基于INNER -DBSCAN和功率曲線模型的風機異常狀態(tài)檢測

陳警鈺， 陳玉航

(1. 東北電力大學 電氣工程學院，吉林 吉林 132012；2. 國網山東電力公司 濰坊供電公司, 山東 濰坊 261021)

基于INNER -DBSCAN和功率曲線模型的風機異常狀態(tài)檢測

陳警鈺1， 陳玉航2

(1. 東北電力大學 電氣工程學院，吉林 吉林 132012；2. 國網山東電力公司 濰坊供電公司, 山東 濰坊 261021)

針對目前風電機組異常運行狀態(tài)無法快速檢測問題，提出一種基于INNER-DBSCAN算法和功率曲線模型的數據驅動實時檢測方法。該方法先利用貝茨理論和RC模型構造一個新的約束來進行數據預處理，剔除機組極端異常運行數據；再基于提出的區(qū)間DBSCAN算法對數據進行聚類，得到正常數據和異常數據；最后利用區(qū)間鄰域最值對正常數據進行邊緣識別，構造風電機組正常運行時的功率曲線模型，并通過模式圖的上下臨界值識別風機異常運行狀態(tài)。利用8臺風電機組SCADA數據進行實驗，結果表明，該方法能有效實時檢測風機異常運行狀態(tài)。

風電機組； INNER-DBSCAN； 實時檢測； 異常運行； 功率曲線模型

0 引言

風電是最有前景的可再生能源之一，截至2014年底，中國的新增裝機達到23 GW，風電機組累計裝機容量已接近114 GW，Global Wind Energy Council(GWEC)對未來5年全球風電發(fā)展預測顯示，未來5年內風電將繼續(xù)保持增長勢頭[1]。然而由于風機運行天氣環(huán)境(如嚴寒、酷暑、沙塵、降雪等)的多變性及嚴酷性，使得風機經常忍受快速變化的負載而產生的高強度機械應力，這導致風機平均壽命3%的時間都處于異常運行狀態(tài)[2]。其運行維護費用能占到風電項目能源成本的10%～20%，在風機服役期的后期能達到35%，這樣的大開銷阻礙了風電更為快速的發(fā)展[3]。風機的異常運行狀態(tài)檢測在基于風機運行狀態(tài)的維護和維修中起到了重要的作用，這比矯正性維護和預防性維護的性價比更高，能夠大大地減少風機的運行維護費用[4]。

傳統的風機異常狀態(tài)檢測專注于風機昂貴組成部件(如主軸、發(fā)電機、齒輪箱等)的故障識別，2個常用的方法是振動分析和油液檢測，但這2個方法是獨立的系統，需要安裝額外的傳感器和其他硬件設備[5]。而利用基于SCADA系統在風機控制器所采集的數據來提早預警故障和運行問題是性價比很高的方式[6]。

文獻[7]提出通過風機的功率特性來檢測其整體健康狀態(tài)，并通過選擇正常運行風機的數據來構建內部警戒線和外部警戒線，根據內外警戒線閾值去檢測風機異常狀態(tài)；文獻[8]提出用制造商提供的功率曲線及經驗值模型剔除異常數據，并分別用線性與非線性方法建立風機功率曲線模型；文獻[9]提出利用基于四分位法和k-means算法的數據剔除模型來識別異常狀態(tài)。然而由于不同風機、不同時間段的實測功率曲線不同，異常運行數據的分布也有所不同，此類方法通用性不高、異常狀態(tài)檢測準確度低。

文獻[10]提出基于最小二乘法、最大似然估計方法和k-NN算法構建功率曲線模型，然后基于統計值得到功率曲線帶，以此識別異常運行狀態(tài)；文獻[11]提出基于模型的風機狀態(tài)檢測，分別用線性、狀態(tài)依賴參數模型(SDPM)、人工神經網絡(ANN)進行建立，根據最優(yōu)輸出和預測值的殘差去識別異常狀態(tài)。上述研究中都有一個缺點是需要大量的訓練過程，計算開銷大，運行效率低下，很難應用在實時檢測中。

DBSCAN算法是一種基于密度的數據分類方法，執(zhí)行效率較高，可以識別多個簇。本文利用這個算法的思想提出了一個基于INNER-DBSCAN和功率曲線模型的風機異常狀態(tài)檢測方法，并進行了多風電場、多機型的實驗測試。結果表明，該算法能夠有效快速地識別出風機異常運行狀態(tài)，可以對風電機組整體運行狀態(tài)進行實時檢測。

1 異常數據的特征及其對功率曲線的影響

風電機組功率特性一般用風電機組輸出功率隨風速的變化曲線即功率曲線(P-V)來表示，根據能量守恒定律及貝茨理論，得到風機實際能得到的有功功率，由公式(1)計算[12]：

P=0.5ρπR2Cpv3

(1)

式中：P是風機風輪捕獲的理論功率；ρ為空氣密度；R為用來確定掃略面積的風輪半徑(葉片長度)；v為風速；Cp為風能利用系數，它代表了控制系統利用風能的效率。

異常數據在本質上是機組故障以及機組缺乏維護而導致的停機或低性能運行現象；或者是風機處于正常運行情況下，而電力調度機構要求部分風電場降出力或暫停運行的現象。為了分析風機的功率性能，利用SCADA系統采集的數據進行分析。圖1是某風機在某日4∶48至次日1∶00的風速和功率時序圖，時間間隔為10 min。其切入風速為vi=2.5 m/s，額定風速為vr=11 m/s，vo=20 m/s，額定功率為1 500 kW。圖1中，在4∶48

圖1 風速和功率的時序圖

把上述情形的時間軸延長，采集1個月的風機10 min數據，得到數據集U。正常運行數據與異常運行數據、停機數據、隨機誤差數據和系統誤差數據混合在一起，導致無法進行正常的功率曲線建模，如圖2所示。

圖2 風速與功率關系散點圖

2 異常數據的識別原理及數學模型

盡管通過公式(1)得到的風機功率曲線模型是明確的，但是由于機組的內在缺陷使得無法精確預測輸出功率。首先，因為風機在設計時假定空氣密度為常數；其次預測錯誤或設計參數誤差會在v3中放大[13]，因此每臺風機正常運行的功率性能也是不盡相同的，所以直接使用風機廠商提供的功率曲線對異常進行狀態(tài)檢測是不合適的。需要基于每臺風機的實際運行數據來進行功率曲線建模，為下一步的機組異常運行狀態(tài)檢測提供基礎。

2.1數據預處理

2.1.1 功率最優(yōu)化約束

風能利用系數由公式(2)進行計算：

(2)

式中：S為風輪掃略面積；v為風速；P為風機功率。根據貝茨理論，風能利用系數Cp的極限值為0.593?；谶@個理論，可以確定功率曲線的上限曲線，稱為Betz曲線。

2.1.2 功率最低約束

根據R.Chedid提出的功率曲線模型(稱之為RC模型)確定功率最低約束：

(3)

P=PW×Aw×effw

(4)

式中：Aw為風輪掃略面積；effw為風機對風能的利用效率。令effw取一個較低的利用效率0.05，可得到風機最低功率約束的曲線，這條曲線稱為RC曲線。

根據Betz曲線和RC曲線對風機原始數據集U進行預處理，剔除掉了機組極端異常運行數據，如圖3所示，得到預處理的正常數據集Upre-normal和異常數據集Upre-abnormal。

2.2INNER-DBSCAN算法

2.2.1 算法的提出

DBSCAN算法是由Martin Ester等人在1996年提出的著名的基于密度的聚類算法，它的優(yōu)點是可以識別任何形狀的簇和孤立點，這符合風機風速-功率散點的分布特點[14]。DBSCAN算法根據給定的密度閾值識別一個簇，密度閾值由Eps和Minpts2個參數決定(其中Eps表示半徑，Minpts表示核心點在Eps半徑范圍內至少應該含有的點的數量)。

DBSCAN算法的參數Eps用經典的歐氏距離進行計算：

(5)

聚類的中心即為各元素的均值由公式(6)進行計算：

(6)

式中：m為第j個聚類所包含的數據對象的個數。

用4個統計學指標[15]來判定聚類結果，如公式(7)～(10)所示：

(7)

SDofAE=

(8)

(9)

SDofAPE=

(10)

DBSCAN有一個比較明顯的弱點，即當數據分布不均勻時，由于使用統一的全局變量，使得聚類的效果變差。以預處理之后的正常數據集Upre-normal進行聚類，聚類效果如圖4所示(Minpts=5,Eps=0.327 1)。圖4反映出某些風機的實際運行情況，可知當風機的風速-功率數據分布不均時，用統一的Minpts及Eps聚類得到的效果極差。結合DBSCAN算法的優(yōu)點及風速-功率散點的分布特性，下面提出基于區(qū)間法的DBSCAN算法——INNER-DBSCAN算法。

圖4 DBSCAN聚類結果

2.2.2 算法具體實現過程

利用區(qū)間法將風機運行數據的風速屬性進行分區(qū)間，在每個小區(qū)間中利用DBSCAN算法進行聚類。

(1)將待分類的數據集按照風速0.5 m/s間隔分成若干個小區(qū)間。每個小區(qū)間中心值為0.5 m/s的整數倍，得到每個小區(qū)間數據集Ui為：

(11)

式中：Ui為第i個區(qū)間的數據集；(v,p)為落在第i個區(qū)間的二維數據元素。假設Upre-normal最大風速為vmax，則最大風速區(qū)間為n=[vmax/0.5]。

(2)在每個小區(qū)間內利用DBSCAN算法聚類。DBSCAN算法基于一個事實，一個聚類可以由其中的任何核心對象唯一確定，即任一滿足核心對象條件的數據對象p，數據庫D中所有從p密度可達的數據對象O所組成的集合構成了一個完整的聚類且p屬于C。數據集中沒有包含在任何簇中的數據點就構成噪聲點。

(3)正常簇判定及二次聚類融合。

在前面過程中，散點圖的上方極端異常數據已經被剔除，因此最終期望保留的正常數據必然已經聚集在散點圖的最上部分和最左部分，因此應盡可能地保留聚類結果中均值較大的聚類。

采用二次聚類融合思想：①對于上述風速區(qū)間，聚類結果為{C1,C2,…,Cm}或還有一個噪聲簇N，計算這m個簇的聚類中心{w1,w2,…,wm}；②找出{w1,w2,…,wm}中最大的聚類中心wmax，其對應的簇為Cmax初步判定為正常簇Cpre-normal；③計算wmax與{w1,w2,…,wm}中除wmax之外的各個聚類中心的聚類di=wmax-wi；④比較各個di與預設閾值T(如0.2Pr)的大小，如果di

對預處理后的正常數據Upre-normal按照INNER-DBSCAN算法進行聚類，每個小區(qū)間的聚類效果如圖5所示。

圖5 INNER-DBSCAN算法區(qū)間內聚類效果

圖6 INNER-DBSCAN算法聚類效果

匯集每個小區(qū)間的聚類結果，得到整體的聚類效果如圖6所示。很明顯，INNER-DBSCAN聚類效果比單純的DBSCAN聚類效果好得多，能夠將絕大多數異常狀態(tài)準確識別出來。但同時有部分正常點被誤判為異常點(8.5 m/s左右及13 m/s左右)。下面介紹通過功率曲線模型進一步準確識別異常數據的方法。

3 功率曲線模型

3.1邊緣識別

每個風速區(qū)間中，計算正常數據在風速均值鄰近區(qū)間內的最大值和最小值，作為該區(qū)間內數據上下邊界上的點。

第i個區(qū)間數據集Ui的風速均值為vmean，給定一個較小的鄰近半徑δ，在[vmean-δ,vmean+δ]內的數據集為Qi，計算出Qi最大功率pi,max和最小功率pi,min，即將點(vmean,pi,max)和點(vmean,pi,min)作為第i區(qū)間上下邊界上的點。這樣，由n個區(qū)間的n對上下邊界點構成雙S曲線的功率曲線模型，如圖7所示。

3.2異常狀態(tài)識別

根據功率曲線模型和線性插值算法判斷任意數據點m(vj,pj)是否為異常運行狀態(tài)，即判斷vj對應的功率是否在功率曲線模型的上下邊界之間[16]。

首先，利用公式(12)和公式(13)計算出功率曲線模型上下邊界的每個小區(qū)間的斜率和偏移量：

(12)

(13)

對于任意一組實時數據(vj,pj)，如vi<=vj

(14)

同理，可以計算出vj對應的功率最小值plowest。如果plowest<=pj<=phighest，則該點為正常運行狀態(tài)，否則為異常運行狀態(tài)。根據功率曲線模型對原始數據重新分類，效果如圖8所示。根據聚類得到的正常數據得到機組的功率曲線。

圖8 基于功率曲線模型的重聚類

基于實測風速數據和上述功率曲線可以計算出理論功率，由理論功率和實測功率可以計算出功率殘差?；谏鲜鱿嗤瑪祿玫焦β蕷埐畹臅r序圖如圖9所示。

圖9 功率殘差時序圖

從圖9可以看出，如果使用傳統方法人為的設定一個功率殘差限值，則會將一部分正常運行狀態(tài)誤認為是異常運行狀態(tài)，也會將一部分異常運行狀態(tài)誤認為是正常運行狀態(tài)。本文中提出的功率曲線模型方法能夠根據機組正常運行狀態(tài)自動調整上下限值，實現有效而準確地對異常運行狀態(tài)識別。但是這個方法有時可能會引起過多的警報，解決的辦法是根據需要在邊緣識別步驟中設置上下限系數來擴大功率曲線模型范圍。

4 工程實例

為了驗證本算法的有效性，本文采用8個風場的8臺風機的實測風速-功率散點進行聚類結果分析。以其中3臺風機為例，聚類效果圖如圖10所示，數據來源分別為A風場3#機組1月份數據、B風場12#機組5月份數據、C風場16#機組10月份數據。很明顯，該方法能夠準確識別機組異常運行狀態(tài)。

圖10 基于INNER-DBSCAN的聚類結果

造成3張圖中異常狀態(tài)的原因可能會有多種，像傳感器故障、槳距角控制故障、不合適的葉片角度設置、葉片損壞、控制程序錯誤、限功率運行、環(huán)境條件問題(昆蟲附著、臟物附著、葉片結冰)等。

3臺風機的數據聚類統計指標表示的數據離散程度結果如表1所示。Raw指的是基于原始數據的分析結果，Betz&RC指的是經過Betz和RC曲線剔除極端異常數據后的數據集Upre-normal的分析結果，DBSCAN指的是在數據集Upre-normal基礎上經過經典的DBSCAN算法得到的分析結果，INNER-DBSCAN指的是在數據集Upre-normal基礎上經過本文提出的INNER-DBSCAN算法得到的分析結果。

表1 4個統計指標情形

很明顯，從4種統計分析指標整體上來看，Raw的4項指標均為最大，表示數據離散度最大(即聚合度小)；經過Betz & RC過程后數據聚合度變大；傳統的DBSCAN不能明顯地增加聚合度；而INNER-DBSCAN能夠有效地增加數據聚合度。

以Betz & RC為基礎，DBSCAN對3臺風機的MAE指標平均降低了11%，而INNER-DBSCAN對MAE指標的平均降低指標為60%；DBSCAN對3臺風機的MAPE指標平均降低了2%，而INNER-DBSCAN對MAPE指標的平均降低指標為62%。也就是經過INNER-DBSCAN算法后數據聚合度明顯增大，結合圖10來看，該方法對機組異常運行狀態(tài)進行了有效的識別。

對本文提出的算法編寫MATLAB程序，并在普通PC上運行。以8臺機組單月數據為單位進行處理(經大量實驗表明，以單月數據進行處理時聚類效果最好，數據量過多會造成聚類邊界模糊，數據量過少會造成大量數據被誤認為是噪聲簇)，聚類執(zhí)行時間如表2所示，平均處理時間1.08 s，在處理速度快的服務器上運行，會進一步減少執(zhí)行時間，實時應用性較高。

表2 INNER-DBSCAN 算法的執(zhí)行時間

5 結論

本文提出了基于INNER-DBSCAN算法和功率曲線模型的異常運行狀態(tài)檢測方法?；贐etz理論和RC曲線對數據進行預處理，大大地提高了數據聚類效果，對構建正確的功率曲線模型起到了很好的監(jiān)督作用；利用DBSCAN算法基于密度聚類的優(yōu)勢，結合風機功率曲線散點的分布特點，提出在0.5 m/s小區(qū)間內應用的DBSCAN算法即INNER-DBSCAN算法，得到很好的聚類結果；基于區(qū)間平均風速鄰域最值的方法能夠有效識別機組正常運行數據的邊緣，從而構造出功率曲線模型，利用功率曲線模型對原始數據進行重聚類，并采用4種數據聚類統計指標進行了分析，相對于數據預處理之后的數據聚合度提高了高達62%；該算法在普通PC上學習得到最終的功率曲線模型的執(zhí)行速度較快，時間約為1.08 s，可以對功率曲線模型短時段更新，以對機組異常運行狀態(tài)進行有效檢測。該算法通用性高、計算開銷小，風電機組功率狀態(tài)檢測具有理論研究和工程應用的價值。

[1] TCHAKOUA P, WAMKEUE R, OUHROUCHE M, et al. Wind turbine condition monitoring: State-of-the-art review, new trends, and future challenges [J]. Energies, 2014, 7(4): 2595-2630.

[2] WALFORD C A. Wind turbine reliability: understanding and minimizing wind turbine operation and maintenance costs [J]. Journal of New Energy, 2016, 12(5):1129-1136.

[3] CRABTREE C J, ZAPPALD, TAVNER P J. Survey of commercially available condition monitoring systems for wind turbines [J]. Supergen Wind, 2014, 40(5):90-98.

[4] 馬義松,武志剛. 基于Neo4j的電力大數據建模及分析[J]. 電工電能新技術, 2016, 35(2):24-30.

[5] 肖峰,陳國初. 基于功率預測的含風電場電力系統經濟優(yōu)化調度研究[J]. 電力科學與工程, 2016, 16(10):9-14, 27.

[6] SHOKRZADEH S, JOZANI M J, BIBEAU E. Wind turbine power curve modeling using advanced parametric and nonparametric methods [J]. IEEE Transactions on Sustainable Energy, 2014, 5(4): 1262-1269.

[7] 趙永寧,葉林,朱倩雯. 風電場棄風異常數據簇的特征及處理方法[J]. 電力系統自動化, 2014, 21(1):39-46.

[8] LONG H, WANG L, ZHANG Z, et al. Data-driven wind turbine power generation performance monitoring [J]. IEEE Transactions on Industrial Electronics，2015, 30(4): 356-364.

[9] 李國棟,龐文杰,葛磊蛟,等. 基于改進雷達圖法的光伏并網發(fā)電系統穩(wěn)態(tài)電能質量綜合評估[J]. 電工電能新技術,2016,35(5):8-12,35

[10] ZHANG Z, ZHOU Q, KUSIAK A. Optimization of wind power and its variability with a computational intelligence approach[J]. IEEE Transactions on Sustainable Energy, 2014, 5(1): 228-236.

[11] 黃南天,袁翀,王新庫,等. 基于互信息屬性分析與極端學習機的超短期風速預測[J]. 電工電能新技術,2016,35(10):29-34.

[12] 田增山,王向勇,周牧,等. 基于DBSCAN子空間匹配的蜂窩網室內指紋定位算法[J]. 電子與信息學報, 2017, 31(7): 1228-1237.

[13] NAGARAJU S,KASHYAP M,MAHUA B. An effective density based approach to detect complex data clusters using notion of neighborhood difference[J]. International Journal of Automation and Computing, 2017,20(1):57-67.

[14] 姜建華,楊玉免,邊海燕,等. 改進DBSCAN聚類算法在電子商務網站評價中的應用[J]. 吉林大學學報(理學版),2016,15(2):329-336.

[15] 邱強杰,陳眾,俞曉鵬,等. 基于事件驅動控制理論的風力發(fā)電系統建模[J]. 電力科學與工程,2016,16(8):37-42.

[16] 丁國輝,許瑩南,郭軍宏. 基于DBSCAN聚類算法的多模式匹配[J]. 計算機應用與軟件,2016,56(2):25-29.

Condition Monitoring for Wind Turbines Based on INNER-DBSCAN and Power Curve Pattern

CHEN Jingyu1， CHEN Yuhang2

(1.School of Electrical Engineering, Northeast Dianli University, Jilin 132012, China；2. State Grid Weifang Power Supply Company, Weifang 261021, China)

In the light of the problem of rarely an easy and effective way to monitor the abnormal operation status of wind turbine, a data driven abnormal real-time monitoring method for operation status based on INNER-DBSCAN algorithm and power curve pattern is put forward in this paper. A new constraint is developed by Betz’ theory and RC model to conduct data preprocessing so that the extremely abnormal operation data can be ruled out. Then interval DBSCAN algorithm is proposed for data clustering and hence both normal data and abnormal data could be obtained. Also, the maximum value of the interval neighborhood is utilized to recognize the edge normal operation data of wind turbine, and the power curve pattern is built based on it. Finally, the abnormal operation status is monitored by the upper and lower limit value of the pattern. The performance of the presented method is evaluated using SCADA data sets of eight wind turbines, and the results show this method could effectively monitor the abnormal operation status in real time.

wind turbine; INNER-DBSCAN; real-time monitoring; abnormal operation; power curve pattern

2017-01-03。

10.3969/j.ISSN.1672-0792.2017.08.005

TM614

：A

：1672-0792(2017)08-0027-08

陳警鈺(1996-)，女，碩士研究生，主要研究方向為電力系統安全性分析與控制。