基于最优赋权和改进云模型的风电机组综合运行状态评估及灵敏度分析

王海朋 ,  刘子轩 ,  牛宇航 ,  何玉灵 ,  李远超

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (9) :3806-3816

PDF (11448KB)
科学技术与工程 ›› 2026, Vol. 26 ›› Issue (9) :3806-3816 DOI: 10.12404/j.issn.1671-1815.2504461
电工技术

基于最优赋权和改进云模型的风电机组综合运行状态评估及灵敏度分析

作者信息 +

Comprehensive Operation State Evaluation and Sensitivity Analysis of Wind Turbine Based on Optimal Weighting and Improved Cloud Model

Author information +
文章历史 +

摘要

针对目前无法综合考虑设备老化和所处环境对风电机组系统及各部件运行状态的影响程度以及求取的综合权重极端偏斜和无法有效识别风电机组及各部件所处状态的问题,提出了一种基于最优赋权和改进云模型的风电机组综合运行状态评估及灵敏度分析方法。首先,建立风电机组多层次多性能指标综合状态评估指标体系;其次,基于离差最大化和极大熵准则建立风电机组多目标多属性最优赋权模型;接着,基于最优赋权模型和改进云模型建立风电机组综合运行状态评估模型,并根据改进理想曲线法识别确定风电机组系统及各部件的运行状态;最后,以风电场中某台机组为研究对象,验证了所提模型的有效性,并对风电机组及各部件进行了灵敏度分析。结果表明:所提方法不仅能够有效解决综合权重极端偏斜问题、识别确定风电机组系统及各部件所处的运行状态,而且能够揭示运行状态指标的变化对风电机组系统及部件的影响规律,为风电机组高可靠性稳定运行提供理论支撑。

Abstract

In order to solve the problems of the inability to comprehensively consider the impact of equipment aging and operation environment on the performance of wind turbine system and their components, the severe imbalance in comprehensive weighting, and the lack of effective method to identify the operational states of wind turbine and its components, a wind turbine comprehensive operation state evaluation and sensitivity analysis based on optimal weighting and improved cloud model was proposed. Firstly, comprehensive state evaluation indicator system for wind turbine with multi-level and multi-performance index was created. Secondly, based on the maximization of deviation and the maximum entropy criterion, a multi-objective and multi-attribute optimal weighting model for wind turbine was established. Next, a comprehensive operation state evaluation model for wind turbine was established based on the optimal weighting model and the improved cloud model. And wind turbine and its components operation states of the wind turbine was identified and determined based on the improved ideal curve method. Finally, the effectiveness of the proposed model was verified by taking a wind turbine in wind farm as the research object, and sensitivity analysis was conducted on the wind turbine and its components. The results show that this method not only effectively solves the problem of the severe imbalance in comprehensive weighting and identifies the operational states of wind turbine and its components, but also reveals the impact of changes in operation states indicators on wind turbine system and its components. And it provides theoretical support for the high reliability and stable operation of wind turbine.

Graphical abstract

关键词

风电机组 / 最优赋权模型 / 改进云模型 / 状态评估 / 灵敏度分析

Key words

wind turbine / optimal weighting model / improved cloud model / state evaluation / sensitivity analysis

引用本文

引用格式 ▾
王海朋, 刘子轩, 牛宇航, 何玉灵, 李远超. 基于最优赋权和改进云模型的风电机组综合运行状态评估及灵敏度分析[J]. 科学技术与工程, 2026, 26(9): 3806-3816 DOI:10.12404/j.issn.1671-1815.2504461
WANG Hai-peng, LIU Zi-xuan, NIU Yu-hang, HE Yu-ling, LI Yuan-chao. Comprehensive Operation State Evaluation and Sensitivity Analysis of Wind Turbine Based on Optimal Weighting and Improved Cloud Model[J]. Science Technology and Engineering, 2026, 26(9): 3806-3816 DOI:10.12404/j.issn.1671-1815.2504461

登录浏览全文

4963

注册一个新账户 忘记密码

在“碳达峰、碳中和”战略目标引领下,伴随新型能源体系加速构建,风电产业已成为推动能源绿色低碳转型与高质量发展的重要支撑。当前,我国风电开发已形成陆上大基地集约化开发与海上风电规模化推进协同发展的格局。在此背景下,风电机组运行状态的精准评估日益关键——不仅为研发端的技术迭代与可靠性提升提供数据支撑,也为运营端降低运维成本、提升发电效率和保障系统安全奠定基础[1-2]。
目前许多学者对风电机组运行状态的评估开展了研究,并取得一定研究成果;主要基于机器学习方法和不确定性分析方法。
在机器学习方面,刘杰等[3]基于Vine-Coupula模型和双向长短期记忆网络算法,提出了一种风电机组齿轮箱健康状态评估方法;Menaka等[4]基于多分辨率正弦神经网络法,提出了一种考虑电网电压跌的风电机组运行状态评估方法;Yao等[5]考虑物理信息动态融合,提出了一种基于深度学习的风电机组状态评估方法;Ye等[6]通过考虑各指标相关性,提出了一种基于自回归积分滑动平均模型的风电机组健康状态识别方法。基于机器学习的运行状态评估往往需要大量的训练数据集支撑,这限制了该类方法在状态评估领域的进一步应用[7]。
在不确定性分析方法方面,Wang等[8]基于序贯蒙特卡洛法和高斯回归方法,建立了风电机组运行状态评估模型;Tian等[9]基于模糊理论,提出了一种风电机组损伤程度评估方法;Zhu等[10]提出了一种基于Copula函数和蒙特卡洛的风电机组寿命的预测方法;杨伟新等[11]考虑风电机组性能下降问题,提出了一种基于模糊层次聚类方法的风电机组状态评估模型;金晓航等[12]采用最小鉴别原理求取各指标综合权重,提出了一种基于改进劣化度模型的风电机组运行状态评估方法。
综上所述,针对风电场中风电机组综合性能评估的研究已取得较好的成果,但在以下方面仍需进一步深入探索:①在求取风电机组运行状态指标综合权重时,大多采用线性叠加法、最小鉴别原理等,容易导致人为主观干预和权重极端偏斜等问题;②现有风电机组运行状态评估方法未能充分考虑系统多个部件的多个性能指标;③现有风电机组运行状态评估方法未能充分考虑系统和部件的多状态,且不能有效兼顾风电机组所处状态的模糊性和底层指标随机性等问题;④现有风电机组运行状态评估方法未能综合考虑设备老化和所处环境对风电机组系统及各部件运行状态的影响程度。
为解决上述问题,现提出一种基于最优赋权和改进云模型的风电机组综合运行状态评估及灵敏度分析方法。首先,建立风电机组多层次多性能指标综合状态评估指标体系;其次,基于离差最大化和极大熵准则建立风电机组多目标多属性最优组合赋权模型;接着,基于最优组合赋权模型和改进云模型建立风电机组综合运行状态评估模型,并根据改进理想曲线法识别确定风电机组系统及各部件运行状态;最后,以风电场中某机组为研究对象,验证所提模型的有效性,并对风电机组及各部件进行灵敏度分析。以期为风电机组高可靠性稳定运行提供理论支撑。

1 风电机组多层次多性能指标综合评估指标体系

1.1 指标选择

风电机组作为典型的复杂机电系统,其高效、稳定、安全运行依赖于各核心部件的协同工作。然而传统方法的评价指标庞杂,易导致信息冗余和费时费力等问题,为了克服上述局限,建立风电机组多层次多性能指标综合评估指标体系,见图1。

在指标体系中,将风电机组系统划分为发电机、齿轮箱、机舱和控制系统四大部件,并以此作为评价指标体系的准则层。此外,文献[13]指出发电机冷却水温、发电机绕组温度和发电机转速是保障风电机组输出功率稳定、防范电气故障、延长机组寿命重要因素;文献[14-15]指出齿轮箱轴承温度、齿轮箱回油温度、齿轮寿命和齿轮箱油池温度是保障风电机组动力传递效率、预防高成本机械故障关键因素;在机舱状态指标选择时,文献[16]指出机舱位置、环境温度、机舱温度和主轴振动是影响风电机组运行效率、结构稳定性和安全性核心因素;在控制系统运行状态指标选择时,文献[17-19]指出控制柜温度、电容器温度、电抗器温度和整流器温度是确保风电机组运行智能化、安全化,提高故障应对效率与并网能力的主要因素。因此,将发电机冷却水温、发电机绕组温度、发电机转速、齿轮箱轴承温度、齿轮箱回油温度、齿轮寿命、齿轮箱油池温度、机舱位置、环境温度、机舱温度、主轴振动、控制柜温度、电容器温度、电抗器温度和整流器温度作为评价指标体系的指标层。

1.2 指标处理

在风电机组运行状态评估过程中,由于各指标数值大小和量纲不一致,且在各指标云模型合成运算时,需在统一论域内实现。因此,采用最大-最小标准化方法对各指标的运行数据进行标准化,其中对于越大越优型指标采用式(1)标准化。

${x}_{i}^{\mathrm{*}}=\left\{\begin{array}{ll}0,& {x}_{i}\le {x}_{i\mathrm{m}\mathrm{i}\mathrm{n}}\\ 100\frac{{x}_{i\mathrm{m}\mathrm{a}\mathrm{x}}-{x}_{i}}{{x}_{i\mathrm{m}\mathrm{a}\mathrm{x}}-{x}_{i\mathrm{m}\mathrm{i}\mathrm{n}}},& {x}_{i\mathrm{m}\mathrm{i}\mathrm{n}}<{x}_{i}<{x}_{i\mathrm{m}\mathrm{a}\mathrm{x}}\\ 100,& {x}_{i}\ge {x}_{i\mathrm{m}\mathrm{a}\mathrm{x}}\end{array}\right.$

对越小越优型指标,采用式(2)标准化。

${x}_{i}^{\mathrm{*}}=\left\{\begin{array}{ll}100,& {x}_{i}\le {x}_{i\mathrm{m}\mathrm{i}\mathrm{n}}\\ 100\frac{{x}_{i}-{x}_{i\mathrm{m}\mathrm{i}\mathrm{n}}}{{x}_{i\mathrm{m}\mathrm{a}\mathrm{x}}-{x}_{i\mathrm{m}\mathrm{i}\mathrm{n}}},& {x}_{i\mathrm{m}\mathrm{i}\mathrm{n}}<{x}_{i}<{x}_{i\mathrm{m}\mathrm{a}\mathrm{x}}\\ 0,& {x}_{i}\ge {x}_{i\mathrm{m}\mathrm{a}\mathrm{x}}\end{array}\right.$

式中:xi为指标值;${x}_{i}^{\mathrm{*}}$为xi标准化后的值;ximax和ximin分别为指标阈值的最大值和最小值。

2 基于离差最大化和极大熵准则的多目标多属性最优组合赋权模型建立

2.1 基于改进序关系法的主观权重计算

改进序关系分析法(improved G1 method,IG1)是一种适用于评价指标体系具有模糊性、随机性特点的主观权重计算方法[20]。该方法相比于传统序关系法计算方便,并且在计算权重时,无需构建判断矩阵及一致性检验,具体计算步骤如下。

步骤1 计算各指标的序关系,邀请相关领域专家,按照整数分值1~10进行打分,分值越高表示指标对风电机组系统及各部件运行状态越重要,并根据分值从大到小对指标排序。

步骤2 计算各指标相对重要程度,根据表1量化相邻指标的重要程度,指标Xk比Xk-1的相对重要程度之比为Zj,表达式为

${Z}_{j}=\frac{{w}_{1,j-1}}{{w}_{1,j}},j=n,n-1,\dots,2$

式(3)中:w1,j为第j项指标的权重。

步骤3 根据专家意见对Zj赋值,并采用改进序关系法对风电机组运行状态各评价指标权重进行计算,表达式为

$\left\{\begin{array}{l}\mathrm{w}\text{'}{}_{n}=(1+\stackrel{n}{\sum _{k=2}}\stackrel{n}{\prod _{j=k}}{Z}_{j}{)}^{-1}\\ w\text{'}{}_{n-1}={Z}_{n-1}w\text{'}{}_{n}\\ w\text{'}=[w\text{'}{}_{1},w\text{'}{}_{2},\dots,w\text{'}{}_{n}]\end{array}\right.$

式(4)中:w'n为第n个指标主观权重;w'n-1为第n-1个指标主观权重;Zn-1为第n-1个指标的重要程度;k为求和符号下标变量,其值为2,3,…,n; Zj为第j个指标,j为1,2,…,n;w'为风电机组运行状态各评价指标主观权重向量。

2.2 基于改进变异系数法的客观权重计算

改进变异系数法是一种通过充分利用各评价指标自身所包含的状态信息来计算客观权重的方法[21]。当评价对象数量较多时,能够通过数据标准化来平衡各评价指标的差异程度,相对于传统方法能够提高权重结果的客观性。具体步骤如下。

步骤1 构建各评价指标原始数据矩阵X,采用式(1)、式(2)对原始数据标准化,得到决策矩阵R。

步骤2 计算变异系数Rj。

$\left\{\begin{array}{l}{R}_{j}=\frac{{\gamma }_{j}}{{\stackrel{-}{x}}_{j}}\\ {\gamma }_{j}=\sqrt{\frac{\stackrel{m}{\sum _{i=1}}({x}_{ij}-{\stackrel{-}{x}}_{j})}{m-1}}\\ {\stackrel{-}{x}}_{j}=\stackrel{m}{\sum _{i=1}}{x}_{ij}/n\end{array}\right.$

式(5)中:γj为第j个风电机组运行状态评价指标的标准差;${\stackrel{-}{x}}_{j}$为第j个风电机组运行状态评价指标的某时间段内的平均值。

步骤3 计算各评价指标的客观权重。

${w″}_{i}=\frac{{Z}_{j}}{\stackrel{n}{\sum _{j=1}}{Z}_{j}}$

式(6)中:w″i为风电机组运行状态评价指标的客观权重。

2.3 基于离差最大化和极大熵准则的多目标多属性最优组合赋权模型建立

多目标粒子群算法(multiple objective particle swarm optimization,MOPSO)能够有效解决多个目标之间的不平衡问题,被广泛应用于多层次多指标决策模型中[22]。基于极大熵准则和离差平方和最大建立多目标粒子群模型[式(7)和式(8)],求取主客观权重系数的帕累托前沿解集,相应的约束条件见式(9)。

2.3.1 目标函数

由于各专家打分受自身经验、情绪和知识结构等多方面不确定因素的影响,易导致主观权重不确定性[23]。为此,将综合权重wi表示为第i个指标在所有指标中的所占比重,根据极大熵准则来设定目标函数为

$\mathrm{m}\mathrm{a}\mathrm{x}\{-\stackrel{m}{\sum _{i=1}}({\alpha }_{1}{w\text{'}}_{i}+{\alpha }_{2}{w″}_{i}\left)\mathrm{l}\mathrm{n}\right({\alpha }_{1}{w\text{'}}_{i}+{\alpha }_{2}{w″}_{i}\left)\right\}$

式(7)中:α1、α2分别为主客观权重系数;w'i和w″i分别为评价指标的主观权重和客观权重。

在多属性决策中,如果各属性的权系数选取不当,致使各决策方案的多属性综合评估值互相差别很小,会不利于后续决策方案的排序[24]。为此,建立基于离差平方和最大的目标函数为

$\mathrm{m}\mathrm{a}\mathrm{x}\left\{\stackrel{m}{\sum _{j=1}}\left[\stackrel{n}{\sum _{i=1}}\right({Q}_{ji}-{\overline{Q}}_{ji}\left)\right({\alpha }_{1}w\text{'}{}_{i}+{\alpha }_{2}w″{}_{i}{\left)\right]}^{2}\right\}$

式(8)中:Qji为标准化后矩阵的第j天第i个指标数据;${\overline{Q}}_{ji}$为标准化后矩阵的第i个指标数据平均值。

2.3.2 约束条件

$\left\{\begin{array}{l}\stackrel{n}{\sum _{i=1}}{\alpha }_{1}w\text{'}{}_{i}+{\alpha }_{2}w{″}_{i}=1\\ w\text{'}{}_{i},w{″}_{i}\ge 0,i=\mathrm{1,2},\dots,n\\ {\alpha }_{1}+{\alpha }_{2}=1\end{array}\right.$

式(9)中:w'i为每个指标的主观权重;w″i为每个指标的客观权重;n为指标数量,个。

2.3.3 基于折中偏好函数法的最优解选择

为从MOPSO的帕累托非支配解集中选择一个代表性较强的解,采用折中偏好函数进行解的后处理。该方法在传统理想点距离最小化基础上,进一步引入了对偏离理想权重分配的惩罚项,从而增强解的均衡性和可行性。

$D\left(x\right)={D}_{\mathrm{i}\mathrm{d}\mathrm{e}\mathrm{a}\mathrm{l}}\left(x\right)+P({\alpha }_{1}+{\alpha }_{2})$

式(10)中:Dideal(x)为某个解到理想点的欧式距离;P(α1+α2)为限制α1和α2偏离理想均衡分配的惩罚项,总折中距离为

$\begin{array}{l}D\left(x\right)=\sqrt{\stackrel{m}{\sum _{i=1}}\left[{f}_{i}^{\mathrm{n}\mathrm{o}\mathrm{r}\mathrm{m}}\right(x)-{f}_{i}^{\mathrm{i}\mathrm{d}\mathrm{e}\mathrm{a}\mathrm{l}}{]}^{2}}+\\ \mu \left[\right({\alpha }_{1}{-0.5)}^{2}+\left({\alpha }_{2}{-0.5)}^{2}\right]\end{array}$

式(11)中:${f}_{i}^{\mathrm{n}\mathrm{o}\mathrm{r}\mathrm{m}}\left(x\right)$为第i个目标归一化后的值;${f}_{i}^{\mathrm{i}\mathrm{d}\mathrm{e}\mathrm{a}\mathrm{l}}$为帕累托解集的最优值;m为帕累托解集中解的个数;μ为惩罚因子。

具体步骤如下。

步骤1 初始化多目标粒子群模型参数,设定粒子数50,最大迭代次数为100,学习因子C1=1.5,C2=1.5。

步骤2 基于粒子动态优选初始化策略,生成初始主客观权重分配方案。

步骤3 计算各粒子的适应度。

步骤4 求出每个粒子的历史最优位置和整个种群的历史最优位置。

步骤5 更新每个粒子的速度和位置,并判断新粒子是否满足约束条件,若不满足进行步骤4,否则进行下一步。

步骤6 判断是否满足最大迭代次数,若不满足进行步骤3,否则进行下一步。

步骤7 输出主客观权重系数的可行解的帕累托集合。

步骤8 基于折中偏好函数法得到帕累托集合中的最优解。

3 综合最优赋权和改进云模型的风电机组综合运行状态评估模型

3.1 改进云模型理论

基于概率论和模糊数学,云模型可以有效兼顾风电机组系统及部件运行状态的模糊性和底层运行状态评价指标的随机性[25]。如图2所示,云模型通过3个数值特征来刻画定性概念T:期望(expectation,Ex),熵(entropy,En)和超熵(hyperentropy,He)[26-27]。Ex表示风电机组系统及部件运行状态指标的平均值;En反映风电机组系统及部件运行状态的模糊性和随机性;He用于量化熵(En)的不确定性,预警风电机组系统及部件运行状态的隐性风险。

3.2 基于黄金分割法的标准云建立

为了提高评估结果直观性和有效性,基于黄金分割法[28],将建立的标准云图作为评估风电机组系统及各部件运行状态的参考基准。在论域[0,100]中,得分范围从高到低分为5个级别:健康、正常、退化、预警和失效。其标准云数字特征见表2,标准云见图3。

3.3 各层评价云的数字特征求取

(1)指标层。指标层指标的评价云数字特征计算式为

$\left\{\begin{array}{l}E{x}_{j}=\stackrel{n}{\sum _{j=1}}{X}_{j}\\ E{n}_{j}=\frac{1}{n}\sqrt{\frac{\mathrm{\pi }}{2}}\stackrel{n}{\sum _{j=1}}\left|{X}_{j}-\overline{X}\right|\\ H{e}_{j}=\sqrt{\frac{1}{n-1}\stackrel{n}{\sum _{j=1}}({X}_{j}{-\overline{X})}^{2}-E{n}_{j}^{2}}\end{array}\right.$

式(12)中:Xi为样本值;n为样本数量,个;$\overline{X}$为样本均值。

(2)准则层。准则层综合云数字特征和目标层的综合云数字特征均由指标层的数字特征经过加权得到,加权算法计算式为

$\left\{\begin{array}{l}Ex=\frac{\stackrel{n}{\sum _{j=1}}E{x}_{j}{w}_{j}}{\stackrel{n}{\sum _{j=1}}{w}_{j}}\\ En=\frac{\stackrel{n}{\sum _{j=1}}E{n}_{j}{w}_{j}^{2}}{\stackrel{n}{\sum _{j=1}}{w}_{j}^{2}}\\ He=\frac{\stackrel{n}{\sum _{j=1}}H{e}_{j}{w}_{j}^{2}}{\stackrel{n}{\sum _{j=1}}{w}_{j}^{2}}\end{array}\right.$

式(13)中:Exj为第j个指标的期望;Enj为第j个指标的熵;Hej为第j个指标的超熵;wj为第j个指标的综合权重。

3.4 基于改进期望曲线法建立贴进度计算模型

改进期望曲线法是一种通过两个云模型期望曲线与x轴围成图形的面积的交集,来判断两模型相似程度的方法[29],相对于传统贴进度计算方法可以清晰、直观反映变量与评估结果之间的关系。

(1)计算两个云模型期望曲线与x轴围成图形的面积的交集。

$\begin{array}{l}S=\sqrt{2\mathrm{\pi }}E{n}_{2}{\int }_{-\infty }^{{z}_{2}}\phi \left(x\right)\mathrm{d}x+\\ \sqrt{2\mathrm{\pi }}E{n}_{1}\left[1-{\int }_{-\infty }^{{z}_{1}}\phi \left(x\right)\mathrm{d}x\right]\end{array}$

式(14)中:${z}_{1}=\frac{x-E{x}_{1}}{E{n}_{1}}$;${z}_{2}=\frac{x-E{x}_{2}}{E{n}_{2}}$;$\phi \left(x\right)$为标准正态分布的概率密度函数;En1和En2分别为云模型期望曲线M1和M2的期望;S为两个云模型期望曲线与x轴围成图形的面积的交集。

(2)计算各云模型的最大边界曲线。

$y=\mathrm{e}\mathrm{x}\mathrm{p}\left[-\frac{{(x-Ex)}^{2}}{2e{n}^{2}}\right]$

式(15)中:由3En规则得到,En=En+3He。

(3)计算两个云模型的相似度。

$\mathrm{E}\mathrm{C}\mathrm{M}({M}_{1},{M}_{2})=\frac{2S}{\sqrt{2\mathrm{\pi }}(e{n}_{1}+e{n}_{2})}$

式(16)中:ECM(M1,M2)为云模型M1和M2的相似度。

3.5 综合最优赋权和云模型的风电机组综合运行状态评估方法评估流程

综上分析,基于最优赋权法和改进云模型,提出了一种风电机组综合运行状态评估方法,具体步骤如下,流程图如图4所示。

步骤1 基于发电机、齿轮箱、机舱和控制系统4个子系统,建立风电机组的多层次多性能评价指标体系,并通过式(1)、式(2)将数据标准化。

步骤2 基于改进序关系法,计算各指标的序关系和相对重要度,得到风电机组运行状态参数的主观权重向量。

步骤3 基于改进变异系数法,计算各评估指标的变异系数,得到风电机组运行状态参数的客观权重向量。

步骤4 基于MOPSO和折中偏好函数法,并结合步骤2和步骤3的主客观权重,求得风电机组运行状态参数的综合权重。

步骤5 基于步骤4所得的综合权重、云模型和改进期望曲线法对风电机组系统运行状态、发电机运行状态、齿轮箱运行状态、机舱状态和控制系统运行状态评估。

步骤6 通过对风电机组系统运行状态、发电机运行状态、齿轮箱运行状态、机舱状态和控制系统运行状态灵敏度分析,得到运行状态指标的变化对风电机组系统及部件的影响程度。

4 案例分析

4.1 案例简介

以风电场中的某风电机组作为评估对象,基于建立的最优组合赋权模型和改进云模型对风电机组的系统运行状态、发电机、齿轮箱、机舱和控制系统的运行状态进行评估,由SCADA系统获取的各个指标原始数据见表3。

4.2 基于离差最大化和极大熵准则确定最优综合权重

采用改进序关系法和变异系数法分别求取各指标的主观权重和客观权重,并通过MOPSO求取各指标的主客观权重系数;此外,通过与线性叠加法、最小鉴别原理法进行对比,验证了本文方法的有效性,结果见图5。

由图5分析本文方法计算得到的综合权重可知,发电机冷却水温和绕组温度所占权重最大,分别为0.115和0.115;电容器温度和整流器温度所占权重最低,分别为0.041和0.042,其余指标权重层次明显,能够有效均衡主客观权重。通过与线性叠加法、最小鉴别原理法两种组合权重的求取方法对比分析得到,采用线性叠加法求取的综合权重极端偏斜于齿轮箱运行状态相关指标、机舱所处的环境温度和整流器温度,而机舱位置、机舱温度和主轴振动等指标的权重几乎为0,容易造成各指标权重信息失衡;采用最小鉴别原理求取的综合权重分布过于均匀,不利于判定各指标对风电机组系统运行状态的重要程度。

4.3 综合最优赋权和云模型的风电机组综合运行状态评估

基于4.2节得到的风电机组各指标权重结果和3.2节各层评价云的数字特征的计算公式,求取目标层、准则层和指标层的评价云数字特征,得到各层评价云的分布模型,并通过改进期望曲线法计算各层评价云与标准云的贴进度,其中橙色为待评价对象的状态云,评价结果分别见图6~图10。

由图6(a)可知,风电机组系统运行状态云图的数字特征为Ex、En和He (相应值分别为64.421、10.327和5.007),与健康状态云图、退化状态云图、降级状态云图和预警状态云图相交。结合图6(b)可知,基于改进期望曲线法,分别计算风电机组系统运行状态云图期望曲线、各标准云图和x轴围成图形的面积,得到风电机组系统运行状态与标准云图的贴近度分别为0、0.020、0.181、0.534和0.041,大小关系为:预警>退化>失效>正常>健康。综上分析可知,风电机组系统运行状态为预警状态。

由图7(a)可知,发电机状态云图的数字特征为Ex、En和He (相应值分别为64.561、9.336和4.281),与健康状态云图、退化状态云图、降级状态云图和预警状态云图相交。结合图7(b)可知,基于改进期望曲线法,分别计算发电机运行状态云图、各标准云图和x轴围成图形的面积,得到风电机组系统运行状态与标准云图的贴近度分别为0、0.010、0.123、0.630和0.044,大小关系为:预警>退化>失效>正常>健康。综上分析可知发电机运行状态为预警状态。

由图8(a)可知,齿轮箱运行状态云图的数字特征为Ex、En和He (相应值分别为72.967、18.093和9.948),与健康状态云图、退化状态云图、降级状态云图和预警状态云图相交。结合图8(b)可知,基于改进期望曲线法,分别计算齿轮箱运行状态云图、各标准云图和x轴围成图形的面积,得到齿轮箱运行状态与标准云图的贴近度分别为0.001、0.020、0.109、0.418和0.171,大小关系为:预警>失效>退化>正常>健康。综上分析可知,齿轮箱运行状态为预警状态。

由图9(a)可知,机舱状态云图的数字特征为Ex、En和He (相应值分别为58.764、6.476和2.743),与健康状态云图、退化状态云图、降级状态云图和预警状态云图相交。结合图9(b)可知,基于改进期望曲线法,分别计算机舱状态云图、各标准云图和x轴围成图形的面积,得到机舱状态与标准云图的贴近度分别为0、0.013、0.258、0.233和0.006,大小关系为:退化>预警>正常>失效>健康。综上分析可知机舱状态为退化状态。

由图10(a)可知,控制系统运行状态云图的数字特征为Ex、En和He (相应值分别为59.631、9.732和4.475),与健康状态云图、退化状态云图、降级状态云图和预警状态云图相交。结合图10(b)可知,基于改进期望曲线法,分别计算控制系统运行状态云图、各标准云图和x轴围成图形的面积,得控制系统状态与标准云图的贴近度分别为0、0.033、0.282、0.350和0.020,大小关系为:预警>退化>正常>健康>失效。综上分析可知控制系统运行状态为退化状态。

4.4 灵敏度分析

灵敏度是指模型参数的变化对系统输出的影响程度[30]。通过分别改变风电机组系统运行状态云图、发电机运行状态云图、齿轮箱运行状态云图、机舱状态云图和控制系统运行状态云图中的综合期望Ex,并基于期望曲线法计算风电机组系统及各部件状态的贴近度,实现对风电机组系统及各部件的状态云图的灵敏度分析,结果见图11。

由图11(a)~图11(e)可知,随着风电机组系统运行状态、发电机运行状态、齿轮箱状态、机舱状态和控制系统运行状态的Ex增加,风电机组系统及各部件的状态由健康向失效变化。

(1)Ex对风电机组系统运行状态的影响分析。当Ex处于[0,16]时,风电机组系统运行状态为健康状态;当Ex处于[17,42]时,风电机组系统运行状态为正常状态;当Ex处于[43,57]时,风电机组系统运行状态为退化状态;当Ex处于[58,84]时,风电机组系统运行状态为预警状态;当Ex处于[84,100]时,风电机组系统运行状态为失效状态。此外,当Ex分别为0、30、50、70和100时,风电机组系统运行状态与健康、正常、退化、预警和失效状态的贴进度分别为0.92、0.61、0.38、0.68和0.98。因此,系统运行状态处于失效状态的概率最高,处于退化状态的概率最低。

(2)Ex对发电机运行状态的影响分析。当Ex处于[0,17]时,发电机为健康状态;当Ex处于[18,42]时,发电机为正常状态;当Ex处于[43,58]时,发电机为退化状态;当Ex处于[59,84]时,发电机为预警状态;当Ex处于[84,100]时,发电机为失效状态。此外,当Ex分别为0、30、50、70和100时,发电机运行状态与健康、正常、退化、预警和失效状态的贴进度分别为0.9、0.68、0.42、0.73和0.93。因此,发电机处于失效状态的概率最高,处于退化状态的概率最低。

(3)Ex对齿轮箱运行状态的影响分析。当Ex处于[0,17]时,齿轮箱为健康状态;当Ex处于[18,47]时,齿轮箱为正常状态;当Ex处于[48,52]时,齿轮箱为退化状态;当Ex处于[53,83]时,齿轮箱运行状态为预警状态;当Ex处于[84,100]时,齿轮箱为失效状态。此外,当Ex分别为0、30、50、70和100时,齿轮箱运行状态与健康、正常、退化、预警和失效状态的贴进度分别为0.68、0.42、0.26、0.46和0.66。因此,齿轮箱处于失效状态的概率最高,处于退化状态的概率最低。

(4)Ex对机舱状态的影响分析。当Ex处于[0,17]时,机舱为健康状态;当Ex处于[18,41]时,机舱为正常状态;当Ex处于[42,58]时,机舱为退化状态;当Ex处于[59,84]时,机舱为预警状态,当Ex处于[85,100]时,机舱为失效状态。此外,当Ex分别为0、30、50、70和100时,风电机组与健康、正常、退化、预警和失效状态的贴进度分别为0.65、0.95、0.6、0.91和0.65。因此,机舱处于正常状态的概率最高,处于退化状态的概率最低。

(5)Ex对控制系统运行状态的影响分析。当Ex处于[0,17]时,控制系统为健康状态;当Ex处于[18,42]时,控制系统为正常状态;当Ex处于[43,58]时,控制系统为退化状态;当Ex处于[59,84]时,控制系统为预警状态;当Ex处于[85,100]时,控制系统为失效状态。此外,当Ex分别为0、30、50、70和100时,控制系统运行状态与健康、正常、退化、预警和失效状态的贴进度分别为0.9、0.65、0.40、0.71和0.95。因此,控制系统处于失效状态的概率最高,处于退化状态的概率最低。

5 结论

提出了一种基于最优赋权和改进云模型的风电机组综合运行状态评估及灵敏度分析方法,得到以下结论。

(1)通过建立基于离差最大化和极大熵准则的多目标多属性最优组合赋权模型,有效避免了人为主观干预和权重极端偏斜等问题,并且得到了发电机冷却水温和发电机绕组温度对风电机组系统运行状态影响程度最大。

(2)以风电机组系统为目标层,以发电机、齿轮箱、机舱和控制系统四大部件为准则层,以各部件的多个性能指标为指标层,建立风电机组多层次多性能指标综合状态评估指标体系。

(3)考虑风电机组系统及部件的健康、正常、退化、预警和失效状态,提出了基于最优赋权和改进云模型的风电机组综合运行状态评估模型,解决了风电机组评估时不能有效兼顾风电机组所处状态的模糊性和底层指标的随机性等问题,并且此模型不仅能够有效识别确定风电机组系统运行状态,还能评估发电机、齿轮箱、机舱和控制系统等各部件的运行状态。

(4)对风电机组系统运行状态、发电机运行状态、齿轮箱运行状态、机舱状态和控制系统运行状态进行了灵敏度分析,研究了运行状态指标的变化对风电机组系统及部件的影响规律。揭示了运行状态指标的变化对风电机组系统及部件的影响规律,为风电机组高可靠性稳定运行提供理论支撑。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

刘军, 安柏任, 张维博, 等. 大型风力发电机组健康状态评价综述[J]. 电力系统保护与控制, 2023, 51(1): 176-187.
[2]

Liu Jun, An Bairen, Zhang Weibo, et al. Review of health status evaluation of large wind turbines[J]. Power System Protection and Control, 2023, 51(1): 176-187.
[3]

魏泰, 贺少雄, 胡子武, 等. 基于改进孤立森林算法的风电机组异常数据清洗[J]. 科学技术与工程, 2024, 24(9): 3691-3699.
[4]

Wei Tai, He Shaoxiong, Hu Ziwu, et al. Wind turbine abnormal data cleaning based on an improved isolation forest algorithm[J]. Science Technology and Engineering, 2024, 24(9): 3691-3699.
[5]

刘杰, 曹静. 基于Vine-Copula-BiLSTM的风电机组齿轮箱状态评估[J]. 太阳能学报, 2025, 46(4): 494-503.
[6]

Liu Jie, Cao Jing. Gearbox condition assessment of wind turbine units based on Vine-Copula-BiLSTM model[J]. Acta Energiae Solaris Sinica, 2025, 46(4): 494-503.
[7]

Menaka S R, Bhoi S K, Waris S F, et al. State estimation for DFIG-based wind turbines under voltage dips using multiresolution sinusoidal neural network-Tasmanian Devil optimization in Internet of Things enabled systems[J]. Energy, 2025, 326: 136344.
[8]

Yao Q T, Chen B H, Hu A J, et al. A novel diffusion model with Shapley value analysis for anomaly detection and identification of wind turbine[J]. Expert Systems with Applications, 2025, 284: 127925.
[9]

Ye H X, Zhu W J, Li H, et al. Failure warning for offshore wind turbines based on autoregressive models[J]. Ocean Engineering, 2025, 332: 121448.
[10]

刘智超, 吐松江·卡日, 马小晶, 等. 基于云相似度与证据融合的电力变压器状态评价方法[J]. 电力系统保护与控制, 2023, 51(20): 79-90.
[11]

Liu Zhichao Tusongjiang·Kari, Ma Xiaojing, et al. Condition assessment method for power transformers based on cloud similarity and evidence fusion[J]. Power System Protection and Control, 2023, 51(20): 79-90.
[12]

Wang H, Gramstad O, Schaer S, et al. Comparison of probabilistic structural reliability methods for ultimate limit state assessment of wind turbines[J]. Structural Safety, 2024, 111: 102502.
[13]

Tian Z, Xu Z Q, Gao J S, et al. Damage evaluation of monopile offshore wind turbine subjected to ship collision based on fuzzy theory[J]. Ocean Engineering, 2025, 333: 121460.
[14]

Zhu D P, Ding Z, Huang X G. Active learning model for probabilistic estimation of fatigue damage in wind turbines with latent variable uncertainty[J]. Ocean Engineering, 2025, 335: 121724.
[15]

杨伟新, 张扬帆, 沈欣宴, 等. 基于运行数据的风电机组发电性能画像建模及评价方法[J]. 可再生能源, 2025, 43(5): 646-653.
[16]

Yang Weixin, Zhang Yangfan, Shen Xinyan, et al. Data-driven modeling and evaluation method for wind turbine units power generation performance profiling[J]. Renewable Energy Resources, 2025, 43(5): 646-653.
[17]

金晓航, 秦治伟, 郭远晶, 等. 基于改进劣化度模型的风电机组日常运行状态评估[J]. 太阳能学报, 2023, 44(1): 239-246.
[18]

Jin Xiaohang, Qin Zhiwei, Guo Yuanjing, et al. Daily operational status assessment of wind turbine units based on an improved degradation degree model[J]. Acta Energiae Solaris Sinica, 2023, 44(1): 239-246.
[19]

Li W B, Li Y J, Li J P, et al. Variable droop gain frequency supporting control with maximum rotor kinetic energy utilization for wind-storage system[J]. International Journal of Electrical Power & Energy Systems, 2024, 163: 110289.
[20]

Cui Y F, Zhang Y H, He W D, et al. Temperature prediction for 3 MW wind-turbine gearbox based on thermal network model[J]. Machines, 2024, 12(3): 175.
[21]

Al-Bedhany J H, Mankhi T A, Legutko S L A. A surface study of failed planetary wind turbine gearbox bearings to investigate the causes of the bearing premature failure issue[J]. Heliyon, 2024, 10(4): e25860.
[22]

Zhang S K, Lang Z Q. SCADA-data-based wind turbine fault detection: a dynamic model sensor method[J]. Control Engineering Practice, 2020, 102: 104546.
[23]

Khan W, Renhai F, Aziz A, et al. Numerical case study on thermal efficiency and predictive thermal management in type-4 wind turbines[J]. Case Studies in Thermal Engineering, 2025, 74: 106827.
[24]

Huang S, Yang Y, Wei J, et al. Hierarchical service quality regulation method in wind farms based on optimal generating strategy[J]. IEEE Transactions on Sustainable Energy, 2025, 15(3): 1450-1461.
[25]

Yin L F, Liu Y C, Wang Z X, et al. Fast supplementary voltage control strategy to mitigate catastrophic trip-off risk of wind turbines[J]. Journal of Electrical Engineering & Technology, 2022, 17(6): 3183-3194.
[26]

He X, Zhou C, Zhang Y S, et al. Seismic 3D full-horizon tracking based on a knowledge graph to represent the stratigraphic sequence relationship[J]. Geophysics, 2024, 89(2): 15-30.
[27]

Yadav S K, Misra S, Gupta S. Improved family of estimators of population coefficient of variation under simple random sampling[J]. Communications in Statistics-Theory and Methods, 2024, 53(2): 727-747.
[28]

陆辉山, 王宁, 卫红梅, 等. 基于多目标粒子群算法的矩形微通道结构优化[J]. 科学技术与工程, 2022, 22(3): 1085-1090.
[29]

Lu Huishan, Wang Ning, Wei Hongmei, et al. Structure optimization of rectangular microchannel based on multi-objective particle swarm optimization[J]. Science Technology and Engineering, 2022, 22(3): 1085-1090.
[30]

Stoyanov M J, Tagliani A, Inverardi N L P. Maximum entropy criterion for moment indeterminacy of probability densities[J]. Entropy, 2024, 26(2): 121.
[31]

Schweighofer M, Vargas F L. Sum-of-squares certificates for copositivity via test states SIAM[J]. Journal on Applied Algebra and Geometry, 2024, 8(4): 797-820.
[32]

Tang D, Zheng Z, Guerrero M J. A hybrid multi-criteria dynamic sustainability assessment framework for integrated multi-energy systems incorporating hydrogen at ports[J]. International Journal of Hydrogen Energy, 2025, 99: 540-552.
[33]

Liu X, Tang L, Lu Y, et al. Energy-saving evaluation and comprehensive benefit analysis of power transmission/distribution system based on cloud model[J]. Energies, 2024, 17(14): 3522.
[34]

Dai J, Guo Q Y, Wang G Y, et al. An optimized method for variational autoencoders based on Gaussian cloud model[J]. Information Sciences, 2023, 645: 119358.
[35]

Zheng X, Liu Q, Li Y, et al. Safety risk assessment for connected and automated vehicles: integrating FTA and CM-improved AHP[J]. Reliability Engineering and System Safety, 2025, 257: 110822.
[36]

Makhloufi S, Khennas S, Bouchaib S, et al. Multi-objective cuckoo search algorithm for optimized pathways for 75% renewable electricity mix by 2050 in Algeria[J]. Renewable Energy, 2022, 185(4): 1410-1424.
[37]

Wu X, Feng Z, Yang S, et al. Safety risk perception and control of water inrush during tunnel excavation in karst areas: an improved uncertain information fusion method[J]. Automation in Construction, 2024, 163: 105421.

基金资助

国家自然科学基金(52577051)

河北省自然科学基金面上项目(G2025502010)

河北省高等学校科学研究项目(ZC2025087)

中央高校基本科研业务费面上项目(2024MS133)

PDF (11448KB)

44

访问

0

被引

详细
导航
相关文章

/

〈 〉

京ICP备05035734号-4
版权所有 © 《科学技术与工程》编辑部
地址： 北京市海淀区学院南路86号 《科学技术与工程》编辑部　邮编：100081
电话：(010)62118920 　E-mail：stae@vip.163.com
技术支持：北京玛格泰克科技发展有限公司 　
网站管理员登录