基于灰色關聯度的風力發電機組健康性能評估方法研究

□郭雙全

上海電氣集團股份有限公司 中央研究院　上海　200070

基于灰色關聯度的風力發電機組健康性能評估方法研究

□郭雙全

上海電氣集團股份有限公司 中央研究院上海200070

對風力發電機組進行健康性能評估，可以為機組可靠運行、智能診斷提供參考。借助風機歷史運行狀態數據，通過風機采集與監控系統測點間關聯性分析，綜合風機變槳、偏航、傳動、齒輪箱冷卻、機艙溫度狀況、發電等多方面性能，運用灰色關聯度分析方法，建立了風力發電機組健康性能評估模型，得到了機組健康性能變化曲線。應用實例分析表明，通過合理的閾值設定所得到的閾值報警點與機組實際報警記錄有較高的吻合率，實現了部分故障的提前預警，對實現機組智能診斷有重要參考意義。

隨著近幾年中國風電裝機容量的不斷增長，我國已成為全球第一的風電大國。根據國家能源局擬定的“十三五”風電發展框架，2020年的風電裝機目標是2億千瓦，較當前裝機容量提高1倍，新增裝機將是近十年風電裝機的總和，市場前景和規模十分龐大［1］。盡管裝機容量巨大，但風電并網容量與裝機容量目前仍然存在較大差距，一方面因為風力不穩引起的并網技術相對較復雜，另一方面主要是因為機組故障引起的非計劃停機。未來風電發展的兩大趨勢：一是單機容量不斷增大；二是風電場逐步由陸地走向海上。由風電故障造成的發電損失及維護費用必然逐漸增加，因此，開展風力發電機組健康性能評估研究，對于實現機組故障的智能診斷，提高機組運行效益，具有十分重大的意義。

開展風力發電機組健康性能評估，必須借助風機運行狀態數據。目前風機數據采集與監控系統（Supervisory Control and Data Acquisition，SCADA）包含了風速信息、變槳信息、偏航信息、溫度和振動等數據，考慮到風機機組各子系統和部件之間的復雜關系與相互作用，SCADA測點之間的關聯性難以能夠被簡單地確定，存在不確定性［2］。

灰色關聯度分析方法是處理因素間不確定關聯性的量化方法之一，它提供了因素間關聯程度的度量，適合系統發展變化趨勢分析［3，4］。通過對SCADA測點間的物理關聯性分析，運用灰色關聯度分析方法，建立風力發電機組健康性能評估模型，可計算不同時段中的風力發電機組健康性能指標。通過健康性能變化曲線，分析風電機組運行趨勢，為風電機組運行過程中的健康性能診斷提供參考。

1　SCADA系統測點關聯分析

風電機組主要包括變槳系統、偏航系統、主軸、齒輪箱、發電機、機艙等部分，其基本結構如圖1所示。SCADA系統［5］包括機組運行數據的采集與記錄、機組控制、圖形界面與數據管理等功能，保障機組安全可靠運行。

機組整體健康性能與各部件的運行狀態息息相關，變槳系統在額定風速以下，變槳控制器不工作，槳距角基本不變，保持在最小槳距角位置；超過額定風速，變槳控制器會采取相應動作，控制風輪轉速保持在額定轉速左右。偏航系統主要依據機艙朝向與風向的差角進行偏航，當小于某個夾角范圍，機艙偏航停止。風機齒輪箱將主軸傳遞的風輪轉速輸出為發電機轉速，齒輪箱由冷卻水進行降溫，冷卻水溫度主要受齒輪油溫、輸入輸出軸的溫度影響。機艙環境溫度的影響因素較多，是多方面因素的綜合體現。機組發電性能是以有功功率為關注點，主要受發電機轉速、線電壓、線電流、功率因數等影響。綜合以上分析，結合SCADA系統監控測點信息，針對不同方面的性能，選擇目標參數與關聯運行參數（見表1），并提出信號處理建議，為健康性能評估模型的建立奠定數據基礎。

圖1　風電機組基本結構圖

2　基于灰色關聯度的健康性能評估模型

2.1灰色關聯度分析

根據表1所示，將機組各個性能狀態看作一種灰色系統。以變槳性能為例，將目標參數（變槳位置）在單位時間段（一天）內的數據作為參考序列X0，關聯運行參數（風輪轉速、瞬時風速、30 s風速、10 min風速）在單位時間段（一天）內的數據作為比較序列Xi，i=1，2…，m，m為比較序列參數個數，通過關聯度計算步驟可以得出參考序列與比較序列之間的灰色關聯度向量Rpitch=（R01，R02，…，R0m），該向量可作為變槳性能在該時段的狀態向量，由此及彼，可以分別得到各個性能對應的狀態向量［6］。

表1　SCADA系統中機組性能相關參數表

2.1.1數據預處理及規范化

由于SCADA數據為定時記錄，需要根據變槳系統控制邏輯對原始序列進行預處理，剔除非變槳狀態（最大變槳角或最小變槳角）數據；當發電機處于非發電狀態（停機、空轉、待機等）下，變槳數據也不能反映變槳性能真實狀況，該類數據也應剔除，分析樣本數據集為：

經過式（1）進行的數據預處理后，由于參考序列與比較序列各個參數含義不同，具有不同量綱和數據級，為保證各個序列間具有等效性和同序性，需要進行無量綱化和歸一化。筆者采用離差標準化方法，即對原始數據作線性變換，將結果映射到［0，1］之間。轉換函數如下：

式中：X0（k）為第k點處的參數原始值；maxX0與minX0分別為最大與最小值。

2.1.2灰色關聯度因數

預處理與規范化后的參考序列X0與比較序列Xi在k處的灰色關聯度因數為：

式中：min minΔ0i（k）為兩級最小差；max maxΔ0i（k）為兩級最大差；ρ為分辨因數，ρ∈（0，1），一般取0.5。

2.1.3灰色關聯度

關聯度因數是比較序列與參考序列在不同時刻的關聯程度值，對此進行集中求平均值，作為比較序列與參考數列關聯程度的度量，關聯度公式［3］為：

R0i表示各個比較序列對參考序列的灰色關聯度，應用式（1）～（4）進行計算，可以得出各個時段下變槳性能、偏航性能、傳動性能、齒輪箱冷卻性能、機艙溫度狀況、發電性能對應的狀態向量，即灰色關聯度向量Rpitch、Ryaw、Rtrans、Rcool、Rnace、Rgen。

2.2健康性能評估模型

對SCADA系統運行數據按單位時間段進行劃分，根據風機歷史運行記錄，選擇健康時間段的平均灰色關聯度作為基準，計算各個時段下灰色關聯度與的加權歐式距離：

式中：m為比較序列參數個數，該距離可以作為性能衰退程度的度量。

采用加權處理方式，一方面不影響距離整體變化趨勢；另一方面可以在一定程度上消除參數數量對距離計算的影響，保證不同性能對應的距離值大小保持在同一數量級。機組在某一方面的健康性能狀況與衰退情況成反比，性能健康值H為：

采用該公式，依次可以計算得到變槳、偏航、傳動等多方面性能的健康值，綜合各性能健康值，相乘可以得到機組整體性能健康值：

式中：p=6為性能健康值的種類數。

根據以上分析方法，可以得到機組整體健康性能在不同時間下的變化趨勢，分析機組整體運行狀況。

3　應用實例

以某風場某機組風機SCADA系統數據為例，將數據按每日進行分塊計算，應用健康性能評估模型對應的式（1）～（7），可以得到機組整體健康性能變化趨勢，并結合機組現場運行記錄進行對比分析。

如圖2所示，該圖為機組綜合性能健康值變化曲線圖，健康值的范圍在0到1之間。由于機組整體健康為各方面性能的綜合體現，因此其整體計算值相對偏低，其健康值越高，表明機組整體性能相對越好。部分時間段，性能值一直保持不變，是由于該時段機組處于非發電狀態。根據經驗并結合曲線變化情況，取性能健康閾值為0.5，當性能健康值低于閾值，見圖中紅色標記點，可以認為機組目前或近期可能會發生故障。將以上計算結果與機組運行記錄作對比，見表2，可以發現，機組大部分故障在性能健康變化曲線中，與健康閾值報警點相對應，吻合率達到88.9%，并且部分閾值報警點可以相對故障記錄提前報警。

圖2　整體性能健康值變化曲線圖

表2　閾值報警點與SCADA報警記錄對照表　日期

同理，將以上方法應用于其它兩臺機組，可以得到類似的性能變化圖和相應閾值報警點，如圖3所示，通過對比運行記錄，計算得到這兩臺的吻合率分別達到83.3%和90%。

各模型計算得到的性能健康值，見表3，通過合適的閾值設定，閾值報警點可以在較大程度上與這三臺機組歷史運行報警記錄相吻合，最低達到83.3%，雖然存在一定的誤報或漏報，但也可實現部分故障的提前預警，可以為機組的智能診斷提供參考。

表3　不同機組吻合率計算對照表

圖3　其它兩臺機組性能健康值變化曲線

4　結論

通過對SCADA系統中測點與性能之間的關聯性分析，并引入分析灰色關聯度的方法，將機組整體性能視為各方面性能的綜合體現，建立了基于灰色關聯度的機組健康性能評估模型。通過應用實例分析表明，利用該方法計算得到的閾值報警點與實際報警記錄有較高的吻合率，部分故障還可以提前預警，對于實現機組智能診斷有重要參考作用。但該方法也存在一定的不足之處，對部分故障存在誤報或漏報，未來還需要進一步對模型完善，不斷提高閾值報警的吻合率。

［1］肖薔.“十三五”風電發展框架初現 ［N］.中國能源報，2014-10-27.

［2］李玉潔，方瑞明.基于改進加權灰關聯分析法的風電機組可靠性研究［J］.電力系統保護與控制，2015（14）：63-69.

［3］鄧聚龍.灰色控制系統 ［J］.華中工學院學報，1982（3）：9-18.

［4］段志善，聞邦椿.灰色系統理論在設備故障診斷中的應用［J］.東北工學院學報，1990（4）：383-389.

［5］佘慎思，楊文斌，李春.風力發電場SCADA系統的設計［J］.上海電氣技術，2010（3）：39-42.

［6］李家會，金煒東，熊莉英.基于模糊灰關聯分析的高速列車運行狀態識別［J］.振動與沖擊，2014，33（16）：188-193.

Health performance assessment of wind turbine set can provide a reference for reliable operation of the unit and for intelligent diagnosis.The health performance assessment model for wind turbine is established to obtain its changing performance curves by dint of the fan history data on running status of the wind turbine，through the analysis of the correlation of the wind turbine SCADA measuring points，the integration of multiaspect performances covering pitch，yaw，transmission，gear box cooling，temperature conditions in engine room，power generation and the analytical approach on gray correlation.Case study shows that through reasonable setting of the threshold，a higher match rate is realized between the alarm set point with the threshold obtained this technique and practical alarm reported by the unit，so that an early warning of partial failures could be achieved which presents a significant reference for the implementation of intelligent diagnosis of the wind turbine set.

風力發電機組；SCADA測點；灰色關聯；健康性能

Wind Turbine Set；SCADAMeasuring Point；Grey Correlation；Health Performance

TK83

A

1672-0555（2016）01-007-05

2015年10月

郭雙全（1989—），男，碩士，主要從事發電設備故障診斷及智能維護領域的研發工作