基于模糊物元分析的變槳系統(tǒng)狀態(tài)評估方法

張 磊,朱希盼,張 琨,車 璐

(河北工業(yè)大學 控制科學與工程學院，天津 300130)

基于模糊物元分析的變槳系統(tǒng)狀態(tài)評估方法

張 磊,朱希盼*,張 琨,車 璐

(河北工業(yè)大學 控制科學與工程學院，天津 300130)

針對現(xiàn)有風電機組狀態(tài)評估方法實時可靠性差和過多人為因素影響的問題，提出了模糊物元分析評估方法，以實現(xiàn)對機組狀態(tài)的準確評估.選擇故障率較高的變槳系統(tǒng)為研究對象，分兩步構建了變槳系統(tǒng)狀態(tài)評估模型：1)分別以3σ準則和四分位分析法對變槳參數(shù)分類處理，避免對參數(shù)分布的主觀評判；用ANFIS算法對數(shù)據(jù)進行訓練來減小極端值影響，獲得多特征參數(shù)故障檢測結果.2)基于模糊物元分析理論，將上一步多特征參數(shù)檢測結果作為模糊量值代入物元評估模型中，實現(xiàn)了檢測結果模糊值與等級評價指標的統(tǒng)一.應用該方法對風電機組實際運行狀態(tài)進行了測試，結果表明：與傳統(tǒng)二元決策方法相比，能夠明顯反映變槳系統(tǒng)的運行狀態(tài)，具有更好的評估效果.從定性角度對比分析，該方法較模糊綜合評判方法、傳統(tǒng)物元分析方法在變槳系統(tǒng)狀態(tài)評估方面更有優(yōu)勢.

變槳系統(tǒng)；故障檢測；模糊物元分析；狀態(tài)評估；風電機組

在風電機組控制系統(tǒng)中，變槳系統(tǒng)作為核心部件，對機組的安全穩(wěn)定運行起著重要作用.但是，由于變槳系統(tǒng)是復雜的非線性動態(tài)系統(tǒng)，在輪轂中受到重力和離心力影響，且運行環(huán)境下風的隨機分布和不確定性，使其成為風電機組中故障率較高的部件之一.如果變槳系統(tǒng)出現(xiàn)故障，有可能造成像葉片斷裂、飛車、倒塌等嚴重后果.本文以變槳系統(tǒng)作為研究對象，提出了一種多特征故障檢測與模糊物元分析評估相結合的方法，評估系統(tǒng)可靠性.首先，對SCADA數(shù)據(jù)進行預處理，根據(jù)變槳系統(tǒng)結構與運行原理，挖掘出數(shù)據(jù)間的隱藏關系，選取變槳特征參數(shù).同時，以3σ準則和四分位分析法對特征參數(shù)分類處理，獲取多特征數(shù)據(jù)集.用ANFIS算法對數(shù)據(jù)擬合處理得到多特征非線性區(qū)間回歸模型.將預評估數(shù)據(jù)輸入上述回歸模型，經(jīng)數(shù)據(jù)離差標準化得到變槳系統(tǒng)故障檢測模型的輸出.其次，詳細描述基于模糊物元分析的變槳系統(tǒng)狀態(tài)評估模型，接著，以故障檢測模型的劣化度輸入到評估模型中，輸出評估結果.最后，從定量角度分析該方法與傳統(tǒng)二元決策方法對比結果，再從定性角度對比分析，該方法與模糊綜合評判方法、傳統(tǒng)物元分析方法的區(qū)別.

1 變槳系統(tǒng)故障檢測模型

建立變槳系統(tǒng)故障檢測模型過程見圖1.對SCADA源數(shù)據(jù)進行預處理，根據(jù)變槳系統(tǒng)結構與運行原理，挖掘出數(shù)據(jù)間的隱藏關系，選取變槳特征參數(shù).同時，以3σ準則和四分位分析法對特征參數(shù)分類處理，獲取多特征數(shù)據(jù)集.用ANFIS算法對數(shù)據(jù)擬合處理得到多特征非線性區(qū)間回歸模型.

圖1 變槳系統(tǒng)故障檢測模型Fig.1 Fault detection model for pitch system

1.1 特征參數(shù)選取及數(shù)據(jù)預處理

通過對變槳系統(tǒng)結構與運行原理的分析，并結合基于Relief方法的變槳系統(tǒng)特征參量挖掘的數(shù)學模型[1]和非線性狀態(tài)估計的變槳系統(tǒng)故障識別[2]，選擇與變槳系統(tǒng)密切相關的特征參量，見表1.

表1 變槳系統(tǒng)相關參數(shù)集

為做到精煉，槳距角、變槳驅動電流等三葉片監(jiān)測參數(shù)，在建模仿真時只表示出1#葉片參數(shù)，在實際驗證時給出全部葉片參數(shù).

數(shù)據(jù)來源于河北某整機廠實際投入運行的1.5MW并網(wǎng)風電機組.風電機組運行過程中，葉輪將風能轉化為旋轉機械能，經(jīng)傳動系統(tǒng)，最終由發(fā)電機轉化為電能向電網(wǎng)輸出.然而，能量流會受到風機故障的影響.例如，故障發(fā)生時，風功率曲線會偏離正常位置.總之，風機SCADA數(shù)據(jù)受到了來自風機本身和其它環(huán)境因素(例如，風切變和湍流)的影響，數(shù)據(jù)記錄過程中隱藏了太多的噪聲，需要對數(shù)據(jù)進行預處理.數(shù)據(jù)預處理過程見表2.

表2 數(shù)據(jù)預處理過程

由表2可見，步驟1確定的SCADA數(shù)據(jù)如表1；步驟2采用的中位值平均濾波就是在采集的個數(shù)據(jù)中去掉一個最大值和一個最小值，然后對剩下的數(shù)據(jù)求平均值；因停機數(shù)據(jù)不能反映風機真實運行狀態(tài)情況，故在步驟3中剔除.

1.2 多特征非線性區(qū)間回歸模型

3σ準則[3]和四分位分析法[4]均是基本的統(tǒng)計理論.由以下兩步得到模型所需數(shù)據(jù)集.

1)經(jīng)過預處理，得到風速的最大值Vmax和Vmim最小值.選取風速劃分閾值εV，將[Vmax,Vmin]劃分成NV份.按照文獻要求[5]，.

(1)

根據(jù)3σ準則:

(2)

2)經(jīng)過預處理，得到風輪轉速的最大值Ωmax和最小值Ωmin.選取風輪轉速劃分閾值εΩ，將[Ωmax,Ωmin]劃分成份NΩ，選擇εΩ=0.3.

(3)

訓練樣本集2采用的表達形式為{(xωm,dωm),m=1,2,…，NΩ}，xωm取為各風輪轉速區(qū)間中心點值，dωm為各區(qū)間所有輸出的中位值，相應的下四分位值d1Ωm，上四分位值d3Ωm，四分位距ΔdIQRm=dQ3m-dQ1m.

根據(jù)四分位分析法，

(4)

ANFIS的擬合能力和推廣能力均比ANN強[6]，用ANFIS方法擬合訓練樣本集1和訓練樣本集2及其上、下邊界數(shù)據(jù)集，得到各特征的上邊界函數(shù)f+、下邊界函數(shù)f-和訓練集擬合函數(shù)f，多特征非線性區(qū)間回歸模型見圖2.

圖2 多特征非線性區(qū)間回歸模型Fig.2 Multi-feature nonlinear interval regression model

將預評估數(shù)據(jù)輸入上述回歸模型，經(jīng)數(shù)據(jù)離差標準化得到變槳系統(tǒng)故障檢測模型的輸出.依據(jù)物元分析優(yōu)化原則中的越小越優(yōu)型原則，得到單項特征的模糊量值，再經(jīng)離差標準化，映射到[0,1]之間，記為：

(5)

(6)

式(5)、(6)中，j=1,2,…,NT.

2 變槳系統(tǒng)狀態(tài)評估模型

2.1 變槳系統(tǒng)評估建模原理

通過對變槳系統(tǒng)數(shù)據(jù)的分析和處理，得到與變槳系統(tǒng)聯(lián)系比較緊密的特征參數(shù)(槳距角、發(fā)電機轉速、電機驅動電流、變槳速度).本文采用的建模方法為模糊物元分析方法，變槳系統(tǒng)狀態(tài)評估模型建立過程見圖3.該方法利用變槳系統(tǒng)各特征的劣化度、特征權重，輸出得到變槳系統(tǒng)的等級評價結果.各特征的權重由具體研究對象和實際運行統(tǒng)計結果確定.

圖3 變槳系統(tǒng)狀態(tài)評估模型Fig.3 Condition assessment model of pitch system

2.2 基于模糊物元分析理論建模原理

物元分析是由蔡文提出的系統(tǒng)研究方法，一直在完善改進中，目前在系統(tǒng)評估、預測分析、決策分析等解決方案中有廣泛的應用[7,8].

如果事物P用n個特征C1,C2,…，Cn及相應的模糊量值μ(x1),μ(x2),μ(x3),…，μ(xn)來描述，則稱為n維模糊物元，記為：

(7)

實域上一點x，有限區(qū)間X0=(符號<>只表示區(qū)間端點而不論開、閉性質)，定義點x與有限實區(qū)間X0的距為ρ(x,X0).

(8)

設區(qū)間X0=，X=，且X0?X且無公共端點；則x關于區(qū)間X0，X的位置為：

(9)

那么x關于區(qū)間x0，X的關聯(lián)函數(shù)可以描述為：

(10)

式中：X0和X分別成為經(jīng)典域和節(jié)域.

(11)

對于變槳系統(tǒng)，式中：Pm為變槳系統(tǒng)狀態(tài)的第m(m=1,2,3,4)個等級，分別表示變槳系統(tǒng)運行狀態(tài)為“良好”、“一般”、“異常”和“嚴重”，bmi,cmi為Pm關于Ci的經(jīng)典域取值范圍，其取值是依據(jù)具體特征要求，文中確定的經(jīng)典域物元見表3.

表3 經(jīng)典域物元范圍

(12)

(13)

(14)

由式(8)得到：

(15)

(16)

wi為事物P第i項特征的權重，對各特征關于等級m的關聯(lián)函數(shù)值加權平均后所得數(shù)值為各等級m的綜合關聯(lián)度，即：

(17)

確定D*=max{D(Pm)|m=1,2,3,4}，即確定事物P應屬于等級m.

2.3 預評估數(shù)據(jù)驗證

選取一段故障發(fā)生前后采集數(shù)據(jù)作為測試樣本，共3169條，輸入多特征非線性區(qū)間回歸模型，輸出對比結果見圖4.

圖4 故障檢測模型邊界示意圖 Fig.4 Output results of Multi-feature nonlinearinterval regression model

選取NT=353，約為1h數(shù)據(jù)采集量，經(jīng)過計算，得到此測試樣本各特征隸屬值見表4.

表4 變槳系統(tǒng)各特征的隸屬值Tab.4 Membership value of each characteristic of pitch system

根據(jù)工程設計和檢修記錄，并結合故障率的統(tǒng)計數(shù)據(jù)，參數(shù)相關性比例結果為[93,94,94,91,91,92,88,14,15,14]，來確定各參數(shù)的相對權重.參數(shù)i與j相對權重為aij，則參數(shù)j與i相對權重為aji=1/aij，最終形成一個兩兩比較的判斷矩陣A=(aij)n×m，即：

求解判斷矩陣A10×10的特征向量采用如下方程：

Aη=λmaxη,

(18)

式中：λmax為最大特征根，η為對應的特征向量.特征向量經(jīng)過歸一化后得到權重向量W.具體過程為：

2)定義迭代次數(shù)Nw=100，接下來迭代式(19)、(20)，得到最終ηNw；

ηα=Aηα,

(19)

(20)

其中，α=0,1,2,…,Nw-1.

3)通過式(21)得到λmax：

(21)

4)如式(22)，特征向量經(jīng)過歸一化后得到各特征的權重向量：

(22)

經(jīng)過以上計算，得到各特征(槳距角1，槳距角2，槳距角3，變槳驅動電流1，變槳驅動電流2，變槳驅動電流3，發(fā)電機轉速，變槳速度1，變槳速度2，變槳速度3)對應的權值為[0.1356，0.1370，0.1370，0.1327，0.1327，0.1341，0.1283，0.0204，0.0219，0.0204].

對變槳系統(tǒng)狀態(tài)進行評估，t=1，各等級綜合關聯(lián)度為 [D(P1),D(P2),D(P3),D(P4)]t=1=[0.0011,-0.1314,0.1283,0.0204,0.0219,0.0204].根據(jù)綜合關聯(lián)度最大原則，得到D*=D(P1)，此時變槳系統(tǒng)總體上處于“良好”狀態(tài).從實際的監(jiān)測數(shù)據(jù)來看，各項指標均運行在正常狀態(tài)，和本文評估方法的計算結果吻合.同理，可得到其它時刻變槳系統(tǒng)狀態(tài)，如表5.

表5 變槳系統(tǒng)狀態(tài)變化過程

3 方法對比

鑒于樣本數(shù)據(jù)在選擇上的差異性，定量的權重和閾值選取上的主觀性對比并不能全面反映幾種評估方法的區(qū)別.利用選取數(shù)據(jù)集，圖5呈現(xiàn)了本文方法(方法1)、傳統(tǒng)二元決策方法(方法2)對變槳系統(tǒng)狀態(tài)的評估結果.

圖5 變槳系統(tǒng)狀態(tài)評估結果對比Fig.5 Comparison of condition assessment results of pitch system

方法2與本文方法的最終評估結果具有一致性，但只能評估狀態(tài)是“良好”還是“嚴重”，不能對中間狀態(tài)“一般”、“異常”進行評估.此方法處理方式顯然存在一定問題，假如此時狀態(tài)評估“良好”，但是有狀態(tài)惡化的趨勢，則應該提高注意；假如此時狀態(tài)評估“嚴重”，但有轉好趨勢，則不應立即評判成故障，造成不必要的誤診.本文方法對風機的各狀態(tài)階段均進行評估，便于維修人員準確掌握風機狀態(tài)，出現(xiàn)問題后及時采取必要措施.

為了驗證變槳系統(tǒng)可靠性評估模型的實用性，從定性的角度，對比分析模糊綜合評判方法，傳統(tǒng)物元分析方法與本文方法在模型建立過程中有如下不同之處.

1)模糊綜合評判方法和傳統(tǒng)物元分析方法均是對單組數(shù)據(jù)的判斷.本文方法考慮到風速的隨機性和風機湍流特性，為了防止極端值影響并中和干擾，采用均值法對單參數(shù)故障程度進行處理.

2)模糊綜合評判方法和傳統(tǒng)物元分析方法一般采用Bin方法對數(shù)據(jù)進行擬合，采用絕對閾值判斷對象故障程度，并沒有對數(shù)據(jù)進行訓練，這在實際應用時，計算機編程更容易實現(xiàn).但Bin方法適用于溫度、振動信號等變化范圍小且波動程度小的特征參數(shù)，對于像風輪轉速，發(fā)電機轉速、槳距角等變化范圍大或相對波動幅值大的參數(shù)，需要經(jīng)過訓練來確定參數(shù)偏離正常值的程度.

3)三種方法中，模糊綜合評判方法在隸屬度函數(shù)選擇，因素集權重分配上帶有強烈的主觀性；傳統(tǒng)物元評估方法中的物元經(jīng)典域及節(jié)域的確定也會受到人為因素影響.但不能否定，有時主觀評判也能較好反映客觀實際，使得評估結果具有較好的參考價值.不過，考慮到主觀判斷會嚴重扭曲客觀事實，本文利用數(shù)學方法確定評估指標權重，利用數(shù)學本身的嚴格邏輯性確定各評估指標的權重，中間并對結果進行了濾波和修復處理.

4 結語

現(xiàn)有的狀態(tài)評估側重于研究風電機組整體，難以表征其子系統(tǒng)的實際運行狀態(tài)，所以對子系統(tǒng)運行狀態(tài)進行評估研究十分必要.為此，本文選擇故障率較高的變槳系統(tǒng)為研究對象，考慮到變槳系統(tǒng)多特征之間的相互作用，選取與之密切相關的參數(shù)，建立故障檢測模型，經(jīng)實際分析驗證能夠對變槳系統(tǒng)各特征進行故障識別.將以上各特征平均劣化度作為模糊量值代入本文重點介紹的模糊物元分析模型，經(jīng)實際數(shù)據(jù)驗證，結果不僅比傳統(tǒng)二元決策評估結果精確，而且與現(xiàn)場維修時表現(xiàn)效果相符，充分表明了此方法在評估變槳系統(tǒng)狀態(tài)方面的優(yōu)越性，同時說明了模糊物元評估理論的方法切實可行，可供現(xiàn)場參考.以后的研究目標是提高模糊量值和權重的精度，并將該方法應用到風場中來驗證實際效果.

[1] 李 輝,楊 超,李學偉,等.風機電動變槳系統(tǒng)狀態(tài)特征參量挖掘及異常識別[J].中國電機工程學報，2014(12):1922-1930.

[2] 尹 詩,余忠源,孟凱峰,等. 基于非線性狀態(tài)估計的風電機組變槳控制系統(tǒng)故障識別[J]. 中國電機工程學報,2014(S1):160-165.

[3] 尹愛軍,趙 磊,吳宏鋼. 相關法動平衡校正中的3σ準則誤差處理方法[J]. 重慶大學學報(自然科學版),2013(10):22-26.

[4] 趙永寧,葉 林,朱倩雯. 風電場棄風異常數(shù)據(jù)簇的特征及處理方法[J]. 電力系統(tǒng)自動化,2014,21:39-46.

[5] Yang W, Court R, Jiang J. Wind turbine condition monitoring by the approach of SCADA data analysis[J]. Renewable Energy, 2013, 53: 365-376.

[6] Chen B, Matthews P C, Tavner P J. Automated on-line fault prognosis for wind turbine pitch systems using supervisory control and data acquisition[J]. Iet Renewable Power Generation, 2015, 9(5):503-513.

[7] Liu H, Dong X H, Yang Z L, et al. The application of intelligent fuzzy inference to the fault diagnosis in pitch-controlled system[J]. Energy Procedia, 2012, 16: 1839-1844.

[8] 胡姚剛. 并網(wǎng)風電機組的運行狀態(tài)評估[D].重慶：重慶大學,2011.

MethodofConditionAssessmentofPitchSystemBasedonFuzzyMatter-ElementAnalysis

ZhangLei,ZhuXipan,ZhangKun,CheLu

(School of Control Science and Engineering, Hebei University of Technology, Tianjin 300130, China)

In order to improve the real-time reliability of wind turbine and to solve the effect of artificial factors, fuzzy matter-element analysis is proposed. The pitch system, which has high failure rate, is researched in this paper. The condition assessment model of pitch system is built in two steps: (1) To avoid the subjective judgment of the parameter distribution, this thesis uses 3σrule and quartile analysis method to get the boundary data sets. The ANFIS algorithm is used to train the data to reduce the extreme value, and results of multi-feature fault detection are obtained. (2) Results from fault detection are applied in condition assessment model based on fuzzy matter-element analysis to realize the unification of fuzzy value of detection result and grade assessment. The method is applied to test the actual operation state of wind turbine. The results show that compared with the traditional two-element method, it can obviously reflect the pitch system, and has better assessment effects. From the qualitative point of view, this method is more advantageous than the fuzzy comprehensive evaluation method and the traditional matter-element analysis method in the condition assessment of the pitch system.

pitch system; fault detection; fuzzy matter-element analysis; condition assessment; wind turbine

2016-09-30 *

朱希盼，研究方向：風電機組故障分析與診斷，E-mail: hebut_zhuxipan@126.com

張 磊(1977-)，男，教授，博士，研究方向：風力發(fā)電機組智能控制技術及人工智能理論，E-mail：zhanglei@hebut.edu.cn

河北省自然科學基金資助項目(F2015202231)

TM743

A

1672-4321(2017)04-0088-07