基于灰色关联度的风力发电机组健康性能评估方法研究

2016-10-27郭双全

装备机械 2016年1期

关键词：变桨关联度灰色

□郭双全

上海电气集团股份有限公司中央研究院　上海　200070

基于灰色关联度的风力发电机组健康性能评估方法研究

□郭双全

上海电气集团股份有限公司中央研究院上海200070

对风力发电机组进行健康性能评估，可以为机组可靠运行、智能诊断提供参考。借助风机历史运行状态数据，通过风机采集与监控系统测点间关联性分析，综合风机变桨、偏航、传动、齿轮箱冷却、机舱温度状况、发电等多方面性能，运用灰色关联度分析方法，建立了风力发电机组健康性能评估模型，得到了机组健康性能变化曲线。应用实例分析表明，通过合理的阈值设定所得到的阈值报警点与机组实际报警记录有较高的吻合率，实现了部分故障的提前预警，对实现机组智能诊断有重要参考意义。

随着近几年中国风电装机容量的不断增长，我国已成为全球第一的风电大国。根据国家能源局拟定的“十三五”风电发展框架，2020年的风电装机目标是2亿千瓦，较当前装机容量提高1倍，新增装机将是近十年风电装机的总和，市场前景和规模十分庞大［1］。尽管装机容量巨大，但风电并网容量与装机容量目前仍然存在较大差距，一方面因为风力不稳引起的并网技术相对较复杂，另一方面主要是因为机组故障引起的非计划停机。未来风电发展的两大趋势：一是单机容量不断增大；二是风电场逐步由陆地走向海上。由风电故障造成的发电损失及维护费用必然逐渐增加，因此，开展风力发电机组健康性能评估研究，对于实现机组故障的智能诊断，提高机组运行效益，具有十分重大的意义。

开展风力发电机组健康性能评估，必须借助风机运行状态数据。目前风机数据采集与监控系统（Supervisory Control and Data Acquisition，SCADA）包含了风速信息、变桨信息、偏航信息、温度和振动等数据，考虑到风机机组各子系统和部件之间的复杂关系与相互作用，SCADA测点之间的关联性难以能够被简单地确定，存在不确定性［2］。

灰色关联度分析方法是处理因素间不确定关联性的量化方法之一，它提供了因素间关联程度的度量，适合系统发展变化趋势分析［3，4］。通过对SCADA测点间的物理关联性分析，运用灰色关联度分析方法，建立风力发电机组健康性能评估模型，可计算不同时段中的风力发电机组健康性能指标。通过健康性能变化曲线，分析风电机组运行趋势，为风电机组运行过程中的健康性能诊断提供参考。

1　SCADA系统测点关联分析

风电机组主要包括变桨系统、偏航系统、主轴、齿轮箱、发电机、机舱等部分，其基本结构如图1所示。SCADA系统［5］包括机组运行数据的采集与记录、机组控制、图形界面与数据管理等功能，保障机组安全可靠运行。

机组整体健康性能与各部件的运行状态息息相关，变桨系统在额定风速以下，变桨控制器不工作，桨距角基本不变，保持在最小桨距角位置；超过额定风速，变桨控制器会采取相应动作，控制风轮转速保持在额定转速左右。偏航系统主要依据机舱朝向与风向的差角进行偏航，当小于某个夹角范围，机舱偏航停止。风机齿轮箱将主轴传递的风轮转速输出为发电机转速，齿轮箱由冷却水进行降温，冷却水温度主要受齿轮油温、输入输出轴的温度影响。机舱环境温度的影响因素较多，是多方面因素的综合体现。机组发电性能是以有功功率为关注点，主要受发电机转速、线电压、线电流、功率因数等影响。综合以上分析，结合SCADA系统监控测点信息，针对不同方面的性能，选择目标参数与关联运行参数（见表1），并提出信号处理建议，为健康性能评估模型的建立奠定数据基础。

图1　风电机组基本结构图

2　基于灰色关联度的健康性能评估模型

2.1灰色关联度分析

根据表1所示，将机组各个性能状态看作一种灰色系统。以变桨性能为例，将目标参数（变桨位置）在单位时间段（一天）内的数据作为参考序列X0，关联运行参数（风轮转速、瞬时风速、30 s风速、10 min风速）在单位时间段（一天）内的数据作为比较序列Xi，i=1，2…，m，m为比较序列参数个数，通过关联度计算步骤可以得出参考序列与比较序列之间的灰色关联度向量Rpitch=（R01，R02，…，R0m），该向量可作为变桨性能在该时段的状态向量，由此及彼，可以分别得到各个性能对应的状态向量［6］。

表1　SCADA系统中机组性能相关参数表

2.1.1数据预处理及规范化

由于SCADA数据为定时记录，需要根据变桨系统控制逻辑对原始序列进行预处理，剔除非变桨状态（最大变桨角或最小变桨角）数据；当发电机处于非发电状态（停机、空转、待机等）下，变桨数据也不能反映变桨性能真实状况，该类数据也应剔除，分析样本数据集为：

经过式（1）进行的数据预处理后，由于参考序列与比较序列各个参数含义不同，具有不同量纲和数据级，为保证各个序列间具有等效性和同序性，需要进行无量纲化和归一化。笔者采用离差标准化方法，即对原始数据作线性变换，将结果映射到［0，1］之间。转换函数如下：

式中：X0（k）为第k点处的参数原始值；maxX0与minX0分别为最大与最小值。

2.1.2灰色关联度因数

预处理与规范化后的参考序列X0与比较序列Xi在k处的灰色关联度因数为：

式中：min minΔ0i（k）为两级最小差；max maxΔ0i（k）为两级最大差；ρ为分辨因数，ρ∈（0，1），一般取0.5。

2.1.3灰色关联度

关联度因数是比较序列与参考序列在不同时刻的关联程度值，对此进行集中求平均值，作为比较序列与参考数列关联程度的度量，关联度公式［3］为：

R0i表示各个比较序列对参考序列的灰色关联度，应用式（1）～（4）进行计算，可以得出各个时段下变桨性能、偏航性能、传动性能、齿轮箱冷却性能、机舱温度状况、发电性能对应的状态向量，即灰色关联度向量Rpitch、Ryaw、Rtrans、Rcool、Rnace、Rgen。

2.2健康性能评估模型

对SCADA系统运行数据按单位时间段进行划分，根据风机历史运行记录，选择健康时间段的平均灰色关联度作为基准，计算各个时段下灰色关联度与的加权欧式距离：

式中：m为比较序列参数个数，该距离可以作为性能衰退程度的度量。

采用加权处理方式，一方面不影响距离整体变化趋势；另一方面可以在一定程度上消除参数数量对距离计算的影响，保证不同性能对应的距离值大小保持在同一数量级。机组在某一方面的健康性能状况与衰退情况成反比，性能健康值H为：

采用该公式，依次可以计算得到变桨、偏航、传动等多方面性能的健康值，综合各性能健康值，相乘可以得到机组整体性能健康值：

式中：p=6为性能健康值的种类数。

根据以上分析方法，可以得到机组整体健康性能在不同时间下的变化趋势，分析机组整体运行状况。

3　应用实例

以某风场某机组风机SCADA系统数据为例，将数据按每日进行分块计算，应用健康性能评估模型对应的式（1）～（7），可以得到机组整体健康性能变化趋势，并结合机组现场运行记录进行对比分析。

如图2所示，该图为机组综合性能健康值变化曲线图，健康值的范围在0到1之间。由于机组整体健康为各方面性能的综合体现，因此其整体计算值相对偏低，其健康值越高，表明机组整体性能相对越好。部分时间段，性能值一直保持不变，是由于该时段机组处于非发电状态。根据经验并结合曲线变化情况，取性能健康阈值为0.5，当性能健康值低于阈值，见图中红色标记点，可以认为机组目前或近期可能会发生故障。将以上计算结果与机组运行记录作对比，见表2，可以发现，机组大部分故障在性能健康变化曲线中，与健康阈值报警点相对应，吻合率达到88.9%，并且部分阈值报警点可以相对故障记录提前报警。

图2　整体性能健康值变化曲线图

表2　阈值报警点与SCADA报警记录对照表　日期

同理，将以上方法应用于其它两台机组，可以得到类似的性能变化图和相应阈值报警点，如图3所示，通过对比运行记录，计算得到这两台的吻合率分别达到83.3%和90%。

各模型计算得到的性能健康值，见表3，通过合适的阈值设定，阈值报警点可以在较大程度上与这三台机组历史运行报警记录相吻合，最低达到83.3%，虽然存在一定的误报或漏报，但也可实现部分故障的提前预警，可以为机组的智能诊断提供参考。

表3　不同机组吻合率计算对照表

图3　其它两台机组性能健康值变化曲线

4　结论

通过对SCADA系统中测点与性能之间的关联性分析，并引入分析灰色关联度的方法，将机组整体性能视为各方面性能的综合体现，建立了基于灰色关联度的机组健康性能评估模型。通过应用实例分析表明，利用该方法计算得到的阈值报警点与实际报警记录有较高的吻合率，部分故障还可以提前预警，对于实现机组智能诊断有重要参考作用。但该方法也存在一定的不足之处，对部分故障存在误报或漏报，未来还需要进一步对模型完善，不断提高阈值报警的吻合率。

［1］肖蔷.“十三五”风电发展框架初现［N］.中国能源报，2014-10-27.

［2］李玉洁，方瑞明.基于改进加权灰关联分析法的风电机组可靠性研究［J］.电力系统保护与控制，2015（14）：63-69.

［3］邓聚龙.灰色控制系统［J］.华中工学院学报，1982（3）：9-18.

［4］段志善，闻邦椿.灰色系统理论在设备故障诊断中的应用［J］.东北工学院学报，1990（4）：383-389.

［5］佘慎思，杨文斌，李春.风力发电场SCADA系统的设计［J］.上海电气技术，2010（3）：39-42.

［6］李家会，金炜东，熊莉英.基于模糊灰关联分析的高速列车运行状态识别［J］.振动与冲击，2014，33（16）：188-193.

Health performance assessment of wind turbine set can provide a reference for reliable operation of the unit and for intelligent diagnosis.The health performance assessment model for wind turbine is established to obtain its changing performance curves by dint of the fan history data on running status of the wind turbine，through the analysis of the correlation of the wind turbine SCADA measuring points，the integration of multiaspect performances covering pitch，yaw，transmission，gear box cooling，temperature conditions in engine room，power generation and the analytical approach on gray correlation.Case study shows that through reasonable setting of the threshold，a higher match rate is realized between the alarm set point with the threshold obtained this technique and practical alarm reported by the unit，so that an early warning of partial failures could be achieved which presents a significant reference for the implementation of intelligent diagnosis of the wind turbine set.

风力发电机组；SCADA测点；灰色关联；健康性能

Wind Turbine Set；SCADAMeasuring Point；Grey Correlation；Health Performance