王印松，石建濤

基于深度神經(jīng)網(wǎng)絡(luò)模型的風(fēng)電機(jī)組傳動(dòng)系統(tǒng)狀態(tài)監(jiān)測(cè)方法

王印松，石建濤

（華北電力大學(xué) 自動(dòng)化系，河北 保定 071003）

大型風(fēng)電機(jī)組傳動(dòng)系統(tǒng)運(yùn)行工況復(fù)雜，運(yùn)維人員無(wú)法實(shí)時(shí)了解其運(yùn)行狀態(tài)。針對(duì)這一情況，提出一種基于深度神經(jīng)網(wǎng)絡(luò)模型（DNN）的狀態(tài)監(jiān)測(cè)方法。首先，BP算法訓(xùn)練DNN模型時(shí)容易陷入局部最小值和過(guò)擬合，因此，將麻雀搜索算法（SSA）與BP算法結(jié)合，提出一種SSA優(yōu)化BP算法訓(xùn)練DNN模型的方法。然后，采用風(fēng)電機(jī)組SCADA系統(tǒng)數(shù)據(jù)建立DNN模型來(lái)估計(jì)風(fēng)電機(jī)組傳動(dòng)系統(tǒng)的關(guān)鍵運(yùn)行參數(shù)，利用估計(jì)參數(shù)的殘差信息構(gòu)建2統(tǒng)計(jì)量應(yīng)用于狀態(tài)監(jiān)測(cè)，并給出2統(tǒng)計(jì)量報(bào)警限的確定方法。最后，將提出的DNN訓(xùn)練方法與其他方法進(jìn)行對(duì)比并將該方法應(yīng)用于某風(fēng)電機(jī)組傳動(dòng)系統(tǒng)狀態(tài)監(jiān)測(cè)。結(jié)果表明，SSA優(yōu)化BP算法能夠有效避免局部最小值和過(guò)擬合，該狀態(tài)監(jiān)測(cè)方法能夠提前預(yù)警風(fēng)電機(jī)組傳動(dòng)系統(tǒng)的異常狀態(tài)。

風(fēng)電機(jī)組；深度神經(jīng)網(wǎng)絡(luò)；麻雀搜索算法；狀態(tài)監(jiān)測(cè)

0 引言

“碳中和”目標(biāo)的提出，對(duì)我國(guó)電力能源結(jié)構(gòu)產(chǎn)生了深遠(yuǎn)的影響，新能源發(fā)電在我國(guó)電力生產(chǎn)中的比重越來(lái)越高[1]。風(fēng)力發(fā)電作為一種效率高、技術(shù)成熟的發(fā)電方式，近年來(lái)得到快速發(fā)展。風(fēng)電機(jī)組運(yùn)行中經(jīng)常受到高溫、強(qiáng)沙塵、強(qiáng)風(fēng)等惡劣環(huán)境的影響，因此風(fēng)電機(jī)組在運(yùn)行過(guò)程中的可靠性非常重要[2]。風(fēng)電機(jī)組的高失效率導(dǎo)致運(yùn)維成本較高。能夠有效降低風(fēng)電機(jī)組運(yùn)維成本的一個(gè)重要途徑是對(duì)風(fēng)電機(jī)組實(shí)施狀態(tài)監(jiān)測(cè)。因此，開(kāi)展風(fēng)電機(jī)組運(yùn)行狀態(tài)監(jiān)測(cè)與評(píng)估的研究，根據(jù)評(píng)估結(jié)果確定風(fēng)電機(jī)組運(yùn)行狀態(tài)，對(duì)合理調(diào)整檢修計(jì)劃，提高風(fēng)電機(jī)組的運(yùn)行可靠性、降低風(fēng)機(jī)運(yùn)維成本等具有重要意義。

文獻(xiàn)[3]對(duì)比了風(fēng)電機(jī)組的13個(gè)子組件的停機(jī)時(shí)間，發(fā)現(xiàn)：風(fēng)電機(jī)組傳動(dòng)系統(tǒng)故障的停機(jī)時(shí)間較長(zhǎng)，維修費(fèi)用較高。風(fēng)電機(jī)組的傳動(dòng)系統(tǒng)主要包括齒輪箱、主軸、發(fā)電機(jī)等部件。這些部件受到機(jī)組不同載荷的沖擊較大，再加上潤(rùn)滑不足、安裝不當(dāng)?shù)仍颍淞踊^(guò)程是漸變的，不易檢測(cè)和發(fā)現(xiàn)。因此，風(fēng)電機(jī)組傳動(dòng)部件的狀態(tài)監(jiān)測(cè)和故障預(yù)警技術(shù)一直是風(fēng)電領(lǐng)域的研究熱點(diǎn)之一[4, 5]。

目前，在風(fēng)電場(chǎng)廣泛應(yīng)用的傳動(dòng)系統(tǒng)的狀態(tài)監(jiān)測(cè)方法主要包括振動(dòng)分析、油液監(jiān)測(cè)、超聲技術(shù)等[6]。這些方法的優(yōu)點(diǎn)是故障定位準(zhǔn)確度較高，但成本十分高昂，且部分方法無(wú)法實(shí)現(xiàn)實(shí)時(shí)監(jiān)測(cè)。另外，風(fēng)電機(jī)組的運(yùn)行情況受環(huán)境因素的影響極大，難以利用數(shù)學(xué)方法精確建立運(yùn)行參數(shù)之間的數(shù)學(xué)模型。目前，絕大多數(shù)的風(fēng)電機(jī)組都裝備有數(shù)據(jù)采集與監(jiān)視控制（SCADA）系統(tǒng)。充分利用SCADA系統(tǒng)中的監(jiān)測(cè)數(shù)據(jù)進(jìn)行狀態(tài)監(jiān)測(cè)不僅成本較小，還可以實(shí)現(xiàn)實(shí)時(shí)監(jiān)測(cè)。基于SCADA數(shù)據(jù)的狀態(tài)監(jiān)測(cè)方法主要有統(tǒng)計(jì)分析和多參數(shù)融合的方法。統(tǒng)計(jì)分析方法主要包括功率分析[7]、概率模型[8]和統(tǒng)計(jì)指標(biāo)分析[9, 10]等方法；多參數(shù)融合的方法主要包括人工神經(jīng)網(wǎng)絡(luò)法[11]、高斯混合概率模型[12]、物元分析[13]、模糊綜合評(píng)判[14]等方法。

文獻(xiàn)[15]采用風(fēng)電機(jī)組SCADA數(shù)據(jù)建立了基于多受限玻爾茲曼機(jī)（RBM）的深度自動(dòng)編碼器（DAE）模型，并將該模型應(yīng)用于齒輪箱的狀態(tài)監(jiān)測(cè)。文獻(xiàn)[16]以有功功率、轉(zhuǎn)子轉(zhuǎn)速、機(jī)艙溫度和環(huán)境溫度4個(gè)信號(hào)為輸入，以齒輪箱軸承溫度和齒輪箱潤(rùn)滑油溫度為輸出建立神經(jīng)網(wǎng)絡(luò)（NN）模型對(duì)風(fēng)電機(jī)組部件進(jìn)行狀態(tài)檢測(cè)。與淺層神經(jīng)網(wǎng)絡(luò)相比，深度神經(jīng)網(wǎng)絡(luò)模型（DNN）具有多個(gè)隱含層，能夠更好地挖掘數(shù)據(jù)中的隱藏信息，更適用于風(fēng)電機(jī)組各個(gè)狀態(tài)參數(shù)之間高度非線性的場(chǎng)景。文獻(xiàn)[17]采用深度學(xué)習(xí)建立風(fēng)電機(jī)組的非線性映射模型，并將其應(yīng)用到直驅(qū)風(fēng)電機(jī)組中，實(shí)現(xiàn)了機(jī)組早期準(zhǔn)確的故障預(yù)警。文獻(xiàn)[18]采用深度神經(jīng)網(wǎng)絡(luò)（DNN）模型建立變速箱潤(rùn)滑油壓力的非線性模型，并將其與KNN、嶺回歸、支持向量機(jī)（SVM）、淺層神經(jīng)網(wǎng)絡(luò)（NN）等建模方法進(jìn)行對(duì)比，驗(yàn)證了深度神經(jīng)網(wǎng)絡(luò)與其他方法相比具有更精確的建模能力。但是，由于DNN模型具有多層隱含層，采用BP算法訓(xùn)練時(shí)容易出現(xiàn)梯度消失、局部最小值和過(guò)擬合的問(wèn)題。雖然文獻(xiàn)[19]中提出采用Dropout技術(shù)可以有效改善DNN過(guò)擬合，但是采用Dropout技術(shù)訓(xùn)練DNN模型時(shí)，其損失函數(shù)無(wú)法明確定義，無(wú)法保證在迭代過(guò)程中損失函數(shù)的單調(diào)遞減性。文獻(xiàn)[20]分別采用遺傳算法和粒子群算法對(duì)BP算法尋優(yōu)的過(guò)程進(jìn)行優(yōu)化，證實(shí)了群體智能算法可以優(yōu)化神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程。文獻(xiàn)[21]提出了一種新的群體智能算法——麻雀搜索算法（SSA），并將該算法與其他群體智能算法，如遺傳算法、粒子群算法、蟻群算法等，進(jìn)行對(duì)比，驗(yàn)證了SSA在搜索精度、收斂速度、穩(wěn)定性方面的優(yōu)越性。

本文將麻雀搜索算法與深度神經(jīng)網(wǎng)絡(luò)模型相結(jié)合，采用麻雀搜索算法優(yōu)化DNN的訓(xùn)練過(guò)程，并與遺傳算法、粒子群算法等算法優(yōu)化的DNN模型進(jìn)行對(duì)比，驗(yàn)證了所提方法在避免局部最小值和減弱過(guò)擬合方面的優(yōu)越性。將該方法應(yīng)用于擬合風(fēng)電機(jī)組傳動(dòng)系統(tǒng)的關(guān)鍵參數(shù)信息，構(gòu)建參數(shù)誤差的2統(tǒng)計(jì)量指標(biāo)，并確定機(jī)組正常運(yùn)行時(shí)2統(tǒng)計(jì)量的報(bào)警限，通過(guò)判斷實(shí)際運(yùn)行數(shù)據(jù)的2統(tǒng)計(jì)量是否超限實(shí)現(xiàn)風(fēng)電機(jī)組傳動(dòng)系統(tǒng)狀態(tài)進(jìn)行監(jiān)測(cè)。

1 風(fēng)電機(jī)組傳動(dòng)系統(tǒng)的狀態(tài)監(jiān)測(cè)框架

1.1 風(fēng)電機(jī)組的SCADA系統(tǒng)

以某風(fēng)電場(chǎng)2.0 MW的風(fēng)電機(jī)組為研究對(duì)象，機(jī)組的總體設(shè)計(jì)技術(shù)參數(shù)如表1所示。該機(jī)組的SCADA系統(tǒng)中記錄了風(fēng)電機(jī)組在運(yùn)行過(guò)程中的各種參數(shù)。去除其中的統(tǒng)計(jì)信息，如當(dāng)前發(fā)電量統(tǒng)計(jì)、累計(jì)停機(jī)時(shí)間等，變量如表2所示。

表1 風(fēng)電機(jī)組總體技術(shù)參數(shù)

表2 風(fēng)電機(jī)組SCADA系統(tǒng)中的監(jiān)測(cè)變量

1.2 風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)方法

本文提出的風(fēng)電機(jī)組傳動(dòng)系統(tǒng)實(shí)時(shí)狀態(tài)監(jiān)測(cè)方法的流程如圖1所示。

風(fēng)電機(jī)組的狀態(tài)監(jiān)測(cè)流程可分為離線和在線兩部分。離線部分：首先，對(duì)風(fēng)電機(jī)組的歷史運(yùn)行數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理；然后，采用最大期望最小冗余算法（mRMR）選取與表征風(fēng)電機(jī)組關(guān)鍵部件運(yùn)行狀態(tài)參數(shù)相關(guān)度較高的變量作為DNN模型的輸入，并采用正常運(yùn)行的歷史數(shù)據(jù)對(duì)DNN模型進(jìn)行訓(xùn)練；最后，將機(jī)組正常運(yùn)行數(shù)據(jù)輸入DNN模型中，計(jì)算DNN模型輸出值與實(shí)際值之間的殘差，以殘差信號(hào)為輸入構(gòu)建2統(tǒng)計(jì)量，并確定報(bào)警限的值。在線部分：對(duì)風(fēng)電機(jī)組實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，然后將實(shí)時(shí)數(shù)據(jù)輸入DNN模型中，計(jì)算DNN模型輸出值與實(shí)際值之間的殘差。利用殘差信號(hào)構(gòu)建2統(tǒng)計(jì)量，并與報(bào)警限進(jìn)行比較，從而判斷風(fēng)電機(jī)組傳動(dòng)系統(tǒng)的運(yùn)行狀態(tài)優(yōu)劣。

圖1 風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)流程

2 深度神經(jīng)網(wǎng)絡(luò)模型的建立

2.1 麻雀搜索算法

麻雀搜索算法是一種受麻雀覓食和反捕食行為的啟發(fā)而提出的一種群體智能優(yōu)化算法，其在搜索精度、收斂速度、穩(wěn)定度和避免局部最小值方面均優(yōu)于現(xiàn)有算法[21]。

在數(shù)學(xué)模型中，各個(gè)麻雀的位置可以用矩陣表示。

式中：為麻雀數(shù)量；為待優(yōu)化變量的維數(shù)。所有麻雀的適應(yīng)度可以用式（2）表示。

式中：()每一行的值代表個(gè)體適應(yīng)度的值。

生產(chǎn)者通常有高水平的能量?jī)?chǔ)備，并為所有乞討者提供覓食區(qū)域或方向。一旦麻雀發(fā)現(xiàn)捕食者，就會(huì)發(fā)出警報(bào)信號(hào)。當(dāng)報(bào)警值大于安全閾值時(shí)，生產(chǎn)者將所有的麻雀引導(dǎo)到安全區(qū)域。因此在每次迭代中，生產(chǎn)者的位置按照式（3）更新。

當(dāng)2<時(shí)，說(shuō)明麻雀種群周?chē)鷽](méi)有捕食者，生產(chǎn)者進(jìn)入廣泛搜索的模式；當(dāng)2≥時(shí)，說(shuō)明種群周?chē)l(fā)現(xiàn)捕食者，所有麻雀需要飛到安全區(qū)域。

乞討者會(huì)時(shí)刻監(jiān)視生產(chǎn)者的位置，跟隨能提供最好食物的生產(chǎn)者并爭(zhēng)奪食物。能量?jī)?chǔ)備較低的乞討者為尋找更多的食物更有可能飛到其他地方。因此乞討者的位置更新公式可以表示為：

式中：P代表生產(chǎn)者占據(jù)的最佳位置；worst代表當(dāng)前全局最差的位置；是一個(gè)元素值被隨機(jī)地分配為±1的維行向量，且+=T(T)–1。當(dāng)>/2時(shí)，表明能量?jī)?chǔ)備較低的第個(gè)乞討者最有可能挨餓。

假定處于群體邊緣的麻雀占總數(shù)的10%～20%，在意識(shí)到危險(xiǎn)時(shí)，迅速向安全區(qū)域移動(dòng)，獲得更好的位置，而處于群體中間的麻雀則會(huì)隨機(jī)行走，接近其他麻雀。位置按照式（5）更新。

式中：best是當(dāng)前全局最佳位置；是步長(zhǎng)控制參數(shù)，是一個(gè)服從(0,1)的隨機(jī)數(shù)；?[–1,1]是一個(gè)隨機(jī)數(shù)；f是當(dāng)前麻雀的適應(yīng)度值；g和w是當(dāng)前全局最佳和最差的適合度值；是一個(gè)非常小的常數(shù)，以免零作除數(shù)。

f>g表示麻雀在種群的邊緣，而best表示麻雀種群的中心位置，它的周?chē)前踩摹?i>f=g表示麻雀種群中心的麻雀意識(shí)到了危險(xiǎn)，需要向其他麻雀的位置移動(dòng)，是麻雀的運(yùn)動(dòng)方向，即步長(zhǎng)控制系數(shù)。

采用麻雀搜索算法來(lái)優(yōu)化DNN模型的方法是優(yōu)化DNN模型的權(quán)值和閾值的尋優(yōu)過(guò)程。首先采用麻雀搜索算法尋找使損失函數(shù)盡量小的權(quán)值和偏置參數(shù)，然后采用BP算法進(jìn)行微調(diào)，從而有效避免DNN模型訓(xùn)練陷入局部最優(yōu)值，能夠更快地達(dá)到全局最優(yōu)位置。

DNN模型的損失函數(shù)一般選擇為均方誤差，因此選擇麻雀搜索算法的適應(yīng)度函數(shù)為：

為將麻雀搜索算法優(yōu)化的DNN模型與遺傳算法、粒子群算法等優(yōu)化的DNN模型進(jìn)行對(duì)比，將算法的迭代次數(shù)、種群規(guī)模、DNN模型結(jié)構(gòu)等參數(shù)按照表3設(shè)定。

表3 優(yōu)化算法和DNN模型參數(shù)設(shè)定

根據(jù)表3可以得DNN模型的結(jié)構(gòu)如圖2所示。全部的權(quán)值和偏置參數(shù)總個(gè)數(shù)為1 177，即各個(gè)優(yōu)化算法所需要優(yōu)化的參數(shù)維度為1 177。

圖2 深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

2.2 誤差分析

為對(duì)比不同的智能優(yōu)化算法對(duì)深度神經(jīng)網(wǎng)絡(luò)的優(yōu)化效果，可以定義如下指標(biāo)。

均方根誤差（root mean square error，RMSE）對(duì)擬合過(guò)程中產(chǎn)生的異常值較為敏感，計(jì)算公式為：

平均相對(duì)誤差（mean relative error，MRE）為估計(jì)模型預(yù)測(cè)值和實(shí)際值之間的差異，其計(jì)算公式為：

定義擬合度指標(biāo)：

其中擬合度指標(biāo)new可以用來(lái)表示非線性函數(shù)的擬合程度，new?[0,1]且new越接近1，表示擬合性能越好。

采用風(fēng)電機(jī)組正常運(yùn)行的歷史數(shù)據(jù)對(duì)各種算法進(jìn)行對(duì)比。首先采用mRMR算法在SCADA系統(tǒng)中選取與齒輪箱油溫相關(guān)度較大的10個(gè)變量作為DNN模型的輸入，齒輪箱油溫作為輸出；選取風(fēng)電機(jī)組正常運(yùn)行的齒輪箱油溫?cái)?shù)據(jù)共3 000組，其中2 000組作為訓(xùn)練數(shù)據(jù)，1 000組作為測(cè)試數(shù)據(jù)；分別采用普通BP、遺傳算法（GA）、粒子群算法（PSO）、鯨魚(yú)（WOA）算法和麻雀搜索算法（SSA）對(duì)深度神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化訓(xùn)練。按照式（7）～（9），統(tǒng)計(jì)訓(xùn)練集和測(cè)試集輸出誤差指標(biāo)如表4所示。

其中各個(gè)優(yōu)化算法每次迭代過(guò)程中的最優(yōu)適應(yīng)度變化趨勢(shì)如圖3所示。

測(cè)試集在不同算法優(yōu)化的DNN模型下的仿真誤差如圖4所示。

從表4以及圖3、圖4中可以看出，雖然普通BP算法優(yōu)化的DNN模型的訓(xùn)練集誤差較小，但是其測(cè)試集的誤差相對(duì)較大，說(shuō)明DNN模型已經(jīng)出現(xiàn)過(guò)擬合。而對(duì)比GA、PSO、WOA和SSA算法的適應(yīng)度變化情況來(lái)看，SSA算法的適應(yīng)度是幾種算法中最小的；因此，相比其他算法，SSA算法能夠使DNN模型的損失函數(shù)達(dá)到更小。對(duì)比不同算法優(yōu)化的DNN模型的輸出誤差發(fā)現(xiàn)，雖然SSA優(yōu)化的DNN模型的訓(xùn)練集誤差較大，但是其測(cè)試集誤差較小，說(shuō)明訓(xùn)練出的DNN模型具有較強(qiáng)的泛化能力。因此，從不同優(yōu)化算法對(duì)DNN模型的優(yōu)化結(jié)果來(lái)看，采用SSA優(yōu)化的DNN模型能夠?qū)ふ业饺指鼉?yōu)的位置，并能夠減弱DNN模型的過(guò)擬合，增強(qiáng)網(wǎng)絡(luò)的泛化能力。

表4 各種優(yōu)化算法優(yōu)化DNN模型的誤差比較

圖3 不同算法的適應(yīng)度

圖4 測(cè)試集仿真誤差

3 風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)指標(biāo)的構(gòu)建

風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)指標(biāo)的構(gòu)建主要有以下步驟。

步驟1：數(shù)據(jù)預(yù)處理。

（1）剔除切入風(fēng)速以下、切出風(fēng)速以上的數(shù)據(jù)以及限功率時(shí)段的數(shù)據(jù)。

（2）歸一化處理。根據(jù)式（10）對(duì)風(fēng)電機(jī)組運(yùn)行數(shù)據(jù)進(jìn)行歸一化處理，消除量綱的影響。

步驟2：選取齒輪箱油溫、齒輪箱輸入軸軸溫、齒輪箱輸出軸軸溫、發(fā)電機(jī)軸承溫度A、發(fā)電機(jī)繞組溫度U1、主軸轉(zhuǎn)子側(cè)溫度、主軸齒輪箱側(cè)溫度作為表征風(fēng)電機(jī)組傳動(dòng)系統(tǒng)關(guān)鍵部件健康程度的狀態(tài)信號(hào)，分別記為：[1,2,3,4,5,6,7]。以它們?yōu)槟繕?biāo)變量，采用mRMR算法在風(fēng)電機(jī)組SCADA系統(tǒng)中選取相關(guān)度較高的參數(shù)作為DNN模型輸入，組成圖5所示的輸入輸出組合。選取的變量如表5所示（按表2索引）。

步驟3：選取DNN模型結(jié)構(gòu)如圖2所示，分別以參數(shù)[1,2,3,4,5,6,7]為輸出，以表5所示的變量為輸入，采用SSA優(yōu)化的方法訓(xùn)練DNN模型，并按式（11）計(jì)算模型輸出與實(shí)際值之間的殘差信號(hào)。

圖5 DNN模型輸入輸出組合

表5 DNN模型輸入變量序號(hào)

步驟4：計(jì)算殘差序列的2統(tǒng)計(jì)量。以每個(gè)樣本的[1,2,3,4,5,6,7] 7個(gè)參數(shù)的殘差為輸入，計(jì)算樣本殘差的2統(tǒng)計(jì)量，如式（12）所示。

為使2統(tǒng)計(jì)量的曲線更加平滑，采用滑動(dòng)窗口法，窗口寬度為30，對(duì)計(jì)算得到的2統(tǒng)計(jì)量作平滑處理。

步驟5：采用核密度估計(jì)法確定2統(tǒng)計(jì)量的報(bào)警限；若機(jī)組實(shí)時(shí)運(yùn)行數(shù)據(jù)的2統(tǒng)計(jì)量超出控制限，則說(shuō)明機(jī)組可能存在異常，否則機(jī)組處于正常狀態(tài)。

定義核密度估計(jì)算子[22]為：

式中：為樣本點(diǎn)；x為樣本觀察點(diǎn)；為帶寬；為核函數(shù)，且滿足下式：

采用高斯核函數(shù)，選定置信度為99.9%（誤報(bào)警率為0.1%），利用核密度估計(jì)法確定2統(tǒng)計(jì)量報(bào)警限。

4 案例分析

本文對(duì)某風(fēng)電場(chǎng)的一個(gè)故障機(jī)組進(jìn)行分析。該風(fēng)電場(chǎng)的#36機(jī)組在2020年2月20日因發(fā)生齒輪箱斷齒故障停機(jī)。從SCADA系統(tǒng)中截取該故障機(jī)組在故障停機(jī)前7天的齒輪箱相關(guān)參數(shù)如圖6所示。

圖6 故障機(jī)組齒輪箱相關(guān)參數(shù)

從圖6中可以看出，與齒輪箱有關(guān)的各個(gè)溫度參數(shù)基本隨著風(fēng)速的變化趨勢(shì)而變化且均未超出機(jī)組的報(bào)警閾值，且各個(gè)溫度參數(shù)也沒(méi)有變大的趨勢(shì)，因此僅僅靠監(jiān)測(cè)風(fēng)機(jī)各個(gè)部件運(yùn)行參數(shù)的大小無(wú)法有效識(shí)別風(fēng)電機(jī)組的異常狀態(tài)。

將該風(fēng)場(chǎng)同時(shí)運(yùn)行的其他正常機(jī)組的歷史運(yùn)行數(shù)據(jù)經(jīng)過(guò)數(shù)據(jù)預(yù)處理作為DNN模型的訓(xùn)練數(shù)據(jù)，采用SSA算法優(yōu)化BP的方法對(duì)DNN模型進(jìn)行訓(xùn)練，計(jì)算訓(xùn)練數(shù)據(jù)的2統(tǒng)計(jì)量。采用核密度估計(jì)方法得到的置信度為99.9%的報(bào)警限為2=30.75。

將#36機(jī)組2020年2月13日—20日的運(yùn)行數(shù)據(jù)經(jīng)過(guò)預(yù)處理之后，按照上文所述的步驟計(jì)算#36故障機(jī)組的2統(tǒng)計(jì)量如圖7所示。

圖7 #36機(jī)組T2統(tǒng)計(jì)量

從圖7中可以看出，#36機(jī)組的2統(tǒng)計(jì)量一直處于報(bào)警限附近，分別在2020年2月13日3時(shí)0分、2020年2月15日23時(shí)20分、2020年2月19日11時(shí)10分超出報(bào)警限。這表明機(jī)組的狀態(tài)早在2020年2月13日起已經(jīng)產(chǎn)生異常，需要風(fēng)電機(jī)組運(yùn)維人員多加注意。2統(tǒng)計(jì)量在2020年2月15日之后超出報(bào)警限的頻率越來(lái)越高，時(shí)間也越來(lái)越長(zhǎng)，表明機(jī)組很可能已經(jīng)發(fā)生故障，應(yīng)該及時(shí)安排檢修。本文提出的狀態(tài)監(jiān)測(cè)方法能夠監(jiān)測(cè)出機(jī)組傳動(dòng)系統(tǒng)異常的時(shí)間比機(jī)組報(bào)告的停機(jī)時(shí)間早5 d左右，可為風(fēng)電機(jī)組的運(yùn)維人員爭(zhēng)取較多的時(shí)間及時(shí)安排檢修，有效避免較嚴(yán)重的事故發(fā)生。

為了與機(jī)組正常運(yùn)行情況下的2統(tǒng)計(jì)量進(jìn)行對(duì)比，選取同風(fēng)場(chǎng)正常運(yùn)行的#38機(jī)組2020年2月10日—2020年2月20日時(shí)的運(yùn)行數(shù)據(jù)，按照相應(yīng)流程計(jì)算得到的2統(tǒng)計(jì)量，如圖8所示。

圖8 #38機(jī)組的T2統(tǒng)計(jì)量

從圖8中可以看出，當(dāng)機(jī)組正常運(yùn)行時(shí)，計(jì)算得到的2統(tǒng)計(jì)量一直處于控制限之下。與#36機(jī)組對(duì)照，結(jié)果表明提出的狀態(tài)監(jiān)測(cè)方法能夠及時(shí)對(duì)風(fēng)電機(jī)組的異常狀態(tài)發(fā)出預(yù)警，進(jìn)一步驗(yàn)證了所提狀態(tài)監(jiān)測(cè)方法的有效性。

5 結(jié)論

本文提出了一種基于深度神經(jīng)網(wǎng)絡(luò)（DNN）的風(fēng)電機(jī)組傳動(dòng)系統(tǒng)狀態(tài)監(jiān)測(cè)模型。為了優(yōu)化DNN模型的訓(xùn)練過(guò)程，避免BP算法陷入局部最小值和過(guò)擬合的情況，采用麻雀搜索算法優(yōu)化深度神經(jīng)網(wǎng)絡(luò)（DNN）模型的訓(xùn)練過(guò)程。將這種方法與遺傳算法、粒子群算法等優(yōu)化的DNN模型進(jìn)行對(duì)比，驗(yàn)證了所提方法的優(yōu)越性；采用DNN模型對(duì)風(fēng)電機(jī)組傳動(dòng)系統(tǒng)的關(guān)鍵參數(shù)進(jìn)行估計(jì)，利用估計(jì)值與實(shí)際值之間的殘差信號(hào)計(jì)算2統(tǒng)計(jì)量，并給出了2統(tǒng)計(jì)量報(bào)警限的確定方法。最后根據(jù)2統(tǒng)計(jì)量是否超限來(lái)確定機(jī)組的運(yùn)行狀態(tài)。結(jié)合某風(fēng)電場(chǎng)故障機(jī)組相關(guān)數(shù)據(jù)，驗(yàn)證了所提狀態(tài)監(jiān)測(cè)方法的有效性。結(jié)果表明，該狀態(tài)監(jiān)測(cè)模型能夠在機(jī)組停機(jī)前實(shí)現(xiàn)報(bào)警，給風(fēng)電場(chǎng)的運(yùn)維人員爭(zhēng)取了更多的維修時(shí)間。

[1] 萬(wàn)燦, 宋永華. 新能源電力系統(tǒng)概率預(yù)測(cè)理論與方法及其應(yīng)用[J]. 電力系統(tǒng)自動(dòng)化, 2021, 45(1): 2-16.

WAN CAN, SONG YONGHUA. Theories, methodologies and applications of probabilistic forecasting for power systems with renewable energy sources[J]. Automation of Electric Power Systems, 2021, 45(1): 2-16(in Chinese).

[2] 李垚, 朱才朝, 陶友傳, 等. 風(fēng)電機(jī)組可靠性研究現(xiàn)狀與發(fā)展趨勢(shì)[J]. 中國(guó)機(jī)械工程, 2017, 28(9): 1125-1133.

LI YAO, ZHU CAICHAO, TAO YOUCHUAN, et al. Research status and development tendency of wind turbine reliability[J]. China Mechanical Engineering, 2017, 28(9): 1125-1133(in Chinese).

[3] HOSSAIN M L, ABU-SIADA A, MUYEEN S M. Methods for advanced wind turbine condition monitoring and early diagnosis: a literature review[J]. Energies, 2018, 11(5): 1309.

[4] 許國(guó)東, 葉杭冶, 解鴻斌. 風(fēng)電機(jī)組技術(shù)現(xiàn)狀及發(fā)展方向[J]. 中國(guó)工程科學(xué), 2018, 20(3): 44-50.

XU GUODONG, YE HANG YE, XIE HONGBIN. The Current state and future development of wind turbine technology[J]. Engineering Science, 2018, 20(3): 44-50(in Chinese).

[5] WANG Z, LIU C. Wind turbine condition monitoring based on a novel multivariate state estimation technique[J]. Measurement, 2021, 168: 108388.

[6] LIU Z, ZHANG L. A review of failure modes, condition monitoring and fault diagnosis methods for large-scale wind turbine bearings[J]. Measurement, 2020, 149: 107002.

[7] ASTOLFI D, CASTELLANI F, LOMBARDI A, et al. Multivariate SCADA data analysis methods for real-world wind turbine power curve monitoring[J]. Energies, 2021, 14(4): 1105.

[8] NIELSEN J S, S?RENSEN J D. Computational framework for risk-based planning of inspections, maintenance and condition monitoring using discrete Bayesian networks[J]. Structure and Infrastructure Engineering, 2018, 14(8): 1082-1094.

[9] ZENG Z, ZIO E. Dynamic risk assessment based on statistical failure data and condition-monitoring degradation data[J]. IEEE Transactions on Reliability, 2018, 67(2): 609-622.

[10] HERP J, PEDERSEN N L, NADIMI E S. Wind turbine performance analysis based on multivariate higher order moments and Bayesian classifiers[J]. Control Engineering Practice, 2016, 49: 204-211.

[11] HU B, HU Z, RAN L, et al. Deep learning neural networks for heat-flux health condition monitoring method of multi-device power electronics system[C]//2019 IEEE Energy Conversion Congress and Exposition (ECCE). Baltimore, MD, USA: IEEE, 2019: 3769-3774.

[12] LIANG T, MENG Z, XIE G, et al. Multi-running state health assessment of wind turbines drive system based on BiLSTM and GMM[J]. IEEE Access, 2020, 8: 143042-143054.

[13] 李輝, 胡姚剛, 楊超, 等. 并網(wǎng)風(fēng)電機(jī)組運(yùn)行狀態(tài)的物元評(píng)估方法[J]. 電力系統(tǒng)自動(dòng)化, 2011, 35(6): 81-85.

LI HUI, HU YAOGANG, YANG CHAO, et al. A matter-element assessment method of a grid-connected wind turbine driven generator system under on-line operating condition[J]. Automation of Electric Power Systems, 2011, 35(6): 81-85(in Chinese).

[14] 肖運(yùn)啟, 王昆朋, 賀貫舉, 等. 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)價(jià)[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2014, 34(13): 2132-2139.

XIAO YUNQI, WANG KUNPENG, HE GUANJU, et al. Fuzzy comprehensive evaluation for operating condition of large-scale wind turbines based on trend predication[J]. Proceedings of the CSEE, 2014, 34(13): 2132-2139(in Chinese).

[15] ZHAO H, LIU H, HU W, et al. Anomaly detection and fault analysis of wind turbine components based on deep learning network[J]. Renewable Energy, 2018, 127: 825-834.

[16] BANGALORE P, LETZGUS S, KARLSSON D, et al. An artificial neural network-based condition monitoring method for wind turbines, with application to the monitoring of the gearbox[J]. Wind Energy, 2017, 20(8): 1421-1438.

[17] 丁顯, 韓寧寧, 滕偉. 基于深度學(xué)習(xí)的直驅(qū)風(fēng)電機(jī)組故障辨識(shí)[J]. 可再生能源, 2018, 36(10): 1535-1540.

DING XIAN, HAN NINGNING, TENG WEI. Fault identification of direct drive wind turbine based on deep learning[J]. Renewable Energy Resources, 2018, 36(10): 1535-1540(in Chinese).

[18] WANG L, ZHANG Z, LONG H, et al. Wind turbine gearbox failure identification with deep neural networks[J]. IEEE Transactions on Industrial Informatics, 2016, 13(3): 1360-1368.

[19] MOLCHANOV D, ASHUKHA A, VETROV D. Variational dropout sparsifies deep neural networks[C]//International Conference on Machine Learning. PMLR, 2017: 2498-2507.

[20]陳駿, 傅成華, 郭輝. 智能優(yōu)化算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近能力研究[J]. 軟件導(dǎo)刊, 2015, 14(4): 70-72.

[21] XUE J, SHEN B. A novel swarm intelligence optimization approach: sparrow search algorithm[J]. Systems Science & Control Engineering, 2020, 8(1): 22-34.

[22] CHEN Y C. A tutorial on kernel density estimation and recent advances[J]. Biostatistics & Epidemiology, 2017, 1(1): 161-187.

Condition Monitoring Method of Wind Turbine Transmission System Based on DNN Model

WANG Yinsong, SHI Jiantao

(Department of Automation, North China Electric Power University, Baoding 071003, China)

Operation condition of large wind turbine drive system is complex, and the operation and maintenance personnel cannot understand its operation state in real time. In order to solve this problem, a condition monitoring method based on deep neural network model (DNN) is proposed in this paper. First of all, BP algorithm is prone to fall into local minimum value and over-fitting when training DNN model. To solve this problem, combining sparrow search algorithm (SSA) with BP algorithm, and amethod of training DNN model by SSA optimized BP algorithm was proposed. Then, a DNN model was established based on SCADA system data of wind turbine to estimate the key operating parameters of wind turbine drive system. The residual error of key parameter was used to construct2statistics for condition monitoring, and the method to determine the alarm limit of statistics was given. Finally, the DNN training method proposed in this paper was compared with other algorithms, and the condition monitoring method was applied to the condition monitoring of the drive system of a wind turbine. The results show that the BP algorithm optimized by SSA can effectively recede local minimum and over-fitting. The condition monitoring method can give an alarm of the abnormal condition of wind turbine drive system in advance.

wind turbine; deep neural network; sparrow search algorithm; condition monitoring

10.3969/j.ISSN.1672-0792.2021.09.004

TM351

A

1672-0792(2021)09-0026-09

2021-06-18

王印松（1967—），男，教授，主要研究方向?yàn)橄冗M(jìn)控制理論及應(yīng)用、智能發(fā)電系統(tǒng)分析與優(yōu)化、新能源發(fā)電自動(dòng)化技術(shù)與系統(tǒng)；

石建濤（1996—），男，碩士研究生，主要方向?yàn)橹悄馨l(fā)電系統(tǒng)分析與優(yōu)化。

石建濤