風電機組健康狀態評估模型的設計與應用

文 | 朱永峰，張興林，宮婉綺

在傳統能源不斷減少的今天，世界各國已經將目光轉到可再生能源的開發上來。風能作為一種綠色清潔的可再生能源，已經引起了我國的廣泛研究和使用。其中，風電機組的健康正常運行一直都是保證風電場盈利水平的主要手段和影響因素。

每年因風電機組故障損失的發電量和維護費用都給風電場帶來巨大的經濟損失。從減少故障維護時間和維護成本上來說，一個能夠對風電機組的健康狀態進行評估并且能夠對風電機組故障進行預測的模型是必要的。

本文提出的健康模型是以平行空間理論作為本模型理論支撐點，以大數據技術作為建模的技術手段，來創建基于平行空間理論的設備狀態監測模型來提高風電機組運行效率，減少風電機組維護帶來的損失。

基于平行空間理論的設備狀態監測模型ECMM

由上節可知，本節需要提供一個健康模型來實時檢測風電機組的健康狀況。平行空間又稱平行宇宙，而平行宇宙的概念并不是因為時間旅行悖論提出來的，它是來自量子力學，因為量子力學有一個不確定性，就是量子的不確定性。平行宇宙概念的提出，得益于現代量子力學的科學發現。在20世紀50年代，有的物理學家在觀察量子的時候，發現每次觀察的量子狀態都不相同。而由于宇宙空間的所有物質都是由量子組成，所以這些科學家推測既然每個量子都有不同的狀態，那么宇宙也有可能并不只是一個，而是由多個類似的宇宙組成，因此平行宇宙的數量并不是確定的。風電機組在運行的時候，由于環境因素的變化、自身硬件設備使用壽命的差別，發生故障等因素的不同，導致風電機組運行狀態發生變化，且變化的狀態數量也是不確定的。由于平行空間具有多個空間共存且每個空間相同事物存在不同狀態的特性與數個風電機組整個生命周期的某一時刻中具有多個狀態且每個狀態不同具有相似的特點。因此，本文結合了平行空間的理論，給出基于平行空間理論的設備狀態監測模型ECMM。

綜上，本節將分別介紹基于平行時空理論的設備狀態監測模型ECMM，并給出基于ECMM模型的風電機組健康狀況評估的方法。

一、 基于平行空間理論的設備狀態監測模型ECMM的理論模型

構建基于平行空間理論的設備狀態監測模型ECMM的理論模型過程如圖1所示，主要分為三個階段，平行空間劃分、平行空間衍生、健康值計算。

（1）平行空間劃分

首先，數據預處理。利用集控中心大數據平臺收集各風電場所有風電機組全參數的歷史數據，根據風電機組各參數自身數據意義和取值范圍結合大數據技術對收集的數據進行清洗、去臟、修復等數據預處理工作。

圖1 基于平行空間理論的設備狀態監測模型ECMM的理論模型

其次，健康時間段的提取。風電機組在無故障、誤報警且穩定運行的狀態為風電機組健康的運行狀態。在風電機組全生命周期的時間軸上，扣除風電機組運行不健康的時間段包括：報警的時間段、故障及故障的征兆時間段、停機的時間段、無通訊時間段。所剩的時間段即為健康的時間段。

最后，平行空間的形成。風電機組在不同的環境因素下，能夠健康運行時的各個參數所處的健康值也不相同。因此，將環境條件按風速、溫度、大氣壓力、空氣密度、生命時間等多個維度，并對各個維度進行步長的劃分。按照步長所切割好的維度組合在一起，就是一個空間，而所有的相同生命時間的空間就組成了平行空間。

（2）平行空間的衍生

在風電機組的全生命周期里，隨著生命時間的推移，風電機組所處的環境的不斷變化，風電機組會沿著時間軸由一個空間的健康狀態演變成另一個空間的健康狀態，而此過程是按照時間軸單向的。而最開始的一個多個空間狀態根據環境變化的不同不斷衍生出數個平行空間狀態。

（3）健康值計算

提取風電機組屬于各個空間的健康數據，利用各個參數的業務意義與數據挖掘算法等進行各個參數在該多維環境分組下的特征值的計算，包括值域范圍、平均值、聚類后的范圍、權值等，代表該多維環境的各個參數的特征值。而將各個參數有屬于自己的權重，利用各個參數的權重以及自身的特征值，計算出該空間風電機組健康狀態的健康值。

二、基于平行空間理論的設備狀態監測模型ECMM的應用模型

上一小節給出了ECMM模型的理論模型的構建方法。但是，由于理論模型需要大量同型號風電機組全生命周期的數據作為理論支撐，且最終的平行空間數量不可評估，以目前集控中心所收集的數據是達不到的。因此，本小節將給出基于平行空間理論的設備狀態監測模型ECMM的應用模型，如圖2所示，主要分為兩個階段，風電機組健康狀態生成和風電機組健康狀態間的轉換。

（1）風電機組健康狀態

首先，數據預處理。此過程與ECMM理論模型相同。

其次，健康時間段的提取與劃分。健康時間段的提取過程與理論模型健康時間段的提取過程相同，扣除風電機組運行不健康的時間段，所剩的時間段即為健康的時間段。由于風電機組在進入某環境空間的初始N分鐘內處于過渡期和N分鐘后參數運行狀態差異變化較大，因此在風電機組全生命周期上將分為穩定期狀態與過渡期狀態，并根據實際統計將不同的穩定狀態間切換時所需的不穩定時間長度值作為分割點。將相同機型全部風電機組在全生命周期健康時間段上，所有被分隔好的不同狀態切換的過渡期時間段和穩定期時間段的數據分別收集。

最后，健康狀態的生成。以收集好的穩定期健康時間段為例，同樣將環境條件按照風速、溫度、大氣壓力、空氣密度等多個維度，并對各個維度進行步長的劃分，此處忽略理論模型中的生命時間。按照步長所切割好的維度組合在一起，就是一個空間，而所有的空間就組成了平行空間。在收集好的時間段中，會有很多數據屬于同一個空間，因此我們對屬于同一個空間的數據進行計算分析得出不同空間中的數據范圍及特征叫做該條件環境下的狀態。

（2）風電機組健康狀態轉換

在風電機組運行時，隨著時間的推移，周圍環境的變化，風電機組會在健康模型上找到屬于當前環境下的空間即健康運行的狀態。由于收集的數據有限，也會出現沒有對應的空間，因此需要對此風電機組當前狀態進行判斷，如果滿足上述的健康時間段的運行狀態，平行空間可以擴展，即可以通過自學習的方式彌補之前由于數據收集不足造成的缺少部分對應空間的現象。

綜上所述，ECMM應用模型在創建時并不是按照風電機組全生命周期的時間軸順序發生的過程創建的，而是依賴于環境因素的變化創建的。在風電機組實時運行時，會自動檢索此時對應的空間，并通過計算能夠知道此時的健康狀態的值與空間里計算好的健康狀態的值的差異性。而ECMM理論模型的建立是需要大量相同機型風電機組全生命周期的數據作為支撐的，在數據量達不到的情況下，ECMM應用模型具有明顯的優勢和實用性。

圖2 基于平行空間理論的設備狀態監測模型ECMM的應用模型

基于ECMM模型的風電機組健康狀況評估方法

前文描述了如何構建ECMM模型，本節將主要描述基于ECMM應用模型對風電機組的健康狀況進行評估的方法，如圖3所示。

基于ECMM模型的風電機組健康狀況評估方法主要分四個階段：風電機組自身健康狀態評分、同機型健康狀態評分、風電機組綜合評分、健康狀態預測。其中風電機組實時數據作為模型的輸入數據，利用模型對比算法得到同機型健康狀態評分、自身健康狀態評分，最后需要綜合評分算法計算出風電機組綜合評分。利用環境預測的算法來預測風電機組的狀態。

（1）風電機組自身健康狀態評分

通過對風電機組實時數據進行監測、采集，利用ECMM模型的對比算法，求出同機型健康狀態評分。下面將給出模型對比算法的流程進行描述，如圖4所示。

利用風電機組的實時監控系統對風電機組全參數進行監測。并根據此時環境各維度的值以及風電機組在當前環境中運行時長來檢索相應的ECMM模型中的平行空間。并根據平行空間中風電機組參數計算特征值的方式，求出此時風電機組相應的各個參數的特征值。每當有一個參數的特征值不滿足平行空間中所給出該參數特征值的健康范圍，則健康值需要減去該參數的權重值以及相應每個參數所需要減掉的參數值，剩余的健康值即為該時刻風電機組運行的健康值。

例如，風電機組完全健康時的健康值為100，除了環境各個維度的參數以外，還有 A、B、C、D、E五個參數。假設其中A、B、C三個參數的特征值不符合所對應的平行空間A、B、C三個參數特征值的健康范圍，因此，該風電機組當前時刻的健康值為100-a×x1-b×x2-c×x3，其中a、b、c分別為A、B、C三個參數的權重值，x1、x2、x3分別為A、B、C三個參數不滿足健康范圍時需要扣除的健康值。

（2）同機型健康狀態評分

同機型風電機組的健康狀態能夠反映出該機型風電機組優勢以及普遍存在的問題，反饋給風電機組制造廠家，有助于廠家對該機型的優勢進行升級而對問題進行修復，提升企業產品質量、服務，同時也為企業拓展新產品提供新思路。

統計性健康狀態評分是由三部分組成：同風電場該機型風電機組的不合格率、優秀率、平均成績組成。自定義風電機組合格限值，不滿足限值的臺數與總臺數相比的百分數即為不合格率。同理，自定義優秀限值，超過限值的臺數與總臺數相比的百分數即為優秀率。而平均值，即為將優秀與不合格的風電機組去掉后，所剩的風電機組的平均值，這樣避免了部分優秀風電機組或不合格風電機組來影響風電場整體風電機組的健康值。同時，如果該平均值持續一段時間很低的話，說明該型號風電機組存在普遍的問題，需要及時與該型號風電機組的廠家聯系。

圖3 基于ECMM模型的風電機組健康狀況評估方法圖

圖4 健康狀態評分流程圖

（3）風電機組綜合評分

風電機組綜合評分反饋的是該風電機組在整個風電場相同機型中的健康狀況。綜合評分的算法是通過持續一段時間的自身的健康狀況與同機型其他風電機組的橫向比較，來觀察該風電機組的健康狀態穩定程度和變化率。

（4）預測風電機組狀態

利用引入的環境預測數據，并根據ECMM模型檢索出相對應的空間，從而預測出風電機組未來的狀態。

綜上，基于ECMM模型的風電機組健康狀況評估的方法主要是根據實時檢測風電機組的各個參數值，利用環境參數找出ECMM模型中相應的平行空間，并利用空間中各個參數特征值的算法求出此時該風電機組各個參數的數值，并判斷是否在平行空間所給出的健康范圍內，不滿足進行健康值的減分計算。同時，對全風電場同機型所有風電機組健康值進行匯總計算，得出整個風電場該機型的健康狀況，并利用風功率預測中的環境預測值進行風電機組運行狀況的預測。對風電機組的健康情況進行了全面的檢測和評估。

結語

本文針對目前風電場不能夠有效地對風電機組的健康狀況進行評估，最終由于故障而導致風電機組停機帶來的經濟效益的損失提出了解決方案。首先提出的基于平行空間理論的設備狀態監測模型ECMM的理論模型和應用模型是以平行空間理論作為本模型理論支撐點，以大數據技術作為建模的技術手段進行創建的。并給出了基于ECMM模型的風電機組健康狀況評估的方法。由于本文僅從風電機組運行的健康角度考慮，忽略掉了風電機組發生故障時的狀態。結合平行空間思想筆者針對不同風電機組的不同故障分別建立了故障模型用以風電機組故障的預測和診斷，故障模型數量較多，范圍較廣。整體上健康模型與故障模型互相驗證，全方位地保證了風電機組的運行狀態。