陳萬志，李昊哲，劉恒嘉，王天元

（1.遼寧工程技術大學 軟件學院，遼寧 葫蘆島 125105；2.遼寧工程技術大學 電子與信息工程學院，遼寧 葫蘆島 125105；3.長春理工大學 計算機科學技術學院，吉林 長春 130022；4.國網遼寧省電力有限公司 營口供電公司，遼寧 營口 115000）

0 引言

風力發(fā)電機組的故障多源于發(fā)電機、齒輪箱、傳動軸、葉片及變槳系統(tǒng)、偏航系統(tǒng)、電控系統(tǒng)等關鍵部件，可通過檢測分析振動、應力、扭矩、溫度、潤滑油和電氣等參數(shù)進行判別.風電場的SCADA（supervisory control and data acquisition）系統(tǒng)可實現(xiàn)對風電機組的監(jiān)測監(jiān)控功能.但基于SCADA數(shù)據(jù)的分析挖掘應用較少或僅用于人工統(tǒng)計，無法預測風電機組故障可能發(fā)生的情況[1-4].

由于對SCADA系統(tǒng)數(shù)據(jù)的分析已無法滿足安全的需求，研究者們將SCADA系統(tǒng)數(shù)據(jù)與機器學習模型結合，對風電機組進行故障預測和診斷.文獻[5]提出結合 ITD（intrinsic time-scale decomposition）和LS-SVM（least square-support vector machine）的風力發(fā)電機組軸承故障診斷方法.文獻[7]提出一種基于粒子群優(yōu)化 KFCM（kernel fuzzy c-means clustering）的風電齒輪箱故障診斷方法.文獻[8]提出一種基于小波包變換BP（back propagation）神經網絡的齒輪箱故障診斷方法.文獻[9]提出一種基于小波包分析與 SVM 相結合的故障診斷新方法.文獻[10]提出一種基于隱半 Markov模型的故障診斷和預測方法.目前利用SCADA數(shù)據(jù)進行分析挖掘還存在精準度不高、實時效果差等問題.

本文以某風場SCADA系統(tǒng)數(shù)據(jù)為基礎，通過分析發(fā)電機溫度、室外溫度以及風速等參數(shù)，在SVM 模型的基礎上融合 LSTM（long short-term memory）和SSA（sparrow search algorithm）優(yōu)化SVM的方法實現(xiàn)風力發(fā)電機組短期故障預測.

1 整體框架

所提出風電機組故障預測模型的系統(tǒng)整體框架見圖1.即通過同步風電機組SCADA系統(tǒng)小電機溫度、液壓溫度、大電機3種溫度、高速軸溫度、齒輪油溫度、風速以及室外溫度等數(shù)據(jù)，并對其進行數(shù)據(jù)預處理，處理后的測試數(shù)據(jù)分別用于LSTM和SSA優(yōu)化的SVM模型訓練與測試；其次利用優(yōu)化后的SVM對LSTM的短期預測數(shù)據(jù)進行分類判定，得到風電機組故障預測結果.最終實現(xiàn)基于SCADA實時和歷史數(shù)據(jù)的風電機組未來短期故障的預測，為故障診斷與預測分析提供系統(tǒng)模型基礎，為保障風電機組的安全可靠運行、適時運維保養(yǎng)和故障危害最小化提供科學依據(jù).

圖1 系統(tǒng)整體框架Fig.1 overall framework of system

2 系統(tǒng)模型

2.1 長短期記憶網絡LSTM模型

LSTM網絡是采用時間先后順序開展反向誤差傳播算法進行網絡訓練的，適于處理時間序列變量的預測問題，而風電機組SCADA系統(tǒng)數(shù)據(jù)是與時間密切相關的，故LSTM模型適合風電機組數(shù)據(jù)的相關預測分析.

LSTM模型的輸入為同步風電機組SCADA系統(tǒng)數(shù)據(jù)中9個關鍵數(shù)據(jù)字段的短期連續(xù)時間段內的實時和歷史數(shù)據(jù)，輸出是對應9個特征下一時間點的預期數(shù)據(jù)，見圖2.

圖2 LSTM模型的輸入與輸出Fig.2 input and output of LSTM

2.2 支持向量機SVM模型

SVM在解決二分類問題上具有良好的性能，適于LSTM模型的短期預測進行是否故障判別.

SVM模型的輸入為同步風電機組SCADA系統(tǒng)數(shù)據(jù)中9個關鍵數(shù)據(jù)字段，將每種特征參數(shù)作為一個輸入向量x，輸入向量定義為

式中，An(n= 1,… ,9 )為特征參數(shù)的值.SCADA系統(tǒng)數(shù)據(jù)中風電機組運行狀態(tài)有故障和正常兩種.

C-SVM的約束式為

式中，ω，b為超平面定義的參數(shù)；l為SVM訓練集數(shù)據(jù)中的幀數(shù)；iξ為松弛系數(shù).

由于SCADA數(shù)據(jù)的特征參數(shù)非線性，故使用徑向基函數(shù)RBF（radial basis function）作為內核函數(shù)K進行數(shù)據(jù)空間映射.K定義為

式中，γ為內核函數(shù)的預定義參數(shù).

SCADA數(shù)據(jù)運行狀態(tài)(x，y)的訓練集從R9×R映射到Hilbert空間×R為

根據(jù)下式確定超平面(ω?xi) +b= 0 ，

式中，C為懲罰系數(shù).

SVM模型由超平面的唯一解進行定義.其中

對于每條SCADA數(shù)據(jù)輸入向量，由SVM模型預測判別結果輸出為

SVM模型的分類過程原理見圖3，其中N是支持向量ω的數(shù)量.

圖3 SVM模型的輸入與輸出Fig.3 input and output of SVM

2.3 麻雀優(yōu)化算法優(yōu)化SVM模型

麻雀搜索算法SSA是一種源于麻雀覓食和反捕食行為的種群智能優(yōu)化算法，具有尋優(yōu)能力強、收斂速度快等優(yōu)點，適合對SVM模型進行優(yōu)化.

在模擬測試實驗中，利用虛擬麻雀模擬尋找食物，由n只麻雀組成的種群為

式中，d為風電機組運行狀態(tài)的因變量維數(shù)，d的值為9，表示9個特征參數(shù).

所有麻雀的適應度值F表示為

在每次迭代過程中，發(fā)現(xiàn)者的位置更新為

式中，t為當前迭代次數(shù)；item-max為最大迭代次數(shù)；Xi,j為第i個麻雀在第j維中的位置；α為隨機數(shù)；R2和ST分別為預警值和安全值；Q為服從正態(tài)分布的隨機數(shù)；L為1×9矩陣，每個元素均為1.

在覓食過程中，一些加入者會監(jiān)視尋找食物的發(fā)現(xiàn)者并去爭奪更好的食物，加入者的位置為

式中，XP和Xworst分別為最優(yōu)位置和最差位置.A為一個 1×9的矩陣，元素隨機賦值為 1或-1，且A+=AT(AAT)?1.

在模擬測試實驗中，設意識到危險的麻雀占總量的10%至20%，這些麻雀的位置為

式中，Xbest為當前的全局最優(yōu)位置；β為服從均值為0、方差為1的正態(tài)分布控制步長；K∈[-1,1]是一個隨機數(shù)；fi為麻雀個體i的適應度值；fg和fw分別為當前全局最佳和最差的適應度值；ε為常數(shù)，避免分母為0.

2.4 風電機組SCADA系統(tǒng)數(shù)據(jù)特征分析

實驗數(shù)據(jù)集為某風電場的 MADE型號風機的SCADA系統(tǒng)后臺數(shù)據(jù)，其中基礎數(shù)據(jù)包括風機型號、風機類型、記錄時間等靜態(tài)數(shù)據(jù)，以及通過傳感器采集的溫度、風速、功率等共計10個特征值，詳細說明見表1.

首先對數(shù)據(jù)進行清洗及預處理，刪除數(shù)據(jù)集中的異常樣本，消除人為停機維護、調試等操作的主觀影響，其次采用統(tǒng)計分析軟件SPSS對特征進行主成分分析并得出特征權重，明確找出對因變量有影響的特征，進一步提高模型的準確度，具體分析結果見表2.

由特征重要性排序可知，液壓溫度、小電機溫度及大電機溫度特征權重較大，同時也是風機監(jiān)測的重要指標，對于故障預測結果有著重要的影響，同時也從另一個側面說明通過溫度等參數(shù)預測風機故障狀況是可行的，同時其他參數(shù)的特征權重也均在8%以上，因此選取這9個特征作為算法及模型的特征參數(shù).

3 實驗

3.1 實驗環(huán)境

實驗測試為云虛擬機模擬環(huán)境，硬件配置為Intel Xeon Gold 6266C@3.00GHz CPU，8.00GB內存，系統(tǒng)軟件為64位Windows Server 2016 Standard操作系統(tǒng)，應用軟件為Pycharm2020.1.

3.2 實驗步驟

（1）采集數(shù)據(jù)并對數(shù)據(jù)進行預處理.

（2）利用歷史數(shù)據(jù)訓練 LSTM 模型，通過模型對未來短期數(shù)據(jù)進行預測，得到短期預測數(shù)據(jù).

（3）利用歷史數(shù)據(jù)訓練SVM模型并使用SSA算法對SVM模型優(yōu)化，得到的優(yōu)化SVM模型能夠判別風機運行狀態(tài).

（4）通過優(yōu)化的SVM模型對LSTM得到的短期預測數(shù)據(jù)進行運行狀態(tài)判別.

（5）將（4）中得到的運行狀態(tài)與風力發(fā)電機組實際運行狀態(tài)作比較，得到模型故障預測準確率.

3.3 數(shù)據(jù)采集和預處理

實驗數(shù)據(jù)集為某風力發(fā)電場SCADA系統(tǒng)收集的歷史后臺運維數(shù)據(jù)，共包含電機溫度、液壓溫度、齒輪油溫度、高速軸溫度、齒輪油溫度、室外溫度、風速和功率等10個維度，采樣周期為30 s，為避免季節(jié)因素對實驗的影響，選取某風機2018年7月、8月的SCADA數(shù)據(jù)共63 319條，手動刪除異常值6 814條，其中包含停機維護、調試數(shù)據(jù)，以及不符合常理的無效數(shù)據(jù).經處理后共計56 478條有效數(shù)據(jù)，將功率為正數(shù)的樣本作為正常數(shù)據(jù)，將功率為0的樣本標記為故障數(shù)據(jù).

3.4 LSTM模型實驗

分別對9個參數(shù)進行LSTM短期預測，再將其預測得到的值結合到一起，得到新的SCADA數(shù)據(jù)的短期預測數(shù)據(jù).取10臺運行的MADE型號風機各1 100條數(shù)據(jù)，共11 000條數(shù)據(jù).劃分數(shù)據(jù)集，各取前 1 000條 SCADA數(shù)據(jù)為訓練集，剩下 100條SCADA數(shù)據(jù)為測試集.

首先采用訓練集進行模型訓練，并通過訓練集后 50條數(shù)據(jù)預測一條新數(shù)據(jù)，其次把這條新的數(shù)據(jù)添加到訓練集的末尾并另存為預測結果，再通過訓練集新生成的后50條數(shù)據(jù)再預測一條新數(shù)據(jù).重復進行100次，最終得到10臺風機預測結果各100條，并與測試集中的實際數(shù)據(jù)作對比.圖4和圖5分別為1號風機大電機溫度和液壓溫度預測值與實際值的對比.

圖5 液壓溫度預測值與實際值對比Fig.5 comparison between predicted and actual hydraulic temperature

3.5 SSA優(yōu)化SVM實驗結果

為測試經SSA改進后模型的性能和準確率，將其和未進行改進的 SVM 模型進行比較，分別使用SSA-SVM 和SVM 對相同數(shù)據(jù)集進行分類預測對比實驗結果見圖6和圖7.SSA-SVM預測結果準確率為98.80%，SVM 預測結果準確率為 93.65%.經過 SSA改進的SVM模型的預測效果相比傳統(tǒng)SVM效果有明顯地提升.

圖6 SSA-SVM預測結果散點Fig.6 scatter plot of SSA-SVM prediction results

圖7 SVM預測結果散點Fig.7 scatter plot of SVM prediction results

3.6 LSTM-SSA-SVM實驗結果

LSTM短期預測得到10臺MADE型號風機各100條新數(shù)據(jù)，使用優(yōu)化的SVM對1 000條預測數(shù)據(jù)運行狀態(tài)進行分類預測，并將分類預測得到的結果與該時間段的風電機組的實際運行狀態(tài)作比較，預測正確的數(shù)據(jù)所占整體數(shù)據(jù)的百分比，即為LSTM-SSA-SVM模型預測風電機組故障的準確率.將1 000條預測數(shù)據(jù)加入訓練好的SSA-SVM模型中進行測試，最終得到測試集準確率為97.90%，結果見圖8.

圖8 LSTM-SSA-SVM預測結果散點圖Fig.8 scatter plot of LSTM-SSA-SVM prediction results

將本文模型與原始SVM模型和其他文獻提出的風機故障預測模型作對比，對比結果見表3.

表3 模型預測準確率對比Tab.3 comparison of model prediction accuracy

通過對比可知，本文模型的準確率均略高于其他故障預測模型，證明其可行性和有效性，在一定程度上提升風電機組故障預測的精度.

4 結論

在傳統(tǒng) SVM 的基礎上，提出一種 SSA優(yōu)化SVM模型，結合LSTM預測風電機組短期數(shù)據(jù)對風電機組運行狀態(tài)進行分類預測.現(xiàn)場數(shù)據(jù)測試實驗結果表明，該融合模型預測準確率可達97.90%，相比其他故障預測方法精度更高.

當前所研究的風電機組故障來源僅是溫度等特征對故障的影響，在后續(xù)的研究中，還應該將振動、器件老化等因素結合在一起進行分析，使風電機組的故障預測準確度更高.