熊昌全，何澤其，張宇寧，黃 勝

(1.國(guó)家電投集團(tuán)四川電力有限公司，四川 成都 610065;2.國(guó)家電投集團(tuán)四川電力有限公司涼山分公司，四川 西昌 615000)

0 引 言

隨著化石能源短缺以及環(huán)境污染等問(wèn)題的出現(xiàn)，風(fēng)力資源作為綠色可再生能源受到科學(xué)與工業(yè)界的高度重視[1]。為充分有效地利用風(fēng)力資源，風(fēng)電場(chǎng)一般建于高海拔山區(qū)或沿海區(qū)域，這些地區(qū)往往具有晝夜溫差大、濕度大、風(fēng)力強(qiáng)等特點(diǎn)。在低溫季節(jié)，長(zhǎng)期處于潮濕寒冷環(huán)境下的風(fēng)電場(chǎng)面臨嚴(yán)重的風(fēng)機(jī)葉片覆冰問(wèn)題。風(fēng)機(jī)葉片覆冰將加劇葉片的疲勞載荷以及影響風(fēng)機(jī)產(chǎn)能，嚴(yán)重時(shí)會(huì)導(dǎo)致設(shè)備故障和風(fēng)機(jī)壽命縮短。極端情況下，過(guò)度積冰甚至可能發(fā)生風(fēng)機(jī)塔筒坍塌[2-3]，嚴(yán)重影響風(fēng)電場(chǎng)安全經(jīng)濟(jì)運(yùn)行。因此亟需開(kāi)展對(duì)風(fēng)機(jī)葉片覆冰狀態(tài)預(yù)測(cè)研究，提前采取防范措施以預(yù)防可能發(fā)生的覆冰危害，確保風(fēng)電場(chǎng)安全高效運(yùn)行。

針對(duì)風(fēng)機(jī)葉片覆冰狀況研究，文獻(xiàn)[4]利用天氣數(shù)據(jù)進(jìn)行預(yù)測(cè)研究，將預(yù)測(cè)結(jié)果輸入基于物理機(jī)理的iceBlade模型中，實(shí)現(xiàn)對(duì)風(fēng)機(jī)葉片的覆冰監(jiān)測(cè)。文獻(xiàn)[5]基于壓電陶瓷應(yīng)力波測(cè)量，提出了風(fēng)機(jī)葉片覆冰主動(dòng)監(jiān)測(cè)方法，結(jié)果表明，壓電陶瓷電壓測(cè)量信號(hào)與覆冰厚度存在顯著的相關(guān)性，方法偏向?qū)嶒?yàn)分析。以上覆冰檢測(cè)研究以覆冰產(chǎn)生機(jī)理和過(guò)程數(shù)值作為重點(diǎn)研究對(duì)象，缺少對(duì)風(fēng)機(jī)自身運(yùn)行數(shù)據(jù)的考量。文獻(xiàn)[6]基于數(shù)據(jù)分析的風(fēng)機(jī)狀態(tài)監(jiān)測(cè)方法，提出一種基于數(shù)據(jù)采集與監(jiān)控系統(tǒng)(supervisory control and data acquisition, SCADA)數(shù)據(jù)變量相關(guān)性的監(jiān)測(cè)方法，實(shí)現(xiàn)在不同工況下對(duì)風(fēng)機(jī)健康狀況的定量評(píng)估。文獻(xiàn)[7]基于SCADA數(shù)據(jù)，提出了一種主動(dòng)診斷式的覆冰監(jiān)測(cè)方法，分別從機(jī)組整體性能、葉槳吸能效率、機(jī)組塔架振動(dòng)對(duì)風(fēng)機(jī)覆冰開(kāi)展精細(xì)化研究，并進(jìn)行了相互驗(yàn)證，但忽略了指標(biāo)整體關(guān)聯(lián)性。文獻(xiàn)[8]通過(guò)SCADA系統(tǒng)收集的基礎(chǔ)數(shù)據(jù)作為模型輸入，提出了一種基于長(zhǎng)短期記憶網(wǎng)絡(luò)的葉片覆冰故障檢測(cè)模型，但LSTM模型存在精確性不足等問(wèn)題。文獻(xiàn)[9]提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)葉片故障預(yù)測(cè)方法，先根據(jù)行業(yè)經(jīng)驗(yàn)，從SCADA監(jiān)測(cè)數(shù)據(jù)集選出與風(fēng)力發(fā)電機(jī)葉片結(jié)冰關(guān)聯(lián)度高的數(shù)據(jù)，通過(guò)多源融合的方法利用BP神經(jīng)網(wǎng)絡(luò)自聚類算法進(jìn)行葉片結(jié)冰故障預(yù)測(cè)，但對(duì)數(shù)據(jù)選擇和處理較為粗糙，導(dǎo)致預(yù)測(cè)精度欠缺，且BP自聚類算法存在分類數(shù)據(jù)需求大的問(wèn)題。支持向量機(jī)(support vector machine，SVM)在學(xué)習(xí)樣本數(shù)較少的情況下比人工智能方法有更強(qiáng)的適應(yīng)性、更好的分類能力[10]。

綜上所述，傳統(tǒng)的覆冰狀態(tài)監(jiān)測(cè)方法不能精確判斷風(fēng)機(jī)葉片覆冰狀態(tài)，且風(fēng)機(jī)覆冰狀態(tài)監(jiān)測(cè)數(shù)據(jù)冗余，處理較為困難。針對(duì)這個(gè)問(wèn)題，提出一種基于雙向傳播長(zhǎng)短期記憶網(wǎng)絡(luò)(bidirectional long short-term memory, Bi-LSTM)和SVM的風(fēng)機(jī)葉片覆冰狀態(tài)預(yù)測(cè)模型。首先，基于主成分分析法對(duì)SCADA數(shù)據(jù)進(jìn)行降維處理，得到與風(fēng)力發(fā)電機(jī)葉片覆冰關(guān)聯(lián)度較高的數(shù)據(jù)特征；其次，對(duì)篩選的數(shù)據(jù)特征歷史數(shù)據(jù)進(jìn)行數(shù)據(jù)分析與預(yù)處理，并作為訓(xùn)練集輸入Bi-LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，Bi-LSTM可以有效解決傳統(tǒng)LSTM網(wǎng)絡(luò)對(duì)長(zhǎng)關(guān)聯(lián)數(shù)據(jù)點(diǎn)信息識(shí)別能力較差的問(wèn)題，經(jīng)過(guò)測(cè)試表明預(yù)測(cè)模型精確度良好；最后，基于大量歷史數(shù)據(jù)集訓(xùn)練好的SVM模型，對(duì)Bi-LSTM數(shù)據(jù)特征輸出的預(yù)測(cè)數(shù)據(jù)進(jìn)行覆冰狀態(tài)判別，最終確定風(fēng)機(jī)葉片是否會(huì)出現(xiàn)覆冰故障。

1 SCADA數(shù)據(jù)特征處理

1.1 主成分分析法

基于SCADA監(jiān)測(cè)系統(tǒng)得到的數(shù)據(jù)指標(biāo)集維數(shù)較多，在此情況下，往往會(huì)使得計(jì)算量增大引發(fā)維數(shù)災(zāi)難，因此需要對(duì)數(shù)據(jù)指標(biāo)集進(jìn)行降維。主成分分析法[11](principal component analysis，PCA)是一種廣泛使用的數(shù)據(jù)指標(biāo)降維方法，其目的是對(duì)能反映風(fēng)機(jī)葉片覆冰狀態(tài)特性的數(shù)據(jù)特征進(jìn)行降維，同時(shí)對(duì)具有較高的原始變量信息量的數(shù)據(jù)特征進(jìn)行排序，因此可利用該方法篩選影響風(fēng)機(jī)葉片覆冰的關(guān)鍵指標(biāo)。其步驟如下：

1)對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理

2)計(jì)算標(biāo)準(zhǔn)化矩陣的相關(guān)系數(shù)矩陣

R=(Sij)p×p，i,j=1,2,…p

(1)

式中：R為協(xié)方差矩陣；Sij為協(xié)方差矩陣中第i行和第j列所對(duì)應(yīng)的數(shù)。

3)計(jì)算相關(guān)系數(shù)矩陣的特征值和相應(yīng)的特征向量

4)選擇主成分

每個(gè)特征根對(duì)應(yīng)的特征向量為a1,a2…,ap，通過(guò)特征向量將標(biāo)準(zhǔn)化的數(shù)據(jù)指標(biāo)轉(zhuǎn)化為主成分

yi=a′iβ

(2)

式中：yi為主成分；β為預(yù)處理后的原變量值。

主成分的信息量大小由方差貢獻(xiàn)率決定，其表達(dá)式為

(3)

式中：αi為方差貢獻(xiàn)率；λi為特征值；m為選取協(xié)方差矩陣特征值的個(gè)數(shù)。

累積方差貢獻(xiàn)率表達(dá)式為

(4)

式中：G(m)為累積方差貢獻(xiàn)率；λk為第k個(gè)主成分的特征值。

5)計(jì)算主成分載荷

主成分載荷的表達(dá)式為

(5)

式中：lij為主成分載荷；aij為各變量間的相關(guān)系數(shù)矩陣。

6)主成分得分表達(dá)式

Gi=α1y1+α2y2+…+αpyp

(6)

式中，Gi為最終所提取的主成分得分。

最后，將原始數(shù)據(jù)集帶入主成分表達(dá)式中即可計(jì)算出主成分得分，通過(guò)篩選主成分得分高的構(gòu)成新的數(shù)據(jù)特征集，通常當(dāng)累計(jì)方差貢獻(xiàn)率大于85%時(shí)，所確定的主成分可以反映相關(guān)變量特性。

1.2 數(shù)據(jù)預(yù)處理

為使數(shù)據(jù)特征形式符合Bi-LSTM風(fēng)機(jī)葉片覆冰預(yù)測(cè)模型的輸入規(guī)范，采用歸一化和標(biāo)準(zhǔn)化對(duì)數(shù)據(jù)進(jìn)行預(yù)處理[12]。針對(duì)范圍有限的數(shù)據(jù)特征，采用歸一化統(tǒng)一不同數(shù)據(jù)特征的取值范圍，即將數(shù)據(jù)特征的上限設(shè)為1，下限設(shè)為0，其表達(dá)式為

(7)

式中：X′為預(yù)處理后的數(shù)據(jù)特征；X為原始數(shù)據(jù)；Xmax、Xmin分別為數(shù)據(jù)特征中的最大值和最小值。

對(duì)于范圍不確定的數(shù)據(jù)，采用標(biāo)準(zhǔn)化降低異常數(shù)據(jù)帶來(lái)的影響，即將數(shù)據(jù)特征的均值轉(zhuǎn)化為0，方差轉(zhuǎn)化為1，其表達(dá)式為

(8)

式中，δ、ζ分別為數(shù)據(jù)特征的均值和標(biāo)準(zhǔn)差。

2 Bi-LSTM神經(jīng)網(wǎng)絡(luò)

為解決一般的循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network, RNN)存在的無(wú)法記憶長(zhǎng)時(shí)間段信息和對(duì)內(nèi)存與計(jì)算時(shí)間要求高的局限性，LSTM作為一種時(shí)間循環(huán)神經(jīng)網(wǎng)絡(luò)被設(shè)計(jì)提出[13-14]。且雙向機(jī)制可以提供給輸出層輸入序列中每一個(gè)點(diǎn)完整的過(guò)去和未來(lái)的上下文信息，進(jìn)一步提高網(wǎng)絡(luò)對(duì)長(zhǎng)關(guān)聯(lián)信息的識(shí)別能力[15]。

LSTM單元包含3個(gè)門控：輸入門、遺忘門和輸出門。此外，每個(gè)序列索引位置t有向前傳播的隱藏狀態(tài)h(t)，同時(shí)還有一個(gè)用于描述前后時(shí)間耦合的細(xì)胞狀態(tài)，記為C(t)。具體模型結(jié)構(gòu)如圖1所示。

圖1 LSTM內(nèi)部結(jié)構(gòu)

LSTM的3個(gè)門控具體運(yùn)作流程如下所述：

1)遺忘門

遺忘門決定前一個(gè)時(shí)間步內(nèi)部狀態(tài)對(duì)當(dāng)前時(shí)間步內(nèi)部狀態(tài)的更新。首先，在遺忘門輸入端輸入上一序列的隱藏狀態(tài)ht-1和本序列數(shù)據(jù)Xt；其次，通過(guò)激活函數(shù)σ，得到遺忘門的輸出pt；最后，輸出值pt賦值給對(duì)應(yīng)細(xì)胞狀態(tài)變量Ct-1，表達(dá)式為

pt=σ(Wpht-1+UpXt+bp)

(9)

式中：Wp、Up為線性關(guān)系的系數(shù)；bp為t-1時(shí)刻到達(dá)t時(shí)刻的神經(jīng)元所對(duì)應(yīng)輸入門的偏置；σ、pt分別為sigmoid的激活函數(shù)和輸出結(jié)果，其中pt∈(0,1)。

2)輸入門

輸入門決定當(dāng)前時(shí)間步的輸入和前一個(gè)時(shí)間步的系統(tǒng)狀態(tài)對(duì)內(nèi)部狀態(tài)的更新。具體為將過(guò)去的記憶與現(xiàn)在的記憶合并：首先，由sigmoid激活函數(shù)得到it；其次，由tanh激活函數(shù)得到at；然后，將it與at進(jìn)行相乘；最后，用所乘結(jié)果對(duì)細(xì)胞狀態(tài)進(jìn)行更新，其表達(dá)式為

(10)

式中，Wi、bi分別為t-1時(shí)刻到達(dá)t時(shí)刻的神經(jīng)元所對(duì)應(yīng)的輸入門的權(quán)重函數(shù)和偏置；Wa、ba分別為t-1時(shí)刻到達(dá)t時(shí)刻的神經(jīng)元所對(duì)應(yīng)的輸入數(shù)據(jù)的權(quán)重函數(shù)和偏置；Ui、Ua為輸入門線性關(guān)系的系數(shù)。

細(xì)胞狀態(tài)更新過(guò)程由Ct-1與遺忘門輸出pt的乘積和輸入門it與at的乘積構(gòu)成。此過(guò)程表達(dá)式為

Ct=Ct-1⊙pt+it⊙a(bǔ)t

(11)

式中：Ct為新細(xì)胞狀態(tài)；⊙為哈達(dá)瑪積。

3)輸出門

輸出門決定內(nèi)部狀態(tài)對(duì)系統(tǒng)狀態(tài)的更新。輸出基于細(xì)胞狀態(tài)，但最終輸出結(jié)果會(huì)被過(guò)濾。首先，運(yùn)行一個(gè)sigmoid層來(lái)確定細(xì)胞狀態(tài)的輸出部分；其次，把細(xì)胞狀態(tài)通過(guò)tanh進(jìn)行處理(得到一個(gè)在-1～1之間的值)并將它和sigmoid門的輸出相乘，最終輸出結(jié)果。

ot=σ[Wo(ht-1,xt)+bo]

(12)

ht=ottanh(Ct)

(13)

式中：ot為輸出門系數(shù)；Wo和bo分別為t-1時(shí)刻到達(dá)t時(shí)刻的神經(jīng)元所對(duì)應(yīng)的輸出門的權(quán)重函數(shù)和偏置。

Bi-LSTM網(wǎng)絡(luò)的基本思想是對(duì)于一個(gè)訓(xùn)練序列進(jìn)行向前和向后兩次LSTM訓(xùn)練，并連接著同一個(gè)輸出層，從而提供給輸出層輸入序列中每一個(gè)點(diǎn)完整的過(guò)去和未來(lái)的上下文信息，如圖2所示。其公式為：

圖2 Bi-LSTM

1)正向計(jì)算LSTM隱藏層狀態(tài)

st=f(U·xt+W·st-1)

(14)

2)反向計(jì)算LSTM隱藏層狀態(tài)

(15)

3)最終輸出取決于s和s′

(16)

式中：U、V、W為各個(gè)權(quán)重矩陣；f、g為L(zhǎng)STM激活函數(shù)。

Bi-LSTM網(wǎng)絡(luò)擁有的特殊門結(jié)構(gòu)和記憶功能，具有良好的時(shí)序數(shù)據(jù)處理能力。風(fēng)機(jī)覆冰預(yù)測(cè)所需基礎(chǔ)數(shù)據(jù)冗雜且都與時(shí)間序有關(guān)，所以Bi-LSTM網(wǎng)絡(luò)適用于所提的風(fēng)機(jī)葉片覆冰狀態(tài)預(yù)測(cè)。

3 SVM模型

支持向量機(jī)是由Vapnik等人提出[10]。SVM可用于高維模式的識(shí)別，即分類問(wèn)題研究。其基本思想是，基于在數(shù)據(jù)集里找到支持向量，在特征空間上找到最佳分離超平面使得訓(xùn)練集上的不同樣本間隔最大。

腕表搭載的機(jī)心Movement RR-01在時(shí)間指示上僅為簡(jiǎn)單的小三針，但是十分有心地加入了停秒機(jī)制和秒針歸零機(jī)制，方便腕表精準(zhǔn)調(diào)校（大部分的腕表在調(diào)整時(shí)間時(shí)秒針會(huì)繼續(xù)走）。這款機(jī)心還仿制了舊式懷表的上鏈機(jī)制，令表主在上發(fā)條時(shí)能夠聽(tīng)到非常復(fù)古的機(jī)械聲。這些細(xì)節(jié)處的用心，大概就是這匹黑馬得以登頂?shù)脑颉C(jī)心提供100小時(shí)動(dòng)力儲(chǔ)存，時(shí)分秒顯示。

對(duì)于二分類問(wèn)題，最優(yōu)分類超平面的表達(dá)式可設(shè)為

wφ(x)+b=0

(17)

式中，w、b分別為權(quán)重和閾值偏差。

進(jìn)一步地，原樣本空間的二分類問(wèn)題可表示為

yi(wφ(x)+b)≥1

(18)

式中，yi∈[-1,1]，為輸出狀態(tài)類別。

同時(shí)引入松弛變量εi、懲罰因子C以及Lagrange乘子αi應(yīng)對(duì)可能產(chǎn)生的樣本分錯(cuò)問(wèn)題，將原問(wèn)題轉(zhuǎn)換為對(duì)偶問(wèn)題，即

(19)

根據(jù)Kuhn-Tucker條件，αi須滿足

(20)

求解上述問(wèn)題，可得到最優(yōu)分類函數(shù)

(21)

式中：sgn(u)為符號(hào)函數(shù)，若u>0，則sgn(u)=1,u<0，則sgn(u)=-1；xi為是樣本變量數(shù)據(jù)；yi為樣本類標(biāo)；x為待分類樣本；m為支持向量個(gè)數(shù)；K(x,xi)為核函數(shù)。

根據(jù)專家的先驗(yàn)知識(shí)預(yù)先選用核函數(shù)為

K(x,xi)=exp(-γ|u-v|2)

(22)

式中，u、v為數(shù)據(jù)集的樣本。

4 模型求解

采用MATLAB軟件平臺(tái)，對(duì)所建立的基于Bi-LSTM和SVM的風(fēng)機(jī)葉片覆冰狀態(tài)預(yù)測(cè)模型進(jìn)行求解。系統(tǒng)硬件環(huán)境為Intel Core I5 CPU，3.30 GHz，8 GB內(nèi)存，操作系統(tǒng)為Win10 64 bit。求解流程如圖3所示，具體步驟如下：

圖3 模型求解流程

1)采用PCA對(duì)原始指標(biāo)數(shù)據(jù)集進(jìn)行降維處理，降維得到與覆冰關(guān)聯(lián)度貢獻(xiàn)最大的特征指標(biāo)。

2)基于降維得到的特征指標(biāo)選擇所對(duì)應(yīng)的歷史數(shù)據(jù)，進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化預(yù)處理，用于Bi-LSTM預(yù)測(cè)模型的訓(xùn)練及測(cè)試評(píng)估。

3)選擇降維得到特征指標(biāo)對(duì)應(yīng)的覆冰及未覆冰狀態(tài)的歷史數(shù)據(jù)，對(duì)SVM分類進(jìn)行訓(xùn)練。

4)將實(shí)際數(shù)據(jù)輸入Bi-LSTM預(yù)測(cè)模型，輸出得到特征指標(biāo)預(yù)測(cè)數(shù)據(jù)，再輸入SVM分類模型對(duì)風(fēng)機(jī)葉片覆冰狀態(tài)進(jìn)行判斷。

5 算例分析

5.1 PCA特征指標(biāo)降維

基于PCA對(duì)SCADA特征指標(biāo)集降維得到13個(gè)特征指標(biāo)。根據(jù)主成分得分對(duì)葉片覆冰影響的重要程度由大到小的排序如表1所示。由于主成分艙內(nèi)溫度、環(huán)境溫度及偏航位置的累積方差貢獻(xiàn)率達(dá)到了85%以上，具有較高的原始變量信息量，可以反映葉片覆冰狀態(tài)之間的相關(guān)性，因此選擇上述3個(gè)特征指標(biāo)作為所提模型的輸入量。

表1 13個(gè)數(shù)據(jù)特征排序

5.2 Bi-LSTM預(yù)測(cè)模型分析

對(duì)覆冰和正常狀態(tài)的數(shù)據(jù)集添加標(biāo)記以區(qū)分，總共采集2000組數(shù)據(jù)，其中后400組數(shù)據(jù)為覆冰狀態(tài)數(shù)據(jù)。根據(jù)模型經(jīng)驗(yàn)[16]，并對(duì)比在不同訓(xùn)練樣本和測(cè)試樣本下的預(yù)測(cè)精度，如圖4所示，可知訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)的數(shù)量之比為1600∶400時(shí)能收獲較好的預(yù)測(cè)精度，且再增加訓(xùn)練樣本時(shí)，模型的預(yù)測(cè)精度基本保持不變。因此選用1600組數(shù)據(jù)用于模型訓(xùn)練，400組數(shù)據(jù)用于模型測(cè)試。通過(guò)多次試驗(yàn)，Bi-LSTM預(yù)測(cè)模型的參數(shù)為：2層隱藏層，每層神經(jīng)元數(shù)依次為64、128個(gè)；訓(xùn)練1000輪；激活函數(shù)為adma；批大小為32。

圖4 不同訓(xùn)練樣本/測(cè)試樣本比例下模型預(yù)測(cè)效果對(duì)比

選取主成分得分前三的數(shù)據(jù)特征的艙內(nèi)溫度、環(huán)境溫度及偏航位置3組指標(biāo)，通過(guò)可視化視圖顯示Bi-LSTM訓(xùn)練集數(shù)據(jù)的預(yù)測(cè)結(jié)果。圖5、圖6和圖7分別展示了預(yù)處理后的機(jī)艙溫度、環(huán)境溫度及偏航位置預(yù)測(cè)值和實(shí)際值走勢(shì)。從圖中可看出，預(yù)測(cè)值和實(shí)際值具有較高的重合度，說(shuō)明所提方法Bi-LSTM預(yù)測(cè)模型有效性。

圖5 艙內(nèi)溫度真實(shí)值與預(yù)測(cè)值對(duì)比

圖6 環(huán)境溫度真實(shí)值與預(yù)測(cè)值對(duì)比

圖7 偏航位置真實(shí)值與預(yù)測(cè)值對(duì)比

為進(jìn)一步說(shuō)明采用Bi-LSTM預(yù)測(cè)模型的準(zhǔn)確性，采用表2中的3種誤差函數(shù)作為模型評(píng)價(jià)指標(biāo)[17]。

表2 誤差函數(shù)

誤差函數(shù)的公式如下：

1)平均絕對(duì)誤差(mean absolute error， MAE)

(23)

2)平均絕對(duì)百分比誤差(mean absolute percentage error,MAPE)

(24)

3)均方根誤差(root mean square error,RMSE)

(25)

通過(guò)測(cè)試集數(shù)據(jù)預(yù)測(cè)結(jié)果，選取艙內(nèi)溫度為例，對(duì)比Bi-LSTM與其他3種預(yù)測(cè)模型的MAE、MAPE和RMSE評(píng)價(jià)指標(biāo)，如表3所示。所采用的Bi-LSTM模型評(píng)價(jià)指標(biāo)均優(yōu)于其他兩種模型，由此可見(jiàn)Bi-LSTM預(yù)測(cè)準(zhǔn)確性更好。

表3 4種預(yù)測(cè)模型的性能指標(biāo)結(jié)果

5.3 風(fēng)機(jī)覆冰狀態(tài)預(yù)測(cè)分析

基于Bi-LSTM和SVM的風(fēng)機(jī)葉片短期覆冰狀態(tài)預(yù)測(cè)模型，自動(dòng)判斷未來(lái)一段時(shí)間內(nèi)是否會(huì)出現(xiàn)風(fēng)機(jī)葉片覆冰故障。首先，分別從2000組正常工況和覆冰工況預(yù)測(cè)數(shù)據(jù)集中各挑選300組標(biāo)簽數(shù)據(jù)，將標(biāo)簽數(shù)據(jù)輸入SVM模型進(jìn)行深度訓(xùn)練，將覆冰工況下每組數(shù)據(jù)的訓(xùn)練值標(biāo)記為1，正常工況下每組數(shù)據(jù)的訓(xùn)練值標(biāo)記為0。當(dāng)SVM模型訓(xùn)練完成后，通過(guò)將真實(shí)數(shù)據(jù)輸入Bi-LSTM預(yù)測(cè)模型，再將預(yù)測(cè)輸出值輸入SVM模型，對(duì)應(yīng)可得到一個(gè)在0.5左右的聚類輸出值，若輸出值大于0.5，則判斷1，狀態(tài)為覆冰；若輸出值小于0.5，則判斷為0，狀態(tài)為正常。

從實(shí)際數(shù)據(jù)集中各挑選40組正常和覆冰工況下的數(shù)據(jù)輸入Bi-LSTM狀態(tài)預(yù)測(cè)模型，得到艙內(nèi)溫度、環(huán)境溫度及偏航位置的預(yù)測(cè)值，將其輸入SVM分類模型，最后根據(jù)預(yù)測(cè)輸出值判斷風(fēng)機(jī)葉片覆冰狀態(tài)，基于Bi-LSTM和SVM狀態(tài)預(yù)測(cè)模型輸出結(jié)果最終只有4組數(shù)據(jù)發(fā)生誤判，76組預(yù)測(cè)輸出為正確。通過(guò)此實(shí)驗(yàn)可以得出，所提的預(yù)測(cè)方法準(zhǔn)確率為95.0%。

6 結(jié) 語(yǔ)

以某風(fēng)電場(chǎng)風(fēng)電機(jī)組SCADA數(shù)據(jù)為基礎(chǔ)，提出了一種基于Bi-LSTM和SVM的風(fēng)機(jī)葉片覆冰狀態(tài)預(yù)測(cè)模型，通過(guò)大量歷史數(shù)據(jù)對(duì)Bi-LSTM預(yù)測(cè)模型及SVM模型進(jìn)行訓(xùn)練，Bi-LSTM預(yù)測(cè)可以得到更好的預(yù)測(cè)效果。此外，結(jié)合實(shí)際數(shù)據(jù)，對(duì)風(fēng)機(jī)葉片未來(lái)一段時(shí)間是否會(huì)出現(xiàn)覆冰故障進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果表明所提的方法正確率可以達(dá)到95.0%，在準(zhǔn)確性和時(shí)效性上要強(qiáng)于其他傳統(tǒng)方法。進(jìn)一步地，當(dāng)獲得新的實(shí)際數(shù)據(jù)后，預(yù)測(cè)模型可以繼續(xù)對(duì)訓(xùn)練集進(jìn)行擴(kuò)展，進(jìn)而提高預(yù)測(cè)準(zhǔn)確率。同時(shí)可以為風(fēng)機(jī)葉片覆冰狀態(tài)預(yù)測(cè)提供可靠的決策依據(jù)，確保風(fēng)電場(chǎng)在嚴(yán)寒季節(jié)能安全經(jīng)濟(jì)運(yùn)行。