（成都阜特科技股份有限公司，成都 611731）

摘要：健康狀態分析作為一種新的分析方法，是檢測性能退化程度的重要手段，也為高可靠性產品的壽命預測提供了新的途徑。然而，使用傳統的健康狀態分析方法對風機進行性能退化分析，會面臨試驗難度大、成本高等問題。風機在線監測中產生了大量的振動數據，激增的數據中蘊含著重要的風機性能退化信息和知識，亟需進一步挖掘和分析。本文以風機大數據為對象，綜合統計學習及數據挖掘相關理論和技術，提出了基于支持向量數據描述的健康狀態分析方法，通過對監測數據的有效預處理，狀態特征提取和健康狀態模型訓練等步驟后，對風機性能進行退化分析和趨勢預測分析。最后以山東某風電場的風機進行健康狀態分析實例，分析結果與現場檢測一致。

關鍵詞：風機；大數據；健康狀態；數據挖掘；時間序列；預測

Research on health status analysis and prediction of wind turbine based on support vector

YANG Bin-yuan

(Chengdu Forward Technology Co., Ltd. Chengdu 611731, China)

Abstract: As a new analysis method, health status analysis is an important means of detecting the degree of degradation of performance, and also provides a new way for life prediction of high reliability products. However, using the traditional health analysis method to analyze the performance degradation of the wind turbine will be difficult and costly. A large amount of vibration data is generated in the on-line monitoring of wind turbine, and the significant performance degradation information and knowledge of wind turbine are urgently needed to be further excavated and analyzed. based on wind turbine data and the related theories and techniques of statistical learning and data mining, a health analysis method based on support vector data description is proposed, after through the effective pretreatment of the monitoring data, the extraction of the state features and the training of the health state model, carring out wind turbine performance degradation analysis and trend prediction analysis. Finally, a case study of health analysis of a wind turbine in a wind farm in Shandong is given, and the results are in good agreement with field tests.

Key words: Wind turbine; Big data; Health status; Data mining; Time series; Prediction

0、引言

當前風能作為清潔能源在改善中國能源結構方面發揮著越來越重要的作用，但隨之而來的風電場安全性和經濟效益問題也逐漸引起關注。因此，對風機進行健康狀態監測和性能退化分析就顯得尤為重要^[1]。目前，國內外不少學者對風機的故障診斷開展了許多研究。文獻[2]采用K鄰近度異常檢測技術，將非平穩的時域信號轉化為平穩或準平穩的頻域信號，提取故障特征、挖掘故障信息、實現故障預警。文獻[3]提出一種基于支持向量機，融合了風速、發電機轉速以及相關振動的時頻參數等多源信息的直驅風電機組故障診斷方法。文獻[4]基于LabVIEW開發環境和NI CompactDAQ平臺開發的風機齒輪箱健康狀態監測系統，通過采取多種時頻域方法對振動信號進行對比分析，可以快速、準確地確定故障的類型。文獻[5]討論了一種風電SCADA數據的預處理方法，提出了一種基于最小二乘法的風機健康系數計算方法，討論了相應設備的健康狀態監測標準。綜上所述，利用風機監測大數據進行風機健康狀態及性能退化分析和預測的研究工作還比較少，也不是很成熟。

目前風電監測的振動數據動輒十余處, 而且每處的振動信號又可以進行各種時域、頻域分析，運行工況又復雜多變，造成故障決策過程頭緒繁多，很難對風機健康狀態進行有效的分析以及給出明確的結論^[6]。為了解決這個問題，并考慮風機監測數據總量大，數據復雜程度高，本文提出基于支持向量數據描述的風機健康狀態分析方法，該方法建立高級分析模型，能夠高效地從風機監測大數據去粗取精，運用領域知識，精確地分析這些核心數據，發現隱藏的性能退化信息。

3、結束語

針對風機監測數據量大、數據密集和數據波動性強等特點，提出基于支持向量數據描述健康狀態分析方法。方案給出了狀態特征、健康狀態模型及退化度的定義，并給出了相應的具體處理策略，能夠對監測通道狀態對應退化過程進行定量分析。同時，針對風機監測數據狀態特征序列，采用非等間隔灰色預測法對各通道監測數據的狀態特征進行有效預測，進一步地預測分析相應風機部件性能退化趨勢情況。健康狀態分析作為新的研究方向，本文為高可靠、長壽命風機的可靠性研究提供了新的思路和方法，具有重要的研究意義。

作者簡介: 楊濱源(1990-),男,工程師，主要從事風電機組狀態監測與故障診斷研究，E-mail: orient@sc-forward.com

參考文獻：

[1] 汪光陽，周義蓮. 風機振動故障診斷綜述[J]，安徽工業大學學報，2006,23(1).

[2] 顧煜炯，宋磊，徐天金等. 變工況條件下的風電機組齒輪箱故障預警方法[J].中國機械工程，2014(10) :1346-1351．

[3] 安學利，趙明浩，蔣東翔等. 基于支持向量機和多源信息的直驅風力發電機組故障診斷[J]. 電網技術，2011,35(4) :117-122．

[4] 王建國，孫小明，王少鋒等. 基于LabVIEW的風電機組齒輪箱健康狀態監測系統設計[J]，測控技術，2017, 36(3).

[5] 呂躍剛，吳子晗，陳敏娜. 基于風機健康系數的風電設備狀態監測方法[J]，可再生能源，2015, 33(7).

[6] 劉文藝. 風電機組振動監測與故障診斷研究[D]，重慶大學，2010.

[7] Richman J S, Moorman J R. Physiological time-series analysis using approximate entropy and sample entropy[J]. American Journal of Physiology-Heart and Circulatory Physiology, 2000, 278(6) : H2039-H2049.

[8] 董海鷹，李曉楠，姚軍. 基于粗糙集和灰關聯分析的750 kV變電站故障診斷[J]，高電壓技術，2015, 41(10).

[9] Bekenstein J D. Black holes and entropy[J]. Physical Review D, 1973, 7(8): 2333-2346.

[10] Tax D M J, Duin R P W. Outliers and data descriptions[C]//Proceedings of the 7th Annual Conference of the Advanced School for Computing and Imaging. 2001: 234-241.

[11] Vapnik V. The nature of statistical learning theory[M].  springer, 2000. 

[12] USIAK A，LI Wenyan．Virtual models for prediction of wind turbine parameters[J]．IEEE Trans on Energy Conversion，2010，25(1): 245-252.