（酒泉職業(yè)技術(shù)學(xué)院，甘肅酒泉市，735000）方占萍

為了改善風(fēng)電場運(yùn)維情況，就應(yīng)通過大數(shù)據(jù)統(tǒng)計(jì)分析專業(yè)技術(shù)，來準(zhǔn)確預(yù)測、評估機(jī)組設(shè)備的運(yùn)行狀態(tài)，并明確機(jī)組零部件的實(shí)際運(yùn)行劣化趨勢，再智能化預(yù)警風(fēng)電機(jī)組后續(xù)可能的異?，F(xiàn)象，幫助風(fēng)電場運(yùn)維者做好預(yù)防性維護(hù)，有效避免機(jī)組出現(xiàn)故障。

1 大數(shù)據(jù)分析專業(yè)技術(shù)概述

在大數(shù)據(jù)時(shí)代下，各個(gè)行業(yè)均發(fā)展得越來越快。在迅速發(fā)展中，會產(chǎn)生大量的數(shù)據(jù)。為了充分發(fā)揮數(shù)據(jù)的作用，便應(yīng)注意分析、計(jì)算數(shù)據(jù)。而通過大數(shù)據(jù)分析專業(yè)技術(shù)，便可以從各個(gè)行業(yè)內(nèi)部收集并存儲下來的數(shù)據(jù)出發(fā)，按照各自的行業(yè)特征，以切實(shí)適合的方法，來科學(xué)地展開分析，并輔助提出正確決策。

大數(shù)據(jù)分析指的就是一個(gè)基于數(shù)據(jù)，來整理、轉(zhuǎn)換、建模的整個(gè)過程，主要旨在找出有助于業(yè)務(wù)決策的信息。通過數(shù)據(jù)分析專業(yè)技術(shù)的應(yīng)用，可提取出海量數(shù)據(jù)內(nèi)的有用信息，并基于數(shù)據(jù)分析結(jié)果正確做出決策。相較于傳統(tǒng)數(shù)據(jù)，大數(shù)據(jù)表現(xiàn)出很明顯的數(shù)據(jù)量大、迅速響應(yīng)、種類豐富多樣、不易識別、價(jià)值高及密度低等方面的特點(diǎn)。而以上這些特點(diǎn)也屬于大數(shù)據(jù)分析發(fā)展中的挑戰(zhàn)，為了迎接這些挑戰(zhàn)，大型互聯(lián)網(wǎng)公司便陸續(xù)推出了類型各異的大數(shù)據(jù)分析處理技術(shù)系統(tǒng)。在進(jìn)一步發(fā)展大數(shù)據(jù)行業(yè)之中，先進(jìn)的大數(shù)據(jù)分析專業(yè)技術(shù)也獲得了飛快的發(fā)展。而在風(fēng)電行業(yè)，面臨海量、復(fù)雜多變的機(jī)組設(shè)備數(shù)據(jù)監(jiān)測，為了控制數(shù)據(jù)分析處理的速度及精度，也有應(yīng)用大數(shù)據(jù)分析專業(yè)技術(shù)，來達(dá)到預(yù)測風(fēng)電行業(yè)設(shè)備異常方面的要求。

2 建立模型框架

為了滿足預(yù)測風(fēng)電設(shè)備各種異常數(shù)據(jù)在處理速率及日常預(yù)測精度上的要求，文中建立了一個(gè)預(yù)測風(fēng)電設(shè)備各種異常的模型。在模型當(dāng)中，主要涉及分析層、應(yīng)用層、采集層、存儲層這些組成部分。

作為前饋多層網(wǎng)絡(luò)之一，從反向傳播誤差的算法專業(yè)訓(xùn)練具有神經(jīng)網(wǎng)絡(luò)上的特征。因?yàn)樯窠?jīng)網(wǎng)絡(luò)可顯示非線性整體映射關(guān)系，所以在各個(gè)領(lǐng)域均獲得了很廣泛的應(yīng)用。在實(shí)際應(yīng)用神經(jīng)網(wǎng)絡(luò)中，不必提前了解映射關(guān)系的描述方程。在BP神經(jīng)的拓?fù)渚W(wǎng)絡(luò)結(jié)構(gòu)內(nèi)，主要涉及輸入輸出層、隱層等，且學(xué)習(xí)算法就是最速下降法。為了最小化神經(jīng)網(wǎng)絡(luò)上的誤差平方和，便應(yīng)靈活調(diào)整好整個(gè)神經(jīng)網(wǎng)絡(luò)上的閾值及權(quán)值。據(jù)有關(guān)研究顯示，如果在BP神經(jīng)網(wǎng)絡(luò)上的隱含層內(nèi)，幫助充足的神經(jīng)元，并且只含有唯一隱含層之類的BP神經(jīng)網(wǎng)絡(luò)，便可從任意精度，直接逼近一個(gè)連續(xù)不斷的非線性函數(shù)。為此，文中選擇的是只有一個(gè)隱含層類型的BP神經(jīng)網(wǎng)絡(luò)。就BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型，為了縮短算法運(yùn)行所耗時(shí)間，展開了并行運(yùn)算?；诓⑿谢椒∕apReduce的大力支持，就各權(quán)值變化量，便可在Map環(huán)節(jié)順利運(yùn)算并輸出來。針對權(quán)值各異的總變化量，便可在Reduce中完全統(tǒng)計(jì)，并科學(xué)地統(tǒng)一靈活調(diào)整配合權(quán)值，并可從批處理上展開訓(xùn)練。

3 預(yù)測異常運(yùn)行的程序

在季節(jié)性天氣變化及頻繁更改風(fēng)速的作用下，風(fēng)電場內(nèi)機(jī)組也應(yīng)積極切換自己的運(yùn)行工況。在反復(fù)切換風(fēng)電機(jī)組工況的情況下，監(jiān)測設(shè)備狀態(tài)的數(shù)據(jù)也會經(jīng)常大幅波動(dòng)幅值。所以不能利用幅值大小，來準(zhǔn)確判斷風(fēng)電機(jī)組的實(shí)際運(yùn)行安全水平。為了順應(yīng)風(fēng)電機(jī)組的這個(gè)運(yùn)行特征，當(dāng)前在風(fēng)電行業(yè)一般都采用的是閾值報(bào)警法。也就是在判斷風(fēng)電機(jī)組的實(shí)際運(yùn)行狀態(tài)時(shí)，采用監(jiān)測信號有沒有上升至報(bào)警閾值的判斷基礎(chǔ)。但是，該閾值報(bào)警法，在實(shí)際應(yīng)用的過程當(dāng)中，極易發(fā)生誤漏報(bào)等，所以預(yù)測風(fēng)電設(shè)備的有關(guān)異常精確度較低。所以，文中通過殘差分析法，來判斷風(fēng)電機(jī)組的實(shí)際運(yùn)行狀態(tài)。大致的程序如下所示：“監(jiān)測歷史數(shù)據(jù)→開始預(yù)處理→選出可用歷史數(shù)據(jù)→做好歸一化→搭建BP神經(jīng)網(wǎng)絡(luò)專業(yè)訓(xùn)練模型→設(shè)置網(wǎng)絡(luò)權(quán)值、形成閾值矩陣→建立BP神經(jīng)網(wǎng)絡(luò)專業(yè)預(yù)測模型”“監(jiān)測新數(shù)據(jù)→建立BP神經(jīng)網(wǎng)絡(luò)專業(yè)預(yù)測模型→算出殘差→有沒有超過殘差閾值→有→算出RMSE→有沒有超過RMSE閾值→有→異常狀態(tài)”，倘若殘差或RMSE未超過設(shè)定閾值，就表示風(fēng)電設(shè)備在正常狀態(tài)下。

實(shí)際預(yù)測風(fēng)電設(shè)備出現(xiàn)異常的過程：①選出正常運(yùn)行下風(fēng)電機(jī)組內(nèi)部的SCADA數(shù)據(jù)，并長期有針對性的預(yù)處理措施，以獲得后續(xù)分析所需的監(jiān)測數(shù)據(jù)。根據(jù)一定的比例展開劃分環(huán)節(jié)，以才獲得的監(jiān)測數(shù)據(jù)作為測試及訓(xùn)練所需數(shù)據(jù)。②對訓(xùn)練數(shù)據(jù)，采取歸一化處理，并選擇六個(gè)狀態(tài)參數(shù)當(dāng)作模型輸入所需參數(shù)，依次就是振動(dòng)機(jī)艙的值、發(fā)電機(jī)轉(zhuǎn)速值、風(fēng)速大小、輪箱內(nèi)部油溫、振動(dòng)傳感器X與Y。從輸入?yún)?shù)出發(fā)，展開BP神經(jīng)網(wǎng)絡(luò)專業(yè)模型訓(xùn)練，按照訓(xùn)練結(jié)束基礎(chǔ)依據(jù)，來控制輸出值誤差位于允許范圍。③從目標(biāo)參數(shù)出發(fā)，通過預(yù)測模型展開預(yù)測，比較實(shí)際值和參數(shù)預(yù)測結(jié)果，并得到殘差。一旦沒有發(fā)現(xiàn)殘差超過設(shè)定閾值，則可斷定參數(shù)下的風(fēng)機(jī)設(shè)備一切正常。④比較實(shí)際值和參數(shù)預(yù)測結(jié)果，一旦殘差超過設(shè)定閾值，便應(yīng)通過下式，來算出均方根RMSE誤差：

其中，D—均方根誤差；m—樣本數(shù)；x—模型預(yù)測值；xi—實(shí)際值。以上的RMSE結(jié)果，還可用作衡量殘差改變的劇烈水平。為了準(zhǔn)確體現(xiàn)殘差發(fā)展趨勢，還應(yīng)按滑動(dòng)窗口技術(shù)，根據(jù)每天計(jì)算，來獲得RMSE改變狀況。⑤從計(jì)算中獲得RMSE值，如果該值有超過設(shè)定閾值，便應(yīng)判斷該風(fēng)電設(shè)備位于異常狀態(tài)。

4 結(jié)果分析

為了證實(shí)文中所提方法的正確實(shí)用性，建立起Hadoop平臺，并開始測試過程。其中使用的是兩從節(jié)點(diǎn)和一主節(jié)點(diǎn)形成的集群Hadoop。這些節(jié)點(diǎn)具有2G內(nèi)存，是基于Hyper-V應(yīng)用管理器，建立的虛擬機(jī)。而內(nèi)含200G硬盤，通過Eclipse、Hive、HBase等專業(yè)技術(shù)來開發(fā)。從某風(fēng)電場2019年1月~2020年1月具體的運(yùn)行數(shù)據(jù)開始，這些數(shù)據(jù)源自SCADA體系33臺風(fēng)電設(shè)備的數(shù)據(jù)。在測試中選出33臺機(jī)組設(shè)備中的15臺在2019年7月獲得的監(jiān)測數(shù)據(jù)。從監(jiān)測的15組數(shù)據(jù)出發(fā)，選出訓(xùn)練樣本，并執(zhí)行模型訓(xùn)練。為了有效控制模型輸出中的誤差，設(shè)置各組訓(xùn)練1 000次，獲得性能佳的BP神經(jīng)網(wǎng)絡(luò)專業(yè)預(yù)測模型。選擇一臺機(jī)組對應(yīng)的2019年7月監(jiān)測產(chǎn)生的15組數(shù)據(jù)當(dāng)作測試樣本，并預(yù)測下一時(shí)刻油溫均值，獲得比較模型預(yù)測值和監(jiān)測值的結(jié)果。據(jù)比較顯示，真實(shí)值大致吻合預(yù)測值，很好地證實(shí)了模型的有效性與精確度。

總之，在風(fēng)電場，大數(shù)據(jù)分析專業(yè)技術(shù)能夠用于準(zhǔn)確預(yù)測設(shè)備異常。所以，文中提出了相應(yīng)的預(yù)測模型，以預(yù)測異常運(yùn)行流程等。為了利用好大數(shù)據(jù)分析這種技術(shù)，還應(yīng)注意引進(jìn)評價(jià)實(shí)時(shí)可靠性的公式，兼顧風(fēng)速短時(shí)波動(dòng)與監(jiān)測數(shù)據(jù)信息的時(shí)序性，以確保預(yù)測的高可行性，進(jìn)而有效促進(jìn)風(fēng)電行業(yè)的健康發(fā)展。