CN113111314B - 一种基于多机组协同的并网风电机组健康状态评估方法 - Google Patents

Abstract

本发明涉及一种基于多机组协同的并网风电机组健康状态评估方法，属于大功率风电机组状态监测技术领域。该方法包括：S1：从风电机组SCADA监测特征量中提取评估指标，结合评估指标预警阈值计算出评估指标劣化度；S2：确定各评估指标的常权权重，结合评估指标劣化度确定各个评估指标的变权权重；并采用加权相加方法计算得到单台风电机组的劣化指数；S3：采用多机组协同思想，利用四分位法对风电场内的风电机组劣化指数进行划分，确定各个风电机组的健康状态。本发明提高了风电机组健康状态评估的准确度，为风电场智能运维和健康管理提供技术支撑，对减少风电机组运维费用和确保并网风电机组高效、可靠、安全运行具有重要的应用价值。

Description

一种基于多机组协同的并网风电机组健康状态评估方法

技术领域

本发明属于大功率风电机组状态监测技术领域，涉及一种基于多机组协同的并网风电机组健康状态评估方法。

背景技术

与传统火电、水电机组相比，风电机组在高空运行，是多部件协同工作且关联性强的复杂系统，监测特征量类型和数量众多，当机组发生异常引起状态改变时，往往不仅仅只引起一个监测特征量改变，相关的特征量都会存在不同程度的变化。但受风速大小和风向的不确定性影响及变速恒频发电控制的约束，运行状态通常在不同工况之间随机频繁切换，各类特征量随机波动范围较宽，难以直接识别出其异常改变情况，很有必要寻求一种能充分利用多类特征量监测信息的风电机组健康状态评估方法。

目前，国内外对风电机组整机的状态评估方法主要有模糊综合评判，物元理论，云理论和证据推理等。例如，有研究通过工程设计和检修记录，并结合风电机组故障率的统计数据对各评估指标常权权重进行设定，在利用模糊综合评判方法开展整机健康状态评估时，考虑了评估指标的劣化度改变对整机健康状态的影响，引入变权公式在常权权重的基础上综合协调获得各评估指标的变权权重。另外，当评估指标较多时，分配给单个评估指标的权重就相对越小，加上风速随机变化对各评估指标的不确定影响，当单个或几个评估指标劣化时，可能导致反映整机健康评估指标状态信息受多数不变或浮动变化较小的评估指标状态信息影响而被淹没，出现与机组实际健康状态不相符或相悖的评估结果。证据理论是处理多类证据信息融合问题的不确定性推理方法之一，每个评估指标将被看作为一个证据体，可在不依赖于权重确定情况下，处理随机性和模糊性导致的不确定性问题。然而，在多个证据体参与评估时，证据信息的不一致性凸显，难免在证据体间信息出现高冲突现象，直接采用证据推理评估方法，可能得到与实际情况不符的评估结果。需要特别指出的是，现有的整机健康状态评估方法多是以自身监测数据来建立单台风电机组自身的健康状态模型，因为缺少一个有效的健康状态评估参照机组，难免使得风电机组健康状态评估结果不够准确。

发明内容

有鉴于此，本发明的目的在于提供一种基于多机组协同的并网风电机组健康状态评估方法，考虑同一个风电场的多个风电机组所处地理位置相似或相近且运行环境和风资源相关强特点，采用多机组协同思想，将多台机组运行状态进行横向对比分析，将机组间运行状态进行相对参照，以获得准确有效的风电机组健康状态评估结果。

为达到上述目的，本发明提供如下技术方案：

一种基于多机组协同的并网风电机组健康状态评估方法，具体包括以下步骤：

S1：从风电机组SCADA监测特征量中提取评估指标，结合评估指标预警阈值计算出评估指标劣化度；

S2：确定各评估指标的常权权重，结合评估指标劣化度确定各个评估指标的变权权重；并采用加权相加方法计算得到单台风电机组的劣化指数；

S3：采用多机组协同思想，利用四分位法对风电场内的风电机组劣化指数进行划分，确定各个风电机组的健康状态。

进一步，在步骤S1中，提取的评估指标包括：齿轮箱前轴承温度、齿轮箱后轴承温度、齿轮箱入口油温、齿轮箱油温、发电机定子A相绕组温度、发电机定子B相绕组温度、发电机定子C相绕组温度、发电机转子A相绕组温度、发电机转子B相绕组温度、发电机转子C相绕组温度、发电机前轴承温度、发电机后轴承温度、齿轮箱冷却水温度、液压系统压力、液压刹车系统压力、液压系统油温、机舱X方向振动、机舱Y方向振动、机舱环境温度、机舱位置、偏航角误差、塔基柜温度、塔顶柜温度、靠轮毂侧轴承温度和靠齿轮箱侧轴承温度。

进一步，在步骤S1中，计算评估指标劣化度的计算公式为：

其中，g(x)为评估指标劣化度，x为评估指标监测数据，α为评估指标下限阈值，β为评估指标的上限阈值；阈值一般采用评估指标的预警值。

进一步，在步骤S2中，当评估指标个数为n时，第i个评估指标的常权值A′_i确定为1/n，然后确定第i个评估指标变权权重A_i为：

其中，δ为变权系数，g_i为第i个评估指标的劣化度；

然后，采用加权相加计算得到单台风电机组的劣化指数b，计算公式为：

进一步，在步骤S3中，依据式(3)计算出风电场某一时刻的m台风电机组的劣化指数，形成劣化指数数据集B＝[b₁,b₂,……,b_m]；

确定各个风电机组的健康状态，具体包括：若Max(B)-Min(B)<d，m台风电机组评估结果健康状态为“良好”，其中d为门槛值；否则，依据多机组协同思想，利用四分位法将劣化指数数据集B中的全部数据按大小顺序依次排列并分为四等份，处于分割点位置的三个数值Q₁、Q₂、Q₃为四分位点，Min(B)<Q₁<Q₂<Q₃<Max(B)；设置评语集为“良好”、“合格”、“注意”、“严重”4种情况，即评语为L＝{良好，合格，注意，严重}＝{l₁,l₂,l₃,l₄}，m台风电机组以l₁∈[Min(B)，Q₁),l₂∈[Q₁，Q₂),l₃∈[Q₂，Q₃),l₄∈[Q₃，Max(X)]为依据，逐个评估得到最终健康状态评估结果。

本发明的有益效果在于：本发明提高了风电机组健康状态评估结果的准确度，也为风电场智能运维和健康管理提供技术支撑，对减少风电机组运维费用和确保并网风电机组高效、可靠、安全运行具有重要的工程应用价值。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明基于多机组协同的并网风电机组健康状态评估方法流程图；

图2为33台风电机组劣化指数变化情况；

图3为17号风电机组健康状态评估结果对比。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

请参阅图1～图3，本发明设计了一种基于多机组协同的并网风电机组健康状态评估方法，主要包括3部分：数据处理部分、劣化指数计算部分、健康状态评估部分。

下面结合图1，详述一种基于多机组协同的并网风电机组健康状态评估方法与实现步骤。

步骤1：数据处理部分。从风电机组SCADA监测特征量中提取评估指标，结合评估指标预警阈值计算出其劣化度，将劣化度作为评估方法的输入。

例如，对某风电机组SCADA监测数据进行分析，提取了24个评估指标，包括：齿轮箱前轴承温度、齿轮箱后轴承温度、齿轮箱入口油温、齿轮箱油温、发电机定子A相绕组温度、发电机定子B相绕组温度、发电机定子C相绕组温度、发电机转子A相绕组温度、发电机转子B相绕组温度、发电机转子C相绕组温度、发电机前轴承温度、发电机后轴承温度、齿轮箱冷却水温度、液压系统压力、液压刹车系统压力、液压系统油温、机舱X方向振动、机舱Y方向振动、机舱环境温度、机舱位置、偏航角误差、塔基柜温度、塔顶柜温度、靠轮毂侧轴承温度和靠齿轮箱侧轴承温度。针对齿轮箱前轴承温度指标，其上限阈值分别为10℃和100℃，当监测值为60.6℃时，利用式(1)计算齿轮箱前轴承温度评估指标的劣化度为0.56。

步骤2：劣化指数计算部分。确定各评估指标的常权权重基础上确定变权权重，并采用加权相加方法得到单台风电机组的劣化指数。

例如，当评估指标个数为24时，每个评估指标的常权值为1/24＝0.04。利用式(1)计算所有评估指标的劣化度为：0.56、0.14、0.32、0.33、0.04、0.03、0.15、0.48、0.48、0.46、0.09、0.21、0.39、0.21、0.40、0.41、0.03、0.10、0.08、0.00、0.21、0.05、0.25和0.05。当变权系数δ为-1时，利用式(2)计算得到各评估指标的变权权重分别为：0.1、0.06、0.03、0.06、0.03、0.03、0.07、0.02、0.02、0.06、0.02、0.06、0.02、0.02、0.02、0.02、0.02、0.04、0.06、0.04、0.02、0.04、0.04和0.08。进而再采用加权相加计算得到单台风电机组的劣化指数为b＝0.19。

对于风电场某一时刻的m台风电机组的劣化指数，可以按照上面所述计算过程，以形成劣化指数数据集B＝[b₁,b₂,……,b_m]。

步骤3：健康状态评估部分。若Max(B)-Min(B)<d，m个风电机组评估结果健康状态为“良好”。否则，依据多机组协同思想，利用四分位法将劣化指数数据集B中的全部数据按大小顺序依次排列并分为四等份，处于分割点位置的三个数值Q₁、Q₂、Q₃为四分位点，Min(B)<Q₁<Q₂<Q₃<Max(B)；设置评语集为“良好”、“合格”、“注意”、“严重”4种情况，即评语为L＝{良好，合格，注意，严重}＝{l₁,l₂,l₃,l₄}，m台风电机组以l₁∈[Min(B)，Q₁),l₂∈[Q₁，Q₂),l₃∈[Q₂，Q₃),l₄∈[Q₃，Max(X)]为依据，逐个评估得到最终健康状态评估结果。

例如：针对装机33台1.5MW的某风电场，通过对2018年1月1日0:01到2019年7月27日7:50SCADA数据进行分析，17号机组在2019年8月29日发生了齿轮箱后轴承发生超温故障。通过应用本发明提出的评估方法，得到33台风电机组劣化指数见图2所示，可见17号机组劣化指数呈现增长情况；健康评估结果见图3所示，可见相比传统评估方法，采用本发明所提出的评估方法，可以及早且有效获知17号机组劣化各阶段的健康状态。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (2)

1.一种基于多机组协同的并网风电机组健康状态评估方法，其特征在于，该方法具体包括以下步骤：

S1：从风电机组SCADA监测特征量中提取评估指标，结合评估指标预警阈值计算出评估指标劣化度，计算公式为：

其中，g(x)为评估指标劣化度，x为评估指标监测数据，α为评估指标下限阈值，β为评估指标的上限阈值；

S2：确定各评估指标的常权权重，结合评估指标劣化度确定各个评估指标的变权权重；并采用加权相加方法计算得到单台风电机组的劣化指数；

当评估指标个数为n时，第i个评估指标的常权值A_i′确定为1/n，然后确定第i个评估指标变权权重A_i为：

其中，δ为变权系数，g_i为第i个评估指标的劣化度；

然后，采用加权相加计算得到单台风电机组的劣化指数b，计算公式为：

S3：采用多机组协同思想，利用四分位法对风电场内的风电机组劣化指数进行划分，确定各个风电机组的健康状态；

依据式(3)计算出风电场某一时刻的m台风电机组的劣化指数，形成劣化指数数据集B＝[b₁,b₂,……,b_m]；

确定各个风电机组的健康状态，具体包括：若Max(B)-Min(B)<d，m台风电机组评估结果健康状态为“良好”，其中d为门槛值；否则，依据多机组协同思想，利用四分位法将劣化指数数据集B中的全部数据按大小顺序依次排列并分为四等份，处于分割点位置的三个数值Q₁、Q₂、Q₃为四分位点，Min(B)<Q₁<Q₂<Q₃<Max(B)；设置评语集为“良好”、“合格”、“注意”、“严重”4种情况，即评语为L＝{良好，合格，注意，严重}＝{l₁,l₂,l₃,l₄}，m台风电机组以l₁∈[Min(B)，Q₁),l₂∈[Q₁，Q₂),l₃∈[Q₂，Q₃),l₄∈[Q₃，Max(X)]为依据，逐个评估得到最终健康状态评估结果。

2.根据权利要求1所述的基于多机组协同的并网风电机组健康状态评估方法，其特征在于，在步骤S1中，提取的评估指标包括：齿轮箱前轴承温度、齿轮箱后轴承温度、齿轮箱入口油温、齿轮箱油温、发电机定子A相绕组温度、发电机定子B相绕组温度、发电机定子C相绕组温度、发电机转子A相绕组温度、发电机转子B相绕组温度、发电机转子C相绕组温度、发电机前轴承温度、发电机后轴承温度、齿轮箱冷却水温度、液压系统压力、液压刹车系统压力、液压系统油温、机舱X方向振动、机舱Y方向振动、机舱环境温度、机舱位置、偏航角误差、塔基柜温度、塔顶柜温度、靠轮毂侧轴承温度和靠齿轮箱侧轴承温度。

Images