基于组合赋权-云模型的风电机组健康状态评估

戴乾军

(1. 兰州工业学院 电气工程学院，甘肃 兰州 730050;(2. 兰州理工大学 能源与动力工程学院，甘肃 兰州 730050)

风力发电通过借助风电机组的叶片旋转实现风-电能源转换.风能作为一类可持续能源，具有储量大、无污染、转换能耗低等诸多优点.据统计，普通风机服役20 a内器件的更换、维护保养的支出约占风机工作总收入的10%～15%.同时，风机服役地点、作业环境均是制约机组安装、调试、运行和检修的主要因素，易造成高频的运行故障和高额的维管费用[1-2].

当前针对风电机组选择的常规“故障修”运维模式存在“欠维修”或“过维修”的弊端[3-4].近年来，风电机组的健康状态监测与评估成为研究热点[5-7].主流的方法主要有2类：1) 侧重于主观评判，通过周期性的业务人员打分考核的方法，存在评判结果主观性过强，隐形问题难以测量等缺点.2) 侧重于建立精确的数学模型，通过内部非透明、非线性的数据驱动模型获得输入和输出的映射关系实现状态评估.就风电机组而言，该方法主要存在精确物理模型难以建立和数据采集获取往往过于简单的问题.事实上，风电机组的运行状态是一个包含“模糊性”与“随机性”的复杂系统课题[7-8].

基于此，本文提出一种融合主、客观组合赋权的风电机组健康状态评估模型.主观数据来源于现场工程师综合考评，客观数据来自于风电机组数据采集与监视控制(Supervisory Control and Data Acquisition，SCADA)系统.

1 风机健康状态评判指标

风电机组运行原理如图1所示，由电气和机械2部分的多设备多参量共同协调配合完成能量转化.本文结合《风电机组验收规范》(GB/T2319—2017)和SCADA系统可监测的物理量构筑了涵盖“人员-设备-环境-管理”一体化的风电机组健康状态评估递阶层次体系，如图2所示.

图1 风电机组运行原理

图2 风电机组健康评估体系

2 主-客观求权模型

2.1 评判指标量化处理

风电机组系统复杂、评判指标众多，各物理量的意义与取值范围不同[9].当设备工作异常时，相应的监测数据会发生一定的偏移.如图2中由SCADA系统监测的温度、振动和电气参量属于越小越优型；压力、速度、位移取值隶属于中间优型.为便于进行统一评判需要消除各物理量量纲间的差异，本文引入劣化度表征监测数据的偏移量，赋值[0,1]间进行量化处理，归一化如式(1)～(2)所示.

越小越优型物理量为

(1)

中间型物理量为

(2)

式中：x为物理量的实际值；[x1，x2]为物理指标的最佳取值范围；[xmin，xmax]为物理指标的正常取值范围.

2.2 主观权重计算

本文选择1-9标度的AHP法求取风电机组健康状态评估主观权重.首先结合图2构造评判矩阵，并获得评判矩阵的最大特征根和对应特征向量，再选择一致性指标校验.若符合一致性指标，则评判矩阵的最大特征量对应的特征向量即为各指标对应权重.

在AHP法中假若评价体系有n个指标，指标点为Ri(i=1,2,…n)，Rij为指标Ri相对于Rj(j=1,2,…n)的重要程度.在同一层，各个指标的重要性程度赋值如表1所示[10-11].结合Rij取值定义，构造判断矩阵A为

(3)

将判断矩阵特征向量进行归一化处理式为

(4)

通过近似求解，将归一化后的矩阵按行相加得

(5)

(6)

计算判断矩阵的最大特征值进行一致性检验，即

(7)

CR=CI/RI.，

(8)

式中：(AW1)i为向量AW1对应的第i特征向量；一致性指标CI=(λmax-n)/(n-1).

2.3 客观权重计算

本文选择CRITIC法[12-13]计算风电机组从SCADA系统获得的数据，步骤为

1) 数据归一化处理，由2.1节实现.

2) 计算对比强度，即

(9)

3) 相关系数计算.按照积方差计算各个评判指标间的相关性为

(10)

4) 指标间冲突性量化.结合式(10)，指标i与不同级评判指标间的冲突性为

(11)

各评判指标间的权重值通过评判指标间的对比强度与冲突性共同确定.对于指标i包含信息量定义为Gi.显然Gi越大，评判指标包含越多的信息量，算式为

(12)

5) 评判指标j的CRITIC法赋权得到权重为

(13)

2.4 动态变权赋值

如式(6)和式(13)，求得主观权重W1和客观权重W2，选择动态赋权法求其权重，即

(14)

式中：α为动态变权系数，由各主、客观确定的权重偏差值间的平方和最小为优化目标进行动态求取.

3 评判模型云理论

3.1 云模型理论

云模型[14]是建立于模糊、随机数学上的算法，有强定性、定量分析的问题分析能力.设X是一个数值定量域，C是X的定性概念.若定量值x∈X，且X是C上随机量，隶属度β(x)∈[0,1].x为云X的云滴，有

β:A→[0,1],∀x∈A,x→β(x).

(15)

云模型的元素由云滴构成.云滴确定性越强，云的确定性就越大.云滴构成的元素有期望Ex、熵En、超熵He，即C[Ex，En，He].其中：Ex为云滴的论域中心点；En可衡量云滴的不确定度，体现定性的随机性与模糊性概念；He为En的不确定性指标，反映云滴的离散性.He越大，云层越厚，正态云模型如图3所示.

图3 正态云模型

存在双边[Cmin，Cmax]约束指标的云模型数字特征公式为

(16)

式中：k为体现指标间的模糊性与随机性程度的常数.

云发生器是云的生成算法.正向云发生器是定性到定量的映射，结合特征量C[Ex,En,He]生成云滴[15]，步骤为

1) 生成1个期望Ex、方差En的正态随机数xi.

2) 生成1个期望En、方差He的正态随机数yi.

3) 计算确定度β(x)，有

(17)

4) 生成具有确定度βi的xi输在数域中的1个云滴(xi，βi).

5) 重复步骤1)～4)，直到产生满足要求的第N个云滴组成云.

3.2 隶属云建立

依据风电机组的故障检修数据及专家意见，将其隶属云设为4个状态等级，对应云模型的特征量(Ex，En，He，N=3 000)，如表1所示.

表1 云模型数字特征量表达

由表1生成单一指标的正态云模型，大量数据显示，机组的状态在“亚健康”和“一般”的概率较大，故将二者的隶属云设为较大范围.

结合隶属云的范围及3.1节正向云生成器基本步骤，得到各个健康状态的评价云图，如图4所示.本文构筑的完整研究过程如图5所示.

图4 风电机组健康状态隶属云模型

3.3 云指标计算

结合图2及第2节主、客观的求权过程，从风电机组评判指标的最底层逐级向上计算.其中：关联指标用综合云模型计算，求得云特征量；最后，利用MATLAB 2012b计算，仿真输出状态评价云.对于评判指标中的n个浮动云及综合云的推导式为

(18)

(19)

4 实例分析

本文选取西部某地区2016-03—10某1.5 MW双馈异步风力发电机组的评判指标数据进行分析.其中表2数据来源于1.5 MW风机2016-05-21T18：30监测数据.实际上，该机组当前各部件的运行状态尚属良好.

表2 某1.5 MW风机监测基本数据

以表2监测数据为例，其中R8由专家考核打分给出，最终计算得W1=[0.321,0.224,0.105,0.098,0.142,0.065,0.038,0.007]；W2=[0.225,0.261,0.215,0.173,0.024,0.045,0.033,0.024].

结合2.4节，在动态赋权中以各权重偏差值间的平方和最小为优化目标，在Matlab2012b中以[w,fval]=fminbnd(...)进行计算，得到动态权值参数α=0.442，最终得到变权融合权重为ωi=[0.261,0.240,0.164,0.138,0.073,0.053,0.031,0.016].

依据风电机组运行状态的正常隶属区间，结合表2和式(18)～(19)，云发生器逐层计算云参数取k=0.034，建立风电机组的云综合评价集如表3所示.

表3 综合云评价集

为便于直观评判，如图6所示为传动系统综合云模型，此系统介于“亚健康”与“健康”之间.风电机组系统整体的评判综合云模型如图7所示，与第4节中监测结果一致.

图6 传统系统健康状态评估云模型

图7 风电机组健康状态评估云模型

5 结语

风电机组系统结构复杂且服役环境恶劣多变，系统的故障发生伴随着模糊性和随机性的特点.本文方法结合主客观评价方法与云模型，结果表明该方法可行、有效.