傅曉駿 孫海龍 章珈寧

摘?要：發(fā)電風機葉片結冰故障診斷在國際上現(xiàn)在依舊在研發(fā)過程，大多數(shù)風力發(fā)電廠都是葉片結冰影響運行后進停止發(fā)電，用各種方法去冰。針對這一現(xiàn)象，本文設想了一種采用數(shù)據(jù)驅動型的結冰檢測方法，通過分析SCADA系統(tǒng)采集現(xiàn)場數(shù)據(jù)，建立結冰預測模型。首先根據(jù)工業(yè)大數(shù)據(jù)的特點，在預處理環(huán)節(jié)，進行剔除奇異值等操作;再通過機理分析，選擇合適特征;最后將特征數(shù)據(jù)帶入使用粒子群算法優(yōu)化參數(shù)的支持向量機中。實驗表明對葉片結冰預測取得了顯著成果，這可能成為風機葉片結冰狀態(tài)預測的新方法。

關鍵詞：風機故障診斷;風力發(fā)電;工業(yè)大數(shù)據(jù);支持向量機

葉片結冰是風電領域的一個全球范圍難題。目前對風力機結冰問題研究上集中在及時發(fā)現(xiàn)葉片的結冰情況并在產(chǎn)生影響前除去冰，如果能對葉片結冰進行早期預測，也是防止葉片結冰對風力發(fā)電產(chǎn)生影響的重要手段，現(xiàn)在也有通過紅外線檢測葉片溫度數(shù)據(jù)預測結冰狀態(tài)。然而上述這些方法，都需要對葉片進行改造，裝設額外設備，降低了風力發(fā)電效率。

SCADA系統(tǒng)在風電行業(yè)已廣泛使用，系統(tǒng)每天產(chǎn)生大量的監(jiān)測數(shù)據(jù)，而葉片結冰的信息往往蘊含其中，本文設想通過數(shù)據(jù)驅動角度，對SCADA系統(tǒng)監(jiān)視數(shù)據(jù)進行處理，以實現(xiàn)對葉片結冰狀態(tài)的檢測和判斷，從過去被動維護轉變?yōu)橹鲃泳S護，且不過分依賴于專業(yè)知識。

1 數(shù)據(jù)預處理

首先刪去訓練集中的已知的無效樣本。

然后采用箱型圖方法可以剔除部分奇異點：

（1）樣本被從小到大排列，按照某個變量;

（2）計算該變量的上四分位數(shù)Q2，下四分位數(shù)Q1，中位數(shù);

（3）計算上下限：

式中：Δ=Q2-Q1，k為控制限，但k=1.5時得到的奇異值是溫和的，當k=3時得到的奇異值是極端的，這里我們需要極端奇異值;

（4）該變量奇異點所在的樣本被全部刪除;

（5）繼續(xù)以上方法計算，直到檢驗完畢所有變量。

2 平衡數(shù)據(jù)集

通過一般的學習算法所獲得的分類效果經(jīng)常不夠理想。因此我們嘗試通過在數(shù)據(jù)層面和算法層面進行創(chuàng)新改進來提升效果。數(shù)據(jù)層面主要是重采樣技術，比如EasyEnsemble和BalanceCascade兩種知情欠采樣方式，合成少類過采樣技術（SMOTE）技術等等。在算法層面的方法有基于代價敏感（Cost-Sensitive）、基于單類學習（One-Class）、基于主動學習（Active Learning）、基于集成分類算法等幾個方法。

大樣本定長欠采樣和小樣本Smote算法過采樣方法都在本文中被使用，從大數(shù)據(jù)中摘取有效數(shù)據(jù)，把結冰和未結冰的樣本數(shù)據(jù)控制在20000以內，且基本相等。由于從大數(shù)據(jù)欠采樣到2萬組，任何采樣方法失去很多有價值的樣本，本文結合風力發(fā)電機運行實際情況，總結出幾條規(guī)則，可以將樣本中明顯不結冰的數(shù)據(jù)先剔除。

經(jīng)過上述方法篩選后，去除了約5萬條正常數(shù)據(jù)的樣本，14萬樣本數(shù)量依舊太過龐大，進一步分析，許多樣本之間的表征信息幾乎一致，下一步刪除冗余部分，該過程算法為：

具體過程為：

（1）原始樣本標準化，計算δ值;

（2）計算$x_{i}$和$x_{j}$（j>i）的相似度$R_{ij}$;

（3）定義一合適閾值ε，如果$R_{ij}>＼＼varepsilon$，刪去樣本$x_{j}$;

（4）重復以上步驟，直到所有樣本檢查完畢。

經(jīng)過上述步驟后，最后摘取到約2萬組正常有效的樣本。

接下來處理非正常樣本，即我們得到的約1萬結冰樣本數(shù)據(jù)，為使樣本量增加一倍，我們采用了Smote算法。為達到平衡樣本的目的，在一些位置接近的數(shù)量較少的樣本中插入新樣本即是Smote算法的中心思想，以上方法不同于隨機過采樣的將樣本數(shù)據(jù)簡單復制，而是為避免分類器的過度擬合，通過增加創(chuàng)造出來的樣例。

經(jīng)過上述一系列操作，訓練集兩類數(shù)據(jù)一共約4萬組樣本，且數(shù)量相等。

3 選擇特征

運行中的風力發(fā)電機葉片表面結冰，這是復雜的過程，這一過程受到許多環(huán)境因素影響的，想要建立精準的預測風機葉片結冰狀態(tài)的數(shù)學模型具有很大難度，而采用數(shù)據(jù)驅動的方法，數(shù)量眾多的樣本還有檢測變量，都會使得運算過程十分復雜，并且不能快速確定葉片的結冰狀態(tài)。所以，結合風力發(fā)電原理以及葉片表面凍結過程，對風機結冰整個過程的特征狀態(tài)進行分析，并與機器學習的能力相結合，方可進行有效預測。

所謂風力發(fā)電，即風力推動葉片轉動，葉片帶動發(fā)電機轉動，利用電磁感應現(xiàn)象產(chǎn)生電能。但是葉片結冰后會改變運動特性，降低風能到電能的轉化效率，雖然電能的產(chǎn)生效率不全依賴風速，但風能與電能的轉化效率在一定程度上可以反映葉片的結冰狀態(tài)，結合正常情況和異常結冰數(shù)據(jù)功率散點和通過數(shù)據(jù)擬合正常數(shù)據(jù)獲得理論功率曲線，將該理論功率曲線作為葉片未凍結的理論曲線，把風力發(fā)電機實際輸出功率與理論功率的殘差作為特征，通過分析，若兩者的殘差非常大，或者殘差不穩(wěn)定，表示葉片很大可能已出現(xiàn)結冰故障，需要處理。

從另一方面講，運行中的風機葉片表面出現(xiàn)凍結故障勢必會對風能與電能的轉化效率造成不利影響，以上述方法，第二特征選擇擬合正常轉速曲線計算出的每組數(shù)據(jù)的轉速殘差。

另外，周圍溫度肯定也是十分重要的因素，溫度這一變量要被著重考慮，通過分析外部溫度與風機內部溫度的差別，我們發(fā)現(xiàn)這一差別與風機葉片的是否結冰有著很大的關聯(lián)。

通過主成分分析技術，我們可以分析樣本在主成分和非主成分方向的投影，通過這一技術可以進一步構造敏感特征的方法，分析風速和實際功率在非主成分方向的投影。

最終經(jīng)過分析，把外部溫度，外部溫度，風速，實際功率以及4個衍生變量作為選擇特征。

4 分類器構建及參數(shù)優(yōu)化

本文采用機器學習模型為支持向量機，同時為了尋找最優(yōu)參數(shù)，又引入粒子群算法，借以提高故障識別的性能。以下是計算過程：

在統(tǒng)計學中提出的機器學習方法即是SVM算法，這一算法的基礎是VC維理論和結構最小化原理，通過超強的學習能力克服復雜的數(shù)學模型，為有效的解決線性不可分的這一難題引入核函數(shù)，這一方法的效果非常顯著。過程可簡單描述為：

我們按照要求取w，b的值。這一過程使該超平面到兩類支持向量的幾何間隔最大，從而目標函數(shù)及約束條件寫作：

核函數(shù)類型確定之后，結合粒子群算法進行參數(shù)C和g尋優(yōu)。

5 結語

數(shù)據(jù)驅動學習方法在工業(yè)領域有廣泛的應用前景，本文在發(fā)電風機葉片結冰領域，針對過去單純依靠機理分析或監(jiān)控可視化等手段，使用機器學習的方法，首先對現(xiàn)場實際數(shù)據(jù)進行預處理，然后結合機理分析進行特征提取，最后通過粒子群支持向量機模型實現(xiàn)對葉片結冰的預測。

參考文獻：

[1]田鵬輝，羅衡強，湯亞男.風力機組葉片防覆冰技術發(fā)展現(xiàn)狀[J].電器工業(yè)，2013，14（5）：62-65.

[2]東喬天，金哲巖，楊志剛.風力機結冰問題研究綜述[J].機械設計與制造，2014，52（10）：269-272.

[3]梁穎，方瑞明.基于SCADA和支持向量回歸的風電機組狀態(tài)在線評估方法[J].電力系統(tǒng)自動化，2013，37（14）：7-12.

[4]劉強，秦泗釗.過程工業(yè)大數(shù)據(jù)建模研究展望[J].自動化學報，2016，42（2）：161-171.

作者簡介：傅曉駿（1990—?），男，漢族，浙江桐廬人，本科，中級工程師，研究方向：自動化。