郭煜濤，謝麗蓉?，包洪印，孫代青

(1.新疆大學(xué) 可再生能源發(fā)電與并網(wǎng)技術(shù)教育部工程研究中心，新疆 烏魯木齊 830017；2.中船重工海為（新疆）新能源有限公司，新疆烏魯木齊 830002)

0 引言

隨著風(fēng)電機組單機容量的不斷增加，隨之出現(xiàn)的各種故障也在不斷增加.而風(fēng)電機組工作環(huán)境惡劣多變造成日常運行狀態(tài)監(jiān)測困難，運行維護成本較高[1].因此研究風(fēng)電機組健康狀態(tài)的準(zhǔn)確評估，對及時掌握風(fēng)電機組運行狀態(tài)，提前發(fā)現(xiàn)潛在故障征兆，減少故障停機時間具有較好的學(xué)術(shù)研究意義及工程應(yīng)用價值[2].

國內(nèi)外在風(fēng)電機組重要部件的運行狀態(tài)研究較多，而對整個風(fēng)電機組狀態(tài)評估的研究較少.常用的風(fēng)機狀態(tài)評估方法有風(fēng)功率評估和數(shù)據(jù)融合評估.Kusiak等[3]基于霍特林統(tǒng)計分析風(fēng)機有功功率的實時數(shù)據(jù)，來判斷機組的健康狀態(tài).測定指標(biāo)間權(quán)重的方法包括主觀權(quán)重法、客觀權(quán)重法和組合賦權(quán)法.肖運啟[4]、李輝等[5]采用層次分析法對研究對象進行健康評估，一定程度上影響了結(jié)果的客觀性.周湶等[6]將集對分析法用于分析參量，將證據(jù)理論用于解決信息融合.黃必清等[7]采用相關(guān)系數(shù)法確定評估指標(biāo)間的客觀權(quán)重，完全依賴于數(shù)據(jù)，無法充分體現(xiàn)指標(biāo)間的相關(guān)性.董興輝等[8]通過乘法集成法對權(quán)重進行組合賦權(quán)，但可能出現(xiàn)倍增效應(yīng).曾江等[9]采用線性加權(quán)法進行組合賦值，但確定加權(quán)系數(shù)的方法較為繁瑣.LI J等[10]采用標(biāo)準(zhǔn)云求取隸屬度，通過模糊綜合評判對風(fēng)機運行狀態(tài)進行評估.鄒陽等[11]基于雙基點法計算待評估對象與標(biāo)準(zhǔn)狀態(tài)理想點的貼近度，獲取評估結(jié)果.楊萌等[12]針對評價指標(biāo)的模糊性和權(quán)重的不確定性，將熵權(quán)法與專家打分法進行了主觀權(quán)重的結(jié)合.

本文將多參數(shù)融合與組合賦權(quán)法相結(jié)合，首先從SCADA（數(shù)據(jù)采集與監(jiān)視控制）系統(tǒng)中提取與風(fēng)電機組健康相關(guān)的監(jiān)測參數(shù)，構(gòu)建健康狀態(tài)評估指標(biāo)體系，其次通過組合賦權(quán)將灰色關(guān)聯(lián)分析法客觀權(quán)重與層次分析法主觀權(quán)重對應(yīng)結(jié)合，體現(xiàn)了各參數(shù)的相對重要性，然后應(yīng)用高斯函數(shù)確定指標(biāo)參數(shù)的隸屬度，最終通過模糊綜合評判模型對風(fēng)電機組展開健康狀態(tài)評價.

1 風(fēng)電機組健康狀態(tài)評估指標(biāo)體系構(gòu)建

1.1 健康狀態(tài)評估指標(biāo)體系

風(fēng)電機組因其工作特性而需要在風(fēng)資源豐富的環(huán)境中運行，這樣的環(huán)境大多是復(fù)雜、惡劣的，且機組是由多部件協(xié)作的復(fù)雜控制系統(tǒng).所以風(fēng)電機組運行監(jiān)測難度大，監(jiān)測的參數(shù)類型繁多、數(shù)量龐大.SCADA系統(tǒng)是常用的風(fēng)機運行監(jiān)測系統(tǒng)，其監(jiān)測數(shù)據(jù)可以作為風(fēng)機運行狀態(tài)的外在表征，包括溫度、壓力和振動等特征量，一定程度上體現(xiàn)了風(fēng)機的健康程度[13].

圖1為新疆某風(fēng)電場9號風(fēng)機在2015―2018年間重要部件發(fā)生故障次數(shù)的統(tǒng)計.在圖1中可以看到，齒輪箱和變槳系統(tǒng)故障發(fā)生次數(shù)逐年上升，發(fā)電機雖然故障發(fā)生次數(shù)較少，但發(fā)生故障將導(dǎo)致風(fēng)機損失較多的發(fā)電量.

圖1 2015年―2018年風(fēng)機重要部件故障次數(shù)

為系統(tǒng)、客觀地反映風(fēng)電機組運行狀態(tài)，通過對風(fēng)電機組故障模式（如齒輪箱是風(fēng)電機組中重要且故障率較高的部件之一[14]）、故障次數(shù)、造成損失及監(jiān)測數(shù)據(jù)等進行歸納和分析，構(gòu)建了基于運行狀態(tài)強相關(guān)參數(shù)的風(fēng)電機組健康狀態(tài)評估指標(biāo)體系，如表1所示.

表1 風(fēng)電機組健康狀態(tài)評估指標(biāo)

該指標(biāo)體系由系統(tǒng)層、部件層和參數(shù)層3個層次構(gòu)成.將風(fēng)電機組的健康狀態(tài)作為系統(tǒng)層分解成部件層中的5個評判因素，記為Y={Y1,Y2,Y3,Y4,Y5}={齒輪箱系統(tǒng)，發(fā)電機系統(tǒng)，變槳系統(tǒng)，電網(wǎng)環(huán)境，機艙系統(tǒng)}.

1.2 風(fēng)電機組健康狀態(tài)等級劃分

風(fēng)電機組的運行狀態(tài)是一個時變的過程，難以用數(shù)字量化.本文采用人為設(shè)定健康等級的方式對運行狀態(tài)進行描述.根據(jù)風(fēng)電機組運行守則和現(xiàn)場人員的經(jīng)驗，將健康狀態(tài)設(shè)定為“良好”“合格”“注意”“嚴(yán)重”4個等級，如表2所示.

表2 風(fēng)電機組健康狀態(tài)等級

1.3 風(fēng)電機組健康狀態(tài)評估過程

首先分析監(jiān)測數(shù)據(jù)參量和風(fēng)電機組故障分布，建立從參數(shù)到部件到系統(tǒng)的評估指標(biāo)體系，根據(jù)運行規(guī)定劃分健康狀態(tài)等級.其次運用層次分析法和灰色關(guān)聯(lián)分析法進行組合賦權(quán)，確定了各指標(biāo)參數(shù)和部件的綜合權(quán)重.然后以劣化度的形式將參數(shù)歸一化處理，由隸屬函數(shù)確定各指標(biāo)的健康狀態(tài).最后，根據(jù)評判向量和隸屬度評估原則對評價結(jié)果進行判別.狀態(tài)評估過程如圖2所示.

圖2 風(fēng)電機組健康狀態(tài)評估過程

2 組合賦權(quán)確定評估指標(biāo)權(quán)重

目前，評價指標(biāo)權(quán)重的確定方法有主觀賦權(quán)、客觀賦權(quán)和組合賦權(quán)三種.主觀賦權(quán)依據(jù)領(lǐng)域內(nèi)專家或者深耕于行業(yè)的從業(yè)者對評價指標(biāo)的權(quán)重進行判斷，不可避免地會具有主觀誤差.客觀賦權(quán)是通過數(shù)學(xué)理論方法將系統(tǒng)運行的各項信息之間的關(guān)聯(lián)轉(zhuǎn)換為各特征指標(biāo)的權(quán)重，但會出現(xiàn)與實際差別很大的情況.而組合賦權(quán)法是將上述兩類方法進行結(jié)合，同時體現(xiàn)了專家經(jīng)驗與對象內(nèi)部的客觀關(guān)聯(lián).因此，本文選擇將客觀數(shù)據(jù)內(nèi)在聯(lián)系和主觀經(jīng)驗相結(jié)合，進行組合賦權(quán).針對灰色關(guān)聯(lián)分析法和層次分析法進行組合賦權(quán)，通過將灰色關(guān)聯(lián)分析法的參數(shù)層指標(biāo)權(quán)重與層次分析法的參數(shù)層指標(biāo)權(quán)重對應(yīng)結(jié)合，再與部件層指標(biāo)權(quán)重綜合，歸一化后得到最終的指標(biāo)權(quán)重.

2.1 基于層次分析法的主觀權(quán)重計算

層次分析法通常會利用分解、比較、評估和組合對系統(tǒng)進行分析，通過專家學(xué)者的經(jīng)驗知識對目標(biāo)進行整體的分析，分層來構(gòu)造每個層級的指標(biāo)并進行兩兩比較，同層各指標(biāo)相對于上一級指標(biāo)的權(quán)重.然后通過檢驗一致性來調(diào)整比例，最終確定方案.在此，應(yīng)用層次分析法確立風(fēng)電機組特征指標(biāo)的主觀權(quán)重.

層次分析法求取指標(biāo)權(quán)重的過程如下：

(1)通過對同層次的指標(biāo)進行兩相比較，從而構(gòu)造層次判別矩陣；

(2)根據(jù)求得的判別矩陣，確定同層元素與上層元素的重要性排序；

(3)在計算各層元素相對上層元素的權(quán)重后，由頂層到底層逐層求出相應(yīng)的評價權(quán)重.

2.2 基于灰色關(guān)聯(lián)分析法的客觀權(quán)重計算

風(fēng)電機組是一個運行指標(biāo)較多的復(fù)雜系統(tǒng)，采集的數(shù)據(jù)間存在一定的耦合關(guān)系[15].灰色關(guān)聯(lián)分析法通常用于分析內(nèi)部信息不夠清楚的灰色系統(tǒng)，風(fēng)電機組就是這樣一個灰色系統(tǒng)，因此適用于分析風(fēng)機運行數(shù)據(jù)間的權(quán)重.灰色關(guān)聯(lián)分析方法不需要對數(shù)據(jù)進行較為精確的描述，具有結(jié)果精確、數(shù)據(jù)應(yīng)用較為方便的特點[16].

(1)設(shè)有n個對象，每個對象有m個指標(biāo)，本文以Y={ 1,1,···,1}作為反映系統(tǒng)整體特征的理想?yún)⒖紨?shù)列.影響系統(tǒng)運行的比較數(shù)列可表示為：

式中：i=1,2,···,n，k=1,2,···,m.

(2)通過初值化對數(shù)據(jù)進行歸一化處理：

(3)計算得到關(guān)聯(lián)系數(shù)：

式中：ρ為分辨系數(shù)，一般取0.5[17].因此第i個評價指標(biāo)與參考指標(biāo)的關(guān)聯(lián)度為：

由關(guān)聯(lián)度ξi可知其權(quán)重為：

通過灰色關(guān)聯(lián)分析法計算得到風(fēng)電機組健康狀態(tài)指標(biāo)體系參數(shù)層的客觀權(quán)重，如表3所示.

表3 客觀指標(biāo)權(quán)重

2.3 組合權(quán)重計算

目前常見的組合賦權(quán)方法有線性加權(quán)法和乘法集成法，其計算方法較簡單，都是將底層指標(biāo)的主客觀權(quán)重通過簡單的加減乘除相結(jié)合，沒有涉及到上層指標(biāo)的結(jié)合，且可能出現(xiàn)求出的某指標(biāo)權(quán)重值與實際相差較大，導(dǎo)致系統(tǒng)層權(quán)重失調(diào).

線性加權(quán)法如式(6)：

乘法集成法如式(7)：

式中：μk為主觀權(quán)重，ρk為客觀權(quán)重，θ為主觀權(quán)重的系數(shù).

除此之外，層次分析法作為主觀賦權(quán)法的典型方法，其思想是建立遞進的結(jié)構(gòu)，從而自上而下的建立分析對象的指標(biāo)體系.雖然上層指標(biāo)與風(fēng)機系統(tǒng)的相對重要程度更容易被人們評價，但由于不同專家故障經(jīng)驗存在差異[18]以及風(fēng)電機組機型的不同導(dǎo)致該指標(biāo)下參數(shù)對于部件的重要性排序無法輕易被量化，因此評價可能出現(xiàn)偏差.為盡量避免以上兩種誤差的出現(xiàn)，本文對綜合權(quán)重的求解方法進行改進，使各指標(biāo)權(quán)重更為準(zhǔn)確.具體步驟如下：

(1)設(shè)有m個部件層指標(biāo)，n個參數(shù)層指標(biāo)，每個部件層指標(biāo)分別包含n1,n2,···,nm個子指標(biāo)，并且n1+n2+···+nm=n，通過層次分析法得到部件層的指標(biāo)權(quán)值A(chǔ)={A1,A2,···,Am}，各參數(shù)指標(biāo)的權(quán)重B={B1,B2,···,Bn}；

(2)通過灰色關(guān)聯(lián)分析法求得各參數(shù)指標(biāo)的權(quán)重C={C1,C2,···,Cn}；

(4)按層次重新表示參數(shù)指標(biāo)綜合權(quán)重T={T11,T12,···T2n1,T21T22,···T2n1,Tm1Tm2,···Tmnm}，并分別對各部件層指標(biāo)下子指標(biāo)的綜合權(quán)重歸一化得：

(5)將部件層指標(biāo)權(quán)重A與Ω′′對應(yīng)相乘，得組合權(quán)重：

(6)將權(quán)重Ω′重新表示為,對Ω′歸一化得{ω1,ω2,ω3,···,ωn}.可表示為：

其中：j=1,2,···,n.

該組合權(quán)重法將客觀數(shù)據(jù)內(nèi)在聯(lián)系和主觀經(jīng)驗相結(jié)合，既保證了部件層的重要性，也避免了參數(shù)在評價體系中重要性無法被及時體現(xiàn)的問題.

3 基于高斯函數(shù)的風(fēng)電機組健康狀態(tài)評估模型

3.1 評估指標(biāo)的量化

由于SCADA監(jiān)測數(shù)據(jù)數(shù)量大且各自物理單位和數(shù)值特性不同，需要進行歸一化處理來消除量綱的影響.本文采取劣化度來表示風(fēng)電機組運行狀態(tài)與健康狀態(tài)相比較得到的程度值.所搭建的指標(biāo)體系主要包括以下三種指標(biāo)劣化度計算.

(1)越小越優(yōu)型指標(biāo)，如溫度參數(shù)，劣化度計算公式可表示為：

(2)中間越優(yōu)型指標(biāo)，如發(fā)電機轉(zhuǎn)速，劣化度計算公式可表示為：

式中：g(x)為劣化度，xmin<γ1<γ2

(3)越大越優(yōu)型指標(biāo)，如有功功率，劣化度計算公式可表示為：

式中：x 為參數(shù)實測值，[xmin,xmax]為參數(shù)運行區(qū)間.

首先根據(jù)各指標(biāo)的參數(shù)性質(zhì)，確定參數(shù)層指標(biāo)的單一劣化度，然后根據(jù)參數(shù)層指標(biāo)的單一劣化度通過組合賦權(quán)的方式得到部件層的混合劣化度，最后通過各部件層的混合劣化度權(quán)重分配，最終得到整臺風(fēng)電機組的綜合劣化度.

3.2 基于高斯函數(shù)的隸屬度分析

由于各參數(shù)已通過劣化度計算公式得到了相應(yīng)的劣化度，因此需要選取包括各指標(biāo)參數(shù)劣化度取值區(qū)間的隸屬度函數(shù).基于高斯函數(shù)計算簡便，可以較好地將隸屬度描述出來的特性[19]，本文選取高斯函數(shù)作為隸屬度函數(shù).高斯函數(shù)主要由參數(shù)ρ和參數(shù)θ確定，如式(14)所示.參數(shù)ρ表示隸屬度函數(shù)的均值，一般取正.參數(shù)σ表示隸屬度函數(shù)的方差，用于確定曲線的中心.

在此采用該函數(shù)建立相對劣化度對應(yīng)健康狀態(tài)等級的隸屬函數(shù).隸屬度函數(shù)需要有一定的交叉區(qū)域，且區(qū)域應(yīng)保持在0.2～0.6[18].根據(jù)隸屬度隨著劣化度的變化規(guī)則，得到隸屬度函數(shù)如下：

其中：FL(x) 是指第x個指標(biāo)對應(yīng)的評價等級L的隸屬度.L=1,2,3,4，對應(yīng)良好、合格、注意、嚴(yán)重.各狀態(tài)評級的高斯隸屬函數(shù)如圖3所示.

隸屬函數(shù)計算方法：按照劣化度計算結(jié)果，確定圖3中高斯型的分布函數(shù)的劣化度，對于不同狀態(tài)等級的模糊分界區(qū)間，將狀態(tài)等級與劣化度相對應(yīng)的隸屬函數(shù)建立起來.

圖3 高斯隸屬函數(shù)分布圖

3.3 風(fēng)電機組健康狀態(tài)模糊綜合評判

本文評估指標(biāo)較多，因此選用多層次的模糊綜合評價法.首先建立多層次指標(biāo)集，然后從參數(shù)層開始，從下到上地對各層級對應(yīng)的指標(biāo)分別進行綜合評價，最后得到系統(tǒng)的評判向量.模糊綜合評估流程如圖4所示.

圖4 模糊綜合評估流程

實時監(jiān)測數(shù)據(jù)經(jīng)過劣化度計算公式得到參數(shù)劣化度，參數(shù)劣化度經(jīng)過高斯隸屬度函數(shù)的計算，得到了系統(tǒng)中第i個部件的m個指標(biāo)參數(shù)的劣化度隸屬于狀態(tài)Vn的隸屬度矩陣Ri：

在模糊評判表達式中，合理的評判算子對結(jié)果而言很重要.本文對常用的模糊評判算子進行評估，最終發(fā)現(xiàn)加權(quán)平均型模糊算子可以按照相應(yīng)值的比重，將各評估指標(biāo)都應(yīng)用到評估工作中，從而在最終評估結(jié)果中體現(xiàn)出所有因素的影響，使評估結(jié)果更加全面合理.因此本文選擇加權(quán)平均型模糊算子.同時，根據(jù)組合賦權(quán)方法將風(fēng)電機組健康評估體系的權(quán)重關(guān)系建立起來，得到各部件權(quán)重Ui.評估過程如下：

(1)部件層健康狀態(tài)的評估

根據(jù)第i個部件下屬的第m個參數(shù)的劣化度的隸屬矩陣Ri和同部件下其他參數(shù)的權(quán)重向量Ui，可得到該部件健康狀態(tài)的評判向量Bi為：

(2)系統(tǒng)層健康狀態(tài)的評估

根據(jù)系統(tǒng)層面健康狀態(tài)的隸屬度矩陣R和權(quán)重向量U，計算風(fēng)電機組的最終評判向量B：

式中：b1、b2、b3、b4分別對應(yīng)良好、合格、注意、嚴(yán)重4個等級的隸屬度數(shù)值.

4 實例分析

以新疆某風(fēng)電場SCADA系統(tǒng)監(jiān)測數(shù)據(jù)為例進行驗證，利用大樣本數(shù)據(jù)采用灰色關(guān)聯(lián)分析法和層次分析法進行組合權(quán)重計算得到各級各個指標(biāo)的權(quán)重.然后選取該風(fēng)電場1.5 MW并網(wǎng)9號風(fēng)電機組在2018年4月14日20:10的在線監(jiān)測數(shù)據(jù)，通過劣化度函數(shù)計算得到各參數(shù)劣化度，齒輪箱、發(fā)電機、變槳系統(tǒng)、電網(wǎng)環(huán)境及機艙系統(tǒng)如表4所示.

表4 原始數(shù)據(jù)及劣化度值

根據(jù)高斯隸屬度函數(shù)可以計算得到各層指標(biāo)的隸屬度矩陣R1、R2、R3、R4和R5分別為：

由組合權(quán)重法計算可得部件層和參數(shù)層的各指標(biāo)權(quán)重，如表5所示.對齒輪箱系統(tǒng)健康狀態(tài)進行評估:

表5 部件層、參數(shù)層權(quán)重

同樣可得其他部件的健康狀態(tài)評判向量，經(jīng)過整理得到機組的健康狀態(tài)隸屬度矩陣R:

結(jié)合組合權(quán)重得到風(fēng)電機組的健康狀態(tài)評判向量為:

由于模糊評估是一種步步推進，自下而上的方法，因此可能出現(xiàn)部件的某些參數(shù)已經(jīng)出現(xiàn)了極大的劣化趨勢，但在最終的系統(tǒng)層評估結(jié)果中無法體現(xiàn)，這是個必須考慮的問題.評判原則僅采用“最大隸屬度原則”無法消除這種影響.因此本文采取模糊評估模型的評判原則：

(1)當(dāng)單一參數(shù)劣化度大于0.85時，直接將健康狀態(tài)評價為“嚴(yán)重”；

(2)當(dāng)最大等級隸屬度與其他等級隸屬度相差較大，采用“最大隸屬度原則”進行評價；

(3)當(dāng)最大等級隸屬度與其他等級隸屬度相差不大于0.3時，但權(quán)重占比最大的部件隸屬度占比相似，則按權(quán)重最大的等級項評價狀態(tài)；

(4)當(dāng)?shù)燃夗楇`屬度相差均不大時，需要進一步分析其權(quán)重，并對權(quán)重較大的這些等級項采取“取隸屬度大于零的最低等級項”的原則[7].

本文實例評估結(jié)果應(yīng)使用評判原則(3)進行評估，風(fēng)電機組健康狀態(tài)的評估為“嚴(yán)重”.從風(fēng)電機組的實際監(jiān)測數(shù)據(jù)看，評價結(jié)果為“嚴(yán)重”的主要原因是當(dāng)日運行數(shù)據(jù)中齒輪箱高速軸前端和油池溫度偏高，有極大的劣化趨勢，而該風(fēng)電機組齒輪箱在2018年4月14日20:20出現(xiàn)了齒輪箱高速軸超溫故障的報警，評價結(jié)果與實際運行數(shù)據(jù)吻合.

采用乘法集成法和線性加權(quán)法對監(jiān)測數(shù)據(jù)進行驗證，與本文方法的比較結(jié)果見圖5.根據(jù)對比，三種不同策略得到的結(jié)果基本一致，但本文的結(jié)果中“嚴(yán)重”狀態(tài)的隸屬度要明顯大于其它兩種結(jié)果.根據(jù)評估結(jié)果可知該風(fēng)電機組齒輪箱系統(tǒng)需要進行預(yù)維護，可將齒輪箱的預(yù)維護等級放在所有部件的最高級，將維護時段與限電時段相結(jié)合，減少棄風(fēng)電量.綜上所述，所創(chuàng)建的評估模型能夠?qū)崿F(xiàn)對風(fēng)電機組健康狀態(tài)進行綜合評估，通過評估結(jié)果可以及時掌握風(fēng)機故障趨勢，合理安排維修策略.

圖5 評估結(jié)果對比

5 結(jié)論

本文主要研究了基于多參數(shù)融合和組合賦權(quán)法的風(fēng)電機組健康評估方法，得出如下結(jié)論：

(1)提出了基于多參數(shù)融合與組合賦權(quán)的風(fēng)電機組健康狀態(tài)評估新方法，并以新疆某風(fēng)電場1.5 MW風(fēng)電機組為實例，證實了此方法的可靠性.

(2)采用組合賦權(quán)法，將灰色關(guān)聯(lián)分析法的參數(shù)層指標(biāo)權(quán)重與層次分析法的部件層權(quán)重對應(yīng)結(jié)合，從而將主客觀權(quán)重求取過程有機結(jié)合起來，避免了簡單組合底層權(quán)重導(dǎo)致的綜合權(quán)重嚴(yán)重失真情況.

(3)在系統(tǒng)層的評價中采用遞進的評價原則，避免了模糊綜合評價中風(fēng)電機組劣化趨勢被掩蓋的問題.