基于合作博弈和區(qū)間劃分的風(fēng)電機組狀態(tài)評價

李俊卿，胡曉東，馬陽碩，何玉靈

（1.華北電力大學(xué)電氣與電子工程學(xué)院，河北保定 071000；2.國網(wǎng)保定供電公司，河北保定 071000；3.華北電力大學(xué)機械工程系，河北保定 071000）

0 引言

在全球能源結(jié)構(gòu)改革的背景下，風(fēng)能得到迅猛發(fā)展，風(fēng)電機組的單機容量也越來越大[1-2]。準(zhǔn)確地評估風(fēng)力發(fā)電機組的運行狀態(tài)可以避免造成巨大經(jīng)濟損失。近年來，國內(nèi)外學(xué)者引入了神經(jīng)網(wǎng)絡(luò)[3-4]、集對分析[5]、協(xié)整分析[6]、深度學(xué)習(xí)[7]等方法，對風(fēng)電機組的關(guān)鍵部分或者整體的狀態(tài)評估進行了深入研究。與測量振動信號的監(jiān)測系統(tǒng)相比，數(shù)據(jù)采集和監(jiān)視控制系統(tǒng)（Supervisory Control And Data Acquisition，SCADA）在成本方面具有明顯優(yōu)勢[8]。文獻[9]利用SCADA 數(shù)據(jù)提出一種累積和方法對風(fēng)電機組進行狀態(tài)監(jiān)測，但風(fēng)力渦輪機受惡劣環(huán)境的影響很大，環(huán)境條件的變化會造成該方法誤報和漏報問題。文獻[10]提出一種計算安全帶的優(yōu)化問題并引入風(fēng)險指標(biāo)，最大限度提高異常狀態(tài)的識別精度，從而實現(xiàn)對風(fēng)電機組的狀態(tài)監(jiān)測，但該方法考慮的指標(biāo)過少，可能會丟失一些重要信息。文獻[11]將評價指標(biāo)分為2 類，指出了風(fēng)速和環(huán)境溫度對溫度指標(biāo)的影響，但在劃分時僅僅以風(fēng)力機轉(zhuǎn)速作為依據(jù)，忽略了環(huán)境溫度的影響；為了消除環(huán)境溫度對指標(biāo)參數(shù)的影響，文獻[12]引入了修正溫度，但仍然采取固定的閾值。固定閾值很難適應(yīng)不確定因素較大的評價過程，而Bin 方法可實現(xiàn)劃分實測數(shù)據(jù)中的環(huán)境溫度和風(fēng)速。基于數(shù)據(jù)分析的狀態(tài)辨識認為正常狀態(tài)數(shù)據(jù)處于高概率區(qū)間，而異常狀態(tài)數(shù)據(jù)處于低概率區(qū)間[13]，通過“3En”原則可以確定各個運行區(qū)間的動態(tài)閾值。

SCADA 數(shù)據(jù)涉及范圍廣，是大數(shù)據(jù)分析；與之相反的小數(shù)據(jù)分析則更具備針對性，所以將兩者進行有機結(jié)合是最有效的分析方法[14]。模糊綜合評判法[15]憑借其能夠綜合定性和定量信息的能力而備受關(guān)注，如何科學(xué)選取指標(biāo)權(quán)重和隸屬度函數(shù)將直接影響模糊綜合評判法的精確度。文獻[16]綜合了主客觀賦權(quán)法的優(yōu)點，運用非線性規(guī)劃方法確定各指標(biāo)的權(quán)重。文獻[17]在確定權(quán)重組合時，采用的是乘法集成法。權(quán)重組合方法雖然有其優(yōu)越性，但是當(dāng)不同的賦權(quán)方法確定的指標(biāo)權(quán)重差別較大時，會對評價結(jié)果的準(zhǔn)確性造成更嚴(yán)重的影響。合作博弈理論[18]能夠協(xié)調(diào)不同權(quán)重確定方法的不一致系數(shù)，有利于避免人為因素的影響；采用變權(quán)公式對常權(quán)值進行修正時，賦予不同相關(guān)程度的指標(biāo)以不同的變權(quán)因子，提高了評價結(jié)果的可靠性。在選取隸屬函數(shù)時，正態(tài)云模型[19]已經(jīng)被證明在不確定知識中適用性很強，另外，運用黃金分割法來生成標(biāo)準(zhǔn)云模型也更容易與實際的評價結(jié)果保持一致[20]。

綜上分析，本文建立了基于區(qū)間劃分的風(fēng)電機組狀態(tài)評估合作博弈云模型。首先基于數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)所獲取的數(shù)據(jù)，對各個狀態(tài)指標(biāo)進行分析從而確定本文所采用的評價指標(biāo)體系；然后對環(huán)境溫度及風(fēng)速進行區(qū)間劃分，經(jīng)過數(shù)據(jù)清洗之后，用逆向云發(fā)生器確定閾值；運用合作博弈法協(xié)調(diào)不同權(quán)重分配方法的差異，利用劣化度和變權(quán)公式對常權(quán)值變權(quán)；用黃金分割法生成5 個評估等級的標(biāo)準(zhǔn)云，利用前項云發(fā)生器計算隸屬度，并據(jù)此結(jié)合模糊評判法確定狀態(tài)等級；最后對河北某風(fēng)電機組的實測數(shù)據(jù)進行計算，并且與其他評估方法進行比較。

1 風(fēng)電機組狀態(tài)評估指標(biāo)設(shè)計

為了使評價結(jié)果更加準(zhǔn)確可靠，本文考慮了可利用性、整體性和顯著性3 個方面?？衫眯允侵杆_定的評價指標(biāo)必須是能夠采集到的并且要綜合考慮采集的難度和成本；整體性是指選取的評價指標(biāo)必須能夠在整體上反映風(fēng)力發(fā)電機組的運行狀態(tài)。由于風(fēng)力發(fā)電機組的結(jié)構(gòu)比較復(fù)雜，并且機組內(nèi)部各部分有復(fù)雜的耦合關(guān)系，所以選取的評價指標(biāo)應(yīng)當(dāng)相互獨立；利用層次分析法（Analytic Hierarchy Process，AHP）[21-22]建立了風(fēng)電機組狀態(tài)評估指標(biāo)體系，如圖1 所示，其中用編號1—20 表示圖1 中由上及下的20 個指標(biāo)。

圖1 風(fēng)電機組狀態(tài)評估指標(biāo)體系Fig.1 Status assessment indices system of wind turbine

2 風(fēng)電機組狀態(tài)評估模型

2.1 區(qū)間劃分及評估指標(biāo)量化

由于所選取的評價指標(biāo)的數(shù)量等級不盡相同，因此本文在分析時采用相對劣化度。

對于越小越優(yōu)型指標(biāo)（主要指溫度、振動、部分電氣量），計算公式為：

對于中間型變量（主要指速度、電壓、電流、頻率等電氣量），計算公式為：

式中：x為所選取的指標(biāo)；f（x）為指標(biāo)的相對劣化度；β，β2為上限閾值；α，α1為下限閾值；β1，α2分別為最優(yōu)區(qū)間的最小值和最大值。

本文以環(huán)境溫度和風(fēng)速進行劃分，并且依據(jù)逆向云發(fā)生器的計算結(jié)果，為各個區(qū)間的溫度指標(biāo)設(shè)置閾值。具體方法如下：

采用Bin 區(qū)間劃分方法劃分環(huán)境溫度和風(fēng)速。本文以4℃為區(qū)間長度，將環(huán)境溫度劃分為12 個區(qū)間：-11℃以下，-11 ℃～-7℃，…，25℃～29℃，29℃以上。同樣方法以2 m/s 的長度將風(fēng)速劃分為13 個區(qū)間：1 m/s 以下，1～3 m/s，…，21～23 m/s，23 m/s 以上。最終得到156 個運行區(qū)間。

Ocd（c=1，2，…，12；d=1，2，…，13）表示風(fēng)力發(fā)電機組的運行區(qū)間。在機組運行過程中，由于各種因素，SCADA 中會產(chǎn)生大量異常數(shù)據(jù)。為此根據(jù)風(fēng)電機組風(fēng)速-功率異常運行數(shù)據(jù)特征進行數(shù)據(jù)清洗。用逆向云發(fā)生器處理清洗之后的數(shù)據(jù)，得到期望Ex，熵En和超熵He，并據(jù)此設(shè)置各區(qū)間溫度指標(biāo)的閾值。計算步驟如下：

式中：N為樣本總數(shù)；s為樣本編號。

以設(shè)置運行區(qū)間O74中發(fā)電機軸承溫度為例，區(qū)間O74即從實測數(shù)據(jù)中選取環(huán)境溫度在9℃～13℃，風(fēng)速在5～7 m/s 的數(shù)據(jù)。

數(shù)據(jù)清洗前后風(fēng)速-功率的散點圖分別如圖2和圖3 所示。數(shù)據(jù)清洗之后的發(fā)電機軸承溫度見圖4，由逆向云發(fā)生器計算后，得到3 個數(shù)字特征。

圖2 風(fēng)速-功率特性曲線（數(shù)據(jù)清洗前）Fig.2 Wind speed-power characteristic curve before data cleaning

圖3 風(fēng)速-功率特性曲線（數(shù)據(jù)清洗后）Fig.3 Wind speed-power characteristic curve after data cleaning

圖4 區(qū)間O74 中發(fā)電機軸承溫度Fig.4 Generator bearing temperature monitoring data in interval O74

2.2 合作博弈確定權(quán)重方法

采用合作博弈理論確定指標(biāo)權(quán)重時，以子項目層各個系統(tǒng)為單位，將不同方法確定的權(quán)重W（k）（k=1，2，…，n）進行融合，作為一個整體進行合作博弈，以此平衡主客觀權(quán)重的差異，提高精確度。具體過程為：

1）計算W（k）與W（n_k）的一致性相關(guān)系數(shù)L（k）。

式中：Wi（k）為第k種方法計算的第i個指標(biāo)的權(quán)重；W（n_k）為n種方法中除去第k種的其他n-1 種權(quán)重的組合；m為指標(biāo)個數(shù)；“—”為取平均值。

2）組合權(quán)重W′。

3）由于W（n_k）為n種方法中除去第k種的其他n-1種權(quán)重的組合，可以運用遞歸調(diào)用的方法逐步減少權(quán)重個數(shù)，直至剩下2 個。

4）經(jīng)過第3）步處理后，權(quán)重個數(shù)為2，W′的計算方法如式（5）：

式中：W(1)，W(2)為經(jīng)過第3）步處理后，剩下的2個權(quán)重。

將W′歸一化到變權(quán)W。保持權(quán)重系數(shù)的比例不變，使權(quán)重系數(shù)的和化為1。

本文以圖1 指標(biāo)體系子項目層中各個系統(tǒng)為單位，計算各系統(tǒng)內(nèi)各個指標(biāo)的權(quán)重。分別采用AHP、灰色關(guān)聯(lián)度法[23-24]、熵權(quán)法[25-27]、集成法以及合作博弈法計算各指標(biāo)的權(quán)重，如圖5 所示。

圖5 指標(biāo)權(quán)重折線圖Fig.5 Line chart of index weight

2.3 確定隸屬度的正態(tài)云模型方法

本文采用黃金分割法生成狀態(tài)評估的標(biāo)準(zhǔn)云：將機組的運行狀態(tài)劃分為良好、合格、注意、異常和嚴(yán)重5 個等級，即{V1，V2，V3，V4，V5}，其對應(yīng)的標(biāo)準(zhǔn)云為（Exj，Enj，Hej）（j=1，2，…，5）。其中“注意”為中間狀態(tài)，將其期望Ex3 設(shè)置為0.5。He3 可以根據(jù)不同指標(biāo)進行調(diào)整，本文取0.005。標(biāo)準(zhǔn)云熵和超熵的大小與論域中心的距離成負相關(guān)，且相鄰云中較小的是較大的0.618 倍。據(jù)此可確定數(shù)字特征并得到風(fēng)電機組狀態(tài)評估標(biāo)準(zhǔn)云圖，如圖6 所示。

圖6 狀態(tài)評估等級標(biāo)準(zhǔn)云Fig.6 State assessment level standard cloud

依據(jù)標(biāo)準(zhǔn)云構(gòu)建前件云發(fā)生器并計算隸屬度，以“注意”等級的前件云發(fā)生器為例：給定指標(biāo)的相對劣化度f，輸出云滴Drop（f，u3），如圖7 所示。其中，CG 為云發(fā)生器，u3表示該指標(biāo)的相對劣化度對“注意”狀態(tài)等級的隸屬度。

圖7 “注意”狀態(tài)前件云發(fā)生器Fig.7 “Attention”state antecedent cloud generator

3 風(fēng)電機組狀態(tài)評估流程

本文提出的基于區(qū)間劃分和合作博弈的風(fēng)電機組狀態(tài)評估云模型詳細步驟如下：

4.互動協(xié)同。大部分互聯(lián)網(wǎng)空間價值目標(biāo)的達成需要多主體互動協(xié)同。由于自身資源局限性，任何單一組織或個人都無法完成全價值鏈或全生態(tài)系統(tǒng)的建構(gòu)，因此只有多主體共同參與，交流協(xié)作，才能夠整合資源，達到效用最大化。持續(xù)、雙向的信息反饋和立體、網(wǎng)狀的開放創(chuàng)新是網(wǎng)絡(luò)協(xié)同的關(guān)鍵，這種結(jié)構(gòu)也塑造了網(wǎng)絡(luò)用戶的使用習(xí)慣。

1）建立如圖1 所采用的評估指標(biāo)體系，按照2.1 節(jié)所述的方法對實測數(shù)據(jù)進行預(yù)處理。

2）運用合作博弈融合權(quán)重處理方法將單一權(quán)重統(tǒng)一處理，通過變權(quán)后最終得到變權(quán)值。即：

式中：為i指標(biāo)的變權(quán)值；wi為i指標(biāo)的常權(quán)值；f（x）i為通過計算所得的i指標(biāo)的相對劣化度；a為懲罰因子，且0

3）建立5 個狀態(tài)等級的評價集{V1，V2，V3，V4，V5}。

4）將指標(biāo)參數(shù)輸入前件云發(fā)生器后得到相應(yīng)的隸屬度，由此求得最終的評判向量，并由模糊綜合評判法得到評估結(jié)果，最終選取隸屬度值最大的一項所對應(yīng)的狀態(tài)等級作為最后的結(jié)果。

4 實例驗證

4.1 實例1

以河北某風(fēng)電機組數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)所獲得的實測數(shù)據(jù)為例，驗證本文所提狀態(tài)評估方法的有效性，并與現(xiàn)有其他評估方法作比較分析。主要步驟如下：

表1 各指標(biāo)對各個狀態(tài)等級的隸屬度Table 1 The degree of membership of each index to each level of state

2）根據(jù)實測數(shù)據(jù)和式（6）計算各指標(biāo)的變權(quán)，見表2。

表2 各評估指標(biāo)的變權(quán)值Table 2 Variable weights of each evaluation index

3）計算指標(biāo)項目層的評判矩陣。

對齒輪箱系統(tǒng)各個指標(biāo)的評判向量進行組合，得到該子系統(tǒng)的評判矩陣：

結(jié)合變權(quán)系數(shù)，求得評判向量為：

同理，可得其他項目層的評判向量分別為：

4）子系統(tǒng)的評判矩陣為：

經(jīng)過權(quán)重分配后，得到最終評判向量如下：

根據(jù)最大隸屬度原則，判斷此組實測數(shù)據(jù)下風(fēng)力發(fā)電機組的運行狀態(tài)等級為注意狀態(tài)。在實時監(jiān)測的數(shù)據(jù)中顯示當(dāng)時機組的發(fā)電機繞組溫度等發(fā)生了明顯的偏移，劣化程度在0.5 左右，與本文所提方法的判斷結(jié)果一致。

本文所提方法與文獻[21-25]中的方法進行對比，結(jié)果如表3 所示。由表3 可知不同方法評估結(jié)果大體相同，但本文所提方法處于注意狀態(tài)的隸屬度大于其他方法。因此，本文方法對風(fēng)力發(fā)電機組運行狀態(tài)的評估可靠性和精確度更高。

表3 運行狀態(tài)的評估結(jié)果Table 3 Operating condition assessment results

4.2 實例2

為了進一步驗證本文所提方法的有效性，在該風(fēng)電場其他機組的實測數(shù)據(jù)中選取了3 種情況下的數(shù)據(jù)進行分析。其中，數(shù)據(jù)1 為風(fēng)速突變，數(shù)據(jù)2為齒輪箱軸承溫度、發(fā)電機繞組溫度偏高，數(shù)據(jù)3為齒輪箱軸承溫度和油溫、發(fā)電機軸承和繞組溫度多項指標(biāo)參數(shù)偏高。利用各方法得到的最終評判向量如表4 所示。

表4 不同指標(biāo)偏離情況下的最終評判向量Table 4 Evaluation vector under deviation of different indexes

由表4 可知數(shù)據(jù)1 下，各方法的評價結(jié)果均為“注意”狀態(tài)；數(shù)據(jù)2 下，各方法的評價結(jié)果均為“異?！睜顟B(tài)；數(shù)據(jù)3 下，由AHP 得到的評價結(jié)果為“注意”狀態(tài)，由熵權(quán)法得到的評價結(jié)果為“異?！睜顟B(tài)，由灰色關(guān)聯(lián)度法和本文所提方法得到的評價結(jié)果均為“嚴(yán)重”狀態(tài)?？梢娫跀?shù)據(jù)1 和數(shù)據(jù)2 下，各評估方法通過計算所得到的最終結(jié)果都與機組的真實運行狀態(tài)一致；而在數(shù)據(jù)3 下，由AHP 得到的評價結(jié)果與真實情況偏離較大，由熵權(quán)法得到的評價結(jié)果與真實情況比較接近，由灰色關(guān)聯(lián)度法和本文所提方法得到的評價結(jié)果與真實情況一致，但是由灰色關(guān)聯(lián)度法得到的最終評價向量中各個等級隸屬度大小相近。這是由于傳統(tǒng)的變權(quán)公式會將劣化程度淡化，而本文對不同的系統(tǒng)采取了不同大小的懲罰因子，因此能更加準(zhǔn)確地做出判斷。

5 結(jié)語

采用Bin 方法，根據(jù)風(fēng)速和環(huán)境溫度實現(xiàn)風(fēng)電機組運行工況的區(qū)間劃分，并利用逆向云發(fā)生器確定評價指標(biāo)動態(tài)閾值，可提高風(fēng)電機組狀態(tài)評估的精確度；采用合作博弈法計算風(fēng)電機組指標(biāo)的權(quán)重系數(shù)，不會造成權(quán)重差異增大；采用黃金分割法生成各狀態(tài)等級的標(biāo)準(zhǔn)云，更加符合實際情況；在風(fēng)電機組狀態(tài)評估中，各個指標(biāo)相對劣化程度不同對風(fēng)電機組造成的影響不同，可以使用變權(quán)因子進行調(diào)節(jié)。在下一步工作中，將以本文所提方法作為風(fēng)電機組運行狀態(tài)的數(shù)據(jù)標(biāo)簽，對風(fēng)電機組的運行狀態(tài)進行預(yù)測。