甄 超,田 宇,季 坤,張征凱,黃道友
(國(guó)網(wǎng)安徽省電力有限公司,安徽 合肥 230022)
當(dāng)前,風(fēng)力發(fā)電技術(shù)是多種可再生能源利用技術(shù)中較為成熟的一種,隨著風(fēng)電技術(shù)的成熟和發(fā)展,風(fēng)電機(jī)組裝機(jī)容量也得到大幅增長(zhǎng)。風(fēng)電機(jī)組齒輪箱是風(fēng)機(jī)傳動(dòng)部件的核心,主要作用是將風(fēng)機(jī)葉片在風(fēng)力作用下所產(chǎn)生的動(dòng)能傳遞給發(fā)電機(jī)使其產(chǎn)生相應(yīng)轉(zhuǎn)速[1-3]。風(fēng)機(jī)齒輪箱在運(yùn)行中持續(xù)產(chǎn)生熱量,如果溫度過高會(huì)使油溫升高,導(dǎo)致其黏度下降,易發(fā)生齒面膠合等故障[3],從而使變速箱發(fā)生損壞,進(jìn)而導(dǎo)致傳動(dòng)效率下降,引發(fā)進(jìn)一步的安全問題。
風(fēng)電機(jī)組的油溫與傳動(dòng)機(jī)構(gòu)存在緊密的關(guān)聯(lián)性??茖W(xué)監(jiān)測(cè)并采集油溫?cái)?shù)據(jù),分析油溫序列的特性并建模,進(jìn)而對(duì)油溫的發(fā)展趨勢(shì)進(jìn)行跟蹤預(yù)測(cè),能夠?yàn)樘崆白龊迷O(shè)備故障防范奠定基礎(chǔ)。根據(jù)油溫建模原理不同,目前油溫建模方法主要包括機(jī)理建模法和數(shù)據(jù)驅(qū)動(dòng)方法2種[4-6]。其中物理建模方法模型復(fù)雜、計(jì)算量大、操作復(fù)雜,需要大量時(shí)間,其通常被用于長(zhǎng)期預(yù)測(cè)中[7]。基于數(shù)據(jù)驅(qū)動(dòng)的建模以油溫序列為基礎(chǔ)進(jìn)行建模,典型的方法包括關(guān)聯(lián)規(guī)則算法分析(Association Rule Learning, Apriori)[8-9]、最小二乘支持向量機(jī)(Least Square Support Vector Machines, LSSVM)[10-11]、K-means聚類算法[12-13]等方法,能夠準(zhǔn)確地預(yù)測(cè)油溫。盡管這些淺層神經(jīng)網(wǎng)絡(luò)算法取得了較好的預(yù)測(cè)效果,但是由于這類算法難以對(duì)輸入特征進(jìn)行深層的挖掘,限制了模型預(yù)測(cè)的精度。
目前,以深度神經(jīng)網(wǎng)絡(luò)為代表的預(yù)測(cè)模型開始應(yīng)用在預(yù)測(cè)領(lǐng)域。鄭小霞等[14]提出了基于改進(jìn)VMD和深度置信網(wǎng)絡(luò)的風(fēng)機(jī)易損部件故障預(yù)警,克服了變分模態(tài)分解參數(shù)選取對(duì)特征提取效果的影響,將改進(jìn)的變分模態(tài)分解用于振動(dòng)信號(hào)進(jìn)行分析處理,準(zhǔn)確穩(wěn)定地提取風(fēng)機(jī)易損部件故障信號(hào)的微弱特征,并進(jìn)行故障有效識(shí)別,提高了風(fēng)機(jī)易損部件故障預(yù)警的準(zhǔn)確性。在現(xiàn)有的深度神經(jīng)網(wǎng)絡(luò)研究中,多以振動(dòng)信號(hào)為數(shù)據(jù)展開分析,進(jìn)行故障預(yù)測(cè)和診斷,針對(duì)油溫?cái)?shù)據(jù)進(jìn)行的預(yù)測(cè)研究較少。而油溫?cái)?shù)據(jù)是齒輪箱等機(jī)械部件中的重要物理信號(hào),監(jiān)測(cè)簡(jiǎn)便,并且能夠直接反映一定的運(yùn)行狀態(tài)。因此,本文以風(fēng)電機(jī)組的油溫?cái)?shù)據(jù)為基礎(chǔ),針對(duì)風(fēng)電機(jī)組齒輪箱油溫趨勢(shì)預(yù)測(cè)中存在的信號(hào)非線性、多變量相關(guān)、各相關(guān)變量之間存在數(shù)據(jù)冗余等特征,開展基于深度神經(jīng)網(wǎng)絡(luò)的油溫預(yù)測(cè)研究,從而為該領(lǐng)域的研究提供一條有效的途徑。
基于上述分析,本文在對(duì)油溫?cái)?shù)據(jù)特性分析的基礎(chǔ)上,提出一種基于快速傅里葉變換(Fast Fourier Transform, FFT)的深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network, DNN)建模預(yù)測(cè)方法。首先對(duì)油溫?cái)?shù)據(jù)進(jìn)行時(shí)間序列特性分析,之后選擇合適的時(shí)間窗口對(duì)信息進(jìn)行排列,然后對(duì)信息進(jìn)行FFT并提取其高頻幅特征,并把這些特征輸入DNN模型當(dāng)中進(jìn)行訓(xùn)練,最后對(duì)輸出的結(jié)果進(jìn)行評(píng)價(jià)。
深度神經(jīng)網(wǎng)絡(luò)DNN是深度學(xué)習(xí)的基礎(chǔ),DNN可以理解為有多個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò),其中第一層為輸入層,最后一層為輸出層,中間層為多個(gè)隱藏層。DNN深度神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)如圖1所示[15]。
圖1 深度神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖
圖1中xi(i=1,2,…,n)為DNN網(wǎng)絡(luò)的輸入,b為隱藏層神經(jīng)單元的偏置值,wi(i=1,2,…,n)為神經(jīng)單元連接的權(quán)值,y為神經(jīng)元輸出。DNN網(wǎng)絡(luò)中每個(gè)隱藏層從它前一層獲取輸入,利用該層自身的激活函數(shù)對(duì)其進(jìn)行非線性變換,再把得到的數(shù)據(jù)作為輸出傳給下一層神經(jīng)元,逐層往復(fù)迭代,最終傳遞給網(wǎng)絡(luò)的輸出。
由于本文采用的是基于歷史油溫?cái)?shù)據(jù)的預(yù)測(cè),因此,首先需要對(duì)歷史油溫序列進(jìn)行特性分析,從而采用針對(duì)性的方法進(jìn)行預(yù)測(cè)。本章以圖2所示的某風(fēng)場(chǎng)齒輪箱油溫測(cè)量數(shù)據(jù)為例,對(duì)油溫?cái)?shù)據(jù)進(jìn)行相關(guān)性分析和混沌特效分析。
圖2 風(fēng)場(chǎng)齒輪箱油溫?cái)?shù)據(jù)序列
分別對(duì)歷史油溫?cái)?shù)據(jù)進(jìn)行自相關(guān)性和偏自相關(guān)性分析[16-17],分析結(jié)果如圖3所示,其中平行于橫坐標(biāo)軸的2條黑線代表自相關(guān)系數(shù)和偏相關(guān)系數(shù)的置信區(qū)間(即落入?yún)^(qū)間內(nèi)可認(rèn)為相關(guān)系數(shù)為0),縱坐標(biāo)分別表示自相關(guān)系數(shù)和偏相關(guān)系數(shù),橫坐標(biāo)表示延遲數(shù)目??梢钥闯?,歷史溫度序列的自相關(guān)和偏相關(guān)圖存在拖尾和截尾現(xiàn)象,并且圖3(b)中的系數(shù)逐漸趨于0。綜上,歷史油溫?cái)?shù)據(jù)序列是平穩(wěn)的。
(a) 自相關(guān)分析
判定油溫序列的混沌特性,可以通過分析系統(tǒng)是否具有初始條件的敏感性來確定Lyapunov指數(shù)[18],即是根據(jù)相軌跡是否有擴(kuò)散運(yùn)動(dòng)特征來判別系統(tǒng)的混沌特性。一般來說,實(shí)際系統(tǒng)混沌特性可以通過計(jì)算最大Lyapunov指數(shù)來進(jìn)行分析,當(dāng)最大Lyapunov指數(shù)大于0時(shí),系統(tǒng)具有混沌特性。當(dāng)最大Lyapunov指數(shù)等于0時(shí),說明系統(tǒng)有分岔點(diǎn)或者周期解。而當(dāng)最大Lyapunov指數(shù)小于0時(shí),說明系統(tǒng)具有穩(wěn)定的不動(dòng)點(diǎn)。本文采用Wolf法對(duì)數(shù)據(jù)進(jìn)行計(jì)算。圖4為溫度序列混沌特性分析圖。
圖4 溫度序列混沌特性分析圖
Lyapunov指數(shù)與輸入的維數(shù)和延遲的選擇有關(guān),所以將維數(shù)和延遲分別設(shè)置為0~10,這樣得到的指數(shù)更具有普遍性??梢钥闯鯨yapunov指數(shù)逐漸趨近于0,系統(tǒng)逐漸趨于平穩(wěn)。
綜上所述,油溫序列具有平穩(wěn)性的特點(diǎn),普通的特征提取方法難以提取出有用的特征信息,所以采取對(duì)序列的時(shí)頻分析并提取相應(yīng)的時(shí)頻特征是非常必要的。
由于深度學(xué)習(xí)算法具有多層次內(nèi)部結(jié)構(gòu)和重復(fù)學(xué)習(xí)特征的訓(xùn)練方式的特點(diǎn),所以能更好地應(yīng)對(duì)油溫預(yù)測(cè)問題。本文結(jié)合深度學(xué)習(xí)算法,從數(shù)據(jù)特征信息提取的角度提高預(yù)測(cè)性能。
建立基于DNN的油溫預(yù)測(cè)模型,如圖5所示。
圖5 基于FFT-DNN的預(yù)測(cè)模型流程圖
按照?qǐng)D5流程,基于FFT-DNN的油溫預(yù)測(cè)步驟如下:
1)對(duì)數(shù)據(jù)進(jìn)行預(yù)處理(缺失值填充、異常值去除)。對(duì)于油溫序列中的缺失數(shù)據(jù),本文選用的是基于KNN的數(shù)據(jù)填充方法[19-20]。主要利用KNN方法計(jì)算臨近的k個(gè)數(shù)據(jù),以其均值進(jìn)行填充。對(duì)于油溫序列的不符合物理規(guī)律的異常溫度值,本文直接進(jìn)行了刪除和填充。
2)將油溫?cái)?shù)據(jù)時(shí)間序列進(jìn)行時(shí)間窗口選擇,將選擇后的數(shù)據(jù)分別作為特征選取前的輸入輸出。
3)對(duì)輸入輸出進(jìn)行FFT特征選取,按照每頻率點(diǎn)輸入輸出的實(shí)部(振幅)虛部(相位)分別進(jìn)行排列,將排列后的特征信息作為模型的最終輸入輸出。
4)進(jìn)行模型誤差對(duì)比。
油溫時(shí)間窗口序列包含大量的輸入輸出信息,不進(jìn)行特征提取會(huì)產(chǎn)生預(yù)測(cè)精度下降等問題??紤]到油溫本身變化幅度小、趨勢(shì)平緩的特點(diǎn),常規(guī)的特征提取難以提取其特征信息,因此,考慮到快速傅里葉變換FFT能夠?qū)r(shí)間序列所蘊(yùn)含的時(shí)域和頻域的信息最大化地反映出來[21],本文采用快速傅里葉變換作為特征提取方法。該方法的過程如下:
首先選擇合適的滑動(dòng)時(shí)間窗口把輸入輸出變換成新的時(shí)間序列,合適的窗口函數(shù)能夠彌補(bǔ)基于迭代方法或插值方法的算法缺陷。將排列的時(shí)域信號(hào)通過窗函數(shù),然后對(duì)輸出信號(hào)進(jìn)行子采樣,并對(duì)子采樣的結(jié)果進(jìn)行FFT變換,從而實(shí)現(xiàn)對(duì)信號(hào)的散列過程。提取分解后的高頻信號(hào)作為建模的最終輸入。本文采用40時(shí)間步長(zhǎng)作為滑動(dòng)時(shí)間窗口寬度。
實(shí)例分析選用安徽某地風(fēng)電場(chǎng)UP82-1500型風(fēng)電機(jī)組2018年1月—2018年12月的監(jiān)測(cè)數(shù)據(jù)。數(shù)據(jù)包括發(fā)電機(jī)轉(zhuǎn)速、風(fēng)速、齒輪箱油溫、主軸承溫度等指標(biāo)。本文以齒輪箱的油溫作為數(shù)據(jù)指標(biāo)。
風(fēng)電機(jī)組額定功率為1700 kW,齒輪箱結(jié)構(gòu)為兩級(jí)行星和一級(jí)平行軸傳動(dòng),潤(rùn)滑系統(tǒng)為HYDAC,潤(rùn)滑方式為飛濺潤(rùn)滑+壓力潤(rùn)滑。在油溫低于45 ℃的時(shí)候,冷卻系統(tǒng)不工作,循環(huán)系統(tǒng)工作使油溫上升。在油溫高于45 ℃低于60 ℃時(shí),為保證齒輪箱正常工作,冷卻系統(tǒng)和循環(huán)系統(tǒng)同時(shí)運(yùn)行。在油溫高于60 ℃時(shí),為避免出現(xiàn)重大事故,往往采用停機(jī)處理。
為了驗(yàn)證FFT-DNN方法的有效性,本文選取該風(fēng)場(chǎng)1年的油溫測(cè)量數(shù)據(jù)進(jìn)行實(shí)驗(yàn),數(shù)據(jù)間隔經(jīng)重采樣為2 min。油溫?cái)?shù)據(jù)序列如圖6所示。
圖6 風(fēng)機(jī)油溫?cái)?shù)據(jù)序列
將油溫序列第1~1540個(gè)數(shù)據(jù)做時(shí)間窗口選擇后作為模型輸入,將油溫序列第1541~2000共計(jì)460個(gè)數(shù)據(jù)做時(shí)間窗口選擇后作為模型輸出。按照本文提出的FFT-DNN算法進(jìn)行預(yù)測(cè),其中,DNN的主要參數(shù)通過反復(fù)實(shí)驗(yàn)測(cè)試,隱藏層神經(jīng)元個(gè)數(shù)為10個(gè)、學(xué)習(xí)率為0.001、訓(xùn)練次數(shù)為2000。為了驗(yàn)證預(yù)測(cè)效果,與其它常用建模算法的建模結(jié)果進(jìn)行對(duì)比分析。對(duì)比算法有自神經(jīng)網(wǎng)絡(luò)模型(BP)[22]、極限學(xué)習(xí)機(jī)(ELM)模型[23]、長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)[24]算法。實(shí)驗(yàn)條件為i9-9980XE(3 GHz)的18核處理器,內(nèi)存為32 GB。
選取以下的評(píng)價(jià)函數(shù)對(duì)各種算法進(jìn)行評(píng)價(jià)[25],其中xi為測(cè)試樣本輸出的實(shí)際測(cè)量值;yi為測(cè)試樣本預(yù)測(cè)輸出;n為測(cè)試樣本個(gè)數(shù)。
絕對(duì)平均誤差(MAE):
(1)
相對(duì)平均誤差(MAPE):
(2)
均方根誤差(RMSE):
(3)
按照FFT的特征,采用不同預(yù)測(cè)方法對(duì)后續(xù)時(shí)間序列進(jìn)行預(yù)測(cè),結(jié)果如圖7所示。定量指標(biāo)如表1所示??梢钥闯觯珼NN與ELM算法在前2個(gè)指標(biāo)上相近,均取得了較好的效果,但在均方根誤差指標(biāo)上,DNN算法優(yōu)于ELM方法。因此,本文提出的FFT-DNN方法能夠取得最優(yōu)的預(yù)測(cè)效果。
圖7 油溫預(yù)測(cè)各方法對(duì)比圖
表1 油溫長(zhǎng)期預(yù)測(cè)指標(biāo)對(duì)比
本文采用信號(hào)時(shí)頻分析的思想,用FFT算法對(duì)風(fēng)電機(jī)齒輪箱的油溫信號(hào)進(jìn)行特征提取,提取了主要的頻域信息并采用DNN搭建預(yù)測(cè)模型,將得到的預(yù)測(cè)結(jié)果進(jìn)行IFFT信號(hào)復(fù)原,將復(fù)原的數(shù)據(jù)與未采用特征提取的數(shù)據(jù)進(jìn)行預(yù)測(cè)誤差對(duì)比。實(shí)驗(yàn)結(jié)果充分表明,采用FFT對(duì)混沌信號(hào)進(jìn)行特征提取對(duì)提高預(yù)測(cè)精度具有重要的意義,DNN算法相對(duì)于其他深度學(xué)習(xí)算法對(duì)油溫預(yù)測(cè)有著更高的預(yù)測(cè)精度。