于天笑

（國電聯(lián)合動力技術有限公司，北京 100039）

0 引 言

作為一種無污染的可再生能源，風能因其巨大的蘊藏量受到了世界各國的廣泛重視。但隨著風電的大規(guī)模發(fā)展，風電場運維工作量也隨之快速增加，已有技術手段不能全面支撐風電機組大部件異常狀態(tài)的早期發(fā)現(xiàn)及有效識別。為了提升風電場運維效率，本文利用大數(shù)據(jù)的采集和統(tǒng)計分析技術，對機組各種運行狀態(tài)進行分析評估，得出機組各個零部件運行過程中的劣化趨勢，自動對風電機組未來可能出現(xiàn)的異常情況提前做出預警，引導風電場運維人員開展預防性維護，降低機組故障損失。

1 風電機組異常預測中的大數(shù)據(jù)分析技術應用思路

風電場數(shù)據(jù)采集與監(jiān)控系統(tǒng)（SCADA系統(tǒng)）廣泛應用于我國風電領域。該系統(tǒng)主要負責風電機組及其部件運行狀態(tài)的監(jiān)測，通過設置閾值進行監(jiān)測數(shù)據(jù)的越限報警，可在一定程度上實現(xiàn)風電機組的異常監(jiān)測。但受采集數(shù)據(jù)點密集、在線監(jiān)測信息量大的影響，傳統(tǒng)的SCADA系統(tǒng)逐漸難以滿足風電設備監(jiān)測數(shù)據(jù)的在線處理需求。為應對海量且結構復雜的風電機組監(jiān)測數(shù)據(jù)，并保證數(shù)據(jù)的處理速度和處理精度，本文采用結合Hadoop技術的BP神經網(wǎng)絡平臺進行海量數(shù)據(jù)的存儲，并圍繞選取參數(shù)針對性生成異常預測算法，配合MapReduce框架進行預測模型訓練，滿足了風電設備的異常預測需要[1]。

2 風電機組異常預測模型體系

2.1 模型框架

為兼顧風電設備異常預測的數(shù)據(jù)處理速度和預測精度需要，本文提出了風電設備異常預測模型，如圖1所示。該模型應用了Hadoop集群和MapReduce框架。

圖1 風電設備異常預測模型

由圖1可知，模型由4個部分組成，即應用層、分析層、存儲層及數(shù)據(jù)采集層，具體構成如下。（1）應用層。應用層模塊主要負責使用完成訓練的異常預測模型，通過輸入在線的監(jiān)測數(shù)據(jù)，即可獲得預測的狀態(tài)參數(shù)值，以計算實際監(jiān)測值與模型預測值的殘差。如發(fā)現(xiàn)殘差出現(xiàn)距離波動，即可判斷風電設備存在運行狀態(tài)異常，相關人員可在數(shù)據(jù)可視化技術支持下直觀了解異常。（2）分析層。該層集成有完成訓練的BP神經網(wǎng)絡預測模型。該模型能夠應用大數(shù)據(jù)分析技術，對地理信息數(shù)據(jù)、天氣數(shù)據(jù)以及SCADA狀態(tài)監(jiān)測數(shù)據(jù)進行分析處理，以完成風電設備的異常狀態(tài)預測。海量數(shù)據(jù)處理中，傳統(tǒng)的BP神經網(wǎng)絡訓練方法很容易出現(xiàn)因內存不足而無法訓練或耗時較長問題。為了解決該問題，本文研究引入了開源云計算平臺Hadoop，由此BP神經網(wǎng)絡得以與MapReduce框架結合，并行化運行方式也由此實現(xiàn)。并行化運行方式支持下，分析層能夠對訓練樣本進行并行地批量訓練，模型的運行速度及精度均大幅提升。（3）存儲層。該層選用的存儲介質為Hive和HBase等分布式數(shù)據(jù)庫。作為基于Hadoop的數(shù)據(jù)倉庫工具，Hive能夠提供類sql查詢功能，并能夠實現(xiàn)MapReduce作業(yè)與sql語句之間的轉譯。通過轉譯即可保證sql語句在Hadoop上的執(zhí)行，也能實現(xiàn)并行運行大批量數(shù)據(jù)處理任務功能。作為構建在HDFS上的分布式列存儲系統(tǒng)，HBase具備可伸縮、高性能以及高可靠特點。服務器可在HBase的支持下實現(xiàn)大規(guī)模結構化存儲集群的搭建。深入分析發(fā)現(xiàn)，Hive和HBase等分布式數(shù)據(jù)庫具備高吞吐量和高容錯率特點。因此，二者均能夠較好地服務于海量風電設備歷史監(jiān)測數(shù)據(jù)的存儲，且數(shù)據(jù)的批處理訪問模式需要也能夠得到較好滿足。（4）數(shù)據(jù)采集層。采集的數(shù)據(jù)主要包括地理信息數(shù)據(jù)、天氣數(shù)據(jù)以及風電設備的狀態(tài)監(jiān)測數(shù)據(jù)。業(yè)務原有各類特殊傳感器的生產運行管理數(shù)據(jù)也需要通過數(shù)據(jù)采集層實現(xiàn)采集。由于需要采集的數(shù)據(jù)存在大量重復內容，且模態(tài)各異、來源不一，數(shù)據(jù)采集層需負責重復數(shù)據(jù)與異常數(shù)據(jù)的清除，完成數(shù)據(jù)的清除后可將其余數(shù)據(jù)傳輸至文件系統(tǒng)或分布式數(shù)據(jù)庫，傳輸過程需應用Sqoop等大數(shù)據(jù)技術。在應用Sqoop的數(shù)據(jù)傳輸中，傳輸數(shù)據(jù)可實現(xiàn)標準化、自動化的格式調整，人為的序列/反序列化操作可由此大幅減少[2]。

2.2 預測模型構建

作為一種多層前饋網(wǎng)絡，按誤差反向傳播算法訓練屬于神經網(wǎng)絡的主要特征。由于神經網(wǎng)絡能夠實現(xiàn)任意非線性映射關系的較好表示，因此近年來被廣泛應用于各領域。神經網(wǎng)絡的具體應用中，描述映射關系的數(shù)學方程無需提前了解。BP神經網(wǎng)絡的拓撲結構由輸入層、輸出層以及若干隱層組成，采用最速下降法作為學習算法。為實現(xiàn)神經網(wǎng)絡誤差平方和的最小化，需不斷調整神經網(wǎng)絡的閾值與權值。結合相關研究發(fā)現(xiàn)，若BP神經網(wǎng)絡隱含層擁有足夠多的神經元數(shù)目，僅包含一個隱含層的BP神經網(wǎng)絡就能夠以任意精度逼近一個連續(xù)的非線性函數(shù)?；诖?，本文研究采用的BP神經網(wǎng)絡僅具備一個隱含層，如圖2所示。

由圖2可知，BP神經網(wǎng)絡模型中，為有效減少算法運行時間，采用了并行運算的方法。在MapReduce并行化方法的支持下，每個權值的變化量能夠在Map階段完成計算與輸出，各個權值的總變化量則能夠在Reduce階段進行完全統(tǒng)計，配合權值的科學化統(tǒng)一調整，訓練即可基于批處理的方式展開。

2.3 異常預測運行流程

受天氣季節(jié)性變化和風速波動變化的影響，風電機組需要頻繁切換自身的運行工況。受工況的頻繁切換影響，風電機組設備狀態(tài)監(jiān)測數(shù)據(jù)的幅值往往會出現(xiàn)較大波動，因此風電機組的運行安全程度無法通過幅值的大小實現(xiàn)準確判斷。為應對風電機組運行特點，現(xiàn)階段業(yè)界多采用閾值報警方法，即對風電機組的運行狀態(tài)判斷中，以監(jiān)測信號是否達到報警閾值為基礎。但這種閾值報警方法的應用很容易出現(xiàn)誤報和漏報等問題，風電設備異常預測的精確度不高。因此，本文采用了殘差分析方式對風電機組運行狀態(tài)進行判斷，基本流程可描述為：“歷史監(jiān)測數(shù)據(jù)→預處理→歷史可用數(shù)據(jù)→歸一化處理→BP神經網(wǎng)絡訓練模型→網(wǎng)絡權值和閾值矩陣→BP神經網(wǎng)絡預測模型”“新監(jiān)測數(shù)據(jù)→BP神經網(wǎng)絡預測模型→計算殘差→是否大于殘差閾值→是→計算RMSE→是否大于RMSE閾值→是→狀態(tài)異常”，如果殘差與RMSE不大于設定閾值，則說明風電設備狀態(tài)正常。

圖2 BP神經網(wǎng)絡模型

具體的風電設備異常預測過程如下。（1）針對性選擇正常運行狀態(tài)下的風電機組SCADA數(shù)據(jù)，并開展針對性預處理，以得到用于后續(xù)分析的監(jiān)測數(shù)據(jù)。按比例進行劃分，將剛剛得到的監(jiān)測數(shù)據(jù)分為測試數(shù)據(jù)與訓練數(shù)據(jù)。（2）歸一化處理訓練數(shù)據(jù)，選取6個狀態(tài)參數(shù)作為模型的輸入?yún)?shù)，分別為發(fā)電機轉速、機艙振動有效值、齒輪箱油溫、風速、機艙振動傳感器X及機艙振動傳感器Y?；谳斎?yún)?shù)進行BP神經網(wǎng)絡模型訓練，訓練結束依據(jù)為輸出值誤差控制在理想范圍。（3）基于目標參數(shù)使用預測模型進行預測，對比實際值與預測參數(shù)結果以獲得殘差。若未發(fā)現(xiàn)殘差大于設定閾值，可判斷參數(shù)對應的風機設備狀態(tài)正常。（4）對比實際值與預測參數(shù)結果，若獲得的殘差在設定閾值以上，需應用式（1）進行均方根誤差RMSE的計算。式（1）中的D、m分別為均方根誤差與樣本數(shù)，x與xi分別為模型的預測值與實際值。由此得到的RMSE計算結果可用于殘差變化劇烈程度的衡量。為更加準確地反映殘差變化的趨勢，需結合滑動窗口技術。結合每天開展的相關計算，即可明確RMSE的變化情況。（5）結合計算得出RMSE結果。若該結果不大于設定閾值，即可判斷風電設備狀態(tài)未出現(xiàn)異常[3]。

2.4 測試結果與分析

為驗證本文提出方法的實用性，搭建Hadoop平臺開展測試。測試采用由2個從節(jié)點與1個主節(jié)點組成的Hadoop集群，節(jié)點的內存為2 G，屬于應用Hyper-V管理器創(chuàng)建的虛擬機，硬盤為200 G，開發(fā)過程中應用了HBase、Hive及Eclipse等技術。

圍繞某風電場提供的2017年1月至2018年12月的實際運行數(shù)據(jù)展開，數(shù)據(jù)來源為33臺風電機組的SCADA系統(tǒng)采集數(shù)據(jù)。測試選擇了33臺機組中的15臺機組在2018年6月的監(jiān)測數(shù)據(jù)，基于15組監(jiān)測數(shù)據(jù)選擇訓練樣本，以開展模型訓練。為保證模型輸出誤差得到較好控制，每組的訓練次數(shù)設為1 000，可得到性能優(yōu)秀的BP神經網(wǎng)絡預測模型。選取對應1臺機組的2018年6月的15組監(jiān)測數(shù)據(jù)作為測試樣本，進行下一時刻齒輪箱油溫平均值的預測，可得出模型預測值與實際監(jiān)測值的對比結果。對比真實值和預測值發(fā)現(xiàn)，真實值與預測值基本吻合，模型的精確性和有效性得到了證明。

為測試并行化后的模型加速效果，分別在單機和集群環(huán)境下進行同樣大小測試數(shù)據(jù)集的程序運行時間測試。測試結果表明，單機在數(shù)據(jù)量較小時的運行時間明顯優(yōu)于集群運行，但集群的計算優(yōu)勢隨數(shù)據(jù)集的增大而逐漸明顯。由此可見，并行化方式較為適用于海量的風機設備監(jiān)測數(shù)據(jù)處理。

3 結 論

大數(shù)據(jù)分析技術可較好地服務于風電設備異常預測。因此，本文介紹了風電設備異常預測模型、BP神經網(wǎng)絡模型及異常預測運行流程等內容，提供了可行性較高的大數(shù)據(jù)分析技術應用路徑。為了更好地發(fā)揮大數(shù)據(jù)分析技術優(yōu)勢，需要重視實時可靠性評價公式的建立，風電機組監(jiān)測數(shù)據(jù)的時序性特點及短時風速波動帶來的影響。