姜興武

（大唐廣東分公司新能源事業(yè)部，廣東 廣州 510000）

0 引 言

面對風(fēng)電機(jī)組事故發(fā)生頻繁以及造成的巨額損失，風(fēng)電機(jī)組的狀態(tài)監(jiān)測技術(shù)引起了國內(nèi)外相關(guān)人員的極大關(guān)注。然而，鑒于現(xiàn)代風(fēng)電機(jī)組的運(yùn)行特點(diǎn)，傳統(tǒng)的狀態(tài)監(jiān)測方法雖然可以實(shí)現(xiàn)故障的有效診斷，但存在一定的局限性，對于故障的早期預(yù)警和診斷問題尤為突出。狀態(tài)監(jiān)測的主要目的是監(jiān)測設(shè)備性能參數(shù)，定位設(shè)備劣化拐點(diǎn)，提前采取維護(hù)檢修措施，保證設(shè)備安全穩(wěn)定運(yùn)行[1-2]。由于傳統(tǒng)的狀態(tài)監(jiān)測都是孤立的看待一個(gè)測點(diǎn)參數(shù)，每個(gè)測點(diǎn)使用固定的報(bào)警上下限，一個(gè)界限用于所有工況。因此，傳統(tǒng)的狀態(tài)監(jiān)測技術(shù)主動、早期識別故障的能力非常有限，存在的問題有：報(bào)警上下限設(shè)置太窄，誤報(bào)率高；報(bào)警上下限設(shè)置太寬，漏報(bào)率高，或者報(bào)警報(bào)得很遲。

本文擬在研究風(fēng)電機(jī)組運(yùn)行參數(shù)之間的相關(guān)性，利用深度學(xué)習(xí)方法建立參數(shù)之間交叉擬合模型，實(shí)時(shí)監(jiān)測參數(shù)實(shí)際值相對于預(yù)測值的相對誤差值進(jìn)行參數(shù)預(yù)警。同時(shí)，報(bào)警上下限不再是固定值，而是由預(yù)測值和誤差閾值決定的一條“動態(tài)帶”范圍，不僅報(bào)警上下限能夠自適應(yīng)調(diào)整，提高報(bào)警準(zhǔn)確性，而且多參數(shù)聯(lián)合監(jiān)測能夠主動識別早期故障征兆，實(shí)現(xiàn)故障預(yù)測。

1 基于相關(guān)性分析的風(fēng)電機(jī)組子系統(tǒng)劃分

假設(shè)風(fēng)電機(jī)組某子系統(tǒng)包含A、B、C、D共4個(gè)參數(shù)，那么它們之間具有一定的相關(guān)性，利用深度神經(jīng)網(wǎng)絡(luò)建立它們之間的交叉擬合模型：

其中，f(·)表示深度神經(jīng)網(wǎng)絡(luò)模型，W1、W2、W3、W4表示深度神經(jīng)網(wǎng)絡(luò)中神經(jīng)元之間的權(quán)值；A，B，C，D分別表示4個(gè)參數(shù)的擬合值。

該子系統(tǒng)運(yùn)行參數(shù)正常的約束條件是：

其中，δ1、δ2、δ3、δ4為各參數(shù)實(shí)際值相對于預(yù)測值的相對誤差閾值，可以取相同值或不同。

風(fēng)電機(jī)組中參數(shù)眾多，但并非所有的參數(shù)之間都存在相關(guān)性或相關(guān)性很強(qiáng)。因此，本文研究中對風(fēng)電機(jī)組眾多參數(shù)進(jìn)行相關(guān)性分析，根據(jù)相關(guān)性強(qiáng)弱關(guān)系將風(fēng)電機(jī)組參數(shù)劃分為不同的若干參數(shù)群，從而將風(fēng)電機(jī)組劃分為若干子系統(tǒng)。基于參數(shù)相關(guān)性分析的風(fēng)電機(jī)組子系統(tǒng)劃分主要目的是降低模型復(fù)雜度，即減少特征參數(shù)個(gè)數(shù)，加快模型訓(xùn)練速度。

2 基于深度神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組參數(shù)預(yù)測模型

本文考慮到設(shè)備運(yùn)行參數(shù)之間的相關(guān)性，利用深度學(xué)習(xí)方法，借助計(jì)算機(jī)優(yōu)越的計(jì)算性能，建立參數(shù)之間交叉擬合模型，并用海量的運(yùn)行數(shù)據(jù)訓(xùn)練模型，通過調(diào)正參數(shù)等工作尋找最優(yōu)模型。

2.1 數(shù)據(jù)準(zhǔn)備

從風(fēng)電機(jī)組運(yùn)行數(shù)據(jù)管理數(shù)據(jù)庫中獲取風(fēng)電機(jī)組歷史運(yùn)行數(shù)據(jù)用于訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)模型。用于訓(xùn)練的數(shù)據(jù)集要求是風(fēng)電機(jī)組正常運(yùn)行時(shí)的運(yùn)行參數(shù)數(shù)據(jù)。數(shù)據(jù)準(zhǔn)備主要包括兩部分：（1）數(shù)據(jù)清洗，在剔除異常值的基礎(chǔ)上，采用線性差值的方法獲取等間隔時(shí)間點(diǎn)的數(shù)據(jù)，從而保證各參數(shù)數(shù)據(jù)在時(shí)間尺度上保持一致；（2）數(shù)據(jù)歸一化。

2.2 確定模型結(jié)構(gòu)

研究中采用深度信念網(wǎng)絡(luò)（Deep Belief Networks，DBN）建立風(fēng)電機(jī)組參數(shù)預(yù)測模型[3]。深度信念網(wǎng)絡(luò)可以看作是多個(gè)受限玻爾茲曼機(jī)（Restricted Boltzmann Machine，RBM）堆棧，最后一層作為分類器或預(yù)測輸出。

2.3 訓(xùn)練模型

將經(jīng)過數(shù)據(jù)清理和歸一化的風(fēng)電機(jī)組運(yùn)行參數(shù)數(shù)據(jù)作為DBN網(wǎng)絡(luò)模型的輸入，選擇目標(biāo)監(jiān)測參數(shù)作為網(wǎng)絡(luò)輸出，訓(xùn)練過程中將目標(biāo)監(jiān)測參數(shù)歷史數(shù)據(jù)作為標(biāo)簽數(shù)據(jù)，因此該訓(xùn)練過程整體上是一種有監(jiān)督學(xué)習(xí)過程。

3 實(shí)驗(yàn)驗(yàn)證

本文從SCADA系統(tǒng)中獲取某風(fēng)力機(jī)2016年1月到2016年10月這段時(shí)間內(nèi)的監(jiān)測數(shù)據(jù)，共118個(gè)參數(shù)。對所獲取的數(shù)據(jù)進(jìn)行數(shù)據(jù)清理，可以獲得原始風(fēng)速數(shù)據(jù)和數(shù)據(jù)清理后的風(fēng)速數(shù)據(jù)，如圖1、圖2所示。數(shù)據(jù)清理后一共得到10 000組數(shù)據(jù)，對其進(jìn)行歸一化處理。

圖1 原始風(fēng)速數(shù)據(jù)

圖2 數(shù)據(jù)清理后的風(fēng)速數(shù)據(jù)

研究獲取的參數(shù)屬性一共118個(gè)，為了減少模型訓(xùn)練難度，驗(yàn)證過程中以機(jī)艙溫度為例。根據(jù)相關(guān)系數(shù)平均值大小選出與機(jī)艙溫度相關(guān)性高的屬性，并將這些屬性組合起來劃分為機(jī)艙系統(tǒng)。這里相關(guān)系數(shù)平均值閾值取0.6，一共篩選出45個(gè)相關(guān)性較高的屬性。圖3表示與機(jī)艙溫度相關(guān)性較高的6個(gè)屬性。

圖3 機(jī)艙溫度相關(guān)性高的屬性

圖4 機(jī)艙溫度擬合DBN網(wǎng)絡(luò)模型

由相關(guān)性分析得到機(jī)艙系統(tǒng)包含46個(gè)屬性參數(shù)，以機(jī)艙溫度為例，建立其DBN網(wǎng)絡(luò)模型，如圖4所示。激活函數(shù)均為“sigmiod”函數(shù)。該模型包含3個(gè)隱藏層，神經(jīng)元個(gè)數(shù)分別是（30，20，10）。

采用2.3所描述的算法對機(jī)艙溫度模型進(jìn)行訓(xùn)練，其中9 000組數(shù)據(jù)用于訓(xùn)練，剩余1 000組數(shù)據(jù)用于驗(yàn)證模型。驗(yàn)證結(jié)果如圖5所示，可以看出擬合誤差能夠控制在很小范圍。

圖5 機(jī)艙溫度模型

4 結(jié) 論

為了解決風(fēng)電機(jī)組事故頻繁發(fā)生的問題，提出一種基于深度學(xué)習(xí)的風(fēng)電機(jī)組參數(shù)故障預(yù)測技術(shù)。本文通過對風(fēng)電機(jī)組運(yùn)行參數(shù)的相關(guān)性分析，將風(fēng)電機(jī)組劃為若干個(gè)子系統(tǒng)，并利用深度學(xué)習(xí)方法建立參數(shù)之間的交叉擬合模型，利用海量的運(yùn)行數(shù)據(jù)進(jìn)行訓(xùn)練模型，得到最優(yōu)的預(yù)測模型，同時(shí)，通過實(shí)驗(yàn)驗(yàn)證了本文方法的有效性。