不确定问题在风力发电机故障诊断中的研究

侯　爽（长春科技学院，吉林 长春 132012）

不确定问题在风力发电机故障诊断中的研究

侯爽
（长春科技学院，吉林 长春 132012）

风力发电机故障诊断往往通过测试手段和诊断理论对风力发电机的运行状况进行推理，找到故障机理及原因，但实际采集到的数据信息大多在不确定因素工况工作下采集的，又由于风力发电机本身设备结构的复杂性、运行环境的恶劣性，使得风力发电机的故障表现与故障原因之间不是简单的映射关系。存在着各种随机的、模糊的、不确定的因素，针对不确定性，目前有很多不确定理论和方法用来解决风力发电机故障诊断的问题。

传统风力发电机；故障诊断方法

1 引言

世界面临着能源短缺的问题，学者们对新能源的探索从来没有停止，风力发电在大形势下也迅猛发展，由于风里发电机结构的复杂性，内部结构错综交错，元件之间相互联系、相互耦合，使发电机在运行时会出现很多故障，而得到的各种形式的故障信息又具有自耦合性、不精确性、模糊性的特点，使得传统的故障诊断方法的应用就有了一定的局限性，新的针对不确定问题的诊断方法也应运而生。

2 传统风力发电机故障诊断方法

（1）系统可靠性框图

系统可靠性框图是一种从可靠性的角度出发，来研究系统和部件之间的逻辑关系，可以表示各部分元件与总系统状态之间的关系。

（2）故障树分析

故障树故障诊断方法，其安全性和可靠性都很高，是根据故障形成的原因和结构形成的倒树状的结构，故障树上的事件可分为顶事件、中间事件和底事件，其中顶事件是系统不希望发生的事件，底事件和中间事件的发生影响着顶事件的发生，将三个事件之间根据一定的逻辑门关系，就构成了故障树，故障熟的实质是反映信息间因果关系的结构图。

（3）传统的专家系统的故障诊断方法

传统的专家系统是指在专门领域上通过知识获取手段，将领域专家能解决的领域问题编辑和生成知识库，并建立人机交互界面，使用户可以像专家一样诊断困难和无法自己解决的复杂问题。上述几种方法在一段时间内解决了风力发电机的故障，但随之风力发电机装机容量的增加，结构复杂程度的增加，这些传统的方法很难解决由于系统复杂性引起数据信息模糊性、不确定性、自耦合性的问题，使得对于风力发电机故障诊断的难度增大，因而引进对于此类因素所引起故障的研究。

3 不确定问题风力发电机故障诊断方法

不确定性问题一直制约着风力发电机故障诊断的发展，下面介绍现代对于风力发电机系统运行存在的不确定性、模糊性所提出的一系列诊断方法。

（1）粗糙集故障诊断

以风力发电机振动数据的采集，结合国内外风力发电机数据，得到风力发电机故障样本模型数据库，将数据库应用粗糙集方法形成决策表，对决策表进行分类、约简、形成核，得到最优决策表，最终在保持决策能力不变的情况下，剔除冗余属性，使得故障诊断更加快速和实时。

（2）模糊集故障诊断

风力发电机实际运行状态往往介于正常与非故障状态，是一个不断变化的过程，因而设备所表现的出来的状态和征兆是一类模糊的数值，可运用模糊集进行模糊故障诊断，模糊集中的隶属函数和模糊关系矩阵建立模糊诊断数学模型，来描述故障和征兆之间的模糊关系，来实现对于风力发电机的故障诊断。

（3）贝叶斯网络故障诊断

贝叶斯网络模型能够有效降低网络结构的复杂性，降低故障特征获取的难度，贝叶斯网络实现概率推理更简便的描述风力发电机故障特征的变化，以及对风力发电机产生故障的原因进行分析。将风力发电机振动数据的特征量及变量与系统模型之间对应的映射关系建立贝叶斯网络，针对风里发电机工作原理及故障结构特征，建立风力发电机故障信息贝叶斯网络模型，提出了可以不断进行学习并且准确率更高的在线式贝叶斯网络故障诊断学习方法。

（4）随机集故障诊断

建立故障构造的论域并在超幂集上定义随机集，根据已经建立的故障信息样板与待检测信息找到模糊隶属度函数，利用随机集的信任测度和似真测度对待检测信息和故障信息样板进行匹配，并将匹配程度作为诊断的依据。

（5）现代专家诊断系统

与传统专家系统相比，注入了新的技术，包括神经网络、模糊技术、D-S证据理论、信息论等。由于新注入技术的特点和传统专家本身有的特点，使得现代专家系统可以处理由于风力发电机运行条件复杂所致使的信息数据的模糊性、随机性和不确定性问题。

（6）小波分析故障诊断方法

在傅里叶分析的方法上发展起来，此方法在时域和频域上都有其优越的性能，小波变换可以用来检测信号的不规则点来对整个系统的工作状况进行判断。

（7）神经网络的故障诊断方法

人工智能网络有很多优点，包括容错性、自适应性、鲁棒性、自学习性等，在故障诊断方面也有一定的优越性，可以提供行之有效的方法和解决故障的途径。在故障诊断系统中神经网络系统，一般包括两个阶段，训练学习阶段和诊断匹配阶段。

（8）多方法相结合的故障诊断方法

随着科学和技术水平的不断提高，传统的单一的故障诊断方法已经不能够满足人们对复杂系统的故障诊断，研究者不断的尝试将多种智能诊断方法相结合，来寻找更好的诊断方法，一些诊断方法结合后可以互补在各自方法中存在的不足，并将各自方法的优点发挥到最好。以下为结合的故障诊断方法。

（a）模糊类：模糊K-紧邻、模糊诊断专家系统、模糊神经网络、模糊自适应、故障树等；

（b）粗糙类：粗糙神经网络、人工鱼群优化粗糙集、粗糙集与支持向量机、粗糙集与粒子群优化BP网络、粗糙集与证据理论等；

（c）贝叶斯类：贝叶斯与粗糙集、贝叶斯网络融合算法、联结树贝叶斯网络、模糊贝叶斯等；

（d）随机集类：随机集含糊证据、模糊随机集、随机集与条件证据、Dempster-Shafer证据理论等。

结语

本文从多方面介绍了风力发电机运行中针对自耦合性、不确定性、模糊性的信息进行诊断的方法，根据诊断数据的不同选取合适的诊断方法，达到更好的诊断效果，并阐述由于风力发电机故障信息的复杂性，多种方法融合的故障诊断方法有一定的优越性。随着新技术新发放的不断出现，对于风力发电机故障诊断的方法也会越来越完备、合理。

[1]余维.变电站故障诊断的事件不确定性问题研究[J].电力系统保护与控制，2012 （08）.

TH12

A