CN112580940A - 一种风电机组运行状态在线评价方法 - Google Patents

Abstract

本发明提供一种风电机组运行状态在线评价方法，所述方法包括：选取风电机组运行的参数及其数据，并基于因子分析方法计算出用于模糊综合评价方法的权重；根据相对劣化度计算方法，确定风电机组在线运行监测参数的隶属度矩阵；通过模糊评价方法得到最终的风电机组运行状态在线评价结果；基于实际SCADA数据和SPSS软件平台，验证风电机组运行状态在线评价方法的有效性。本发明可以对风电机组参数权重进行实时更新，更加符合现场运行需要，可以客观地对风电机组的运行状态进行全方位评估，使得评价结果更加贴近实际运行状态，从而判断风电机组当前运行状态的优劣性，及时掌握风电机组的运行状态，为日常运行维护管理提供决策性辅助。

Description

一种风电机组运行状态在线评价方法

技术领域

本发明属于风电机组运行状态评价技术领域，具体而言，涉及一种风电机组运行状态在线评价方法。

背景技术

随着风电机组运行维护成本的增加，为健康运营和维护风电场，及时了解风电机组的运行状态和问题，提高风电机组的运行效率和可靠性，最关键的一环，就是要根据风电机组的各项现有在线监测信息，采用特定的数据处理和分析方法，对风电机组运行性能进行在线评价。

现有技术中，研究者一般利用专家***、模糊方法、灰色理论变权等方法对机组运行状态进行分析评估。然而，基于知识的专家***利用历史经验、专家知识形成知识库，更新、维护均较为困难，在一定程度上限制了其实际应用，影响了该方法的实用性。在模糊评价方法中，参数权值的确定依赖于专家知识库的更新，主观因素过强，造成评价结果不够可靠。依据灰色理论的变权方法，在多层模糊推理过程中，风电机组部分参数劣化信息丢失，评价结果不够精确。

传统的风电机组性能模糊评价方法往往存在由专家定权或者定权过程参数信息利用不充分的问题，对风电机组运行状态评价存在偏差，可能导致不能及时发现风电机组整机存在的安全隐患，甚至发生严重的安全事故。

因此，亟需寻找一种有效的方法对风电机组运行性能进行在线评估。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一，提供一种风电机组运行状态在线评价方法。

本发明提供一种风电机组运行状态在线评价方法，所述方法包括：

选取风电机组运行的指标参数及其数据，并基于因子分析方法计算出用于模糊综合评价方法的权重；

根据相对劣化度计算方法，确定所述风电机组在线运行监测参数的隶属度矩阵；

通过模糊评价方法得到最终的所述风电机组运行状态在线评价结果；

基于实际SCADA数据和SPSS软件平台，验证所述风电机组运行状态在线评价方法的有效性。

在一些可选地实施方式中，所述选取风电机组运行的指标参数及其数据，并基于因子分析方法计算出用于模糊综合评价方法的权重，包括：

选取所述风电机组运行的指标参数及其数据作为原始数据，对所述原始数据进行标准化处理；

求解样本相关系数矩阵特征值及其对应的特征向量，计算初等因子载荷矩阵；

选择主因子，提取所述初等因子载荷矩阵并进行因子旋转，得到旋转因子矩阵；

计算所述主因子的得分矩阵；

通过所述得分矩阵计算每个所述指标参数的权重。

在一些可选地实施方式中，所述对所述原始数据进行标准化处理，包括：

通过下式(1)将各指标参数值x_ij转化为标准化指标xs_ij：

其中，x₁,x₂,…,x_p表示p个所述指标参数，x_ij表示n维风电机组运行数据中第i个数据的第j个所述指标参数的取值，

s_j分别为第j个所述指标参数的样本均值和样本标准差；

所述求解样本相关系数矩阵特征值及其对应的特征向量，计算初等因子载荷矩阵，包括：

计算得到两两所述指标参数间的相关系数以得到所述相关系数矩阵R，计算出所述相关系数矩阵R的特征值λ_i(λ₁>λ₂>…>λ_p>0)及其对应的特征向量u₁,u₂,…,u_p，所述载荷矩阵A即为下式(2)所示：

在一些可选地实施方式中，所述选择主因子，提取所述初等因子载荷矩阵并进行因子旋转，得到旋转因子矩阵，包括：

提取累计方差贡献率大于85％的m个所述主因子，第i个主因子的方差贡献率c_i表示为下式(3)：

对所述载荷矩阵A作正交旋转，使得到的矩阵A₁＝AQ的方差和最大，其中，Q为m维的正交变换矩阵。

在一些可选地实施方式中，所述计算所述主因子的得分矩阵，包括：

每个所述主因子的得分用所述指标参数的线性组合表示为下式(4)：

其中，F_i(i＝1,2,…,m)为所述主因子，由α_ij(i＝1,2,...,m,j＝1,2,...,p)构建的矩阵即为所述主因子的所述得分矩阵。

在一些可选地实施方式中，所述通过所述得分矩阵计算每个所述指标参数的权重，包括：

每个所述指标参数的权重为下式(5)：

在一些可选地实施方式中，所述根据相对劣化度计算方法，确定所述风电机组在线运行监测参数的隶属度矩阵包括：

根据所选所述指标参数的不同特点，选择合适的相对劣化度计算方案，计算所述指标参数的相对劣化度；

选择合适的评价集，并根据隶属度分布函数，建立各个所述指标参数的所述隶属度矩阵。

在一些可选地实施方式中，所述根据所选所述指标参数的不同特点，选择合适的相对劣化度计算方案，计算所述指标参数的相对劣化度，包括：

对于越小越优型所述指标参数，计算所述相对劣化度公式为下式(6)：

其中，x为所述指标参数的实测值，[x_min,x_max]为所述指标参数的正常范围；

对于中间型所述指标参数，计算所述相对劣化度公式为下式(7)：

其中，x为所述参数的实测值，[x_min,x_max]为所述指标参数的正常范围，[x_a,x_b]为所述指标参数的最佳运行范围。

在一些可选地实施方式中，所述通过模糊评价方法得到最终的所述风电机组运行状态在线评价结果，包括：

将所述权重矩阵与所述隶属度矩阵进行模糊化运算，得到综合评价矩阵；

采用加权平均原则，结合所述综合评价矩阵，得到最终的所述风电机组运行状态在线评价结果。

在一些可选地实施方式中，所述采用加权平均原则，结合所述综合评价矩阵，得到最终的所述风电机组运行状态在线评价结果，包括：

根据所述加权平均原则，采用限值矩阵的评价方法，具体包括：

将所述综合评价矩阵中的元素量化，并规定所述限值矩阵为：θ＝[0.8 0.6 0.40.2]；

将所述限值矩阵中的各个元素与所述综合评价矩阵中的各个元素相乘并求和，得到单一参数值，再与规定的所述限值矩阵中的各个元素比较，得到最终的所述评价结果；

将得到的所述单一参数值记为μ，对所述限值矩阵解释为：若μ≥0.8，则所述评价结果为“良好”；若0.6≤μ<0.8，则所述评价结果为“合格”；若0.4≤μ<0.6，则所述评价结果为“注意”；若μ<0.4，则所述评价结果为“严重”。

本发明相较于传统的风电机组评价方法，可以依据风电机组过去一段时间内的正常运行数据对风电机组参数权重进行实时更新，更加符合现场运行需要，可以客观地依据风电机组的各项现有在线监测信息，对风电机组的运行状态进行全方位评估，使得评价结果更加贴近风电机组实际运行状态，从而判断风电机组当前运行状态的优劣性，使运营者及时掌握风电机组的运行状态和问题，有助于及时发现运行安全隐患，为检修维护计划提供参考，并为日常运行维护管理提供决策性辅助。

附图说明

图1为本发明一实施例的一种风电机组运行状态在线评价方法的流程图；

图2为本发明另一实施例的隶属度分布函数示意图；

图3为本发明另一实施例的基于因子分析方法构建的风电机组运行状态评价体系的示意图。

具体实施方式

为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。

首先对相关专业名词进行解释：

SCADA(Supervisor Control And Data Acquisition)***：即监测监控及数据采集***，可以实时采集现场数据，对工业现场进行本地或远程的自动控制，对电气信息、工业流程进行全面实时的监视，并为生产、调度和管理提供必要的数据。

SPSS(Statistical Product and Service Solutions)：SPSS为IBM公司推出的一系列用于统计学分析运算、数据挖掘、预测分析和决策支持任务的软件产品及相关服务的总称，是一种“统计产品与服务解决方案”软件。

如图1所示，一种风电机组运行状态在线评价方法S100，包括以下步骤：

S110、选取风电机组运行的指标参数及其数据，并基于因子分析方法计算出用于模糊综合评价方法的权重。步骤S110具体包括以下步骤：

选取风电机组运行的指标参数及其数据作为原始数据，对原始数据进行标准化处理。

假设进行因子分析的指标参数有p个：x₁,x₂,…,x_p，n维风电机组运行数据中第i个数据的第j个指标参数的取值为x_ij。通过下式(1)将各指标参数值x_ij转化为标准化指标xs_ij：

其中，

即

s_j分别为第j个指标参数的样本均值和样本标准差。

求解样本相关系数矩阵特征值及其对应的特征向量，计算初等因子载荷矩阵。

计算得到两两指标参数间的相关系数得到相关系数矩阵R，计算出相关系数矩阵R的特征值λ_i(λ₁>λ₂>…>λp>0)及其对应的特征向量u₁，u₂，…，u_p，载荷矩阵A即为下式(2)所示：

选择主因子，提取初等因子载荷矩阵并进行因子旋转，得到旋转因子矩阵。

为了保证得到的权重值的有效性和准确性，本实施例通过提取累计方差贡献率大于85％的m个主因子，可以代表从指标参数中提取的绝大多数信息，第i个主因子的方差贡献率c_i表示为下式(3)：

建立因子分析模型的目的不仅在于找出公共因子，更重要的是了解每个公共因子的意义。通常，直接计算得到的初等因子解释性不好，需要对其进行线性变换，称为因子旋转。因子旋转后，可以根据实际情况，对风电机组性能指标进行分类或进行更深入一步的研究和评价。故而，对载荷矩阵A作正交旋转，使得到的矩阵A₁＝AQ的方差和最大，其中，Q为m维的正交变换矩阵。

计算主因子的得分矩阵。

在确定主因子F_i(i＝1,2,…,m)之后，各个指标参数对于主因子都有一个贡献度，即为主因子得分。计算因子得分的方法主要有：回归法、Bartlett法等。每个主因子的得分可以用指标参数的线性组合表示为下式(4)：

其中，由α_ij(i＝1,2,...,m,j＝1,2,...,p)构建的矩阵即为主因子的得分矩阵。

通过得分矩阵计算每个指标参数的权重。

通过因子分析后的得分矩阵，代表的是各个指标参数对主因子的贡献度，通过下式(5)即可得到每个指标参数的权重，将其用于模糊综合评价中，可以更客观地体现出各指标参数的权重。

本实施例利用风电机组运行过程中的多种运行参数，对风电机组运行的综合性能进行评价，深度挖掘风电机组运行参数对风电机组运行综合性能的影响，改进传统模糊综合评价方法中专家经验定权主观性过强导致评价结果不准确或者误判断的问题，使得风电机组运行参数对运行状态结果的反映更加真实可靠，从而改进现有风电机组模糊状态评价的缺陷。

S120、根据相对劣化度计算方法，确定风电机组在线运行监测参数的隶属度矩阵。

基于SCADA***监测数据，在一定程度上反映了风电机组性能状态的好坏，但不同的特征状态参数均具有自身物理意义及正常范围，为了使其能够进行综合对比分析，需要进行归一化处理，为此，本实施例采用相对劣化度的分析处理方法。

步骤S120具体包括以下步骤：

根据所选指标参数的不同特点，选择合适的相对劣化度计算方案，计算指标参数的相对劣化度。

相对劣化度指的是，与故障状态下的劣化程度相比，风电机组当前实际状态下的相对劣化程度，该数值在区间[0,1]之间，其中，0代表最佳，1代表最差。

本实施例的风电机组***中，主要涉及以下两种相对劣化度的计算方法：

对于越小越优型指标参数，如齿轮箱、发电机等相关温度参数，计算相对劣化度公式为下式(6)：

其中，x为该指标参数的实测值，[x_min,x_max]为该指标参数的正常范围。

对于中间型指标参数，如发电机转速、功率，电网因素等，计算相对劣化度公式为下式(7)：

其中，x为该指标参数的实测值，[x_min,x_max]为该指标参数的正常范围，[x_a,x_b]为该指标参数的最佳运行范围。

选择合适的评价集，并根据隶属度分布函数，建立各个指标参数的隶属度矩阵。

根据如图2所示的隶属度分布函数，计算每个指标参数的相对劣化度对于四种评价状态的模糊分解区间，建立各个指标参数的隶属度矩阵。

需要说明的是，选择的隶属度分布函数，应合理覆盖整个相对劣化度取值区间，而三角型和半梯形组合的隶属度分布函数，计算简单，且与其他复杂隶属度分布函数得出的结果差别较小，故本实施例利用此函数，得出各个指标参数对应各状态空间的模糊隶属关系。

S130、通过模糊评价方法得到最终的风电机组运行状态在线评价结果。

将前述基于因子分析定权方法得到的权重矩阵与前述隶属度矩阵进行模糊化运算(一般为相乘)，得到综合评价矩阵。

为了最大限度的保留综合评价矩阵中的综合信息，本实施例采用加权平均原则，结合综合评价矩阵，得到最终的风电机组运行状态在线评价结果。

本实施例根据加权平均原则，采用限值矩阵的评价方法。具体包括：

将综合评价矩阵中的元素量化，并规定限值矩阵为：θ＝[0.8 0.6 0.40.2]。

将限值矩阵中的各个元素与综合评价矩阵中的各个元素相乘并求和，得到单一参数值，再与规定的限值矩阵中的各个元素比较，得到最终的评价结果。

将得到的单一参数值记为μ，对限值矩阵解释为：若μ≥0.8，则评价结果为“良好”；若0.6≤μ<0.8，则评价结果为“合格”；若0.4≤μ<0.6，则评价结果为“注意”；若μ<0.4，则评价结果为“严重”。

S140、基于实际SCADA数据和SPSS软件平台，验证所述风电机组运行状态在线评价方法的有效性。

如图3所示，基于SPSS软件平台，选取某风电场1.5MW风电机组的SCADA***运行数据，包括风电机组运行过程中17种常见的运行参数，例如，可以将功率因数、发电机转速、电流等功率因素，电压、电网频率等电压因素以及关键部件温度等温度因素作为指标参数。对于过去一个月的正常运行数据，采用因子分析定权法确定各个指标参数的权重，如表1所示，并构建风电机组运行状态评价层次分析图。

表1

之后，对现场某时刻的风电机组运行数据进行在线评价。首先确定其隶属度矩阵，如表2所示。

表2

再将指标参数的权重矩阵与指标参数的隶属度矩阵进行模糊运算，得到的综合评价矩阵，如下式(8)：

根据加权平均原则，得到的单一参数值为：μ＝R·θ^T＝0.518。由此可得出，对此风电机组的评价结果为“注意”。从该风电机组现场的实际监测数据来看，评价结果为“注意”的主要原因是，该日运行数据中，发电机转速偏离正常运行范围，且齿轮箱轴承的温度偏高，评价结果符合对现场运行情况的分析，验证了所述风电机组运行状态在线评价方法的的有效性。

本实施例相较于传统的风电机组评价方法，更加符合现场运行需要，可以客观地依据风电机组的各项现有在线监测信息，对风电机组的运行状态进行全方位评估，判断风电机组当前运行状态的优劣性，可以使运营者及时掌握风电机组的运行状态，有助于及时发现运行安全隐患，为检修维护计划提供参考，并为日常运行维护管理提供决策性辅助。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (10)

1.一种风电机组运行状态在线评价方法，其特征在于，所述方法包括：

选取风电机组运行的指标参数及其数据，并基于因子分析方法计算出用于模糊综合评价方法的权重；

根据相对劣化度计算方法，确定所述风电机组在线运行监测参数的隶属度矩阵；

通过模糊评价方法得到最终的所述风电机组运行状态在线评价结果；

基于实际SCADA数据和SPSS软件平台，验证所述风电机组运行状态在线评价方法的有效性。

2.根据权利要求1所述的方法，其特征在于，所述选取风电机组运行的指标参数及其数据，并基于因子分析方法计算出用于模糊综合评价方法的权重，包括：

选取所述风电机组运行的指标参数及其数据作为原始数据，对所述原始数据进行标准化处理；

求解样本相关系数矩阵特征值及其对应的特征向量，计算初等因子载荷矩阵；

选择主因子，提取所述初等因子载荷矩阵并进行因子旋转，得到旋转因子矩阵；

计算所述主因子的得分矩阵；

通过所述得分矩阵计算每个所述指标参数的权重。

3.根据权利要求2所述的方法，其特征在于，所述对所述原始数据进行标准化处理，包括：

通过下式(1)将各指标参数值x_ij转化为标准化指标xs_ij：

其中，x₁,x₂,…,x_p表示p个所述指标参数，x_ij表示n维风电机组运行数据中第i个数据的第j个所述指标参数的取值，

s_j分别为第j个所述指标参数的样本均值和样本标准差；

所述求解样本相关系数矩阵特征值及其对应的特征向量，计算初等因子载荷矩阵，包括：

计算得到两两所述指标参数间的相关系数以得到所述相关系数矩阵R，计算出所述相关系数矩阵R的特征值λ_i(λ₁>λ₂>…>λ_p>0)及其对应的特征向量u₁,u₂,…,u_p，所述载荷矩阵A即为下式(2)所示：

。

4.根据权利要求3所述的方法，其特征在于，所述选择主因子，提取所述初等因子载荷矩阵并进行因子旋转，得到旋转因子矩阵，包括：

提取累计方差贡献率大于85％的m个所述主因子，第i个主因子的方差贡献率c_i表示为下式(3)：

对所述载荷矩阵A作正交旋转，使得到的矩阵A₁＝AQ的方差和最大，其中，Q为m维的正交变换矩阵。

5.根据权利要求4所述的方法，其特征在于，所述计算所述主因子的得分矩阵，包括：

每个所述主因子的得分用所述指标参数的线性组合表示为下式(4)：

其中，F_i(i＝1,2,…,m)为所述主因子，由α_ij(i＝1,2,...,m,j＝1,2,...,p)构建的矩阵即为所述主因子的所述得分矩阵。

6.根据权利要求5所述的方法，其特征在于，所述通过所述得分矩阵计算每个所述指标参数的权重，包括：

每个所述指标参数的权重为下式(5)：

。

7.根据权利要求6所述的方法，其特征在于，所述根据相对劣化度计算方法，确定所述风电机组在线运行监测参数的隶属度矩阵包括：

根据所选所述指标参数的不同特点，选择合适的相对劣化度计算方案，计算所述指标参数的相对劣化度；

选择合适的评价集，并根据隶属度分布函数，建立各个所述指标参数的所述隶属度矩阵。

8.根据权利要求7所述的方法，其特征在于，所述根据所选所述指标参数的不同特点，选择合适的相对劣化度计算方案，计算所述指标参数的相对劣化度，包括：

对于越小越优型所述指标参数，计算所述相对劣化度公式为下式(6)：

其中，x为所述指标参数的实测值，[x_min,x_max]为所述指标参数的正常范围；

对于中间型所述指标参数，计算所述相对劣化度公式为下式(7)：

其中，x为所述参数的实测值，[x_min,x_max]为所述指标参数的正常范围，[x_a,x_b]为所述指标参数的最佳运行范围。

9.根据权利要求8所述的方法，其特征在于，所述通过模糊评价方法得到最终的所述风电机组运行状态在线评价结果，包括：

将所述权重矩阵与所述隶属度矩阵进行模糊化运算，得到综合评价矩阵；

采用加权平均原则，结合所述综合评价矩阵，得到最终的所述风电机组运行状态在线评价结果。

10.根据权利要求9所述的方法，其特征在于，所述采用加权平均原则，结合所述综合评价矩阵，得到最终的所述风电机组运行状态在线评价结果，包括：

根据所述加权平均原则，采用限值矩阵的评价方法，具体包括：

将所述综合评价矩阵中的元素量化，并规定所述限值矩阵为：θ＝[0.8 0.6 0.4 0.2]；

将所述限值矩阵中的各个元素与所述综合评价矩阵中的各个元素相乘并求和，得到单一参数值，再与规定的所述限值矩阵中的各个元素比较，得到最终的所述评价结果；

将得到的所述单一参数值记为μ，对所述限值矩阵解释为：若μ≥0.8，则所述评价结果为“良好”；若0.6≤μ<0.8，则所述评价结果为“合格”；若0.4≤μ<0.6，则所述评价结果为“注意”；若μ<0.4，则所述评价结果为“严重”。

Images