馬良玉 程善珍

基于支持向量數(shù)據(jù)描述和XGBoost的風(fēng)電機(jī)組異常工況預(yù)警研究

馬良玉 程善珍

（華北電力大學(xué)控制與計(jì)算機(jī)工程學(xué)院 保定 071003）

該文提出一種基于支持向量數(shù)據(jù)描述（SVDD）和XGBoost模型的風(fēng)電機(jī)組異常工況預(yù)警方法。從機(jī)組監(jiān)控與數(shù)據(jù)采集系統(tǒng)（SCADA）數(shù)據(jù)中選擇與轉(zhuǎn)速和發(fā)電功率密切相關(guān)的特征變量，利用SVDD算法對(duì)建模數(shù)據(jù)進(jìn)行預(yù)處理，采用XGBoost建立風(fēng)機(jī)正常性能預(yù)測(cè)模型。以所建預(yù)測(cè)模型為基礎(chǔ)，構(gòu)建時(shí)間滑動(dòng)窗計(jì)算性能評(píng)價(jià)指標(biāo)，并根據(jù)統(tǒng)計(jì)學(xué)的區(qū)間估計(jì)理論合理確定風(fēng)機(jī)性能異常預(yù)警指標(biāo)閾值。采用某風(fēng)電場(chǎng)1.5MW風(fēng)電機(jī)組SCADA系統(tǒng)記錄的若干真實(shí)故障案例，開展異常工況預(yù)警仿真試驗(yàn)。結(jié)果表明：基于SVDD和XGBoost的風(fēng)機(jī)異常工況預(yù)警方法，可以有效地清洗數(shù)據(jù)，及時(shí)識(shí)別風(fēng)電機(jī)組異常狀態(tài)，對(duì)于提高風(fēng)電機(jī)組運(yùn)行的安全性具有較好的工程實(shí)用意義。

風(fēng)電機(jī)組 支持向量數(shù)據(jù)描述 XGBoost 性能預(yù)測(cè)模型 異常工況預(yù)警

0 引言

作為可再生的清潔能源，我國風(fēng)力發(fā)電裝機(jī)容量不斷增加，成為繼火電、水電后的第三大能源[1]。由于長期承受惡劣多變的運(yùn)行環(huán)境，風(fēng)電機(jī)組故障率較高，對(duì)電力系統(tǒng)的安全穩(wěn)定運(yùn)行造成很大影響，帶來巨大的經(jīng)濟(jì)損失和安全隱患[2]。充分利用機(jī)組監(jiān)控與數(shù)據(jù)采集系統(tǒng)（Supervisory Control And Data Acquisition, SCADA）提供的大量運(yùn)行數(shù)據(jù)，在故障早期監(jiān)測(cè)到風(fēng)機(jī)狀態(tài)異常，則可為現(xiàn)場(chǎng)運(yùn)維人員爭取更多的應(yīng)急處理時(shí)間，有助于提高機(jī)組安全經(jīng)濟(jì)性、降低運(yùn)維成本[3]。

目前，許多學(xué)者開展了基于SCADA數(shù)據(jù)的風(fēng)電機(jī)組故障預(yù)警與診斷研究，基本思路有兩種：一種是從SCADA歷史數(shù)據(jù)中挖掘出已經(jīng)發(fā)生的故障信息，據(jù)此建立故障辨識(shí)模型；另一種是從SCADA歷史數(shù)據(jù)中提取正常工況運(yùn)行數(shù)據(jù)，建立風(fēng)機(jī)是否異常的判定模型。前者側(cè)重于故障類型識(shí)別，需要大量故障信息，條件較難滿足；后者則側(cè)重于故障早期的異常狀態(tài)預(yù)警，與前者相比對(duì)運(yùn)維人員更有指導(dǎo)意義。

文獻(xiàn)[4-5]采用支持向量回歸（Support Vector Regression, SVR）和淺層神經(jīng)網(wǎng)絡(luò)進(jìn)行正常工況性能預(yù)測(cè)，并根據(jù)預(yù)測(cè)值與實(shí)際值之間的殘差與故障預(yù)警閾值的關(guān)系，提前進(jìn)行異常預(yù)警。但受限于模型信息容量較小、泛化能力不足等原因，異常工況識(shí)別精度需要進(jìn)一步提高。由于深度神經(jīng)網(wǎng)絡(luò)對(duì)于SCADA系統(tǒng)大數(shù)據(jù)具有更強(qiáng)的學(xué)習(xí)能力，因此在性能預(yù)測(cè)與故障預(yù)警領(lǐng)域日益受到重視。其中機(jī)器學(xué)習(xí)領(lǐng)域的XGBoost（eXtreme gredient boosting）算法[6]因具有損失函數(shù)精確、模型準(zhǔn)確度高、泛化能力強(qiáng)等優(yōu)勢(shì)，常應(yīng)用于風(fēng)機(jī)故障診斷[7-9]。文獻(xiàn)[10]通過與樸素貝葉斯、隨機(jī)森林和支持向量機(jī)等算法比較，表明XGBoost算法運(yùn)行速度較快，準(zhǔn)確度更高，能精準(zhǔn)識(shí)別風(fēng)機(jī)故障類別。文獻(xiàn)[11]使用XGBoost算法可以有效地診斷風(fēng)機(jī)齒輪箱故障。

SCADA系統(tǒng)記錄的運(yùn)行數(shù)據(jù)中既包含風(fēng)機(jī)的正常運(yùn)行數(shù)據(jù)也包含異常和故障發(fā)生時(shí)的數(shù)據(jù)及部分停機(jī)數(shù)據(jù)，建立正常工況風(fēng)機(jī)性能預(yù)測(cè)模型時(shí)，需要將故障和停機(jī)數(shù)據(jù)加以剔除。此外，由于風(fēng)速、風(fēng)向、偏航角等測(cè)量信號(hào)具有時(shí)變性、隨機(jī)性和不確定性，數(shù)據(jù)中不可避免地包含噪聲和異常值、以及由于通信問題導(dǎo)致的空值和壞數(shù)據(jù)，為確保預(yù)測(cè)模型的精度，這些異常值需要加以清洗。因此SCADA數(shù)據(jù)預(yù)處理是風(fēng)機(jī)性能預(yù)測(cè)與狀態(tài)預(yù)警中重要的基礎(chǔ)性工作，已有很多文獻(xiàn)對(duì)此進(jìn)行研究，提出了諸多數(shù)據(jù)清洗方法[12-15]。這些方法有的比較繁瑣，有的對(duì)數(shù)據(jù)集特征有一定要求，各有優(yōu)缺點(diǎn)。

本文針對(duì)風(fēng)電機(jī)組異常工況早期預(yù)警開展研究，以某1.5MW風(fēng)電機(jī)組為例，提出利用支持向量數(shù)據(jù)描述（Support Vector Data Description, SVDD）算法對(duì)SCADA數(shù)據(jù)進(jìn)行預(yù)處理，再采用XGBoost建立正常性能預(yù)測(cè)模型，進(jìn)而采用時(shí)間滑動(dòng)窗口模型計(jì)算性能評(píng)價(jià)指標(biāo)，合理確定預(yù)警閾值，最終實(shí)現(xiàn)風(fēng)電機(jī)組運(yùn)行狀態(tài)預(yù)警。

1 SVDD算法原理

在風(fēng)機(jī)數(shù)據(jù)預(yù)處理中，正常數(shù)據(jù)和異常數(shù)據(jù)數(shù)量極度不均衡。風(fēng)機(jī)數(shù)據(jù)預(yù)處理實(shí)際上是一個(gè)單分類問題，只需判斷數(shù)據(jù)是否是正常數(shù)據(jù)，若是則保留，否則刪除。

SVDD實(shí)際上是一種單值分類算法，能區(qū)分目標(biāo)樣本和非目標(biāo)樣本。首先，通過非線性映射將正常樣本映射到高維內(nèi)積空間，并在特征空間中尋找一個(gè)包含全部或大部分樣本且體積最小的超球體；然后，比較測(cè)試點(diǎn)與最小超球體中心之間的距離，若距離小于最小超球體半徑時(shí)，為目標(biāo)樣本點(diǎn)；超過時(shí)，表示為非目標(biāo)樣本點(diǎn)[16]，其算法原理如圖1所示。

圖1 SVDD算法原理

根據(jù)SVDD的基本思想，求解最優(yōu)分類超球面，可轉(zhuǎn)化為以下優(yōu)化問題

由拉格朗日乘子法

化簡整理后可以得到

將式（1）代入式（2）得

通常核函數(shù)使用徑向基（Radial Basis Function, RBF）函數(shù)，用表示，則決策函數(shù)表示為

對(duì)于每一個(gè)決策，函數(shù)()實(shí)際上執(zhí)行的是二分類功能，若返回值為+1認(rèn)為是正常數(shù)據(jù)，若為 -1，認(rèn)為是異常數(shù)據(jù)。

2 XGBoost算法原理

XGBoost算法是陳天奇博士在2016年提出的基于集成學(xué)習(xí)高效并行的機(jī)器學(xué)習(xí)算法[6]，其基本思想是對(duì)目標(biāo)函數(shù)做二階泰勒展開，利用函數(shù)的二階導(dǎo)數(shù)信息來訓(xùn)練樹模型，并把樹模型復(fù)雜度作為正則項(xiàng)加到優(yōu)化目標(biāo)中，使學(xué)習(xí)到的模型泛化能力更高。

目標(biāo)函數(shù)包括兩部分：第一部分是損失函數(shù)，用于表示真實(shí)值和預(yù)測(cè)值之間的殘差；第二部分是正則項(xiàng)，用來防止模型輸出結(jié)果的過擬合，其表達(dá)式為

式中，為葉子節(jié)點(diǎn)數(shù)的正則化參數(shù)，主要是用來抑制節(jié)點(diǎn)的繼續(xù)分裂；為葉子節(jié)點(diǎn)權(quán)重的正則化參數(shù)，防止葉子節(jié)點(diǎn)權(quán)重過大；w為每棵樹葉子節(jié)點(diǎn)的分值。

式中，g、h分別為預(yù)測(cè)誤差對(duì)當(dāng)前模型的一階導(dǎo)數(shù)、二階導(dǎo)數(shù)，其表達(dá)式為

其中

求上述關(guān)于葉子節(jié)點(diǎn)分值w的目標(biāo)函數(shù)的最小值，可令目標(biāo)函數(shù)式的導(dǎo)數(shù)為0，得到葉子節(jié)點(diǎn)預(yù)測(cè)分值為

將式（15）代入目標(biāo)函數(shù)，可得目標(biāo)函數(shù)最小值為

3 風(fēng)機(jī)機(jī)組特性預(yù)測(cè)模型

3.1 模型變量選擇

通常根據(jù)風(fēng)速大小將風(fēng)電機(jī)組運(yùn)行狀態(tài)分為四個(gè)區(qū)：起動(dòng)區(qū)、最大風(fēng)能捕獲區(qū)、恒功率運(yùn)行區(qū)、停機(jī)區(qū)，如圖2所示。

圖2 風(fēng)速與功率的關(guān)系

當(dāng)風(fēng)速低于切入風(fēng)速時(shí)，風(fēng)電機(jī)組待啟動(dòng)，不發(fā)電沒有輸出功率；當(dāng)風(fēng)速介于切入風(fēng)速與額定風(fēng)速之間時(shí)，通過控制葉片的槳距角，使發(fā)電機(jī)組捕獲最大風(fēng)能；當(dāng)風(fēng)速介于額定風(fēng)速與切出風(fēng)速之間時(shí)，通過改變?nèi)~片的槳距角使風(fēng)輪上的氣動(dòng)轉(zhuǎn)矩基本保持不變，風(fēng)電機(jī)組處于恒功率區(qū)；當(dāng)風(fēng)速超過切出風(fēng)速時(shí)，風(fēng)電機(jī)組制動(dòng)停機(jī)。風(fēng)電機(jī)組運(yùn)行中功率與轉(zhuǎn)速主要受風(fēng)速、風(fēng)向和機(jī)組控制系統(tǒng)調(diào)節(jié)過程的影響。由于風(fēng)向變化頻繁，正常運(yùn)行時(shí)偏航系統(tǒng)會(huì)維持機(jī)艙中軸線與風(fēng)向夾角小于規(guī)定的允許偏差。發(fā)電機(jī)轉(zhuǎn)矩與功率和轉(zhuǎn)速密切相關(guān)，在功率、風(fēng)向一定的前提下，轉(zhuǎn)速與轉(zhuǎn)矩成反比關(guān)系，轉(zhuǎn)矩越小，轉(zhuǎn)速越大。

根據(jù)上述分析，最終選擇模型的輸入、輸出變量見表1。

表1 模型變量選擇

3.2 SCADA數(shù)據(jù)預(yù)處理

以某風(fēng)電場(chǎng)1.5MW風(fēng)電機(jī)組四個(gè)月的SCADA系統(tǒng)數(shù)據(jù)進(jìn)行建模（采樣周期為1min），原始數(shù)據(jù)為177 120組。刪除空值后的數(shù)據(jù)為170 715組，根據(jù)其繪制風(fēng)速-功率曲線和風(fēng)速-轉(zhuǎn)速曲線，如圖3所示。

圖3 原始數(shù)據(jù)風(fēng)速與轉(zhuǎn)速和功率關(guān)系曲線

將初步處理后的數(shù)據(jù)再刪除風(fēng)機(jī)起動(dòng)狀態(tài)（風(fēng)速≤3）和停動(dòng)狀態(tài)（功率≤0）的數(shù)據(jù)后保留正常運(yùn)行數(shù)據(jù) 90 384 組。本文旨在建立風(fēng)機(jī)正常運(yùn)行工況性能的預(yù)測(cè)模型，據(jù)此對(duì)異常工況進(jìn)行預(yù)警，為此需要對(duì)上述數(shù)據(jù)進(jìn)一步過濾，以去掉其中不符合機(jī)組正常出力特性的異常運(yùn)行點(diǎn)，如各風(fēng)速下發(fā)電機(jī)轉(zhuǎn)速、功率明顯偏離標(biāo)準(zhǔn)值很多的散點(diǎn)及限負(fù)荷工況點(diǎn)[17]。

本文采用SVDD方法對(duì)數(shù)據(jù)進(jìn)行清洗，SVDD常用的參數(shù)有：異常點(diǎn)比例nu（過大會(huì)使濾波后數(shù)據(jù)過少，過小會(huì)導(dǎo)致濾波不干凈）；核函數(shù)（一般用RBF函數(shù)）kernel，通過nu與kernel探測(cè)超球體邊界。gamma是選擇RBF函數(shù)作為kernel后，該函數(shù)自帶的一個(gè)參數(shù)，隱含地決定了數(shù)據(jù)映射到新的特征空間后的分布，gamma越大，支持向量越少，支持向量的個(gè)數(shù)影響訓(xùn)練與預(yù)測(cè)的速度。

經(jīng)調(diào)試，最終設(shè)置異常點(diǎn)比例nu為0.015，核函數(shù)kernel為RBF函數(shù)，gamma為0.01，得到用于模型訓(xùn)練的正常工況數(shù)據(jù)89 030組。根據(jù)清洗后的數(shù)據(jù)風(fēng)速-發(fā)電機(jī)轉(zhuǎn)速和風(fēng)速-有功功率關(guān)系如圖4所示。

圖4 數(shù)據(jù)清洗后風(fēng)速與轉(zhuǎn)速和功率關(guān)系曲線

3.3 XGBoost風(fēng)機(jī)性能預(yù)測(cè)模型建立

由于清洗后的數(shù)據(jù)量仍較大，本文選取第30 000～80 000組數(shù)據(jù)建立模型，選取第16 000～ 26 000組測(cè)試數(shù)據(jù)對(duì)模型進(jìn)行驗(yàn)證。

調(diào)用XGBoost函數(shù)包中的XGBRegressor方法構(gòu)建回歸器，并對(duì)模型參數(shù)進(jìn)行優(yōu)化。XGBoost中常用的參數(shù)有：生成的最大樹的數(shù)目即最大迭代次數(shù)（n_estimators）、學(xué)習(xí)率（learning_rate）、樹的最大深度max_depth（可用來防止模型過擬合）。

本文采用網(wǎng)格搜索法對(duì)模型主要參數(shù)進(jìn)行尋優(yōu)（其他參數(shù)采用缺省值），最終確立的模型最大樹的數(shù)目n_estimators=100，樹的最大深度max_depth=6。XGBoost功率和轉(zhuǎn)速模型的評(píng)價(jià)指標(biāo)見表2。

表2 XGBoost功率和轉(zhuǎn)速模型評(píng)價(jià)指標(biāo)

由表2可以看出，XGBoost回歸模型的擬合優(yōu)度都接近1，擬合性好；方均誤差、平均絕對(duì)誤差和平均相對(duì)誤差絕對(duì)值都較小，表明模型針對(duì)訓(xùn)練集的擬合精確度高。

采用測(cè)試集對(duì)模型預(yù)測(cè)性能進(jìn)行驗(yàn)證，機(jī)組輸出功率及發(fā)電機(jī)轉(zhuǎn)速的預(yù)測(cè)結(jié)果與真實(shí)值比較如圖5和圖6所示?？梢姽β?、轉(zhuǎn)速的預(yù)測(cè)值都可以很好地跟蹤實(shí)際值，驗(yàn)證集功率的最大誤差不超過250kW，轉(zhuǎn)速的最大誤差不超過130r/min，精度較高。

圖6 驗(yàn)證集轉(zhuǎn)速預(yù)測(cè)結(jié)果

4 基于時(shí)間滑動(dòng)窗的風(fēng)機(jī)異常態(tài)預(yù)警方法

4.1 時(shí)間滑動(dòng)窗模型

風(fēng)機(jī)正常運(yùn)行時(shí)模型輸出的預(yù)測(cè)值與實(shí)際值的殘差很小，當(dāng)故障發(fā)生時(shí)機(jī)組狀態(tài)異常殘差會(huì)大幅增加，因此可利用殘差值大小對(duì)風(fēng)機(jī)進(jìn)行狀態(tài)判定。但由于風(fēng)速的隨機(jī)波動(dòng)較大，控制系統(tǒng)隨時(shí)處于動(dòng)態(tài)調(diào)節(jié)過程，利用單點(diǎn)殘差容易產(chǎn)生誤報(bào)警。因此，本文利用時(shí)間滑動(dòng)窗方法，通過計(jì)算時(shí)間滑動(dòng)窗口內(nèi)殘差平均值作為評(píng)價(jià)指標(biāo)，以避免殘差隨機(jī)波動(dòng)帶來的誤報(bào)警。其原理如圖7所示。

圖7 時(shí)間滑動(dòng)窗口模型

4.2 狀態(tài)識(shí)別指標(biāo)及預(yù)警閾值確定

采用時(shí)間窗內(nèi)各點(diǎn)模型預(yù)測(cè)值與實(shí)際值的絕對(duì)平均偏差作為狀態(tài)識(shí)別指標(biāo)，表示風(fēng)電機(jī)組相對(duì)于正常運(yùn)行狀態(tài)的偏離程度。其值越小，越接近正常運(yùn)行狀態(tài)；值越大，出現(xiàn)故障的可能性越大[18]。根據(jù)滑動(dòng)窗口計(jì)算第個(gè)窗口的狀態(tài)識(shí)別指標(biāo)為

5 異常狀態(tài)預(yù)警實(shí)例及分析

閾值隨著訓(xùn)練樣本的選擇不同而存在差異，閾值過小會(huì)使誤報(bào)率增大，閾值過大會(huì)使漏報(bào)率增加。依據(jù)時(shí)間滑動(dòng)窗算法，當(dāng)滑動(dòng)窗參數(shù)、取值分別為5和1時(shí)，由式（18）和模型訓(xùn)練數(shù)據(jù)求得功率和轉(zhuǎn)速預(yù)警閾值分別為12.85和17.02。

查詢SCADA系統(tǒng)歷史數(shù)據(jù)，2018年5～6月有表3所示故障發(fā)生記錄。為此調(diào)用2018年同期故障前后的歷史運(yùn)行數(shù)據(jù)，對(duì)本文異常狀態(tài)預(yù)警方法進(jìn)行驗(yàn)證。預(yù)警時(shí)使用刪除空值和風(fēng)速小于3m/s的數(shù)據(jù)，再使用滑窗算法進(jìn)行預(yù)警試驗(yàn)。

表3 SCADA系統(tǒng)真實(shí)歷史故障記錄表

5.1 異常狀態(tài)預(yù)警實(shí)例一

系統(tǒng)自2018年5月12日17時(shí)06分連續(xù)出現(xiàn)功率轉(zhuǎn)速異常預(yù)警，其預(yù)警曲線如圖8所示，對(duì)應(yīng)的真實(shí)歷史故障狀態(tài)記錄見表3（實(shí)例1）。

圖8 異常狀態(tài)預(yù)警實(shí)例1

根據(jù)風(fēng)機(jī)風(fēng)速與功率狀態(tài)指標(biāo)，本文識(shí)別出異常狀態(tài)時(shí)間在2018年5月12日17時(shí)06分，實(shí)際記錄的故障時(shí)間是2018年5月12日20時(shí)07分，預(yù)警提前了約3h。

5.2 異常狀態(tài)預(yù)警實(shí)例二

系統(tǒng)自2018年6月16日9時(shí)46分連續(xù)出現(xiàn)功率轉(zhuǎn)速異常預(yù)警，其預(yù)警曲線如圖9所示，對(duì)應(yīng)的真實(shí)歷史故障狀態(tài)記錄見表3（實(shí)例2）。

圖9 異常狀態(tài)預(yù)警實(shí)例2

根據(jù)風(fēng)機(jī)風(fēng)速與功率狀態(tài)指標(biāo)，識(shí)別異常狀態(tài)時(shí)間在2018年6月16日9時(shí)46分，實(shí)際運(yùn)行記錄故障時(shí)間2018年6月16日11時(shí)55分，提前了約2h。

5.3 異常狀態(tài)預(yù)警實(shí)例三

系統(tǒng)自2018年6月29日9時(shí)09分連續(xù)出現(xiàn)了功率轉(zhuǎn)速異常預(yù)警，其預(yù)警曲線如圖10所示。根據(jù)風(fēng)機(jī)風(fēng)速與功率狀態(tài)指標(biāo)，識(shí)別異常狀態(tài)時(shí)間在2018年6月29日9時(shí)09分，對(duì)照表3真實(shí)歷史故障記錄（實(shí)例3）實(shí)際記錄的故障時(shí)間是2018年6月29日9時(shí)38分，預(yù)警提前了約0.5h。

圖10 異常狀態(tài)預(yù)警實(shí)例3

上述預(yù)警實(shí)例表明，本文提出的基于SVDD和XGBoost的風(fēng)機(jī)故障預(yù)警方法可以有效地識(shí)別風(fēng)電機(jī)組運(yùn)行異常狀態(tài)，提前進(jìn)行預(yù)警。從表3所記錄故障類型可見，故障2、3本身與風(fēng)機(jī)轉(zhuǎn)速、功率并無直接相關(guān)，但利用預(yù)警模型也可正確給出預(yù)警。這是由于故障發(fā)生前，當(dāng)某些運(yùn)行參數(shù)超限或異常時(shí)，系統(tǒng)保護(hù)邏輯會(huì)自動(dòng)限制機(jī)組負(fù)荷或做出響應(yīng)保護(hù)性調(diào)整，從而導(dǎo)致實(shí)際負(fù)荷偏離模型預(yù)測(cè)的當(dāng)前風(fēng)況應(yīng)有的正常運(yùn)行值。但這種異常不一定能被運(yùn)行人員立刻發(fā)現(xiàn)。故障預(yù)警系統(tǒng)據(jù)此及時(shí)發(fā)出預(yù)警，可及時(shí)提醒運(yùn)行人員提前采取措施排除故障，防止事故擴(kuò)大，有利于機(jī)組長期安全經(jīng)濟(jì)運(yùn)行。

6 結(jié)論

本文建立了一種基于SVDD和XGBoost的風(fēng)電機(jī)組異常工況預(yù)警方法。論文主要工作有：

1）利用SVDD算法對(duì)某風(fēng)電場(chǎng)1.5MW機(jī)組SCADA數(shù)據(jù)進(jìn)行預(yù)處理，剔除異常數(shù)據(jù)，以得到正常工況的建模數(shù)據(jù)，實(shí)例表明該方法具有較好的數(shù)據(jù)清洗效果。

2）采用XGBoost建立風(fēng)機(jī)正常工況性能預(yù)測(cè)模型，并利用網(wǎng)格搜索算法對(duì)模型參數(shù)進(jìn)行尋優(yōu)。

3）以預(yù)測(cè)模型為基礎(chǔ)，構(gòu)建時(shí)間滑動(dòng)窗口模型計(jì)算評(píng)價(jià)指標(biāo)，利用統(tǒng)計(jì)學(xué)的區(qū)間估計(jì)理論合理確定風(fēng)機(jī)出現(xiàn)異常的閾值，從而實(shí)現(xiàn)風(fēng)機(jī)異常工況及故障早期預(yù)警。

以現(xiàn)場(chǎng)真實(shí)故障案例進(jìn)行仿真試驗(yàn)研究，表明該方法可以對(duì)風(fēng)電機(jī)組運(yùn)行異常狀態(tài)及時(shí)進(jìn)行識(shí)別，實(shí)現(xiàn)故障早期預(yù)警，對(duì)于提高風(fēng)電機(jī)組運(yùn)行的安全性具有工程實(shí)用意義。

[1] 王麗婕, 廖曉鐘, 高陽, 等. 風(fēng)電場(chǎng)發(fā)電功率的建模和預(yù)測(cè)研究綜述[J]. 電力系統(tǒng)保護(hù)與控制, 2009, 37(13): 118-121.

Wang Lijie, Liao Xiaozhong, Gao Yang, et al. Summarization of modeling and prediction of wind power generation[J]. Power System Protection and Control, 2009, 37(13): 118-121.

[2] 楊茂, 熊昊, 嚴(yán)干貴, 等. 基于數(shù)據(jù)挖掘和模糊聚類的風(fēng)電功率實(shí)時(shí)預(yù)測(cè)研究[J]. 電力系統(tǒng)保護(hù)與控制, 2013, 41(1): 1-6.

Yang Mao, Xiong Hao, Yan Gangui, et al. Real-time prediction of wind power based on data mining and fuzzy clustering[J]. Power System Protection and Control, 2013, 41(1): 1-6.

[3] 劉軒. 風(fēng)力發(fā)電機(jī)故障預(yù)警方法研究[D]. 北京: 華北電力大學(xué), 2017.

[4] 梁穎, 方瑞明. 基于SCADA和支持向量回歸的風(fēng)電機(jī)組狀態(tài)在線評(píng)估方法[J]. 電力系統(tǒng)自動(dòng)化, 2013, 37(14): 7-12, 31.

Liang Ying, Fang Ruiming. An online wind turbine condition assessment method based on SCADA and support vector regression[J]. Automation of Electric Power Systems, 2013, 37(14): 7-12, 31.

[5] Bangalore P, Tjernberg L B. An artificial neural network approach for early fault detection of gearbox bearings[J]. IEEE Transactions on Smart Grid, 2015, 6(2): 980-987.

[6] Chen Tianqi, Guestrin C. XGBoost: a scalable tree boosting system[C]//KDD'16: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2016: 785-794.

[7] 王桂蘭, 趙洪山, 米增強(qiáng). XGBoost算法在風(fēng)機(jī)主軸承故障預(yù)測(cè)中的應(yīng)用[J]. 電力自動(dòng)化設(shè)備, 2019, 39(1): 73-77, 83.

Wang Guilan, Zhao Hongshan, Mi Zengqiang. Application of XGBoost algorithm in prediction of wind motor main bearing fault[J]. Electric Power Automation Equipment, 2019, 39(1): 73-77, 83.

[8] Chatterjee J, Dethlefs N. Deep learning with knowledge transfer for explainable anomaly prediction in wind turbines[J]. Wind Energy, 2020, 23: 1693-1710.

[9] Trizoglou P, Liu Xiaolei, Lin Zi. Fault detection by an ensemble framework of Extreme Gradient Boosting (XGBoost) in the operation of offshore wind turbines[J]. Renewable Energy, 2021, 179: 945-962.

[10] 趙洪山, 閆西慧, 王桂蘭, 等. 應(yīng)用深度自編碼網(wǎng)絡(luò)和XGBoost的風(fēng)電機(jī)組發(fā)電機(jī)故障診斷[J]. 電力系統(tǒng)自動(dòng)化, 2019, 43(1): 81-86.

Zhao Hongshan, Yan Xihui, Wang Guilan, et al. Fault diagnosis of wind turbine generator based on deep autoencoder network and XGBoost[J]. Automation of Electric Power Systems, 2019, 43(1): 81-86.

[11] Udo W, Muhammad Y. Data-driven predictive maintenance of wind turbine based on SCADA data[J]. IEEE Access, 9: 162370-162388.

[12] 馬然, 栗文義, 齊詠生. 風(fēng)電機(jī)組健康狀態(tài)預(yù)測(cè)中異常數(shù)據(jù)在線清洗[J]. 電工技術(shù)學(xué)報(bào), 2021, 36(10): 2127-2139.

Ma Ran, Li Wenyi, Qi Yongsheng. Online cleaning of abnormal data for the prediction of wind turbine health condition[J]. Transactions of China Electrotechnical Society, 2021, 36(10): 2127-2139.

[13] 李航濤, 郭鵬, 楊錫運(yùn). 基于離散度分析的風(fēng)電機(jī)組功率曲線繪制方法研究[J]. 太陽能學(xué)報(bào), 2019, 40(1): 237-241.

Li Hangtao, Guo Peng, Yang Xiyun. Research on wind turbine power curve drawing method based on discrete degree analysis[J]. Acta Energiae Solaris Sinica, 2019, 40(1): 237-241.

[14] Zheng Le, Hu Wei, Min Yong. Raw wind data preprocessing: a data-mining approach[J]. IEEE Transactions on Sustainable Energy, 2015, 6(1): 11-19.

[15] 沈小軍, 付雪姣, 周沖成, 等. 風(fēng)電機(jī)組風(fēng)速-功率異常運(yùn)行數(shù)據(jù)特征及清洗方法[J]. 電工技術(shù)學(xué)報(bào), 2018, 33(14): 3353-3361.

Shen Xiaojun, Fu Xuejiao, Zhou Chongcheng, et al. Characteristics of outliers in wind speed-power operation data of wind turbines and its cleaning method[J]. Transactions of China Electrotechnical Society, 2018, 33(14): 3353-3361.

[16] 陳鵬, 趙小強(qiáng). 基于GLNPE-SVDD的滾動(dòng)軸承性能退化評(píng)估方法[J]. 華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版), 2021, 49(1): 12-16.

Chen Peng, Zhao Xiaoqiang. Performance degradation evaluation method of rolling bearing based on GLNPE-SVDD[J]. Journal of Huazhong University of Science and Technology (Natural Science Edition), 2021, 49(1): 12-16.

[17] 喬福宇, 馬良玉, 馬永光. 基于功率曲線分析與神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組故障預(yù)警方法[J]. 中國測(cè)試, 2020, 46(8): 44-50.

Qiao Fuyu, Ma Liangyu, Ma Yongguang. Wind turbine fault early warning method based on power curve analysis and neural network[J]. China Measurement & Test, 2020, 46(8): 44-50.

[18] 萬恒正. 基于SCADA數(shù)據(jù)關(guān)系的大型直驅(qū)式風(fēng)電機(jī)組健康狀態(tài)識(shí)別與預(yù)警[D]. 湘潭: 湖南科技大學(xué), 2018.

[19] 劉家辰, 苗啟廣, 曹瑩, 等. 基于混合多樣性生成與修剪的集成單類分類算法[J]. 電子與信息學(xué)報(bào), 2015, 37(2): 386-393.

Liu Jiachen, Miao Qiguang, Cao Ying, et al. Ensemble one-class classifiers based on hybrid diversity generation and pruning[J]. Journal of Electronics & Information Technology, 2015, 37(2): 386-393.

[20] 張帆, 劉德順, 戴巨川, 等. 一種基于SCADA參數(shù)關(guān)系的風(fēng)電機(jī)組運(yùn)行狀態(tài)識(shí)別方法[J]. 機(jī)械工程學(xué)報(bào), 2019, 55(4): 1-9.

Zhang Fan, Liu Deshun, Dai Juchuan, et al. An operating condition recognition method of wind turbine based on SCADA parameter relations[J]. Journal of Mechanical Engineering, 2019, 55(4): 1-9.

Abnormal State Early Warning of Wind Turbine Generator Based on Support Vector Data Description and XGBoost

Ma Liangyu Cheng Shanzhen

（School of Control and Computer Engineering North China Electric Power University Baoding 071003 China）

An abnormal state early warning method for wind generating units is proposed based on support vector data description(SVDD) and XGBoost（eXtreme gradient boosting）model. The feature variables closely related to the generator speed and output power are selected. Then SVDD algorithm is employed to preprocess the SCADA historical data and the XGBoost-based normal performance prediction model is set up. The time-sliding window model is constructed to calculate the performance evaluation index on the basis of the developed model, and the threshold value of which is determined in accordance with the interval estimation theory of statistics. The abnormal state warning tests are carried out using several true historical fault cases recorded in the SCADA system of a 1.5MW wind power unit. It is shown that the abnormal state warning method based on SVDD and XGBoost can clean the original data effectively, and identify the wind turbine abnormal state timely. The proposed method has practical engineering significance for improving the operation safety of wind turbine generator system.

Wind turbine generator, support vector data description, XGBoost, performance prediction model, abnormal state early warning

10.19595/j.cnki.1000-6753.tces.210625

TP277

馬良玉 男，1972年生，教授，碩士生導(dǎo)師，研究方向?yàn)楣I(yè)過程建模與仿真，智能技術(shù)在電站建模、控制與故障診斷中的應(yīng)用。E-mail：maliangyu@ncepu.edu.cn（通信作者）

程善珍 女，1996年生，碩士，研究方向?yàn)橹悄芗夹g(shù)在故障診斷中的應(yīng)用。E-mail：chengshanzhen123@163.com

2021-05-04

2021-12-21

（編輯 郭麗軍）