杜冠洲+++胡從川++平留生

摘 要：故障預(yù)警問(wèn)題是信息網(wǎng)絡(luò)環(huán)境下保障電力風(fēng)電機(jī)組安全運(yùn)行的關(guān)鍵。針對(duì)風(fēng)電機(jī)組的參數(shù)信息和運(yùn)行信息的數(shù)據(jù)特征，提出了一種基于混合EEMD技術(shù)的多步時(shí)間序列預(yù)測(cè)模型。該模型在云計(jì)算中利用了集合經(jīng)驗(yàn)?zāi)B(tài)分解EEMD技術(shù)結(jié)合極限學(xué)習(xí)機(jī)ELM算法，克服了算法中存在異或的問(wèn)題。通過(guò)該模型，實(shí)現(xiàn)了對(duì)訪問(wèn)風(fēng)電機(jī)組運(yùn)行信息多步預(yù)測(cè)，結(jié)合安全范圍包絡(luò)線，進(jìn)而提前發(fā)現(xiàn)是否有故障。驗(yàn)證結(jié)果表明，EEMD-ELM模型比傳統(tǒng)時(shí)間序列預(yù)測(cè)方法的準(zhǔn)度與精度得到了極大提高，泛化能力增強(qiáng)，說(shuō)明了該方法的有效性、可行性。

關(guān)鍵詞：電力信息化 風(fēng)力機(jī)組 云計(jì)算 智能電網(wǎng) 時(shí)間預(yù)測(cè)

中圖分類(lèi)號(hào)：TM315 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-098X（2017）05（c）-0083-03

電力系統(tǒng)作為經(jīng)濟(jì)發(fā)展和人類(lèi)生活依賴(lài)的能量供給系統(tǒng)，也具有大數(shù)據(jù)的典型特征[1]。風(fēng)電產(chǎn)業(yè)已經(jīng)成為我國(guó)電力產(chǎn)業(yè)的重要組成部分。我國(guó)累積安裝風(fēng)電機(jī)組92981臺(tái)，累積裝機(jī)容量145 362 MW，隨著風(fēng)電機(jī)組裝機(jī)容量越來(lái)越大，系統(tǒng)越來(lái)越復(fù)雜，設(shè)備故障率也隨之提高，導(dǎo)致風(fēng)電機(jī)組的運(yùn)行、維護(hù)成本增加。

目前，風(fēng)電機(jī)組的運(yùn)行、維護(hù)主要借鑒火電機(jī)組的保障策略，采用定期維護(hù)和事后維護(hù)的方式。但是，由于風(fēng)電機(jī)組和火電機(jī)組在結(jié)構(gòu)、運(yùn)行環(huán)境和運(yùn)行方式之間的差異，從而導(dǎo)致風(fēng)電機(jī)組運(yùn)維無(wú)法準(zhǔn)確、有效地監(jiān)控設(shè)備的運(yùn)行狀況，容易出現(xiàn)各種設(shè)備故障。

隨著國(guó)網(wǎng)信息化的不斷建設(shè)，風(fēng)力發(fā)電機(jī)組產(chǎn)生了海量存儲(chǔ)的運(yùn)行信息和機(jī)組參數(shù)數(shù)據(jù)。如何充分利用和分析這些數(shù)據(jù)，采用云計(jì)算的手段，快速實(shí)現(xiàn)對(duì)風(fēng)電機(jī)組的故障預(yù)警是急需突破的難點(diǎn)。該文通過(guò)基于混合EEMD-ELM算法的云計(jì)算技術(shù)，對(duì)機(jī)組參數(shù)和運(yùn)行數(shù)據(jù)進(jìn)行預(yù)測(cè)，從而實(shí)現(xiàn)風(fēng)電設(shè)備的故障預(yù)警，為風(fēng)電機(jī)組安全可靠性提供科學(xué)的參考依據(jù)。

1 EEMD-ELM時(shí)間序列預(yù)測(cè)方法

該節(jié)使用EEMD的混合建模技術(shù)策略，針對(duì)風(fēng)電機(jī)組的運(yùn)行時(shí)間信息序列。采用EEMD混合模型技術(shù)進(jìn)行不同特征尺度的分解，使用EEMD-ELM混合模型進(jìn)行時(shí)間序列預(yù)測(cè)。

1.1 集合經(jīng)驗(yàn)?zāi)B(tài)分解

經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition， EMD）[2]是Hilbert-Huang變換（HHT）的核心算法，是一種實(shí)現(xiàn)數(shù)據(jù)局部特征自適應(yīng)的分解技術(shù)。EMD通過(guò)對(duì)繁雜的參數(shù)信息和風(fēng)電機(jī)組運(yùn)行信息進(jìn)行平穩(wěn)化預(yù)處理，進(jìn)而將復(fù)雜的運(yùn)行信息分解成一組性能較好、特征尺度差異較大的本征模函數(shù)（Intrinsic Mode Function，IMF）。

（1）確定運(yùn)行信息記錄序列P（t）的所有極大值和極小值點(diǎn)，用核密度函數(shù)擬合成上下包絡(luò)線，序列P（t）與上下包絡(luò)線的平均值m1的差記為h1。

（2）把h1視為新序列，重復(fù)以上過(guò)程，直到h1滿足IMF的上述兩個(gè)條件，則其成為從原始序列篩選出的第一個(gè)IMF分量c1，代表原始序列最高頻的分量。其他剩余量可以表示為r1=P（t）-c1。

（3）對(duì)r1繼續(xù)上述分解，直到第n階段的殘余序列為單調(diào)函數(shù)或其值小于預(yù)先給定的值，分解結(jié)束。

運(yùn)行信息序列可以寫(xiě)為[3]：P

式中，n為本征模函數(shù)的個(gè)數(shù)，為網(wǎng)絡(luò)入侵操作記錄序列P（t）的主要趨勢(shì)項(xiàng)。

由于在EMD分解過(guò)程中存在一個(gè)IMF分量包含了尺度差異較大的信號(hào)，針對(duì)這個(gè)問(wèn)題采用了集合經(jīng)驗(yàn)?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition， EEMD）[4]，通過(guò)在機(jī)組運(yùn)行信息序列中加入一系列低信噪比的白噪聲，再進(jìn)行上述的經(jīng)驗(yàn)?zāi)B(tài)分解，經(jīng)過(guò)迭代計(jì)算，最終進(jìn)行集合平均使得加入的白噪聲相互抵消，實(shí)現(xiàn)克服模式混合的問(wèn)題。

1.2 極限學(xué)習(xí)機(jī)算法原理

該文研究采用的極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)（Extreme Learning Machine，ELM）[5]。假定輸入層有個(gè)輸入變量，隱含層有一個(gè)神經(jīng)元，輸出層有個(gè)輸出變量。假定個(gè)樣本其訓(xùn)練集輸入矩陣與輸出矩陣分別為：

，

設(shè)輸入層同隱含層之間連接權(quán)值以及隱含層和輸出層間連接權(quán)值β為：

，

其中為輸入層第i個(gè)神經(jīng)元與隱含層第j個(gè)神經(jīng)元間的連接權(quán)值，βjk為隱含層第j個(gè)神經(jīng)元與輸出層第k個(gè)神經(jīng)元間的連接權(quán)值。

設(shè)隱含層神經(jīng)元的閾值為，隱含層神經(jīng)元的激活函數(shù)為，該文隱含層激活函數(shù)?。?/p>

那么極限學(xué)習(xí)機(jī)的神經(jīng)網(wǎng)絡(luò)輸出為：

，

整體算法的架構(gòu)流程圖如圖1所示。

2 實(shí)例分析

該文為了驗(yàn)證時(shí)間預(yù)測(cè)算法模型性能，使用EEMD-ELM對(duì)風(fēng)電機(jī)組故障預(yù)警。電力公司耗費(fèi)3個(gè)月時(shí)間從信息系統(tǒng)數(shù)據(jù)庫(kù)中獲取到20臺(tái)分布式服務(wù)器運(yùn)行參數(shù)數(shù)據(jù)。詳細(xì)過(guò)程如下。

（1）通過(guò)實(shí)時(shí)機(jī)組參數(shù)記錄儀獲得運(yùn)行參數(shù)：彎矩扭矩載荷數(shù)據(jù)作為原始數(shù)據(jù)，并進(jìn)行標(biāo)準(zhǔn)化處理。

（2）將安全運(yùn)行的數(shù)據(jù)進(jìn)行核密度估計(jì)得到正常運(yùn)行的安全閾值范圍。

（3）采用交叉驗(yàn)證法，將載荷數(shù)據(jù)等分為五組數(shù)據(jù)，前四組作為訓(xùn)練集，最后一組作為驗(yàn)證集，用訓(xùn)練集來(lái)訓(xùn)練算法模型網(wǎng)絡(luò)。

（4）將驗(yàn)證集數(shù)據(jù)代入該文建立的EEMD-ELM模型，進(jìn)行時(shí)間序列預(yù)測(cè)。把實(shí)際的結(jié)果與預(yù)測(cè)的結(jié)果進(jìn)行對(duì)比。全局流程如圖2所示。

采用均方根誤差RMSE[6]作為模型評(píng)價(jià)性能指標(biāo)，對(duì)風(fēng)電機(jī)組的彎矩、扭矩載荷信息進(jìn)行預(yù)測(cè)，并同時(shí)和ARIMA算法進(jìn)行對(duì)比。如圖3、圖4所示。

從圖3和圖4中可以明顯看出該文提出的基于云計(jì)算的EEMD-ELM算法模型在時(shí)間序列預(yù)測(cè)相比傳統(tǒng)的時(shí)間預(yù)測(cè)ARIMA算法模型誤差較小、精度更高。

3 結(jié)論

該文提出了結(jié)合云計(jì)算技術(shù)的EEMD-ELM算法模型，使用風(fēng)電機(jī)組信息根據(jù)其運(yùn)行載荷數(shù)據(jù)進(jìn)行時(shí)間序列預(yù)測(cè)。此方法僅憑借對(duì)歷史海量的安全運(yùn)行風(fēng)電機(jī)組載荷數(shù)據(jù)，即可得到風(fēng)電機(jī)組運(yùn)行的安全范圍包絡(luò)線，再根據(jù)風(fēng)電機(jī)組實(shí)時(shí)運(yùn)行載荷數(shù)據(jù)進(jìn)行下一步時(shí)間預(yù)測(cè)，一旦超出安全范圍，則進(jìn)行故障預(yù)警。根據(jù)該文分析可以得到以下結(jié)論。

（1）創(chuàng)新性的運(yùn)用EEMD技術(shù)，對(duì)復(fù)雜多樣的運(yùn)行載荷時(shí)間序列數(shù)據(jù)進(jìn)行分解，然后運(yùn)用ELM對(duì)分解得到的子時(shí)間序列進(jìn)實(shí)現(xiàn)分布式預(yù)測(cè)，從而實(shí)現(xiàn)對(duì)復(fù)雜多樣的時(shí)間序列預(yù)測(cè)。

（2）預(yù)測(cè)的載荷數(shù)據(jù)能夠有效地提前發(fā)現(xiàn)風(fēng)電機(jī)組下一步的運(yùn)行情況，根據(jù)下一步載荷數(shù)據(jù)，一旦超過(guò)安全范圍就會(huì)及時(shí)發(fā)送故障預(yù)警信息。根據(jù)驗(yàn)證結(jié)果表明實(shí)現(xiàn)多步預(yù)測(cè)的誤差控制在4.3%以內(nèi)，滿足工程精度要求。

參考文獻(xiàn)

[1] 張東霞，苗新，劉麗萍，等.智能電網(wǎng)大數(shù)據(jù)技術(shù)發(fā)展研究[J].中國(guó)電機(jī)工程學(xué)報(bào)，2015，35（1）：2-12.

[2] 王立國(guó)，宛宇美，路婷婷，等.結(jié)合經(jīng)驗(yàn)?zāi)B(tài)分解和Gabor濾波的高光譜圖像分類(lèi)[J].哈爾濱工程大學(xué)學(xué)報(bào)：英文版，2016，37（2）：284-290.

[3] 孫文文，劉純，何國(guó)慶，等.基于長(zhǎng)時(shí)間序列仿真的分布式新能源發(fā)電優(yōu)化規(guī)劃[J].電網(wǎng)技術(shù)，2015，39（2）：457-463.

[4] Zhang Y，Xie Z.Ensemble empirical mode decomposition of impact-echo data for testing concrete structures[J].Ndt & E International，2012， 51（10）：74-84.

[5] Iosifidis A，Tefas A，Pitas I.Graph Embedded Extreme Learning Machine[J].IEEE Transactions on Cybernetics，2015，46（1）：311-324.

[6] Li Y，Ryu D，Western A W，et al.An integrated error parameter estimation and lag-aware data assimilation scheme for real-time flood forecasting[J]. Journal of Hydrology，2014（519）：2722-2736.