风电机组综合效率评估方法

type

status

date

slug

summary

本案要解决的技术问题是什么？

本案要解决的技术问题包括：
风力发电领域的实况设备效率评估业务技术不成熟问题；
行业信息数据设施技术问题；
集群设备效率关联性评估技术问题。详细分析如下：

设备效率评估业务技术问题

评估业务技术的问题，在风力发电领域内发电机组设备效率评估中体现以下几点：

风电场实际工况环境条件和设计环境条件差异的评估缺乏；

风电机组实际参数和设计参数是否符合的评估缺乏；

风电机组故障率、功率曲线、可利用率等重要效率参数均缺乏准确评估手段。

当前风力发电设备效率评估业务技术问题，显著降低风电机组运行状态判断的精确度，阻碍对风电场整体生产问题识别，行业内总体低估了使风电场发电量受损因素的影响程度。

本案的评估方法能在业务实践中补全评估技术缺陷，通过建立评估指标体系，结合非线性拟合数学模型集，实现生产环境因素的标准化、功率曲线、故障率、可利用率等重要效率参数的综合对比与评价。

行业信息数据设施技术问题

风电产业在过去十年间，以大规模“大赶快上”的投资方式发展起来，对设备层面的精细化信息技术体系构建较缺乏，导致产业整体数据采集标准体系不健全，运行数据质量不高，影响数字化技术在产业内推广，未形成产业数字化转型升级的良性循环机制。本案的风电场综合评价方法镶嵌了风电行业数据质量评估标准及数据治理规范的相关算法与模型，确保设备效率评估过程以数据质量无差别基础开展。

集群设备效率关联性评估技术问题

传统风电行业生产效率评估重点是风电场中单台风机的性能，缺乏对风电场，即多台设备，集群化运行条件下的关联性层面评估。风电场是多台设备有序工作的集合体，两台近距离设备效率相互影响，甚至相互抵消，完全受空气动力和机械设备载荷动态优化机制的影响。因此，全场设备效率算术平均不能代表风电场总体效率。

本案的综合评价方法的特点是通过建立多指标评价体系来完成全场效率和每单台设备效率的，在评估周期内，根据指标特性进行加权处理，评价的结果根据综合分值大小排序，从而实现全场整体效率评估以及设备集群内隐形消耗评估。

详细介绍技术背景

描述已有的与本案最相近似的实现方案。

本案中所用到的技术是主成分分析对指标进行降维后用熵值法计算各指标权重:

熵值法，用信息熵技术，信息熵是较抽象数学概念，可将信息熵理解成某种特定信息的出现概率（离散随机事件的出现概率）。一个系统越是有序，信息熵就越低；反之，一个系统越是混乱，信息熵就越高。信息熵也可以说是系统有序化程度的一个度量。

主成分分析，是一种降维方法，基本思想：指标中选择包含信息量大的维度，去除信息量少的干扰维度，通过保留尽可能少的维度来留存尽可能多的信息。

与本方案相近的方案：基于风电场多维指标分析的综合能效评估方法。

基于风电场多维指标分析的综合能效评估方法

对原始指标矩阵P中的各指标数值进行标准化，得到标准化后的指标矩阵X;求得标准化后指标矩阵X的相关矩阵;求得矩阵R的特征值λ及相应的正交化特征向量B;计算各特征值λ的贡献率，并结合标准化后的指标矩阵获取主要成份;根据贡献率及主要成份，确定综合能效评价函数，将标准化后的各指标数值代入综合能效评价函数，即可确定风电场评价排名。本发明的基于风电场多维指标分析的综合能效评估方法，给出了可应用于风电场综合能效评估的方法。

现有技术的缺点是什么？

针对这些缺点，说明本案的目的。

确定各评价指标主成分矩阵的权重系数，是本方案的核心问题，即多维综合评价问题的核心解决方法。

现有确定权重系数的方法分为三大类：

基于“功能驱动”原理的赋权法；

基于“差异驱动”原理的赋权法；

综合集成赋权法，是将主观赋权法和客观赋权法相结合，权重的确定上实现主观与客观的统一。

本方案使用的方法是“功能驱动”和“差异驱动”赋权法相结合的方法，不同于综合集成赋权法，本方案的方法是首先使用“功能驱动”原理的特征值主成分降维方法对评价指标进行降维并去除共线性，其次是对去除共线性的降维信息矩阵进行“差异驱动”原理的熵值法赋权，最终计算评价测度。本方案充分保留各指标传递的信息，又可通过人为经验知识对客观权重加以修正，而且引入主成分降维方法消除评价指标间的传递依赖。基于“功能驱动”原理的赋权法，其核心思想是根据评价指标的相对重要性来确定其权重系数，分为两类途径，主观途径和客观途径。客观途径主要有结构性、机理性的构造方法，例如：假如，风电场是由个“风电机组”构成，其构成分别为,…,,其中(=1,2,…,)为第个“风电机组”的“指标值”，那么权重系数就可以定义为：

风机组运行过程中或受环境的影响，或受评价者主观愿望的影响而呈现不同的特征，权重的确定受到影响。因此一般通过主观途径去确定权重系数，即实行根据专家主观经验对各个评价指标进行赋权的这类方法。其中方法有两种，评价者直接对各指标重要性比较进行赋权的方法为“指标偏好型”主观赋权法；评价者先对评价对象的优劣进行比较判断，再根据比较逆向信息进行赋权的方法为“方案偏好型”主观赋权法。

“指标偏好型”主观赋权法性质：

含有主观色彩，计算的权重与评价者知识结构，工作经验和偏好相关；

评价过程的透明性、再现性差；

在一定区间内，权重系数w_i(i=1,2,…,n)具有保持性和可继承性。

“方案偏好型”主观赋权法性质：

突出评价者的直觉判断力；

评价过程的透明性、再现性差；

权重系数w_i(i=1,2,…,n)依赖于模型，不具有保持性和可继承性。

与本方案最相近的实现方案用到计算特征值主成分降维确定权重，特征值法是典型的“指标偏好型”主观赋权法，由上可知，主观赋权法的权重系数是否准确，主要受评价者知识结构、工作经验和个人偏好所决定。

为了避免在确定权重系数受人为干扰，可采取另一类确定权重系数的方法——基于“差异驱动”原理的（客观）赋权法，即熵值法确定权重系数，其基本思想：权重系数应当是各个指标在指标总体中的变异程度和对其他指标影响程度的度量，赋权的原始信息应当直接来源于客观环境，可根据各指标所提供的信息量的大小来决定相应指标的权重系数。然而，熵值法涉及大量的因子和指标，每个指标都在不同程度上反映了风电机组运行状态的某些信息，但指标的共线性也破坏了数据的独立性，增加了评价方法的传递依赖，降低了评价方法的可信度和区分度。

为了避免两种方法的弊端（主成分赋权法：主成分赋权方法依赖主观因素和经验值，影响风电机组运行评价结果的客观性；熵值法赋权法：多维指标共线性，导致信息量的重叠，影响了结果的区分度和可信度），本案改进后运用主成分分析方法对风电机组的评价指标降维处理后，用熵值法的赋权方法构造新的数值评价组合法，并将这个用于实际风电机组的综合评价体系中，有效消除评价指标间的共线信息和传递依赖，并且赋权结果更加客观，在风电机组运行效率评价方面具有较好的可靠性和实用性。

本案技术方案的详细阐述

结合流程图、原理框图、电路图、时序图或其他结构图纸进行说明。

发明内容：

为实现本发明的目的，本发明采用的技术方案为：基于风电机组多维指标分析的综合运行效率评价方法，其特征的于，包括如下步骤：

对风电机组统计期间内指标矩阵进行标准化处理，得到标准化后的指标矩阵；

求得标准化后指标矩阵的相关矩阵;

求得矩阵的特征值及相应的正交化特征向量;

计算各特征值的贡献率，并结合标准化后的指标矩阵获取主要成份矩阵;

标准化后对求得信息熵为；

通过信息熵计算各指标的权重矩阵；

根据各指标的权重计算出综合评价分数，最终就能确定风电机组评价排名；

进一步地，构建原始指标矩阵A的表达式如下：

其中指标矩阵行数为风机个数,列数为指标个数。

进一步地，步骤1)采用Max-Min方法对矩阵数据进行标准化变换有：

对负向指标（越小越好的故障型指标）进行如下线性变换：

得到标准化后的指标矩阵X，表达式如下：

进一步地，步骤3)计算标准化后的指标矩阵X指标间的相关系数，构造相关矩阵Y，其中为指标与的相关系数，。

进一步地，步骤4）计算相关矩阵Y的特征根,即为各主成分的方差，m为主成分的个数，u。个特征值按照从大到小排列，即：

相应的正交特征向量如下：

进一步地，计算各特征值的贡献率，如下：

进一步地，根据累计特征值贡献率α来选取主要成分：

进一步地，设定累计特征值贡献率为85%，当前k个累计特征值贡献率，停止计算，取个主成分如下：

进一步地，步骤5)采用Min-Max法对主成分数据矩阵X'进行线性变换。对正向指标（越大越好的效益型指标）进行如下线性变换：

对负向指标（越小越好的故障型指标）进行如下线性变换：

进一步地，根据计算公式得到数据矩阵，表达式如下：

继续根据计算公式}得到信息熵矩阵E如下：

进一步地，步骤7)根据权重矩阵W，最终的综合评级分数计算方法如下：

本发明所达到的有益效果：本发明的基于风机多维指标分析的综合运行效率评价方法，给出了可应用于风机组综合运行效率的评价方法。该方法不再以单一的指标作为评价的判断依据，而是将多维指标作为评价输入，对各指标的权重进行综合计算，给出风机组的综合运行效率评价结果。有效消除评价指标间的共线信息和传递依赖，并且赋权结果更加客观，在风电机组运行效率评价方面具有较好的可靠性和实用性。

具体实施方式

步骤一：对一个风电场n个风电机组，选取m个指标进行运行效率分析，构建指标矩阵如下：

本实例对某个风电场131台风机12个指标进行运行效率分析，选取参与评价的指标矩阵A：

步骤二：对指标矩阵A各指标值采用Max-Min标准化方法后，建立标准化的指标矩阵X如下：

本实例采用Max-Min标准化方法后的指标矩阵：

步骤三：计算标准化后的指标矩阵X指标间的相关系数，构造相关矩阵：

步骤四：对相关矩阵进行正交特征向量计算，得到结果如下：

以及特征值贡献度和累积贡献度计算：

根据设定累积特征值贡献率，获得其中主成分是4个，得到如下4个主成分向量：

步骤五：对11个主成分向量进行Min-Max标准化处理，得到标准化后正交向量矩阵如下：

进一步地，根据计算公式求出矩阵P如下：

继续根据计算公式求得矩阵各主成分的熵值E如下：

本实例的计算的熵值P矩阵：

本实例的信息熵矩阵E：

步骤六：根据计算公式，求得各指标权重矩阵W如下：

本实例的权重矩阵W为：

将标准化后的指标矩阵X的值代入式中，最终得分及排名：

风机编号	综合评分	排名	风机编号	综合评分	排名	风机编号	综合评分	排名
A01	72.16	39	B12	94.07	10	C24	78.10	19
A02	70.96	40	B13	62.69	113	C25	69.59	50
A03	78.15	18	B14	67.64	74	C26	67.32	77
A04	73.17	35	B15	66.70	81	C27	94.85	8
A05	70.76	41	B16	62.82	111	C28	65.75	92
A06	44.00	131	B17	63.80	101	C29	68.87	58
A07	61.07	122	B18	63.65	104	C30	67.77	69
A08	75.62	26	B19	66.65	82	C31	69.75	46
A09	75.44	28	B20	62.30	117	C32	67.74	71
A10	72.62	37	B21	64.55	99	C33	65.42	94
A11	75.74	25	B22	62.89	110	D01	73.81	34
A12	75.31	30	B23	92.16	11	D02	69.62	49
A13	74.04	32	B24	61.73	119	D03	67.79	67
A14	94.21	9	B25	61.85	118	D04	67.71	72
A15	69.46	53	B26	59.61	129	D05	67.92	66
A16	69.29	54	B27	62.55	116	D06	68.82	59
A17	68.71	62	B28	85.15	14	D07	60.84	125
A18	88.57	13	B29	62.71	112	D08	66.36	86
A19	75.99	24	B30	61.71	120	D09	63.72	102
A20	78.26	17	B31	63.50	107	D10	96.94	5
A21	77.25	21	B32	65.34	95	D11	60.45	127
A22	89.15	12	B33	66.59	83	D12	68.39	64
A23	53.35	130	C01	66.51	84	D13	60.89	124
A24	81.25	16	C02	69.11	57	D14	97.20	3
A25	74.02	33	C03	61.21	121	D15	69.51	52
A26	75.25	31	C04	98.22	2	D16	67.32	78
A27	76.42	23	C05	64.95	97	D17	70.36	44
A28	76.95	22	C06	69.23	55	D18	77.59	20
A29	96.95	4	C08	70.30	45	D19	72.89	36
A30	65.97	89	C09	70.45	43	D20	69.65	47
A31	81.61	15	C10	67.67	73	D21	68.40	63
A32	69.18	56	C11	66.80	80	D22	67.62	75
A33	75.31	29	C12	66.49	85	D23	67.04	79
B01	63.66	103	C13	69.63	48	D24	62.62	115
B02	63.16	109	C14	95.06	7	D25	67.97	65
B03	96.94	6	C15	59.88	128	D26	67.79	68
B04	67.77	70	C16	68.77	60	D27	99.00	1
B05	60.53	126	C17	65.85	91	D28	67.60	76
B06	62.64	114	C18	65.18	96	D29	68.72	61
B07	60.95	123	C19	64.62	98	D30	69.53	51
B08	63.22	108	C20	70.49	42	D31	72.21	38
B09	63.60	105	C21	66.28	88	D32	64.36	100
B10	63.54	106	C22	65.71	93	D33	66.30	87
B11	65.96	90	C23	75.46	27	ㅤ	ㅤ	ㅤ

以上所述仅是本发明的优选实施方式，应对指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

本案的关键点和欲保护点是什么？

关键点：本发明对风机组的综合指标计算权重及计算综合评价值的方法，使的对机组的评价结果更具客观性和消除评价指标间的共线导致的信息重叠。

保护点：本发明对风机组指标数据的权重计算以及综合效率评价函数的确定，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

与第2条所属的最好的现有技术相比,本案有何优点

第2条所属的最好的现有技术主要受评价者知识结构、工作经验和个人偏好所决定。本发明引入了信息熵的熵值法，权重系数是各个指标在指标总体中的变异程度和对其他指标影响程度的度量，赋权的原始信息应当直接来源于客观环境，可根据各指标所提供的信息量的大小来决定相应指标的权重系数。但指标的共线性也破坏了数据的独立性，增加了评价方法的传递依赖，降低了评价方法的可信度和区分度。

本案描述的风机综合效率评估方法应用的突出优点还有一下几点：

对风电场整体和风机设备集群进行系统的描述，加强评估技术水平，并对评价对象进行了聚类，能够精准的有效的评价风电场的运行状况，为运维运营提供运营决策，进一步完善风电场运行状况，逐步实现降本增效的运营策略；

对风电场整体和风机设备集群的复杂表现进行层次分析，对各个指标进行特征值主成分降维并对信息矩阵信息量差异程度和对其他指标的影响信息进行了度量，消除了评价方法的传递依赖，增加了评价方法的可信度和区分度；

对风电场整体和风机设备集群的状态进行综合测定，有效的体现定量分析和定性分析相结合的方法，消除了评价者的人为干扰因素占主导的情况，并使评价结果结合客观原始信息。

本案所设技术组认为，通过提高在运风电场单台设备效率评估效益，将从多角度提升风电场电量，改善尾流影响导致电量损失，补偿微观选址层面限定的资源利用水平，显著推动风电行业持续高质量发展。

若您有更好的见解，请您在评论区评论！