國(guó)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(fēng)力發(fā)電可以做到節(jié)能減排，因此世界各國(guó)出臺(tái)了許多風(fēng)電相關(guān)政策，風(fēng)場(chǎng)效益每年的增幅維持在20%左右，同時(shí)越來(lái)越注重海上風(fēng)電的發(fā)展，能源供給不足與環(huán)境破壞嚴(yán)重是我國(guó)目前較為嚴(yán)重的問題，風(fēng)力發(fā)電清潔環(huán)保，資源豐富可以長(zhǎng)期使用，大力發(fā)展風(fēng)力發(fā)電可以解決上述問題[1-2]。隨著風(fēng)電場(chǎng)的規(guī)模和風(fēng)機(jī)的數(shù)量均不斷增大，部分裝機(jī)時(shí)間較早的風(fēng)機(jī)，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(duì)機(jī)組故障進(jìn)行故障預(yù)警和判斷具有十分重要的現(xiàn)實(shí)意義和價(jià)值。

近年來(lái)我國(guó)對(duì)風(fēng)電發(fā)展的期望值越來(lái)越高，2013～2020年中國(guó)風(fēng)電裝機(jī)容量（萬(wàn)千瓦）分別為7652/9657/13075/14747/16400/18426/20070/2 3585，全球風(fēng)電裝機(jī)容量（吉瓦）分別為312/362/421/473/522/568/612/674。風(fēng)電系統(tǒng)工作人員通過(guò)SCADA 系統(tǒng)獲得關(guān)于風(fēng)機(jī)故障的多元數(shù)據(jù)可以反映出風(fēng)機(jī)的發(fā)電性能和運(yùn)行狀態(tài)，對(duì)多元數(shù)據(jù)進(jìn)行發(fā)掘并加入人工智能等手段對(duì)風(fēng)機(jī)進(jìn)行故障預(yù)警與發(fā)電性能評(píng)估勢(shì)在必行。

發(fā)電機(jī)組運(yùn)行工況惡劣，風(fēng)機(jī)長(zhǎng)時(shí)間工作在這種環(huán)境下其各個(gè)部件性能會(huì)之間下降，當(dāng)下降到一定程度時(shí)風(fēng)機(jī)便會(huì)出現(xiàn)故障，隨之影響到風(fēng)機(jī)發(fā)電效率。使風(fēng)機(jī)運(yùn)行的關(guān)鍵部位有輪轂，漿距系統(tǒng)，齒輪箱，發(fā)電機(jī)，偏航系統(tǒng)等，其中漿距系統(tǒng)與偏航系統(tǒng)主要使風(fēng)機(jī)能最大化的獲取風(fēng)能，從而提升發(fā)電性能，制動(dòng)系統(tǒng)，傳動(dòng)系統(tǒng)，齒輪箱與發(fā)電機(jī)主要可以將風(fēng)產(chǎn)生的機(jī)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(jī)艙。

1 基于ReliefF-PCA 和DNN 的運(yùn)行風(fēng)機(jī)故障診斷

1.1 風(fēng)機(jī)診斷算法分析

基于已有的風(fēng)機(jī)全息化狀態(tài)監(jiān)測(cè)系統(tǒng)和SCADA記錄，針對(duì)風(fēng)機(jī)運(yùn)行技術(shù)數(shù)據(jù)量大，在故障診斷時(shí)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(luò)（DNN）的風(fēng)機(jī)故障診斷方法。首先，對(duì)故障相關(guān)特征進(jìn)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(jìn)一步對(duì)數(shù)據(jù)進(jìn)行降維，降低數(shù)據(jù)間的冗余性，提高故障診斷的準(zhǔn)確性；最后使用優(yōu)化后的DNN 建立多故障診斷模型。風(fēng)機(jī)故障診斷流程為：數(shù)據(jù)預(yù)處理；數(shù)據(jù)降維；故障診斷。

1.2 算法數(shù)據(jù)來(lái)源及降維

SCADA 系統(tǒng)記錄并存儲(chǔ)的大量風(fēng)機(jī)數(shù)據(jù)，如不對(duì)數(shù)據(jù)進(jìn)行處理，則會(huì)產(chǎn)生故障判斷時(shí)間長(zhǎng)且準(zhǔn)確率低的問題，因此需要進(jìn)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(guò)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(lái)（去掉每個(gè)維度的平均數(shù)）：C=VTx，計(jì)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(gè)最大的特征值對(duì)應(yīng)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(biāo)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(duì)原始SCADA 數(shù)據(jù)進(jìn)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(jìn)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(luò)稱之為深度神經(jīng)網(wǎng)絡(luò)（DNN），將神經(jīng)網(wǎng)絡(luò)的輸入得到權(quán)重求和后輸入到激活函數(shù)中，通過(guò)激活函數(shù)得到下一層的輸出。目前在學(xué)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(lái)源風(fēng)機(jī)情況，將通過(guò)ReliefF-PCA 降維后的數(shù)據(jù)賦予標(biāo)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(xùn)練集、測(cè)試集、驗(yàn)證集，使用訓(xùn)練集完成對(duì)模型的訓(xùn)練，通過(guò)測(cè)試集調(diào)整模型超參數(shù)，最后使用驗(yàn)證集驗(yàn)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(gè)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(gè)數(shù)等。

第三步通過(guò)訓(xùn)練集訓(xùn)練模型，當(dāng)達(dá)到迭代次數(shù)后模型訓(xùn)練完成，此時(shí)神經(jīng)元之間的權(quán)重固定，通過(guò)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L(zhǎng)oss=∑yilnai；第四步通過(guò)測(cè)試集的loss 曲線進(jìn)行參數(shù)調(diào)整，調(diào)整到效果最佳后使用驗(yàn)證集驗(yàn)證模型效果。

2 算法模型算法與仿真分析

數(shù)據(jù)來(lái)源：試驗(yàn)數(shù)據(jù)均采用某風(fēng)場(chǎng)場(chǎng)數(shù)據(jù)，數(shù)據(jù)間隔為10秒鐘記錄一次，風(fēng)機(jī)選擇5臺(tái)風(fēng)機(jī)，2018年11月其故障次數(shù)分別為98/207/296/517/172，發(fā)生故障時(shí)風(fēng)機(jī)狀態(tài)由0變?yōu)?，將故障最少的2號(hào)風(fēng)機(jī)作為正常風(fēng)機(jī)，剔除故障時(shí)間段后的數(shù)據(jù)為正常數(shù)據(jù)。本文主要對(duì)風(fēng)機(jī)幾種常見故障進(jìn)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(jī)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(duì)原始數(shù)據(jù)進(jìn)行特征降維就變的十分必要。對(duì)閾值大小進(jìn)行討論，分為平均值、中位數(shù)與標(biāo)準(zhǔn)差。將A1稱為平均數(shù)為閾值進(jìn)特征選擇后的特征，A2稱為中位數(shù)為閾值進(jìn)行特征選擇后的特征，A3稱為標(biāo)準(zhǔn)差為閾值進(jìn)行特征選擇后的特征，對(duì)應(yīng)于不同閾值的所選特征數(shù)量如表1所示。

表1 對(duì)應(yīng)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(luò)的訓(xùn)練速度以及診斷準(zhǔn)確率，對(duì)于這個(gè)缺點(diǎn)，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(xùn)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(dòng)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(duì)比：為了驗(yàn)證ReliefF-PCA 降維算法對(duì)故障診斷準(zhǔn)確率與泛化性，與其他降維算法進(jìn)行對(duì)比驗(yàn)證，各降維算法故障診斷準(zhǔn)確率如表2所示。其次，ReliefF-DNN 模型和Pearson-DNN 模型由于對(duì)多故障或多風(fēng)機(jī)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(dāng)只有一個(gè)風(fēng)機(jī)齒輪箱油溫超標(biāo)時(shí)，相關(guān)參數(shù)較少。當(dāng)風(fēng)機(jī)數(shù)量增加時(shí)，降維效果會(huì)變差。

表2 各降維算法故障診斷準(zhǔn)確率（%）