基于模糊綜合評判法的風電機組健康量化評價

文 | 閆慧麗，陳亞楠，陳剛，文坤，張海洋

隨著工業智能化的發展，現代工業要求設備運行期間能夠及時準確地監測其運行狀態，發現故障，排除故障，保證設備安全可靠運行。風電機組作為高成本產品，實時監測風電機組運行狀況更具有重大的意義。近年來，已經出現很多針對風電機組不同系統、不同零部件的故障預警或診斷方法，但對整機的健康評價方法卻寥寥無幾，而目前風電機組智能運維的趨勢不僅要求監控系統具有單一故障的預警及診斷能力，還要求對風電機組的整機健康狀況進行把握，實現整機健康評分的功能。

針對上述需求，有文獻提出了針對諸如電力變壓器、火電廠發電機組進行健康評估的方法，但未涉及風電機組。此后在重慶大學的一篇研究中提出應用層次分析法及模糊綜合評判方法進行風電機組整機評價，為風電機組整機健康評價提供了一個較好的思路，但仍具有一定的缺點：首先，該方法在構建風電機組評價體系時，選取的絕大多數特征指標為溫度變量，忽略了風電機組運行過程中，變槳、整機振動等變量異常帶來的影響；其次，該方法在計算劣化度的過程中未考慮不同工況下各變量變化范圍的不同，選取籠統單一的閾值作為劣化度計算的條件，造成劣化度準確性不高，最終影響機組健康評價的可靠性。

因此，本文在該文獻的基礎上，首先加入了變槳、整機振動等相關變量的影響因素，并通過構建合理的評價指標來計算變槳系統的相關劣化度，使風電機組的健康評價體系更加完整；其次，通過對不同工況下的各變量進行統計，確定出不同工況下各評價指標的劣化度計算閾值，并采用動態閾值的方法進行劣化度計算，從而使各變量的劣化度計算更加準確；最后，利用合適的分數向量將機組不同的狀態轉化成相應的健康得分，有助于通過分數直觀地觀察到各變量、系統及機組的劣化趨勢。

風電機組健康評價指標體系建立

風電機組從運行之初便通過傳感器對其各個關鍵部件進行多維度監測，并通過SCADA監控系統進行數據采集及存儲，其變量個數根據需求從幾十個到幾百個不等，這些運行數據能夠較全面地監測及反映風電機組的運行狀況。在這些變量中，溫度變量是一類比較重要的變量，因為溫度變量具有熱慣性，抗干擾能力強，與部件的劣化情況具有較強相關性，適用于劣化度函數的計算。但是，風電機組中只有齒輪箱系統、發電機系統、變流器與機艙的監測變量中包含溫度變量，顯然不能夠較全面地反映風電機組健康狀態。因此，本文在已選取溫度變量的基礎上，再次選取了SCADA系統中變槳及整機振動的相關監測變量，并通過合理構造新的符合劣化度計算函數的評估指標，將變槳系統及整機振動加入到風電機組健康評估中。

目前SCADA系統中，涉及變槳系統的變量主要為：葉片1/2/3角度，變槳1/2/3位置給定，變槳速度1/2/3，變槳1/2/3速度給定，變槳電機1/2/3電流，共計15個變量。以上這些變量在實際運行中主要是用于變槳控制，單獨變量的大小無法代表相關參數的異常或部件劣化，與風電機組的有功功率也無線性關系。但是變量相互之間的差值：變槳角度差、變槳速度差、變槳電機電流差卻可以反映出變槳系統的準確性、及時性及三個變槳電機的負載是否均衡。這三個差值越大，說明變槳系統性能越差，出現問題的概率也越高，正符合越小越優型的劣化度計算函數。因此，本文將上述變量的差值定義為變槳系統健康評價指標。

綜上所述，本文選取能夠反映風電機組健康的40個監測變量構建風電機組的健康評價指標體系（圖1），該評估體系中包含28個評估指標，涉及6個子系統。

劣化度計算

由于風電機組健康狀態評價指標具有各自的物理意義和取值范圍，為了消除量綱的影響，需要對風電機組健康評價指標做歸一化處理。本文引入劣化度的概念，表征風電機組當前實際狀態與故障狀態相比的劣化程度，其取值范圍為［0，1］，其中0表示健康，1表示劣化，0到1之間不同取值反映評判指標不同的劣化程度。根據上節所選的風電機組健康評價指標，本文選取越小越優型的劣化度計算函數，如公式（1）所示。

式中，g（x）為評價指標的劣化度；x為評價指標的實測值；α為評價指標劣化區間的下限值；β為評價指標劣化區間的上限值。

由劣化度函數可知，該函數的關鍵為閾值選取，且閾值設置的合理性將直接影響劣化度的準確性，繼而影響后續對風電機組的健康評價。在相關文獻中，對該值的設定均采取單一最高預警閾值，本文認為單一閾值忽略了評價指標在不同工況下變化范圍的不同，導致評價結果不夠準確。

因此，本文將采用不同工況下的動態閾值進行劣化度計算。具體方法為通過對風電機組有功功率進行區間劃分，并對各區間內的數據進行統計，最終實現各區間內指標閾值的確定。從而在計算劣化度時，根據不同工況采用不同閾值的劣化度函數進行計算。本文的閾值上下限參考箱線圖異常判斷法則，分別選取Q1-1.5IQR、Q3＋3IQR作為劣化區間的下限及上限。其中，Q1、Q3分別為箱線圖的四分之一與四分之三分位數，IQR=Q3-Q1。

風電機組模糊綜合評判法

風電機組健康狀態是一種模糊的概念，例如“健康”與“良好”之間，“良好”與“注意”之間并非非此即彼，而是亦此亦彼，即表現出邊界不清楚，存在中間狀態。這不是由于人的主觀認識達不到客觀實際所造成的，而是因為事物的差異之間存在著中間過渡過程，是事物的一種客觀屬性。模糊綜合評價法正是解決這種問題的一種方法，它根據模糊數學中的隸屬度理論把定性評價轉化為定量評價，即用模糊數學對受到多種因素制約的事物或對象做出一個總體的評價。

圖1 風電機組健康評價指標體系

一、風電機組健康狀態評價集

機電設備健康狀態數的劃分常用1～9級標度法，通過對比和分析風電機組的實際工作狀態、健康特征信息以及運維歷史數據，本文將風電機組的健康狀態劃分為“健康”“良好”“注意”“惡化”“故障”五個等級，即評語V={V1，V2，V3，V4，V5}={健康，良好，注意，惡化，故障}。

二、隸屬度函數

隸屬度函數是模糊綜合評價的應用基礎，它可以計算當前指標值，如劣化度隸屬于某個模糊概念的概率。隸屬度越接近1，表示該值屬于某個概念的程度越高。由于對同一個模糊概念，不同的人會建立不完全相同的隸屬度函數，因此隸屬度函數的定義具有一定的主觀性。本文將構造健康狀態的嶺形分布函數，該函數所得隸屬度結果對健康評分具有較好的適用性，能夠建立劣化度與健康評分的一一對應關系，從而反映機組健康情況，具體公式如式（2）-（6）所示。

圖2 嶺形分布函數圖

圖3 整機健康評價結果

該函數分布如圖2所示。

將各評價指標劣化度代入上述隸屬度函數，則可得到系統層第i個系統中m個指標參數的劣化度隸屬于上述n個健康狀態的隸屬度矩陣Ri，如式（7）所示：

圖4 WT05系統健康評分

式中，Ri為第i個系統的隸屬度矩陣；vmn為第i個系統中第m個指標隸屬于健康狀態n（本文n=5）的隸屬度。

三、模糊綜合評判

式中，B為評判向量，指系統或整機隸屬于每個健康狀態的概率值；A為權重，本文各指標權重取相同值；R為隸屬度矩陣，可由上述隸屬度函數計算得到；“·”為模糊評判算子，本文取加權平均。

按照上述過程，可以分別求得每個系統的評判向量Bi，從而構成機組層面健康狀態的隸屬度矩陣R=［B1，B2，…Bi］（本文i=6），并繼續通過 B=A·R計算得出整機的健康評判向量。

四、風電機組健康評分

在經過上述模糊綜合評判之后，根據隸屬度最大原則可確定當前整機的健康狀態，但無法得到關于機組的健康評分。因此，本文在此基礎上通過構建合理的評分向量將評判向量轉化成分數制從而實現機組健康評分，計算方法如式（9）所示：

式中，S為風電機組健康評分；B為評判向量；P =（100，90，80，70，50）。

該健康評分中：100～90之間為“健康”，90～80之間為“良好”，80～70之間為“注意”，70～60之間為“故障”，60～50之間為“嚴重”。

實例分析

為驗證上述風電機組健康評分方法的有效性和準確性，以某風電場2MW機型2017年6月實際監測數據為例進行驗證，選取該風電場5臺機組并獲取其一月的數據。其中，數據粒度為1min，采取的健康評分間隔為10min，評分結果如下文所示。

圖3所示為五臺機組的整機健康評分趨勢圖。從圖中可以看出，五臺機組的整機健康評分基本在80分以上，處于良好的狀態；但是可以發現機組WT05的整機健康評分不斷走低，且存在低于80分的健康值。針對WT05單獨進行分析，查看其各系統評分，如圖4所示。

由圖4可知，該機組齒輪箱系統在整個月中評分不斷降低，到月中已經處于故障狀態?？梢耘袛帻X輪箱評分較低是造成該機組整機健康評分較低的主要原因。繼續展開齒輪箱系統中各指標的健康評分，如圖5所示。

由圖5可知，造成齒輪箱系統健康評分較低的原因是齒輪箱低速軸軸承溫度及齒輪箱進口油溫健康評分較低；針對上述評分，查看WT05機組齒輪箱的實際運行數據，并作時序對比圖（圖6）。

由齒輪箱實際數據可以發現，機組WT05的齒輪箱低速軸軸承溫度、齒輪箱進口油溫明顯偏離其他正常機組；并且其溫度越來越高，正驗證了前述齒輪箱相關指標及系統的評分越來越低的現象。而由風電場實際故障維修記錄可知，直到6月28日風電機組才報出該故障并由維護人員進行登機維修，相較于其故障發生時間至少延后一個月。

結論

圖5 WT05指標健康評分

圖6 齒輪箱實際數據分析

圖7 故障維修記錄表

本文通過構建風電機組健康評價指標體系，引入劣化度，采用模糊綜合評判法實現對風電機組的健康評估，并對原方法進行了一定程度的完善和改進。首先，通過構建合理的評價指標在原有的評價指標體系中加入了變槳、偏航等相關變量的影響因素，從而使風電機組的健康評價體系更加完整；其次，優化了劣化度閾值設定方法，采用動態閾值的方法進行劣化度計算，使各變量的劣化度計算更加準確；最后，利用合理的分數向量將機組不同的狀態轉化成相應的健康得分，有助于通過分數直觀地看到各變量、系統及機組的劣化趨勢。實例驗證結果表明，該方法具有有效性和可行性，有助于運維人員了解風電機組的健康狀態，及時發現安全隱患。同時，可用于風電場的日常運行維護策略制定。