(北京金风科创风电设备有限公司 北京市 100176)
摘要：随着风力发电机在南方等恶劣地形下装机容量的增大及此类区域的风力发电机大部件的损坏的增多，因此进行精细化的研究地形对风力发电机大部件损坏的意义重大。笔者以金风某机型某一大部件机械损坏和其所在的微地形数字化为研究对象，重点通过对微地形数据进行数字化，将数字化后的信息通过数学处理和逻辑回归建模，建立微地形与风力发电机大部件的损坏逻辑回归模型，发现相关影响关系。为风力发电机大部件的损坏分析和后续优化提供的依据。
关键词：微地形、数字化、优势比、WOE变换、逻辑回归
1、问题的提出
（1）随着风电累计装机容量的持续增大，同时装机环境逐渐往南方延伸，相关外部环境越来越多样，风力发电机大部件损坏也在持续增多。在以8D的分析思路对大部件损坏的分析中，风力发电机所处的环境是分析的一个重要方面，同时在实际分析结果中，发现外部环境如地形、风速、湿度等对风力发电机的大部件故障影响显著。因此分析地形等环境对风力发电机的部件故障意义重大。
（2）当前状态下对地形的分类分析主要有：山地、丘陵、平原、沙漠等相关描述，风速采用年平均风速、湍流、切变等数据。上述数据在实际分析应用中，可进行相对粗略统计，精细化不足的缺点。因此对地形、风速进行更细化的描述，为分析对风力发电机组大部件的损坏迫在眉睫。
（3）地形图遥感技术的发展或是利用数字测绘方式得到电子地形图发展，区域级地形数字化建模技术逐渐成熟，为地形数字化服务与大部件损坏分析提供了可能。
在对风力发电机故障部件进行分析中，通过将微地形、风速等信息进行数字化表述，将数字化后特征提取，结合数字化特征，与大部件损坏分析进行关联，可以更深入和彻底的找出大部件损坏的原因及可以优化预防的方式。
2、地形采集及数字化技术
目前获取的地形数据主要为SRTM数据。同时通过对风电场级地形进行定向采集风电场的相关地形信息，结合SRTM数据进行地形填补。获取风电场微地形空间的数字化地形信息。数字化的过程就是把有关的复杂多变的信息转变为可以量化的数字、数据，然后把数字化模型转变为一系列二进制代码并引入计算机平台内，进行统一处理后形成可视化数字模型[1]。
注：SRTM(Shuttle Radar Topography Mission)即航天飞机雷达地形测绘使命。航天地形测绘是指以人造地球卫星、宇宙飞船、航天飞机等航天器为工作平台，对地球表面所进行的遥感测量。地形数字化
将地形数字化信息以机组为中心，300m为半径的圆内分成16个扇区，扇区起始0度是X轴，逆时针旋转。分别计算每个扇区的坡度、坡度等级、坡向、坡向等级、粗糙度和高程。
其中，坡度等级、坡向等级划分标准参照国际地理联合会6级坡度分类法[2],如表1.1：
表1.1 微地形数据分类详情
坡度、坡度等级、坡向、坡向等级、粗糙度和高程16个扇区共得出96个指标。
根据以上信息，进行初步相关性分析后得识别出：主风向年平均风速、主风向最大坡度、障碍物与机组的距离和主风向所属扇区也作为反应地形信息的12个关键指标，详见表1.3。
表1.2 微地形指标数据字段
表1.3 微地形指标解释
3、地形数字化与大部件损坏关联分析
鉴于风力发电机组故障的离散特征，针对某一具体故障案例，通过建立预测规则库，实现研究不确定性问题的大数据解决方案[3]。
3.1针对单一故障进行单独分析，选取金风某一机型某一大部件某单一损坏原因（后称该部件）损坏的数据进行关联分析，将不同变量与该部件损坏进行指标显著性分析，采用各个指标数据分布箱线图，定性分析微地形指标在该部件损坏上的显著性，如下图所示：
图1：该大部件损坏在地形数据上显著性分析
注：0代表未损坏，1代维损坏，
图1所示六个图，分别对主风向迎风向和背风向坡度最大值、高程差距离比及风属性做了定性分析，从图中我们不难得出以下结论：
1）主风向迎风向最大坡度，该部件在迎风向最大坡度参数上表现不是很显著；
2）主风向背风向最大坡度，与迎风向最大坡度表现一致，不再赘述；
3）主风向迎风向高程差距离比，该部件损坏数据分布高于未损坏机组；
4）主风向背风向高程差距离比，与迎风向高程差距离比表现一致，不再赘述；
5）主风向迎风向风属性，该部件损坏较显著；
6）主风向背风向风向风属性，与迎风向风属性表现一致，不再赘述；
3.2变量分析方法
1）分析指标包括主风向最大坡度、障碍物遮挡系数和主风向风属性；
2）根据各指标最小值和最大值，将数据切割为10个区间，分别计算未损坏机组和损坏机组在各区间内数据量及数据量占比概率，计算优势比的比值θ，其中优势比（Odd ratio），又称为比值比或者交叉乘积比，表示某种推测的概率比其反向推测的概率大多少，优势比odd计算公式：
，优势比的比值θ计算公式如下：
3）主风向最大坡度优势比值及数据进行逻辑回归建模：
进行logic回归建模的参数表，可以看出主风向最大坡度模型检验p值远小于0.05，通过方程检验。
表3 主风向最大坡度逻辑回归验证
回归方程为：
ln（p/(1-p)）= 0.051672*x-3.73059
图2：主风向最大坡度逻辑回归图
主风向最大坡度每增加一个单位，该部件失效概率变为原来的1.053倍，即增加5.3%。
4）障碍物遮挡物系数优势比值及数据进行逻辑回归建模：
因直接对损坏数据进行建模，未通过检验，在对原始数据进行反正切变换， 对反正切值进行Box-Cox变换，最大似然估计出参数λ=-0.1，偏度由3.4降低到0.01改变显著，即进行降偏后进行逻辑回归。数据变化验证：数据变换前后公式关系：
X=atan（1/（1-0.1*X1））^10（X1为变换后，X为变换前）
进行logic回归建模的参数表，逻辑回归建模p值0.049759，小于0.05， 可以看出经过数据变换后的障碍物遮挡系数模型检验p值远小于0.05，通过方程检验。
表3 障碍物遮挡系数逻辑回归验证
回归方程为：
ln（p/(1-p)）= 0.123*x-2.3684
图3：障碍物遮挡系数逻辑回归图
障碍物遮挡系数数值变换后，每增加一个单位，该部件失效概率增加13%。
5）主风向风属性优势比值及数据进行逻辑回归建模：
进行logic回归建模的参数表，主风向风属性模型检验p值远小于0.05，通过方程检验。
表3 障碍物遮挡系数逻辑回归验证
回归方程为：
ln（p/(1-p)）= 0.664754*x- 3.62341
图4：主风向风属性逻辑回归图
主风向风属性每增加一个单位，该部件失效概率变为原来的1.94倍，即增加94%
6）多指标综合分析建模概率评估
对多指标进行组合分析不能通过检验，将数据进行转变，将转变之前单纯的连续点估计为区间估计，将数据离散化后，再评估其对大部件损坏概率。分析数据离散化用到的方法是信用评分卡制作中经常用到的WOE数据变换，通过对数据等距离切割，计算每个区间段内损坏优势比，作为此段数据的重新编码。
参数变换后进行logic回归建模的参数表，逻辑回归建模p值均小于0.05，通过方程检验。
表3 多指标综合逻辑回归验证
回归方程：=0 -3.03
使用上述回归方程进行实际数据综合失效概率评估校：
表3 多指标综合逻辑回归验证
失效概率排名前20的机组中，实际失效17台，失效先验概率：17/20=85%。
经过上述分析，发现地形数字化后进行大数据分析，地形对风力发电机的相关大部件损坏呈现强相关性。
4、结论
1）微地形数字化具备客观条件及实际意义，通过STRM公共数据及特定区域级的测绘数据，可以很好的对微地形进行数字化描述。
2）微地形数字化的相关信息经过数据处理和数据分析，发现微地形的相关变量与风力发电机组的某大部件的损坏呈强相关性。
3）在本文分析中以金风某一机型某部件为例，主风向最大坡度，主风向风属性，障碍物遮挡系数对该部件的损坏关联关系建模，形成回归方程，该回归方程的验证准确率85%。
4）搭建一种通过对微地形数字化和风力发电机部件损坏的关联分析大数据方法，以实现对风力发电机部件损坏进行提前预防和预测的目的。
参考文献:
[1] 袁旸洋.基于耦合原理的参数化风景园林规划设计机制研究[D].东南大学，2016。
[2]刘雯. 基于BIM的风景名胜区规划范围数字化科学决策——以巫山县长江三峡风景区规划为例[D].北京林业大学，2012,42-43。
[3] 于青民. 基于大数据分析的风力发电机健康监测研究[D].山东大学，2017。
论文作者:刘健
论文发表刊物:《电力设备》2018年第32期
论文发表时间:2019/5/20
标签：地形论文; 部件论文; 风向论文; 坡度论文; 数据论文; 建模论文; 逻辑论文; 《电力设备》2018年第32期论文;