基于模糊综合评判法的风电机组健康量化评价

文 | 闫慧丽，陈亚楠，陈刚，文坤，张海洋

随着工业智能化的发展，现代工业要求设备运行期间能够及时准确地监测其运行状态，发现故障，排除故障，保证设备安全可靠运行。风电机组作为高成本产品，实时监测风电机组运行状况更具有重大的意义。近年来，已经出现很多针对风电机组不同系统、不同零部件的故障预警或诊断方法，但对整机的健康评价方法却寥寥无几，而目前风电机组智能运维的趋势不仅要求监控系统具有单一故障的预警及诊断能力，还要求对风电机组的整机健康状况进行把握，实现整机健康评分的功能。

针对上述需求，有文献提出了针对诸如电力变压器、火电厂发电机组进行健康评估的方法，但未涉及风电机组。此后在重庆大学的一篇研究中提出应用层次分析法及模糊综合评判方法进行风电机组整机评价，为风电机组整机健康评价提供了一个较好的思路，但仍具有一定的缺点：首先，该方法在构建风电机组评价体系时，选取的绝大多数特征指标为温度变量，忽略了风电机组运行过程中，变桨、整机振动等变量异常带来的影响；其次，该方法在计算劣化度的过程中未考虑不同工况下各变量变化范围的不同，选取笼统单一的阈值作为劣化度计算的条件，造成劣化度准确性不高，最终影响机组健康评价的可靠性。

因此，本文在该文献的基础上，首先加入了变桨、整机振动等相关变量的影响因素，并通过构建合理的评价指标来计算变桨系统的相关劣化度，使风电机组的健康评价体系更加完整；其次，通过对不同工况下的各变量进行统计，确定出不同工况下各评价指标的劣化度计算阈值，并采用动态阈值的方法进行劣化度计算，从而使各变量的劣化度计算更加准确；最后，利用合适的分数向量将机组不同的状态转化成相应的健康得分，有助于通过分数直观地观察到各变量、系统及机组的劣化趋势。

风电机组健康评价指标体系建立

风电机组从运行之初便通过传感器对其各个关键部件进行多维度监测，并通过SCADA监控系统进行数据采集及存储，其变量个数根据需求从几十个到几百个不等，这些运行数据能够较全面地监测及反映风电机组的运行状况。在这些变量中，温度变量是一类比较重要的变量，因为温度变量具有热惯性，抗干扰能力强，与部件的劣化情况具有较强相关性，适用于劣化度函数的计算。但是，风电机组中只有齿轮箱系统、发电机系统、变流器与机舱的监测变量中包含温度变量，显然不能够较全面地反映风电机组健康状态。因此，本文在已选取温度变量的基础上，再次选取了SCADA系统中变桨及整机振动的相关监测变量，并通过合理构造新的符合劣化度计算函数的评估指标，将变桨系统及整机振动加入到风电机组健康评估中。

目前SCADA系统中，涉及变桨系统的变量主要为：叶片1/2/3角度，变桨1/2/3位置给定，变桨速度1/2/3，变桨1/2/3速度给定，变桨电机1/2/3电流，共计15个变量。以上这些变量在实际运行中主要是用于变桨控制，单独变量的大小无法代表相关参数的异常或部件劣化，与风电机组的有功功率也无线性关系。但是变量相互之间的差值：变桨角度差、变桨速度差、变桨电机电流差却可以反映出变桨系统的准确性、及时性及三个变桨电机的负载是否均衡。这三个差值越大，说明变桨系统性能越差，出现问题的概率也越高，正符合越小越优型的劣化度计算函数。因此，本文将上述变量的差值定义为变桨系统健康评价指标。

综上所述，本文选取能够反映风电机组健康的40个监测变量构建风电机组的健康评价指标体系（图1），该评估体系中包含28个评估指标，涉及6个子系统。

劣化度计算

由于风电机组健康状态评价指标具有各自的物理意义和取值范围，为了消除量纲的影响，需要对风电机组健康评价指标做归一化处理。本文引入劣化度的概念，表征风电机组当前实际状态与故障状态相比的劣化程度，其取值范围为［0，1］，其中0表示健康，1表示劣化，0到1之间不同取值反映评判指标不同的劣化程度。根据上节所选的风电机组健康评价指标，本文选取越小越优型的劣化度计算函数，如公式（1）所示。

式中，g（x）为评价指标的劣化度；x为评价指标的实测值；α为评价指标劣化区间的下限值；β为评价指标劣化区间的上限值。

由劣化度函数可知，该函数的关键为阈值选取，且阈值设置的合理性将直接影响劣化度的准确性，继而影响后续对风电机组的健康评价。在相关文献中，对该值的设定均采取单一最高预警阈值，本文认为单一阈值忽略了评价指标在不同工况下变化范围的不同，导致评价结果不够准确。

因此，本文将采用不同工况下的动态阈值进行劣化度计算。具体方法为通过对风电机组有功功率进行区间划分，并对各区间内的数据进行统计，最终实现各区间内指标阈值的确定。从而在计算劣化度时，根据不同工况采用不同阈值的劣化度函数进行计算。本文的阈值上下限参考箱线图异常判断法则，分别选取Q1-1.5IQR、Q3＋3IQR作为劣化区间的下限及上限。其中，Q1、Q3分别为箱线图的四分之一与四分之三分位数，IQR=Q3-Q1。

风电机组模糊综合评判法

风电机组健康状态是一种模糊的概念，例如“健康”与“良好”之间，“良好”与“注意”之间并非非此即彼，而是亦此亦彼，即表现出边界不清楚，存在中间状态。这不是由于人的主观认识达不到客观实际所造成的，而是因为事物的差异之间存在着中间过渡过程，是事物的一种客观属性。模糊综合评价法正是解决这种问题的一种方法，它根据模糊数学中的隶属度理论把定性评价转化为定量评价，即用模糊数学对受到多种因素制约的事物或对象做出一个总体的评价。

图1 风电机组健康评价指标体系

一、风电机组健康状态评价集

机电设备健康状态数的划分常用1～9级标度法，通过对比和分析风电机组的实际工作状态、健康特征信息以及运维历史数据，本文将风电机组的健康状态划分为“健康”“良好”“注意”“恶化”“故障”五个等级，即评语V={V1，V2，V3，V4，V5}={健康，良好，注意，恶化，故障}。

二、隶属度函数

隶属度函数是模糊综合评价的应用基础，它可以计算当前指标值，如劣化度隶属于某个模糊概念的概率。隶属度越接近1，表示该值属于某个概念的程度越高。由于对同一个模糊概念，不同的人会建立不完全相同的隶属度函数，因此隶属度函数的定义具有一定的主观性。本文将构造健康状态的岭形分布函数，该函数所得隶属度结果对健康评分具有较好的适用性，能够建立劣化度与健康评分的一一对应关系，从而反映机组健康情况，具体公式如式（2）-（6）所示。

图2 岭形分布函数图

图3 整机健康评价结果

该函数分布如图2所示。

将各评价指标劣化度代入上述隶属度函数，则可得到系统层第i个系统中m个指标参数的劣化度隶属于上述n个健康状态的隶属度矩阵Ri，如式（7）所示：

图4 WT05系统健康评分

式中，Ri为第i个系统的隶属度矩阵；vmn为第i个系统中第m个指标隶属于健康状态n（本文n=5）的隶属度。

三、模糊综合评判

式中，B为评判向量，指系统或整机隶属于每个健康状态的概率值；A为权重，本文各指标权重取相同值；R为隶属度矩阵，可由上述隶属度函数计算得到；“·”为模糊评判算子，本文取加权平均。

按照上述过程，可以分别求得每个系统的评判向量Bi，从而构成机组层面健康状态的隶属度矩阵R=［B1，B2，…Bi］（本文i=6），并继续通过 B=A·R计算得出整机的健康评判向量。

四、风电机组健康评分

在经过上述模糊综合评判之后，根据隶属度最大原则可确定当前整机的健康状态，但无法得到关于机组的健康评分。因此，本文在此基础上通过构建合理的评分向量将评判向量转化成分数制从而实现机组健康评分，计算方法如式（9）所示：

式中，S为风电机组健康评分；B为评判向量；P =（100，90，80，70，50）。

该健康评分中：100～90之间为“健康”，90～80之间为“良好”，80～70之间为“注意”，70～60之间为“故障”，60～50之间为“严重”。

实例分析

为验证上述风电机组健康评分方法的有效性和准确性，以某风电场2MW机型2017年6月实际监测数据为例进行验证，选取该风电场5台机组并获取其一月的数据。其中，数据粒度为1min，采取的健康评分间隔为10min，评分结果如下文所示。

图3所示为五台机组的整机健康评分趋势图。从图中可以看出，五台机组的整机健康评分基本在80分以上，处于良好的状态；但是可以发现机组WT05的整机健康评分不断走低，且存在低于80分的健康值。针对WT05单独进行分析，查看其各系统评分，如图4所示。

由图4可知，该机组齿轮箱系统在整个月中评分不断降低，到月中已经处于故障状态。可以判断齿轮箱评分较低是造成该机组整机健康评分较低的主要原因。继续展开齿轮箱系统中各指标的健康评分，如图5所示。

由图5可知，造成齿轮箱系统健康评分较低的原因是齿轮箱低速轴轴承温度及齿轮箱进口油温健康评分较低；针对上述评分，查看WT05机组齿轮箱的实际运行数据，并作时序对比图（图6）。

由齿轮箱实际数据可以发现，机组WT05的齿轮箱低速轴轴承温度、齿轮箱进口油温明显偏离其他正常机组；并且其温度越来越高，正验证了前述齿轮箱相关指标及系统的评分越来越低的现象。而由风电场实际故障维修记录可知，直到6月28日风电机组才报出该故障并由维护人员进行登机维修，相较于其故障发生时间至少延后一个月。

结论

图5 WT05指标健康评分

图6 齿轮箱实际数据分析

图7 故障维修记录表

本文通过构建风电机组健康评价指标体系，引入劣化度，采用模糊综合评判法实现对风电机组的健康评估，并对原方法进行了一定程度的完善和改进。首先，通过构建合理的评价指标在原有的评价指标体系中加入了变桨、偏航等相关变量的影响因素，从而使风电机组的健康评价体系更加完整；其次，优化了劣化度阈值设定方法，采用动态阈值的方法进行劣化度计算，使各变量的劣化度计算更加准确；最后，利用合理的分数向量将机组不同的状态转化成相应的健康得分，有助于通过分数直观地看到各变量、系统及机组的劣化趋势。实例验证结果表明，该方法具有有效性和可行性，有助于运维人员了解风电机组的健康状态，及时发现安全隐患。同时，可用于风电场的日常运行维护策略制定。