油温度的影响是多种形式的，有正线性相关，非线性相关甚至是不相关。本小节从物理和能量转换的角度分析 SCADA 数据中各参数与齿轮箱温度的相关关系，具体分析如下：a) 由于风电齿轮箱属于闭式硬齿面齿轮传动，根据热平衡态原理，与齿轮箱润滑油温度呈线性关系的参数的变化会直接影响齿轮箱润滑油温度，它们之间呈比例关系。即前者随后者的增加而增加，随后者的减小而减小。b)变速风力发电机组可分以下三个不同的状态33： 第一种状态是启动状态，齿轮箱转速从静止上升到切入速度。此时由于齿轮箱齿

46、面以与轴承的摩擦产生热量，导致齿轮箱温度随着转速的不断增大而不断升高。 第二种状态是风机并入电网后运行在额定风速以下的区域，风力发电机组开始获得能量并转换成电能。从理论上说，为了最大限度的获取能量，根据风速的变化，风轮可在限定的任何转速下运行，但由于受到运行转速的限制，不得不将该阶段分成两个运行区域；即恒速运行区域和变速运行区域。此时齿轮箱转速与齿轮箱润滑油温度的关系也分为两个阶段：即后者随前者增加而升高和齿轮箱转速增大但齿轮箱润滑油温度升高的很慢。 第三种状态是功率恒定区。输出功率维持额定功率保持不变，转速保持恒定。此时齿轮箱由于齿面之间以与和轴承之间等机械摩擦导致热量增加，齿轮箱润滑油温度

47、升高。分析发电机的三种运行状态可以得出齿轮箱转速和齿轮箱润滑油温度呈 S 型曲线函数关系。c) 根据热力学第一定律分析温度和功率、转矩、电流之间的非线性关系33。风轮的输出功率为 (3-13)1PM式中 风轮的输出转矩，风轮的输出角速度。， M2 风速发电机的输出功率为 (3-14)31212PPMAC21 / 47式中 发电机的输出功率，主传动系统的总效率，发电P12机系统的总效率，空气密度，面积，风能利用系数， APC风速。可以看出发电机输出功率与风速的三次方呈正比，发电机功率的增加与风速的三次方呈正比。转矩公式为 (3-15)24PACM可以看出风轮转矩与风速的二次方成正比。发电机的输出

48、功率为 (3-16)3cosNNNPU I定子三相绕组上的线电压，流过定子绕组的线电流， NUNIcosN功率因数。保持不变，功率与电流成线性关系。NU3.3.3 基于 IPSO-BP 模型输入变量集选取的比较分析为建立齿轮箱 IPSO-BP 温度模型，需确定观测向量中的建模变量，即与齿轮箱润滑油温度密切相关的风电机组参数。通过对机组 SCADA 记录的 47 个参数的相关性分析，选择与齿轮箱润滑油温度密切相关的以下几组变量组成观测向量。第一组，与齿轮箱润滑油温度成线性相关的变量。选择相关系数最大的前四个作为输入变量，选择结果为：1) 齿轮箱轴承温度（Tz） （0.859708）2) 发电机冷

49、空气温度（Tl） （0.707032）3) 发电机轴承 A 温度（Tfz） （0.70038）4) 机舱温度 （Tj） （0.533423）第二组，与齿轮箱润滑油温度成非线性关系的变量。选择相关指数最大的四个作为输入变量，选择结果为：1）功率 （） （0.300129）P2）风速 （V） （0.370266）3）转矩实际值（T） （0.31019）4）电流 （I） （0.302493）第三组，从第一组选择前两个变量和从第二组中选择前两个变量组成，选择结果为1） 功率 （） （0.300129）P2） 风速 （V） （0.370266）22 / 473） 齿轮箱轴承温度（Tz） （0.85970

50、8)4） 发电机冷空气温度（Tl） （0.707032）选取 SCADA 历史数据中从 4 月 6 日 0 时4 月 23 日 2 时 50 分的有效历史记录建立齿轮箱 IPSO-BP 润滑油温度模型。选取 SCADA 历史数据中从 4 月 1 日 0 时4 月 5 日 23 时 50 分的 720 个历史记录作为验证集。验证结果见图 3-2。图中各变量的值均为归一化后的结果。(a)第一组输入变量集 IPSO-BP 预测结果23 / 47(b)第二组输入变量集 IPSO-BP 预测结果(c)第三组输入变量集 IPSO-BP 预测结果图图 3-2 某机组 4 月 23 日至 5 月 3 日的 I

51、PSO-BP 模型验证结果从图中可以看出，图（b）的 IPSO-BP 模型预测精度最高，误差绝对值在0.004 以下。图（b）中预测精度高的原因如下：由于（b）中所选相关变量与齿轮24 / 47箱润滑油温度差异大，构造的过程记忆矩阵能很好地覆盖齿轮箱正常工作空间，更有利于非线性运算。而图（a）中所选变量与齿轮箱润滑油温度成比例关系，不利于 NSET 模型的训练学习，导致 IPSO-BP 模型精度下降。3.4 本章小结本章分析了 SCADA 中各变量与齿轮箱润滑油温度之间的线性或非线性关系，并求出各变量与齿轮箱润滑油温度的相关密切程度（相关系数，相关指数） 。建立了齿轮箱 IPSO-BP 润滑油

52、温度的预测模型，该模型根据各变量与润滑油温度的相关系数或相关指数选择建模输入变量。改变了以往预测模型中根据经验或机理选择建模变量的方法，避免了 IPSO-BP 模型由于选择建模变量不当而导致预测精度降低的问题。仿真结果表明，考虑与润滑油成非线性相关的变量作为 IPSO-BP 预测模型的建模变量，预测精度显著提高，对齿轮箱润滑油温度有良好的预测效果。25 / 47第 4 章 关键问题二：基于莱特准则的双滑动窗口残差统计方法4.1 引言残差作为一个重要的概念被用在预测模型的构建和分析过程中，它是变量实际观察样本值和估计值的差，用公式表示为:， 它表明不可能观测的概ttteyy率误差项的估计值。在预

53、测模型分析过程中，方程拟合优度的计算，误差方差项的估计以与回归模型对与错的判断都是以残差序列为基础进行的。因此，残差的分析在构建预测模型中具有重要的意义。现今文献中较多关注的是系统误差的估计与估计的稳定性，而对残差的分析与处理则较少有人研究。兆庭等34对残差分析作了详细的描述，他根据模型的拟合程度把残差分为偏残差、预测残差、学生化残差、普通残差四种，并利用残差分析进行数据集中异常值点的诊断。杜雄杰等35先分析残差的特点，进而提出残差的数学模型。在此模型的基础上，提出残差补偿算法，算法将残差扩展至目标状态向量，进行实时估计。在估计目标状态的同时完成残差补偿。并总结出残差过程具备如下特点：时间相关

54、，二阶矩平稳。协方差增加算法36将残差考虑成观测噪声，通过增加观测噪声的协方差来补偿残差的影响，该算法没有考虑到残差的时间相关性。速度融合算法37认为残差只影响观测的位置分量，而对速度分量影响较少，于是提取出从站的速度分量，与主站的观测进行融合。这种算法没有抓住残差的本质特征，对于从站的观测数据使用不够，存在信息损失。国外不少学者对残差分析也做了一定的研究：运用残差分析进行自回归，确定回归系数38；利用残差分析证明，渐近测试有良好的动力特性与精确的测试围39；将残差统计作为拟合优度用来检验统计量40。IPSO-BP 是建立机组正常工作模型的有效方法。当用其建立机组正常运行时段重要部件参数的模型

55、后，需要将 SCADA 实时采集的数据作为模型的输入，计算并分析模型输出与相关统计特性。设将实时采集的 SCADA 数据作为 IPSO-BP 模型的输入，由模型产生的相关统计量为（其可以为残差或其他形式统计量） ，对该统计量的分析可以得到机组异常状态的信息。但对该统计量，需注意以下事项：a) 由于风电机组所处环境条件恶劣，偶发的传感器等测量误差会混杂在SCADA 测量数据中。但对于 SCADA 测量数据，只有当其超过传感器测量上下限时，才允许作为错误数据从 SCADA 记录中去除。26 / 47b) 由于风速变化的随机性，导致机组运行状态变化快且随机，机组的各测量参数变化快且随机性大。在此前提

56、下，对原始 SCADA 数据采用某些滤波算法来平滑数据的处理是不合适的。滤波算法数据预处理固然能够过滤某些如由于传感器异常导致的突变数据，但其也会将风速突变导致的一些有用数据过滤掉。c) 单个异常变化（如幅值突然增大）的统计量 并不能表明机组的运行状态发生异常。单个异常变化的统计量产生的原因可能如下：传感器在测量上下限间的异常变化、风速的突然改变、机组运行状态的转化（如启机，停机等） 。如采用简单的单个统计量阈值比较方法，会导致误报警频发。机组的异常和故障通常是持续发展的。多次异常统计量的变化才能反映机组运行状态的异常。因此，采用滑动窗口统计方法是检验机组异常的有效方法。在IPSO-BP 模型

57、的残差统计方法中，合适的滑动窗口既能够消除由于测量误差，机组启停等偶然因素造成的孤立的较大残差的影响。本文采用“基于莱特准则的双滑动窗口残差统计方法”来根据残差的特性动态确定 SCADA 测量数据中由于传感器异常或风速突然变化引起的异常点，降低误报警几率。4.2 基于莱特准则的双滑动窗口残差统计方法4.2.1 莱特准则判别方法假设某段时间，记 IPSO-BP 神经网络模型的齿轮箱温度预测残差序列为。在残差序列中存在异常点，利用莱特准则剔除异常点首12N先要计算该残差序列的算数平均值 (4-1)11NiiXN再计算出其标准差 (4-2)211()1NiiXN将残差逐一与3倍标准差进行比较，进行异

58、常点检验。如果，则与对i3ii应的观测数据为异常点，应排除。IPSO-BP 模型的估计残差近似服从正态分布。根据误差理论，当测量值服从正态分布时，残差落在三倍方差即区间的概率超过 99.7%，落在此区间外3 ,3的概率只有不到 0.3%。因此，当 IPSO-BP 模型某孤立较大残差落在该区域之外时，可以认为该残差是由于测量误差等偶然因素导致的，这就是莱特准则判别方法，也称为准则。327 / 474.2.2 双滑动窗口残差统计方法概述对于 IPSO-BP 预测模型估计残差序列，设计两个滑动窗口：快速检测窗口和备用平均窗口。快速检测窗口的宽度窄，为。设快速检测窗口的最新残差为quickW时刻，窗口

59、的残差序列为：k (4-3)12GTN其迅速实时计算自己窗口残差的统计特性，即均值和标准差：(4-4)12111()1NiiNiiXNSXN同时检测本窗口的残差有无落在区域之外的残差。如没有，3,3XSXS快速检测窗口滑动到下一时刻；如有，说明该窗口存在偶然因素导致的孤立1k 较大残差，在此时刻即时刻，立即启动备用平均窗口替代快速检测窗口。在k时刻依旧使用快速检测窗口检测残差。备用平均窗口的宽度为，1k backupW，即备用平均窗口的宽度远大于快速检测窗口。 quickbackupWkW5 . 1k计算备用平均窗口的残差均值与标准差和，双滑动窗口残差统计backupXbackupS的原理如图

60、 4-1 所示：图 4-1 双滑动窗口残差统计方法原理图双滑动窗口的各自的作用归纳如下：快速检测窗口：始终实时作用于残差序列，计算宽度为窗口的残差均值quickW和标准差，同时检测孤立异常残差的出现。由于快速检测窗口的宽度窄，其能迅速反应滑动窗口均值与标准差的变化，能够与早发现残差统计特性的异常变化。当设备存在故障隐患时，残差的持续异常变化与偶然性孤立异常残差不同，不会28 / 47触发备用平均窗口。备用平均窗口：当快速检测窗口在某时刻根据莱特准则发现本窗口存在孤立异常残差时，备用平均窗口被触发，用来替代该时刻的快速检测窗口。由于备用平均窗口的宽度远大于快速检测窗口，其具有更强的平均效应，抑制