基于組合變權理論的風電機組狀態(tài)評估*

劉 杰， 楊 娜， 華智廣

(沈陽工業(yè)大學 機械工程學院， 沈陽 110870)

近些年，風力發(fā)電行業(yè)在飛速發(fā)展中面臨著諸多困境.多數(shù)風場以溫度閾值作為風機系統(tǒng)故障預警的標準，極易出現(xiàn)不報或誤報等問題，不能充分利用風電機組監(jiān)控系統(tǒng)的實時數(shù)據(jù)及早發(fā)現(xiàn)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(xiàn)后損失慘重[1].如何有效利用風電機組的實時數(shù)據(jù)對風電機組狀態(tài)進行評估，發(fā)現(xiàn)問題并避免故障的發(fā)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(tài)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(tài)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(tài)進行評價；郭雙全[5]基于灰色關聯(lián)分析方法建立風電機組健康狀態(tài)評估模型，對部分故障實現(xiàn)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(xiàn)風電機組狀態(tài)監(jiān)測，灰色關聯(lián)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(tài)評估體系基礎上，運用灰色關聯(lián)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(shù)，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(tǒng)數(shù)據(jù)中，成功評估了風電機組運行狀態(tài)，實現(xiàn)故障提前預警.

1 狀態(tài)評估指標體系與評估方法

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

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

1.1 灰色關聯(lián)和主成分相結合的組合賦權方法

1.1.1 灰色關聯(lián)分析法求解指標權重

灰色關聯(lián)分析法作為衡量因素間關聯(lián)程度的方法，通過計算各子系統(tǒng)(或因素)樣本數(shù)據(jù)間的關聯(lián)度，確定各子系統(tǒng)(或因素)間的關系強弱、大小及次序，其優(yōu)點是對樣本量不做要求[8].分析的關聯(lián)系數(shù)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(lián)系數(shù)及權重的數(shù)量.

1.1.2 主成分分析法求解指標權重

首先需要對原始數(shù)據(jù)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(shù).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(jù)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(lián)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(jù)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(shù)嚴重偏離正常值時，不利于風電機組運行狀態(tài)的正確判斷，為把權重小的指標狀態(tài)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(shù)以對風電機組的真實狀態(tài)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(shù)確定

SCADA監(jiān)控系統(tǒng)數(shù)據(jù)是反映風電機組狀態(tài)優(yōu)秀與否的基礎，因此，加入劣化度來表示風電機組實際狀態(tài)與優(yōu)秀狀態(tài)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(yōu)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(tài)綜合評價結果的集合，根據(jù)風電機組的運行狀態(tài)最終將評估語集定為“優(yōu)秀”、“良好”、“注意”、“惡劣”，即

H={優(yōu)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(tài)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(jù)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(shù)(見圖2)確定各評估指標的隸屬函數(shù).

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

2 SCADA監(jiān)控系統(tǒng)數(shù)據(jù)分析

2017年7月1日14∶01某風場一臺2 MW風電機組發(fā)生故障停機，以該風電機組SCADA監(jiān)控系統(tǒng)數(shù)據(jù)為基礎，提取該風電機組故障停機前部分數(shù)據(jù)(見表1)，以此進行狀態(tài)評估.

2.1 評估方法分析

1) 組合變權.根據(jù)表1給出的某風場2 MW風電機組SCADA系統(tǒng)數(shù)據(jù)進行權重計算.灰色關聯(lián)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(shù)據(jù)Tab.1 SCADA data of wind turbines

表2 灰色關聯(lián)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(jù)式(9)～(10)最終求得χ=0.5，δ=0.5，將上述系數(shù)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(jīng)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(tài)評估.對齒輪箱R1運行狀態(tài)進行評估，即

B1=[0，0.010 4，0.568 9，0.420 6]

再對發(fā)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(jù)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(tài)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(tài)依次經(jīng)歷“注意”、“惡劣”.據(jù)風場相關人員反映，風電機在14∶01發(fā)生故障停機，風電機的狀態(tài)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(jīng)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(fā)電機轉速接近限值，故風機出現(xiàn)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(lián)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(tǒng)方法評估還處于“注意”狀態(tài)，故改進方法的評估結果與風電機組的實際運行狀態(tài)相契合.

表5 運行狀態(tài)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(shù)據(jù)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(tài)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(tài)，之后一直維持“惡劣”狀態(tài)，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(jiān)控系統(tǒng)相關的參數(shù)，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(tài)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(tài)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(tài)調整，解決了狀態(tài)失衡的問題，與傳統(tǒng)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(tài)，最終實現(xiàn)風電機組運行的異常狀態(tài)識別和故障預警，為管理者及時準確地把握風電機狀態(tài)提供幫助，避免故障發(fā)生.