不確定問題在風力發電機故障診斷中的研究

侯　爽（長春科技學院，吉林 長春 132012）

不確定問題在風力發電機故障診斷中的研究

侯爽
（長春科技學院，吉林 長春 132012）

風力發電機故障診斷往往通過測試手段和診斷理論對風力發電機的運行狀況進行推理，找到故障機理及原因，但實際采集到的數據信息大多在不確定因素工況工作下采集的，又由于風力發電機本身設備結構的復雜性、運行環境的惡劣性，使得風力發電機的故障表現與故障原因之間不是簡單的映射關系。存在著各種隨機的、模糊的、不確定的因素，針對不確定性，目前有很多不確定理論和方法用來解決風力發電機故障診斷的問題。

傳統風力發電機；故障診斷方法

1 引言

世界面臨著能源短缺的問題，學者們對新能源的探索從來沒有停止，風力發電在大形勢下也迅猛發展，由于風里發電機結構的復雜性，內部結構錯綜交錯，元件之間相互聯系、相互耦合，使發電機在運行時會出現很多故障，而得到的各種形式的故障信息又具有自耦合性、不精確性、模糊性的特點，使得傳統的故障診斷方法的應用就有了一定的局限性，新的針對不確定問題的診斷方法也應運而生。

2 傳統風力發電機故障診斷方法

（1）系統可靠性框圖

系統可靠性框圖是一種從可靠性的角度出發，來研究系統和部件之間的邏輯關系，可以表示各部分元件與總系統狀態之間的關系。

（2）故障樹分析

故障樹故障診斷方法，其安全性和可靠性都很高，是根據故障形成的原因和結構形成的倒樹狀的結構，故障樹上的事件可分為頂事件、中間事件和底事件，其中頂事件是系統不希望發生的事件，底事件和中間事件的發生影響著頂事件的發生，將三個事件之間根據一定的邏輯門關系，就構成了故障樹，故障熟的實質是反映信息間因果關系的結構圖。

（3）傳統的專家系統的故障診斷方法

傳統的專家系統是指在專門領域上通過知識獲取手段，將領域專家能解決的領域問題編輯和生成知識庫，并建立人機交互界面，使用戶可以像專家一樣診斷困難和無法自己解決的復雜問題。上述幾種方法在一段時間內解決了風力發電機的故障，但隨之風力發電機裝機容量的增加，結構復雜程度的增加，這些傳統的方法很難解決由于系統復雜性引起數據信息模糊性、不確定性、自耦合性的問題，使得對于風力發電機故障診斷的難度增大，因而引進對于此類因素所引起故障的研究。

3 不確定問題風力發電機故障診斷方法

不確定性問題一直制約著風力發電機故障診斷的發展，下面介紹現代對于風力發電機系統運行存在的不確定性、模糊性所提出的一系列診斷方法。

（1）粗糙集故障診斷

以風力發電機振動數據的采集，結合國內外風力發電機數據，得到風力發電機故障樣本模型數據庫，將數據庫應用粗糙集方法形成決策表，對決策表進行分類、約簡、形成核，得到最優決策表，最終在保持決策能力不變的情況下，剔除冗余屬性，使得故障診斷更加快速和實時。

（2）模糊集故障診斷

風力發電機實際運行狀態往往介于正常與非故障狀態，是一個不斷變化的過程，因而設備所表現的出來的狀態和征兆是一類模糊的數值，可運用模糊集進行模糊故障診斷，模糊集中的隸屬函數和模糊關系矩陣建立模糊診斷數學模型，來描述故障和征兆之間的模糊關系，來實現對于風力發電機的故障診斷。

（3）貝葉斯網絡故障診斷

貝葉斯網絡模型能夠有效降低網絡結構的復雜性，降低故障特征獲取的難度，貝葉斯網絡實現概率推理更簡便的描述風力發電機故障特征的變化，以及對風力發電機產生故障的原因進行分析。將風力發電機振動數據的特征量及變量與系統模型之間對應的映射關系建立貝葉斯網絡，針對風里發電機工作原理及故障結構特征，建立風力發電機故障信息貝葉斯網絡模型，提出了可以不斷進行學習并且準確率更高的在線式貝葉斯網絡故障診斷學習方法。

（4）隨機集故障診斷

建立故障構造的論域并在超冪集上定義隨機集，根據已經建立的故障信息樣板與待檢測信息找到模糊隸屬度函數，利用隨機集的信任測度和似真測度對待檢測信息和故障信息樣板進行匹配，并將匹配程度作為診斷的依據。

（5）現代專家診斷系統

與傳統專家系統相比，注入了新的技術，包括神經網絡、模糊技術、D-S證據理論、信息論等。由于新注入技術的特點和傳統專家本身有的特點，使得現代專家系統可以處理由于風力發電機運行條件復雜所致使的信息數據的模糊性、隨機性和不確定性問題。

（6）小波分析故障診斷方法

在傅里葉分析的方法上發展起來，此方法在時域和頻域上都有其優越的性能，小波變換可以用來檢測信號的不規則點來對整個系統的工作狀況進行判斷。

（7）神經網絡的故障診斷方法

人工智能網絡有很多優點，包括容錯性、自適應性、魯棒性、自學習性等，在故障診斷方面也有一定的優越性，可以提供行之有效的方法和解決故障的途徑。在故障診斷系統中神經網絡系統，一般包括兩個階段，訓練學習階段和診斷匹配階段。

（8）多方法相結合的故障診斷方法

隨著科學和技術水平的不斷提高，傳統的單一的故障診斷方法已經不能夠滿足人們對復雜系統的故障診斷，研究者不斷的嘗試將多種智能診斷方法相結合，來尋找更好的診斷方法，一些診斷方法結合后可以互補在各自方法中存在的不足，并將各自方法的優點發揮到最好。以下為結合的故障診斷方法。

（a）模糊類：模糊K-緊鄰、模糊診斷專家系統、模糊神經網絡、模糊自適應、故障樹等；

（b）粗糙類：粗糙神經網絡、人工魚群優化粗糙集、粗糙集與支持向量機、粗糙集與粒子群優化BP網絡、粗糙集與證據理論等；

（c）貝葉斯類：貝葉斯與粗糙集、貝葉斯網絡融合算法、聯結樹貝葉斯網絡、模糊貝葉斯等；

（d）隨機集類：隨機集含糊證據、模糊隨機集、隨機集與條件證據、Dempster-Shafer證據理論等。

結語

本文從多方面介紹了風力發電機運行中針對自耦合性、不確定性、模糊性的信息進行診斷的方法，根據診斷數據的不同選取合適的診斷方法，達到更好的診斷效果，并闡述由于風力發電機故障信息的復雜性，多種方法融合的故障診斷方法有一定的優越性。隨著新技術新發放的不斷出現，對于風力發電機故障診斷的方法也會越來越完備、合理。

[1]余維.變電站故障診斷的事件不確定性問題研究[J].電力系統保護與控制，2012 （08）.

TH12

A