基于模糊综合评价的海上直驱风电机组运行状态评估
黄必清1, 何焱2, 王婷艳1    
1. 清华大学 自动化系, 北京 100084;
2. 华能新能源股份有限公司, 北京 100036
摘要:直驱式技术正在成为海上风电机组传动系统采用的主流技术之一, 对其运行状态的实时正确评估显得极为迫切。该文提出一种集成了相关系数法、劣化度分析法和模糊综合评判等多种方法的风电机组运行状态评价模型。采用客观赋权法中的相关系数法来计算指标权重; 归一化指标参数采用劣化度分析法; 利用多层次模糊综合评价法, 自下而上、逐级地对风电机组各个子系统的运行状态进行评价。并对该评价模型进行实际直驱风机在线监测数据的应用分析, 评价结果符合实际运行数据的分析。该文研究结果可为海上风电场直驱式风电机组日常运行维护的管理提供决策辅助, 提高海上风电场运营效率。
关键词直驱式风电机组    运行状态评估    模糊综合评价    相关系数    劣化度分析    
Fuzzy synthetic evaluation of the operational status of offshore direct-drive wind turbines
HUANG Biqing1, HE Yan2, WANG Tingyan1    
1. Department of Automation, Tsinghua University, Beijing 100084, China;
2. Huaneng Renewables Corporation Limited, Beijing 100036, China
Abstract:Direct drive motor systems for offshore wind turbines will improve reliability and reduce maintenance costs. This paper describes a real-time status evaluation model for offshore direct-drive wind turbines. This model integrates the correlation coefficient method, deterioration analyses and fuzzy synthetic evaluation. The correlation coefficient method determines the weights of various indexes. The deterioration analysis normalizes the indicator parameters. The bottom-up, step-by-step, multi-level fuzzy synthetic evaluation method assesses the status of each subsystem of the offshore direct-drive wind turbine. An analysis of online inspection data for a direct-drive wind turbine shows that the model results are consistent with real operational data. This model is helpful for managing routine operations and maintenance for offshore direct-drive wind turbines to improve the operational efficiency of offshore wind farms.
Key words: direct-drive wind turbine    operational status evaluations    fuzzy synthetic evaluations    correlation coefficient    deterioration analysis    

根据全球风能理事会(Global Wind Energy Council)的统计数据显示, 全球海上风电场累计装机容量在2013年末已达到7 045.9 MW, 而中国的累计装机容量只达到428.6 MW, 占全球的6%左右。实际上, 中国近海风资源丰富, 可提供的能量超过中国陆上的120%~140%, 显然中国的海上风电发展水平已经低于世界其他一些国家[1]。这是因为中国海上风电场正处于探索发展阶段, 风力发电机组的可靠性较低、维护难度大。

尽管目前的海上风电机组中大部分是机型成熟的双馈型风电机组, 但是在双馈型风电机组中齿轮箱不仅是风机故障的主要来源之一, 而且在风机的重大故障中齿轮箱损坏造成的停机时间最长; 特别是在环境因素变化多端的海上风电场中, 齿轮箱更容易发生故障且维护难度更大[2]。与双馈型风电机组不同的是, 直驱式风电机组采用多极永磁发电机直接连接风轮来替代齿轮箱, 同时整机的零件数量大大减少了, 维护成本明显降低, 发电效率比双馈型机组高5%以上[3,4,5]。目前世界各国如德国、美国和丹麦等的风机代表厂商开始致力于研制直驱式风电机组[6]。国内的金风科技和湘电等直驱式风机代表厂商已研制出直驱式海上风电机组。因此, 针对海上直驱式风力发电机组运行状态的研究具有重要的实际意义。

近年来, 设备的状态监测和状态评价方法已逐渐被应用于风力发电设备上, 虽然目前风电机组重要部件运行状态监测的研究已较成熟[7,8], 但是对风电机组整体状态和健康程度评价的研究甚少。目前常见的评价方法有概率统计法、基于神经网络的智能方法和模糊综合评价法等[9]。概率统计法适合用于评价指标因素是服从独立同分布的情况, 而在表征风电机组系统运行状态的各指标因素关联性较强的情况下的评价效果不是很好; 基于神经网络的智能方法的评价准确度需要大量的训练样本才会高, 而目前海上直驱风电机组刚刚兴起, 其运行数据量少, 显然该方法不是好的选择。风电机组系统是一个复杂的综合系统, 受到众多因素的影响, 各因素对系统的作用又有一定的模糊性[9,10]。基于模糊理论的评价方法不仅克服了上述2点, 同时针对指标因素对系统状态具有模糊性和随机性的特点也具有较好的处理机制。

目前, 学者们逐渐地将模糊综合评价法运用到风电机组的运行状态评价中, 文[11]利用模糊数学理论对机组设计性能的4个方面进行评价分析, 但是所建的模型不能有效地反映机组实时的运行状态。文[12,13]基于风电场数据采集与监视控制系统的监测数据, 应用模糊评价方法对风电机组运行状态进行综合评价分析, 其用劣化度函数对隶属度的分析具有一定的可借鉴性。由于权值的逐层传递, 可能会造成某项子参数尽管严重劣化, 但是在机组层面体现不明显。因此, 文[14,15]在文[12,13]的基础上, 最终评价机组状态的原则采用了“取隶属度大于零的最低等级项”, 这比“取隶属度最大项”原则更为客观地反应了机组的运行状态情况。文[16]利用层次分析法(AHP)与模糊综合评价相结合的方法对双馈型风力发电设备的状态进行评价, 其权重计算和隶属度矩阵的确定方法较为主观。文[10]提出基于多级模糊综合评判的海上双馈型风电机组运行评估方法, 利用局部变权综合评价策略来评价机组的实时运行状态。该种权重确定方法在一定程度上避免了主观性。

但是, 目前风电机组运行状态评估的研究大都针对双馈型发电机, 而尚无文献研究直驱式风电机组的运行状态评估。本文首先根据直驱式风电机组的功能结构关系和直驱风电机组在线监测系统数据,构建了多层次海上直驱风电机组的评价指标体系。其次, 通过集成相关系数法、劣化度分析法和模糊综合评判等多种方法构建了更具客观性和准确性的风电机组的评价方法。

然后, 利用多层次模糊综合评价法, 自下而上、逐级地对风电机组各个子系统的运行状态进行评价, 从而得到风电机组整体状态评价结果, 其中在最终层的评价原则根据不同情况采用相应的原则, 提高评价的合理性。最后, 根据海上直驱风电机组的实际工程应用分析获得了其运行状态评价结果。

1 多层次模糊综合评价原理

在评价指标较多时, 使用单级模糊综合评价法会使各因素分配到的权重较小, 导致评价结果分辨率很差。因此, 在指标较多时适合采用多层次的模糊综合评价法。多层次模糊综合评价法首先要建立多层次指标因素集; 然后从最底层开始, 自下而上地对每个层级的各个指标因素分别进行综合评判, 依次迭代, 得到最终层级的评判向量。下面以二级模糊综合评价模型为例说明其建立过程:

1) 建立多级指标体系。

设第一级有n个指标, 表示为S={x1,x2,…,xn}, 则可根据该层指标的属性将其分成u个子集, 即X1,X2,…,Xu, 其中$\bigcup\limits_{i = 1}^u {{X_i}} = s,{X_i} \cap {X_j} = \emptyset $, i≠j, Xi={xi1,xi2,…,xini}, ni表示第i个第二级指标含有第一级指标的个数, 且满足$\sum\limits_{i = 1}^u {{n_i}} $=n。

2) 分配权重。

对第二级各个指标Xi中的第一级指标xi1,xi2,…,xini进行权重分配, 得到u个权重向量: Ai=ai1,ai2,…,aini,i=1,2,…,u. 其中$\sum\limits_{i = 1}^{{n_i}} {{a_{{i_1}}}} $=1。

采用客观赋权法中的相关系数法来计算指标权重。

3) 计算隶属度矩阵。

选择适当的方法计算隶属度, 得到各个二级指标对应的单因素隶属矩阵Ri。当指标参数的物理意义和单位各不相同时, 为了能够对这些指标因素进行综合对比分析, 有必要先对初始数据值进行归一化处理, 本文采用劣化度分析方法来进行归一化处理。然后再选择适当的隶属函数分布来计算隶属度矩阵。

4) 计算评判向量。

假设有m个评价等级, 则所有第二级评判向量为 Bi=AiRi=[bi1,bi2,…,bim], i=1,2,…,u.

5) 继续迭代计算。

将第二级的每个Xi记作一个指标, 即 X={X1,X2,…,Xu}, 并分别对Xi赋权, 即有 A=[a1,a2,…,au]. 而X的评判矩阵为 R=[B1,B2,…,Bu]T. 于是得到最终的评判向量: B=AR=[b1,b2,…,bm]

由此,可以类似推导三级、四级及以上的多层次模糊综合评价模型。

2 海上直驱风电机组运行状态评估模型 2.1 海上直驱式风电机组状态评价指标体系

为了更好地对风电机组运行状况进行评估, 本文从海上风电机组的结构和电网因素出发, 针对直驱型风力发电机建立了多层次的模糊综合评价指标体, 每个子体系又选取了表征其运行状态的主要指标。本文建立的海上直驱式风力发电机状态评价指标体系如图1所示。

图1 海上直驱式风力发电机状态评价指标体系

在该评价指标体系中, 第一层有14个指标, 即X={x1,x2,…,x14}={电机转速, 最高绕组温度, 三相电流, 三相电压, 机舱加速度, 机舱位置, 机舱温度, 最高Topbox温度, 最高控制柜温度, 变桨电机温度, 变桨柜电容温度, 变桨柜柜体温度, 变桨逆变器温度, 桨叶角度}。然后, 根据风电机组各系统的部件组成结构将该层指标的分成4个子集, 即发电机、电网系统、机舱及控制系统和变桨系统。分别对应X1={x11,x12}={电机转速, 最高绕组温度}、 X2={x21,x22}={三相电流, 三相电压}、 X3={x31,x32,x33,x34,x35}={机舱加速度, 机舱位置, 机舱温度, 最高Topbox温度, 最高控制柜温度}和X4={x41,x42,x43,x44,x45}={变桨电机温度, 变桨柜电容温度, 变桨柜柜体温度, 变桨逆变器温度, 桨叶角度}。

2.2 权重计算

评价指标的权重反映了各个指标对于评价对象的重要程度, 对各层指标需要合理地分配相应的权重。确定评价指标权重的方法可分为两大类: 主观赋权法和客观赋权法。主观赋权法主要依靠专家经验来确定权重, 虽然易于实现, 但主观性较强; 客观赋权法则是根据该系统实际运行中各子系统的数据信息, 通过数理的运算来获得指标的权重, 其确定的权重比较客观[15]。针对海上直驱风电机组刚兴起而运营经验少的特点, 本文主要采用客观赋权法中的相关系数法来计算指标权重。通过风电机组状态在线监测系统, 采集了某海上风电场同种直驱式风机机型的2 a的日运行数据进行统计分析, 运用相关系数法确定各级因素之间的权值, 使权重赋值更具客观性和准确性; 本文的指标体系中有4个一级指标, 每个一级指标又对应着其各自的下层指标集。因此, 第一级指标权重向量可表示为: A=[a1,a2,a3,a4], 第i个第二级指标含有ni个指标因素的权重向量, 可表示为Ai=[ai1,ai2,…,aini], i=1,2,3,4。

2.3 相对劣化度分析

由于本文所建立的指标体系中, 各个指标因素分别具有不同的物理意义和量化单位, 为了能够对这些指标因素进行对比分析, 本文采用相对劣化度的分析方法对这些指标进行归一化处理。相对劣化度是指与故障状态下的劣化程度相比, 其当前实际状态的相对劣化程度[12, 14], 相对劣化度的取值范围为[0,1]。本文研究的直驱式风电机组的指标体系中, 所包括的指标参数的劣化度计算方法主要涉及到以下2种:

1) 对于越小越优型的指标参数如齿轮箱温度, 其劣化度函数的总体参数需要估计最大值xmax和最小值xmin。其劣化度函数为

$d(x) = \left\{ \begin{array}{l} 0,\quad \quad \quad \quad x < {x_{\min }};\\ {\textstyle{{x - {x_{\min }}} \over {{x_{\max }} - {x_{\min }}}}},\quad {x_{\min }} \le x \le {x_{\max }};\\ 1,\quad \quad \quad \quad x > {x_{\max }} \end{array} \right.$ (1)

2) 对于中间型的指标参数如发电机转速, 其劣化度函数的总体参数需要估计最大值xmax、 最小值xmin和该变量的最佳范围[xa,xb]。其劣化度函数为

$d(x) = \left\{ \begin{array}{l} 1, \quad \quad \quad \quad x < {x_{\min }};\\ {\textstyle{{x - {x_{\min }}} \over {{x_a} - {x_{\min }}}}},\quad {x_{\min }} \le x \le {x_a};\\ 0,\quad \quad \quad {x_a} \le x \le {x_b};\\ {\textstyle{{x - {x_b}} \over {{x_{\max }} - {x_b}}}},\quad{x_b} < x \le {x_{\max }};\\ 1,\quad \quad \quad \quad x > {x_{\max }} \end{array} \right.$ (2)

由于变量的总体参数无法得知, 因此采用样本估计总体的思想对劣化度函数的参数进行估计, 由统计数据得到。根据各个指标的物理含义将它们分别归类为 越小越优型函数和中间型函数 。选取某风电场的10台金风科技1.5 MW直驱式机型的2个完整年的每天在线监测运行数据, 根据样本数估计总体参数得到各个变量参数值, 如表1所示。

表1 各指标的劣化度函数参数
指标 函数类型 xmin xmax xa xb
电机转速/(r·min-1) 中间型 -0.02 17.3 8.7 16.7
最高电机绕组温度/℃ 越小越优型 -4 117
三相电流/ A 中间型 -6.72 1 420.94 210.37 1 064.27
三相电压/ V 中间型 288.46 385.5 368.56 374.24
最高变桨电机温度/℃ 越小越优型 -11.40 679.7
最高变桨柜电容温度/℃ 越小越优型 0.8 44.37
变桨柜体温度/℃ 越小越优型 4.2 45.3
最高变桨逆变器温度/℃ 越小越优型 -0.1 51.4
桨叶角度/(°) 中间型 0.22 88.19 4.18 21.56
最大机舱加速度/(m·s-2) 中间型 -0.5 0.64 0.05 0.07
机舱位置/(°) 中间型 -743.6 723.42 -314.49 103.98
最高机舱温度/℃ 越小越优型 -11.5 40.7
最高Topbox温度/℃ 越小越优型 -4.9 43.6
最高控制柜温度/℃ 越小越优型 6.5 50.3

2.4 隶属度分析

根据风电机组运行状态评估的实际管理需求, 风电机组运行状态集合L包含4个评价等级: “很好”、“良好”、“一般”和“预警”, 分别表示为l1、 l2、 l3和l4, 即L={l1,l2,l3,l4}。由于各指标参数已经通过劣化度分析得到归一化后的值, 取值分布在[0,1]之间, 因此需要选取合理覆盖各个指标参数的劣化度取值区间的隶属度函数。本文选取降岭形分布函数、中间型岭形分布函数和升岭形分布函数来分别计算各个指标对各个评价等级的隶属度。其中, 降岭形分布主要适用于处理区间内偏小的数据, 中间型岭形分布主要适用于区间内中间段的数据, 升岭形分布主要适用于处理区间内偏大的数据。

1) 降岭形分布函数形式:

$r(x) = \left\{ \begin{array}{l} 1,\quad \quad \quad \quad \quad \quad \quad \quad \quad \quad \quad \quad x \le {a_1}\\ {\textstyle{1 \over 2}} - {\textstyle{1 \over 2}}\sin {\textstyle{\pi \over {{a_2} - {a_1}}}}\left( {x - {\textstyle{{{a_1} + {a_2}} \over 2}}} \right),{a_1} < x \le {a_2}\\ 0,\quad \quad \quad \quad \quad \quad \quad \quad \quad \quad \quad \quad {a_2} \le x \end{array} \right.$ (3)

2) 升岭形分布函数形式:

$r(x) = \left\{ \begin{array}{l} 1, \quad \quad \quad \quad \quad \quad \quad \quad \quad \quad \quad \quad x \le {a_1}\\ {\textstyle{1 \over 2}} + {\textstyle{1 \over 2}}\sin {\textstyle{\pi \over {{a_2} - {a_1}}}}\left( {x - {\textstyle{{{a_1} + {a_2}} \over 2}}} \right),{a_1} < x \le {a_2}\\ 1, \quad \quad \quad \quad \quad \quad \quad \quad \quad \quad \quad \quad {a_2} \le x \end{array} \right.$ (4)

3) 中间型岭形分布函数形式:

$r(x) = \left\{ \begin{array}{l} 1,\quad \quad \quad \quad \quad \quad \quad \quad \quad \quad \quad \quad x \le {a_1};\\ {\textstyle{1 \over 2}} + {\textstyle{1 \over 2}}\sin {\textstyle{\pi \over {{a_2} - {a_1}}}}\left( {x - {\textstyle{{{a_1} + {a_2}} \over 2}}} \right),{a_1} < x \le {a_2};\\ 1,\quad \quad \quad \quad \quad \quad \quad \quad \quad \quad \quad \quad {a_2} \le x \le {a_3};\\ {\textstyle{1 \over 2}} - {\textstyle{1 \over 2}}\sin {\textstyle{\pi \over {{a_2} - {a_1}}}}\left( {x - {\textstyle{{{a_1} + {a_2}} \over 2}}} \right),{a_3} < x \le {a_4};\\ 0, \quad \quad \quad \quad \quad \quad \quad \quad \quad \quad \quad \quad {a_4} < x; \end{array} \right.$ (5)

根据各种岭形分布的特点, 本文在分析指标对“很好”评价等级的隶属度时采用降岭形分布, 对“良好”和“一般”评价等级的隶属度时采用中间型岭形分布, 对“预警”评价等级的隶属度时采用升岭形分布。隶属函数要具备一定的交叉性, 并且交叉重叠率最好控制在0.2~0.6, 另外, 根据隶属度随着劣化度的变化规则, 分析得到各个等级的隶属函数为

${r_{{l_1}}}({d_i}) = \left\{ \begin{array}{l} 1, \quad \quad \quad \quad \quad \quad \quad \quad \quad \quad 0.1 \ge {d_i};\\ {\textstyle{1 \over 2}} - {\textstyle{1 \over 2}}\sin {\textstyle{\pi \over {0.2}}}({d_i} - 0.2),\quad 0.1 < {d_i} < 0.3;\\ 0,\quad \quad \quad \quad \quad \quad \quad \quad \quad \quad 0.3 \le {d_i}; \end{array} \right.$ (6)
${r_{{l_2}}}({d_i}) = \left\{ \begin{array}{l} 0, \quad \quad \quad \quad \quad \quad \quad \quad \quad \quad 0.1 \ge {d_i};\\ {\textstyle{1 \over 2}} + {\textstyle{1 \over 2}}\sin {\textstyle{\pi \over {0.2}}}({d_i} - 0.2), \quad 0.1 < {d_i} < 0.3;\\ 1, \quad \quad \quad \quad \quad \quad \quad \quad \quad \quad 0.3 \le {d_i} \le 0.4\\ {\textstyle{1 \over 2}} - {\textstyle{1 \over 2}}\sin {\textstyle{\pi \over {0.2}}}({d_i} - 0.5),\quad 0.4 < {d_i} < 0.6;\\ 0, \quad \quad \quad \quad \quad \quad \quad \quad \quad \quad0.6 \le {d_i}; \end{array} \right.$ (7)
${r_{{l_3}}}({d_i}) = \left\{ \begin{array}{l} 0, \quad \quad \quad \quad \quad \quad \quad \quad \quad \quad 0.1 \ge {d_i};\\ {\textstyle{1 \over 2}} + {\textstyle{1 \over 2}}\sin {\textstyle{\pi \over {0.2}}}({d_i} - 0.5),\quad 0.1 < {d_i} < 0.3;\\ 1, \quad \quad \quad \quad \quad \quad \quad \quad \quad \quad 0.3 \le {d_i} \le 0.4\\ {\textstyle{1 \over 2}} - {\textstyle{1 \over 2}}\sin {\textstyle{\pi \over {0.2}}}({d_i} - 0.8),\quad 0.4 < {d_i} < 0.6;\\ 0, \quad \quad \quad \quad \quad \quad \quad \quad \quad \quad 0.6 \le {d_i}; \end{array} \right.$ (8)
${r_{{l_4}}}({d_i}) = \left\{ \begin{array}{l} 0, \quad \quad \quad \quad \quad \quad \quad \quad \quad \quad 0.7 \ge {d_i};\\ {\textstyle{1 \over 2}} + {\textstyle{1 \over 2}}\sin {\textstyle{\pi \over {0.2}}}({d_i} - 0.8),\quad 0.7 < {d_i} < 0.9;\\ 1, \quad \quad \quad \quad \quad \quad \quad \quad \quad \quad 0.9 \le {d_i} \end{array} \right.$ (9)
其中: di表示第i个指标的劣化度; rlj(di)表示第i个指标对评价等级j的隶属度, j=1,2,3,4。各个等级隶属函数对应的图像如图2所示。
图2 各个等级隶属函数图像

3 应用分析

选取某风电场的10台金风科技1.5 MW直驱式机型的2个完整年的每天在线监测运行数据, 利用大样本数据采用相关系数法计算得到各级各个指标的权重,其中,一级指标权重为:A=[0.2,0.25,0.42,0.13]; 二级各个指标权重为:发电机系统A1=[0.8,0.2],电网系统 A2=[0.52,0.48], 变桨系统A3=[0.07,0.17,0.05,0.18,0.53],机舱及控制系统A4=[0.44,0.11,0.11,0.23,0.11]。然后, 选取该直驱机型某日运行的在线监测数据, 根据劣化度函数计算得到各个参数的劣化度, 如表2所示。

表2 各个指标因素的劣化度值
指标 某日的运行数据 劣化度
电机转速/(r·min-1) 17.19 0.8167
最高电机绕组温度/℃ 91.10 0.7860
三相电流/ A 1 260 0.5488
三相电压/ V 370 0
最高变桨电机温度/℃ 47 0.0845
最高变桨柜电容温度/℃ 30.4 0.9027
变桨柜体温度/℃ 41.3 0.6794
最高变桨逆变器温度/℃ 31.5 0.6136
桨叶角度/(°) 4.52 0
最大机舱加速度/(m·s-2) 0.08 0.0175
机舱位置/(°) -125.23 0
最高机舱温度/℃ 22.1 0.6437
最高Topbox温度/℃ 25.3 0.6227
最高控制柜温度/℃ 33.3 0.6119

根据隶属度函数, 计算得到各级指标的隶属度矩阵, 发电机系统、电网系统、变桨系统和机舱及控制系统第二级指标的隶属度矩阵R1、 R2、 R3和R4分别为

$\begin{array}{l} {R_1} = \left[ {\begin{array}{*{20}{c}} 0&0&{0.37}&{0.63}\\ 0&{0.19}&{0.81}&0 \end{array}} \right],\\ {R_2} = \left[ {\begin{array}{*{20}{c}} 0&{0.51}&{0.49}&0\\ 1&0&0&0 \end{array}} \right],\\ {R_3} = \left[ {\begin{array}{*{20}{c}} 1&0&0&0\\ 0&0&0&1\\ 0&{0.01}&{0.99}&0\\ 0&{0.19}&{0.81}&0\\ 1&0&0&0 \end{array}} \right],\\ {R_4} = \left[ {\begin{array}{*{20}{c}} 1&0&0&0\\ 1&0&0&0\\ 0&{0.08}&{0.92}&0\\ 0&{0.16}&{0.84}&0\\ 0&{0.20}&{0.80}&0 \end{array}} \right] \end{array}$


根据Ri和Ai得到评价系统一级指标的隶属度矩阵为 Bi=AiRi, i=1,2,3,4.

由以上数据得到一级指标的隶属度矩阵为

$R = \left[ \begin{array}{l} {B_1}\\ {B_2}\\ {B_3}\\ {B_4} \end{array} \right] = \left[ {\begin{array}{*{20}{c}} 0&{0.04}&{0.46}&{0.50}\\ {0.48}&{0.26}&{0.26}&0\\ {0.60}&{0.04}&{0.19}&{0.17}\\ {0.55}&{0.07}&{0.38}&0 \end{array}} \right]$


得到最终的风机状态在{很好, 良好, 一般, 预警}状态空间的隶属评价矩阵为 B=AR=[0.44,0.10,0.29,0.17].

由于多层模糊推理可能导致风机部分参数经过多层权值的传递, 其劣化现象在最终层可能会被掩盖, 因此本文不统一采用“最大隶属度原则”, 针对最终评价向量分不同的情况分析评价结果:

1) 当最大隶属度远远大于其他等级项的隶属度, 并且权重最大的等级项隶属度也极低(小于 0.1)时, 采用“最大隶属度原则”进行评价;

2) 当最大隶属度远远大于其他等级项的隶属度, 但是权重最大的等级项隶属度较大(大于等于0.1)时, 则表明评价对象的状态处于权重最大的等级项;

3) 当有2个以上的等级项隶属度与最大隶属度差别不大时, 需要进一步分析其权重, 并对权重较大的这些等级项采取“取隶属度大于零的最低等级项”的原则[14]

4) 当所有的等级项隶属度都差不多时, 采用以权重为主导的评价原则, 取权重最大的等级项。

本文的应用分析结果属于情况2, 机组状态的综合评估为“一般”。从该日风机的实际监测数据来看, 评价结果为“一般”的主要原因是该日运行数据中发电机转速不在正常运行范围内, 且变桨柜电容温度偏高, 因此评价结果符合实际运行数据的分析。

4 结 论

针对风电机组状态监控与巡检维修的需要, 并通过海上直驱风电机组运行影响因素的分析, 本文建立了海上直驱风电机组运行状态的评价指标体系和多层次模糊综合评价模型, 在最终层的评价根据不同情况分析评价结果, 避免了多层次模糊推理掩盖了风机劣化的现象。通过实际在线监测风机运行数据的应用分析表明: 该文模型评价结果接近于实际的运行状况, 并有较强的可操作性, 让运营者能及时掌握风电机组的运行状态, 有助于及时发现运行安全隐患, 避免设备发生严重故障。研究结果可为海上风电场风电机组日常运行维护的管理提供决策辅助, 提高海上风电场运营效率。

参考文献
[1] 刘天羽, Tavner P J. 风电高速发展下的中国风力发电机可靠性的研究 [J]. 上海电机学院学报, 2010, 13(6): 315-321. LIU Tianyu, Tavner P J.Reliability of wind turbine in China under the rapid development of wind power [J]. Journal of Shanghai Dianji University, 2010, 13(6): 315-321. (in Chinese)
[2] 张镇. 风电机组故障统计分析研究 [J]. 风能, 2013(8): 68-71. ZHANG Zhen.An analysis of wind turbine fault statistics [J]. Wind Energy, 2013(8): 68-71. (in Chinese)
[3] 刘德顺, 戴巨川, 胡燕平, 等. 现代大型风电机组现状与发展趋势 [J]. 中国机械工程, 2013, 24(1): 125-134.LIU Deshun, DAI Juchuan, HU Yanping, et al. Status and development trends of modern large-scale wind turbine [J]. China Mechanical Engineering, 2013, 24(1): 125-134.(in Chinese)
[4] Zoran I M. Direct-drive wind turbines [J]. International Journal of Scientific & Engineering Research, 2011, 2(10): 1-11.
[5] Polinder H, van der Pijl F F A, Tavner P J, et al. Comparison of direct-drive and geared generator concepts for wind turbines [J]. Transaction on energy conversion, 2006, 21(3): 725-732.
[6] 沈德昌. 海上风电机组发展趋势分析 [J]. 风能, 2012(12): 66-71.SHEN Dechang. An analysis on offshore wind turbine development trend [J]. Wind Energy, 2012(12): 66-71.(in Chinese)
[7] Amirat Y, Benbouzid M E H, Al-Ahmar E, et al. A brief status on condition monitoring and fault diagnosis in wind energy conversion systems [J]. Renewable and Sustainable Energy Reviews, 2009(13): 1619-1636.
[8] Hameed Z, Hong Y S, Cho Y M, et al. Condition monitoring and fault detection of wind turbines and related algorithms: A review [J]. Renewable and Sustainable Energy Reviews, 2009, 13(1): 1-39.
[9] 张登峰. 风力发电设备状态评价系统 [D]. 郑州: 郑州大学, 2011.ZHANG Dengfeng. Design Status Evaluation System of Wind Power Generation Euqipments [D]. Zhengzhou: Zhengzhou University, 2011. (in Chinese)
[10] 郑小霞, 张志宏, 符杨. 基于变权模糊综合评判的海上风电机组运行状态评估 [J]. 计算机测量与控制, 2013, 21(7): 1861-1867.ZHENG Xiaoxia, ZHANG Zhihong, FU Yang. Operating conditions assessment for offshore wind turbine based on fuzzycomprehensive evaluation with variable weights [J]. Computer Measurement & Control, 2013, 21(7): 1861-1867. (in Chinese)
[11] 王志国, 马一太, 杨昭, 等. 风力发电机组性能分析的模糊综合评判方法 [J]. 太阳能学报, 2004, 25(2): 177-181.WANG Zhiguo, MA Yitai, YANG Zhao, et al. Fuzzy comprehensive evaluation method of wind power generation unit [J]. Acta Energiae Solaris Sinica, 2004, 25(2): 177-181.(in Chinese)
[12] 李辉, 胡姚刚, 唐显虎, 等. 并网风电机组在线运行状态评估方法 [J]. 中国电机工程学报, 2010, 30(33): 103-109.LI Hui, HU Yaogang, TANG Xianhu, et al. Method for on-line operating conditions assessment for a grid-connected wind turbine generator system [J]. Proceedings of the CSEE, 2010, 30(33): 103-109.
[13] Li H, Hu Y G, Yang C, et al. An improved fuzzy synthetic condition assessment of a wind turbine generator system [J]. Electrical Power and Energy Systems, 2013(45): 468-476.
[14] 肖运启, 王昆朋, 贺贯举, 等. 基于趋势预测的大型风电机组运行状态模糊综合评价 [J]. 中国电机工程学报, 2013, 34(13): 1-9.XIAO Yunqi, WANG Kunpeng, HE Guanju, et al.Fuzzy comprehensive evaluation for operating condition of large-scale wind turbines based on trend predication [J]. Proceedings of the CSEE, 2013, 34(13): 1-9.
[15] XIAO Yunqi, WANG Kunpeng, HE Guanju, et al. An operating condition fuzzy assessment strategy for large scale doubly-fed wind power generation system [J]. Journal of renewable and sustainable energy, 2014, 6(3): 1-14.
[16] 张登峰, 郝伟, 郝旺身, 等. 模糊理论在风力发电设备状态评价中的应用 [J]. 机械设计与制造, 2011(11): 75-77.ZHANG Dengfeng, HAO Wei, HAO Wangshen, et al.Application of fuzzy theory in status evaluation of wind power generation equipment [J]. Machinery Design & Manufacture, 2011(11): 75-77.(in Chinese)