鄭小霞，李美娜，王 靖，任浩翰，符 楊

?

基于PSO優(yōu)化核主元分析的海上風(fēng)電機(jī)組運(yùn)行工況分類

鄭小霞1，李美娜1，王 靖2，任浩翰2，符 楊1

(1.上海電力學(xué)院自動(dòng)化工程學(xué)院，上海 200090；2.上海東海風(fēng)力發(fā)電有限公司，上海 200090)

海上風(fēng)電機(jī)組運(yùn)行環(huán)境復(fù)雜多變，對(duì)其工況進(jìn)行分類可以提高機(jī)組運(yùn)行健康狀態(tài)評(píng)價(jià)的準(zhǔn)確性，為制定合理的運(yùn)行維護(hù)策略提供可靠依據(jù)。提出一種基于PSO優(yōu)化核主元分析(KPCA)的多參數(shù)工況分類方法。針對(duì)核函數(shù)參數(shù)難以確定的問(wèn)題，綜合考慮類內(nèi)散度和類間散度構(gòu)建優(yōu)化核參數(shù)的適應(yīng)度函數(shù)，應(yīng)用PSO算法對(duì)其進(jìn)行尋優(yōu)，將優(yōu)化后的KPCA用于數(shù)據(jù)的特征提取，在此基礎(chǔ)上采用模糊C-均值聚類(FCM)建立分類模型。通過(guò)對(duì)UCI數(shù)據(jù)庫(kù)中的三組實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分類驗(yàn)證了該方法的有效性。最后，應(yīng)用該方法對(duì)某海上風(fēng)電場(chǎng)實(shí)測(cè)數(shù)據(jù)進(jìn)行工況分類，并與PCA+FCM、KPCA+FCM兩種方法進(jìn)行比較。結(jié)果表明，提出方法的分類結(jié)果優(yōu)于其他兩種，能夠得到清晰準(zhǔn)確的分類結(jié)果，利于分工況建立準(zhǔn)確的機(jī)組運(yùn)行健康狀態(tài)評(píng)價(jià)模型。

海上風(fēng)電機(jī)組；工況分類；PSO；核主元分析；類別可分性；模糊C-均值聚類

0 引言

隨著風(fēng)電資源的大規(guī)模開(kāi)發(fā)，海上風(fēng)電因具有風(fēng)能資源能量效益高，海上風(fēng)湍流強(qiáng)度小，不占用寶貴的土地資源等優(yōu)勢(shì)在全球范圍內(nèi)得到大力發(fā)展。風(fēng)電機(jī)組運(yùn)行狀態(tài)具有復(fù)雜多變的特點(diǎn)，而海上風(fēng)電機(jī)組面臨著強(qiáng)風(fēng)載荷、海水腐蝕和波浪沖擊等更加惡劣的運(yùn)行環(huán)境[1]，機(jī)組的運(yùn)行工況更加復(fù)雜多變，并且風(fēng)機(jī)故障率較高，一旦故障停運(yùn)時(shí)間更長(zhǎng)，因此機(jī)組的運(yùn)行維護(hù)成本更大、難度更高。通常，運(yùn)行維護(hù)成本約占海上風(fēng)電場(chǎng)總投資的15%~30%。對(duì)機(jī)組運(yùn)行工況進(jìn)行分類，有利于針對(duì)不同工況做出相應(yīng)的客觀評(píng)價(jià)，制定合理的運(yùn)行維護(hù)策略，降低運(yùn)行維護(hù)成本。目前，關(guān)于風(fēng)電機(jī)組工況分類的研究文獻(xiàn)很少，文獻(xiàn)[2]考慮單一參數(shù)根據(jù)風(fēng)速劃分風(fēng)電機(jī)組運(yùn)行工況，文獻(xiàn)[3]克服了單一參數(shù)的缺陷，針對(duì)機(jī)組振動(dòng)監(jiān)測(cè)閾值的設(shè)定進(jìn)行工況劃分的研究，提出了基于數(shù)據(jù)采集與監(jiān)控系統(tǒng)(Supervisory control and data acquisition，SCADA)數(shù)據(jù)和支持向量機(jī)的多運(yùn)行參數(shù)運(yùn)行工況劃分方法，文獻(xiàn)[4]考慮機(jī)組運(yùn)行工況提出一種基于工況辨識(shí)的機(jī)組健康狀態(tài)實(shí)時(shí)評(píng)價(jià)方法，由于文獻(xiàn)中主要研究評(píng)價(jià)方法，并沒(méi)有過(guò)多考慮工況劃分的效果，且以上都是對(duì)陸上風(fēng)電機(jī)組的研究，對(duì)海上風(fēng)電機(jī)組的研究更少。核主元分析(Kernel principal component analysis，KPCA)利用非線性變換將輸入數(shù)據(jù)空間映射到高維特征空間，然后在高維空間使用主元分析(Principal component analysis，PCA)方法提取非線性主元[5]，該方法已在處理實(shí)際的非線性問(wèn)題中取得了較好的效果。核主元分析應(yīng)用中的關(guān)鍵問(wèn)題是核參數(shù)的選擇，但目前還沒(méi)有太多的理論作指導(dǎo)，研究如何針對(duì)實(shí)際問(wèn)題選擇客觀合理的核參數(shù)具有重要意義。傳統(tǒng)的KPCA在選取主元時(shí)考慮的是盡可能保留原始信息，但對(duì)于分類問(wèn)題并沒(méi)有充分考慮到類別信息的最大化，數(shù)據(jù)降維后不一定能夠得到較適于分類的成分。粒子群算法(Particle swarm optimization，PSO)是基于群體智能理論的優(yōu)化算法，目前已廣泛應(yīng)用于函數(shù)優(yōu)化、數(shù)據(jù)挖掘等領(lǐng)域[6-8]。為此，本文提出了一種基于PSO優(yōu)化核主元分析的海上風(fēng)電機(jī)組運(yùn)行工況分類方法，PSO優(yōu)化核參數(shù)時(shí)，不僅考慮保留大量原始信息，而且盡量使所選主元的類別信息最大化，將核主元分析提取的特征集作為模糊C-均值聚類算法的輸入，建立海上風(fēng)電機(jī)組運(yùn)行工況分類模型。

1 核主元分析的基本原理

核主元分析是主元分析的非線性推廣，其基本思想是通過(guò)一個(gè)非線性變換，將輸入數(shù)據(jù)空間中的個(gè)樣本(=1, 2,,)，映射到高維特征空間中，得到高維空間的樣本點(diǎn)(1),(2),,()，樣本中心化得到()，再利用主元分析提取主元，實(shí)現(xiàn)非線性數(shù)據(jù)降維。

中心化后數(shù)據(jù)的協(xié)方差矩陣為

對(duì)應(yīng)的特征方程為

(2)

(4)

(6)

由于為對(duì)稱陣，則上式可簡(jiǎn)化為

(8)

通過(guò)對(duì)上式的求解，即可得到要求的特征值和特征向量，歸一化特征向量后，可得樣本在空間中第個(gè)主成分，即在向量上的投影。

上述過(guò)程假設(shè)數(shù)據(jù)已中心化，但一般情況下中心化是不成立的，因此用代替：

(10)

核主元分析是利用核函數(shù)內(nèi)積運(yùn)算實(shí)現(xiàn)數(shù)據(jù)的非線性映射，而無(wú)需關(guān)注具體映射形式。常用核函數(shù)如下。

多項(xiàng)式函數(shù)：

高斯徑向基核函數(shù)：

(12)

Sigmoid函數(shù)：

研究表明，Sigmoid核函數(shù)在特定參數(shù)下與徑向基核函數(shù)具有類似的特性，且徑向基核函數(shù)預(yù)測(cè)速度和精度在處理大多實(shí)際問(wèn)題中優(yōu)于其他函數(shù)，故本文采用高斯徑向基核函數(shù)。對(duì)于高斯徑向基核函數(shù)，影響其應(yīng)用結(jié)果的重要因素是核參數(shù)。

2 基于PSO優(yōu)化的核主元分析

粒子群算法是一種有效的全局尋優(yōu)算法，由Kennedy 和Eberhart于1995年提出[9-10]。本文采用帶收縮因子和慣性權(quán)重線性遞減的PSO算法進(jìn)行核參數(shù)優(yōu)化，加快收斂速度并防止陷入局部最優(yōu)，其數(shù)學(xué)表達(dá)式為

(15)

(16)

本文將核主元分析特征提取的結(jié)果作為工況分類模型的輸入，因此在優(yōu)化核參數(shù)時(shí)，不僅考慮提取的特征向量集保留的原始信息量，同時(shí)考慮該向量集所具有的類別信息，選取出既能夠反映原信息又有利于分類的核參數(shù)和特征向量集。

2.1 類別可分性判據(jù)

傳統(tǒng)的KPCA進(jìn)行特征提取時(shí)，通常選取累積貢獻(xiàn)率大于85%的前個(gè)主元構(gòu)成特征向量集，認(rèn)為能夠與原數(shù)據(jù)有較高的一致性，即只考慮提取的主元是否保留了大量的原始信息，但是保留的信息量多并不一定是最有利于實(shí)際問(wèn)題分析，對(duì)于模式分類數(shù)據(jù)還應(yīng)盡可能的提取出類別信息大的特征向量集。類別可分性判據(jù)可以衡量提取的特征向量對(duì)分類的貢獻(xiàn)大小，即具有的類別信息的大小?；陬悆?nèi)類間距離的可分性判據(jù)是一種常用的類別可分性判據(jù)。對(duì)于分類結(jié)果，我們希望類內(nèi)距離越小越好，類間距離越大越好，可以用類內(nèi)離散度和類間離散度用來(lái)度量類內(nèi)距離和類間距離，為此構(gòu)造能反映類內(nèi)距離和類間距離的準(zhǔn)則函數(shù)。

總的類內(nèi)離散度矩陣為

(18)

類間離散度矩陣為

式中：是樣本總數(shù)；n是類的樣本個(gè)數(shù)；m是類的樣本集均值向量；是所有樣本集均值向量。

本文采用一種用離散度矩陣給出的基于類內(nèi)類間距離的可分性判據(jù)：

J越大表示特征向量的可分性越好，具有的類別信息越大。

2.2 PSO優(yōu)化核參數(shù)模型

本文采用模糊C-均值聚類實(shí)現(xiàn)工況的分類。模糊聚類引入模糊隸屬度，具有描述樣本中間性的優(yōu)點(diǎn)，能夠客觀的反映實(shí)際。其中應(yīng)用最廣泛的是基于目標(biāo)函數(shù)的模糊C-均值聚類算法[11-12]。設(shè)個(gè)聚類中心為={1,2,,}，全部個(gè)樣本的聚類情況由一個(gè)隸屬度矩陣描述，

式中，u為第個(gè)樣本歸屬于第類的隸屬度。

模糊C-均值聚類按照如下準(zhǔn)則和約束條件聚類，得到最優(yōu)的模糊分類[12]：

(23)

式中：>1是加權(quán)指數(shù)；‖-‖為樣本與聚類中心之間的距離，一般為歐式距離。

結(jié)合可分性判據(jù)，綜合考慮類別可分性和保留原信息量，建立PSO優(yōu)化核函數(shù)參數(shù)模型，具體步驟如下：

(1) 初始化粒子群各參數(shù)；

(2) 在解空間內(nèi)初始化粒子的位置和速度；

(3) 計(jì)算粒子個(gè)體適應(yīng)度值：每個(gè)粒子進(jìn)行一次核主元分析，選取前3個(gè)主元，如果累積貢獻(xiàn)率大于85%則進(jìn)行一次模糊C-均值聚類，按式(20)計(jì)算粒子的適應(yīng)度值，否則，適應(yīng)度值直接賦值為極小值。

(4) 比較粒子當(dāng)前適應(yīng)度值p和其自身歷史最優(yōu)解best，如果best≤p更新個(gè)體最優(yōu)解best=p。

(5) 比較粒子當(dāng)前適應(yīng)度值p和種群最優(yōu)解best，如果best≤p，更新種群最優(yōu)解best=p。

(6)按式(14)、式(15)更新粒子的速度和位置，按式(16)更新慣性權(quán)重。

(7) 判斷迭代次數(shù)是否達(dá)到終止條件，如果

從以上步驟可以看出，PSO在優(yōu)化核參數(shù)時(shí)，只考慮累積貢獻(xiàn)率達(dá)到85%以上的粒子，保留了大量的原始信息，同時(shí)以聚類后可分性判據(jù)作為PSO 優(yōu)化的適應(yīng)度函數(shù)，考慮了聚類后提取的各主元對(duì)分類的貢獻(xiàn)大小，選取有利于分類的主元。因此，PSO優(yōu)化后可以得到既保留了大量的原信息又有利于工況分類的核參數(shù)?；诹Ｗ尤簝?yōu)化核參數(shù)的流程圖如圖1所示。

圖1 PSO優(yōu)化核參數(shù)流程圖

將PSO優(yōu)化后的核主元分析提取得到的特征向量集作為模糊C-均值聚類的輸入，可以實(shí)現(xiàn)數(shù)據(jù)的分類，為了驗(yàn)證方法的有效性，本文采用3組實(shí)驗(yàn)數(shù)據(jù)進(jìn)行了分類實(shí)驗(yàn)，數(shù)據(jù)來(lái)源于UCI的Seeds Data Set，Gesture Segmentation Data Set，Leaf Data Set，為了便于觀察將數(shù)據(jù)統(tǒng)一降到3維，這3組數(shù)據(jù)都是可以用來(lái)聚類的，降維的目標(biāo)是提取有效的類別信息得到類別分明的數(shù)據(jù)，在圖中表現(xiàn)即為類別清晰。3組數(shù)據(jù)的維數(shù)分別是7維、18維、16維，得到的分類結(jié)果如圖2~圖4所示。

由上面的分類圖可以看到，PSO優(yōu)化后的核主元分析提取不同維數(shù)數(shù)據(jù)的特征向量集后，通過(guò)模糊C-均值聚類算法進(jìn)行分類基本都可以得到類別清晰的分類結(jié)果，這主要是因?yàn)镻SO優(yōu)化核參數(shù)時(shí)考慮了類別可分性，提取出既保留大量的原始信息又同時(shí)得到具有最大類別信息的數(shù)據(jù)。

圖2 Seeds Data Set分類圖

圖3 Gesture Segmentation Data Set分類圖

圖4 Leaf Data Set分類圖

3 海上風(fēng)電機(jī)組運(yùn)行工況分類建模

3.1 運(yùn)行工況特征參數(shù)選取

合理的工況分類對(duì)機(jī)組運(yùn)行健康狀態(tài)評(píng)價(jià)結(jié)果有重要的影響，而正確選擇機(jī)組運(yùn)行狀態(tài)特征參數(shù)是得到合理工況分類的必要條件。通常情況下海上風(fēng)電場(chǎng)均采用遠(yuǎn)程監(jiān)測(cè)系統(tǒng)(SCADA系統(tǒng))對(duì)風(fēng)電場(chǎng)的情況進(jìn)行實(shí)時(shí)監(jiān)測(cè)，SCADA系統(tǒng)采集包括風(fēng)速、有功功率、齒輪箱溫度等幾十個(gè)與風(fēng)機(jī)運(yùn)行狀態(tài)相關(guān)的參數(shù)，根據(jù)各因素對(duì)風(fēng)電機(jī)組運(yùn)行狀態(tài)的影響可將這些參數(shù)分為機(jī)組性能特征參數(shù)和外界環(huán)境特征參數(shù)[13]。其中，反映機(jī)組性能的參數(shù)主要包括齒輪箱、發(fā)電機(jī)、控制柜、機(jī)艙等相關(guān)參數(shù)，外界環(huán)境因素參數(shù)主要包括風(fēng)速、環(huán)境溫度等參數(shù)。通過(guò)對(duì)歷史運(yùn)行數(shù)據(jù)的關(guān)聯(lián)分析可以看到，環(huán)境溫度、風(fēng)速和轉(zhuǎn)速對(duì)機(jī)艙溫度、繞組溫度等參數(shù)具有明顯的影響，其相互關(guān)系曲線如圖5~圖7所示。

圖5中可以看到反映機(jī)組性能的機(jī)艙溫度和塔筒柜溫度受環(huán)境溫度影響明顯，呈現(xiàn)近似線性關(guān)系，均隨著環(huán)境溫度的增大而增大，因此在工況分類時(shí)需要考慮環(huán)境溫度的影響。

圖5 機(jī)艙溫度和塔筒柜溫度與環(huán)境溫度的關(guān)系

圖6 繞組最高溫度與發(fā)電機(jī)轉(zhuǎn)速的關(guān)系

圖6中繞組最高溫度隨著發(fā)電機(jī)轉(zhuǎn)速的增大而有所升高，可以看出實(shí)測(cè)的繞組最高溫度分布是一條寬帶。

圖7 發(fā)電機(jī)有功功率與風(fēng)速的關(guān)系

圖7是機(jī)組的功率特性曲線，由圖中看到當(dāng)風(fēng)速低于額定風(fēng)速時(shí)，風(fēng)機(jī)處于功率增加階段，有功率隨風(fēng)速增大而增大；當(dāng)風(fēng)速在額定風(fēng)速至切出風(fēng)速之間時(shí)，風(fēng)機(jī)保持輸出功率恒定。該曲線是考核機(jī)組性能、評(píng)估機(jī)組發(fā)電能力的一項(xiàng)重要指標(biāo)，通過(guò)比較實(shí)測(cè)的功率特性曲線與制造商提供的功率特性曲線可以評(píng)估機(jī)組的實(shí)際運(yùn)行性能。

綜上，環(huán)境溫度、有功功率、風(fēng)速和發(fā)電機(jī)轉(zhuǎn)速應(yīng)該作為工況分類的特征參數(shù)。另外，齒輪箱和發(fā)電機(jī)軸承是風(fēng)電機(jī)組中故障高發(fā)的部件，因此，本文選取齒輪箱油溫、發(fā)電機(jī)軸承溫度、環(huán)境溫度、有功功率、風(fēng)速和發(fā)電機(jī)轉(zhuǎn)速6個(gè)關(guān)鍵參數(shù)建立機(jī)組工況分類模型。

3.2 建立運(yùn)行工況分類模型

本文提出的基于PSO優(yōu)化核主元析的海上風(fēng)電機(jī)組運(yùn)行工況分類模型的框圖如圖8所示。

圖8 海上風(fēng)電機(jī)組運(yùn)行工況分類框圖

具體實(shí)現(xiàn)步驟如下：

(1) 數(shù)據(jù)的預(yù)處理，采集SCADA歷史數(shù)據(jù)，合理選取數(shù)據(jù)，進(jìn)行標(biāo)準(zhǔn)化處理；

(2) 運(yùn)行工況參數(shù)特征提取，利用PSO優(yōu)化高斯核函數(shù)參數(shù)，得到最優(yōu)的核參數(shù)，進(jìn)行核主元分析提取特征向量，得到新的主元變量集；

(3) 工況分類，將得到的主元變量集作為模糊C-均值聚類的輸入，得出工況分類結(jié)果。

4 實(shí)例分析

為了驗(yàn)證工況分類模型的有效性，本文采用某海上風(fēng)電場(chǎng)SCADA系統(tǒng)采集的機(jī)組運(yùn)行數(shù)據(jù)進(jìn)行分類實(shí)驗(yàn)。該風(fēng)電場(chǎng)采集的數(shù)據(jù)包含風(fēng)速、環(huán)境溫度、機(jī)艙溫度、有功功率、發(fā)電機(jī)軸承溫度、繞組溫度、齒輪箱油溫等31個(gè)運(yùn)行參數(shù)，本文選取某一臺(tái)3 MW風(fēng)電機(jī)組2012年1月至12月的正常運(yùn)行數(shù)據(jù)，該機(jī)組的額定參數(shù)如表1所示。

表1 風(fēng)電機(jī)組額定參數(shù)

從中選取由齒輪箱油溫、發(fā)電機(jī)軸承溫度、環(huán)境溫度、有功功率、風(fēng)速和發(fā)電機(jī)轉(zhuǎn)速6個(gè)參數(shù)構(gòu)成的特征參數(shù)集，選取208組數(shù)據(jù)(去除壞點(diǎn))，在選取數(shù)據(jù)時(shí)參考IEC標(biāo)準(zhǔn)中風(fēng)電機(jī)組功率特性測(cè)試要求[14]，選取風(fēng)速范圍為低于切入風(fēng)速1 m/s至切出風(fēng)速，得到所選數(shù)據(jù)的風(fēng)速范圍為2.64~ 24.36 m/s，幾乎覆蓋了此臺(tái)機(jī)組的絕大多數(shù)運(yùn)行工況。

將選取的數(shù)據(jù)按4中步驟實(shí)現(xiàn)工況分類。其中，PSO優(yōu)化核函數(shù)參數(shù)時(shí)各參數(shù)設(shè)定如表2所示。

表2 粒子群算法(PSO)參數(shù)設(shè)定表

其中，核參數(shù)范圍是經(jīng)過(guò)多次試驗(yàn)，將范圍由大到小逐漸縮小，以保證能夠?qū)さ米顑?yōu)解。

圖9是PSO優(yōu)化核參數(shù)時(shí)適應(yīng)度函數(shù)隨迭代次數(shù)進(jìn)化過(guò)程，圖10是KPCA的累積貢獻(xiàn)率隨迭代次數(shù)變化曲線，由圖中看出優(yōu)化時(shí)只考慮了累積貢獻(xiàn)率達(dá)到85%以上的核參數(shù)值，得到最優(yōu)的核參數(shù)1.862 1。

圖9 PSO優(yōu)化核參數(shù)時(shí)適應(yīng)度變化曲線

圖10 PSO優(yōu)化核參數(shù)時(shí)累積貢獻(xiàn)率變化曲線

表3給出PSO優(yōu)化的核主元分析結(jié)果，可以看到，前3個(gè)主元的累積貢獻(xiàn)率達(dá)到了87.24%，選取新主元保留了原數(shù)據(jù)的大部分信息，可以代替原始的31維數(shù)據(jù)。

為體現(xiàn)本文所提方法的優(yōu)越性，分別采用三種方法進(jìn)行分類試驗(yàn)。分別是PCA+FCM、KPCA+ FCM及PSO-KPCA+FCM，采用KPCA+FCM時(shí)核參數(shù)分別取1、3和3.5，實(shí)驗(yàn)得到的分類結(jié)果如圖11~圖15所示。表4是各方法進(jìn)行降維時(shí)得到累積貢獻(xiàn)率。

表3 核主元分析結(jié)果

圖11 PCA+FCM工況分類結(jié)果圖

圖12 時(shí)KPCA+FCM工況分類結(jié)果圖

圖13 時(shí)KPCA+FCM工況分類結(jié)果圖

圖14時(shí)KPCA+FCM工況分類結(jié)果圖

Fig. 14 Classification result of KPCA+FCM while

圖15 PSO-KPCA+FCM工況分類結(jié)果圖

表4 不同方法進(jìn)行特征提取時(shí)的累積貢獻(xiàn)率

從以上實(shí)驗(yàn)結(jié)果可以看出，PSO-KPCA+FCM的分類效果要好于其他方法，能夠清晰地劃分出各個(gè)工況。對(duì)于KPCA方法，選擇不同的核參數(shù)對(duì)分類結(jié)果影響很大，當(dāng)選取最優(yōu)核參數(shù)的鄰近值1、3和3.5時(shí)得到的分類效果并不好。如果選擇不當(dāng)KPCA+FCM的分類效果可能沒(méi)有PCA+FCM的效果好，如圖13所示，當(dāng)時(shí)得到的分類結(jié)果明顯沒(méi)有圖11所示的PCA+FCM的效果好。

結(jié)合表4與各方法分類結(jié)果圖，可以看出，對(duì)于分類問(wèn)題在特征提取時(shí)，不能僅考慮保留原始信息，還要盡量保留數(shù)據(jù)的分類信息，因?yàn)椴⒉皇潜Ａ粜畔⒘吭蕉?、累積貢獻(xiàn)率越大就能夠得到好的分類效果。如表4所示，PCA以及KPCA中選取3和3.5時(shí)得到的累積貢獻(xiàn)率都在90%以上，高于本文所提方法優(yōu)化所得值1.862 1的87.24%，但是圖11、圖13及圖14表明這三種方法提取的數(shù)據(jù)分類效果并不理想，分類結(jié)果圖中都有明顯不同程度的工況特征點(diǎn)混雜在一起的情況，類別劃分不清晰，邊界不明顯。而對(duì)于圖15，由于本文所提方法在選取KPCA核參數(shù)時(shí)，同時(shí)考慮了保留數(shù)據(jù)的原始信息和類別信息，在聚類后得到了清晰明確的類別劃分結(jié)果。

綜上，本文所提方法能夠?qū)Ｉ蠙C(jī)組運(yùn)行工況空間進(jìn)行清晰準(zhǔn)確的劃分。其中的核參數(shù)優(yōu)化方法，在考慮保留原始信息量的同時(shí)兼顧數(shù)據(jù)的類別信息，能提取出更有效、更利于分類的非線性主元，很適用于解決分類問(wèn)題中KPCA核參數(shù)的選擇問(wèn)題。同時(shí)，得到的機(jī)組運(yùn)行工況劃分結(jié)果，可以用來(lái)將 SCADA歷史數(shù)據(jù)進(jìn)行相應(yīng)的劃分，生成相應(yīng)個(gè)數(shù)的健康狀態(tài)評(píng)價(jià)模型的訓(xùn)練樣本集，通過(guò)高斯混合模型(GMM)或隱馬爾科夫(HMM)等模型進(jìn)行訓(xùn)練，建立各運(yùn)行工況子空間下的健康狀態(tài)評(píng)價(jià)模型，實(shí)現(xiàn)根據(jù)不同工況準(zhǔn)確的建立機(jī)組的運(yùn)行健康狀態(tài)評(píng)價(jià)模型，并為合理制定運(yùn)行維修策略提供依據(jù)。

5 結(jié)論

本文提出了一種基于PSO優(yōu)化核主元分析的海上風(fēng)電機(jī)組運(yùn)行工況分類方法。在分類模型的特征提取部分，綜合考慮了原始信息和數(shù)據(jù)的類別信息，提取出利于分類的特征參數(shù)。用本文所提的方法對(duì)某海上風(fēng)電機(jī)組的SCADA歷史數(shù)據(jù)進(jìn)行工況空間劃分，得到了優(yōu)于其他方法的分類結(jié)果，驗(yàn)證了該方法的有效性和優(yōu)越性，為更客觀合理地實(shí)現(xiàn)分工況評(píng)價(jià)機(jī)組運(yùn)行健康狀態(tài)提供了基本保證，有利于及時(shí)制定合理的機(jī)組運(yùn)行維護(hù)策略。

[1] 黃玲玲, 符楊, 胡榮, 等. 基于運(yùn)行維護(hù)的海上風(fēng)電機(jī)組可用性評(píng)估方法[J]. 電力系統(tǒng)自動(dòng)化, 2013, 37(16): 13-17.

HUANG Lingling, FU Yang, HU Rong, et al. Availability evaluation of offshore wind turbine considering operation and maintenance[J]. Automation of Electric Power Systems, 2013, 37(16): 13-17.

[2] BECKER E, POSTEPAUL, RESLER J. Keeping the blades turning: condition monitoring of wind turbine gears[J]. Wind Energy, 2006, 7(2): 26-32.

[3] 劉永前, 王飛, 時(shí)文剛, 等. 基于支持向量機(jī)的風(fēng)電機(jī)組運(yùn)行工況分類方法[J]. 太陽(yáng)能學(xué)報(bào), 2010, 31(9): 1191-1197.

LIU Yongqian, WANG Fei, SHI Wengang, et al. Operation condition classification method for wind turbine based on support vector machine[J]. Acta Energiae Solaris Sinica, 2010, 31(9): 1191-1197.

[4] 董玉亮, 李亞瓊, 曹海斌, 等．基于運(yùn)行工況辨識(shí)的風(fēng)電機(jī)組健康狀態(tài)實(shí)時(shí)評(píng)價(jià)方法[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2013, 33(11): 88-95.

DONG Yuliang, LI Yaqiong, CAO Haibin, et al. Real- time health condition evaluation on wind turbines based on operational condition recognition[J]. Proceedings of the CSEE, 2013, 33(11): 88-95.

[5] SEHOLKOPF B, SMOLA A, MULLER K R. Nonlinear component analysis as a kernel eigenvalue problem[J]. Neural Computation, 1998, 10(5): 1299-1319.

[6] 吳忠強(qiáng), 賈文靜, 吳昌韓, 等. 基于PSO-BSNN的短期風(fēng)速預(yù)測(cè)[J]. 電力系統(tǒng)保護(hù)與控制, 2015, 43(15): 36-41.

WU Zhongqiang, JIA Wenjing, WU Changhan, et al. Short- term wind speed forecasting based on PSO-BSNN[J]. Power System Protection and Control, 2015, 43(15): 36-41.

[7] 劉歡, 劉志剛. 基于改進(jìn)粒子群算法的牽引變電所維修優(yōu)化研究[J]. 電力系統(tǒng)保護(hù)與控制, 2015, 43(11): 87-94.

LIU Huan, LIU Zhigang. An improved particle swarm algorithm study on optimization model of maintenance schedules for railway traction substations[J]. Power System Protection and Control, 2015, 43(11): 87-94.

[8] 盧錦玲, 苗雨陽(yáng), 張成相, 等. 基于改進(jìn)多目標(biāo)粒子群算法的含風(fēng)電場(chǎng)電力系統(tǒng)優(yōu)化調(diào)度[J]. 電力系統(tǒng)保護(hù)與控制, 2013, 41(17): 25-31.

LU Jinling, MIAO Yuyang, ZHANG Chengxiang, et al. Power system optimal dispatch considering wind farms based on improved multi-objective particle swarm algorithm[J]. Power System Protection and Control, 2013, 41(17): 25-31.

[9] EBERHART R, KENNEDY J. A new optimizer using particle swarm theory[C] // Proceedings of the Sixth International Symposium on Micro Machine and Human Science, Nagoya Japan, 1995: 39-43.

[10] KENNEDY J, EBERHART R. Particle swarm optimization[C] // Proceedings IEEE International Conference on Neural Networks, 1995: 1942-1948.

[11] 孟安波, 盧海明, 李海亮, 等. 縱橫交叉算法優(yōu)化 FCM 在電力客戶分類中的應(yīng)用[J]. 電力系統(tǒng)保護(hù)與控制, 2015, 43(20): 150-154.

MENG Anbo, LU Hanming, LI Hailiang, et al. Electricity customer classification based on optimized FCM clustering by hybrid CSO[J]. Power System Protection and Control, 2015, 43(20): 150-154.

[12] 楊茂, 熊昊, 嚴(yán)干貴, 等. 基于數(shù)據(jù)挖掘和模糊聚類的風(fēng)電功率實(shí)時(shí)預(yù)測(cè)研究[J]. 電力系統(tǒng)保護(hù)與控制, 2013, 41(1): 1-6.

YANG Mao, XIONG Hao, YAN Gangui, et al. Real-time prediction of wind power based on data mining and fuzzy clustering[J]. Power System Protection and Control, 2013, 41(1): 1-6.

[13] 胡姚剛, 唐顯虎, 劉志詳. 并網(wǎng)風(fēng)電機(jī)組在線運(yùn)行狀態(tài)評(píng)估方法[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2010, 30(33): 103-109.

HU Yaogang, TANG Xianhu, LIU Zhixiang. Method for on-line operation conditions assessment for a grid- connected wind turbine generator system[J]. Proceedings of the CSEE, 2010, 30(33): 103-109.

[14] IEC 61400-12-1 Ed.1 power performance measurements of electricity producing wind turbines[S]. 2005.

(編輯 姜新麗)

Operational conditions classification of offshore wind turbines based on kernel principal analysis optimized by PSO

ZHENG Xiaoxia1, LI Meina1, WANG Jing2, REN Haohan2, FU Yang1

(1. School of Automation Engineering, Shanghai University of Electric Power, Shanghai 200090, China;2. Shanghai Donghai Wind Power Co., Ltd., Shanghai 200090, China)

As considering the complex operational conditions of offshore wind turbines, classifying the operational conditions can improve the accuracy of health condition evaluation of wind turbines and provide a reliable basis for the reasonable operation maintenance strategies. An operational conditions classification method based on kernel principal analysis (KPCA) optimized by particle swarm optimization algorithm (PSO) is proposed. The fitness function of kernel function parameter optimizations is constructed by considering within class scatter and between-class scatter of data to avoid the problem that choosing a proper kernel function parameter is difficult. The KPCA optimized by PSO is applied to data feature extraction and a classification model is built by using fuzzy C-means (FCM) clustering algorithm. The simulations on three groups data of UCI database prove the method's validity. Finally, the method is used to classify the operational conditions of offshore wind turbines, and the results show that the proposed method can get much better classification effect than PCA+FCM and KPCA+FCM. It is helpful for establishing health condition evaluation model for each condition. This work is supported by National Natural Science Foundation of China (No. 51507098).

offshore wind turbines; operational conditions classification; PSO; kernel principal analysis; sort separability criterion; fuzzy C-means clustering

10.7667/PSPC151450

國(guó)家自然科學(xué)基金項(xiàng)目(51507098)；上海綠色能源并網(wǎng)工程技術(shù)研究中心(13DZ2251900)；上海市科委重點(diǎn)科技攻關(guān)項(xiàng)目(14DZ1200905)；上海市電站自動(dòng)化技術(shù)重點(diǎn)實(shí)驗(yàn)室項(xiàng)目(13DZ2273800)

2015-08-17；

2015-11-07

鄭小霞(1978-)，女，博士，副教授，主要研究方向?yàn)轱L(fēng)力發(fā)電故障診斷與運(yùn)行維護(hù)等；E-mail: zhengxiaoxia@ shiep.edu.cn 李美娜(1987-)，女，通信作者，碩士研究生，主要研究方向?yàn)楹Ｉ巷L(fēng)電機(jī)組運(yùn)行維護(hù)。E-mail: xiaolimgna@ 163.com