樊盼盼，袁逸萍+，孫文磊，樊小朝，趙 琴，馬占偉

(1.新疆大學(xué) 機(jī)械工程學(xué)院，新疆 烏魯木齊 830047；2.新疆大學(xué) 電氣工程學(xué)院，新疆 烏魯木齊 830047)

0 引言

大型風(fēng)力發(fā)電機(jī)通常所處運(yùn)行環(huán)境惡劣，高故障率和高運(yùn)維成本的現(xiàn)狀已引起風(fēng)電運(yùn)營(yíng)商、制造商和運(yùn)維公司等機(jī)構(gòu)的關(guān)注，因此開展風(fēng)電機(jī)組的狀態(tài)監(jiān)測(cè)和評(píng)估研究，及時(shí)準(zhǔn)確感知風(fēng)電機(jī)組運(yùn)行狀態(tài)，為優(yōu)化風(fēng)電場(chǎng)的運(yùn)行及檢修策略提供技術(shù)支撐，對(duì)規(guī)避安全隱患、降低計(jì)劃外停機(jī)、延長(zhǎng)機(jī)組服役壽命、減輕運(yùn)維壓力、節(jié)約運(yùn)維成本，以保證風(fēng)電機(jī)組安全高效運(yùn)行有重要的學(xué)術(shù)意義和工程應(yīng)用價(jià)值[1-2]。

風(fēng)電機(jī)組是多部件互連的機(jī)電系統(tǒng)，部件間耦合作用機(jī)理復(fù)雜、工況頻繁切換,故僅依靠風(fēng)力發(fā)電機(jī)組數(shù)據(jù)采集與監(jiān)控(Supervisory Control and Data Acquisition, SCADA)系統(tǒng)的監(jiān)控報(bào)警功能無法準(zhǔn)確感知風(fēng)電機(jī)組的運(yùn)行狀況。充分利用現(xiàn)有SCADA數(shù)據(jù)是當(dāng)前提高風(fēng)電機(jī)組運(yùn)行可靠性最迅速、有效的方式。因此，建立基于SCADA數(shù)據(jù)的風(fēng)電機(jī)組態(tài)勢(shì)評(píng)估算法，實(shí)時(shí)掌握風(fēng)電機(jī)組的運(yùn)行狀況，對(duì)優(yōu)化維修策略具有重要的工程應(yīng)用價(jià)值。

目前，國(guó)內(nèi)外相關(guān)文獻(xiàn)主要是基于概率統(tǒng)計(jì)[3-4]、可拓理論[5]、集對(duì)分析[6]、云模型[7]、證據(jù)理論[8]、模糊綜合評(píng)價(jià)[9-11]、貝葉斯網(wǎng)絡(luò)[12]、支持向量機(jī)[13]、神經(jīng)網(wǎng)絡(luò)[14-16]等方法的系統(tǒng)狀態(tài)評(píng)估。上述方法主要有以下兩種思路：①以確定評(píng)估指標(biāo)體系為基礎(chǔ)，以評(píng)估指標(biāo)的合理賦權(quán)為關(guān)鍵點(diǎn)，評(píng)估指標(biāo)體系和權(quán)重確定的合理與否直接影響評(píng)估結(jié)果的有效性和準(zhǔn)確性[16]；②在缺乏故障數(shù)據(jù)支撐的場(chǎng)景下，利用SCADA歷史數(shù)據(jù)的連續(xù)監(jiān)測(cè)數(shù)據(jù)作為輸入量去預(yù)測(cè)風(fēng)電機(jī)組某一性能指標(biāo)，基于殘差的思想開展風(fēng)電機(jī)組運(yùn)行狀態(tài)評(píng)估。

第①種思路，如文獻(xiàn)[5]結(jié)合機(jī)組在線監(jiān)測(cè)信息提出了并網(wǎng)風(fēng)電機(jī)組運(yùn)行狀態(tài)的物元評(píng)估方法;文獻(xiàn)[6]結(jié)合集對(duì)分析和證據(jù)理論提出一種風(fēng)電機(jī)組運(yùn)行狀態(tài)評(píng)估方法;文獻(xiàn)[7]針對(duì)當(dāng)前模糊評(píng)價(jià)隸屬函數(shù)的確定具有主觀性且未考慮隨機(jī)性的問題，提出一種基于組合賦權(quán)和云模型的風(fēng)電機(jī)組健康狀態(tài)評(píng)估方法;文獻(xiàn)[8]提出基于多種類證據(jù)體的風(fēng)電機(jī)組健康狀態(tài)評(píng)估方法，解決基于確定權(quán)重的評(píng)估方法難以適應(yīng)機(jī)組特征量之間相互關(guān)系不明確的問題;文獻(xiàn)[9]建立風(fēng)電機(jī)組狀態(tài)評(píng)估指標(biāo)體系，引入變權(quán)理論和劣化度指標(biāo)，提出了基于SCADA監(jiān)測(cè)數(shù)據(jù)的風(fēng)電機(jī)組運(yùn)行狀態(tài)評(píng)估方法;文獻(xiàn)[10]以預(yù)測(cè)狀態(tài)值作為此刻劣化度分析的數(shù)值，提出一種基于狀態(tài)參數(shù)趨勢(shì)預(yù)測(cè)的風(fēng)電機(jī)組運(yùn)行狀態(tài)模糊綜合評(píng)價(jià)策略;文獻(xiàn)[11]融合相關(guān)系數(shù)、多層次模糊綜合評(píng)判和劣化度分析法等多種方法，自下而上、逐級(jí)地對(duì)風(fēng)電機(jī)組各個(gè)子系統(tǒng)的運(yùn)行狀態(tài)進(jìn)行評(píng)價(jià);文獻(xiàn)[12]針對(duì)電力設(shè)備在運(yùn)行過程中故障程度模糊和全景狀態(tài)的不確定問題，提出一種融合模糊函數(shù)改進(jìn)的貝葉斯網(wǎng)絡(luò)狀態(tài)評(píng)估方法。上述思路雖不過多依賴先驗(yàn)數(shù)據(jù)，但要求具有大量的已發(fā)生故障的信息，而不同機(jī)型、不同投運(yùn)時(shí)間的機(jī)組故障模式不同，對(duì)于新投運(yùn)的風(fēng)電機(jī)組顯然不合適，且因評(píng)分和賦權(quán)使得評(píng)估結(jié)果易受人為因素影響。

第②種思路，如文獻(xiàn)[13]提出用支持向量回歸模型預(yù)測(cè)風(fēng)電機(jī)組有功功率，并與SCADA監(jiān)控報(bào)警功能相結(jié)合，組成了魯棒性更強(qiáng)的風(fēng)電機(jī)組整機(jī)評(píng)估方法;文獻(xiàn)[15]將有功功率的殘差作為評(píng)估機(jī)組運(yùn)行性能的指標(biāo);文獻(xiàn)[16]結(jié)合神經(jīng)網(wǎng)絡(luò)和隨機(jī)過程理論，考慮風(fēng)電機(jī)組運(yùn)行外界環(huán)境及內(nèi)部工況綜合作用下，建立風(fēng)電機(jī)組運(yùn)行行為模型，提出了評(píng)估風(fēng)電機(jī)組運(yùn)行性能的指標(biāo)，以描述機(jī)組異常行為。思路②中，基于機(jī)組歷史SCADA監(jiān)測(cè)數(shù)據(jù)分析進(jìn)行整機(jī)狀態(tài)評(píng)估，雖可以規(guī)避第①種思路的不足，但往往只針對(duì)機(jī)組當(dāng)前狀態(tài)進(jìn)行評(píng)估的。機(jī)組實(shí)際運(yùn)行中存在異常狀態(tài)、故障、棄風(fēng)限電等各種不確定性因素，使得機(jī)組的出力指標(biāo)易發(fā)生波動(dòng)。假設(shè)機(jī)組當(dāng)前狀態(tài)“良好”，但是往“較差”狀態(tài)轉(zhuǎn)移趨勢(shì)明顯，則應(yīng)當(dāng)引起足夠重視；若當(dāng)前狀態(tài)“較差”，但有好轉(zhuǎn)的趨勢(shì)，則不應(yīng)該立即評(píng)定為“較差”，應(yīng)繼續(xù)觀察，給出準(zhǔn)確的評(píng)估結(jié)果。

各種不確定因素的存在使得風(fēng)電機(jī)組實(shí)際性能指標(biāo)偏離預(yù)期出力指標(biāo)，影響機(jī)組可靠穩(wěn)定運(yùn)行，造成風(fēng)電機(jī)組運(yùn)行產(chǎn)生風(fēng)險(xiǎn)，因此運(yùn)用風(fēng)險(xiǎn)的思想對(duì)風(fēng)電機(jī)組運(yùn)行態(tài)勢(shì)進(jìn)行評(píng)估應(yīng)運(yùn)而生。根據(jù)風(fēng)險(xiǎn)的定義，即不確定性對(duì)目標(biāo)的影響，通常用事件的后果(包括情形的變化)和事件發(fā)生可能性的組合來表示風(fēng)險(xiǎn)[17]。有功功率作為風(fēng)電機(jī)組對(duì)外的直接貢獻(xiàn)，其運(yùn)行過程中的異常波動(dòng)可表征風(fēng)電機(jī)組運(yùn)行風(fēng)險(xiǎn)。將風(fēng)電機(jī)組風(fēng)險(xiǎn)定義為多不確定因素作用下實(shí)際有功功率指標(biāo)偏離預(yù)期指標(biāo)的嚴(yán)重程度?；谏鲜龇治觯疚木C合考慮風(fēng)電機(jī)組SCADA系統(tǒng)歷史記錄、當(dāng)前狀態(tài)以及未來劣化趨勢(shì)信息，提出基于風(fēng)險(xiǎn)的思想對(duì)風(fēng)電機(jī)組的態(tài)勢(shì)進(jìn)行評(píng)估。

1 風(fēng)電機(jī)組風(fēng)險(xiǎn)態(tài)勢(shì)預(yù)測(cè)模型構(gòu)建

1.1 基于殘差思想的風(fēng)電機(jī)組運(yùn)行風(fēng)險(xiǎn)嚴(yán)重度描述模型

根據(jù)風(fēng)電機(jī)組的有功功率實(shí)際值與預(yù)測(cè)值定義其風(fēng)險(xiǎn)嚴(yán)重度R。首先，殘差定義為：

d=|Pwm-Pwp|。

(1)

式中：d為有功功率的殘差大小;Pwm為有功功率實(shí)際值;Pwp為有功功率預(yù)測(cè)值。

為了消除預(yù)測(cè)模型誤差、隨機(jī)擾動(dòng)、棄風(fēng)限電等因素對(duì)風(fēng)險(xiǎn)態(tài)勢(shì)評(píng)估準(zhǔn)確性的影響，定義風(fēng)電機(jī)組風(fēng)險(xiǎn)嚴(yán)重度R為：

(2)

式中：dt-1為t-1時(shí)刻的有功功率殘差;dt為t時(shí)刻的有功功率殘差;dt+1為t+1時(shí)刻的有功功率殘差;ε為有功功率預(yù)測(cè)模型精度誤差。風(fēng)險(xiǎn)存在的條件是其評(píng)估點(diǎn)前后的有功功率殘差均超出預(yù)測(cè)模型精度誤差范圍。

1.2 風(fēng)電機(jī)組風(fēng)險(xiǎn)態(tài)勢(shì)預(yù)測(cè)流程

本文以新疆某風(fēng)場(chǎng)2MW風(fēng)電機(jī)組為研究對(duì)象，融合多時(shí)段SCADA監(jiān)測(cè)數(shù)據(jù)，首先利用長(zhǎng)短期記憶(Long Short-Term Memory, LSTM)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)SCADA系統(tǒng)所監(jiān)測(cè)的多變量時(shí)間序列與風(fēng)電機(jī)組有功功率序列之間的非線性關(guān)系進(jìn)行動(dòng)態(tài)時(shí)間建模，構(gòu)建有功功率短期預(yù)測(cè)模型；其次，由于所得風(fēng)電機(jī)組風(fēng)險(xiǎn)嚴(yán)重度等級(jí)界限模糊，且缺乏故障數(shù)據(jù)標(biāo)簽，采用無監(jiān)督的模糊C均值(Fuzzy C-Means, FCM)聚類，構(gòu)建風(fēng)險(xiǎn)狀態(tài)嚴(yán)重度離群點(diǎn)模型，劃分風(fēng)險(xiǎn)狀態(tài)嚴(yán)重度等級(jí)；最后，基于馬爾科夫鏈的狀態(tài)轉(zhuǎn)移模型預(yù)測(cè)機(jī)組風(fēng)險(xiǎn)態(tài)勢(shì)，并與風(fēng)場(chǎng)實(shí)際情況對(duì)比驗(yàn)證所提評(píng)估方法的有效性。風(fēng)險(xiǎn)態(tài)勢(shì)預(yù)測(cè)流程體系如圖1所示。

1.3 基于LSTM神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組有功功率預(yù)測(cè)模型

風(fēng)電機(jī)組風(fēng)險(xiǎn)態(tài)勢(shì)預(yù)測(cè)的核心之一在于精確預(yù)測(cè)其有功功率，以提高殘差表征風(fēng)電機(jī)組風(fēng)險(xiǎn)嚴(yán)重度的準(zhǔn)確性。風(fēng)電機(jī)組有功功率作為典型的非線性、動(dòng)態(tài)時(shí)間序列，循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)是處理本類問題的有效方法。在RNN眾多變體中，LSTM模型將隱藏層的RNN細(xì)胞替換為L(zhǎng)STM細(xì)胞，通過引入“門”機(jī)制和記憶單元，有效規(guī)避隨著RNN結(jié)構(gòu)加深時(shí)，因梯度反向傳播中的連乘效應(yīng)致使常規(guī)RNN訓(xùn)練過程中存在梯度消失和梯度爆炸、長(zhǎng)期記憶能力不足等問題，并擁有保存和獲取長(zhǎng)時(shí)序數(shù)據(jù)上下文信息的能力，使得RNN能夠真正有效地利用長(zhǎng)距離的歷史時(shí)序信息。

1.3.1 LSTM網(wǎng)絡(luò)的結(jié)構(gòu)

LSTM的隱藏層是具有獨(dú)特記憶模式的LSTM單元，LSTM的結(jié)構(gòu)中每個(gè)時(shí)刻的隱藏層包含多個(gè)記憶塊(memory block)，每個(gè)塊(block)包含多個(gè)記憶細(xì)胞(memory cell)，每個(gè)記憶細(xì)胞包含1個(gè)細(xì)胞(cell)和3個(gè)門(gate)，LSTM時(shí)刻t的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。圖2中：xt為t時(shí)刻的輸入;ht-1為t-1時(shí)刻隱藏層的輸出;ct-1為t-1時(shí)刻歷史信息的輸出；ft、it和ot分別為t時(shí)刻的遺忘門(forget gate)、輸入門(input gate)和輸出門(output gate)，一般采用sigmoid或tanh函數(shù)進(jìn)行描述；ct為在t時(shí)刻通過變換后更新過的細(xì)胞狀態(tài)，ht為t時(shí)刻隱藏層的輸出。具體計(jì)算流程如下：首先，將t時(shí)刻的輸入xt和隱藏層的輸出ht-1復(fù)制4份，并為它們隨機(jī)初始化不同的權(quán)重，計(jì)算出遺忘門、輸入門和輸出門以及變換的細(xì)胞狀態(tài)；其次，使用遺忘門ft和輸入門it來控制忘記多少歷史信息ct-1和保存多少信息，從而更新內(nèi)部記憶細(xì)胞狀態(tài)ct；最后，ct通過非線性函數(shù)的運(yùn)算和輸出門ot的動(dòng)態(tài)控制形成LSTM單元的輸出ht。對(duì)于給定序列x=(x1,x2,…,xn)可以通過迭代式(3)～式(7)計(jì)算出一個(gè)隱藏層序列h=(h1,h2,…,hn)和輸出序列y=(y1,y2,…,yn)。其前向算法可以表示為：

it=σ(Wxixt+Whiht-1+Wcict-1+bi);

(3)

ft=σ(Wxfxt+Whfht-1+Wcfct-1+bf);

(4)

ct=ftct-1+ittanh(Wxcxt+Whcht-1+bc);

(5)

ot=σ(Wxoxt+Whoht-1+Wcoct+bo);

(6)

ht=ottanh(ct)。

(7)

式中：Wxi、Wxf、Wxc、Wxo分別為輸入信號(hào)xt與相應(yīng)門的權(quán)重矩陣；Whi、Whf、Whc、Who分別為隱含層輸出信號(hào)ht與相應(yīng)門的權(quán)重矩陣；Wci、Wcf、Wco為連接神經(jīng)元激活函數(shù)輸出矢量ct和門函數(shù)的對(duì)角矩陣；bi、bf、bc、bo分別為相應(yīng)門的偏置向量；σ和tanh分別為sigmoid和雙曲正切激活函數(shù)。

1.3.2 LSTM網(wǎng)絡(luò)的訓(xùn)練算法

構(gòu)建LSTM預(yù)測(cè)模型的整體框架如圖3所示。采用文獻(xiàn)[18]的反向誤差傳播算法(Back Propagation Through Time，BPTT)對(duì)LSTM網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練及優(yōu)化，基本步驟如下：

(1)按照前向算法(式(5)～式(9))計(jì)算每個(gè)LSTM細(xì)胞的輸出值。

(2)反向計(jì)算每個(gè)LSTM細(xì)胞的誤差項(xiàng)值，LSTM誤差項(xiàng)的反向傳播包括兩個(gè)方向：沿時(shí)間的反向傳播，即從當(dāng)前t時(shí)刻開始，計(jì)算每個(gè)時(shí)刻的誤差項(xiàng)；沿網(wǎng)絡(luò)層級(jí)的反向傳播，即將誤差項(xiàng)向上一層傳播。

(3)用鏈?zhǔn)角髮?dǎo)求解LSTM中每個(gè)權(quán)重的梯度。

(4)用多層網(wǎng)格搜索對(duì)模型參數(shù)進(jìn)行優(yōu)選。

(5)采用適應(yīng)性動(dòng)量估計(jì)(Adaptive moment estimation，Adam)算法[19]更新網(wǎng)絡(luò)權(quán)重，網(wǎng)絡(luò)權(quán)重更新優(yōu)選的依據(jù)是損失函數(shù)最小，本文選擇均方誤差定義訓(xùn)練過程的損失函數(shù)，如式(8)所示：

(8)

式中：Pwmt和Pwpt分別為時(shí)間序列在t時(shí)刻的有功功率實(shí)際值和預(yù)測(cè)值，T為訓(xùn)練樣本個(gè)數(shù)。

1.4 基于模糊C-均值的風(fēng)電機(jī)組風(fēng)險(xiǎn)嚴(yán)重度聚類模型

因風(fēng)電機(jī)組風(fēng)險(xiǎn)嚴(yán)重度等級(jí)界限模糊，且缺乏故障數(shù)據(jù)標(biāo)簽，采用無監(jiān)督的FCM聚類，構(gòu)建風(fēng)險(xiǎn)嚴(yán)重度離群點(diǎn)模型，將相似度較高的風(fēng)險(xiǎn)嚴(yán)重度進(jìn)行聚類。FCM聚類算法不斷修正聚類中心和隸屬度矩陣直至符合終止準(zhǔn)則，以達(dá)到對(duì)風(fēng)電機(jī)組風(fēng)險(xiǎn)影響按照嚴(yán)重程度自動(dòng)分類的目的[20]。

風(fēng)電機(jī)組風(fēng)險(xiǎn)嚴(yán)重度數(shù)據(jù)集R={r1,r2,…,ri,…,rn}，n為樣本數(shù)；聚類中心M=[m1,m2,…,mj,…,mk]T，k為聚類數(shù)。FCM聚類將風(fēng)險(xiǎn)嚴(yán)重度數(shù)據(jù)集R分成k個(gè)模糊簇，并求每個(gè)簇的聚類中心mj(j=1,2,…,k)，使非相似性指標(biāo)的目標(biāo)函數(shù)最小，目標(biāo)函數(shù)一般形式如式(9)所示：

‖ri-mj‖2}。

(9)

對(duì)于聚類數(shù)k的選取問題，設(shè)樣本的中心向量為：

(10)

聚類數(shù)k的自適應(yīng)函數(shù)為：

(11)

式中：分子為類與類之間的距離;分母為類內(nèi)數(shù)據(jù)點(diǎn)與該類中心向量之間的距離，對(duì)應(yīng)L(k)值最大的k為最佳聚類值。

引入拉格朗日算子λ=[λ1,λ2,…,λn]，將帶有約束條件的極值問題轉(zhuǎn)換為無約束問題：

(12)

分別對(duì)mj和μj(ri)求偏導(dǎo)，使式(11)達(dá)到最小值的必要條件為：

(13)

(14)

式(13)和式(14)無解析解，用下列步驟確定聚類中心mj和隸屬度矩陣U，迭代直至滿足收斂條件，來近似得到目標(biāo)函數(shù)最優(yōu)解，其算法如下所述。

(1)初始化隸屬度矩陣U，并設(shè)定迭代停止標(biāo)準(zhǔn)φ，初始迭代次數(shù)L設(shè)置為0。

(2)通過式(13)計(jì)算所有樣本的模糊聚類中心mj。

(3)通過式(14)式更新隸屬度矩陣U。

(4)對(duì)于給定迭代停止標(biāo)準(zhǔn)φ，計(jì)算Δ=‖UL+1-UL‖。若Δ>φ，則令L=L+1并返回步驟(2)；若Δ≤φ，則迭代停止。根據(jù)最佳隸屬度和最佳聚類數(shù)目選擇最優(yōu)聚類結(jié)果，并根據(jù)類間分離—類內(nèi)緊密評(píng)價(jià)指標(biāo)I評(píng)估聚類結(jié)果[20]。

聚類看作是風(fēng)電機(jī)組運(yùn)行風(fēng)險(xiǎn)影響的嚴(yán)重度集合R={r1,r2,…,ri,…,rn}到風(fēng)險(xiǎn)影響嚴(yán)重度等級(jí)集合S={S1,S2,…,Sj,…,Sk}的一個(gè)映射。獲得風(fēng)險(xiǎn)嚴(yán)重度聚類狀態(tài)S后，根據(jù)機(jī)組歷史數(shù)據(jù)建立其馬爾科夫模型。

1.5 基于馬爾科夫鏈的風(fēng)電機(jī)組運(yùn)行風(fēng)險(xiǎn)態(tài)勢(shì)預(yù)測(cè)模型

馬爾可夫鏈的基本思想：將時(shí)間連續(xù)的隨機(jī)過程分為有限多個(gè)離散狀態(tài)，所有離散狀態(tài)的集合和狀態(tài)之間轉(zhuǎn)移關(guān)系構(gòu)成一個(gè)馬爾可夫鏈[21]。風(fēng)電機(jī)組運(yùn)行風(fēng)險(xiǎn)態(tài)勢(shì)就是一個(gè)時(shí)間連續(xù)的隨機(jī)波動(dòng)的過程，通過建立有限狀態(tài)空間的離散馬爾可夫模型，以描述風(fēng)電機(jī)組運(yùn)行風(fēng)險(xiǎn)態(tài)勢(shì)變化趨勢(shì)。通過統(tǒng)計(jì)某一機(jī)組聚類結(jié)果及其在時(shí)間序列上的分布情況，可以計(jì)算機(jī)組風(fēng)險(xiǎn)態(tài)勢(shì)初始狀態(tài)概率矩陣I和轉(zhuǎn)移概率矩陣T。

I=[q1,q2,…,qn]1×k;

(15)

T=[pij]k×k。

(16)

式中：qi=P(Si)表示機(jī)組當(dāng)前處于某一風(fēng)險(xiǎn)嚴(yán)重度Si的概率；pij=P(Sj|Si)表示機(jī)組風(fēng)險(xiǎn)嚴(yán)重度從狀態(tài)Si轉(zhuǎn)移到Sj的概率。

根據(jù)馬爾科夫模型的無記憶性，每一條狀態(tài)轉(zhuǎn)移路徑可化簡(jiǎn)為：

(17)

2 應(yīng)用算例驗(yàn)證與有效性對(duì)比分析

2.1 應(yīng)用算例驗(yàn)證

為驗(yàn)證本文所提方法的準(zhǔn)確性和有效性，本文以新疆某風(fēng)場(chǎng)25臺(tái)已投運(yùn)8.6年的2 MW某機(jī)型風(fēng)電機(jī)組的SCADA監(jiān)測(cè)數(shù)據(jù)和故障日志為例，綜合歷史記錄、當(dāng)前狀態(tài)以及未來運(yùn)行趨勢(shì)進(jìn)行分析。數(shù)據(jù)采樣時(shí)間為2010年8月1日00：00～2018年8月1日24:00，采集頻率為10 min/次，風(fēng)電機(jī)組的額定功率2 MW，切入風(fēng)速3 m/s，切出風(fēng)速22 m/s，工作溫度[-30，40]℃。

2.1.1 基于LSTM網(wǎng)絡(luò)的風(fēng)電機(jī)組有功功率預(yù)測(cè)

從物理本質(zhì)上來說，影響風(fēng)力發(fā)電機(jī)有功功率的因素很多，包括風(fēng)速、風(fēng)向、氣溫、空氣密度等[22-24]，將其作為有功功率預(yù)測(cè)的輸入變量。應(yīng)確保所選訓(xùn)練和測(cè)試預(yù)測(cè)數(shù)據(jù)樣本不包含外界環(huán)境異常及因“棄風(fēng)限電”導(dǎo)致的風(fēng)電機(jī)組“安全停機(jī)”，以避免對(duì)LSTM預(yù)測(cè)模型精度的影響。采用風(fēng)電機(jī)組正常運(yùn)行時(shí)的歷史SCADA數(shù)據(jù)訓(xùn)練LSTM預(yù)測(cè)模型，并用測(cè)試樣本驗(yàn)證其預(yù)測(cè)精度；其次采用風(fēng)電機(jī)組發(fā)生故障前的SCADA數(shù)據(jù)作為預(yù)測(cè)數(shù)據(jù)樣本預(yù)測(cè)其有功功率。因風(fēng)電機(jī)組正常運(yùn)行時(shí)的歷史SCADA數(shù)據(jù)樣本過多，在預(yù)測(cè)模型的訓(xùn)練與驗(yàn)證階段，以風(fēng)速大小作為參考，按風(fēng)速區(qū)間[3，22] m/s將樣本群劃分為19個(gè)子群，每個(gè)子群以100∶1系統(tǒng)隨機(jī)選取樣本數(shù)據(jù)，為便于對(duì)比精度，以5∶1的比例選取訓(xùn)練樣本和測(cè)試樣本。此處，以1#機(jī)組的有功功率預(yù)測(cè)為例，采用迭代的方法逐點(diǎn)預(yù)測(cè)。

首先，根據(jù)經(jīng)驗(yàn)初步確定非關(guān)鍵參數(shù)的取值：令網(wǎng)絡(luò)初始化的隨機(jī)種子數(shù)seed=1，訓(xùn)練次數(shù)steps=100；其次，參考文獻(xiàn)[25-27]設(shè)置3個(gè)關(guān)鍵參數(shù)的取值范圍：分割窗口長(zhǎng)度Len∈{50,60，70，…，20 000}，狀態(tài)向量大小Sstate∈{50,60,70，…，20 000}，學(xué)習(xí)率ζ∈{0.001,0.003，0.005,0.01,0.03,0.05}，其中Len和Sstate的搜索步長(zhǎng)為10，采用網(wǎng)格搜索的方法對(duì)其關(guān)鍵參數(shù)進(jìn)行優(yōu)選，參數(shù)優(yōu)選的依據(jù)是損失函數(shù)最??；最后，應(yīng)用Adam優(yōu)化算法不斷更新網(wǎng)絡(luò)權(quán)重，設(shè)定損失函數(shù)最小為優(yōu)化目標(biāo)，進(jìn)而得到最終的隱藏層網(wǎng)絡(luò)，訓(xùn)練LSTM模型損失和模型精度。在分割窗口長(zhǎng)度Len=300、狀態(tài)向量大小Sstate=300、學(xué)習(xí)率ζ=0.001、訓(xùn)練次數(shù)steps=50時(shí)，獲得的損失函數(shù)最小，如圖4所示。

為了驗(yàn)證本文LSTM預(yù)測(cè)模型的精度，增加其與支持向量回歸(Support Vector Regression, SVR)、反向傳播神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network, BPNN)預(yù)測(cè)模型及實(shí)際有功功率的對(duì)比情況，3種模型的訓(xùn)練總次數(shù)相同；SVR的懲罰因子C設(shè)置為3，核函數(shù)采用徑向基函數(shù)，核函數(shù)參數(shù)和誤差邊界分別為0.023、0.258；BPNN選擇均方誤差定義訓(xùn)練過程的損失函數(shù)，激活函數(shù)采用Sigmoid函數(shù)，用Adam優(yōu)化算法更新網(wǎng)絡(luò)權(quán)重。測(cè)試樣本的預(yù)測(cè)結(jié)果如圖5所示。

為更好地定量評(píng)價(jià)模型擬合和預(yù)測(cè)效果，本文選擇均方根誤差(RMSE)、平均絕對(duì)百分比誤差(MAPE)和納什系數(shù)(NSE)作為評(píng)價(jià)指標(biāo)，且在模型參數(shù)保持不變的條件下，分別重復(fù)100次實(shí)驗(yàn)，并計(jì)算評(píng)價(jià)指標(biāo)，對(duì)比結(jié)果如表1所示。

(18)

(19)

(20)

表1 不同有功功率預(yù)測(cè)模型的精度對(duì)比

2.1.2 基于模糊C均值的風(fēng)電機(jī)組風(fēng)險(xiǎn)嚴(yán)重度聚類

以類間分離—類內(nèi)緊密評(píng)價(jià)指標(biāo)I評(píng)估聚類結(jié)果，根據(jù)最佳隸屬度和最佳聚類數(shù)目選擇的最優(yōu)聚類結(jié)果如圖6所示，聚類數(shù)的個(gè)數(shù)為5，在同一列的屬于相同簇。

在得到聚類結(jié)果后，風(fēng)電機(jī)組的5個(gè)風(fēng)險(xiǎn)嚴(yán)重度等級(jí)分別記為S1、S2、S3、S4、S5。從每個(gè)風(fēng)險(xiǎn)嚴(yán)重度等級(jí)中抽取樣本，對(duì)應(yīng)實(shí)際運(yùn)行中各參數(shù)的監(jiān)測(cè)值及故障日志來明確其所對(duì)應(yīng)對(duì)的風(fēng)電機(jī)組實(shí)際運(yùn)行狀態(tài)。如圖7所示為選自風(fēng)險(xiǎn)嚴(yán)重度為S5的監(jiān)測(cè)數(shù)據(jù)樣本，該監(jiān)測(cè)數(shù)據(jù)樣本抽取自1#風(fēng)電機(jī)組2016年11月21號(hào)11:00～13:00的SCADA系統(tǒng)部分監(jiān)測(cè)數(shù)據(jù)。從圖7中可以看出，該時(shí)段風(fēng)速(WS)、風(fēng)向(WD)、環(huán)境溫度(AT)及環(huán)境濕度(AH)都穩(wěn)定保持在較正常水平，且在正常運(yùn)行情況下，變槳系統(tǒng)應(yīng)該小幅度的調(diào)節(jié)，以保持輸出平滑功率。但實(shí)際有功功率出現(xiàn)兩次驟降，風(fēng)機(jī)啟動(dòng)緊急剎車，葉輪轉(zhuǎn)速驟降，葉尖甩開氣動(dòng)剎車，電機(jī)同時(shí)脫網(wǎng)。待停機(jī)后檢查，觀察到兩次異常停機(jī)均為發(fā)電機(jī)過速所致。據(jù)此，基于FCM的風(fēng)電機(jī)組風(fēng)險(xiǎn)影響嚴(yán)重度聚類模型所得到的聚類結(jié)果可以有效描述風(fēng)險(xiǎn)影響嚴(yán)重度。為了滿足維護(hù)策略制定的需要，依據(jù)聚類結(jié)果將風(fēng)險(xiǎn)嚴(yán)重度等級(jí)劃分為S1(注意)、S2(輕微)、S3(中度)、S4(較嚴(yán)重)和S5(嚴(yán)重)5個(gè)等級(jí)。

2.1.3 基于馬爾科夫鏈的風(fēng)電機(jī)組運(yùn)行風(fēng)險(xiǎn)態(tài)勢(shì)預(yù)測(cè)

風(fēng)險(xiǎn)嚴(yán)重度狀態(tài)空間為S=[S1，S2，S3，S4，S5]，統(tǒng)計(jì)記錄1#風(fēng)電機(jī)組所處狀態(tài)序列如表2所示。

表2 1#風(fēng)電機(jī)組的狀態(tài)序列

用MATLAB求解，以得到1#風(fēng)電機(jī)組的馬爾科夫模型描述的狀態(tài)轉(zhuǎn)移矩陣，如表3所示。

表3 1#風(fēng)電機(jī)組狀態(tài)轉(zhuǎn)移矩陣

續(xù)表3

采集整理1#風(fēng)電機(jī)組2018年8月28日的SCADA監(jiān)測(cè)數(shù)據(jù)和故障日志作為實(shí)例對(duì)比數(shù)據(jù)，如表4所示，其中T1～T7為每間隔10 min的采集點(diǎn)。在這組數(shù)據(jù)中，該機(jī)組齒輪箱一級(jí)軸承溫度R12出現(xiàn)異常升高的情況，其他狀態(tài)參數(shù)保持在正常范圍內(nèi)。

表4 1#風(fēng)電機(jī)組部分監(jiān)測(cè)數(shù)據(jù)

2018年8月28日22時(shí)0分，即T4時(shí)刻，按照實(shí)時(shí)監(jiān)測(cè)的SCADA數(shù)據(jù)對(duì)1#風(fēng)電機(jī)組進(jìn)行初始風(fēng)險(xiǎn)評(píng)估，初始風(fēng)險(xiǎn)評(píng)估矩陣為[0.985 6,0.011 0,0.002 7,0.000 57,0.000 13]，表示風(fēng)電機(jī)組當(dāng)前所處風(fēng)險(xiǎn)嚴(yán)重度等級(jí)的概率。如0.985 6表示1#風(fēng)電機(jī)組當(dāng)前風(fēng)險(xiǎn)嚴(yán)重度為S1(注意)的概率為0.985 6。

根據(jù)所定義的風(fēng)險(xiǎn)指數(shù)RI，不同的異常指數(shù)對(duì)應(yīng)機(jī)組實(shí)際運(yùn)行中不同的風(fēng)險(xiǎn)大小級(jí)別，如風(fēng)險(xiǎn)指數(shù)1中的風(fēng)險(xiǎn)嚴(yán)重度狀態(tài)轉(zhuǎn)移路徑S1～S2，表示風(fēng)電機(jī)組的風(fēng)險(xiǎn)嚴(yán)重度從S1(注意)轉(zhuǎn)移到S2(輕微)，風(fēng)電機(jī)組存在微小風(fēng)險(xiǎn)；風(fēng)險(xiǎn)指數(shù)4中的風(fēng)險(xiǎn)嚴(yán)重度狀態(tài)轉(zhuǎn)移路徑S1～S5，表示風(fēng)電機(jī)組的風(fēng)險(xiǎn)嚴(yán)重度從S1(注意)轉(zhuǎn)移到S5(嚴(yán)重)，此時(shí)，風(fēng)電機(jī)組存在很高的風(fēng)險(xiǎn)。。

根據(jù)式(17)，風(fēng)險(xiǎn)指數(shù)1表示為：

(21)

風(fēng)險(xiǎn)指數(shù)4表示為：

(22)

假設(shè)評(píng)估時(shí)間步長(zhǎng)均為10 min/次，表5即為考慮到風(fēng)險(xiǎn)狀態(tài)轉(zhuǎn)移的1#風(fēng)電機(jī)組的風(fēng)險(xiǎn)態(tài)勢(shì)評(píng)估結(jié)果，即經(jīng)過一個(gè)評(píng)估時(shí)間步長(zhǎng)后T5時(shí)刻的風(fēng)險(xiǎn)態(tài)勢(shì)。

表5 1#風(fēng)電機(jī)組的風(fēng)險(xiǎn)態(tài)勢(shì)計(jì)算結(jié)果

對(duì)于1#風(fēng)電機(jī)組風(fēng)險(xiǎn)態(tài)勢(shì)評(píng)估結(jié)果的解讀：初始風(fēng)險(xiǎn)評(píng)估，初始風(fēng)險(xiǎn)評(píng)估矩陣為[0.985 6,0.011 0,0.002 7,0.000 57,0.000 13]，表示風(fēng)電機(jī)組當(dāng)前所處風(fēng)險(xiǎn)嚴(yán)重度等級(jí)的概率，1#機(jī)組當(dāng)前風(fēng)險(xiǎn)嚴(yán)重度的概率排序S1>S2>S3>S4>S5，即1#風(fēng)電機(jī)組當(dāng)前風(fēng)險(xiǎn)態(tài)勢(shì)為“注意”的概率最大，“嚴(yán)重”的概率最小。但是經(jīng)過一個(gè)評(píng)估時(shí)間步長(zhǎng)后，在22時(shí)10分(如表5)其風(fēng)險(xiǎn)指數(shù)0>4>>1>2>3，即其往“嚴(yán)重”狀態(tài)轉(zhuǎn)移的趨勢(shì)明顯，應(yīng)引起足夠重視。建議提前進(jìn)行預(yù)測(cè)性維護(hù)或安排額外的擴(kuò)展維護(hù)對(duì)其進(jìn)行詳細(xì)的潛在故障排查，以排除安全隱患。

2.2 1#風(fēng)電機(jī)組運(yùn)行態(tài)勢(shì)評(píng)估結(jié)果對(duì)比分析

為進(jìn)一步驗(yàn)證本文方法的有效性，將該方法與文獻(xiàn)[10]的基于趨勢(shì)預(yù)測(cè)的大型風(fēng)電機(jī)組運(yùn)行狀態(tài)模糊綜合評(píng)估進(jìn)行比較。為便于對(duì)比分析，將本文提出的方法記為M1，文獻(xiàn)[10]的方法記為M2。分別采用M1和M2對(duì)表5中的數(shù)據(jù)進(jìn)行持續(xù)分析，分析對(duì)比T1～T7持續(xù)時(shí)間段內(nèi)評(píng)價(jià)結(jié)果如圖8所示。

T2時(shí)刻，按該風(fēng)電機(jī)組技術(shù)規(guī)程，確定所有參數(shù)均保持在正常范圍內(nèi)。M1評(píng)估為風(fēng)險(xiǎn)嚴(yán)重度為S2(輕微)；采用M2，得到最終隸屬度矩陣[1,0,0,0,0]，按照M2所提保守型評(píng)估原則“取隸屬度大于零的最低等級(jí)項(xiàng)”，此時(shí)風(fēng)險(xiǎn)嚴(yán)重度評(píng)估結(jié)果為S1(注意)；而實(shí)際風(fēng)電機(jī)組此時(shí)已經(jīng)帶病運(yùn)行，可能已經(jīng)造成故障。這個(gè)結(jié)果的主要原因是：M2方法中所評(píng)估的只是齒輪箱系統(tǒng)、發(fā)電機(jī)系統(tǒng)、變流器系統(tǒng)、控制因素及機(jī)艙系統(tǒng)中的主要特征狀態(tài)參數(shù)，此時(shí)故障可能因?yàn)槠渌卣鳡顟B(tài)參數(shù)異?；蚬收习l(fā)生其他功能組件上，導(dǎo)致有功功率異常波動(dòng)。

T3時(shí)刻，M1評(píng)估為風(fēng)險(xiǎn)嚴(yán)重度為S1(注意)；采用M2得到最終隸屬度矩陣[0.8821,0.1179,0,0,0]，按照M2所提保守型評(píng)估原則“取隸屬度大于零的最低等級(jí)項(xiàng)”，此時(shí)風(fēng)險(xiǎn)嚴(yán)重度評(píng)估結(jié)果為S2(輕微)，發(fā)電機(jī)驅(qū)動(dòng)端軸承溫度R21突升為57.3℃，按照M2文章初步直觀判斷可能是發(fā)電機(jī)軸承出現(xiàn)磨損，雖然R21值較高但未超過閾值，所以發(fā)電機(jī)軸承并未出現(xiàn)嚴(yán)重劣化且報(bào)警系統(tǒng)未報(bào)警。

在T4時(shí)刻，即機(jī)組監(jiān)控報(bào)警系統(tǒng)報(bào)警前22分鐘，M1評(píng)估出機(jī)組當(dāng)前狀態(tài)為S1(注意)的概率為0.985 6，且風(fēng)險(xiǎn)狀態(tài)轉(zhuǎn)移過程中風(fēng)險(xiǎn)嚴(yán)重度從S1(注意)轉(zhuǎn)移到S5(嚴(yán)重)的風(fēng)險(xiǎn)指數(shù)為0.216 852，其往“嚴(yán)重”狀態(tài)轉(zhuǎn)移的趨勢(shì)明顯，應(yīng)引起運(yùn)維人員重視并及時(shí)采取必要措施；而因M2考慮的所有特征狀態(tài)參數(shù)均保持在正常范圍內(nèi)，得到最終隸屬度矩陣[1,0,0,0,0]，此時(shí)風(fēng)險(xiǎn)嚴(yán)重度評(píng)估結(jié)果為S1(注意)。現(xiàn)場(chǎng)實(shí)際調(diào)研情況是：1#機(jī)組已投運(yùn)8.6年，在2018年8月28日21時(shí)30分～22時(shí)22分該風(fēng)場(chǎng)平均風(fēng)速10 m/s左右，風(fēng)電機(jī)組正常運(yùn)行，機(jī)組維護(hù)人員觀測(cè)到SCADA監(jiān)測(cè)數(shù)據(jù)均在正常范圍內(nèi)且監(jiān)控報(bào)警系統(tǒng)未報(bào)警。T6時(shí)刻后，在22時(shí)22分44秒1#機(jī)組報(bào)AC驅(qū)動(dòng)側(cè)加速度傳感器超過限定值、振動(dòng)傳感器故障、變頻器通訊復(fù)位錯(cuò)誤、定子斷路器分?jǐn)喑瑫r(shí)，22時(shí)22分48秒報(bào)變頻器檢測(cè)到故障，22時(shí)22分49秒報(bào)電網(wǎng)故障、急停按鈕、UPS供電開關(guān)狀態(tài)，風(fēng)機(jī)停機(jī)。由于風(fēng)機(jī)停機(jī)過程中振動(dòng)劇烈，機(jī)艙吊車吊臂撞掉UPS電源箱，造成外部電源失去，變槳電池供電5分鐘后電量耗盡，22時(shí)27分通訊中斷。經(jīng)現(xiàn)場(chǎng)檢查，確定為機(jī)組主軸與低速軸連接螺栓斷裂。

通過以上對(duì)比，評(píng)估結(jié)果與實(shí)際情況基本吻合，表明所提風(fēng)險(xiǎn)評(píng)估方法能夠較為準(zhǔn)確地反映風(fēng)電機(jī)組的風(fēng)險(xiǎn)態(tài)勢(shì)，而故障發(fā)生前維護(hù)人員并未確切掌握風(fēng)電機(jī)組的實(shí)際運(yùn)行狀況；且M1考慮到風(fēng)險(xiǎn)態(tài)勢(shì)轉(zhuǎn)移，可提前預(yù)判風(fēng)險(xiǎn)態(tài)勢(shì)，相較M2，M1能更早發(fā)現(xiàn)潛在故障，足以在故障發(fā)生22分鐘前預(yù)判出1#機(jī)組存在的“嚴(yán)重”風(fēng)險(xiǎn)，及時(shí)調(diào)整維護(hù)策略，盡可能避免風(fēng)資源和運(yùn)維資源的浪費(fèi)，以及避免故障劣化對(duì)電網(wǎng)安全運(yùn)行造成的超重大影響。

為了進(jìn)一步驗(yàn)證本文所提方法的有效性，將其與評(píng)估方法M2分別應(yīng)用于其他25臺(tái)風(fēng)電機(jī)組90個(gè)樣本的狀態(tài)評(píng)估中，并對(duì)結(jié)果進(jìn)行比較。經(jīng)統(tǒng)計(jì)，本文所提方法的總準(zhǔn)確率可達(dá)到93%，M2的模糊狀態(tài)評(píng)估方法的總準(zhǔn)確率達(dá)80%。綜上所述，本文所提出的數(shù)據(jù)驅(qū)動(dòng)的風(fēng)電機(jī)組風(fēng)險(xiǎn)狀態(tài)動(dòng)態(tài)評(píng)估方法具有更高的準(zhǔn)確性和實(shí)用性。

3 結(jié)束語

現(xiàn)有的針對(duì)風(fēng)電機(jī)組狀態(tài)評(píng)估的研究主要聚焦于對(duì)風(fēng)電機(jī)組當(dāng)前狀態(tài)進(jìn)行評(píng)估，未充分考慮風(fēng)電機(jī)組運(yùn)行風(fēng)險(xiǎn)態(tài)勢(shì)轉(zhuǎn)移的特點(diǎn)。因此，本文融合多時(shí)段SCADA監(jiān)測(cè)數(shù)據(jù)，提出一種數(shù)據(jù)驅(qū)動(dòng)的風(fēng)電機(jī)組整機(jī)運(yùn)行風(fēng)險(xiǎn)態(tài)勢(shì)動(dòng)態(tài)評(píng)估方法。算例驗(yàn)證表明：基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)模型對(duì)有功功率預(yù)測(cè)精度可達(dá)到99.74%；基于模糊C均值的風(fēng)電機(jī)組風(fēng)險(xiǎn)影響嚴(yán)重度聚類模型所得到的聚類結(jié)果可以有效描述風(fēng)險(xiǎn)影響嚴(yán)重度；基于馬爾科夫鏈的風(fēng)電機(jī)組運(yùn)行風(fēng)險(xiǎn)態(tài)勢(shì)評(píng)估模型準(zhǔn)確率可達(dá)到93%，對(duì)于指導(dǎo)運(yùn)維人員調(diào)整維護(hù)策略、降低運(yùn)維成本、提高風(fēng)電機(jī)組并網(wǎng)運(yùn)行的實(shí)時(shí)可靠性具有重要實(shí)際工程應(yīng)用意義。

在后續(xù)研究中，針對(duì)關(guān)鍵零部件，表征其狀態(tài)退化特征熵，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)與LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)其狀態(tài)趨勢(shì)，并將本評(píng)估方法在風(fēng)電場(chǎng)中進(jìn)行推廣應(yīng)用，以驗(yàn)證在多工況下的風(fēng)險(xiǎn)態(tài)勢(shì)評(píng)估方法的普適性。