基于合作博弈和区间划分的风电机组状态评价

李俊卿，胡晓东，马阳硕，何玉灵

（1.华北电力大学电气与电子工程学院，河北保定 071000；2.国网保定供电公司，河北保定 071000；3.华北电力大学机械工程系，河北保定 071000）

0 引言

在全球能源结构改革的背景下，风能得到迅猛发展，风电机组的单机容量也越来越大[1-2]。准确地评估风力发电机组的运行状态可以避免造成巨大经济损失。近年来，国内外学者引入了神经网络[3-4]、集对分析[5]、协整分析[6]、深度学习[7]等方法，对风电机组的关键部分或者整体的状态评估进行了深入研究。与测量振动信号的监测系统相比，数据采集和监视控制系统（Supervisory Control And Data Acquisition，SCADA）在成本方面具有明显优势[8]。文献[9]利用SCADA 数据提出一种累积和方法对风电机组进行状态监测，但风力涡轮机受恶劣环境的影响很大，环境条件的变化会造成该方法误报和漏报问题。文献[10]提出一种计算安全带的优化问题并引入风险指标，最大限度提高异常状态的识别精度，从而实现对风电机组的状态监测，但该方法考虑的指标过少，可能会丢失一些重要信息。文献[11]将评价指标分为2 类，指出了风速和环境温度对温度指标的影响，但在划分时仅仅以风力机转速作为依据，忽略了环境温度的影响；为了消除环境温度对指标参数的影响，文献[12]引入了修正温度，但仍然采取固定的阈值。固定阈值很难适应不确定因素较大的评价过程，而Bin 方法可实现划分实测数据中的环境温度和风速。基于数据分析的状态辨识认为正常状态数据处于高概率区间，而异常状态数据处于低概率区间[13]，通过“3En”原则可以确定各个运行区间的动态阈值。

SCADA 数据涉及范围广，是大数据分析；与之相反的小数据分析则更具备针对性，所以将两者进行有机结合是最有效的分析方法[14]。模糊综合评判法[15]凭借其能够综合定性和定量信息的能力而备受关注，如何科学选取指标权重和隶属度函数将直接影响模糊综合评判法的精确度。文献[16]综合了主客观赋权法的优点，运用非线性规划方法确定各指标的权重。文献[17]在确定权重组合时，采用的是乘法集成法。权重组合方法虽然有其优越性，但是当不同的赋权方法确定的指标权重差别较大时，会对评价结果的准确性造成更严重的影响。合作博弈理论[18]能够协调不同权重确定方法的不一致系数，有利于避免人为因素的影响；采用变权公式对常权值进行修正时，赋予不同相关程度的指标以不同的变权因子，提高了评价结果的可靠性。在选取隶属函数时，正态云模型[19]已经被证明在不确定知识中适用性很强，另外，运用黄金分割法来生成标准云模型也更容易与实际的评价结果保持一致[20]。

综上分析，本文建立了基于区间划分的风电机组状态评估合作博弈云模型。首先基于数据采集与监视控制系统所获取的数据，对各个状态指标进行分析从而确定本文所采用的评价指标体系；然后对环境温度及风速进行区间划分，经过数据清洗之后，用逆向云发生器确定阈值；运用合作博弈法协调不同权重分配方法的差异，利用劣化度和变权公式对常权值变权；用黄金分割法生成5 个评估等级的标准云，利用前项云发生器计算隶属度，并据此结合模糊评判法确定状态等级；最后对河北某风电机组的实测数据进行计算，并且与其他评估方法进行比较。

1 风电机组状态评估指标设计

为了使评价结果更加准确可靠，本文考虑了可利用性、整体性和显著性3 个方面。可利用性是指所确定的评价指标必须是能够采集到的并且要综合考虑采集的难度和成本；整体性是指选取的评价指标必须能够在整体上反映风力发电机组的运行状态。由于风力发电机组的结构比较复杂，并且机组内部各部分有复杂的耦合关系，所以选取的评价指标应当相互独立；利用层次分析法（Analytic Hierarchy Process，AHP）[21-22]建立了风电机组状态评估指标体系，如图1 所示，其中用编号1—20 表示图1 中由上及下的20 个指标。

图1 风电机组状态评估指标体系Fig.1 Status assessment indices system of wind turbine

2 风电机组状态评估模型

2.1 区间划分及评估指标量化

由于所选取的评价指标的数量等级不尽相同，因此本文在分析时采用相对劣化度。

对于越小越优型指标（主要指温度、振动、部分电气量），计算公式为：

对于中间型变量（主要指速度、电压、电流、频率等电气量），计算公式为：

式中：x为所选取的指标；f（x）为指标的相对劣化度；β，β2为上限阈值；α，α1为下限阈值；β1，α2分别为最优区间的最小值和最大值。

本文以环境温度和风速进行划分，并且依据逆向云发生器的计算结果，为各个区间的温度指标设置阈值。具体方法如下：

采用Bin 区间划分方法划分环境温度和风速。本文以4℃为区间长度，将环境温度划分为12 个区间：-11℃以下，-11 ℃～-7℃，…，25℃～29℃，29℃以上。同样方法以2 m/s 的长度将风速划分为13 个区间：1 m/s 以下，1～3 m/s，…，21～23 m/s，23 m/s 以上。最终得到156 个运行区间。

Ocd（c=1，2，…，12；d=1，2，…，13）表示风力发电机组的运行区间。在机组运行过程中，由于各种因素，SCADA 中会产生大量异常数据。为此根据风电机组风速-功率异常运行数据特征进行数据清洗。用逆向云发生器处理清洗之后的数据，得到期望Ex，熵En和超熵He，并据此设置各区间温度指标的阈值。计算步骤如下：

式中：N为样本总数；s为样本编号。

以设置运行区间O74中发电机轴承温度为例，区间O74即从实测数据中选取环境温度在9℃～13℃，风速在5～7 m/s 的数据。

数据清洗前后风速-功率的散点图分别如图2和图3 所示。数据清洗之后的发电机轴承温度见图4，由逆向云发生器计算后，得到3 个数字特征。

图2 风速-功率特性曲线（数据清洗前）Fig.2 Wind speed-power characteristic curve before data cleaning

图3 风速-功率特性曲线（数据清洗后）Fig.3 Wind speed-power characteristic curve after data cleaning

图4 区间O74 中发电机轴承温度Fig.4 Generator bearing temperature monitoring data in interval O74

2.2 合作博弈确定权重方法

采用合作博弈理论确定指标权重时，以子项目层各个系统为单位，将不同方法确定的权重W（k）（k=1，2，…，n）进行融合，作为一个整体进行合作博弈，以此平衡主客观权重的差异，提高精确度。具体过程为：

1）计算W（k）与W（n_k）的一致性相关系数L（k）。

式中：Wi（k）为第k种方法计算的第i个指标的权重；W（n_k）为n种方法中除去第k种的其他n-1 种权重的组合；m为指标个数；“—”为取平均值。

2）组合权重W′。

3）由于W（n_k）为n种方法中除去第k种的其他n-1种权重的组合，可以运用递归调用的方法逐步减少权重个数，直至剩下2 个。

4）经过第3）步处理后，权重个数为2，W′的计算方法如式（5）：

式中：W(1)，W(2)为经过第3）步处理后，剩下的2个权重。

将W′归一化到变权W。保持权重系数的比例不变，使权重系数的和化为1。

本文以图1 指标体系子项目层中各个系统为单位，计算各系统内各个指标的权重。分别采用AHP、灰色关联度法[23-24]、熵权法[25-27]、集成法以及合作博弈法计算各指标的权重，如图5 所示。

图5 指标权重折线图Fig.5 Line chart of index weight

2.3 确定隶属度的正态云模型方法

本文采用黄金分割法生成状态评估的标准云：将机组的运行状态划分为良好、合格、注意、异常和严重5 个等级，即{V1，V2，V3，V4，V5}，其对应的标准云为（Exj，Enj，Hej）（j=1，2，…，5）。其中“注意”为中间状态，将其期望Ex3 设置为0.5。He3 可以根据不同指标进行调整，本文取0.005。标准云熵和超熵的大小与论域中心的距离成负相关，且相邻云中较小的是较大的0.618 倍。据此可确定数字特征并得到风电机组状态评估标准云图，如图6 所示。

图6 状态评估等级标准云Fig.6 State assessment level standard cloud

依据标准云构建前件云发生器并计算隶属度，以“注意”等级的前件云发生器为例：给定指标的相对劣化度f，输出云滴Drop（f，u3），如图7 所示。其中，CG 为云发生器，u3表示该指标的相对劣化度对“注意”状态等级的隶属度。

图7 “注意”状态前件云发生器Fig.7 “Attention”state antecedent cloud generator

3 风电机组状态评估流程

本文提出的基于区间划分和合作博弈的风电机组状态评估云模型详细步骤如下：

4.互动协同。大部分互联网空间价值目标的达成需要多主体互动协同。由于自身资源局限性，任何单一组织或个人都无法完成全价值链或全生态系统的建构，因此只有多主体共同参与，交流协作，才能够整合资源，达到效用最大化。持续、双向的信息反馈和立体、网状的开放创新是网络协同的关键，这种结构也塑造了网络用户的使用习惯。

1）建立如图1 所采用的评估指标体系，按照2.1 节所述的方法对实测数据进行预处理。

2）运用合作博弈融合权重处理方法将单一权重统一处理，通过变权后最终得到变权值。即：

式中：为i指标的变权值；wi为i指标的常权值；f（x）i为通过计算所得的i指标的相对劣化度；a为惩罚因子，且0

3）建立5 个状态等级的评价集{V1，V2，V3，V4，V5}。

4）将指标参数输入前件云发生器后得到相应的隶属度，由此求得最终的评判向量，并由模糊综合评判法得到评估结果，最终选取隶属度值最大的一项所对应的状态等级作为最后的结果。

4 实例验证

4.1 实例1

以河北某风电机组数据采集与监视控制系统所获得的实测数据为例，验证本文所提状态评估方法的有效性，并与现有其他评估方法作比较分析。主要步骤如下：

表1 各指标对各个状态等级的隶属度Table 1 The degree of membership of each index to each level of state

2）根据实测数据和式（6）计算各指标的变权，见表2。

表2 各评估指标的变权值Table 2 Variable weights of each evaluation index

3）计算指标项目层的评判矩阵。

对齿轮箱系统各个指标的评判向量进行组合，得到该子系统的评判矩阵：

结合变权系数，求得评判向量为：

同理，可得其他项目层的评判向量分别为：

4）子系统的评判矩阵为：

经过权重分配后，得到最终评判向量如下：

根据最大隶属度原则，判断此组实测数据下风力发电机组的运行状态等级为注意状态。在实时监测的数据中显示当时机组的发电机绕组温度等发生了明显的偏移，劣化程度在0.5 左右，与本文所提方法的判断结果一致。

本文所提方法与文献[21-25]中的方法进行对比，结果如表3 所示。由表3 可知不同方法评估结果大体相同，但本文所提方法处于注意状态的隶属度大于其他方法。因此，本文方法对风力发电机组运行状态的评估可靠性和精确度更高。

表3 运行状态的评估结果Table 3 Operating condition assessment results

4.2 实例2

为了进一步验证本文所提方法的有效性，在该风电场其他机组的实测数据中选取了3 种情况下的数据进行分析。其中，数据1 为风速突变，数据2为齿轮箱轴承温度、发电机绕组温度偏高，数据3为齿轮箱轴承温度和油温、发电机轴承和绕组温度多项指标参数偏高。利用各方法得到的最终评判向量如表4 所示。

表4 不同指标偏离情况下的最终评判向量Table 4 Evaluation vector under deviation of different indexes

由表4 可知数据1 下，各方法的评价结果均为“注意”状态；数据2 下，各方法的评价结果均为“异常”状态；数据3 下，由AHP 得到的评价结果为“注意”状态，由熵权法得到的评价结果为“异常”状态，由灰色关联度法和本文所提方法得到的评价结果均为“严重”状态。可见在数据1 和数据2 下，各评估方法通过计算所得到的最终结果都与机组的真实运行状态一致；而在数据3 下，由AHP 得到的评价结果与真实情况偏离较大，由熵权法得到的评价结果与真实情况比较接近，由灰色关联度法和本文所提方法得到的评价结果与真实情况一致，但是由灰色关联度法得到的最终评价向量中各个等级隶属度大小相近。这是由于传统的变权公式会将劣化程度淡化，而本文对不同的系统采取了不同大小的惩罚因子，因此能更加准确地做出判断。

5 结语

采用Bin 方法，根据风速和环境温度实现风电机组运行工况的区间划分，并利用逆向云发生器确定评价指标动态阈值，可提高风电机组状态评估的精确度；采用合作博弈法计算风电机组指标的权重系数，不会造成权重差异增大；采用黄金分割法生成各状态等级的标准云，更加符合实际情况；在风电机组状态评估中，各个指标相对劣化程度不同对风电机组造成的影响不同，可以使用变权因子进行调节。在下一步工作中，将以本文所提方法作为风电机组运行状态的数据标签，对风电机组的运行状态进行预测。