基于SCADA參數(shù)關(guān)系的風(fēng)電機(jī)組部件重要度分析

程詩(shī)雨，劉 航，曾天生，陳漢斯，王 崢，褚學(xué)寧

（1.上海交通大學(xué)，上海 200240；2.鄭州航空工業(yè)管理學(xué)院，河南 鄭州 450015）

0 引言

風(fēng)電機(jī)組大多工作在氣候惡劣的環(huán)境，發(fā)電性能不穩(wěn)定，維護(hù)維修成本高昂[1]。而機(jī)組由風(fēng)輪、齒輪箱、發(fā)電機(jī)、機(jī)艙等多個(gè)部件構(gòu)成，根據(jù)部件性能與整機(jī)性能的相關(guān)程度，即部件重要度，有針對(duì)性地制定維護(hù)維修策略，可以減少停機(jī)，降 低 成 本[2]，[3]。

部件重要度分析已在許多領(lǐng)域得到應(yīng)用。Roychowdhury S[4]提出了一種根據(jù)對(duì)稱耦合系統(tǒng)的部件重要度調(diào)整部件位置，提高系統(tǒng)性能的方法。Xu Z[5]將復(fù)雜網(wǎng)絡(luò)系統(tǒng)受到干擾后各部件的恢復(fù)能力作為評(píng)價(jià)指標(biāo)，提出了一種充分考慮系統(tǒng)彈性的部件重要度評(píng)估方法。Ma Hongzhan[6]綜合層次函數(shù)、特征降維、高斯混合模型等多種數(shù)據(jù)分析技術(shù)來(lái)分析部件重要度，據(jù)此定位產(chǎn)品再設(shè)計(jì)環(huán)節(jié)的關(guān)鍵部件。但是，由于風(fēng)電機(jī)組物理結(jié)構(gòu)復(fù)雜、性能狀態(tài)多變，無(wú)法直接應(yīng)用上述研究成果進(jìn)行部件重要度分析。

風(fēng)電領(lǐng)域中有關(guān)部件重要度分析的研究較少。Sunder S T[7]計(jì)算了高速不穩(wěn)定風(fēng)中風(fēng)電機(jī)組部件Birnbaum重要度，但僅將風(fēng)機(jī)性能狀態(tài)劃分為“正常運(yùn)行”或“停機(jī)”，未考慮“性能輕微下降”、“性能嚴(yán)重下降”等中間狀態(tài)。符楊[8]采用層次分析法對(duì)海上風(fēng)機(jī)9個(gè)主要部件進(jìn)行了重要度排序。劉華新[9]提出了風(fēng)電機(jī)組部件重要度灰色模糊綜合評(píng)判法。上述兩項(xiàng)研究的評(píng)價(jià)標(biāo)準(zhǔn)由于是人為制定，評(píng)估過(guò)程依賴專家打分，主觀性較強(qiáng)。

現(xiàn)代風(fēng)電機(jī)組大多配備數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)（SCADA），以固定頻率采集環(huán)境及風(fēng)機(jī)性能參數(shù)，本文提出一種基于SCADA參數(shù)關(guān)系的風(fēng)電機(jī)組部件重要度分析方法，在保證客觀性的基礎(chǔ)上，考慮風(fēng)機(jī)運(yùn)行性能的多狀態(tài)特性，為維護(hù)維修工作提供參考。

1 研究思路

本文的研究?jī)?nèi)容包括如圖1所示的兩個(gè)步驟：基于SCADA參數(shù)關(guān)系評(píng)估風(fēng)電機(jī)組整機(jī)和部件運(yùn)行性能；建立部件性能與整機(jī)性能關(guān)系模型，分析部件重要度。

圖1 研究思路與方法Fig.1 Researching ideas and methods

步驟1：預(yù)處理SCADA原始數(shù)據(jù)，按時(shí)間分為基準(zhǔn)集和運(yùn)行集；以多項(xiàng)式回歸擬合基準(zhǔn)集“風(fēng)速-功率”關(guān)系，建立運(yùn)行集監(jiān)測(cè)窗口“風(fēng)速-功率”模型，根據(jù)參數(shù)關(guān)系變化計(jì)算整機(jī)性能指標(biāo)；以高斯過(guò)程回歸擬合基準(zhǔn)集“風(fēng)速-部件性能參數(shù)”關(guān)系，預(yù)測(cè)運(yùn)行集風(fēng)速條件下部件性能參數(shù)95%置信區(qū)間，根據(jù)參數(shù)實(shí)測(cè)值落在區(qū)間外的比例計(jì)算部件性能指標(biāo)。整機(jī)和部件性能指標(biāo)連續(xù)取值且一一對(duì)應(yīng)，可以表征風(fēng)機(jī)全部性能狀態(tài)。

步驟2：提出基于森林優(yōu)化算法-K近鄰回歸（FOA-KNR）的部件重要度分析方法；以部件性能指標(biāo)為高維特征項(xiàng)、整機(jī)性能指標(biāo)為一維目標(biāo)項(xiàng)，以特征加權(quán)K近鄰回歸建立部件性能與整機(jī)性能的關(guān)系模型；結(jié)合森林優(yōu)化算法（FOA）更新特征權(quán)重，以模型擬合優(yōu)度評(píng)價(jià)特征權(quán)重的優(yōu)劣，根據(jù)最優(yōu)權(quán)重分析部件重要度。

2 風(fēng)電機(jī)組運(yùn)行狀態(tài)評(píng)估

對(duì)SCADA原始數(shù)據(jù)進(jìn)行5個(gè)步驟的預(yù)處理：①截取最大風(fēng)能追蹤區(qū)數(shù)據(jù)；②刪除不合理數(shù)據(jù)；③Min-Max標(biāo)準(zhǔn)化；④采用局部離群因子算法（LOF）去除離群點(diǎn)[10]；⑤按采集時(shí)間先后劃分為基準(zhǔn)集d和運(yùn)行集D。

設(shè)SCADA共記錄J+2維參數(shù)，最后兩維是整 機(jī) 輸 出 功 率 和 風(fēng) 速。記 時(shí) 刻ti（i=1，2，…）記 錄 的數(shù) 據(jù) 條Xi=（xi，1，…，xi，j，…），j=1，2，…，J+2，xi，j為第j項(xiàng)參數(shù)監(jiān)測(cè)值。以寬度l、步長(zhǎng)p的滑動(dòng)時(shí)間窗分割D，共劃分N個(gè)時(shí)間窗，窗口Dn為

2.1 基于多項(xiàng)式回歸的整機(jī)性能評(píng)估

首先，根據(jù)“風(fēng)速-功率”關(guān)系評(píng)估整機(jī)性能。在d上，基于多項(xiàng)式回歸擬合風(fēng)速PJ+2與功率PJ+1的參數(shù)關(guān)系。

式 中：fJ+1為 功 率 預(yù) 測(cè) 值；am（m=1，2，…，M）為 各 階基準(zhǔn)系數(shù)；M為多項(xiàng)式階數(shù)。

擬合監(jiān)測(cè)窗口Dn中風(fēng)速PJ+2（n）與功率PJ+1（n）的 參 數(shù) 關(guān) 系。

按時(shí)間順序整合整機(jī)性能指標(biāo)序列，C=[C（1），C（2），…，C（N）]T。該 指 標(biāo) 反 映 了 窗 口 內(nèi) 風(fēng)機(jī)“風(fēng)速-功率”參數(shù)關(guān)系偏離基準(zhǔn)的程度：指標(biāo)值越大，整機(jī)性能越差；指標(biāo)值越小，整機(jī)性能越好。

2.2 基于高斯過(guò)程回歸的部件性能評(píng)估

根據(jù)“風(fēng)速-部件性能參數(shù)”關(guān)系評(píng)估部件性能，本文采用高斯過(guò)程回歸（GPR）建立“風(fēng)速-部件性能參數(shù)”關(guān)系模型。在d中：

式中：N為正態(tài)分布；m為均值函數(shù)；K為平方指數(shù)協(xié)方差函數(shù)。

訓(xùn)練該模型，以最大似然估計(jì)法求最優(yōu)超參數(shù)，并預(yù)測(cè)Dn內(nèi)第j維性能參數(shù)值，預(yù)測(cè)值fi，j與基準(zhǔn)值序列的聯(lián)合先驗(yàn)分布。

該指標(biāo)反映窗口內(nèi)風(fēng)速-部件性能參數(shù)關(guān)系偏離基準(zhǔn)的程度：指標(biāo)值越大，部件性能越差；指標(biāo)值越小，性能越好。

3 風(fēng)電機(jī)組部件重要度分析

作為多狀態(tài)復(fù)雜系統(tǒng)，風(fēng)電機(jī)組整機(jī)性能對(duì)各部件性能變化的敏感程度不同。高重要度部件因工作環(huán)境變化、操作不規(guī)范、部件受損或老化等原因發(fā)生性能波動(dòng)時(shí)，整機(jī)性能狀態(tài)會(huì)受到嚴(yán)重影響，須要及時(shí)進(jìn)行維護(hù)維修；而重要度較低部件的性能波動(dòng)則對(duì)整機(jī)影響不明顯，可以降低關(guān)注，以節(jié)約成本。

本文提出一種基于FOA-KNR的部件重要度分析方法，采用特征加權(quán)的K近鄰回歸建立風(fēng)電機(jī)組整機(jī)與部件性能關(guān)系模型，引入文獻(xiàn)[11]提出的元啟發(fā)式FOA算法對(duì)特征權(quán)重進(jìn)行搜索和更新，并根據(jù)最優(yōu)特征權(quán)重進(jìn)行部件重要度分析。詳細(xì)步驟如下。

①整合第2節(jié)性能評(píng)估結(jié)果：

式中：X（n）為Dn的部件性能整合向量，將其抽象為J維空間實(shí)例點(diǎn)；Cj（n）為第j項(xiàng)部件性能指標(biāo)，即實(shí)例點(diǎn)第j維特征值；C（n）為Dn的整機(jī)性能指標(biāo)，即點(diǎn)的目標(biāo)值。

高維點(diǎn)集及目標(biāo)值集一一對(duì)應(yīng)且均可連續(xù)取值，完整表征風(fēng)機(jī)“正常運(yùn)行“到“停機(jī)”范圍內(nèi)可能出現(xiàn)的多種性能狀態(tài)[12]。

②定 義 特 征 權(quán) 重 向 量W=（w1，w2，…，wJ）T，wj（j=1，2，…，J）為 部 件 性 能 指 標(biāo) 權(quán) 重。

③建 立X（n）→C（n）的 特 征 加 權(quán)K近 鄰 回 歸模型：

4 案例分析

案例數(shù)據(jù)來(lái)自葡電可再生能源集團(tuán)（EDPR）公開(kāi)數(shù)據(jù)集，為2 MW雙饋異步風(fēng)電機(jī)組SCADA數(shù)據(jù)，采樣時(shí)間為2016-01-01-2017-12-31，采樣間隔為10 min，包含風(fēng)速、功率及部件轉(zhuǎn)速、溫度等83維參數(shù)。

以風(fēng)電機(jī)組T01作為主要研究對(duì)象，采用第2節(jié)介紹的預(yù)處理方法清洗最大風(fēng)能追蹤區(qū)（風(fēng)速為4～12 m/s）數(shù)據(jù)。預(yù)處理后得到2016年時(shí)序數(shù)據(jù)29 399條，2017年時(shí)序數(shù)據(jù)28 241條，前者為d、后者為D。在D上劃分監(jiān)測(cè)窗口，l為3 600，p為72，取得N為572個(gè)時(shí)間窗。據(jù)經(jīng)驗(yàn)知識(shí)篩選出金屬齒輪箱、變頻器、液壓系統(tǒng)、機(jī)艙、偏航系統(tǒng)、發(fā)電機(jī)、傳動(dòng)軸、風(fēng)輪和變槳系統(tǒng)9個(gè)部件的性能參數(shù)及整機(jī)功率和環(huán)境風(fēng)速。

4.1 運(yùn)行性能評(píng)估

首先，評(píng)估D的整機(jī)性能：取多項(xiàng)式階數(shù)M=3，積 分 上 下 限xi，19max，xi，19min取 風(fēng) 速 理 論 最 值，即 額定風(fēng)速為12 m/s和切入風(fēng)速為4 m/s。整機(jī)性能評(píng)估結(jié)果如圖2所示。由圖2可知，風(fēng)機(jī)整體性能良好，大部分窗口指標(biāo)低于0.4，但存在數(shù)個(gè)峰值，在該時(shí)間窗附近性能明顯下降。

圖2 2017年T01整機(jī)性能評(píng)估結(jié)果Fig.2 Performance evaluation results of T01 in 2017

其次，評(píng)估部件性能：以d中風(fēng)速P19與部件 參 數(shù)Pj（j=1，2，…，17）訓(xùn) 練 高 斯 過(guò) 程 回 歸 模型，計(jì)算D中參數(shù)實(shí)測(cè)值落在95%置信區(qū)間外的比例，得出性能評(píng)估指標(biāo)序列Cj（j=1，2，…，17）。圖3為2017年齒輪箱性能C1、變頻器性能C3、發(fā)電機(jī)性能C10和變槳系統(tǒng)性能C164項(xiàng)評(píng)估結(jié)果。與圖2對(duì)比，整機(jī)指標(biāo)高峰與某些部件指標(biāo)高峰吻合，不同指標(biāo)吻合程度不同，二者存在復(fù)雜的非線性關(guān)系。

圖3 2017年T01部件性能評(píng)估結(jié)果Fig.3 Component performance evaluation results of T01 in 2017

4.2 部件重要度分析

創(chuàng) 建 權(quán) 重 向 量W=（w1，w2， …，w17）T，wj∈{0，0.1，0.2，…，1.0}，j=1，2，…，17，初 始 值 取0.5；設(shè) 定 ΔW=0.1，LS=4，GS=9，TR=10%，AL=5，PL=20；取近鄰點(diǎn)數(shù)K=8，以連續(xù)150次迭代結(jié)果無(wú)變化為終止條件，搜索最優(yōu)特征權(quán)重，結(jié)果見(jiàn)表1。

表1 部件最優(yōu)特征權(quán)重Table 1 Optimal feature weight of the components

發(fā)電機(jī)、傳動(dòng)軸和風(fēng)輪均含一項(xiàng)權(quán)重為1.0的指標(biāo)，其性能與整機(jī)性能關(guān)聯(lián)程度非常高，而偏航系統(tǒng)和變槳系統(tǒng)的權(quán)重偏低，性能下降對(duì)整機(jī)影響較小。取各部件最高權(quán)值作為部件重要度，結(jié)果見(jiàn)表2。

表2 T01風(fēng)機(jī)部件重要度分析結(jié)果Table 2 Component importance analysis results of T01

由表2可知：T01風(fēng)機(jī)的發(fā)電機(jī)、傳動(dòng)軸、風(fēng)輪重要度極高，整機(jī)性能會(huì)隨上述部件性能同趨向、同比例變化；變頻器、齒輪箱、液壓系統(tǒng)重要度較高，僅會(huì)引起整機(jī)性能的小幅變化；機(jī)艙、變槳系統(tǒng)、偏航系統(tǒng)重要度中等或偏低，幾乎不造成影響。對(duì)高重要度部件在運(yùn)行監(jiān)控、維護(hù)維修、備件庫(kù)存等方面應(yīng)提高優(yōu)先級(jí)，反之則可減少投入，以節(jié)約成本。

4.3 結(jié)果討論與分析

前文結(jié)論與經(jīng)典結(jié)論、AHP結(jié)論[8]基本一致，說(shuō)明了本文方法的有效性，但本文發(fā)現(xiàn)變頻器重要度較高（0.7），與普遍結(jié)論有差異。變頻器主要用于調(diào)節(jié)定子轉(zhuǎn)速、實(shí)現(xiàn)過(guò)電壓保護(hù)，保持風(fēng)機(jī)與電網(wǎng)運(yùn)行狀態(tài)一致。若變頻器性能下降，將導(dǎo)致風(fēng)機(jī)狀態(tài)不穩(wěn)定，甚至引起其他部件損毀，降低整機(jī)發(fā)電性能。圖4所示為300～380時(shí)間窗內(nèi)T01整機(jī)及變頻器、偏航系統(tǒng)、風(fēng)輪的性能曲線。由圖4可知，變頻器與整機(jī)性能變化較吻合，但相關(guān)程度明顯低于重要度更高的風(fēng)輪，說(shuō)明了變頻器重要度結(jié)論的有效性。

圖4 300～380時(shí)間窗內(nèi)T01整機(jī)及偏航、風(fēng)輪、變頻器性能水平Fig.4 Performance level of yaw system，rotor，transducer and the whole turbine within the 300～380 time window of wind turbine T01

考察本文方法的魯棒性，對(duì)該風(fēng)場(chǎng)其他3臺(tái)同時(shí)段、同空間運(yùn)行的同型號(hào)風(fēng)機(jī)T06，T07和T11進(jìn)行部件重要度分析，結(jié)果見(jiàn)表3。ΔR2是相較于所有部件重要度相同情況，加權(quán)回歸模型的決定系數(shù)R2提升值。4臺(tái)風(fēng)機(jī) ΔR2均高于8%，同類型風(fēng)機(jī)同部件重要度接近，不同部件區(qū)分明顯。

表3 4臺(tái)風(fēng)電機(jī)組部件重要度分析結(jié)果Table 3 Component importance analysis results of the four wind turbines

為進(jìn)一步說(shuō)明FOA-KNR方法的優(yōu)越性，將其與梯度提升決策樹(shù) （GBDT）、隨機(jī)森林（RF）和RReliefF這3種方法進(jìn)行比較，結(jié)果如圖5所示。

圖5 4種方法重要度分析結(jié)果對(duì)比Fig.5 Importance analysis results comparison of the four methods

由 圖5（b），（c）可 知：在GBDT和RF分 析 結(jié)果中，同一風(fēng)機(jī)不同部件的重要度差異小，不同風(fēng)機(jī)某些相同部件的重要度差異大，在本問(wèn)題上魯棒性不足；風(fēng)輪部件被評(píng)價(jià)為重要度很低，結(jié)論顯然缺乏有效性；RReliefF方法對(duì)數(shù)據(jù)集依賴性強(qiáng)，在 同 機(jī) 型 上 可 能 得 出 如 圖5（d）風(fēng) 輪（S/C/M）、液壓系統(tǒng)（S/C/I）等不一致的結(jié)果。相比之下，本文提出的FOA-KNR方法魯棒性更強(qiáng)、結(jié)論更具參考價(jià)值。

5 結(jié)論

①基于風(fēng)電機(jī)組SCADA參數(shù)關(guān)系評(píng)估部件、整機(jī)性能，并根據(jù)部件性能對(duì)整機(jī)性能的影響程度確定部件重要度，通過(guò)真實(shí)案例驗(yàn)證了方法的有效性和魯棒性。相較主觀評(píng)定方法，運(yùn)行數(shù)據(jù)驅(qū)動(dòng)的分析結(jié)果更客觀、解釋性更強(qiáng)，能夠識(shí)別被忽略的高重要度部件，為維護(hù)維修工作提供了更具參考價(jià)值的建議。

②文章提出的基于FOA-KNR的部件重要度分析方法以部件性能為特征，采用特征加權(quán)的K近鄰回歸模型擬合部件與整機(jī)性能的關(guān)系，結(jié)合FOA搜索最優(yōu)特征權(quán)重，分析部件重要度。該方法充分考慮了風(fēng)電機(jī)組除“正常運(yùn)行”和“停機(jī)”之外的其他性能狀態(tài)，能準(zhǔn)確表達(dá)多狀態(tài)系統(tǒng)中部件與整機(jī)連續(xù)變化的性能水平之間的關(guān)系，比同類方法的魯棒性更強(qiáng)。