基于組合變權理論的風電機組狀態評估*

劉 杰， 楊 娜， 華智廣

(沈陽工業大學 機械工程學院， 沈陽 110870)

近些年，風力發電行業在飛速發展中面臨著諸多困境.多數風場以溫度閾值作為風機系統故障預警的標準，極易出現不報或誤報等問題，不能充分利用風電機組監控系統的實時數據及早發現風電機組可能存在的故障威脅，同時風電機組的運行維護成本較高，這些使風場在風電機組故障出現后損失慘重[1].如何有效利用風電機組的實時數據對風電機組狀態進行評估，發現問題并避免故障的發生是風電機組運行與維護領域最為關切的問題[2].

諸多學者開始對風電機組運行狀態評估展開相關研究，李輝等[3]采用層次分析法對風電機組各指標進行賦權，但層次分析法的主觀性較強，最終不能準確對風電機組的真實狀態做出評估；肖運啟等[4]對模糊綜合評價策略進行了改進，選用“最大隸屬度大于零的最低等級項”原則對風電機組狀態進行評價；郭雙全[5]基于灰色關聯分析方法建立風電機組健康狀態評估模型，對部分故障實現提前報警；田樹仁[6]將小波變換和粗糙集的方法應用在風電機組變流器診斷中，通過計算歐氏距離的大小確定了變流器的故障類型；萬書亭等[7]運用灰色變權理論確定風電機組各指標權重，實現風電機組狀態監測，灰色關聯分析法比層次分析法更客觀，但在確定具有概括性指標權重方面存在一定缺陷.

本文在建立風電機組狀態評估體系基礎上，運用灰色關聯分析與主成分分析相結合的方法計算各指標權重.為了使結果更具合理性，利用變權理論修正，同時引入劣化度確定隸屬函數，形成風電機組綜合評估流程.將上述方法應用在某風場2 MW風電機組SCADA系統數據中，成功評估了風電機組運行狀態，實現故障提前預警.

1 狀態評估指標體系與評估方法

以對風電機組運行狀態產生影響的相關參數為基礎，確定目標層、項目層和指標層共23項風電機組狀態評估指標，最終建立如圖1所示的風電機組狀態評估體系.

圖1 風電機組狀態評估體系Fig.1 Wind turbine state assessment system

1.1 灰色關聯和主成分相結合的組合賦權方法

1.1.1 灰色關聯分析法求解指標權重

灰色關聯分析法作為衡量因素間關聯程度的方法，通過計算各子系統(或因素)樣本數據間的關聯度，確定各子系統(或因素)間的關系強弱、大小及次序，其優點是對樣本量不做要求[8].分析的關聯系數表達式為

(1)

各指標權重計算表達式為

(2)

(3)

式中，m、n分別為關聯系數及權重的數量.

1.1.2 主成分分析法求解指標權重

首先需要對原始數據進行標準化，其計算表達式為

(4)

(5)

式中，rij為與zij對應的相關系數.貢獻率與組成分載荷計算表達式分別為

(6)

(7)

式中：λi為非負特征量；aij為單位分量.

根據上述主成分分析方法和式(6)～(7)，借助SPSS中因子分析等工具箱，確定指標體系中第二層、第一層的權值[9].

1.1.3 確定組合權重

設灰色關聯法得到權重為W1=[w11，w12，…，w1t]，且滿足w1i∈[0，1]；設主成分分析法得到權重為W2=[w21，w22，…，w2t]，且滿足w2i∈[0，1]，則組合權重可表示為

W=χW1+δW2

(8)

式中，χ+δ=1，χ、δ根據權重期望值求得，即

(9)

最終χ、δ的計算表達式可表示為

(10)

1.1.4 變權理論修正

風電機組的某些參數嚴重偏離正常值時，不利于風電機組運行狀態的正確判斷，為把權重小的指標狀態變化對評估結果帶來的影響降到最低，需實時調整各指標權重系數以對風電機組的真實狀態做出正確評估.本文引入變權理論完成權重修正，變權理論計算表達式為

(11)

1.2 隸屬函數確定

SCADA監控系統數據是反映風電機組狀態優秀與否的基礎，因此，加入劣化度來表示風電機組實際狀態與優秀狀態的偏離程度，取值為[0，1].

對于風電機組振動、溫度和位移等越小越優型指標，其計算表達式[10]為

(12)

對風電機組壓力和速度等中間型指標，其計算表達式[10]為

(13)

式中：x為評估指標的實測值；[xmin，xmax]為指標的正常范圍；[xzjmin，xzjmax]為指標的最佳范圍.

評估語集是指機組狀態綜合評價結果的集合，根據風電機組的運行狀態最終將評估語集定為“優秀”、“良好”、“注意”、“惡劣”，即

H={優秀，良好，注意，惡劣}={h1，h2，h3，h4}

評估矩陣為

(14)

式中，MRij(j=1，2，3，4)為評估指標Rij在評估集中的狀態hi(i=1，2，3，4)對應的隸屬度.

為了將結果的差異性降到最小，根據式(12)或(13)對指標劣化度進行計算，最終選用三角形與梯形相結合的分布隸屬函數(見圖2)確定各評估指標的隸屬函數.

圖2 半梯形和三角形組合的隸屬函數分布Fig.2 Distribution of half-ladder-shaped and triangular membership function

2 SCADA監控系統數據分析

2017年7月1日14∶01某風場一臺2 MW風電機組發生故障停機，以該風電機組SCADA監控系統數據為基礎，提取該風電機組故障停機前部分數據(見表1)，以此進行狀態評估.

2.1 評估方法分析

1) 組合變權.根據表1給出的某風場2 MW風電機組SCADA系統數據進行權重計算.灰色關聯分析法及主成分分析法確定的指標權重結果如表2～3所示.

表1 風電機組SCADA數據Tab.1 SCADA data of wind turbines

表2 灰色關聯分析法確定的指標權重Tab.2 Indicator weights determined by grey correlation analysis method

表3 主成分分析法確定的指標權重Tab.3 Indictor weights determined by principal component analysis method

根據式(9)～(10)最終求得χ=0.5，δ=0.5，將上述系數和W1、W2代入公式，得到最終組合權重的表達式為

W=0.5W1+0.5W2

經式(11)變權后的組合變權值結果如表4所示.

表4 組合變權值Tab.4 Combined variable weights

2) 劣化度及評估矩陣.計算各指標的劣化度均為g≤0.9，以10∶30時風電機組齒輪箱為例，得到對應評估矩陣為

3) 狀態評估.對齒輪箱R1運行狀態進行評估，即

B1=[0，0.010 4，0.568 9，0.420 6]

再對發電機R2、控制柜R3和機艙R4進行評估，結合各部分權重分配最終得到

B=[0.021 0，0.172 3，0.418 5，0.388 2]

根據隸屬度最大原則可知B中最大值為0.418 5，判斷當前風電機組總體上所處狀態為“注意”，同樣對11∶00時進行計算得到

B=[0.013 5，0.199 4，0.305 7，0.481 4]

綜合上述結果可知，風電機組運行狀態依次經歷“注意”、“惡劣”.據風場相關人員反映，風電機在14∶01發生故障停機，風電機的狀態評估結果與風電機組的實際運行相符，對11∶00時的風電機組各評估指標進行分析，得到R11的劣化度為0.748 0，R29的劣化度為0.770 7，雖仍舊小于0.9，但已經接近最大劣化度，且從表1中可以看出，齒輪箱前軸溫度和發電機轉速接近限值，故風機出現嚴重故障的原因主要是齒輪箱前軸溫度過高、風機轉速過大導致.

2.2 分析結果比較及故障預警點確定

將組合變權方法得到的評估結果與灰色關聯法得到的評估結果進行對比，結果如表5所示.由表5可知，兩種方法評估結果不一致，11∶00時風機已惡劣運行，而傳統方法評估還處于“注意”狀態，故改進方法的評估結果與風電機組的實際運行狀態相契合.

表5 運行狀態評估結果對比Tab.5 Comparison of operating state evaluation results

在10∶30與11∶00兩個時刻，采用組合變權方法得到的風電機評估結果分別為“注意”和“惡劣”，于是取10∶30與11∶00間四個時刻數據進行計算，結果如表6所示.

表6 10∶30～11∶00風電機組運行狀態評估結果Tab.6 Operating state evaluation results of wind turbines from 10∶30 to 11∶00

由表6可知，10∶44時風機運行開始進入“惡劣”狀態，之后一直維持“惡劣”狀態，故應在10∶44時啟動故障預警.

3 結 論

本文通過分析與風電機組監控系統相關的參數，明確包含目標層、項目層和指標層共計23項指標后，構建風電機組狀態評估體系，提出組合賦權再變權方法，并加入劣化度的思想，形成風電機組狀態綜合評估流程.實例分析表明，變權理論通過對權向量進行動態調整，解決了狀態失衡的問題，與傳統方法相比，組合變權方法所得評估結果能更好反映風電機組的實際運行狀態，最終實現風電機組運行的異常狀態識別和故障預警，為管理者及時準確地把握風電機狀態提供幫助，避免故障發生.