基于动态数据的风电机组维护效果评价方法研究

贾子文

（北京天润新能投资有限公司 生产管理部，北京 100029）

风电机组运行环境严酷，机组激励状态多变，高质量的维护作业是保障机组设备持续、稳定、高效运行的关键[1]，[2]。全年检修通过对每台机组维护保养、故障消缺及技术改造，从场级层面排除设备安全隐患[3]。实现机组维护效果客观评价，保障机组维护作业质量可靠性是确保场区安全生产的重要手段。

很多学者对设备维护评价内容开展了研究。高波[4]对设备评价体系及方法进行了梳理，提出了以多指标评价的分析思路。罗肖健[5]对设备各个运行阶段的寿命损耗特征进行了分析，为设备维护评估准则提供了重要参考。高萍[6]从设备可靠性角度出发，采用模糊综合评判方法实现了影响水泵维修水平关键因素的识别，为设备维护作业改进提供了技术支持。目前，设备维护评价方法主要包括层次分析法、包络分析法、主成分分析法和人工神经网络法[7]～[10]。层次分析法依据主观判断和计算，可对分析对象进行系统性评价判断；
包络分析和主成分分析通过数据降维解析以保障评价结果的指向性；
人工神经网络通过经验积累和自主学习，大幅提高了算法的普适度。

虽然这些方法各具优势，但也存在如下弊端。

①主观性强：大部分模型的数据源需要专家打分给出，导致分析结果无法对评价对象做出准确描述，降低了评价结果的客观性与针对性。

②解释性差：大部分评价方法只通过截面数据对设备进行静态分析，缺少对设备全工况状态特性变化的解析，致使多数设备评价方法只能给出简单结论，无法根据结果给出具体指导意见以改进维护作业。

本文提出了基于动态数据的风电机组维护效果评价方法。该方法首先基于机组设备运行特性，构建机组维护效果评价体系；
采用云模型进行机组维护评价，确定整体技术路线；
引入非线性状态估计技术（NSET）对云模型进行改进，通过计算机组关键部件状态残差值，并进行合理数值转化，将各风速段关键部件状态转化数值代替原始云模型中各专家打分值，作为模型输入，提高了评价结果的客观性。同时，以状态特征为信息基础的评价结果具有更强的解释性，可为后续维护工作提供技术指导。

设备维护的基本任务是充分调用各种维护资源及手段，排除设备存在问题，使设备保持良好状态[11]，[12]。本文以直驱风电机组为对象展开分析，从描述机组关键部件运行状态的动态数据出发，以部件功能为基准进行属性边界划分，构建风电机组维护效果评价指标体系（表1）。

表1中，径率系数Rp用来描述风轮的风能利用能力。

表1 机组维护效果评价指标体系Table1 Evaluation index system of unit maintenance effect

式中：Pr为机组有功功率；
R为机组叶轮半径。

转率系数Tp用来描述发电机能源转换能力。

式中：Vr为主轴转速。

三相电流最大偏差Ed用来描述发电机运行的稳定性。

式中：Emax为三相电流最大值；
三相电流平均值。

为避免环境因素对评价结果带来影响，表1中发电机温度和轴承温度均为与环境温度的相对值。

2.1 云模型原理

云模型是模糊定性表述与定量表述之间的转化模型[13]。设U为一个确定集合形成的论域，且表述概念C映射于该论域，U中的任一元素x表示定性概念的一次随机实现，x相对C的隶属度 μ为随机数，同时存在稳定倾向性，即：

将x在论域U上的分布称为云模型，x称为云滴。

云模型用期望值Ex、熵值En和超熵值He来表述其特征。其中，Ex为评语集各级置信区间的对称轴，En为定性概念的模糊程度，He为云滴在空间的离散程度。

云模型通过正向云发生器和逆向云发生器实现模糊定性同语义定量表述映射关系的建立。其中，正向云发生器用来完成定性概念的量化，计算过程如下：

①生成正态随机数 σi，使其均值为En，方差为He，即 σi=NORM（En，He）；

②生成正态随机数xi，使其均值为Ex，方差为 σi，即xi=NORM（Ex，σi）；

③计 算 隶 属 度 μi=exp[-（xi-Ex）2/（kσ2）]，得 到一 个 隶 属 度 为 μi的 云 滴，记 为drop（xi，μi），其 中k为常数，本文中k=2；

④重复①～③，直到生成所有云滴。

通过云正向发生器实现云图绘制。例如，云数字 特 征（50，20.17，1）的 云 图 如 图1所 示。

图1 云模型数字特征云图Fig.1 Cloud model digital feature cloud map

逆向云发生器用于实现定量描述向定性表述的 映 射。样 本 空 间X（x1，x2，…，xn）生 成 云 模 型 数 字特征的表达式为

2.2 评判集与标准云计算

评判集是基于评估指标得到评估结果的集合，记 作E=（e1，e2，…，en），评 估 结 果 为[0，1]。

式 中：aei，bei为[0，100]上 的 常 数，且aei≤bei；
q为e1在[aei，bei]上 的 映 射 关 系。

其中，置信区间定性语言的云数字特征计算模型为

式中：s为用来表述数据的随机性，本文s=0.01。

设评判集结构中存在m个评语结果，通过式（7）～（9）可 得 到 一 系 列 云 模 型 数 字 特 征（Exe1，Exe2，…，Exem；
Ene1，Ene2，…，Enem；
Hee1，Hee2，…，Heem）。

评价过程中，基于专家打分结果，利用逆向云发生器得到评估结果云。结果云由正向云发生器对标准云进行隶属度计算，将各评价结果隶属度取平均值，即得到相似度。通过评价结果相似度差异确定顶层评估对象的评价结果。若评价指标体系存在多层情况，则对中间层进行云合成，即对各评估结果云进行均值处理，得到顶层评估对象的云数字特征后，再进行隶属度和相似度计算，得出顶层评估对象评价结果。

原始云模型需要主观打分作为模型的输入，弱化了评价结果的客观性。机组动态数据是描述设备实际运行状态的基础数据，数据信息量大、指向性强。所以，将动态数据同云模型结合，是解决问题的关键。NSET是以非线性为经验的分析模型，模型特性同风电机组运行数据特征锲合度较高，可对机组状态进行准确描述[14]。本文通过NSET对云模型进行合理改进，将涵盖机组状态信息的特征数据作为评价模型的输入，提高了评价结果的客观性。

3.1 NSET机组状态分析

假设风电机组运行状态由n个关联变量表征，在i时刻观测到由该n个变量形成的向量，记为观测向量，即：

记录机组正常状态一段时间下的m个历史观测向量，形成过程记忆矩阵。

D可实现对系统正常状态整个运动过程的描述，即模型数据样本。输入系统某一时刻的观测向量Yobs，模型将返回预测向量Yest。其中，Yest与D存在如下关系：

由式（12）可知，Yest为D中所有观测向量的线性组合。权重向量W由残差ε的极小化解析确定。

残差是权重向量的函数，对式（13）求权重向量偏导，并进行极小化处理，可得：

式中：⊗为矩阵乘法运算。

本文采用欧氏距离作为该运算的表示形式。

距离值越接近0，说明两向量越相似；
反之，则说明向量间存在差异。

将 式（14）代 入 式（12），得 到 机 组 设 备 状 态 预测结果。

正常状态机组数据特征同D中的数据特征相似，将其作为输入观测向量导入NSET模型后，预测向量与输入向量的空间距离接近，状态残差值较小；
反之，残差值会明显变大，说明机组偏离正常状态，可能存在故障。

3.2 残差数值转化

NSET的残差值范围没有区间约束，而云模型的输入通常为[0，100]。为实现模型对接，需要对残差值进行“百分制”转化。

依据机组维护效果评价要求，对机组动态数据及不同口径下的状态残差进行描述，如图2所示。

图2中的标识说明如表2所示。

表2 数据标识说明Table2 Data identification description

设a为经由NSET得到的实际残差值，则图中各标识说明如下：

a1：A与B的残差值，为“标准残差”；

a2至a3：若a落入该区间，表示定检后机组为无 故 障，本 文 令a2=1.2a1，a3=0.8a1；

a3至a4：若a落入该区间，表示定检后机组状态优于定检前的正常状态；

a4：A自身的残差值；

a5：A与E的残差值，即机组定检后依然存在故障；

a6：A与D的残差值，通常情况下，a6值应高于a2。当a6低于a2或a1时，即和间，机组状态一直保持良好。

将 机 组 维 护 效 果 评 价 分 为“优 秀”（a4＜a≤a3）、“正 常”（a3＜a≤a2）和“未 达 标”（a＞a2），分 数 记 做Pw。残差数值转化说明见表3。

表3 残差转化说明Table3 Residual conversion description

改进云模型数据转换过程如下所述：

①依据表1内容，对机组部件动态数据按风速段进行划分；

②应用NSET计算机组部件在各风速段下不同口径的状态残差值；

③依据表3内容，对状态残差值进行“百分制”转化；

④将各风速段状态残差转化值替换原始云模型中各专家的打分值；

⑤进行云模型评估。

整个转换过程如图3所示。

图3 改进算法数值转换流程Fig.3 Improved algorithm numerical conversion process

为验证模型准确性，以内蒙古某风场3.0MW直驱风电机组为例，对该风场4号和8号机组展开分析。该风场于2021年12月1日开展全年检，于2021年12月30日完成作业。依照表1内容，进行机组动态数据采集，数据通讯频率为60s，动态数据时间段描述如表4所示。

表4 数据时段说明Table4 Description of data period

依据表3，将评语集分为 “优秀”、“正常”和“未 达 标”3个 等 级，置 信 区 间 为[0，100]。其 中，各等 级 置 信 区 间 分 别 为[90，100]，[60，90）和[0，60）。结 合 式（7）～（9）计 算 各 评 语 集 数 字 特 征，结 果 如表5所示。

表5 评判等级划分Table5 Grading of evaluation

将表4中各时间段动态数据按照3.2节内容对各口径下的状态残差值描述进行计算，两机组在4～5m/s风速下的发电机残差值如表6所示。

表6 4～5m/s风速发电机状态残差值Table6 Generator state residual in wind speed of4～5m/s

结合表3和表6内容对状态残差进行数值转化，4号和8号机组各风速段关键部件打分结果如图4，5所示。由图4，5可知：4号机组风轮在风速为3～9m/s时分数较低，全风速段下该机组发电机分数均较低，说明4号机组经过全年检后，发电机存在故障，风轮在中低风速下运行状态异常；
8号机组发电机和风轮在风速为3～9m/s时存在分数下降趋势。整体打分结果表明，8号机组的状态要优于4号机组。

图4 4号机组打分结果Fig.4 Scoring results of unit4

图5 8号机组打分结果Fig.5 Scoring results of unit8

基于打分结果，采用式（5）计算关键部件云数字 特 征（表7）。

表7 机组关键部件云数字特征Table7 Cloud characteristics of the unit key components

由表7可知：4号机组发电机和风轮的云数字特征为“未完成”；
8号机组各部件云数字特征表现为“正常”。

依照2.2节内容，对表7中的数据进行隶属度和相似度计算，机组整机维护效果评价结果如表8所示。

表8 维护效果评价结果Table8 Maintenance effect evaluation results

两机组维护效果数字特征云图见图6，7。

图6 4号机组维护效果云图Fig.6 Cloud chart of unit4maintenance effect

图7 8号机组维护效果云图Fig.7 Cloud chart of unit8maintenance effect

由表8和效果云图可知，4号机组“未完成”结果相似度最高，8号机组“正常”结果相似度最高。说明4号机组维护后状态较差，未达到维护作业要求，8号机组维护后状态良好，达到了维护作业要求。

结合机组运行报告，4号机组1月份出现发电机“磁钢脱落”故障，该故障会削弱发电机出力能力，导致发电机运行状态变差。所以，4号机组发电机分值在全风速段下均较低。

该风电场在1月份出现全场“叶片覆冰”情况，此情况通常发生在冬季，且集中出现在风速为3～9m/s时。叶片表面的冰层会严重影响风轮气动性能和机组发电能力。所以，在该风速段下，两机组风轮和发电机分数均较低。从故障类型角度来看，“磁钢脱落”属于机械类故障，可通过机组维护手段进行消除；
“叶片覆冰”属于自然灾害故障，无法人为主动干预。综合机组维护评价结果和运行报告，建议该风电场针对4号机组“磁钢脱落”故障进行维护作业调整；
针对风机“叶片覆冰”情况，建议对整场机组进行叶片防覆冰技术改造，预防类似情况再次发生。

本文通过对设备维护评价内容的研究，针对评价结果主观性强和解释性差的问题，从风电机组动态数据入手，引入NSET对云模型进行改进，结合实例案例，得出以下结论。

①风电机组维护效果评价指标体系的建立与云模型的引入，确定了风电机组维护效果评价的数据对象与技术路线，为评价工作提供了可靠的理论依据。

②采用NSET对云模型进行合理改进，以描述机组设备运行状态的特征数据作为评价模型的输入，提高了评价结果的客观性。进行实际案例分析结果表明，改进后的模型能对机组维护效果做出准确评价，同时，基于机组动态数据得到的评价结果具有较好的解释性，可为后续维护作业提供合理的指导，具有一定的实用价值。