，， ，，,2

(1.國網(wǎng)新疆電力有限公司經(jīng)濟(jì)技術(shù)研究院，新疆 烏魯木齊 830000；2.能源與電力經(jīng)濟(jì)技術(shù)實驗室(國網(wǎng)新疆電力有限公司經(jīng)濟(jì)技術(shù)研究院)，新疆 烏魯木齊 830000)

0 引 言

風(fēng)電產(chǎn)業(yè)隨新能源需求的日益增大，不斷蓬勃發(fā)展，風(fēng)力發(fā)電技術(shù)也日趨完善。作為風(fēng)機(jī)選擇及風(fēng)電場選址重要指標(biāo)參數(shù)的風(fēng)電機(jī)組噪聲及其衍生問題，也逐漸被科研人員重視起來[1-3]。文獻(xiàn)[4]評價并指出了風(fēng)電機(jī)組中發(fā)電機(jī)所發(fā)低頻噪聲對居民生活的相關(guān)影響。文獻(xiàn)[5]仿真驗證了風(fēng)電機(jī)組所輻射的噪聲信號，其參數(shù)聲壓級中包含有機(jī)組運行狀態(tài)信息。文獻(xiàn)[6]以風(fēng)電機(jī)組振動、噪聲信號長期檢測為研究基礎(chǔ)，發(fā)現(xiàn)并分析了機(jī)組振動、噪聲信號之間存在的相關(guān)性。由此表明，進(jìn)行風(fēng)電機(jī)組噪聲預(yù)測的研究具有極重要的現(xiàn)實意義。

目前，針對風(fēng)電機(jī)組的噪聲信號研究，主要以風(fēng)機(jī)氣動噪聲為出發(fā)點，對機(jī)組機(jī)械噪聲的探索研究十分少。以實驗室環(huán)境為基礎(chǔ)，分析研究永磁同步風(fēng)電機(jī)組的振動、噪聲相關(guān)性，模擬機(jī)組空載、負(fù)載及加有風(fēng)速逐漸變化的運行狀態(tài)，實時采集各運行狀態(tài)下風(fēng)電機(jī)組發(fā)電機(jī)主軸縱橫兩個方位、齒輪箱的高速軸與低速軸縱橫兩個方位的振動信號數(shù)據(jù)和風(fēng)電機(jī)組整機(jī)的噪聲信號數(shù)據(jù)[7]，并通過信息熵理論計算提取數(shù)據(jù)的特征量作為樣本數(shù)據(jù)，建立基于遺傳算法的支持向量回歸(genetic algorithm-based support vector regression，GA-SVR)的多源數(shù)據(jù)融合噪聲預(yù)測模型，為實現(xiàn)以振動噪聲相關(guān)性為基礎(chǔ)的振動、噪聲預(yù)測提供參考，并為開展機(jī)械噪聲的預(yù)測研究提供參考。

1 風(fēng)電機(jī)組振動與噪聲

大型風(fēng)電機(jī)組的噪聲特性參數(shù)一直以來被視為其質(zhì)量評定的重要指標(biāo)。同時，有學(xué)者研究指明風(fēng)電機(jī)組所輻射產(chǎn)生的振動與噪聲信號間存在有一定的相互關(guān)聯(lián)性。事實上，機(jī)組運行時的噪聲數(shù)據(jù)根據(jù)國標(biāo)要求有很大的采集難度，但其對風(fēng)電機(jī)組的運行狀態(tài)研究又十分重要[8]。因此，開展對風(fēng)電機(jī)組實時運行中噪聲信號的預(yù)測研究，具有極為重要的現(xiàn)實發(fā)展意義。

2 實驗?zāi)M和數(shù)據(jù)采集

實驗研究數(shù)據(jù)通過振動檢測設(shè)備EMT690D和噪聲檢測設(shè)備SVAN958A，對標(biāo)準(zhǔn)干凈的實驗室環(huán)境下的20 kW永磁同步風(fēng)電機(jī)組(不含葉片)進(jìn)行實驗?zāi)M，該機(jī)組的具體參數(shù)如表1所示。采集分為數(shù)據(jù)的信號檢測和后臺處理兩個部分。信號檢測通過振動傳感器與聲級計完成，采集到的實時數(shù)據(jù)需經(jīng)濾波，再轉(zhuǎn)成數(shù)字信號顯示、儲存于后臺運行計算機(jī)，采集過程如圖1所示。

表1 永磁同步風(fēng)力發(fā)電機(jī)組參數(shù)

測振點分別設(shè)置于機(jī)組中發(fā)電機(jī)主軸端縱橫兩個方位、齒輪箱高速軸和低速軸的縱橫兩個方位。以振動傳感器為基準(zhǔn)，在其同側(cè)設(shè)置與機(jī)組軸承等高的聲壓級傳感器，保持聲壓級傳感器與機(jī)組水平測距為1.5 m。數(shù)據(jù)采集中設(shè)置振動、噪聲采樣頻率一致，均為200 Hz，選取振動加速度和聲壓級作為本次測量的主要參數(shù)。

圖1 振動與噪聲的信號采集

在實驗室環(huán)境下，分別模擬了風(fēng)電機(jī)組的空載運行、空載運行時變速和勻速增加調(diào)節(jié)風(fēng)速、負(fù)載6 kW運行、負(fù)載6 kW運行時變速和勻速增加調(diào)節(jié)風(fēng)速，并同步采集在不同實驗中對應(yīng)的振動、噪聲數(shù)據(jù)。

3 噪聲預(yù)測模型的建立

3.1 信息熵

(1)

研究分析表明，以奇異譜熵、功率譜熵、小波能譜熵和小波空間譜熵4種信息熵為基礎(chǔ)，對振動、噪聲信號進(jìn)行特征量的提取，可以較完整地保留信號各特征信息[9]。

(2)

(3)

小波能譜熵和小波空間譜熵則能夠?qū)崿F(xiàn)數(shù)據(jù)基于時頻域的特征提取。假設(shè)能量函數(shù)f(t)滿足小波變換后的能量守恒定律，則：

(4)

(5)

(6)

3.2 多源數(shù)據(jù)融合

多源數(shù)據(jù)融合技術(shù)在處理多層次、多方面等過程上有著極廣泛的應(yīng)用。該技術(shù)能實現(xiàn)全面的對多傳感器采集的多數(shù)據(jù)進(jìn)行檢測、相關(guān)、組合和估計等處理，提升了其在狀態(tài)、身份識別應(yīng)用中的精準(zhǔn)度，并且該技術(shù)還能完成對極為復(fù)雜的多變化態(tài)勢的實時評測。該技術(shù)在實際應(yīng)用中，通過多個傳感單元實現(xiàn)多源證據(jù)信息的獲取，然后全面地對這些證據(jù)信息進(jìn)行融合，從而有效實現(xiàn)了比單一傳感更精準(zhǔn)、更穩(wěn)當(dāng)、更有效的解析和判別[10]。

多源數(shù)據(jù)特征級融合，是在傳感單元處便開始進(jìn)行數(shù)據(jù)的特征提取，然后對提取的特征量進(jìn)行解析實現(xiàn)最終的融合，如圖2所示。

圖2 特征級融合

3.3 GA-SVR算法

一般的支持向量機(jī)回歸(support vector regression，SVR)，因其核函數(shù)可以完成矩陣運行及相應(yīng)的乘積運算等，在進(jìn)行二次規(guī)劃問題研究中相較其他一般算法效率和功能有所提升[11]。

基于遺傳算法(genetic algorithm，GA)的SVR預(yù)測，以GA完成優(yōu)化。該算法能夠自適地實現(xiàn)隨機(jī)搜尋，并在全局較大概率地得到最優(yōu)解，確定得到較優(yōu)的懲罰因子c與核函數(shù)半徑g等。同時，基于遺傳算法的支持向量機(jī)回歸(GA-SVR)結(jié)合了ε-不靈敏損失函數(shù)，提高了算法在應(yīng)用中的魯棒性和泛化性[12]。GA-SVR的預(yù)測流程如圖3所示。

圖3 GA-SVR的預(yù)測流程

3.4 多源數(shù)據(jù)特征級融合與GA-SVR相結(jié)合

通過信息熵理論計算提取振動、噪聲數(shù)據(jù)的特征量，特征量中保留有信息特征，并以此為樣本數(shù)據(jù)在GA-SVR中完成多源數(shù)據(jù)特征級融合，建立預(yù)測模型實現(xiàn)風(fēng)電機(jī)組振動、噪聲預(yù)測，其流程如圖4所示。

圖4 多源數(shù)據(jù)融合結(jié)合改進(jìn)的GA-SVR

4 仿真結(jié)果和分析

4.1 數(shù)據(jù)樣本

實驗中選擇用Matlab編寫、實現(xiàn)模擬仿真，并以同步測得的實際振動、噪聲數(shù)據(jù)樣本為依據(jù)，隨機(jī)選取樣本數(shù)據(jù)100個，用式(2)、式(3)、式(5)、式(6)分別計算出樣本數(shù)據(jù)點的奇異譜熵值、功率譜熵值、小波能譜熵和小波空間譜熵值，如表2所示。將這些特征數(shù)值作為輸入樣本進(jìn)行模型的構(gòu)建和完善訓(xùn)練。首先，隨機(jī)選取數(shù)據(jù)樣本庫中的70個樣本點為基礎(chǔ)訓(xùn)練數(shù)據(jù)，對模型進(jìn)行完善訓(xùn)練，再以完善的訓(xùn)練模型預(yù)測隨機(jī)選取的30個樣本點對應(yīng)的聲壓級，最后進(jìn)行預(yù)測結(jié)果與實際樣本值的比較，計算出相對誤差及平均相對誤差。相對誤差的大小用于直觀反映預(yù)測結(jié)果的可信度，平均相對誤差的大小用于間接驗證預(yù)測結(jié)果是否為可接受。

4.2 結(jié)果分析

首先，實驗?zāi)M風(fēng)電機(jī)組空載運行的狀態(tài)，以振動數(shù)據(jù)參數(shù)預(yù)測噪聲數(shù)據(jù)參數(shù)，將預(yù)測結(jié)果的值與實測樣本值進(jìn)行比較，如圖5所示，并計算得出相對誤差百分比，如圖6所示，相對誤差的平均值如表3所示。

圖5 空載運行時的預(yù)測結(jié)果

圖6 空載運行時的相對誤差

圖5表明幅值存在小幅度誤差，波動趨勢基本一致。同時，圖6中的相對誤差均不高于2%，且以小于1.5%為主，表明預(yù)測精度較高；平均相對誤差僅為1.221 1%，直觀地表現(xiàn)出可以接受的預(yù)測結(jié)果。

表2 特征量熵值的部分計算結(jié)果

實驗?zāi)M空載運行時變速和勻速增加調(diào)節(jié)風(fēng)速的運行狀態(tài)，將預(yù)測結(jié)果的值與實測樣本值進(jìn)行比較，如圖7所示，并計算得出相對誤差百分比，如圖8所示，相對誤差的平均值如表3所示。

圖7表明幅值也存在小幅度誤差，但波動趨勢基本一致。圖8中的相對誤差均不高于3%，且以小于1.8%為主，表明預(yù)測精度較高；平均相對誤差僅為1.232 2%，直觀地表現(xiàn)出可以接受的預(yù)測結(jié)果。

圖7 空載運行時風(fēng)速增大的預(yù)測結(jié)果

圖8 空載運行時風(fēng)速增大的相對誤差

實驗?zāi)M負(fù)載6 kW運行的狀態(tài)，將預(yù)測結(jié)果的值與實測樣本值進(jìn)行比較，如圖9所示，并計算得出相對誤差百分比，如圖10所示，相對誤差的平均值如表3所示。

表3 相對誤差的平均值

圖9表明幅值存在小幅度誤差，波動趨勢基本一致。圖10中的相對誤差均不高于1.6%，且以小于1.5%為主，表明預(yù)測精度較高；平均相對誤差僅為1.233 0%，直觀地表現(xiàn)出可以接受的預(yù)測結(jié)果。

圖9 負(fù)載6 kW運行時的預(yù)測

圖10 負(fù)載6 kW運行時的相對誤差

實驗?zāi)M負(fù)載6 kW運行時變速和勻速增加調(diào)節(jié)風(fēng)速的運行狀態(tài)，將預(yù)測結(jié)果的值與實測樣本值進(jìn)行比較，如圖11所示，并計算得出相對誤差百分比，如圖12所示，相對誤差的平均值如表3所示。

圖11 負(fù)載6 kW運行時風(fēng)速增大的預(yù)測

圖11表明幅值存在小幅度誤差，波動趨勢基本一致。圖12中的相對誤差均不高于2.5%，且以小于1.5%為主，表明預(yù)測精度較高；平均相對誤差僅為1.112 1%，表明預(yù)測結(jié)果可以接受。

圖12 負(fù)載6 kW運行時風(fēng)速增大的相對誤差

5 結(jié) 語

通過分析研究大型永磁同步風(fēng)力發(fā)電機(jī)組振動信號與噪聲信號的現(xiàn)實特征，和它們之間的相互關(guān)聯(lián)與影響特性，提出了運用信息熵的優(yōu)秀特征提取特性，完成振動數(shù)據(jù)參數(shù)對噪聲數(shù)據(jù)參數(shù)的有效預(yù)測思路。在標(biāo)準(zhǔn)干凈的實驗室環(huán)境下模擬了機(jī)組運行時可能出現(xiàn)的不同運行狀態(tài)，并對風(fēng)電機(jī)組中發(fā)電機(jī)的主軸徑向與軸向、齒輪箱高速軸和低速軸徑向與軸向的振動數(shù)據(jù)、整機(jī)噪聲進(jìn)行了實時采集，并以信息熵理論為基礎(chǔ)對采集到的樣本數(shù)據(jù)進(jìn)行了特征量的提取。最后，應(yīng)用基于多源數(shù)據(jù)特征級融合的GA-SVR噪聲預(yù)測方法，對所提出的預(yù)測思想進(jìn)行了驗證。

實驗結(jié)果表明，基于多源數(shù)據(jù)特征級融合的GA-SVR噪聲預(yù)測，預(yù)測值與實際值之間尚有一定誤差，分析推測可能是受電磁振動、噪聲的影響，但獲取的預(yù)測結(jié)果能滿足較高的精度要求，并準(zhǔn)確地在預(yù)測結(jié)果中得到了與實際情況一致的噪聲波動趨勢，這將為風(fēng)電機(jī)組運行預(yù)測和早期故障診斷提供有效的參考和依據(jù)。