CN105956785A - 一种风力发电机组运行状态评判方法 - Google Patents

Abstract

本发明涉及一种风力发电机组运行状态评判方法，包括以下步骤：建立层次风电机组运行状态评估指标体系；根据风电机组运行状态将其的评判划分为四种状态；根据风电机组历史数据选择相邻机组计算出力互相关性系数；根据风电机组出力及风速历史数据计算出风电机组自相关系数和风速自相关系数；对要评估风机实时数据进行互相关性和自相关性计算，并对所得的力互相关性系数和自相关系数差值进行劣化度处理；选择三角形半梯形组合分段函数作为隶属函数，对经过劣化度处理的评判指标进行隶属度计算构成评判矩阵；根据所得评判矩阵进行模糊综合评判得到评判结果。本发明能排除外界环境因素对风机出力带来的改变。

Description

一种风力发电机组运行状态评判方法

技术领域

本发明涉及风力发电机技术领域，特别是涉及一种风力发电机组运行状态评判方法。

背景技术

风电作为风能的主要利用方式成为世界增长最快的发电技术，风电机组的装机容量正在逐步增长。自1996年来，每年的风电装机用量保持稳步高速增长，世界风电发电量约占总发电量的2.5％左右，中国2014年上网电量为总发电量的2.78％。预计到2020年，风电将为全球提供7.7％～8.3％的电力。据统计，截止2015年年底，全球风电机组的装机容量已经达到369,597兆瓦，2015年新增装机容量为63,013兆瓦，中国以总装机容量145,109兆瓦，居世界首位。

风力发电的快速发展也给风电设备制造业也带来了巨大挑战。伴随风电机组的不断发展，机组的运行稳定性可靠性成为研究人员的关注焦点。发展风电机组的附加产业即风机运行维护、状态监测、故障诊断等已逐渐成为行业的研究热点。

风机的工作环境相对恶劣对于一个设计寿命20年的风机而言，维修和部件费用会占到风机带来总共收入的10-15％。根据通用电气能源的报告，一项5000美元的轴承更换费用可以轻易地变成250000美元的工程。还有不少海上风电机组运行在海上的恶劣环境中，其维修费用更会占到风机总收入的20-25％。

目前我国风电场大都装有简单的故障报警***，但风电场仍然采用事后检修、周期性维护的传统检修方式，对于大型风电场，其运维成本高。在这些故障中，许多故障是可以通过故障诊断和故障预测技术避免或减少的。据日本统计，采用风电机组故障诊断技术之后，每年的维修费用可以减少25％至50％，故障停机时间减少约75％，效益是非常可观的。因此对风机的运行状态进行监测并判断当下处在怎样的运行工况，根据运行状态对机组的健康衰退趋势进行预判，发现可能出现或已经出现的故障点，合理的安排检修和维护，对于提高风力发电机组的运行可靠性，降低故障事后维修的费用具有重要的意义。

发明内容

本发明所要解决的技术问题是提供一种风力发电机组运行状态评判方法，能排除外界环境因素对风机出力带来的改变，在不增加传感器和测点的情况下，提高判别机组运行状态的可靠性。

本发明解决其技术问题所采用的技术方案是：提供一种风力发电机组运行状态评判方法，包括以下步骤：

(1)建立层次风电机组运行状态评估指标体系；

(2)根据风电机组运行状态将其的评判划分为“健康”，“亚健康”，“异常”和“故障”四种状态，评语集为L＝[健康，亚健康，异常，故障]＝[l₁,l₂,l₃,l₄]，其中，l_i的隶属度为v_ij(j＝1,2,3,4)，则有隶属度集V_i＝[v_i1,v_i2,v_i3,v_i4]；

(3)根据风电机组历史数据选择相邻机组计算出力互相关性系数r，统计得出该风场出力互相关性的一般规律，以确定***中评估指标范围临界值α₁和β₁；

(4)根据风电机组出力及风速历史数据计算出风电机组自相关系数和风速自相关系数及两者自相关系数差值δ，统计得出该风场出力自相关性的一般规律，以确定***中评估指标范围临界值α₂和β₂；

(5)对要评估风机实时数据进行互相关性和自相关性计算，并对所得的力互相关性系数r和自相关系数差值δ进行劣化度处理；

(6)选择三角形半梯形组合分段函数作为隶属函数，对经过劣化度处理的评判指标进行隶属度计算得到各指标隶属度集V_i＝[v_i1,v_i2,v_i3,v_i4]，构成评判矩阵；

(7)根据所得评判矩阵进行模糊综合评判得到评判结果。

所述步骤(3)中力互相关性系数r的计算方式如下：其中，x_i和y_i为变量，和分别是x_i和y_i的平均值。

所述步骤(4)中自相关系数的计算方式如下：其中，x_i是t₁时刻变量值，是t₁时刻前一时间段变量的平均值，x_j是t₂时刻变量值，是t₂时刻前一时间段变量的平均值。

所述步骤(5)中力互相关性系数r劣化度处理方式如下：

所述步骤(5)中自相关系数差值δ劣化度处理方式如下：

所述步骤(6)中由劣化度确定三角形半梯形组合隶属度函数对四种状态等级的模糊分界区间，建立劣化度对各个状态等级的隶属度函数。

所述步骤(7)中评判方式为：B＝A_F&V_F，其中，B为模糊综合评判结果，A_F为权重，V_F为评判矩阵，&为广义模糊算子。

有益效果

由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明利用相关性信息判断风电机组的运行状态，能排除外界环境因素对风机出力带来的改变，在不增加传感器和测点的情况下，提高判别机组非健康状态或故障状态的可靠性。

附图说明

图1是本发明的流程图；

图2是风电机组运行状态评估指标体系图；

图3是隶属度分布函数图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明的实施方式涉及一种风力发电机组运行状态评判方法，如图1所示，包括以下步骤：建立层次风电机组运行状态评估指标体系；根据风电机组运行状态将其的评判划分为四种状态；根据风电机组历史数据选择相邻机组计算出力互相关性系数；根据风电机组出力及风速历史数据计算出风电机组自相关系数和风速自相关系数；对要评估风机实时数据进行互相关性和自相关性计算，并对所得的力互相关性系数和自相关系数差值进行劣化度处理；选择三角形半梯形组合分段函数作为隶属函数，对经过劣化度处理的评判指标进行隶属度计算构成评判矩阵；根据所得评判矩阵进行模糊综合评判得到评判结果。

下面以一个具体的实施例来进一步说明本发明。

第一步：建立层次风电机组运行状态评估指标体系F，体系具体参数如图2所示。

第二步：根据风电机组运行状态将其的评判划分为“健康”，“亚健康”，“异常”和“故障”四种状态，评语集为L＝[健康，亚健康，异常，故障]＝[l₁,l₂,l₃,l₄]，其中，l_i的隶属度为v_ij(j＝1,2,3,4)，则有隶属度集V_i＝[v_i1,v_i2,v_i3,v_i4]。以互相关F1为例，其模糊评判矩阵为：

$V_{F1}=\left[\begin{array}{c}{V}_{F11}\\ V_{F12}\end{array}\right]=\left[\begin{array}{cccc}{v}_{11}& v_{12}& v_{13}& v_{14}\\ v_{21}& v_{22}& v_{23}& v_{24}\end{array}\right]$

第三步：选择风场SCADA***中风电机组历史数据，选择相邻机组计算出力互相关性系数r，统计得出该风场出力互相关性的一般规律，以确定***中评估指标范围临界值α₁和β₁。

其中在同一个风带或地理位置相近的风机接收的风速有着较强的相关性，因此在相邻风机的选择上选择左右相邻风机。

其中对历史数据的选择，对于已建立年份较久的风场，考虑风机运行状态会随运行时长发生疲劳损耗等因素，选择较近年份数据，从一年数据中选择典型月份中正常运行数据(排除季节影响)进行计算，每次计算使用风机分钟级一天数据，即1440个出力数据。统计每次计算得出正常运行相邻机组出力互相关系数范围，范围下限值用β₁表示。同理计算统计得出发生故障时相邻机组出力互相关系数范围，范围上限值用α₁表示。对于刚刚建立的风场，由于本身历史数据不够完善，故选择地理环境相似风场历史数据使用同样方法得出互相关性的规律。其中相邻机组互相关性计算公式如下：

$r(x_i,y_i)=\frac{\mathrm{\Σ}(x_i-\stackrel{\‾}{x})\·(y_i-\stackrel{\‾}{y})}{{\[\mathrm{\Σ}{(x_i-\stackrel{\‾}{x})}^2\·{(y_i-\stackrel{\‾}{y})}^2\]}^{\frac{1}{2}}}$

式中：x_i和y_i为变量，和分别是x_i和y_i的平均值，相关系数|r(x_i,y_i)|≤1。

第四步：同理选择SCADA***中风电机组出力及风速历史数据，计算出风电机组自相关系数和风速自相关系数及两者自相关系数差值δ，统计得出该风场出力自相关性的一般规律，以确定***中评估指标范围临界值α₂和β₂。

其中历史数据选择与第一步相同，其自相关系数计算公式如下：

$r^{*}(x_i,x_j)=\frac{\mathrm{\Σ}(x_i-{\stackrel{\‾}{x}}_0)\·(x_j-{\stackrel{\‾}{x}}_1)}{{\[\mathrm{\Σ}{(x_i-{\stackrel{\‾}{x}}_0)}^2\·{(x_j-{\stackrel{\‾}{x}}_1)}^2\]}^{\frac{1}{2}}}$

式中：x_i是t₁时刻变量值，是t₁时刻前一时间段变量的平均值，x_j是t₂时刻变量值，是t₂时刻前一时间段变量的平均值。

由于风机出力受风速的影响，故自相关性在正常运行时会呈现相似的波动性。故考虑两者的差值作为评判标准。

$\mathrm{\δ}(r_t^{*},r_w^{*})=\left|r_w^{*}-r_t^{*}\right|$

式中：为风机的自相关系数，为风速的自相关系数。

第五步：对要评估风机实时数据进行互相关性和自相关性计算，并对所得的力互相关性系数r和自相关系数差值δ进行劣化度处理。劣化度计算公式如下：

(1)互相关指标我们选用越大越优型，公式如下：

$g_1\left(x\right)=\left\{\begin{array}{cc}1,& x<{\mathrm{\&alpha;}}_1\\ \frac{{\mathrm{\&beta;}}_1-x}{{\mathrm{\&beta;}}_1-{\mathrm{\&alpha;}}_1},& {\mathrm{\&alpha;}}_1\&le;x\&le;{\mathrm{\&beta;}}_1\\ 0,& x>{\mathrm{\&beta;}}_1\end{array}\right.$

(2)自相关差值指标我们选用越小越优型，公式如下：

$g_2\left(x\right)=\left\{\begin{array}{cc}0,& x<{\mathrm{\&alpha;}}_2\\ \frac{x-{\mathrm{\&alpha;}}_2}{{\mathrm{\&beta;}}_2-{\mathrm{\&alpha;}}_2},& {\mathrm{\&alpha;}}_2\&le;x\&le;{\mathrm{\&beta;}}_2\\ 1,& x>{\mathrm{\&beta;}}_2\end{array}\right.$

其中，x为评估指标实际值。

第六步：选择三角形半梯形组合分段函数作为隶属函数其函数如图3所示，对经过劣化度计算的评判指标进行隶属度计算得到各指标隶属度集V_i＝[v_i1,v_i2,v_i3,v_i4]，构成评判矩阵。计算方法如下：

由劣化度确定三角形和半梯形隶属度函数对四种状态等级的模糊分界区间a、b、c、d，建立劣化度对各个状态等级的隶属度函数。

以评判指标F₁₁为例，a、b、c、d的值分别是0.4、0.65、0.75、0.9，其对应的隶属度函数分别为：

$v_{11}\left(g\right)=\left\{\begin{array}{cc}1,& g\&le;0.4\\ 2.6-4g,& 0.4<g<0.65\\ 0,& g\&GreaterEqual;0.65\end{array}\right.$

$v_{13}\left(g\right)=\left\{\begin{array}{cc}0,& g\&le;0.75\\ 6.67g-5,& 0.75<g<0.9\\ 1,& g\&GreaterEqual;0.9\end{array}\right.$

$v_{14}\left(g\right)=\left\{\begin{array}{cc}0,& g\&le;0.75\\ 6.67g-5,& 0.75<g<0.9\\ 1,& g\&GreaterEqual;0.9\end{array}\right.$

其中，g为劣化度。

第七步：根据所得评判矩阵进行模糊综合评判得到评判结果B，评判计算公式如下：B＝A_F&V_F，式中：B为模糊综合评判结果，B为模糊综合评判结果，A_F为权重，V_F为评判矩阵，&为广义模糊算子。

在风电机组运行状态模糊综合评价中，选取加权平均型模糊算子。权重的确定使用专家打分。在经过模糊综合评判后得到各个指标的评判值，采用隶属度最大原则b_max＝max(b_j|j＝1,2,3,4)得到最终评价结果。

根据以上步骤，下面给出结合某风场历史数据进行计算验证方法的可行性。

根据该风场历史数据我们得出该风场出力互相关性评估指标临界值α₁和β₁分别为0.5，0.8，自相关差值δ评估指标有一分钟延时和五分钟延时，两者临界值指标分别是0，0.1和0，0.2。

针对需要评价风机运行数据计算出此时风机与相邻风机出力互相关性系数为F₁₁＝0.344，F₁₂＝0.302。自相关系数差值F₂₁＝0.08，F₂₂＝0.18。

根据劣化度计算公式计算各指标劣化度。根据各个指标的劣化度我们确定评判指标的隶属度，建立评判矩阵如下：

根据指标层评判矩阵和指标层权值继续进行评估得到项目评判矩阵：

根据项目评判矩阵和项目权值继续评估得到最终评判结果：

B_F＝A_F×V_F＝[0 0 0.3437 0.6517]

按照最大隶属度原则从评判结果可以得出现在风机总体上处于“故障”状态。

不难发现，本发明利用相关性信息判断风电机组的运行状态，能排除外界环境因素对风机出力带来的改变，在不增加传感器和测点的情况下，提高判别机组非健康状态或故障状态的可靠性。

Claims (7)

1.一种风力发电机组运行状态评判方法，其特征在于，包括以下步骤：

(1)建立层次风电机组运行状态评估指标体系；

(2)根据风电机组运行状态将其的评判划分为“健康”，“亚健康”，“异常”和“故障”四种状态，评语集为L＝[健康，亚健康，异常，故障]＝[l₁,l₂,l₃,l₄]，其中，l_i的隶属度为v_ij(j＝1,2,3,4)，则有隶属度集V_i＝[v_i1,v_i2,v_i3,v_i4]；

(3)根据风电机组历史数据选择相邻机组计算出力互相关性系数r，统计得出该风场出力互相关性的一般规律，以确定***中评估指标范围临界值α₁和β₁；

(4)根据风电机组出力及风速历史数据，计算出风电机组自相关系数r_t ^*和风速自相关系数及两者自相关系数差值δ，统计得出该风场出力自相关性的一般规律，以确定***中评估指标范围临界值α₂和β₂；

(5)对要评估风机实时数据进行互相关性和自相关性计算，并对所得的力互相关性系数r和自相关系数差值δ进行劣化度处理；

(6)选择三角形半梯形组合分段函数作为隶属函数，对经过劣化度处理的评判指标进行隶属度计算得到各指标隶属度集V_i＝[v_i1,v_i2,v_i3,v_i4]，构成评判矩阵；

(7)根据所得评判矩阵进行模糊综合评判得到评判结果。

2.根据权利要求1所述的风力发电机组运行状态评判方法，其特征在于，所述步骤(3)中力互相关性系数r的计算方式如下：其中，x_i和y_i为变量，和分别是x_i和y_i的平均值。

3.根据权利要求1所述的风力发电机组运行状态评判方法，其特征在于，所述步骤(4)中自相关系数的计算方式如下：其中，x_i是t₁时刻变量值，是t₁时刻前一时间段变量的平均值，x_j是t₂时刻变量值，是t₂时刻前一时间段变量的平均值。

4.根据权利要求1所述的风力发电机组运行状态评判方法，其特征在于，所述步骤(5)中力互相关性系数r劣化度处理方式如下：

5.根据权利要求1所述的风力发电机组运行状态评判方法，其特征在于，所述步骤(5)中自相关系数差值δ劣化度处理方式如下：

6.根据权利要求1所述的风力发电机组运行状态评判方法，其特征在于，所述步骤(6)中由劣化度确定三角形半梯形组合隶属度函数对四种状态等级的模糊分界区间，建立劣化度对各个状态等级的隶属度函数。

7.根据权利要求1所述的风力发电机组运行状态评判方法，其特征在于，所述步骤(7)中评判方式为：B＝A_F&V_F，其中，B为模糊综合评判结果，A_F为权重，V_F为评判矩阵，&为广义模糊算子。