韋古強+杜冠洲+凌俊斌

摘要：文章針對清潔能源企業(yè)中風(fēng)電機組頻發(fā)問題，在行業(yè)內(nèi)風(fēng)電機組常見故障以及故障診斷技術(shù)進行分析的基礎(chǔ)上，對某集團風(fēng)電機組企業(yè)進行實地調(diào)研，獲取影響故障發(fā)生的關(guān)鍵因素，構(gòu)建故障識別指標(biāo)體系，采用隨機森林算法構(gòu)建了風(fēng)電機組故障智能診斷預(yù)警模型。

關(guān)鍵詞：隨機森林算法；風(fēng)電機組；故障診斷；預(yù)警模型；故障識別指標(biāo)體系 文獻標(biāo)識碼：A

中圖分類號：TH862 文章編號：1009-2374（2017）07-0197-02 DOI：10.13535/j.cnki.11-4406/n.2017.07.093

風(fēng)力發(fā)電作為新能源產(chǎn)業(yè)技術(shù)之一，其不污染環(huán)境、不消耗化石燃料的特點，在當(dāng)今世界大力發(fā)展保護環(huán)境和走可持續(xù)發(fā)展道路的強大背景之下，已得到社會各方面的全面認(rèn)可，在過去的幾年里，風(fēng)力發(fā)電年增長率都保持穩(wěn)定上升的勢頭，已然成為世界公認(rèn)的增長最快的可再生能源。在我國，大部分風(fēng)力發(fā)電機組主要安裝在西部偏遠、沿海等風(fēng)能充足地區(qū)，由于自然環(huán)境和負荷不穩(wěn)定等因素，使得風(fēng)電機組運行故障頻出，而機組故障會直接影響風(fēng)力發(fā)電的安全性和經(jīng)濟性。為了實現(xiàn)風(fēng)力發(fā)電的長期穩(wěn)定發(fā)展和提高自身的能源競爭力，就必須實現(xiàn)對風(fēng)力發(fā)電機組故障的提早預(yù)判和快速診斷，提高發(fā)機組效率，實現(xiàn)企業(yè)的經(jīng)濟利益最大化。

1 風(fēng)電機組故障診斷技術(shù)綜述

在風(fēng)電機組故障診斷過程中，想要通過診斷分析達到預(yù)定的目標(biāo)，還必須對風(fēng)電機組的設(shè)備故障診斷方法有所了解。風(fēng)電機組故障診斷方法大體可以分為傳統(tǒng)診斷方法、數(shù)學(xué)診斷方法和智能故障診斷方法等。所謂的傳統(tǒng)診斷方法是指在狀態(tài)監(jiān)測技術(shù)之上，對其數(shù)據(jù)進行分析，結(jié)合數(shù)據(jù)挖掘方法對風(fēng)電機組設(shè)備故障進行診斷；數(shù)學(xué)診斷方法主要是采用一些數(shù)據(jù)理論基于數(shù)學(xué)公式，數(shù)學(xué)模型對機組故障進行診斷，主要包括故障樹分析、小波分析、模糊診斷、灰色系統(tǒng)診斷以及分形幾何與混沌分析等；智能診斷方法主要是基于數(shù)據(jù)挖掘的算法，通過算法建立模型實現(xiàn)對風(fēng)電機組的故障診斷，主要的算法包括神經(jīng)網(wǎng)絡(luò)、隨機森林、遺傳算法、蟻群算法、粒子群算法等。而本文就使用智能故障診斷方法中的隨機森林算法實現(xiàn)對風(fēng)電機組的故障智能診斷。

2 風(fēng)電機組故障評價指標(biāo)構(gòu)建

通過對風(fēng)電機組常見故障進行分析，可以得知風(fēng)電機組故障來源是多方面的，每個部件的性能都直接影響風(fēng)電機組的正常運行，另外，各部件運行參數(shù)的采集技術(shù)也是受多種因素影響的。通過實際調(diào)研，我們選取了影響風(fēng)電機組故障發(fā)生的14個關(guān)鍵因素，涉及風(fēng)電機組的風(fēng)輪、齒輪箱、發(fā)電機、電氣系統(tǒng)、變槳系統(tǒng)等各個部件。具體如表1所示：

3 基于隨機森林算法的風(fēng)電機組故障智能診斷預(yù)警

3.1 模型概述

隨機森林（RF）是一種分類性能良好的組合分類算法，它以決策樹回歸樹作為基分類器，通過裝袋（Bagging）的方法生成不同的訓(xùn)練樣本集。在決策樹的構(gòu)建過程中，采用隨機的方法劃分節(jié)點樣本集。隨機森林（RF）可以看作是樹分類器的集合，其中x是輸入向量，是服從獨立、同分布的隨機向量。關(guān)于分類問題，隨機森林的輸出為簡單多數(shù)投票方法的結(jié)果；關(guān)于回歸問題，隨機森林的輸出為決策樹輸出結(jié)果的簡單平均。隨機森林算法的具體實現(xiàn)步驟如下：

首先，通過裝袋（Bagging）的方法生成k個不同的訓(xùn)練樣本集。當(dāng)樣本數(shù)據(jù)容量很大時，全樣本數(shù)據(jù)中有接近37%的樣本未被抽中，這些樣本數(shù)據(jù)被稱之為袋外數(shù)據(jù)（Out

Of Bag，OOB），袋外數(shù)據(jù)用來評價隨機森林算法的性能。

其次，每個訓(xùn)練樣本集構(gòu)建一棵分類決策樹，k個訓(xùn)練樣本集產(chǎn)生了k個分類決策樹。設(shè)樣本的特征數(shù)為M，在每棵樹的劃分節(jié)點上，從M個特征變量中隨機地選取m（m

最后，基于構(gòu)建好的多個分類決策樹，對新的未知樣本進行預(yù)測，依據(jù)每個樹分類器投票結(jié)果的簡單多數(shù)投票法來決定未知樣本的分類結(jié)果。

信息熵與信息增益：

信息熵：表示了信息的不確定性（混亂程度），熵越大，信息越混亂，越難預(yù)測，則該指標(biāo)提供的信息量越小，該指標(biāo)的權(quán)重越小，越不重要。對分類系統(tǒng)來說，類別C是變量，它可能的取值是，而每一個類別出現(xiàn)的概率是，因此n就是類別的總數(shù)。此時分類系統(tǒng)的熵就可以表示為：

信息增益是針對一個一個的特征而言的，就是看一個特征t，系統(tǒng)有它和沒它的時候信息量各是多少，兩者的差值就是這個特征給系統(tǒng)帶來的信息量，即增益。系統(tǒng)含有特征t的時候信息量很好計算，就是剛才的式子，它表示的是包含所有特征時系統(tǒng)的信息量。

InfoGain=H（Y）-H（Y|X）

在分類系統(tǒng)中，屬性的選擇以及決策樹的分裂根據(jù)信息增益來進行選擇，針對根節(jié)點以及子節(jié)點選擇信息增益最大的屬性變量，然后采用遞歸的方法構(gòu)建整個決策樹和隨機森林。針對風(fēng)電機組故障診斷問題，結(jié)合上節(jié)監(jiān)測數(shù)據(jù)指標(biāo)，構(gòu)建基于隨機森林算法的風(fēng)電機組故障智能診斷預(yù)警模型。其構(gòu)建流程如圖1所示：

3.2 實例分析

為了驗證算法的有效性和準(zhǔn)確性，本文選取了風(fēng)電機組故障數(shù)據(jù)，使用RStudio軟件進行診斷應(yīng)用分析，依據(jù)前文構(gòu)建的指標(biāo)體系，樣本輸入屬性為13個，風(fēng)電機組是否正常運行作為輸出屬性，然后對數(shù)據(jù)進行分析處理及模型求解。相關(guān)參數(shù)設(shè)置為：隨即森林算法選取500棵樹，訓(xùn)練樣本和測試樣本占比為（0.8，0.2），節(jié)點隨機分裂特征數(shù)量設(shè)置為5，通過分析，模型結(jié)果如下：

從表2可以看出，針對風(fēng)電機組是否正常運行，包外數(shù)據(jù)誤差率OOB為2.7%，說明模型的整體分類效果非常理想。隨機森林錯判率隨著決策樹棵數(shù)的增加不斷的減小，最終收斂為一個較小的定值。模型診斷結(jié)果分析：

通過對測試集的8條數(shù)據(jù)進行診斷分析，預(yù)測全部正確，說明模型的診斷效果比較理想?？梢缘弥焊鶕?jù)測試結(jié)果，第1、4、6、8個風(fēng)電機組正常運行，第2、3、5、7個風(fēng)電機組發(fā)出預(yù)警信息，并且應(yīng)該馬上啟動相應(yīng)的預(yù)案措施，防止發(fā)生更大的安全事故及經(jīng)濟損失。為了提高模型的性能，在實際應(yīng)用中，應(yīng)該盡可能收集風(fēng)電機組更多的歷史故障和正常數(shù)據(jù)，使得模型盡可能覆蓋所有情況的特征，并且可以定期一個月對模型訓(xùn)練一次，及時更新模型，不斷提高模型的準(zhǔn)確性。

4 結(jié)論與展望

本文針對新能源風(fēng)電機組故障頻發(fā)問題進行分析，構(gòu)建了風(fēng)電機組故障智能診斷預(yù)警模型，采用隨機森林算法對風(fēng)電機組歷史數(shù)據(jù)進行訓(xùn)練學(xué)習(xí)，挖掘出影響風(fēng)電機組故障發(fā)生的各因素的特征模式，確定出發(fā)生故障各指標(biāo)的閾值，根據(jù)設(shè)備實時運行對風(fēng)電機組進行在線故障診斷預(yù)警，為風(fēng)電機組故障的監(jiān)測起到一定的技術(shù)支撐，從而有效地降低風(fēng)電機組維修成本，提高風(fēng)電機組的利用效率。

參考文獻

[1] 龍泉，劉永前，楊勇平.狀態(tài)監(jiān)測與故障診斷在風(fēng)電機組上的應(yīng)用[J].現(xiàn)代電力，2008，25（6）.

[2] 程洪機，呂振.設(shè)備狀態(tài)監(jiān)測與故障診斷技術(shù)的基本原理與方法[J].山東建材，2000，（4）.

[3] 楊偉，賈石峰.基于RBF神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電機組故障診斷研究[J].電氣傳動自動化，2009，31（2）.

[4] 李永東.中國風(fēng)力發(fā)電的發(fā)展現(xiàn)狀和前景[J].電氣時代，2006，（3）.

[5] 陳建華，李華，蔣錦峰.電力市場條件下發(fā)電設(shè)備可靠性與經(jīng)濟性關(guān)系探討[J].中國電力，2001，34（7）.

作者簡介：韋古強（1986-），男，都城偉業(yè)集團有限公司副主管，高級工程師，碩士，研究方向：房地產(chǎn)、公共建筑。

（責(zé)任編輯：小 燕）