基于SCADA参数关系的风电机组部件重要度分析

程诗雨，刘 航，曾天生，陈汉斯，王 峥，褚学宁

（1.上海交通大学，上海 200240；2.郑州航空工业管理学院，河南 郑州 450015）

0 引言

风电机组大多工作在气候恶劣的环境，发电性能不稳定，维护维修成本高昂[1]。而机组由风轮、齿轮箱、发电机、机舱等多个部件构成，根据部件性能与整机性能的相关程度，即部件重要度，有针对性地制定维护维修策略，可以减少停机，降 低 成 本[2]，[3]。

部件重要度分析已在许多领域得到应用。Roychowdhury S[4]提出了一种根据对称耦合系统的部件重要度调整部件位置，提高系统性能的方法。Xu Z[5]将复杂网络系统受到干扰后各部件的恢复能力作为评价指标，提出了一种充分考虑系统弹性的部件重要度评估方法。Ma Hongzhan[6]综合层次函数、特征降维、高斯混合模型等多种数据分析技术来分析部件重要度，据此定位产品再设计环节的关键部件。但是，由于风电机组物理结构复杂、性能状态多变，无法直接应用上述研究成果进行部件重要度分析。

风电领域中有关部件重要度分析的研究较少。Sunder S T[7]计算了高速不稳定风中风电机组部件Birnbaum重要度，但仅将风机性能状态划分为“正常运行”或“停机”，未考虑“性能轻微下降”、“性能严重下降”等中间状态。符杨[8]采用层次分析法对海上风机9个主要部件进行了重要度排序。刘华新[9]提出了风电机组部件重要度灰色模糊综合评判法。上述两项研究的评价标准由于是人为制定，评估过程依赖专家打分，主观性较强。

现代风电机组大多配备数据采集与监视控制系统（SCADA），以固定频率采集环境及风机性能参数，本文提出一种基于SCADA参数关系的风电机组部件重要度分析方法，在保证客观性的基础上，考虑风机运行性能的多状态特性，为维护维修工作提供参考。

1 研究思路

本文的研究内容包括如图1所示的两个步骤：基于SCADA参数关系评估风电机组整机和部件运行性能；建立部件性能与整机性能关系模型，分析部件重要度。

图1 研究思路与方法Fig.1 Researching ideas and methods

步骤1：预处理SCADA原始数据，按时间分为基准集和运行集；以多项式回归拟合基准集“风速-功率”关系，建立运行集监测窗口“风速-功率”模型，根据参数关系变化计算整机性能指标；以高斯过程回归拟合基准集“风速-部件性能参数”关系，预测运行集风速条件下部件性能参数95%置信区间，根据参数实测值落在区间外的比例计算部件性能指标。整机和部件性能指标连续取值且一一对应，可以表征风机全部性能状态。

步骤2：提出基于森林优化算法-K近邻回归（FOA-KNR）的部件重要度分析方法；以部件性能指标为高维特征项、整机性能指标为一维目标项，以特征加权K近邻回归建立部件性能与整机性能的关系模型；结合森林优化算法（FOA）更新特征权重，以模型拟合优度评价特征权重的优劣，根据最优权重分析部件重要度。

2 风电机组运行状态评估

对SCADA原始数据进行5个步骤的预处理：①截取最大风能追踪区数据；②删除不合理数据；③Min-Max标准化；④采用局部离群因子算法（LOF）去除离群点[10]；⑤按采集时间先后划分为基准集d和运行集D。

设SCADA共记录J+2维参数，最后两维是整 机 输 出 功 率 和 风 速。记 时 刻ti（i=1，2，…）记 录 的数 据 条Xi=（xi，1，…，xi，j，…），j=1，2，…，J+2，xi，j为第j项参数监测值。以宽度l、步长p的滑动时间窗分割D，共划分N个时间窗，窗口Dn为

2.1 基于多项式回归的整机性能评估

首先，根据“风速-功率”关系评估整机性能。在d上，基于多项式回归拟合风速PJ+2与功率PJ+1的参数关系。

式 中：fJ+1为 功 率 预 测 值；am（m=1，2，…，M）为 各 阶基准系数；M为多项式阶数。

拟合监测窗口Dn中风速PJ+2（n）与功率PJ+1（n）的 参 数 关 系。

按时间顺序整合整机性能指标序列，C=[C（1），C（2），…，C（N）]T。该 指 标 反 映 了 窗 口 内 风机“风速-功率”参数关系偏离基准的程度：指标值越大，整机性能越差；指标值越小，整机性能越好。

2.2 基于高斯过程回归的部件性能评估

根据“风速-部件性能参数”关系评估部件性能，本文采用高斯过程回归（GPR）建立“风速-部件性能参数”关系模型。在d中：

式中：N为正态分布；m为均值函数；K为平方指数协方差函数。

训练该模型，以最大似然估计法求最优超参数，并预测Dn内第j维性能参数值，预测值fi，j与基准值序列的联合先验分布。

该指标反映窗口内风速-部件性能参数关系偏离基准的程度：指标值越大，部件性能越差；指标值越小，性能越好。

3 风电机组部件重要度分析

作为多状态复杂系统，风电机组整机性能对各部件性能变化的敏感程度不同。高重要度部件因工作环境变化、操作不规范、部件受损或老化等原因发生性能波动时，整机性能状态会受到严重影响，须要及时进行维护维修；而重要度较低部件的性能波动则对整机影响不明显，可以降低关注，以节约成本。

本文提出一种基于FOA-KNR的部件重要度分析方法，采用特征加权的K近邻回归建立风电机组整机与部件性能关系模型，引入文献[11]提出的元启发式FOA算法对特征权重进行搜索和更新，并根据最优特征权重进行部件重要度分析。详细步骤如下。

①整合第2节性能评估结果：

式中：X（n）为Dn的部件性能整合向量，将其抽象为J维空间实例点；Cj（n）为第j项部件性能指标，即实例点第j维特征值；C（n）为Dn的整机性能指标，即点的目标值。

高维点集及目标值集一一对应且均可连续取值，完整表征风机“正常运行“到“停机”范围内可能出现的多种性能状态[12]。

②定 义 特 征 权 重 向 量W=（w1，w2，…，wJ）T，wj（j=1，2，…，J）为 部 件 性 能 指 标 权 重。

③建 立X（n）→C（n）的 特 征 加 权K近 邻 回 归模型：

4 案例分析

案例数据来自葡电可再生能源集团（EDPR）公开数据集，为2 MW双馈异步风电机组SCADA数据，采样时间为2016-01-01-2017-12-31，采样间隔为10 min，包含风速、功率及部件转速、温度等83维参数。

以风电机组T01作为主要研究对象，采用第2节介绍的预处理方法清洗最大风能追踪区（风速为4～12 m/s）数据。预处理后得到2016年时序数据29 399条，2017年时序数据28 241条，前者为d、后者为D。在D上划分监测窗口，l为3 600，p为72，取得N为572个时间窗。据经验知识筛选出金属齿轮箱、变频器、液压系统、机舱、偏航系统、发电机、传动轴、风轮和变桨系统9个部件的性能参数及整机功率和环境风速。

4.1 运行性能评估

首先，评估D的整机性能：取多项式阶数M=3，积 分 上 下 限xi，19max，xi，19min取 风 速 理 论 最 值，即 额定风速为12 m/s和切入风速为4 m/s。整机性能评估结果如图2所示。由图2可知，风机整体性能良好，大部分窗口指标低于0.4，但存在数个峰值，在该时间窗附近性能明显下降。

图2 2017年T01整机性能评估结果Fig.2 Performance evaluation results of T01 in 2017

其次，评估部件性能：以d中风速P19与部件 参 数Pj（j=1，2，…，17）训 练 高 斯 过 程 回 归 模型，计算D中参数实测值落在95%置信区间外的比例，得出性能评估指标序列Cj（j=1，2，…，17）。图3为2017年齿轮箱性能C1、变频器性能C3、发电机性能C10和变桨系统性能C164项评估结果。与图2对比，整机指标高峰与某些部件指标高峰吻合，不同指标吻合程度不同，二者存在复杂的非线性关系。

图3 2017年T01部件性能评估结果Fig.3 Component performance evaluation results of T01 in 2017

4.2 部件重要度分析

创 建 权 重 向 量W=（w1，w2， …，w17）T，wj∈{0，0.1，0.2，…，1.0}，j=1，2，…，17，初 始 值 取0.5；设 定 ΔW=0.1，LS=4，GS=9，TR=10%，AL=5，PL=20；取近邻点数K=8，以连续150次迭代结果无变化为终止条件，搜索最优特征权重，结果见表1。

表1 部件最优特征权重Table 1 Optimal feature weight of the components

发电机、传动轴和风轮均含一项权重为1.0的指标，其性能与整机性能关联程度非常高，而偏航系统和变桨系统的权重偏低，性能下降对整机影响较小。取各部件最高权值作为部件重要度，结果见表2。

表2 T01风机部件重要度分析结果Table 2 Component importance analysis results of T01

由表2可知：T01风机的发电机、传动轴、风轮重要度极高，整机性能会随上述部件性能同趋向、同比例变化；变频器、齿轮箱、液压系统重要度较高，仅会引起整机性能的小幅变化；机舱、变桨系统、偏航系统重要度中等或偏低，几乎不造成影响。对高重要度部件在运行监控、维护维修、备件库存等方面应提高优先级，反之则可减少投入，以节约成本。

4.3 结果讨论与分析

前文结论与经典结论、AHP结论[8]基本一致，说明了本文方法的有效性，但本文发现变频器重要度较高（0.7），与普遍结论有差异。变频器主要用于调节定子转速、实现过电压保护，保持风机与电网运行状态一致。若变频器性能下降，将导致风机状态不稳定，甚至引起其他部件损毁，降低整机发电性能。图4所示为300～380时间窗内T01整机及变频器、偏航系统、风轮的性能曲线。由图4可知，变频器与整机性能变化较吻合，但相关程度明显低于重要度更高的风轮，说明了变频器重要度结论的有效性。

图4 300～380时间窗内T01整机及偏航、风轮、变频器性能水平Fig.4 Performance level of yaw system，rotor，transducer and the whole turbine within the 300～380 time window of wind turbine T01

考察本文方法的鲁棒性，对该风场其他3台同时段、同空间运行的同型号风机T06，T07和T11进行部件重要度分析，结果见表3。ΔR2是相较于所有部件重要度相同情况，加权回归模型的决定系数R2提升值。4台风机 ΔR2均高于8%，同类型风机同部件重要度接近，不同部件区分明显。

表3 4台风电机组部件重要度分析结果Table 3 Component importance analysis results of the four wind turbines

为进一步说明FOA-KNR方法的优越性，将其与梯度提升决策树 （GBDT）、随机森林（RF）和RReliefF这3种方法进行比较，结果如图5所示。

图5 4种方法重要度分析结果对比Fig.5 Importance analysis results comparison of the four methods

由 图5（b），（c）可 知：在GBDT和RF分 析 结果中，同一风机不同部件的重要度差异小，不同风机某些相同部件的重要度差异大，在本问题上鲁棒性不足；风轮部件被评价为重要度很低，结论显然缺乏有效性；RReliefF方法对数据集依赖性强，在 同 机 型 上 可 能 得 出 如 图5（d）风 轮（S/C/M）、液压系统（S/C/I）等不一致的结果。相比之下，本文提出的FOA-KNR方法鲁棒性更强、结论更具参考价值。

5 结论

①基于风电机组SCADA参数关系评估部件、整机性能，并根据部件性能对整机性能的影响程度确定部件重要度，通过真实案例验证了方法的有效性和鲁棒性。相较主观评定方法，运行数据驱动的分析结果更客观、解释性更强，能够识别被忽略的高重要度部件，为维护维修工作提供了更具参考价值的建议。

②文章提出的基于FOA-KNR的部件重要度分析方法以部件性能为特征，采用特征加权的K近邻回归模型拟合部件与整机性能的关系，结合FOA搜索最优特征权重，分析部件重要度。该方法充分考虑了风电机组除“正常运行”和“停机”之外的其他性能状态，能准确表达多状态系统中部件与整机连续变化的性能水平之间的关系，比同类方法的鲁棒性更强。