張 磊，李欣竹

(河北工業(yè)大學 控制科學與工程學院，天津 300130)

基于ANFIS的風力發(fā)電機狀態(tài)監(jiān)測研究

張 磊，李欣竹*

(河北工業(yè)大學 控制科學與工程學院，天津 300130)

針對風力發(fā)電機系統(tǒng)故障診斷中非線性和建模困難的問題，提出了一種風力發(fā)電機狀態(tài)監(jiān)測方法，利用從風力發(fā)電機的SCADA數(shù)據(jù)中挖掘出20種輸入輸出對應關(guān)系，分別建立了自適應模糊神經(jīng)推理系統(tǒng)(ANFIS)模型，并給出了一種基于預測誤差的概率分布函數(shù)的適用于所有模型的異常檢測方法.使用20個模型單獨進行狀態(tài)診斷，得出診斷正確率，綜合使用20個模型的狀態(tài)診斷結(jié)果，得到了最終的判定結(jié)論，仿真結(jié)果表明：該方法能準確地診斷出風力發(fā)電機系統(tǒng)故障.

風力發(fā)電機；狀態(tài)檢測；自適應神經(jīng)模糊推理系統(tǒng)

隨著風力發(fā)電機單機功率逐年增大，各種故障的發(fā)生頻率也逐年上升，嚴重時會造成機組停機，影響風機正常作業(yè)，而且風力發(fā)電機組的重要部件都位于距離地面幾十米的塔架上，維護檢修費用極高，因此針對風力發(fā)電機組復雜的故障特征，設計一套風力發(fā)電機組狀態(tài)監(jiān)測系統(tǒng)就顯得尤為重要[1].近年來，不少研究學者對狀態(tài)監(jiān)測系統(tǒng)進行了研究，振動分析是目前最普遍的機器狀態(tài)檢測方法[2]，然而因為成本原因，振動傳感器并不能安裝在所有渦輪機和其他重要組件上，這就造成了數(shù)據(jù)的缺少，并不能監(jiān)測所有異常情況；另一種方法就是使用風機運行過程中產(chǎn)生的大量SCADA數(shù)據(jù)來監(jiān)測風電機組狀態(tài).在文獻[3]中，使用SCADA數(shù)據(jù)信息可以提前5～60 min預測出風機故障，但這并沒有給風場工作人員預留出足夠的時間來對設備完成改善工作.文獻[4]和文獻[5]都使用了神經(jīng)網(wǎng)絡理論，利用這種方法可以提前幾天或者幾周檢測出信號變化，以達到監(jiān)測狀態(tài)預測故障的目的，但這兩種方法經(jīng)常發(fā)生故障漏檢和誤診.在本文中使用自適應神經(jīng)模糊推理系統(tǒng)(ANFIS)來代替人工神經(jīng)網(wǎng)絡，ANFIS模型可以通過設置一系列模糊規(guī)則學習非線性信號，并且在訓練過程中調(diào)節(jié)隸屬度函數(shù)的參數(shù)，根據(jù)ANFIS模型得到的預測誤差判斷風機的運行狀態(tài).

1 自適應神經(jīng)模糊推理系統(tǒng)的工作原理

ANFIS 是一種基于 Takagi-Sugeno 模型的模糊推理系統(tǒng)，它將模糊控制的模糊化、模糊推理和反模糊化 3 個基本過程全部用神經(jīng)網(wǎng)絡來實現(xiàn)，通過離線訓練和在線學習算法進行模糊推理控制規(guī)則的自調(diào)整，使其系統(tǒng)本身朝著自適應、自組織、自學習的方向發(fā)展[6].ANFIS由前件和后件構(gòu)成，其典型的模糊規(guī)則形式如下：如果x是A，且y是B，z=f(x,y)，其中A和B是前件中的模糊集合，而z=f(x,y)是后件中的精確函數(shù)，通常f(x,y)是輸入變量x和y的多項式，假定ANFIS模型有兩個輸入x和y，以及一個輸出z，那么有兩條模糊if-then規(guī)則[7].

規(guī)則1：如果x是A1且y是B1,那么z1=p1x+q1y+r1；

規(guī)則2：如果x是A2且y是B2,那么z2=p2x+q2y+r2.

其中，x,y是輸入，A1,B1,A2,B2是模糊集，z1,z2是輸出規(guī)則.

2 ANFIS模型的建立和異常檢測

2.1ANFIS模型輸入輸出信號

正常運行的風力發(fā)電機的SCADA系統(tǒng)中有超過150種信號，從時間、開關(guān)位置的數(shù)字表示和設置點，到溫度、電流電壓等的連續(xù)測量值，而這些連續(xù)測量值的最大值、最小值和十分鐘內(nèi)平均值都在SCADA系統(tǒng)中.本文只使用風機正常運行時信號的十分鐘平均值訓練ANFIS，這樣能排除由于瞬間變化造成的最大最小的峰值并減少了隨機變化對診斷結(jié)果的影響.

每一種輸入輸出關(guān)系中，輸入信號數(shù)量是不同的，相關(guān)的輸入信號的選擇非常重要，這需要結(jié)合對建模系統(tǒng)的物理理解和先進的數(shù)據(jù)簡化技術(shù).在輸入信號的選擇中，不能單一的從提高模型的精度方面進行要求，更重要的一點是故障的可判別性.本文中使用遺傳算法結(jié)合偏最小二乘回歸方法從大量的SCADA數(shù)據(jù)中挖掘出對應的輸入輸出信號，有20種模型，如表1所示.

表1 20個模型的輸入輸出信號Tab.1 Input and output signals of 20 kind of models

2.2 異常檢測

在ANFIS用于實際工程中時，隸屬度函數(shù)的選取一般根據(jù)使用者的應用經(jīng)驗和試算[9]，本文選擇了高斯型隸屬度函數(shù)，每個隸屬度函數(shù)的個數(shù)定位5個，ANFIS的各初始參數(shù)都設置好，輸入訓練數(shù)據(jù)，開始模型訓練.

在一個ANFIS模型中，使用同一個輸入數(shù)據(jù)，真實輸出和ANFIS得到的輸出之間的誤差即為預測誤差.預測誤差可以用下面的方程進行規(guī)范.

(1)

圖1是以發(fā)電機轉(zhuǎn)速、1#葉片電機驅(qū)動電流、輸出功率和齒輪箱軸承溫度為輸出的模型在訓練后得到的預測誤差，所有模型的大部分的預測誤差集中在零附近，證明建立的ANFIS模型能很好的擬合輸入輸出數(shù)據(jù).

圖1 ANFIS訓練后的預測誤差Fig.1 The prediction error after ANFIS training

ANFIS模型訓練時使用的是風機正常運行時的數(shù)據(jù)，所以當SCADA數(shù)據(jù)中的輸出不符合ANFIS的預測輸出，就說明設備發(fā)生了異常.本文提出了一種適用于所有模型的異常檢測方法.該方法基于一個統(tǒng)計學假設，即正常數(shù)據(jù)在模型的高頻率區(qū)域，而異常數(shù)據(jù)模型的低頻率區(qū)域，即可以得到以下的異常檢測標準：模型產(chǎn)生的預測誤差在訓練數(shù)據(jù)的預測誤差中出現(xiàn)的概率等于或超過判定概率被認為是正常；模型產(chǎn)生的預測誤差在訓練數(shù)據(jù)的預測誤差中出現(xiàn)的概率小于判定概率被認為是異常.

甲狀腺囊性結(jié)節(jié)是臨床常見的良性疾病，病變較大且伴發(fā)出血時不僅影響美觀，疼痛明顯，而且壓迫鄰近器官，造成嚴重的病理生理學變化，必須給予及時治療。隨著介入技術(shù)的發(fā)展與完善，超聲引導下微創(chuàng)治療定位準確，對患者創(chuàng)傷小，且療效肯定，已逐漸替代了手術(shù)切除或藥物治療等傳統(tǒng)療法。

判定概率的選擇決定了系統(tǒng)的敏感度，選擇時需要在抑制假報警和檢測出所有異常兩方面進行權(quán)衡，本文選擇0.1%作為判定概率.如圖2是一個區(qū)分正常行為模型和異常行為模型的例子，判斷依據(jù)是概率密度分布函數(shù)和模型的預測誤差.

3 結(jié)果分析

3.1 生成的20種模型的性能比較

圖2 發(fā)電機轉(zhuǎn)速模型誤差概率分布Fig.2 The error probability distribution of the generator speed model

本文使用的正常數(shù)據(jù)來自于河北某1.5MW風場9個月的SCADA數(shù)據(jù)，用于驗證的故障數(shù)據(jù)來自該風場的風機發(fā)生故障時的SCADA數(shù)據(jù).正常數(shù)據(jù)用于ANFIS建模，故障數(shù)據(jù)用于模型驗證.使用以下指標檢驗建立的診斷模型的性能:

NN(Normalnumber)：正常數(shù)據(jù)個數(shù)；

FN(Faultnumber)：故障數(shù)據(jù)個數(shù)；

Nt(normalture)：將正常數(shù)據(jù)診斷為正常的次數(shù)；

Nf(nurmalfalse)：將正常數(shù)據(jù)診斷為異常的次數(shù)(假警報)；

Ft(faultture)：將異常數(shù)據(jù)診斷為異常的次數(shù)；

Ff(faultfalse)：將異常數(shù)據(jù)診斷為正常的次數(shù)(漏檢).

NT：將正常數(shù)據(jù)診斷為正常的比例.

(2)

NF：將正常數(shù)據(jù)診斷為異常的比例.

(3)

FT：將異常數(shù)據(jù)診斷為異常的比例.

(4)

FF：將異常數(shù)據(jù)診斷為正常的比例.

(5)

t：模型的診斷正確率.

(6)

20個模型經(jīng)過正常數(shù)據(jù)的訓練和故障數(shù)據(jù)的測試后，得到的性能指標如表2所示.

在這20個模型中編號14，輸入為輸出功率，發(fā)動機轉(zhuǎn)速，發(fā)動機艙溫度，輸出為發(fā)動機軸承溫度，該模型的診斷正確率最高，達到了91.03%，同時故障漏檢率為1.75%，在所有模型中也處于較高水平，該模型的模型性能最好.

表2 20種模型的模型性能Tab.2 The performance of 20 kind of models

3.2 生成的模型的綜合應用

用20個模型雖然都能判斷出風機的運行狀態(tài)，但單一模型的診斷正確率都不高，所以對所有模型的診斷結(jié)果進行綜合處理，得到最后的診斷結(jié)果.

將所有模型的診斷結(jié)果ei(i=1,…，20)用0和1表示，0代表該模型判斷風機運行狀態(tài)為正常，1代表該模型判斷風機發(fā)生了故障，根據(jù)每一個模型的診斷正確率對其診斷結(jié)果分配權(quán)重，然后對ei求和，即：

(7)

其中E是總判斷結(jié)果，若E屬于[0，0.5)，可判定風機正常運行，若E屬于[0.5，1]可判定風機發(fā)生故障.

20個模型綜合應用后，模型性能如表3所示.

表3 綜合應用20種模型后的模型性能Tab.3 The performance of integrated application of 20 kinds of models

由表3可知，根據(jù)20個模型的診斷正確率對模型的診斷結(jié)果分配權(quán)重，綜合處理后，總的診斷正確率達到了95.54%，對比單一模型有了大幅度提高，能滿足風力發(fā)電機在狀態(tài)監(jiān)測要求.

4 結(jié)語

本文提出了一種通過ANFIS模型監(jiān)測風力發(fā)電機狀態(tài)的方法，該方法基于ANFIS模型的輸出預測誤差的概率分布來判定異常，判定概率的選擇需要避免假警報和識別出所有異常兩方面進行權(quán)衡.該方法給了風力發(fā)電機操作者一個具體的工具，通過挖掘大量的SCADA數(shù)據(jù)來尋找異常，因為SCADA數(shù)據(jù)中包含幾乎所有組件的運行數(shù)據(jù)，所以它不僅能監(jiān)測風力發(fā)電機的關(guān)鍵組件，也能監(jiān)測目前的風力發(fā)電機狀態(tài)監(jiān)測系統(tǒng)不涉及的輔助設備.

該方法的適用性和精度取決于建立ANFIS模型的大量SCADA數(shù)據(jù)的可用性.本文建立了20個輸出信號的ANFIS模型，這些輸出信號同時也是其他模型的輸入信號，每一個單獨模型的故障判別率并不高，但將20個模型綜合應用后能高效地識別故障，對風場工作人員制定合理的維修保養(yǎng)計劃具有重要意義.

[1] 李濤濤,賈 嶸,尹浩霖,等.風力發(fā)電機組狀態(tài)監(jiān)測系統(tǒng)設計與應用[J].電網(wǎng)與清潔能源,2016(01):95-99+106.

[2] Randall R B.Vibration-based condition monitoring[J].Mechanisims &Machine Science,2010,3(4):431-477.

[3] Kusiak A, Wenyan L.The prediction and diagnosis of wind turbine faults[J].Renewable Energy， 2011，36 ：16-23.

[4] Sanz-Bobi M A, del Pico J, Garcia M C.SIMAP: intelligent system for predictive maintenance application to the health condition monitoring of a windturbine,gearbox[J].Computers in Industry，2006， 57 ： 552-568.

[5] Schlechtingen M,Santos I F.Comparative analysis of neural network and regression based condition monitoring approaches for wind turbine fault detection[J].Mechanical Systems and Signal Processing，2011， 25 (5) ：1849-1875.

[6] 張小娟.自適應神經(jīng)模糊推理系統(tǒng)(ANFIS)及其仿真[J].電子設計工程,2012(05):11-13.

[7] 李偉昌,張 磊.基于風力發(fā)電系統(tǒng)的風電機組變槳距故障診斷[J].計算機仿真,2015(09):147-151.

[8] 雷紹蘭,張 蓮,楊 菁,等.基于粗糙集和ANFIS相結(jié)合的配電網(wǎng)故障診斷方法[J].重慶工學院學報(自然科學版),2009(06):45-50.

[9] 孫文江.自適應神經(jīng)—模糊推理系統(tǒng)在隧道結(jié)構(gòu)安全評估中的應用[D].杭州：浙江大學,2013.

The Reserch of Wind Turbine Condition Monitoring Based on ANFIS

ZhangLei,LiXinzhu

(School of Control Science and Engineering, Hebei University of Technology,Tianjin 300130, China)

With the continuous development of wind power industry, the number of installed wind power generator is increasing.Due to its complicated structure and poor working conditions, easily happened all kinds of faults.For the nonlinear problems and difficulty in modeling of wind turbine system fault diagnosis , this paper proposes a wind turbine monitoring system, using 20 different SCADA normal data developed 20 adaptive fuzzy neural inference system (ANFIS) model, and proposes a kind of can apply to all models of anomaly detection method, using the prediction error to evaluate the practicability of model in a simulated SCADA signal, comprehensive 20 anomaly detection results of the model, get the final decision to the conclusion that the simulation results show that the system can accurately diagnose the wind turbine system fault.

wind turbine;condition monitoring;ANFIS

2016-08-10 *通訊作者 李欣竹，研究方向：風力發(fā)電機故障診斷，E-mail: lixinzhu1005@163.com

張 磊(1977-)，男，教授，博士，研究方向：風力發(fā)電機控制策略，E-mail：zhanglei@hebut.edu.cn

河北省自然科學基金資助項目(F2015202231)

TM743

A

1672-4321(2017)01-0092-04