CN109740953A - 一种风电机组的实时状态评估方法 - Google Patents

Abstract

本发明公开了一种风电机组的实时状态评估方法，包括构建风电机组状态评估指标体系、建立指标相对劣化度与状态等级之间的云映射关系、确定指标体系中各指标的权重、确定评估指标对各状态等级的隶属度、状态评估步骤。本发明综合考虑风电机组的各种影响因素以及各个因素的影响程度，避免了单一权重确定方法导致的指标权重精确度变差，采用合作博弈理论综合了熵权法、层次分析法和灰色关联度法等权重计算方法的优点，能反映出风电机组的真实运行状态。

Description

一种风电机组的实时状态评估方法

技术领域

本发明涉及一种风电机组的状态评估方法，尤其涉及一种风电机组的实时状态评估方法，属于风电技术领域。

背景技术

能源的匮乏使风力发电迅速崛起，同时也使风电装机容量持续扩大。根据全球风能理事会(GWEC)日前发布的数据，2017年全球新增风电装机52.57吉瓦，到2017年底全球累计装机539.581吉瓦。我国风电新增装机容量1966万千瓦,累计装机容量达到1.88亿千瓦。其中,"三北"地区新增装机容量占比为45％,中东南部地区新增装机容量占比达到55％。同时,海上风电开发和机组出口均实现快速发展。

然而，风力发电机组工作环境恶劣,在实际的运行中会出现大量的故障。这些故障导致风力发电机组的运行维护成本大幅增加。目前，SCADA***能够有效监测风力发电机组的状态信息，但是却不能实时的对风电机组所处的运行状况作出有效的评估。一是由于SCADA***缺乏有效的状态评估方法，二是由于已有的状态评估方法判断过程过于繁琐。因此，对风力发电机组的状态做出准确评估，实现风电机组的状态检修具有重大的意义。

风力发电机组运行工况复杂，其健康状态受到各种不确定性因素的影响。近年来，国内外学者引入了神经网络、集对分析、支持向量回归、模糊理论等方法，对风电机组的关键部分或者整体的状态评估进行了深入研究。其中，模糊综合评判法能够将各种定量与定性信息有机结合，在风电机组状态评估中受到越来越多的关注。

模糊综合评判法的精确度主要与两个方面有关。一个是科学的确定指标权重的方法，另一个是隶属函数的选取。在确定指标权重方面，风电机组性能分析的模糊综合评判方法利用模糊数学理论，从影响机组运行状态的内部因素中总结出4个方面，对风电机组进行综合评判。但仅从机组性能角度考虑，忽略外界条件的影响，只能片面地反映风电机组的运行状况。并网风电机组在线运行状态评估方法较全面地考虑了影响风电机组运行的因素。但是在分配指标权重时仅采用层次分析法，无法避免主观经验所引起计算误差过大的问题。基于灰色理论和变权模糊综合评判的风电机组性能评估方法提出采用灰色关联度法对权重系数进行修正。但是主观经验导致的偏差对风电机组运行状态带来的影响依然存在。基于模糊综合评价的海上直驱风电机组运行状态评估方法根据客观赋权法监测数据确定权重，不会造成经验上的偏差。但是由于各个因素的相关程度不同，仅仅依靠数据有时会导致计算的权重结果与其影响程度背离。为了兼顾主观赋权法与客观赋权法的优点，基于最优权重和隶属云的风电机组状态模糊综合评估方法采用非线性规划最优化解法确定状态指标的最优权重组合。基于组合赋权和云模型的风电机组健康状态评估方法采用乘法集成法构建权重组合。组合赋权虽然在一定程度上能够兼具两种赋权方法的优点，但是当不同的赋权方法确定的指标权重差别较大时，组合赋权不但不会发挥两者的优点，还会放大两者的缺点，对评价结果的准确性造成更恶劣的影响。在隶属函数选取方面，传统方法采用了半梯形与三角形函数相结合的方式确定评判指标对各个状态等级的隶属度。这只考虑到了评判过程不确定性中的模糊性，忽略了随机性。

发明内容

本发明要解决的技术问题是提供一种风电机组的实时状态评估方法。

为解决上述技术问题，本发明采用的技术方案是：

一种风电机组的实时状态评估方法，包括以下步骤：

步骤1：构建风电机组状态评估指标体系：指标体系包含一项以上机组性能指标和一项以上外界因素指标；实时监测各指标，获取相应监测数据；

步骤2：建立指标相对劣化度与状态等级之间的云映射关系：

步骤2-1：划分状态等级，数目为3-5个；

步骤2-2：根据确定的状态等级对各个指标的相对劣化度进行区间划分；

步骤2-3：确定各个状态等级的正态云模型函数；

正态云模型能够将数字与概念进行转化，反映参数的性质。正态云模型具有三个数字特征期望(Ex)、熵(En)和超熵(He)，其实际意义如下：

Ex：论域空间的期望值，是最能表达定性概念的数值；

En：衡量定性概念的不确定性程度，即模糊性与随机性；

He：熵的不确定性程度，即熵的熵。它反映了代表定性概念的云的凝聚程度。

正态云模型能够量化定性概念，将指标参数i转化为相应的状态等级C_j。根据评价标准，采用正态云模型表示定性概念的数字特征，即(Ex_j,En_j,He_j)。其中，最能反映定性概念特征的是指标对应状态等级区域的中间值，即Ex_j＝(b₁+b₂)/2，b₁和b₂为该指标对应状态等级区域的两个边界。由于边界表示从一种状态到另一种状态的过度，应同时隶属于两种状态，因此可得，exp{-[b₁-(b₁+b₂)/2]²/8(En_j)²}≈0.5，即超熵He_j可以根据En_j的大小，通过经验和重复试验获得。

步骤3：确定指标体系中各指标的权重：

步骤3-1：采用n种单一权重确定方法计算指标的单一权重，n＞1；

步骤3-2：采用合作博弈融合n种方法确定的各指标的单一权重，n＞1；由以下具体步骤组成：

步骤3-2-1：计算一致性相关系数L(k)：

式中：W_i(k)表示第k种方法计算的第i个指标的权重；W(n_k)表示除了第k种方法确定的指标权重W(k)外的其他n-1种权重W(1)、…、W(k-1)、W(k+1)、…、W(n)的组合权重；m为指标的个数；“—”表示求平均值；

步骤3-2-2：计算综合权重W'：

步骤3-2-3：由于W(n_i)表示为除第i种方法确定的指标权重W(i)外的其他n-1种权重的组合权重，所以与求n种权重的组合权重W'的方法一样，可以采用递归调用。每进行一次调用，权重个数就会减1，直到剩下2个为止。当权重个数等于2时，W'的计算公式为：W'＝[W(1)+W(2)]/2。

步骤3-2-4：计算综合权重W'的归一化权重W：保持各权重系数的比例不变，使权重系数的和化为1；

步骤3-3：计算各指标的变权：

其中，w_j'为第j个指标的变权值；w_j为第j个指标的归一化权值；x_j为第j个指标的相对劣化度；m为评估指标个数；α为惩罚因子，0＜α≤1，根据指标劣化程度对风电机组运行的影响程度取值。当监测指标劣化对风电机组的运行影响较大时，取α＜0.5；当影响程度对监测精度要求不高时，取α＞0.5；当α＝1时权值不变。

步骤4：确定评估指标对各状态等级的隶属度：根据各个状态等级的数字特征，根据指标监测数据的相对劣化度，通过正态云发生器获得指标对各个状态等级的隶属度，从而得到各个指标的评估向量。

步骤5：状态评估：采用三级模糊综合评判方法获得风电机组状态评估结果。将各个指标的评估向量组成子项目层的评估矩阵R_i，根据指标子项目层的评估矩阵获得机组性能和外界因素的评估向量B_i＝W_i R_i。将两个评估向量组成目标层的评估矩阵，进而获得最终评价结果B＝WR。选取最终评估向量中最大元素对应的状态等级做为风电机组状态的定性概念。

机组性能指标包括一项以上齿轮箱***指标、一项以上发电机***指标、一项以上控制***指标、一项以上机舱***指标；外界因素指标包括一项以上环境因素指标、一项以上电网因素指标。

齿轮箱***指标包括齿轮箱轴承温度、齿轮箱油温、齿轮箱冷却水温度；发电机***指标包括发电机轴承温度、发电机绕组温度、发电机冷却空气温度、发电机转速；控制***指标包括电抗器温度、电容器温度、IGBT温度、整流温度、控制柜温度、塔基控制柜出口温度；机舱***指标包括机舱位置和机舱振动加速度；环境因素指标包括风速、环境温度；电网因素包括相电压、相电流、无功功率、有功功率和电网频率。

采用上述技术方案所取得的技术效果在于：

1、本发明分层构建风电机组状态评估指标体系，能够充分反映风电机组的整体性能，准确评价风电机组的运行状态；

2、本发明采用合作博弈的方法来计算风电机组指标的权重系数，避免了单一权重确定方法导致的指标权重精确度变差，综合了熵权法、层次分析法和灰色关联度法等权重计算方法的优点；

3、本发明建立了相对劣化度与状态等级之间的云映射关系，解决了传统模糊隶属度函数的“硬计算”问题，兼顾了事物不确定性中的模糊性和随机性；

4、本发明针对各个指标相对劣化程度不同对风电机组造成的影响不同，使用了相适用的变权重系数的方法，有助于解决常权重系数下不能准确反映风电机组真实状态的问题。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1是本发明的流程图。补充流程图，每框内的文字为各步骤标题

具体实施方式

实施例1：

一种风电机组的实时状态评估方法，包括以下步骤：

步骤1：构建风电机组状态评估指标体系：指标体系包含一项以上机组性能指标和一项以上外界因素指标；实时监测各指标，获取相应监测数据；

步骤2：建立指标相对劣化度与状态等级之间的云映射关系：

步骤2-1：划分状态等级，数目为3-5个；

步骤2-2：根据确定的状态等级对各个指标的相对劣化度进行区间划分；

步骤2-3：确定各个状态等级的正态云模型函数；

正态云模型能够将数字与概念进行转化，反映参数的性质。正态云模型具有三个数字特征期望(Ex)、熵(En)和超熵(He)，其实际意义如下：

Ex：论域空间的期望值，是最能表达定性概念的数值；

En：衡量定性概念的不确定性程度，即模糊性与随机性；

He：熵的不确定性程度，即熵的熵。它反映了代表定性概念的云的凝聚程度。

正态云模型能够量化定性概念，将指标参数i转化为相应的状态等级C_j。根据评价标准，采用正态云模型表示定性概念的数字特征，即(Ex_j,En_j,He_j)。其中，最能反映定性概念特征的是指标对应状态等级区域的中间值，即Ex_j＝(b₁+b₂)/2，b₁和b₂为该指标对应状态等级区域的两个边界。由于边界表示从一种状态到另一种状态的过度，应同时隶属于两种状态，因此可得，exp{-[b₁-(b₁+b₂)/2]²/8(En_j)²}≈0.5，即超熵He_j可以根据En_j的大小，通过经验和重复试验获得。

步骤3：确定指标体系中各指标的权重：

步骤3-1：采用n种单一权重确定方法计算指标的单一权重，n＞1；

步骤3-2：采用合作博弈融合n种方法确定的各指标的单一权重，n＞1；由以下具体步骤组成：

步骤3-2-1：计算一致性相关系数L(k)：

式中：W_i(k)表示第k种方法计算的第i个指标的权重；W(n_k)表示除了第k种方法确定的指标权重W(k)外的其他n-1种权重W(1)、…、W(k-1)、W(k+1)、…、W(n)的组合权重；m为指标的个数；“—”表示求平均值；

步骤3-2-2：计算综合权重W'：

步骤3-2-3：由于W(n_i)表示为除第i种方法确定的指标权重W(i)外的其他n-1种权重的组合权重，所以与求n种权重的组合权重W'的方法一样，可以采用递归调用。每进行一次调用，权重个数就会减1，直到剩下2个为止。当权重个数等于2时，W'的计算公式为：W'＝[W(1)+W(2)]/2。

步骤3-2-4：计算综合权重W'的归一化权重W：保持各权重系数的比例不变，使权重系数的和化为1；

步骤3-3：计算各指标的变权：

其中，w_j'为第j个指标的变权值；w_j为第j个指标的归一化权值；x_j为第j个指标的相对劣化度；m为评估指标个数；α为惩罚因子，0＜α≤1，根据指标劣化程度对风电机组运行的影响程度取值。当监测指标劣化对风电机组的运行影响较大时，取α＜0.5；当影响程度对监测精度要求不高时，取α＞0.5；当α＝1时权值不变。

步骤4：确定评估指标对各状态等级的隶属度：根据各个状态等级的数字特征，根据指标监测数据的相对劣化度，通过正态云发生器获得指标对各个状态等级的隶属度，从而得到各个指标的评估向量。

步骤5：状态评估：采用三级模糊综合评判方法获得风电机组状态评估结果。将各个指标的评估向量组成子项目层的评估矩阵R_i，根据指标子项目层的评估矩阵获得机组性能和外界因素的评估向量B_i＝W_i R_i。将两个评估向量组成目标层的评估矩阵，进而获得最终评价结果B＝WR。选取最终评估向量中最大元素对应的状态等级做为风电机组状态的定性概念。

机组性能指标包括一项以上齿轮箱***指标、一项以上发电机***指标、一项以上控制***指标、一项以上机舱***指标；外界因素指标包括一项以上环境因素指标、一项以上电网因素指标。

齿轮箱***指标包括齿轮箱轴承温度、齿轮箱油温、齿轮箱冷却水温度；发电机***指标包括发电机轴承温度、发电机绕组温度、发电机冷却空气温度、发电机转速；控制***指标包括电抗器温度、电容器温度、IGBT温度、整流温度、控制柜温度、塔基控制柜出口温度；机舱***指标包括机舱位置和机舱振动加速度；环境因素指标包括风速、环境温度；电网因素包括相电压、相电流、无功功率、有功功率和电网频率。

本实例采用河北某风电场单台1.5MW机组SCADA运行数据和故障记录。

步骤1：在SCADA***中提取需要的风电机组评价指标数据，转换成相对劣化度如表1所示。

步骤2：本实例将机组的运行状态划分为5个等级，即良好状态、合格状态、注意状态、异常状态和严重状态，则机组指标相对劣化度与状态等级的关系如表2所示。根据各个状态等级的边界值求出各个状态等级的正态云隶属函数特征值如表3所示。

步骤3：分别采用AHP、灰色关联度法和熵权法三种单一权重计算方法计算各***内各个指标的权重，然后利用合作博弈法进行融合，得到评判指标最终组合后的归一化权重如表4所示。运用变权公式时，齿轮箱和发电机故障会对风电机组造成较大的影响，排除其故障耗费较长，造成的经济损失较大。因此，对齿轮箱***和发电机***中定量评估指标取α＝0.2；环境温度和风速跨度较大且情况复杂，对环境因素中的定量指标取α＝1；其他的指标取α＝0.5。得到各个指标的变权值如表5所示。

步骤4：根据指标监测数据的劣化度和各个状态等级的云模型数字特征，采用正态云模型函数计算各指标对各个状态等级的隶属度如表6所示。

步骤5：采用三级模糊综合评判获得风电机组状态评估结果。

计算指标子项目层的评估矩阵。将指标层各个指标参数的评估向量组成子项目层的评估矩阵，得到齿轮箱***项目层评估矩阵：

结合变权系数，求得评估向量为：

同理，可得其他5类子项目层的评估矩阵和评估向量分别为：

再计算指标项目层的评估矩阵：

结合权重系数，可以求得评估向量为：

同理，外界因素项目层评估矩阵和评估向量分别为：

最后，综合以上结果，求得目标层的评估矩阵为：

结合权重分配，可求得最终评估向量为：

B_U＝W_UR_U＝[0.2297,0.3188,0.4377,0.0514,0.0001] (20)

根据最大隶属原则，风力发电机组的运行状态等级为注意状态。说明监测到的指标有劣化趋势，要时刻注意风电机组的状态等级的变化，防止风电机组发生异常。查看风电机组当时的监测数据，可以发现风电机组齿轮箱轴承温度，发电机绕组温度，电抗器温度和IGBT温度均偏离了最佳范围，发生0.5左右的劣化程度。

表1评估指标监测数据及其相对劣化度

表2相对劣化度与状态等级的对应关系

表3各个状态等级的云模型函数数字特征

表4评估指标的权重系数

表5评估指标的变权值

表6各指标对各个状态等级的隶属度

Claims (3)

1.一种风电机组的实时状态评估方法，其特征在于：包括以下步骤：

步骤1：构建风电机组状态评估指标体系：指标体系包含一项以上机组性能指标和一项以上外界因素指标；实时监测各指标，获取相应监测数据；

步骤2：建立指标相对劣化度与状态等级之间的云映射关系：

步骤2-1：划分状态等级，数目为3-5个；

步骤2-2：根据确定的状态等级对各个指标的相对劣化度进行区间划分；

步骤2-3：确定各个状态等级的正态云模型函数；

正态云模型能够将数字与概念进行转化，反映参数的性质。正态云模型具有三个数字特征期望(Ex)、熵(En)和超熵(He)，其实际意义如下：

Ex：论域空间的期望值，是最能表达定性概念的数值；

En：衡量定性概念的不确定性程度，即模糊性与随机性；

He：熵的不确定性程度，即熵的熵。它反映了代表定性概念的云的凝聚程度。

正态云模型能够量化定性概念，将指标参数i转化为相应的状态等级C_j。根据评价标准，采用正态云模型表示定性概念的数字特征，即(Ex_j,En_j,He_j)。其中，最能反映定性概念特征的是指标对应状态等级区域的中间值，即Ex_j＝(b₁+b₂)/2，b₁和b₂为该指标对应状态等级区域的两个边界。由于边界表示从一种状态到另一种状态的过度，应同时隶属于两种状态，因此可得，exp{-[b₁-(b₁+b₂)/2]²/8(En_j)²}≈0.5，即超熵He_j可以根据En_j的大小，通过经验和重复试验获得。

步骤3：确定指标体系中各指标的权重：

步骤3-1：采用n种单一权重确定方法计算指标的单一权重，n＞1；

步骤3-2：采用合作博弈融合n种方法确定的各指标的单一权重，n＞1；由以下具体步骤组成：

步骤3-2-1：计算一致性相关系数L(k)：

式中：W_i(k)表示第k种方法计算的第i个指标的权重；W(n_k)表示除了第k种方法确定的指标权重W(k)外的其他n-1种权重W(1)、…、W(k-1)、W(k+1)、…、W(n)的组合权重；m为指标的个数；“—”表示求平均值；

步骤3-2-2：计算综合权重W'：

步骤3-2-3：由于W(n_i)表示为除第i种方法确定的指标权重W(i)外的其他n-1种权重的组合权重，所以与求n种权重的组合权重W'的方法一样，可以采用递归调用。每进行一次调用，权重个数就会减1，直到剩下2个为止。当权重个数等于2时，W'的计算公式为：W'＝[W(1)+W(2)]/2。

步骤3-2-4：计算综合权重W'的归一化权重W：保持各权重系数的比例不变，使权重系数的和化为1；

步骤3-3：计算各指标的变权：

其中，w_j'为第j个指标的变权值；w_j为第j个指标的归一化权值；x_j为第j个指标的相对劣化度；m为评估指标个数；α为惩罚因子，0＜α≤1，根据指标劣化程度对风电机组运行的影响程度取值。当监测指标劣化对风电机组的运行影响较大时，取α＜0.5；当影响程度对监测精度要求不高时，取α＞0.5；当α＝1时权值不变。

步骤4：确定评估指标对各状态等级的隶属度：根据各个状态等级的数字特征，根据指标监测数据的相对劣化度，通过正态云发生器获得指标对各个状态等级的隶属度，从而得到各个指标的评估向量。

步骤5：状态评估：采用三级模糊综合评判方法获得风电机组状态评估结果。将各个指标的评估向量组成子项目层的评估矩阵R_i，根据指标子项目层的评估矩阵获得机组性能和外界因素的评估向量B_i＝W_iR_i。将两个评估向量组成目标层的评估矩阵，进而获得最终评价结果B＝WR。选取最终评估向量中最大元素对应的状态等级做为风电机组状态的定性概念。

2.根据权利要求1所述的，其特征在于：机组性能指标包括一项以上齿轮箱***指标、一项以上发电机***指标、一项以上控制***指标、一项以上机舱***指标；外界因素指标包括一项以上环境因素指标、一项以上电网因素指标。

3.根据权利要求2所述的，其特征在于：齿轮箱***指标包括齿轮箱轴承温度、齿轮箱油温、齿轮箱冷却水温度；发电机***指标包括发电机轴承温度、发电机绕组温度、发电机冷却空气温度、发电机转速；控制***指标包括电抗器温度、电容器温度、IGBT温度、整流温度、控制柜温度、塔基控制柜出口温度；机舱***指标包括机舱位置和机舱振动加速度；环境因素指标包括风速、环境温度；电网因素包括相电压、相电流、无功功率、有功功率和电网频率。