國電電力河北新能源開發(fā)有限公司 孫立志 王 健 趙 鵬 馬亞楠

由于風力發(fā)電可以做到節(jié)能減排，因此世界各國出臺了許多風電相關(guān)政策，風場效益每年的增幅維持在20%左右，同時越來越注重海上風電的發(fā)展，能源供給不足與環(huán)境破壞嚴重是我國目前較為嚴重的問題，風力發(fā)電清潔環(huán)保，資源豐富可以長期使用，大力發(fā)展風力發(fā)電可以解決上述問題[1-2]。隨著風電場的規(guī)模和風機的數(shù)量均不斷增大，部分裝機時間較早的風機，不斷增加的故障次數(shù)，也造成了發(fā)電效率的下降，如何采用采集到的多元數(shù)據(jù)對機組故障進行故障預警和判斷具有十分重要的現(xiàn)實意義和價值。

近年來我國對風電發(fā)展的期望值越來越高，2013～2020年中國風電裝機容量（萬千瓦）分別為7652/9657/13075/14747/16400/18426/20070/2 3585，全球風電裝機容量（吉瓦）分別為312/362/421/473/522/568/612/674。風電系統(tǒng)工作人員通過SCADA 系統(tǒng)獲得關(guān)于風機故障的多元數(shù)據(jù)可以反映出風機的發(fā)電性能和運行狀態(tài)，對多元數(shù)據(jù)進行發(fā)掘并加入人工智能等手段對風機進行故障預警與發(fā)電性能評估勢在必行。

發(fā)電機組運行工況惡劣，風機長時間工作在這種環(huán)境下其各個部件性能會之間下降，當下降到一定程度時風機便會出現(xiàn)故障，隨之影響到風機發(fā)電效率。使風機運行的關(guān)鍵部位有輪轂，漿距系統(tǒng)，齒輪箱，發(fā)電機，偏航系統(tǒng)等，其中漿距系統(tǒng)與偏航系統(tǒng)主要使風機能最大化的獲取風能，從而提升發(fā)電性能，制動系統(tǒng)，傳動系統(tǒng)，齒輪箱與發(fā)電機主要可以將風產(chǎn)生的機械能轉(zhuǎn)化為電能，從而輸入電網(wǎng)，塔架的主要作用是撐葉片和機艙。

1 基于ReliefF-PCA 和DNN 的運行風機故障診斷

1.1 風機診斷算法分析

基于已有的風機全息化狀態(tài)監(jiān)測系統(tǒng)和SCADA記錄，針對風機運行技術(shù)數(shù)據(jù)量大，在故障診斷時有一定困難，在此提出了一種基于ReliefF、主成分分析（PCA）與深度神經(jīng)網(wǎng)絡（DNN）的風機故障診斷方法。首先，對故障相關(guān)特征進行提取，使用ReliefF 方法選擇與故障相關(guān)的特征，降低數(shù)據(jù)維度；并使用PCA 算法進一步對數(shù)據(jù)進行降維，降低數(shù)據(jù)間的冗余性，提高故障診斷的準確性；最后使用優(yōu)化后的DNN 建立多故障診斷模型。風機故障診斷流程為：數(shù)據(jù)預處理；數(shù)據(jù)降維；故障診斷。

1.2 算法數(shù)據(jù)來源及降維

SCADA 系統(tǒng)記錄并存儲的大量風機數(shù)據(jù)，如不對數(shù)據(jù)進行處理，則會產(chǎn)生故障判斷時間長且準確率低的問題，因此需要進行數(shù)據(jù)挖掘，提取故障數(shù)據(jù)的敏感特征。主成分分析（PCA）是一種較為常見的特征降維算法，主成分分析（PCA）是一種較為常見的特征降維算法，通過PCA 可以降低特征集的維數(shù)，并且仍包含數(shù)據(jù)的原始信息。

算法流程如下：將矩陣x 集中起來（去掉每個維度的平均數(shù)）：C=VTx，計算樣本的協(xié)方差矩陣：，把協(xié)方差矩陣的特征值分解，選取前n 個最大的特征值對應的的特征向量構(gòu)成特征向量矩陣W。其中：x 為特征向量；V 為去平均化向量；C 為降維矩陣；S 為樣本數(shù)；Ψ 為特征矩陣中數(shù)值每列平均值后的新矩陣；ψ 的協(xié)方差矩陣定義為B。

PCA 保留了原始數(shù)據(jù)中較為重要的內(nèi)容并且讓數(shù)據(jù)的維度降低，并且數(shù)據(jù)映射到新空間中使坐標系發(fā)生變換，減少了數(shù)據(jù)間的相關(guān)性。ReliefFPCA 算法具體流程為：第一步使用ReliefF 算法對原始SCADA 數(shù)據(jù)進行特征選擇，第二步將數(shù)據(jù)帶入初始化后的ReliefF 算法，第三步將數(shù)據(jù)輸入到PCA 算法中進行特征降維，將90%以上主成分的數(shù)據(jù)最為最終的輸入數(shù)據(jù)。將隱層數(shù)量多的神經(jīng)網(wǎng)絡稱之為深度神經(jīng)網(wǎng)絡（DNN），將神經(jīng)網(wǎng)絡的輸入得到權(quán)重求和后輸入到激活函數(shù)中，通過激活函數(shù)得到下一層的輸出。目前在學術(shù)界與工程上使用最為廣泛的激活函數(shù)有sigmoid、tanh、ReLU。

DNN 故障診斷模型搭建具體流程為：

第一步根據(jù)數(shù)據(jù)的來源風機情況，將通過ReliefF-PCA 降維后的數(shù)據(jù)賦予標簽，構(gòu)建出故障診斷數(shù)據(jù)集，以6：1：3的比例劃分為訓練集、測試集、驗證集，使用訓練集完成對模型的訓練，通過測試集調(diào)整模型超參數(shù)，最后使用驗證集驗證模型性能；第二步初始化模型參數(shù)，包括隱藏層層數(shù)、隱藏層神經(jīng)元個數(shù)、激活函數(shù)、優(yōu)化函數(shù)、指定輸入輸出的神經(jīng)元個數(shù)等。

第三步通過訓練集訓練模型，當達到迭代次數(shù)后模型訓練完成，此時神經(jīng)元之間的權(quán)重固定，通過分類器softmax 輸出結(jié)果，權(quán)重最大的就屬于哪一類，分類器softmax 的loss 函數(shù)如為Loss=∑yilnai；第四步通過測試集的loss 曲線進行參數(shù)調(diào)整，調(diào)整到效果最佳后使用驗證集驗證模型效果。

2 算法模型算法與仿真分析

數(shù)據(jù)來源：試驗數(shù)據(jù)均采用某風場場數(shù)據(jù)，數(shù)據(jù)間隔為10秒鐘記錄一次，風機選擇5臺風機，2018年11月其故障次數(shù)分別為98/207/296/517/172，發(fā)生故障時風機狀態(tài)由0變?yōu)?，將故障最少的2號風機作為正常風機，剔除故障時間段后的數(shù)據(jù)為正常數(shù)據(jù)。本文主要對風機幾種常見故障進行診斷，分為5種狀態(tài)：正常狀態(tài)、齒輪箱油溫超溫故障、齒輪箱NDE 端軸承溫度超溫故障、主軸剎車抱閘故障、機艙溫度故障。

特征降維與優(yōu)化：原始數(shù)據(jù)量龐大，各參數(shù)之間相關(guān)性高，對原始數(shù)據(jù)進行特征降維就變的十分必要。對閾值大小進行討論，分為平均值、中位數(shù)與標準差。將A1稱為平均數(shù)為閾值進特征選擇后的特征，A2稱為中位數(shù)為閾值進行特征選擇后的特征，A3稱為標準差為閾值進行特征選擇后的特征，對應于不同閾值的所選特征數(shù)量如表1所示。

表1 對應于不同閾值的所選特征數(shù)量

DNN 優(yōu)化算法選擇：在DNN 中參數(shù)的更新算法一定程度影響著網(wǎng)絡的訓練速度以及診斷準確率，對于這個缺點，提出了許多較為新穎的優(yōu)化器：RMSProp 優(yōu)化器、Adagrad 優(yōu)化器、Adadelta優(yōu)化器，Adam 優(yōu)化器。優(yōu)化算法訓練誤差中，Adagrad 優(yōu)化算法收斂速度最慢，并且收斂后誤差較大；SGD 優(yōu)化算法與Adadelta 優(yōu)化算法收斂速度較慢，收斂后誤差波動較大；RMSProp 優(yōu)化算法與Adam 優(yōu)化算法在收斂速度上較為接近，但Adam優(yōu)化算法收斂后誤差最小，最為平穩(wěn)，因此選擇Adam 優(yōu)化算法作為模型的優(yōu)化算法。

模型仿真情況對比：為了驗證ReliefF-PCA 降維算法對故障診斷準確率與泛化性，與其他降維算法進行對比驗證，各降維算法故障診斷準確率如表2所示。其次，ReliefF-DNN 模型和Pearson-DNN 模型由于對多故障或多風機的泛化能力差，不能有效診斷故障?；赑earson 相關(guān)系數(shù)的模型具有良好的降維效果，當只有一個風機齒輪箱油溫超標時，相關(guān)參數(shù)較少。當風機數(shù)量增加時，降維效果會變差。

表2 各降維算法故障診斷準確率（%）