融合集對分析和證據(jù)理論的風(fēng)電機組運行狀態(tài)評估

周 湶 ，徐清鵬 ，李 劍 ，王慕賓 ，相晨萌

（1.重慶大學(xué) 輸配電裝備及系統(tǒng)安全與新技術(shù)國家重點實驗室，重慶 400030；2.國網(wǎng)成都供電公司，四川 成都 610000）

0 引言

風(fēng)力發(fā)電作為一種無污染的可再生能源，近年來得到了迅速的發(fā)展，己經(jīng)成為解決資源消耗和環(huán)境污染問題不可或缺的重要力量［1-3］。然而，風(fēng)電機組通常處于極端溫度、大量灰塵及振動、風(fēng)沙、鹽霧等惡劣環(huán)境條件下，且設(shè)備維修與更換費用昂貴，因此及時準(zhǔn)確地對機組運行狀態(tài)進行評估，有利于風(fēng)電場運維檢修計劃的合理安排，對于機組避免嚴(yán)重故障、節(jié)約維護成本、提高發(fā)電可靠性具有重要的意義。

目前，關(guān)于風(fēng)電機組的研究主要集中在機組的單一部件和子系統(tǒng)的狀態(tài)檢測上，如文獻［4］通過分析機組軸承的振動信號，采用神經(jīng)網(wǎng)絡(luò)和支持向量機相結(jié)合的方法評估機組軸承的運行狀態(tài)，具有較好的效果；文獻［5］針對機組齒輪箱采用子空間算法計算正常監(jiān)測數(shù)據(jù)和實際監(jiān)測數(shù)據(jù)的均方根誤差，實現(xiàn)對齒輪箱運行狀態(tài)的評估；文獻［6］基于非線性建模對風(fēng)力發(fā)電機變流器進行分析，采用徑向基函數(shù)實現(xiàn)匝間短路電流的故障識別和診斷。然而，風(fēng)電機組整機結(jié)構(gòu)復(fù)雜，是由風(fēng)輪、發(fā)電機、齒輪箱、保護、變流器等諸多子系統(tǒng)構(gòu)成，僅以機組的某一部件或子系統(tǒng)的狀態(tài)監(jiān)測結(jié)果進行評估，難以形成子系統(tǒng)數(shù)據(jù)融合以及對機組整體狀態(tài)進行評估。

此外，我國風(fēng)力發(fā)電起步較晚，風(fēng)電機組試驗數(shù)據(jù)較為缺乏且獲取的狀態(tài)信息存在不確定性，為此，一些研究學(xué)者基于風(fēng)電場的監(jiān)測數(shù)據(jù)并結(jié)合多種智能信息處理技術(shù)應(yīng)用于風(fēng)電機組整機的狀態(tài)評估，如可拓理論［7］、支持向量機法［8］、模糊綜合評估法［9-11］等，這些方法在實際應(yīng)用中取得了一定的效果。但這些方法在處理信息的不確定性及信息融合方面分析不足，而風(fēng)電機組狀態(tài)評估的問題不僅涉及狀態(tài)參量、信息缺失、模糊評判的不確定性，還涉及子系統(tǒng)的信息融合問題，因此單一的狀態(tài)評估方法并不能全面地處理風(fēng)電機組整機狀態(tài)評估中涉及的不確定性及信息融合問題。

基于上述分析，本文嘗試將集對分析方法和證據(jù)理論有機地結(jié)合，并應(yīng)用到風(fēng)電機組運行狀態(tài)評估中。首先，對風(fēng)電場的檢測和監(jiān)測數(shù)據(jù)進行分類管理和篩選，構(gòu)建風(fēng)電機組運行狀態(tài)評估體系；然后，引入相對劣化度和變權(quán)系數(shù)計算各指標(biāo)參量的劣化度和權(quán)值，同時，基于集對分析理論，依次確定各指標(biāo)參量與狀態(tài)等級間的多元聯(lián)系度；進一步地，引入可信度系數(shù)修正基本信度分配，盡可能避免因證據(jù)沖突造成的評估結(jié)果誤差。然后，采用證據(jù)理論將各子系統(tǒng)的信息融合得到機組整體狀態(tài)評估隸屬度數(shù)值，結(jié)合隸屬度最大原則與信度準(zhǔn)則判定評估結(jié)果。最后，通過監(jiān)測數(shù)據(jù)進行實例分析，驗證了該方法的準(zhǔn)確性和有效性。

1 風(fēng)電機組運行狀態(tài)評估框架的構(gòu)建

1.1 建立評估指標(biāo)體系

風(fēng)電場數(shù)據(jù)采集與監(jiān)控（SCADA）系統(tǒng)的主要功能為定期采集并記錄風(fēng)電機組各部件或子系統(tǒng)的狀態(tài)數(shù)據(jù)，所提供的運行參數(shù)可以比較全面地反映機組運行工況，且采樣周期短可以及時更新數(shù)據(jù)反映機組實時運行狀態(tài)。

本文所選風(fēng)電場SCADA系統(tǒng)包含的監(jiān)測項目共有80多個，按照功能相近、屬性相近、相互獨立等原則將風(fēng)電機組劃分為齒輪箱、發(fā)電機、變流器、控制系統(tǒng)、機艙五大重要部件，以此作為評估體系的子項目層。然后，對應(yīng)各子系統(tǒng)分別選取能反映其運行工況的主要指標(biāo)參量，如：齒輪箱油溫能較為全面地體現(xiàn)齒輪箱工作效率，且齒面膠合、齒面點蝕等故障均可通過油溫體現(xiàn)，軸承溫度則可以體現(xiàn)風(fēng)速變載荷引起的振動和沖擊對齒輪箱的影響，因此選取油溫和軸承溫度反映齒輪箱運行狀態(tài)；發(fā)電機定子繞組絕緣損壞、轉(zhuǎn)子平衡效果差、負荷異常等故障可由繞組溫度體現(xiàn)，而軸承潤滑脂過多或不足、軸承磨損等通過軸承溫度得到顯示，因此主要選取繞組和軸承溫度表征發(fā)電機的運行狀態(tài)，其他子系統(tǒng)依次選取，最終建立的風(fēng)電機組運行狀態(tài)評估模型如圖1所示。

圖1 風(fēng)電機組運行狀態(tài)評估指標(biāo)結(jié)構(gòu)Fig.1 Index system for operating state assessment of wind turbine generator unit

1.2 確定各指標(biāo)的相對劣化度

風(fēng)電機組整機結(jié)構(gòu)復(fù)雜，指標(biāo)參量繁多且量綱和數(shù)量級各不相同，為了有效地對比分析各指標(biāo)參量，引入相對劣化度的分析方法［12］對數(shù)據(jù)進行歸一化處理。針對本文1.5 MW風(fēng)電機組運行狀態(tài)的指標(biāo)參量，主要涉及以下2種劣化度的計算。

a.對于齒輪箱、發(fā)電機、變流器溫度等指標(biāo)參數(shù)，其受風(fēng)速和環(huán)境溫度的影響較大，正常運行時溫度指標(biāo)在較寬的范圍變化，這類參數(shù)需先擬合出其正常運行的參數(shù)公式。以發(fā)電機軸承溫度為例，首先結(jié)合Bin方法［13］和文獻［14］的方法對原始數(shù)據(jù)進行預(yù)處理，獲得發(fā)電機軸承的三維溫度數(shù)據(jù)，如圖2所示。其次，通過數(shù)據(jù)擬合，獲得以風(fēng)速與環(huán)境溫度為自變量的擬合公式和擬合曲面，分別如式（1）和圖3所示。

其中，X21為同時考慮風(fēng)速和環(huán)境溫度時發(fā)電機軸承溫度的擬合值；s為風(fēng)速；T為環(huán)境溫度。

圖2 發(fā)電機軸承溫度處理結(jié)果Fig.2 Results of data processing for generator bearing temperature

圖3 發(fā)電機軸承溫度擬合曲面Fig.3 Fitting surface of generator bearing temperature

對于此類狀態(tài)參數(shù)，實際值與擬合值之差越小越好，采用式（2）計算劣化度：

其中，g為狀態(tài)參數(shù)的劣化度；Δx為參數(shù)實際值與擬合值之差的絕對值；α為參數(shù)處于正常狀態(tài)時的實際值與擬合值的差值的允許值，如果Δx<α則說明參數(shù)處于正常狀態(tài)；β、α分別為Δx的上、下限值，如果Δx>β則說明參數(shù)處于惡劣狀態(tài)。

b.對于電壓、電流、頻率等閾值型參數(shù)，其劣化度的公式為：

其中，α1、α3分別為參數(shù)的上、下限值；α2、α4分別為處于最佳運行狀態(tài)時的上、下限值；x為參數(shù)實際值。

1.3 運行狀態(tài)等級劃分

現(xiàn)有風(fēng)電機組狀態(tài)評估模型中，對于機組運行狀態(tài)等級劃分并沒有統(tǒng)一的標(biāo)準(zhǔn)。 因此，參照文獻［15］，本文將機組的運行狀態(tài)劃分為4個等級，即優(yōu)良、良好、注意、嚴(yán)重，分別用 z1、z2、z3、z4表示，記為集合 Z= ｛z1，z2，z3，z4｝。則機組指標(biāo)相對劣化度與狀態(tài)等級的關(guān)系如表1所示。

表1 相對劣化度與狀態(tài)等級的關(guān)系Table 1 Relationship between relative deterioration degree and state level

1.4 權(quán)值確定

同一評估系統(tǒng)中不同指標(biāo)參量間的權(quán)值分配對該系統(tǒng)有較大影響。通常確定常權(quán)值有數(shù)據(jù)統(tǒng)計法和專家經(jīng)驗法2種方法。風(fēng)電機組故障受環(huán)境影響較大，不同地區(qū)同一類型風(fēng)電機組的故障率數(shù)據(jù)統(tǒng)計存在差異性，僅通過故障率數(shù)據(jù)統(tǒng)計確定常權(quán)值會帶來較大的誤差。專家經(jīng)驗法確定權(quán)值雖然易于實現(xiàn)，但是主觀性強。因此，本文首先基于同類型風(fēng)電機組故障統(tǒng)計數(shù)據(jù)得到各特征指標(biāo)常權(quán)的基值，然后結(jié)合該風(fēng)電場的檢修記錄，請專家進行調(diào)研并對基值進行修正。由此得到各級因素之間的權(quán)值分配如表2所示。

表2 各評價因素的權(quán)值Table 2 Weights of assessment index

當(dāng)風(fēng)電機組某一狀態(tài)量數(shù)值嚴(yán)重偏離正常值，即風(fēng)電機組可能已經(jīng)由于參數(shù)越限導(dǎo)致停機時，若僅依據(jù)常權(quán)系數(shù)來評估機組運行狀態(tài)，由于該狀態(tài)量權(quán)值所占比例小，機組的整體運行狀態(tài)評估可能還是正常水平。因此，依據(jù)常權(quán)系數(shù)并不能準(zhǔn)確地反映風(fēng)電機組真實的運行狀態(tài)。

為體現(xiàn)風(fēng)電機組運行狀態(tài)指標(biāo)參量偏離正常數(shù)值的嚴(yán)重程度，本文利用文獻［16］的方法處理變權(quán)，常權(quán)向量表示為：

則各指標(biāo)參數(shù)相應(yīng)的變權(quán)值為：

相應(yīng)地，變權(quán)向量表示為：

其中，e為變權(quán)系數(shù)，本文取e=0.2。

經(jīng)過上述變權(quán)系數(shù)處理后，若某一指標(biāo)參量劣化程度明顯高于其他指標(biāo)參量時，可以依據(jù)式（4）自動調(diào)整其權(quán)重系數(shù)，劣化程度越嚴(yán)重其變權(quán)系數(shù)就越大，機組整體運行狀態(tài)的評估結(jié)果越差，更加符合機組的實際運行情況。

2 評估模型

2.1 采用集對分析的指標(biāo)層評估

集對分析理論是一種用于處理系統(tǒng)不確定性的定量分析方法，具有概念清晰、算法簡單及評價結(jié)果直觀等優(yōu)點，現(xiàn)已初步應(yīng)用于電網(wǎng)投資風(fēng)險評估、電能質(zhì)量評估、變壓器可靠性評估等領(lǐng)域［17-19］。文獻［20］將其應(yīng)用于風(fēng)電場風(fēng)速的預(yù)測中，處理風(fēng)速預(yù)測過程中的不確定性，增強預(yù)測風(fēng)速的穩(wěn)健性取得了較好的效果。

a.集對分析原理。

集對分析的本質(zhì)是將確定性和不確定性同時包含于一個系統(tǒng)中，并對系統(tǒng)作“同一度、差異度、對立度”3個方面的劃分，從而全面刻畫2個集合之間的相互聯(lián)系。假設(shè)2個集合A1和A2組成集對H=（A1，A2），則可從該問題背景下的同異反三方面建立2個集合的聯(lián)系度：

其中，i為差異不確定系數(shù)，取值區(qū)間為［-1，1］；j為對立系數(shù)，規(guī)定取值為 -1；a、b、c為聯(lián)系分量，滿足歸一化條件，即a+b+c=1。

為滿足實際系統(tǒng)中多元層次的需求，可以對聯(lián)系度作不同層次的擴展，通過對b的擴展得到K元聯(lián)系度：

其中，it為差異不確定系數(shù)的組分；bt為差異度的不同級，仍然滿足歸一化條件a+b1+b2+…+bK-2+c=1。

b.集對分析算法。

假設(shè)指標(biāo)體系共有M個特征量，指標(biāo)參數(shù)xkl構(gòu)成集合Xk，狀態(tài)等級為K級，指標(biāo)參數(shù)各狀態(tài)等級構(gòu)成集合 Z=｛z1，z2，…，zK｝。則 Xk與 Z 構(gòu)成集對 H=｛Xk，Z｝，集對 H 的 K 元聯(lián)系度 μkl可表示為：

其中，akl為指標(biāo)Xkl與 n（n=1，2，…，K）級狀態(tài)等級的同一度；bkl，K-2為指標(biāo)Xkl與n級狀態(tài)差異K-2級的差異度；ckl為指標(biāo)Xkl與n級狀態(tài)等級差異K-1級的對立度。

為表述方便，將K元聯(lián)系度進行簡化定義：akl為指標(biāo)Xkl隸屬于Z第1級狀態(tài)等級的程度；bkl，1為指標(biāo)Xkl隸屬于Z第2級狀態(tài)等級的程度；bkl，2為指標(biāo)Xkl隸屬于Z第3級狀態(tài)等級的程度；bkl，K-2為指標(biāo)Xkl隸屬于Z第K-1級狀態(tài)等級的程度；ckl為指標(biāo)Xkl隸屬于Z第K級狀態(tài)等級的程度。因此，集對H=（Xk，Z）的K元聯(lián)系度可以表示為：

其中，ωkl為指標(biāo)Xkl的權(quán)重。

針對本文構(gòu)建的風(fēng)電機組運行狀態(tài)指標(biāo)體系，各指標(biāo)參量Xkl的相對劣化度與n級狀態(tài)等級構(gòu)成集合對，其K元聯(lián)系度μkl可依據(jù)模糊屬性規(guī)則確定：

其中，r1、r2、…、rK-1為各狀態(tài)等級的閾值，0＜r1＜r2＜…＜rK-1＜1。

狀態(tài)等級與區(qū)間閾值的關(guān)系如表3所示。K=4時，μkl的示意圖如圖4所示。

表3 狀態(tài)等級與區(qū)間閾值的關(guān)系Table 3 Relationship between state level and threshold interval

圖4 聯(lián)系度μkl的示意圖Fig.4 Schematic diagram of correlation degree μkl

2.2 基于證據(jù)理論的信息融合及決策模型

D-S證據(jù)理論是Dempster于1967年提出，后由Shafer發(fā)展和完善而形成的一種不確定性推理和處理方法。通常多特征信息之間存在一定的冗余性和互補性，依靠證據(jù)融合處理能夠最終消除或降低這些不確定性，達到目標(biāo)識別的目的。

本文采用證據(jù)融合方法處理不同特征量的信息，應(yīng)用于機組狀態(tài)評估決策層的信息融合，縮小假設(shè)集，提高決策能力。

（1）確定辨識框架。

證據(jù)理論的論域稱為辨識框架，對于一個決策問題，將所有可能的結(jié)果的集合用Θ表示，則所關(guān)心的任一命題都對應(yīng)于Θ的一個子集，即Θ為辨識框架。本文的辯識框架為4種狀態(tài)等級以及不確定度 θ，即 Θ=｛z1，z2，z3，z4，θ｝。

（2） 基本信度分配（BPA）。

本文將風(fēng)電機組各子系統(tǒng)運行狀態(tài)信息作為獨立證據(jù)，結(jié)合集對分析得到的各指標(biāo)參數(shù)與狀態(tài)等級的聯(lián)系度，將聯(lián)系度作為證據(jù)理論的基本信度分配。同時，由于不同證據(jù)可信度不同，引入可信度系數(shù)λk表征不同證據(jù)的可信程度，λk值越大表明證據(jù)可信度越高。用可信度系數(shù)修訂證據(jù)合成前的初始BPA，定義如下：

其中，mk（θ）為開放框架后的不確定度；λk由不同特征量之間的相對重要性γk來確定。

其中，λ為優(yōu)先可信度系數(shù)，本文取0.9；ωmax為權(quán)重中的最大值。

（3）證據(jù)融合。

為對多源證據(jù)進行綜合處理，采用證據(jù)合成規(guī)則，計算出最終的基本概率分配和信度函數(shù)，計算方法如下：

其中，m1（Ψ）和 m2（Ψ）分別為 2 個獨立的證據(jù)提供對Ψ的基本概率分配；P反映了證據(jù)的沖突程度，P值越大，沖突程度越大；m（Ψ）即為融合后的BPA結(jié)果。

（4）評估決策。

當(dāng)采用D-S證據(jù)理論將基于多特征量的單信度值融合為一個綜合信度值后，運用隸屬度最大原則和信度準(zhǔn)則綜合評定機組的運行狀態(tài)。具體的原則和方法如下。

a.準(zhǔn)確度原則：所判定的狀態(tài)等級信度函數(shù)值必須大于不確定信度函數(shù)值。

b.隸屬度最大原則：所判定運行狀態(tài)等級應(yīng)具有最大的信度函數(shù)值，即 Bel（Fc）＝max｛Bel（Fj）｝，且所判定狀態(tài)等級和其他等級信度函數(shù)值之差要大于某個閾值，即 Bel（Fc）-Bel（Fj）＞η（η＝0.15）。

c.信度可靠性原則：所判定狀態(tài)等級不確定信度函數(shù)值必須小于某個閾值，即m（Θ）<γ，否則對應(yīng)證據(jù)將會因可靠性過低而無法得出診斷結(jié)論，本文選取 γ＝0.15。

2.3 風(fēng)機機組運行狀態(tài)評估過程

圖5所示為融合集對分析和證據(jù)理論的風(fēng)電機組運行狀態(tài)評估過程，具體步驟如下。

a.從風(fēng)電場SCADA系統(tǒng)狀態(tài)監(jiān)測數(shù)據(jù)中，選取表征運行狀態(tài)的特征量及相應(yīng)指標(biāo)量，并按式（2）或式（3）計算相對劣化度。

b.由統(tǒng)計數(shù)據(jù)結(jié)合本地風(fēng)電場檢修記錄的方法確定常權(quán)，并按式（5）計算得到各評價因素的變權(quán)值。

c.對風(fēng)電機組運行狀態(tài)進行等級劃分，確定聯(lián)系元數(shù)，并構(gòu)建聯(lián)系度表達式。

d.應(yīng)用集對分析方法按式（10）計算指標(biāo)層與各狀態(tài)等級間的聯(lián)系度。

e.按式（12）—（14）計算基本概率分配，再按式（15）、式（16）將多證據(jù)進行融合，得到風(fēng)電機組整體狀態(tài)的BPA。

f.按照最大隸屬度原則和信度準(zhǔn)則，對評估結(jié)果進行判定，若判斷為正常狀態(tài)則進一步對機組整體和子系統(tǒng)進行趨勢分析；若判斷為異常狀態(tài)，則輸出結(jié)果并采取相應(yīng)的維修策略。

圖5 風(fēng)電機組運行狀態(tài)評估流程圖Fig.5 Flowchart of operating state assessment for wind turbine generator unit

3 實例與分析

為驗證本文方法的準(zhǔn)確性和有效性，以某1.5MW風(fēng)電機組的SCADA系統(tǒng)運行數(shù)據(jù)為例，分別選取狀態(tài)等級為“優(yōu)良”、“良好”和“嚴(yán)重”的運行數(shù)據(jù)進行計算并分析結(jié)果。

（1）算例分析。

表4為風(fēng)電場SCADA系統(tǒng)3個時刻的運行數(shù)據(jù)。表中，數(shù)據(jù)1對應(yīng)的時刻為2010年3月17日15：00，此時風(fēng)速為 9.8 m／s、環(huán)境溫度為 12.6 ℃；數(shù)據(jù)2對應(yīng)時刻為2010年5月18日15：00，此時風(fēng)速為 10.2 m／s、環(huán)境溫度為20.1℃；數(shù)據(jù)3對應(yīng)時刻為2010 年 6 月 5 日 15：00，此時風(fēng)速為 10.6 m／s、溫度為23.8℃。選取的3組數(shù)據(jù)中，只有數(shù)據(jù)3齒輪箱溫度有明顯異常的情況，其余指標(biāo)量基本正常。

按照圖5提出的基于集對分析和證據(jù)理論的評估流程，分析表4中的數(shù)據(jù)1。首先分析各評判指標(biāo)的劣化度，通過直觀的分析可知，各項參數(shù)均在正常運行范圍內(nèi)，依據(jù)式（2）和式（3）計算各特征參量的劣化度為：

根據(jù)變權(quán)理論，將常權(quán)經(jīng)過式（5）進行變權(quán)處理后，得到相應(yīng)的權(quán)值為：

采用集對分析方法處理指標(biāo)量的不確定性，按照式（7）、（8）計算得各指標(biāo)量與狀態(tài)等級間的聯(lián)系度如表5所示，各子系統(tǒng)的初始信度分配如表6所示。

表4 風(fēng)電機組在線監(jiān)測數(shù)據(jù)Table 4 Online monitored data of wind turbine generator unit

為避免因證據(jù)沖突造成評估結(jié)果誤差，引入可信度系數(shù)修正BPA。根據(jù)表2計算的常權(quán)值，ωmax為0.2871，按式（13）得 γ1—γ5構(gòu)成的集合為｛1.0000，0.6785，0.4340，0.9916，0.3706｝，由式（14）得 λ1—λ5構(gòu)成的集合為｛0.900 0，0.6106，0.3906，0.8924，0.3335｝，m1（θ）—m5（θ）構(gòu)成的集合為｛0.1000，0.3894，0.609 4，0.1076，0.6665｝。最后，按式（12）計算基本概率分配結(jié)果如表7所示。

融合機組評估體系5個部分的BPA可得：X=｛0.8734，0.1161，0.0041，0｝，不確定度 m（θ）=0.0064。按本文基于最大隸屬度原則和信度準(zhǔn)則方法判斷此風(fēng)電機組整體運行狀態(tài)屬于z1級，即優(yōu)良狀態(tài)。

從監(jiān)測數(shù)據(jù)來看，齒輪箱、發(fā)電機、機艙、控制因素各項指標(biāo)都在正常運行狀態(tài)上，與本文評估結(jié)果相吻合。進一步由表6、表7可以看出：雖然風(fēng)電機組整體處于優(yōu)良狀態(tài)，但是齒輪箱系統(tǒng)與狀態(tài)等級的聯(lián)系度 μ11=0.4356、μ12=0.5477、μ13=0.0197，說明該子系統(tǒng)有從良好狀態(tài)轉(zhuǎn)為注意狀態(tài)的趨勢，應(yīng)該加強監(jiān)測；此外，指標(biāo)參量中齒輪箱油溫、一級軸承溫度、二級軸承溫度、發(fā)電機非驅(qū)動端軸承溫度均有劣化趨勢，需要注意。

表5 指標(biāo)參量與狀態(tài)等級關(guān)聯(lián)度的計算值Table 5 Calculated correlation degrees between index and state level

表6 各特征量與狀態(tài)等級的聯(lián)系度Table 6 Correlation degrees between characteristic index and state level

表7 基本概率分配計算結(jié)果Table 7 Calculated basic possibility assignments

（2）與其他方法的比較。

為進一步說明本文方法的有效性，表8給出了利用模糊綜合評估與本文評估方法對3組數(shù)據(jù)的評估結(jié)果。由表8可見，對于數(shù)據(jù)1和數(shù)據(jù)3，2種方法對機組運行狀態(tài)判定的結(jié)果基本一致，與實際情況相符合。

數(shù)據(jù)2中模糊綜合評估方法得到最終隸屬度為［0.3367，0.3474，0.1824，0.1135］，此時最大隸屬度與次大隸屬度兩者間的差別并不大，狀態(tài)等級間區(qū)分度小，無法進行判別，甚至易造成誤判。而本文方法通過多次證據(jù)融合縮小假設(shè)集，其最終評判結(jié)果狀態(tài)等級的區(qū)分度依然達到0.3533。因此相比而言，集對分析結(jié)合證據(jù)理論的分析方法具有計算簡單、直觀、區(qū)分度高的優(yōu)點，為風(fēng)電機組運行狀態(tài)評估提供了一種新的思路。

表8 評估的對比結(jié)果Table 8 Comparison of assessment results

4 結(jié)論

a.風(fēng)電機組運行狀態(tài)的評估是風(fēng)電場運維檢修的基礎(chǔ)，本文將集對分析方法和證據(jù)理論應(yīng)用到機組狀態(tài)評估中。通過分析風(fēng)電場運行數(shù)據(jù)的特點及機組各子系統(tǒng)重要的指標(biāo)參量，利用層次分析法，建立了機組運行狀態(tài)評估體系。引入集對分析方法構(gòu)造聯(lián)系度來處理評估指標(biāo)的不確定性，同時應(yīng)用證據(jù)理論融合機組子系統(tǒng)的基本概率分配，最后依據(jù)最大隸屬度和信度準(zhǔn)則共同判定機組的運行狀態(tài)等級。

b.算例表明，本文提出的評估方法可以用于評判分析風(fēng)電機組運行狀態(tài)，該評估方法簡單直觀、評定結(jié)果準(zhǔn)確、區(qū)分度較高，一定程度上避免了在狀態(tài)等級相差不大時導(dǎo)致的判斷失效。

參考文獻：

［1］李豐，張粒子.大規(guī)模風(fēng)電跨省消納與交易機制的研究［J］.電力自動化設(shè)備，2013，33（8）：119-124.LI Feng，ZHANG Lizi.Accommodation and transaction mechanism of transprovincial large-scale wind power［J］.Electric Power Automation Equipment，2013，33（8）：119-124.

［2］徐琴，樓俊尚.風(fēng)電并網(wǎng)現(xiàn)狀及產(chǎn)業(yè)前景分析［J］.華東電力，2012，40（12）：2145-2147.XU Qin，LOU Junshang.Analysis of current wind power integration and its industrial prospect［J］.East China Electric Power，2012，40（12）：2145-2147.

［3］譚忠富，鞠立偉.中國風(fēng)電發(fā)展綜述：歷史、現(xiàn)狀、趨勢及政策［J］.華北電力大學(xué)學(xué)報（社會科學(xué)版），2013，82（2）：1-7.TAN Zhongfu，JU Liwei.Review of China’s wind power development：history，current status，trends and policy［J］.Journal of North China Electric Power University（Social Sciences），2013，82（2）：1-7.

［4］安學(xué)利，蔣東翔，陳杰，等.基于ITD和LS-SVM的風(fēng)力發(fā)電機組軸承故障診斷［J］.電力自動化設(shè)備，2011，31（9）：10-13.AN Xueli，JIANG Dongxiang，CHEN Jie，etal.Bearing fault diagnosisbased on ITD and LS-SVM forwind turbine［J］.Electric Power Automation Equipment，2011，31（9）：10-13.

［5］趙洪山，郭偉，邵玲，等.基于子空間方法的風(fēng)機齒輪箱故障預(yù)測算法［J］.電力自動化設(shè)備，2015，35（3）：27-32.ZHAO Hongshan，GUO Wei，SHAO Ling，etal.Gearboxfault prediction algorithm based on subspace method for wind turbine［J］.Electric Power Automation Equipment，2015，35 （3）：27-32.

［6］李輝，季海婷，秦星，等.考慮運行功率變化影響的風(fēng)電變流器可靠性評估［J］.電力自動化設(shè)備，2015，35（5）：1-8.LI Hui，JI Haiting，QIN Xing，et al. Reliability evaluation considering operational active power variation ofwind power converter［J］.Electric Power Automation Equipment，2015，35（5）：1-8.

［7］李輝，胡姚剛，楊超，等.并網(wǎng)風(fēng)電機組運行狀態(tài)的物元評估方法［J］.電力系統(tǒng)自動化，2011，35（6）：81-85.LIHui，HU Yaogang，YANG Chao，etal. A matter-elementassessment method of a grid-connected wind turbine drivern generator system under online operating conditions［J］.Automation of Electric Power Systems，2011，35（6）：81-85.

［8］梁穎，方瑞明.基于SCADA和支持向量回歸的風(fēng)電機組狀態(tài)在線評估方法［J］.電力系統(tǒng)自動化，2013，37（14）：7-12，31.LIANG Ying，F(xiàn)ANG Ruiming.An online wind turbine condition assessmentmethod based on SCADA and supportvector regression［J］.Automation of Electric Power Systems，2013，37（14）：7-12，31.

［9］李輝，胡姚剛，唐顯虎，等.并網(wǎng)風(fēng)電機組在線運行狀態(tài)評價方法［J］.中國電機工程學(xué)報，2010，30（33）：103-109.LI Hui，HU Yaogang，TANG Xianhu，et al.Method for online operating conditions assessment for a grid-connected wind turbine generator system［J］.Proceedings of the CSEE，2010，30（33）：103-109.

［10］肖運啟，王昆朋，賀貫舉，等.基于趨勢預(yù)測的大型風(fēng)電機組運行狀態(tài)模糊綜合評價［J］.中國電機工程學(xué)報，2014，34（13）：2132-2139.XIAO Yunqi，WANG Kunpeng，HE Guanju，et al. Fuzzy comprehensive evaluation for operating condition of large-scale wind turbines based on trend predication［J］.Proceedings of the CSEE，2014，34（13）：2132-2139.

［11］黃必清，何焱，王婷艷.基于模糊綜合評價的海上直驅(qū)風(fēng)電機組運行狀態(tài)評估［J］.清華大學(xué)學(xué)報（自然科學(xué)版），2015，55（5）：543-549.HUANG Biqing，HE Yan，WANG Tingyan.Fuzzy synthetic evaluation ofthe operationalstatusofoffshore direct-drive wind turbines［J］.Journal of Tsinghua University（Science&Technology Edition），2015，55（5）：543-549.

［12］廖瑞金，孟繁津，周年榮，等.基于集對分析和證據(jù)理論融合的變壓器內(nèi)絕緣狀態(tài)評估方法［J］.高電壓技術(shù)，2014，40（2）：474-481.LIAO Ruijin，MENG Fanjin，ZHOU Nianrong，et al.Assessment strategyforinnerinsulation condition ofpowertransformer based on set-pair analysis and evidential reasoning decision-making［J］.High Voltage Engineering，2014，40（2）：474-481.

［13］SCHLECHTINGEN M，SANTOS I F，ACHICHE S.Wind turbine condition monitoring based on SCADA data using normal behavior models. part 1：system description［J］.Applied Soft Computing，2013，13（1）：259-270.

［14］YANG W，COURT R，JIANG J.Wind turbine condition monitoring by the approach of SCADA data analysis［J］.Renewable Energy，2013，53（9）：365-376.

［15］劉有為，李光范，高克利，等.制訂《電氣設(shè)備狀態(tài)維修導(dǎo)則》的原則框架［J］.電網(wǎng)技術(shù)，2003，27（6）：64-68.LIU Youwei，LI Guangfan，GAO Keli，et al.Fundamental frame todraftguideforcondition maintenanceofelectricpower equipment［J］.Power System Technology，2003，27（6）：64-68.

［16］廖瑞金，王謙，駱?biāo)技?，?基于模糊綜合評判的電力變壓器運行狀態(tài)評估模型［J］.電力系統(tǒng)自動化，2008，32（3）：70-75.LIAO Ruijin，WANG Qian，LUO Sijia，et al.Condition assessment model for power transformer in service based on fuzzy synthetic evaluation［J］.Automation of Electric Power Systems，2008，32（3）：70-75.

［17］劉俊華，羅隆福，張志文，等.基于模糊集對分析法的電能質(zhì)量綜合評估［J］.電網(wǎng)技術(shù)，2012，36（7）：81-85.LIU Junhua，LUO Longfu，ZHANG Zhiwen，et al.Comprehensive evaluation of power quality based on fuzzy set pair analysis［J］.Power System Technology，2012，36（7）：81-85.

［18］王綿斌，譚忠富，張麗英，等.市場環(huán)境下電網(wǎng)投資風(fēng)險評估的集對分析方法［J］.中國電機工程學(xué)報，2010，30（19）：91-99.WANG Mianbin，TAN Zhongfu，ZHANG Liying，etal.Power grid investment risk evaluation model based on set-pair analysis theory in power market［J］.Proceedings of the CSEE，2010，30（19）：91-99.

［19］金華征，程浩忠，曾德君，等.基于集對分析的柔性電網(wǎng)規(guī)劃方法［J］.中國電機工程學(xué)報，2006，26（3）：7-12.JIN Huazheng，CHENG Haozhong，ZENG Dejun，et al.A novel method of flexible transmission network planning based on set pair analysis［J］.Proceedings of the CSEE，2006，26（3）：7-12.

［20］郭鈺鋒，孫頔，于繼來，等.集對分析理論在風(fēng)電場風(fēng)速區(qū)間預(yù)測中的應(yīng)用［J］.電力系統(tǒng)自動化，2014，38（2）：6-11.GUO Yufeng，SUN Di，YU Jilai，et al.Application of set pair analysis in wind speed interval prediction for wind farms［J］.Automation of Electric Power Systems，2014，38（2）：6-11.