張 磊,朱希盼,張 琨,車 璐

(河北工業(yè)大學(xué) 控制科學(xué)與工程學(xué)院，天津 300130)

基于模糊物元分析的變槳系統(tǒng)狀態(tài)評估方法

張 磊,朱希盼*,張 琨,車 璐

(河北工業(yè)大學(xué) 控制科學(xué)與工程學(xué)院，天津 300130)

針對現(xiàn)有風(fēng)電機(jī)組狀態(tài)評估方法實(shí)時(shí)可靠性差和過多人為因素影響的問題，提出了模糊物元分析評估方法，以實(shí)現(xiàn)對機(jī)組狀態(tài)的準(zhǔn)確評估.選擇故障率較高的變槳系統(tǒng)為研究對象，分兩步構(gòu)建了變槳系統(tǒng)狀態(tài)評估模型：1)分別以3σ準(zhǔn)則和四分位分析法對變槳參數(shù)分類處理，避免對參數(shù)分布的主觀評判；用ANFIS算法對數(shù)據(jù)進(jìn)行訓(xùn)練來減小極端值影響，獲得多特征參數(shù)故障檢測結(jié)果.2)基于模糊物元分析理論，將上一步多特征參數(shù)檢測結(jié)果作為模糊量值代入物元評估模型中，實(shí)現(xiàn)了檢測結(jié)果模糊值與等級評價(jià)指標(biāo)的統(tǒng)一.應(yīng)用該方法對風(fēng)電機(jī)組實(shí)際運(yùn)行狀態(tài)進(jìn)行了測試，結(jié)果表明：與傳統(tǒng)二元決策方法相比，能夠明顯反映變槳系統(tǒng)的運(yùn)行狀態(tài)，具有更好的評估效果.從定性角度對比分析，該方法較模糊綜合評判方法、傳統(tǒng)物元分析方法在變槳系統(tǒng)狀態(tài)評估方面更有優(yōu)勢.

變槳系統(tǒng)；故障檢測；模糊物元分析；狀態(tài)評估；風(fēng)電機(jī)組

在風(fēng)電機(jī)組控制系統(tǒng)中，變槳系統(tǒng)作為核心部件，對機(jī)組的安全穩(wěn)定運(yùn)行起著重要作用.但是，由于變槳系統(tǒng)是復(fù)雜的非線性動態(tài)系統(tǒng)，在輪轂中受到重力和離心力影響，且運(yùn)行環(huán)境下風(fēng)的隨機(jī)分布和不確定性，使其成為風(fēng)電機(jī)組中故障率較高的部件之一.如果變槳系統(tǒng)出現(xiàn)故障，有可能造成像葉片斷裂、飛車、倒塌等嚴(yán)重后果.本文以變槳系統(tǒng)作為研究對象，提出了一種多特征故障檢測與模糊物元分析評估相結(jié)合的方法，評估系統(tǒng)可靠性.首先，對SCADA數(shù)據(jù)進(jìn)行預(yù)處理，根據(jù)變槳系統(tǒng)結(jié)構(gòu)與運(yùn)行原理，挖掘出數(shù)據(jù)間的隱藏關(guān)系，選取變槳特征參數(shù).同時(shí)，以3σ準(zhǔn)則和四分位分析法對特征參數(shù)分類處理，獲取多特征數(shù)據(jù)集.用ANFIS算法對數(shù)據(jù)擬合處理得到多特征非線性區(qū)間回歸模型.將預(yù)評估數(shù)據(jù)輸入上述回歸模型，經(jīng)數(shù)據(jù)離差標(biāo)準(zhǔn)化得到變槳系統(tǒng)故障檢測模型的輸出.其次，詳細(xì)描述基于模糊物元分析的變槳系統(tǒng)狀態(tài)評估模型，接著，以故障檢測模型的劣化度輸入到評估模型中，輸出評估結(jié)果.最后，從定量角度分析該方法與傳統(tǒng)二元決策方法對比結(jié)果，再從定性角度對比分析，該方法與模糊綜合評判方法、傳統(tǒng)物元分析方法的區(qū)別.

1 變槳系統(tǒng)故障檢測模型

建立變槳系統(tǒng)故障檢測模型過程見圖1.對SCADA源數(shù)據(jù)進(jìn)行預(yù)處理，根據(jù)變槳系統(tǒng)結(jié)構(gòu)與運(yùn)行原理，挖掘出數(shù)據(jù)間的隱藏關(guān)系，選取變槳特征參數(shù).同時(shí)，以3σ準(zhǔn)則和四分位分析法對特征參數(shù)分類處理，獲取多特征數(shù)據(jù)集.用ANFIS算法對數(shù)據(jù)擬合處理得到多特征非線性區(qū)間回歸模型.

圖1 變槳系統(tǒng)故障檢測模型Fig.1 Fault detection model for pitch system

1.1 特征參數(shù)選取及數(shù)據(jù)預(yù)處理

通過對變槳系統(tǒng)結(jié)構(gòu)與運(yùn)行原理的分析，并結(jié)合基于Relief方法的變槳系統(tǒng)特征參量挖掘的數(shù)學(xué)模型[1]和非線性狀態(tài)估計(jì)的變槳系統(tǒng)故障識別[2]，選擇與變槳系統(tǒng)密切相關(guān)的特征參量，見表1.

表1 變槳系統(tǒng)相關(guān)參數(shù)集

為做到精煉，槳距角、變槳驅(qū)動電流等三葉片監(jiān)測參數(shù)，在建模仿真時(shí)只表示出1#葉片參數(shù)，在實(shí)際驗(yàn)證時(shí)給出全部葉片參數(shù).

數(shù)據(jù)來源于河北某整機(jī)廠實(shí)際投入運(yùn)行的1.5MW并網(wǎng)風(fēng)電機(jī)組.風(fēng)電機(jī)組運(yùn)行過程中，葉輪將風(fēng)能轉(zhuǎn)化為旋轉(zhuǎn)機(jī)械能，經(jīng)傳動系統(tǒng)，最終由發(fā)電機(jī)轉(zhuǎn)化為電能向電網(wǎng)輸出.然而，能量流會受到風(fēng)機(jī)故障的影響.例如，故障發(fā)生時(shí)，風(fēng)功率曲線會偏離正常位置.總之，風(fēng)機(jī)SCADA數(shù)據(jù)受到了來自風(fēng)機(jī)本身和其它環(huán)境因素(例如，風(fēng)切變和湍流)的影響，數(shù)據(jù)記錄過程中隱藏了太多的噪聲，需要對數(shù)據(jù)進(jìn)行預(yù)處理.數(shù)據(jù)預(yù)處理過程見表2.

表2 數(shù)據(jù)預(yù)處理過程

由表2可見，步驟1確定的SCADA數(shù)據(jù)如表1；步驟2采用的中位值平均濾波就是在采集的個數(shù)據(jù)中去掉一個最大值和一個最小值，然后對剩下的數(shù)據(jù)求平均值；因停機(jī)數(shù)據(jù)不能反映風(fēng)機(jī)真實(shí)運(yùn)行狀態(tài)情況，故在步驟3中剔除.

1.2 多特征非線性區(qū)間回歸模型

3σ準(zhǔn)則[3]和四分位分析法[4]均是基本的統(tǒng)計(jì)理論.由以下兩步得到模型所需數(shù)據(jù)集.

1)經(jīng)過預(yù)處理，得到風(fēng)速的最大值Vmax和Vmim最小值.選取風(fēng)速劃分閾值εV，將[Vmax,Vmin]劃分成NV份.按照文獻(xiàn)要求[5]，.

(1)

根據(jù)3σ準(zhǔn)則:

(2)

2)經(jīng)過預(yù)處理，得到風(fēng)輪轉(zhuǎn)速的最大值Ωmax和最小值Ωmin.選取風(fēng)輪轉(zhuǎn)速劃分閾值εΩ，將[Ωmax,Ωmin]劃分成份NΩ，選擇εΩ=0.3.

(3)

訓(xùn)練樣本集2采用的表達(dá)形式為{(xωm,dωm),m=1,2,…，NΩ}，xωm取為各風(fēng)輪轉(zhuǎn)速區(qū)間中心點(diǎn)值，dωm為各區(qū)間所有輸出的中位值，相應(yīng)的下四分位值d1Ωm，上四分位值d3Ωm，四分位距ΔdIQRm=dQ3m-dQ1m.

根據(jù)四分位分析法，

(4)

ANFIS的擬合能力和推廣能力均比ANN強(qiáng)[6]，用ANFIS方法擬合訓(xùn)練樣本集1和訓(xùn)練樣本集2及其上、下邊界數(shù)據(jù)集，得到各特征的上邊界函數(shù)f+、下邊界函數(shù)f-和訓(xùn)練集擬合函數(shù)f，多特征非線性區(qū)間回歸模型見圖2.

圖2 多特征非線性區(qū)間回歸模型Fig.2 Multi-feature nonlinear interval regression model

將預(yù)評估數(shù)據(jù)輸入上述回歸模型，經(jīng)數(shù)據(jù)離差標(biāo)準(zhǔn)化得到變槳系統(tǒng)故障檢測模型的輸出.依據(jù)物元分析優(yōu)化原則中的越小越優(yōu)型原則，得到單項(xiàng)特征的模糊量值，再經(jīng)離差標(biāo)準(zhǔn)化，映射到[0,1]之間，記為：

(5)

(6)

式(5)、(6)中，j=1,2,…,NT.

2 變槳系統(tǒng)狀態(tài)評估模型

2.1 變槳系統(tǒng)評估建模原理

通過對變槳系統(tǒng)數(shù)據(jù)的分析和處理，得到與變槳系統(tǒng)聯(lián)系比較緊密的特征參數(shù)(槳距角、發(fā)電機(jī)轉(zhuǎn)速、電機(jī)驅(qū)動電流、變槳速度).本文采用的建模方法為模糊物元分析方法，變槳系統(tǒng)狀態(tài)評估模型建立過程見圖3.該方法利用變槳系統(tǒng)各特征的劣化度、特征權(quán)重，輸出得到變槳系統(tǒng)的等級評價(jià)結(jié)果.各特征的權(quán)重由具體研究對象和實(shí)際運(yùn)行統(tǒng)計(jì)結(jié)果確定.

圖3 變槳系統(tǒng)狀態(tài)評估模型Fig.3 Condition assessment model of pitch system

2.2 基于模糊物元分析理論建模原理

物元分析是由蔡文提出的系統(tǒng)研究方法，一直在完善改進(jìn)中，目前在系統(tǒng)評估、預(yù)測分析、決策分析等解決方案中有廣泛的應(yīng)用[7,8].

如果事物P用n個特征C1,C2,…，Cn及相應(yīng)的模糊量值μ(x1),μ(x2),μ(x3),…，μ(xn)來描述，則稱為n維模糊物元，記為：

(7)

實(shí)域上一點(diǎn)x，有限區(qū)間X0=(符號<>只表示區(qū)間端點(diǎn)而不論開、閉性質(zhì))，定義點(diǎn)x與有限實(shí)區(qū)間X0的距為ρ(x,X0).

(8)

設(shè)區(qū)間X0=，X=，且X0?X且無公共端點(diǎn)；則x關(guān)于區(qū)間X0，X的位置為：

(9)

那么x關(guān)于區(qū)間x0，X的關(guān)聯(lián)函數(shù)可以描述為：

(10)

式中：X0和X分別成為經(jīng)典域和節(jié)域.

(11)

對于變槳系統(tǒng)，式中：Pm為變槳系統(tǒng)狀態(tài)的第m(m=1,2,3,4)個等級，分別表示變槳系統(tǒng)運(yùn)行狀態(tài)為“良好”、“一般”、“異?！焙汀皣?yán)重”，bmi,cmi為Pm關(guān)于Ci的經(jīng)典域取值范圍，其取值是依據(jù)具體特征要求，文中確定的經(jīng)典域物元見表3.

表3 經(jīng)典域物元范圍

(12)

(13)

(14)

由式(8)得到：

(15)

(16)

wi為事物P第i項(xiàng)特征的權(quán)重，對各特征關(guān)于等級m的關(guān)聯(lián)函數(shù)值加權(quán)平均后所得數(shù)值為各等級m的綜合關(guān)聯(lián)度，即：

(17)

確定D*=max{D(Pm)|m=1,2,3,4}，即確定事物P應(yīng)屬于等級m.

2.3 預(yù)評估數(shù)據(jù)驗(yàn)證

選取一段故障發(fā)生前后采集數(shù)據(jù)作為測試樣本，共3169條，輸入多特征非線性區(qū)間回歸模型，輸出對比結(jié)果見圖4.

圖4 故障檢測模型邊界示意圖 Fig.4 Output results of Multi-feature nonlinearinterval regression model

選取NT=353，約為1h數(shù)據(jù)采集量，經(jīng)過計(jì)算，得到此測試樣本各特征隸屬值見表4.

表4 變槳系統(tǒng)各特征的隸屬值Tab.4 Membership value of each characteristic of pitch system

根據(jù)工程設(shè)計(jì)和檢修記錄，并結(jié)合故障率的統(tǒng)計(jì)數(shù)據(jù)，參數(shù)相關(guān)性比例結(jié)果為[93,94,94,91,91,92,88,14,15,14]，來確定各參數(shù)的相對權(quán)重.參數(shù)i與j相對權(quán)重為aij，則參數(shù)j與i相對權(quán)重為aji=1/aij，最終形成一個兩兩比較的判斷矩陣A=(aij)n×m，即：

求解判斷矩陣A10×10的特征向量采用如下方程：

Aη=λmaxη,

(18)

式中：λmax為最大特征根，η為對應(yīng)的特征向量.特征向量經(jīng)過歸一化后得到權(quán)重向量W.具體過程為：

2)定義迭代次數(shù)Nw=100，接下來迭代式(19)、(20)，得到最終ηNw；

ηα=Aηα,

(19)

(20)

其中，α=0,1,2,…,Nw-1.

3)通過式(21)得到λmax：

(21)

4)如式(22)，特征向量經(jīng)過歸一化后得到各特征的權(quán)重向量：

(22)

經(jīng)過以上計(jì)算，得到各特征(槳距角1，槳距角2，槳距角3，變槳驅(qū)動電流1，變槳驅(qū)動電流2，變槳驅(qū)動電流3，發(fā)電機(jī)轉(zhuǎn)速，變槳速度1，變槳速度2，變槳速度3)對應(yīng)的權(quán)值為[0.1356，0.1370，0.1370，0.1327，0.1327，0.1341，0.1283，0.0204，0.0219，0.0204].

對變槳系統(tǒng)狀態(tài)進(jìn)行評估，t=1，各等級綜合關(guān)聯(lián)度為 [D(P1),D(P2),D(P3),D(P4)]t=1=[0.0011,-0.1314,0.1283,0.0204,0.0219,0.0204].根據(jù)綜合關(guān)聯(lián)度最大原則，得到D*=D(P1)，此時(shí)變槳系統(tǒng)總體上處于“良好”狀態(tài).從實(shí)際的監(jiān)測數(shù)據(jù)來看，各項(xiàng)指標(biāo)均運(yùn)行在正常狀態(tài)，和本文評估方法的計(jì)算結(jié)果吻合.同理，可得到其它時(shí)刻變槳系統(tǒng)狀態(tài)，如表5.

表5 變槳系統(tǒng)狀態(tài)變化過程

3 方法對比

鑒于樣本數(shù)據(jù)在選擇上的差異性，定量的權(quán)重和閾值選取上的主觀性對比并不能全面反映幾種評估方法的區(qū)別.利用選取數(shù)據(jù)集，圖5呈現(xiàn)了本文方法(方法1)、傳統(tǒng)二元決策方法(方法2)對變槳系統(tǒng)狀態(tài)的評估結(jié)果.

圖5 變槳系統(tǒng)狀態(tài)評估結(jié)果對比Fig.5 Comparison of condition assessment results of pitch system

方法2與本文方法的最終評估結(jié)果具有一致性，但只能評估狀態(tài)是“良好”還是“嚴(yán)重”，不能對中間狀態(tài)“一般”、“異常”進(jìn)行評估.此方法處理方式顯然存在一定問題，假如此時(shí)狀態(tài)評估“良好”，但是有狀態(tài)惡化的趨勢，則應(yīng)該提高注意；假如此時(shí)狀態(tài)評估“嚴(yán)重”，但有轉(zhuǎn)好趨勢，則不應(yīng)立即評判成故障，造成不必要的誤診.本文方法對風(fēng)機(jī)的各狀態(tài)階段均進(jìn)行評估，便于維修人員準(zhǔn)確掌握風(fēng)機(jī)狀態(tài)，出現(xiàn)問題后及時(shí)采取必要措施.

為了驗(yàn)證變槳系統(tǒng)可靠性評估模型的實(shí)用性，從定性的角度，對比分析模糊綜合評判方法，傳統(tǒng)物元分析方法與本文方法在模型建立過程中有如下不同之處.

1)模糊綜合評判方法和傳統(tǒng)物元分析方法均是對單組數(shù)據(jù)的判斷.本文方法考慮到風(fēng)速的隨機(jī)性和風(fēng)機(jī)湍流特性，為了防止極端值影響并中和干擾，采用均值法對單參數(shù)故障程度進(jìn)行處理.

2)模糊綜合評判方法和傳統(tǒng)物元分析方法一般采用Bin方法對數(shù)據(jù)進(jìn)行擬合，采用絕對閾值判斷對象故障程度，并沒有對數(shù)據(jù)進(jìn)行訓(xùn)練，這在實(shí)際應(yīng)用時(shí)，計(jì)算機(jī)編程更容易實(shí)現(xiàn).但Bin方法適用于溫度、振動信號等變化范圍小且波動程度小的特征參數(shù)，對于像風(fēng)輪轉(zhuǎn)速，發(fā)電機(jī)轉(zhuǎn)速、槳距角等變化范圍大或相對波動幅值大的參數(shù)，需要經(jīng)過訓(xùn)練來確定參數(shù)偏離正常值的程度.

3)三種方法中，模糊綜合評判方法在隸屬度函數(shù)選擇，因素集權(quán)重分配上帶有強(qiáng)烈的主觀性；傳統(tǒng)物元評估方法中的物元經(jīng)典域及節(jié)域的確定也會受到人為因素影響.但不能否定，有時(shí)主觀評判也能較好反映客觀實(shí)際，使得評估結(jié)果具有較好的參考價(jià)值.不過，考慮到主觀判斷會嚴(yán)重扭曲客觀事實(shí)，本文利用數(shù)學(xué)方法確定評估指標(biāo)權(quán)重，利用數(shù)學(xué)本身的嚴(yán)格邏輯性確定各評估指標(biāo)的權(quán)重，中間并對結(jié)果進(jìn)行了濾波和修復(fù)處理.

4 結(jié)語

現(xiàn)有的狀態(tài)評估側(cè)重于研究風(fēng)電機(jī)組整體，難以表征其子系統(tǒng)的實(shí)際運(yùn)行狀態(tài)，所以對子系統(tǒng)運(yùn)行狀態(tài)進(jìn)行評估研究十分必要.為此，本文選擇故障率較高的變槳系統(tǒng)為研究對象，考慮到變槳系統(tǒng)多特征之間的相互作用，選取與之密切相關(guān)的參數(shù)，建立故障檢測模型，經(jīng)實(shí)際分析驗(yàn)證能夠?qū)ψ儤到y(tǒng)各特征進(jìn)行故障識別.將以上各特征平均劣化度作為模糊量值代入本文重點(diǎn)介紹的模糊物元分析模型，經(jīng)實(shí)際數(shù)據(jù)驗(yàn)證，結(jié)果不僅比傳統(tǒng)二元決策評估結(jié)果精確，而且與現(xiàn)場維修時(shí)表現(xiàn)效果相符，充分表明了此方法在評估變槳系統(tǒng)狀態(tài)方面的優(yōu)越性，同時(shí)說明了模糊物元評估理論的方法切實(shí)可行，可供現(xiàn)場參考.以后的研究目標(biāo)是提高模糊量值和權(quán)重的精度，并將該方法應(yīng)用到風(fēng)場中來驗(yàn)證實(shí)際效果.

[1] 李 輝,楊 超,李學(xué)偉,等.風(fēng)機(jī)電動變槳系統(tǒng)狀態(tài)特征參量挖掘及異常識別[J].中國電機(jī)工程學(xué)報(bào)，2014(12):1922-1930.

[2] 尹 詩,余忠源,孟凱峰,等. 基于非線性狀態(tài)估計(jì)的風(fēng)電機(jī)組變槳控制系統(tǒng)故障識別[J]. 中國電機(jī)工程學(xué)報(bào),2014(S1):160-165.

[3] 尹愛軍,趙 磊,吳宏鋼. 相關(guān)法動平衡校正中的3σ準(zhǔn)則誤差處理方法[J]. 重慶大學(xué)學(xué)報(bào)(自然科學(xué)版),2013(10):22-26.

[4] 趙永寧,葉 林,朱倩雯. 風(fēng)電場棄風(fēng)異常數(shù)據(jù)簇的特征及處理方法[J]. 電力系統(tǒng)自動化,2014,21:39-46.

[5] Yang W, Court R, Jiang J. Wind turbine condition monitoring by the approach of SCADA data analysis[J]. Renewable Energy, 2013, 53: 365-376.

[6] Chen B, Matthews P C, Tavner P J. Automated on-line fault prognosis for wind turbine pitch systems using supervisory control and data acquisition[J]. Iet Renewable Power Generation, 2015, 9(5):503-513.

[7] Liu H, Dong X H, Yang Z L, et al. The application of intelligent fuzzy inference to the fault diagnosis in pitch-controlled system[J]. Energy Procedia, 2012, 16: 1839-1844.

[8] 胡姚剛. 并網(wǎng)風(fēng)電機(jī)組的運(yùn)行狀態(tài)評估[D].重慶：重慶大學(xué),2011.

MethodofConditionAssessmentofPitchSystemBasedonFuzzyMatter-ElementAnalysis

ZhangLei,ZhuXipan,ZhangKun,CheLu

(School of Control Science and Engineering, Hebei University of Technology, Tianjin 300130, China)

In order to improve the real-time reliability of wind turbine and to solve the effect of artificial factors, fuzzy matter-element analysis is proposed. The pitch system, which has high failure rate, is researched in this paper. The condition assessment model of pitch system is built in two steps: (1) To avoid the subjective judgment of the parameter distribution, this thesis uses 3σrule and quartile analysis method to get the boundary data sets. The ANFIS algorithm is used to train the data to reduce the extreme value, and results of multi-feature fault detection are obtained. (2) Results from fault detection are applied in condition assessment model based on fuzzy matter-element analysis to realize the unification of fuzzy value of detection result and grade assessment. The method is applied to test the actual operation state of wind turbine. The results show that compared with the traditional two-element method, it can obviously reflect the pitch system, and has better assessment effects. From the qualitative point of view, this method is more advantageous than the fuzzy comprehensive evaluation method and the traditional matter-element analysis method in the condition assessment of the pitch system.

pitch system; fault detection; fuzzy matter-element analysis; condition assessment; wind turbine

2016-09-30 *

朱希盼，研究方向：風(fēng)電機(jī)組故障分析與診斷，E-mail: hebut_zhuxipan@126.com

張 磊(1977-)，男，教授，博士，研究方向：風(fēng)力發(fā)電機(jī)組智能控制技術(shù)及人工智能理論，E-mail：zhanglei@hebut.edu.cn

河北省自然科學(xué)基金資助項(xiàng)目(F2015202231)

TM743

A

1672-4321(2017)04-0088-07