趙洪山, 劉輝海, 劉宏楊, 林酉闊

(華北電力大學(xué)電氣與電子工程學(xué)院, 河北省保定市 071003)

0 引言

風(fēng)能作為一種清潔、可再生的綠色能源,近年來得到了快速發(fā)展。由于環(huán)境惡劣、工況復(fù)雜,風(fēng)機(jī)極易發(fā)生故障,但對(duì)于發(fā)電機(jī)等驅(qū)動(dòng)鏈部件的故障是造成風(fēng)機(jī)停機(jī)的主要原因[1-2]。因此,可以對(duì)發(fā)電機(jī)故障進(jìn)行預(yù)測(cè),從而降低發(fā)電機(jī)的運(yùn)行風(fēng)險(xiǎn)及損失。

發(fā)電機(jī)包含多個(gè)子系統(tǒng),其故障種類具有多樣性[3-5]。目前,風(fēng)電機(jī)組發(fā)電機(jī)的狀態(tài)監(jiān)測(cè)方法主要有振動(dòng)監(jiān)測(cè)、油液監(jiān)測(cè)分析和電參數(shù)監(jiān)測(cè)[6-9]等方法。文獻(xiàn)[10-12]利用線性回歸方法處理得到消除輸出功率和環(huán)境溫度影響后的監(jiān)測(cè)模型,通過殘差異常變化分析發(fā)電機(jī)的故障?；谡駝?dòng)監(jiān)測(cè)的研究中,文獻(xiàn)[13-14]通過對(duì)發(fā)電機(jī)振動(dòng)信號(hào)降噪處理提取故障特征,實(shí)現(xiàn)了對(duì)故障部位和失效程度的識(shí)別。另外,通過分析驅(qū)動(dòng)鏈上的轉(zhuǎn)矩測(cè)量信號(hào),結(jié)合載荷的異常變化可以分析出發(fā)電機(jī)的故障[15]。文獻(xiàn)[16]提出采用油液傳感器對(duì)油液進(jìn)行在線實(shí)時(shí)監(jiān)測(cè),通過分析油液壓力和雜質(zhì)成分實(shí)現(xiàn)對(duì)發(fā)電機(jī)的狀態(tài)監(jiān)測(cè)與故障診斷,但油液傳感器的安裝增加了成本。近年來,深度學(xué)習(xí)作為大數(shù)據(jù)分析的一種新方法,擺脫了人為因素的不確定性和診斷技術(shù)經(jīng)驗(yàn)的依賴性,直接從大量數(shù)據(jù)中智能提取參數(shù)間的特征關(guān)系[17-19]。

目前深度學(xué)習(xí)的研究主要是利用故障樣本進(jìn)行訓(xùn)練,實(shí)現(xiàn)設(shè)備的故障分類和識(shí)別。然而實(shí)際中大量故障樣本難以全面收集,從而給該類算法的應(yīng)用帶來了一定的困難。本文基于風(fēng)電機(jī)組發(fā)電機(jī)正常狀態(tài)下數(shù)據(jù)采集與監(jiān)控(SCADA)數(shù)據(jù)樣本,提出堆疊自編碼(stacked autoencoder,SAE)深度學(xué)習(xí)網(wǎng)絡(luò)模型。首先利用SAE網(wǎng)絡(luò)深層學(xué)習(xí)發(fā)電機(jī)SCADA數(shù)據(jù)內(nèi)部蘊(yùn)含的關(guān)系,提取發(fā)電機(jī)的狀態(tài)監(jiān)測(cè)量。結(jié)合自適應(yīng)閾值檢測(cè)狀態(tài)監(jiān)測(cè)量的趨勢(shì)變化,實(shí)現(xiàn)故障判定,進(jìn)一步利用變量殘差趨勢(shì)的異常變化分析出故障原因。

1 SAE網(wǎng)絡(luò)

1.1 模型預(yù)訓(xùn)練

深度學(xué)習(xí)網(wǎng)絡(luò)包含一系列逐層提取輸入數(shù)據(jù)深層特征的深度神經(jīng)網(wǎng)絡(luò)模型。該網(wǎng)絡(luò)通過對(duì)數(shù)據(jù)非監(jiān)督學(xué)習(xí)逐層初始化參數(shù),然后采用監(jiān)督學(xué)習(xí)的方式進(jìn)行微調(diào)。深度學(xué)習(xí)網(wǎng)絡(luò)模型可以在高層表示更加抽象和復(fù)雜的數(shù)據(jù)特征或?qū)傩?并且這種通過學(xué)習(xí)獲取的變量間的特征規(guī)則不會(huì)隨著輸入數(shù)據(jù)的改變而變化[20]。本文引入SAE網(wǎng)絡(luò)模型逐層提取發(fā)電機(jī)SCADA數(shù)據(jù)蘊(yùn)含的特征和變量間的關(guān)系,實(shí)現(xiàn)對(duì)發(fā)電機(jī)異常的分析。

自編碼(autoencoder,AE)網(wǎng)絡(luò)包含一個(gè)含有d個(gè)單元的可視層,一個(gè)含有h個(gè)節(jié)點(diǎn)的隱含層,以及一個(gè)含有d個(gè)節(jié)點(diǎn)的重構(gòu)層和激活函數(shù)f,如圖1所示。

圖1 自編碼網(wǎng)絡(luò)模型結(jié)構(gòu)Fig.1 Structure of AE network

y=f(Wyx+a)

(1)

(2)

式中:Wy和Wz分別為輸入與隱含層和隱含層與輸出的權(quán)重,并且Wy=Wz=W;a和b分別表示隱含層單元偏置和輸出層單元偏置;f(·)表示激活函數(shù),選取Sigmoid函數(shù)。因此,在網(wǎng)絡(luò)逐層學(xué)習(xí)訓(xùn)練的過程中，需要確定的參數(shù)θ=[W,a,b]。

深度學(xué)習(xí)網(wǎng)絡(luò)的目標(biāo)是最小化輸入值與重構(gòu)值的誤差E,即

(3)

自編碼網(wǎng)絡(luò)的基本結(jié)構(gòu)為限制玻爾茲曼機(jī)(restricted Boltzmann machine,RBM),其中RBM包含m個(gè)可見單元v的可見層和n個(gè)隱含單元h的隱含層,如圖1中結(jié)構(gòu)所示。在RBM中(v,h)∈{0,1},由吉布斯分布可以得到其單元節(jié)點(diǎn)的聯(lián)合分布為:

(4)

式中:z為標(biāo)準(zhǔn)化常數(shù)。

RBM中隱含層與可見層單元節(jié)點(diǎn)的能量函數(shù)表示為:

E(v,h)=-hTWv-bTh-aTv

(5)

根據(jù)RBM的結(jié)構(gòu),隱含層與可見層的條件概率分布由能量函數(shù)表示為:

P(vi=1|h)=f(ai+Wyh)

(6)

P(hj=1|v)=f(bi+Wzv)

(7)

(8)

Sigmoid函數(shù)能夠抑制兩頭使得網(wǎng)絡(luò)對(duì)中間細(xì)微變化敏感，因而對(duì)特征識(shí)別度更好，故本文選擇Sigmoid函數(shù)作為激活函數(shù)f(x)。

RBM的結(jié)構(gòu)學(xué)習(xí)的結(jié)果是最大限度地?cái)M合輸入數(shù)據(jù),這種接近程度可以通過重構(gòu)誤差Re描述:

(9)

基于重構(gòu)誤差,針對(duì)訓(xùn)練數(shù)據(jù)集x,損失函數(shù)可以表示為式(10),其中N為訓(xùn)練數(shù)據(jù)集x的長(zhǎng)度。通過利用梯度下降法對(duì)整體損失函數(shù)極小化處理,從而達(dá)到網(wǎng)絡(luò)參數(shù)的更新,求得參數(shù)θ。那么網(wǎng)絡(luò)權(quán)重的更新準(zhǔn)則可以定義為:

(10)

(11)

(12)

(13)

式中:ε為初始學(xué)習(xí)率。

對(duì)于每個(gè)RBM訓(xùn)練完成之后,將隱含層的輸出作為更高一級(jí)的輸入,同時(shí)訓(xùn)練下一級(jí)的網(wǎng)絡(luò)參數(shù),直到完成整個(gè)自編碼網(wǎng)絡(luò)的參數(shù)訓(xùn)練。自編碼網(wǎng)絡(luò)的單元RBM每層的激活信息可表示為學(xué)習(xí)到的發(fā)電機(jī)參數(shù)間的關(guān)系特征,并通過逐層學(xué)習(xí)提取高表征能力的特征。將多個(gè)自編碼器的輸入層和隱含層連接起來構(gòu)成SAE網(wǎng)絡(luò),該模型可以提取發(fā)電機(jī)狀態(tài)變量數(shù)據(jù)的更深層特征。圖2顯示了典型的SAE網(wǎng)絡(luò)結(jié)構(gòu)。為了盡可能監(jiān)測(cè)發(fā)電機(jī)的運(yùn)行狀態(tài),選擇發(fā)電機(jī)的SCADA數(shù)據(jù)變量作為模型可見層的輸入,選取發(fā)電機(jī)狀態(tài)變量如附錄A表A1所示。

圖2 SAE網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Structure of SAE network

由于風(fēng)電機(jī)組發(fā)電機(jī)不同類型變量的數(shù)值差異性比較大,為了減小數(shù)據(jù)的差異性引起計(jì)算誤差,并保證原始數(shù)據(jù)結(jié)構(gòu)相對(duì)不變,對(duì)各變量進(jìn)行歸一化處理。

當(dāng)學(xué)習(xí)網(wǎng)絡(luò)建立之后,提取的數(shù)據(jù)特征保留在隱含層中,隱含層的輸出可以作為更高一層的輸入提取更深層的特征。如果模型能夠非常好地將y恢復(fù)為初始輸入,即得到輸入的重構(gòu)值,這里輸入變量與輸出變量相對(duì)應(yīng)并且具有相同的物理意義,那么這就意味著訓(xùn)練得到的模型參數(shù)保留了輸入數(shù)據(jù)足夠豐富的信息特征。因此,將自編碼網(wǎng)絡(luò)連接形成更深層的SAE訓(xùn)練模型,并最小化整個(gè)輸入的信息損失,從而使該網(wǎng)絡(luò)保留了數(shù)據(jù)內(nèi)部不變的復(fù)雜特征。因此,構(gòu)建SAE網(wǎng)絡(luò)來提取風(fēng)電機(jī)組發(fā)電機(jī)SCADA狀態(tài)監(jiān)測(cè)數(shù)據(jù)蘊(yùn)含的規(guī)則特征。

1.2 模型建立

在SAE模型的預(yù)訓(xùn)練結(jié)束后,實(shí)現(xiàn)了對(duì)編碼網(wǎng)絡(luò)每個(gè)隱含層參數(shù)的初始化,從而建立發(fā)電機(jī)SAE模型的初始架構(gòu)。SAE網(wǎng)絡(luò)的預(yù)訓(xùn)練是對(duì)發(fā)電機(jī)狀態(tài)監(jiān)測(cè)數(shù)據(jù)集規(guī)則的非監(jiān)督學(xué)習(xí),學(xué)習(xí)的結(jié)果可以作為SAE模型監(jiān)督學(xué)習(xí)的先驗(yàn)值。根據(jù)發(fā)電機(jī)長(zhǎng)期正常運(yùn)行狀態(tài)下的SCADA標(biāo)簽數(shù)據(jù)集,采用反向傳播(BP)算法進(jìn)行監(jiān)督學(xué)習(xí),從而實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)參數(shù)的優(yōu)化和參數(shù)表征數(shù)據(jù)規(guī)則能力的改善。由該訓(xùn)練過程得到的參數(shù)比單純BP算法的訓(xùn)練效果要好,由于調(diào)優(yōu)訓(xùn)練只需要在預(yù)訓(xùn)練獲得的參數(shù)基礎(chǔ)上進(jìn)行局部搜索,明顯縮短了收斂時(shí)間[21]。

風(fēng)電機(jī)組發(fā)電機(jī)正常運(yùn)行狀態(tài)下的SCADA數(shù)據(jù)滿足穩(wěn)定的內(nèi)部關(guān)聯(lián),SAE網(wǎng)絡(luò)提取的變量間的固有關(guān)系以網(wǎng)絡(luò)參數(shù)的形式保存,利用該網(wǎng)絡(luò)能夠最大限度地?cái)M合輸入數(shù)據(jù)。因此,利用正常樣本數(shù)據(jù)得到的重構(gòu)誤差Re一直保持在一定范圍內(nèi)波動(dòng),并且趨勢(shì)相對(duì)穩(wěn)定。當(dāng)發(fā)電機(jī)發(fā)生異常時(shí),其數(shù)據(jù)蘊(yùn)含的內(nèi)部關(guān)聯(lián)將會(huì)被破壞,反映到重構(gòu)誤差Re的趨勢(shì)變化中,通過設(shè)定閾值及時(shí)地判別出故障,從而達(dá)到狀態(tài)監(jiān)測(cè)的目的。因此,選擇Re作為發(fā)電機(jī)的狀態(tài)分析量,正常狀態(tài)下的Re變化如圖3所示。

圖3 正常狀態(tài)下的A30號(hào)風(fēng)電機(jī)組發(fā)電機(jī)的ReFig.3 Re of wind turbine generator A30 under normal conditions

1.3 SAE網(wǎng)絡(luò)的在線訓(xùn)練

在工程實(shí)際中,模型訓(xùn)練完成之后,可以對(duì)發(fā)電機(jī)的狀態(tài)進(jìn)行監(jiān)測(cè)。一段時(shí)間之后,利用發(fā)電機(jī)SCADA系統(tǒng)采集的新的狀態(tài)數(shù)據(jù)作為訓(xùn)練集,在原有訓(xùn)練參數(shù)的基礎(chǔ)上,對(duì)模型實(shí)現(xiàn)在線訓(xùn)練更新模型參數(shù)。在線訓(xùn)練的優(yōu)點(diǎn)在于發(fā)電機(jī)運(yùn)行一段時(shí)間的數(shù)據(jù)量較小,并且在已經(jīng)穩(wěn)定的網(wǎng)絡(luò)框架上進(jìn)行學(xué)習(xí)訓(xùn)練,在改善網(wǎng)絡(luò)參數(shù)穩(wěn)定性的同時(shí),降低了重新訓(xùn)練網(wǎng)絡(luò)的時(shí)間。另外在線訓(xùn)練達(dá)到對(duì)特征規(guī)則的遞進(jìn)學(xué)習(xí),從而使得特征提取更充分,避免了重新初始學(xué)習(xí)的復(fù)雜性。初始訓(xùn)練Re與在線訓(xùn)練Re的對(duì)比如圖4所示。從圖中可以看出,在線學(xué)習(xí)之后的網(wǎng)路重構(gòu)誤差較小,這表明在線學(xué)習(xí)的網(wǎng)絡(luò)損失的信息少,具有較強(qiáng)的穩(wěn)定性。

圖4 初始訓(xùn)練Re與在線訓(xùn)練Re對(duì)比Fig.4 Comparison of initial training Re and online training Re

1.4 發(fā)電機(jī)故障識(shí)別分析

利用重構(gòu)誤差預(yù)測(cè)出風(fēng)機(jī)發(fā)電機(jī)部分的異常后,可以根據(jù)SCADA數(shù)據(jù)每個(gè)變量的變化行為,并結(jié)合設(shè)備的物理特性來識(shí)別和估計(jì)可能的故障類型或故障范圍。

(14)

2 自適應(yīng)閾值設(shè)定

風(fēng)機(jī)運(yùn)行過程是一個(gè)動(dòng)態(tài)非平穩(wěn)過程,對(duì)于發(fā)電機(jī)的重構(gòu)誤差Re也處于動(dòng)態(tài)變化中。因此為了有效判定Re的非平穩(wěn)趨勢(shì),需要設(shè)定能夠隨著變量Re自適應(yīng)變化的閾值。

考慮到風(fēng)機(jī)運(yùn)行的非平穩(wěn)性,Re含有噪聲并且波動(dòng)性較大,該自適應(yīng)閾值的產(chǎn)生首先需要運(yùn)用自回歸滑動(dòng)平均模型和指數(shù)平滑處理算法實(shí)現(xiàn)對(duì)Re的濾波和平滑處理[22]。然后利用處理之后的重構(gòu)誤差值計(jì)算自適應(yīng)閾值。該方法與傳統(tǒng)方法的不同之處在于,告警閾值不僅是基于標(biāo)準(zhǔn)差計(jì)算得到,而且考慮到了Re含有的噪聲因素。濾波和平滑處理之后的重構(gòu)誤差趨勢(shì)變化波動(dòng)小,Re的標(biāo)準(zhǔn)差σ也相對(duì)較小。因此,如果自適應(yīng)預(yù)警閾值的計(jì)算基于±3σ,那么閾值會(huì)非常接近均值,將導(dǎo)致誤報(bào)警。通過計(jì)算初始重構(gòu)誤差較大的標(biāo)準(zhǔn)差,并使得閾值隨Re的變化而變化可以減少誤報(bào)警。

這里重構(gòu)誤差中的噪聲通過平均變化率來衡量,如式(15)所示。將得到的噪聲值加到原始重構(gòu)誤差的標(biāo)準(zhǔn)差σ中來計(jì)算告警閾值,如式(16)所示。

(15)

(16)

當(dāng)發(fā)電機(jī)工作異常時(shí),重構(gòu)誤差Re的分布特性被破壞,重構(gòu)誤差值落在控制范圍外,表現(xiàn)為重構(gòu)誤差的趨勢(shì)變化越過閾值,從而判定發(fā)電機(jī)發(fā)生異常。實(shí)際中發(fā)電機(jī)參數(shù)的閾值一般設(shè)定較高,直接通過監(jiān)測(cè)這些參數(shù)的異常變化會(huì)對(duì)故障的判別具有一定的滯后性。因此利用自適應(yīng)閾值判定Re的趨勢(shì)異常變化,可以較早地實(shí)現(xiàn)發(fā)電機(jī)故障判定。結(jié)合式(16)得到發(fā)電機(jī)異常狀態(tài)判定準(zhǔn)則為:

(17)

3 基于SAE模型發(fā)電機(jī)狀態(tài)監(jiān)測(cè)與故障診斷方法分析過程

風(fēng)機(jī)正常狀態(tài)下,發(fā)電機(jī)的Re的波動(dòng)變化一直受控于其自適應(yīng)閾值范圍內(nèi),當(dāng)Re趨勢(shì)變化越過閾值,并且趨勢(shì)保持在控制線之上,則可以判定發(fā)電機(jī)發(fā)生了異常?；赟AE模型的風(fēng)機(jī)發(fā)電機(jī)狀態(tài)監(jiān)測(cè)與故障診斷分析過程如下:首先選取發(fā)電機(jī)正常狀態(tài)下的SCADA數(shù)據(jù)建立數(shù)據(jù)集,并對(duì)每個(gè)變量進(jìn)行歸一化處理后分為訓(xùn)練集和測(cè)試集;采用訓(xùn)練集中的無標(biāo)簽樣本利用對(duì)比散度算法對(duì)SAE網(wǎng)絡(luò)進(jìn)行逐級(jí)預(yù)訓(xùn)練;選用發(fā)電機(jī)訓(xùn)練數(shù)據(jù)集中的標(biāo)簽樣本,運(yùn)用BP算法對(duì)預(yù)訓(xùn)練之后的網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化;依據(jù)建立的發(fā)電機(jī)SAE網(wǎng)絡(luò)模型,計(jì)算測(cè)試數(shù)據(jù)集的Re,構(gòu)成Re序列;引入Re的自適應(yīng)閾值檢測(cè)其趨勢(shì)變化,當(dāng)Re超過控制線時(shí)判定發(fā)電機(jī)發(fā)生異常;當(dāng)判定異常發(fā)生之后,根據(jù)狀態(tài)變量的殘差趨勢(shì)變化判定發(fā)電機(jī)的具體異常變量,分析出可能故障原因。

4 算例分析

4.1 數(shù)據(jù)采集與參數(shù)設(shè)定

本文中選取某實(shí)際風(fēng)電場(chǎng)1.5 MW A01號(hào)風(fēng)機(jī)發(fā)電機(jī)、A12號(hào)風(fēng)機(jī)發(fā)電機(jī)和A04號(hào)風(fēng)機(jī)近兩年正常狀態(tài)下的SCADA狀態(tài)監(jiān)測(cè)數(shù)據(jù)建立訓(xùn)練樣本集,可以使得網(wǎng)絡(luò)能夠充分描述正常運(yùn)行狀態(tài)下(不同風(fēng)況、不同季節(jié)等)的特征,以滿足故障檢測(cè)的需要。另外對(duì)發(fā)電機(jī)的SAE網(wǎng)絡(luò)模型進(jìn)行參數(shù)訓(xùn)練,并通過SCADA數(shù)據(jù)的更新實(shí)現(xiàn)模型的在線學(xué)習(xí)。其中電流、電壓為當(dāng)前時(shí)刻的有效值,其他參數(shù)均為當(dāng)前時(shí)刻記錄的瞬時(shí)值。

針對(duì)多臺(tái)風(fēng)機(jī)數(shù)年正常工況下的運(yùn)行數(shù)據(jù)作為模型的訓(xùn)練數(shù)據(jù)集,分別選取不同的隱含層數(shù)和RBM的初始化參數(shù)構(gòu)建SAE網(wǎng)絡(luò)模型,并對(duì)網(wǎng)絡(luò)的重構(gòu)誤差進(jìn)行分析和對(duì)比,發(fā)現(xiàn)當(dāng)發(fā)電機(jī)的SAE模型設(shè)定4個(gè)隱含層,每個(gè)隱含層的單元數(shù)分別為1 000,500,250,50,SAE模型的參數(shù)W,a,b初始化為服從高斯分布的隨機(jī)較小值,初始學(xué)習(xí)率ε設(shè)為0.1,網(wǎng)絡(luò)更新速率設(shè)為0.001時(shí),這組參數(shù)能夠更好地保留訓(xùn)練數(shù)據(jù)集的信息,而且當(dāng)利用多組數(shù)據(jù)樣本驗(yàn)證后,該組參數(shù)具有很好的穩(wěn)定性。因此,最終本文選取了保留風(fēng)機(jī)信息損失最少的最佳參數(shù)作為該模型的基本參數(shù)來進(jìn)一步訓(xùn)練SAE網(wǎng)絡(luò)。根據(jù)Re越小模型越優(yōu),綜合考慮迭代周期對(duì)訓(xùn)練時(shí)間的影響,選擇參數(shù)調(diào)優(yōu)的迭代周期為200。

4.2 基于SAE模型的發(fā)電機(jī)狀態(tài)監(jiān)測(cè)分析

在建立SAE模型之后,利用A01號(hào)機(jī)組故障前后一段時(shí)間的發(fā)電機(jī)SCADA數(shù)據(jù)進(jìn)行測(cè)試,仿真結(jié)果如附錄A圖A1所示,Re由式(9)計(jì)算得到。從仿真結(jié)果中可以看出,發(fā)電機(jī)的監(jiān)測(cè)變量Re在60 h時(shí)趨勢(shì)發(fā)生改變,偏離原有的動(dòng)態(tài)平穩(wěn)趨勢(shì),然而此時(shí)的實(shí)際風(fēng)速約為9 m/s,正常狀態(tài)下Re的趨勢(shì)不會(huì)發(fā)生較大的波動(dòng)。經(jīng)過約3 h后Re越過閾值并保持在閾值之上,從而判定發(fā)生異常,實(shí)際中此時(shí)發(fā)出預(yù)警信號(hào)。對(duì)比基于SCADA參數(shù)的多元線性回歸分析建立模型對(duì)該發(fā)電機(jī)狀態(tài)進(jìn)行分析,如附錄A圖A2所示。通過附錄A圖A2發(fā)現(xiàn),利用線性回歸分析的殘差趨勢(shì)變化比較緩慢,不能及時(shí)、準(zhǔn)確地反映出發(fā)電機(jī)狀態(tài)。

利用式(9)和SAE網(wǎng)絡(luò)計(jì)算得到A12機(jī)組的Re,其變化趨勢(shì)如附錄A圖A3所示。附錄A圖A3顯示發(fā)電機(jī)的重構(gòu)誤差Re在0～13 h內(nèi)一直處于控制閾值范圍內(nèi),12.5 h時(shí)Re開始呈現(xiàn)上升趨勢(shì),經(jīng)過40 min越過閾值。然而此時(shí)的風(fēng)速并沒有劇烈波動(dòng),通常正常狀態(tài)下不會(huì)出現(xiàn)Re急劇變化的情況,這表明該發(fā)電機(jī)出現(xiàn)了異常。隨后Re的趨勢(shì)上升速度加快,并一直處于閾值之上,從而判定發(fā)電機(jī)出現(xiàn)異常,該分析結(jié)果與實(shí)際發(fā)電機(jī)狀態(tài)信息相一致。結(jié)合多元線性回歸分析的殘差分析發(fā)電機(jī)的狀態(tài),如附錄A圖A4所示,可以發(fā)現(xiàn)回歸模型殘差趨勢(shì)雖然能夠反映發(fā)電機(jī)狀態(tài)的異常,但殘差趨勢(shì)變化不夠靈敏,在實(shí)際應(yīng)用中對(duì)于及時(shí)發(fā)出故障預(yù)警存在不足,對(duì)比可以發(fā)現(xiàn)SAE網(wǎng)絡(luò)的Re能夠較早地發(fā)出異常預(yù)警。

A04號(hào)風(fēng)機(jī)故障案例為發(fā)電機(jī)碳刷磨損故障,利用發(fā)電機(jī)SCADA數(shù)據(jù)建立SAE網(wǎng)絡(luò),并測(cè)試故障記錄數(shù)據(jù),得到該發(fā)電機(jī)的Re變化趨勢(shì),如附錄A圖A5所示。從圖中可見在32 h時(shí)Re越過閾值,發(fā)出異常預(yù)警,但經(jīng)過約2 h后Re回到其控制閾值范圍內(nèi)。最終在51 h時(shí)Re再次越過閾值,并一直保持在閾值之上,直到故障停機(jī)。結(jié)合實(shí)際的故障處理驗(yàn)證了該故障的判斷。

在機(jī)組正常運(yùn)行狀態(tài)下,發(fā)電機(jī)處于動(dòng)態(tài)平衡狀態(tài),各SCADA狀態(tài)監(jiān)測(cè)變量之間滿足固有的內(nèi)部聯(lián)系,反映到監(jiān)測(cè)變量的趨勢(shì)變化表現(xiàn)為具有一定的波動(dòng)性,但保持一定的相對(duì)穩(wěn)定趨勢(shì)。在發(fā)電機(jī)發(fā)生異常時(shí),狀態(tài)監(jiān)測(cè)變量間失去長(zhǎng)期穩(wěn)定關(guān)系,對(duì)于反映整體狀態(tài)的監(jiān)測(cè)量Re的趨勢(shì)發(fā)生改變,偏離原有的穩(wěn)定趨勢(shì)。A01,A12和A04號(hào)機(jī)組發(fā)電機(jī)的實(shí)驗(yàn)結(jié)果驗(yàn)證了故障之后參數(shù)間的關(guān)系被打破之后Re趨勢(shì)的改變。

4.3 基于SAE模型的發(fā)電機(jī)故障診斷分析

發(fā)電機(jī)的異常通常由某部位的變量的異常變化反映出來。隨著異常的進(jìn)一步發(fā)展,發(fā)電機(jī)的運(yùn)行狀態(tài)可能對(duì)機(jī)組發(fā)電量造成影響。在正常情況下,變量經(jīng)過SAE模型的重構(gòu)值最大限度地?cái)M合輸入。結(jié)合本文故障診斷方法,當(dāng)某個(gè)變量殘差趨勢(shì)在發(fā)電機(jī)故障后發(fā)生明顯變化時(shí),則可以通過該變量判斷可能的故障原因,實(shí)現(xiàn)對(duì)發(fā)電機(jī)故障的初步診斷。A01號(hào)風(fēng)機(jī)發(fā)電機(jī)通過Re的趨勢(shì)變化檢測(cè)出異常之后,利用式(14)進(jìn)一步分析發(fā)電機(jī)變量的殘差變化,如附錄A圖A6所示。

結(jié)合附錄A圖A1,從附錄A圖A6(a)的殘差結(jié)果中可以看出,發(fā)電機(jī)的繞組溫度殘差趨勢(shì)在Re的趨勢(shì)發(fā)生變化的同時(shí)呈現(xiàn)上升趨勢(shì)。此時(shí)繞組溫度升高,使得Re的趨勢(shì)和繞組殘差趨勢(shì)發(fā)生變化。另一方面隨著繞組溫度的上升,A01號(hào)風(fēng)機(jī)的功率殘差偏向小于零值,并且變化比較劇烈。此時(shí)發(fā)電機(jī)繞組溫度的升高導(dǎo)致發(fā)電機(jī)的發(fā)電功率與相同風(fēng)速正常狀態(tài)下的發(fā)電功率相比減小,如附錄A圖A6(b)所示。其他變量的殘差值一直在零值附近波動(dòng),沒有明顯的趨勢(shì)變化,從而可以初步判定導(dǎo)致繞組溫度升高的原因可能是負(fù)荷增大或者是發(fā)電機(jī)散熱器出現(xiàn)問題。

對(duì)于A12號(hào)風(fēng)機(jī)發(fā)生異常之后,發(fā)電機(jī)前后軸承的溫度殘差變化如附錄A圖A7(a)所示。從殘差結(jié)果中可以看出,發(fā)電機(jī)后軸承溫度殘差在Re趨勢(shì)發(fā)生變化的同時(shí)呈現(xiàn)上升趨勢(shì),其他變量的殘差值一直在零值附近波動(dòng),發(fā)電機(jī)的前軸承溫度殘差趨勢(shì)沒有明顯變化,而后軸承b的溫度殘差呈明顯上升,這表明實(shí)際中發(fā)電機(jī)后軸承b的溫度已經(jīng)明顯偏離其長(zhǎng)期正常的溫度值,并且溫度正在逐漸升高。附錄A圖A7(b)中的風(fēng)機(jī)功率殘差曲線在發(fā)電機(jī)發(fā)生異常之后,發(fā)電功率與相同風(fēng)速正常狀態(tài)下相比受到一定的影響。因此根據(jù)故障與變量的關(guān)系可以判斷,可能是發(fā)電機(jī)后軸承油脂不足導(dǎo)致軸承磨損，使得溫度升高影響功率輸出。

本文針對(duì)風(fēng)機(jī)多個(gè)SCADA運(yùn)行參數(shù)包含豐富的狀態(tài)信息,建立了發(fā)電機(jī)多個(gè)變量的SAE預(yù)測(cè)模型,該模型可以全面反映風(fēng)機(jī)發(fā)電機(jī)的狀態(tài),并通過實(shí)驗(yàn)分析驗(yàn)證了該方法的有效性。另外,一旦利用充足的正常數(shù)據(jù)樣本訓(xùn)練完成風(fēng)機(jī)SAE網(wǎng)絡(luò)之后,其模型參數(shù)包含正常狀態(tài)下全面的信息特征,因此利用每秒或每分鐘(一個(gè)較短的時(shí)間段)的SCADA數(shù)據(jù)作為已經(jīng)建立好的SAE模型的輸入,直接計(jì)算得到反映狀態(tài)的Re, 計(jì)算量不大且可以實(shí)現(xiàn)在線預(yù)測(cè)使用。

5 結(jié)語

針對(duì)風(fēng)力發(fā)電機(jī)的狀態(tài)監(jiān)測(cè)與故障診斷方法的研究,本文提出基于發(fā)電機(jī)SCADA數(shù)據(jù)的SAE網(wǎng)絡(luò)深度學(xué)習(xí)方法。實(shí)際故障分析驗(yàn)證了深度學(xué)習(xí)方法的有效性,并達(dá)到了故障初步診斷的目的。

本文研究方法通過提取風(fēng)機(jī)多個(gè)SCADA參數(shù)的內(nèi)部關(guān)系,定義了單個(gè)監(jiān)測(cè)量實(shí)現(xiàn)對(duì)發(fā)電機(jī)異常的判定。該方法可以被進(jìn)一步推廣到風(fēng)機(jī)其他關(guān)鍵部件,如主軸承和齒輪箱。另外,在線訓(xùn)練可以實(shí)現(xiàn)網(wǎng)絡(luò)參數(shù)的遞進(jìn)學(xué)習(xí)更新,從而使得特征提取更加充分,為該方法實(shí)現(xiàn)風(fēng)機(jī)部件的在線狀態(tài)監(jiān)測(cè)提供了可能性。本文方法可以實(shí)現(xiàn)漸變式故障預(yù)測(cè),但未能實(shí)現(xiàn)對(duì)故障進(jìn)行識(shí)別和診斷。因此,可以進(jìn)一步與其他的故障診斷算法相結(jié)合或采用充足故障樣本訓(xùn)練網(wǎng)絡(luò)實(shí)現(xiàn)故障的診斷。

附錄見本刊網(wǎng)絡(luò)版(http://www.aeps-info.com/aeps/ch/index.aspx)。

參 考 文 獻(xiàn)

[1] 馬婧華,湯寶平,韓延,等.風(fēng)電機(jī)組傳動(dòng)系統(tǒng)網(wǎng)絡(luò)化狀態(tài)監(jiān)測(cè)與故障診斷系統(tǒng)設(shè)計(jì)[J].重慶大學(xué)學(xué)報(bào),2015,38(1):34-37.

MA Jinghua, TANG Baoping, HAN Yan, et al. Wind turbine transmission network status monitoring and fault diagnosis system design[J]. Journal of Chongqing University, 2015, 38(1): 34-37.

[2] 陳雪峰,李繼猛,程航,等.風(fēng)力發(fā)電機(jī)狀態(tài)監(jiān)測(cè)與故障診斷技術(shù)的研究與進(jìn)展[J].機(jī)械工程學(xué)報(bào),2011,47(9):45-52.

CHEN Xuefeng, LI Jimeng, CHENG Hang, et al. Research and application of condition monitoring and fault diagnosis technology in wind turbines[J]. Journal of Mechanical Engineering, 2011, 47(9): 45-52.

[3] 尹浩霖.基于小波分析和神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電機(jī)組故障診斷[D].西安:西安理工大學(xué),2014.

[4] LICARI J, EKANAYAKE J, MOORE I. Inertia response from full-power converter-based permanent magnet wind generators[J]. Journal of Modern Power Systems and Clean Energy, 2013, 1(1): 26-33.

[5] 梁穎,方瑞明.基于SCADA和支持向量回歸的風(fēng)電機(jī)組狀態(tài)在線評(píng)估方法[J].電力系統(tǒng)自動(dòng)化,2013,37(14):7-12.

LIANG Ying, FANG Ruiming. An on-line wind turbine condition assessment method based on SCADA and support vector regression[J]. Automation of Electric Power Systems, 2013, 37(14): 7-12.

[6] QIAO Wei, LU Dingguo. A survey on wind turbine condition monitoring and fault diagnosis: Part Ⅱ signals and signal processing methods[J]. IEEE Transactions on Industrial Electronics, 2015, 62(10): 6546-6557.

[7] 李輝,楊東,楊超,等.基于定子電流特征分析的雙饋風(fēng)電機(jī)組葉輪不平衡故障診斷[J].電力系統(tǒng)自動(dòng)化,2015,39(13):32-37.DOI:10.7500/AEPS20140830004.

LI Hui, YANG Dong, YANG Chao, et al. Blade imbalance fault diagnosis of doubly fed wind turbines based on stator current feature analysis[J]. Automation of Electric Power Systems, 2015, 39(13): 32-37. DOI: 10.7500/AEPS20140830004.

[8] 馬宏忠,張正東,石維俊,等.基于轉(zhuǎn)子瞬時(shí)功率譜的雙饋風(fēng)力發(fā)電機(jī)轉(zhuǎn)子繞組故障診斷[J].電力系統(tǒng)自動(dòng)化,2014,38(14):30-35.DOI:10.7500/AEPS20130808012.

MA Hongzhong, ZHANG Zhengdong, SHI Weijun, et al. Doubly-fed induction generator stator fault diagnosis based on rotor instantaneous power spectrum[J]. Automation of Electric Power Systems, 2014, 38(14): 30-35. DOI: 10.7500/AEPS20130808012.

[9] POPA L M, JENSEN B B, RITCHIE E, et al. Condition monitoring of wind generators[C]// Conference Record of the 38th IAS Annual Meeting, October 12-16, 2003, Salt Lake City, UT, USA: 1839-1846.

[10] 霍娟,唐貴基,劉大賓,等.基于溫度信號(hào)的風(fēng)電機(jī)組發(fā)電機(jī)實(shí)時(shí)可靠性監(jiān)測(cè)新方法[J].可再生能源,2016,34(3):408-412.

HUO Juan, TANG Guiji, LIU Dabin, et al. A novel monitoring method of wind turbine generator real-time reliability based on temperature signals[J]. Renewable Energy Resources, 2016, 34(3): 408-412.

[11] DING N, LU Z, QIAO Y, et al. Simplified equivalent models of large-scale wind power and their application on small-signal stability[J]. Journal of Modern Power Systems and Clean Energy, 2013, 1(1): 58-64.

[12] GUO P, INFIELD D, YANG X. A wind turbine generator condition-monitoring using temperature trend analysis[J]. Transactions on Sustainable Energy, 2012, 3(1): 124-132.

[13] 莊哲民,殷國(guó)華,李芬蘭,等.基于小波神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電機(jī)故障診斷[J].電工技術(shù)學(xué)報(bào),2009,24(4):224-228.

ZHUANG Zhemin, YIN Guohua, LI Fenlan, et al. Fault diagnosis of wind power generation based on wavelet neural network[J]. Transactions of China Electrotechnical Society, 2009, 24(4): 224-228.

[14] CASELITZ P, GIEBHARDT J. Rotor condition monitoring for improved operational safety of offshore wind energy converters[J]. Journal of the Textile Institute, 2005, 127(2): 253-261.

[15] WILKINSON M R, SPINATO F, TAVNER P J. Condition monitoring of generators & other subassemblies in wind turbine drive trains[C]// IEEE International Symposium on Diagnostics Electric Machines, Power Electronics and Drives, September 6-8, 2007, Cracow, Poland: 388-392.

[16] ZHU J, YOON J M, HE D, et al. Online particle contaminated lubrication oil condition monitoring and remaining useful life prediction for wind turbines[J]. Wind Energy, 2015, 18(6): 1131-1145.

[17] 雷亞國(guó),賈峰,周昕,等.基于深度學(xué)習(xí)理論的機(jī)械裝備大數(shù)據(jù)健康監(jiān)測(cè)方法[J].機(jī)械工程學(xué)報(bào),2015,51(21):49-56.

LEI Yaguo, JIA Feng, ZHOU Xin, et al. A deep learning-based method for machinery health monitoring with big data[J]. Journal of Mechanical Engineering, 2015, 51(21): 49-56.

[18] 薛禹勝,賴業(yè)寧.大能源思維與大數(shù)據(jù)思維的融合:(一)大數(shù)據(jù)與電力大數(shù)據(jù)[J].電力系統(tǒng)自動(dòng)化,2016,40(1):1-8.DOI:10.7500/AEPS20151208005.

XUE Yusheng, LAI Yening. Integration of macro energy thinking and big data thinking: Part one big data and power big data[J]. Automation of Electric Power Systems, 2016, 40(1): 1-8. DOI: 10.7500/AEPS20151208005.

[19] WORDEN K, STASZEWSKI W J, HENSMAN J J. Natural computing for mechanical systems research: a tutorial overview[J]. Mechanical Systems and Signal Processing, 2011, 25(1): 4-11.

[20] 趙光權(quán),葛強(qiáng)強(qiáng),劉小勇,等.基于DBN的故障特征提取及診斷方法研究[J].儀器與儀表學(xué)報(bào),2016,37(9):1946-1953.

ZHAO Guangquan, GE Qiangqiang, LIU Xiaoyong, et al. Fault feature extraction and diagnosis method based on deep belief network[J]. Chinese Journal of Scientific Instrument, 2016, 37(9): 1946-1953.

[21] CHEN Yushi, LIN Zhouhan, ZHAO Xing, et al. Deep learning-based classification of hyperspectral data[J]. IEEE Journal of Selected Topics in Applied Earth Observation and Remote Sensing, 2014, 7(6): 2094-2107.

[22] WILLETTS R, STARR A G, DOYLE A, et al. Generating adaptive alarms for condition monitoring data[J]. International Journal of Comadem, 2005, 8(3): 149-155.