趙茗羽， 陳洪磊， 孫澤賢， 張 怡， 劉曉悅

（1.華北理工大學(xué) 國際合作處， 河北 唐山 063000； 2.華北理工大學(xué) 電氣工程學(xué)院， 河北 唐山 063000）

0 引言

隨著風(fēng)能、 傳感器技術(shù)和無線通訊技術(shù)的快速發(fā)展， 風(fēng)機的健康度評估已經(jīng)從低級的人為判斷階段向以人工智能技術(shù)為基礎(chǔ)的大數(shù)據(jù)智能化的方向發(fā)展。

目前在設(shè)備的預(yù)診斷和健康管理領(lǐng)域已有多項研究。 文獻[1]引入迭代算法—匹配解調(diào)轉(zhuǎn)換分析收集數(shù)據(jù)的時域信息，實現(xiàn)軸承的診斷和預(yù)警。文獻[2]搭建了馬爾可夫非線性系統(tǒng)，根據(jù)發(fā)電機所處運行狀態(tài)的不同，實時動態(tài)地調(diào)整系統(tǒng)參數(shù)，進而追蹤發(fā)電機性能退化蹤跡。 文獻[3]提出了一種基于深度置信網(wǎng)絡(luò)的暫態(tài)穩(wěn)定評估方法， 利用深度置信網(wǎng)絡(luò)將原始輸入空間映射到低維可分空間， 采用支持向量機和線性分類器對電力系統(tǒng)的暫態(tài)穩(wěn)定進行分類評估。 文獻[4]采用非線性狀態(tài)評估技術(shù)實現(xiàn)風(fēng)機齒輪箱故障變化趨勢模型化。文獻[5]結(jié)合了時域流信息分析和稀疏信號重構(gòu)技術(shù)，改進了軸承故障信號的提取性能。 文獻[6]基于BP 反向傳播神經(jīng)網(wǎng)絡(luò)和最小支持向量機，建立了最優(yōu)的組和預(yù)測模型， 比較預(yù)測值和實際值間的殘差， 通過信息熵理論實現(xiàn)風(fēng)電機組狀態(tài)參數(shù)的異常識別。 文獻[7]通過風(fēng)機出力相關(guān)性分析與模糊故障Petri 網(wǎng)相結(jié)合，對機組運行狀態(tài)進行分類。 文獻[8]提出一種雙向循環(huán)神經(jīng)網(wǎng)絡(luò)，并結(jié)合局部特征提取技術(shù)，實現(xiàn)設(shè)備的健康預(yù)測。文獻[9]基于深度置信網(wǎng)絡(luò)的集成模型，實現(xiàn)了對所用系統(tǒng)剩余有效壽命的預(yù)測。

本文首先剖析層次化、機構(gòu)化的風(fēng)機結(jié)構(gòu)，為風(fēng)機的健康度量化分析提供結(jié)構(gòu)知識信息元。 基于“離線分類，在線匹配”的思想，從不同電氣信號的波動性分析出發(fā)， 采用變點理論將相近波動水平的電氣信號進行空間劃分； 運用長短期記憶神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)電氣信號的內(nèi)部依賴關(guān)系， 在預(yù)測階段首先匹配測試樣本的波動范圍， 再結(jié)合相應(yīng)的回歸器實現(xiàn)電氣信號的有效預(yù)測； 最后提出了一種加權(quán)評估方法， 整合多個重要部件電氣信號預(yù)測值與實際值間的殘差值， 展開對風(fēng)機運行健康度的量化分析。

1 風(fēng)電基本參數(shù)與子系統(tǒng)

本文主要分析雙饋式風(fēng)電機組， 其基本參數(shù)如表1 所示。

表1 雙饋式風(fēng)電機組基本參數(shù)Table 1 Basic parameters of doubly fed wind turbine

由于風(fēng)機自身復(fù)雜的非線性結(jié)構(gòu)， 風(fēng)機的失效過程會呈現(xiàn)多態(tài)漸變特征。 在評估風(fēng)機健康度的過程中，需要綜合考量多個子系統(tǒng)。

2 風(fēng)電機組健康度評估模型

2.1 變點理論

在時間序列中具有突變性質(zhì)的數(shù)據(jù)項稱為變點，本文采用數(shù)據(jù)項的方差搜索變點，進而實現(xiàn)時間序列數(shù)據(jù)的分類。

單個SCADA 參數(shù)的時間序列可以表示為（x1，x2，…，xn），時間序列的方差由式（1）計算得到。

式中：vi為時間序列第i 個數(shù)據(jù)點的方差；pj為第j 個數(shù)據(jù)項；pˉi為該時間序列從第1 個數(shù)據(jù)項～第i個數(shù)據(jù)項的均值， 可以有效評估第i 個數(shù)據(jù)與前i-1 個數(shù)據(jù)的偏離程度。

計算時間序列每一個數(shù)據(jù)項的方差后， 依據(jù)方差對時間序列進行升序排序，通過式（2）分析數(shù)據(jù)項的方差變化情況。

式中：k（i）為第i 個時間序列與第i-1 個時間序列的變化值；si為第i 個時間序列；si-1為第i-1 個時間序列。

為了分析在時間序列中突變點的具體位置，本文采用多線性回歸模型在數(shù)據(jù)空間中搜索變點。

權(quán)重wi與樣本k（i）的誤差方差呈反比關(guān)系，權(quán)重間的比例關(guān)系為

式中第j 個數(shù)據(jù)項即為時間序列中的首個變點。確定首個變點后，在其左右兩側(cè)的場景數(shù)據(jù)中按照上述方式搜索，確定所有變點位置。根據(jù)變點理論實現(xiàn)時間序列的離線分類流程（圖1）。

圖1 基于變點理論實現(xiàn)的時間序列的離線分類流程圖Fig.1 The steps of classifying the time series by the changepoint algorithm

2.2 長短期記憶神經(jīng)網(wǎng)絡(luò)

對于給定的時間序列X=（x1，x2，…，xn），采用標準的循環(huán)神經(jīng)網(wǎng)絡(luò)，通過式（9），（10）計算隱含層輸出ht和輸出層輸出yt。

式中：f 為激活函數(shù)；Wxh為連接輸入層神經(jīng)元與隱含層神經(jīng)元的權(quán)重；Whh為連接上一時刻隱含層神經(jīng)元狀態(tài)與目前神經(jīng)元狀態(tài)的權(quán)重；bh為隱含層神經(jīng)元偏置；by為輸出層神經(jīng)元偏置。

循環(huán)神經(jīng)網(wǎng)絡(luò)能夠有效實現(xiàn)時間序列模型化，但受困于梯度爆炸的問題，可能忽視時間序列內(nèi)部的長期依賴關(guān)系。為了解決這一缺陷，長短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）模型在非線性映射的設(shè)計中引入了門函數(shù)的概念， 模型細胞結(jié)構(gòu)如圖2 所示。

圖2 LSTM 隱藏層細胞結(jié)構(gòu)圖Fig.2 LSTM cell structure in hidden layer

在LSTM 模型中，遺忘門、輸入門和輸出門作為保存歷史信息的控制器，其前向計算式分別為

式中：W，U 和b 為LSTM 的參數(shù)；It，F(xiàn)t，Ot，Ct分別為輸入門、遺忘門、細胞狀態(tài)和輸出門輸出狀態(tài)；σ 為sigmoid 激活函數(shù)。

輸入門接收當前樣本的信息， 并傳送到記憶單元。遺忘門決定記憶信息存儲的程度，即從歷史數(shù)據(jù)中需要提取多少有效的信息。 輸出門結(jié)合輸入數(shù)據(jù)xt和上一時刻的隱含層狀態(tài)ht-1，計算4 個控制門后確定輸出值。

LSTM 模型的訓(xùn)練過程與反向傳播算法基本類似，可以分為3 個步驟：

①前向計算，按照式（11）～（15）計算LSTM 細胞的輸出值；

②反向傳播，計算LSTM 細胞的誤差值，按照時間、網(wǎng)絡(luò)層級兩個方向傳播；

③更新權(quán)重， 基于梯度優(yōu)化算法更新連接權(quán)重，本文選用適應(yīng)性動量估計算法進行梯度優(yōu)化。

2.3 風(fēng)機運行健康度評估模型

風(fēng)機是一種具有復(fù)雜結(jié)構(gòu)的非線性系統(tǒng)，發(fā)電機、齒輪箱、葉輪等重要組成部件對其正常運行均有一定的影響。對風(fēng)機整體進行健康度評估，需要充分考慮各個子系統(tǒng)的運行情況， 由于運行特征的差異，各子系統(tǒng)的健康狀態(tài)也會有所不同。因此，為了充分考慮對各子系統(tǒng)的劣化過程，進而實現(xiàn)風(fēng)機健康狀態(tài)的有效分析， 本文采用模糊度函數(shù)設(shè)計加權(quán)評估方法的權(quán)重。

式中：Δd 為SCADA 屬性的監(jiān)測值與LSTM 預(yù)測值之間的歐氏距離，二者間的距離越大，則對應(yīng)子系統(tǒng)包含故障信息量越大， 對風(fēng)機健康維持作用越小，則相應(yīng)的權(quán)重越小。

因此，風(fēng)機的運行健康度評估方式為

式中：hj為風(fēng)機在j 時刻的健康度；n 為風(fēng)機包含子系統(tǒng)的數(shù)量。

本文提出的風(fēng)機健康度評估模型整合了變點理論、LSTM 和加權(quán)評估模型，模型構(gòu)建主要分為離線和在線兩部分， 離線訓(xùn)練和在線評估的具體步驟如下。

離線訓(xùn)練包括：

①選取風(fēng)機SCADA 監(jiān)測數(shù)據(jù)作為訓(xùn)練樣本；

②對每一個SCADA 選取屬性并進行標準化處理；

③根據(jù)變點理論對SCADA 屬性的時間序列進行離線分類；

④基于每一類別的樣本數(shù)據(jù)， 訓(xùn)練相應(yīng)的LSTM 預(yù)測模型；

⑤輸出每組LSTM 的參數(shù)集合。

在線評估包括：

①對測試數(shù)據(jù)進行標準化處理， 并進行在線匹配，將測試樣本映射到對應(yīng)的類別中；

②獲取相應(yīng)的LSTM 模型對測試樣本的預(yù)測值；

③計算SCADA 系統(tǒng)的監(jiān)測值與LSTM 預(yù)測模型輸出值之間的差異；

④按照式（15），（16）對風(fēng)機運行健康度進行評估。

3 實驗結(jié)果與分析

3.1 實驗樣本及預(yù)測誤差評判標準

以正常運行數(shù)據(jù)作為輸入， 整合各子系統(tǒng)屬性的預(yù)測值， 計算與實際監(jiān)測值的偏差以加權(quán)的形式評估風(fēng)機運行健康度。 選取某風(fēng)電場一臺風(fēng)機作為實驗對象，訓(xùn)練樣本包括14 690 個正常運行數(shù)據(jù)，測試樣本包括295 個數(shù)據(jù)，其中包含部分故障數(shù)據(jù)。

對預(yù)測結(jié)果的誤差分析能夠有效地評定預(yù)測方法的優(yōu)劣， 不同的誤差計算公式可以反映預(yù)測模型的不同特性。 因此， 本文采用均方根誤差（RMSE）、絕對平均誤差（MAE）、偏差（BIAS）以及標準偏差（SDE）4 種評判指標評價預(yù)測模型的性能。

3.2 風(fēng)機屬性預(yù)測仿真結(jié)果

為了驗證本文方法的適應(yīng)性和準確率， 采用本文所提方法、 原始LSTM、ELMAN 神經(jīng)網(wǎng)絡(luò)和ELM 神經(jīng)網(wǎng)絡(luò)對風(fēng)機的4 個SCADA 屬性進行預(yù)測分析， 其中LSTM 的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)定為5 個輸入層神經(jīng)元，學(xué)習(xí)速率為0.1，迭代次數(shù)為300。 圖3～6 分別為1 號風(fēng)機發(fā)電機轉(zhuǎn)速、主軸轉(zhuǎn)速、液壓站壓力和頂控柜溫度預(yù)測結(jié)果曲線。

圖3 發(fā)電機轉(zhuǎn)速預(yù)測結(jié)果Fig.3 The generator speed prediction results

圖4 主軸轉(zhuǎn)速預(yù)測結(jié)果Fig.4 The spindle speed prediction results

圖5 液壓站壓力預(yù)測結(jié)果Fig.5 The hydraulic station pressure prediction results

由圖3～6 可知：在發(fā)電機轉(zhuǎn)速、主軸轉(zhuǎn)速、液壓站壓力曲線的前半部分中， 本文所提方法與實際值產(chǎn)生了較為明顯的誤差， 發(fā)電機轉(zhuǎn)速和主軸轉(zhuǎn)速突降為0 而液壓站壓力降低了大約1.5 MPa；頂控柜溫度也呈現(xiàn)類似的波動，此時風(fēng)機健康度可能出現(xiàn)下降趨勢；ELMAN 神經(jīng)網(wǎng)絡(luò)和ELM 模型在4 種對比模型中性能較差， 且ELM模型極易出現(xiàn)過擬合問題。

為了進一步驗證本文所提模型的預(yù)測性能，分別計算RMSE，MAE，BIAS 和SDE 4 種指標（表2）。

表2 采用本文所提方法預(yù)測風(fēng)機參數(shù)的性能指標Table 2 The index for forecasting the SCADA parameters of wind turbine by the proposed model

由表2 可知，發(fā)電機轉(zhuǎn)速、主軸轉(zhuǎn)速、液壓站壓力具有最大的誤差。結(jié)合圖6，頂控柜溫度的預(yù)測曲線和實際曲線幾乎擬合。 此時風(fēng)機運行健康度的波動極有可能受到發(fā)電子系統(tǒng)或者偏航子系統(tǒng)運行的影響。通過調(diào)取風(fēng)機維修記錄證實，此時風(fēng)機液壓站出現(xiàn)電壓不正常， 風(fēng)機故障停機的情況， 即偏航子系統(tǒng)出現(xiàn)劣化導(dǎo)致風(fēng)機健康度出現(xiàn)了波動。此外，為了從數(shù)字化的角度驗證本文所提方法的優(yōu)越性，表3～5 分別記錄了傳統(tǒng)LSTM、ELMAN 神經(jīng)網(wǎng)絡(luò)、ELM 神經(jīng)網(wǎng)絡(luò)的預(yù)測性能。

圖6 頂控柜溫度預(yù)測結(jié)果Fig.6 The predicted results from proposed model and benchmark models for the top box temperature

表3 采用傳統(tǒng)LSTM 預(yù)測1 號風(fēng)機參數(shù)的性能指標Table 3 The index for forecasting the SCADA parameters of wind turbine1 by the traditional LSTM

表4 采用ELMAN 神經(jīng)網(wǎng)絡(luò)預(yù)測1 號風(fēng)機參數(shù)的性能指標Table 4 The index for forecasting the SCADA parameters of wind turbine1 by ELMAN

表5 采用ELM 神經(jīng)網(wǎng)絡(luò)預(yù)測1 號風(fēng)機參數(shù)的性能指標Table 5 The index for forecasting the SCADA parameters of wind turbine1 by ELM

由表2～5 可知：本文所提方法在4 項SCADA屬性預(yù)測領(lǐng)域性能要優(yōu)于其他3 種模型； 相比于未進行波動性分類的原始LSTM 模型， 在發(fā)電機轉(zhuǎn)速預(yù)測中，本文所提方法在RMSE，MAE，BIAS，SDE 4 個指標上分別提高了0.013，0.021，0.014和0.014； 在 主 軸 轉(zhuǎn) 速 預(yù) 測 結(jié) 果 中， 在RMSE，MAE，BIAS，SDE 4 個指標上分別提高了0.151，0.058，0.027 和0.127；在液壓站壓力預(yù)測結(jié)果中，在RMSE，MAE，BIAS，SDE 4 個指標上分別提高了0.010，0.021，0.021 和0.008。

綜合風(fēng)機SCADA 屬性預(yù)測結(jié)果， 按照式（15）計算權(quán)重，采用SCADA 屬性所對應(yīng)的發(fā)電機轉(zhuǎn)速權(quán)重、主軸轉(zhuǎn)速權(quán)重、液壓站壓力權(quán)重和頂控柜溫度權(quán)重分別為0.083，0.114，0.153 和0.650。圖7，8 描述了同一時段的風(fēng)機健康度曲線與有功功率曲線的變化情況。

圖7 風(fēng)機健康度曲線Fig.7 The trend of the health degree for wind turbine

圖8 風(fēng)機風(fēng)電功率曲線Fig.8 The wind power series in the testing period for wind turbine

由圖7，8 可知，風(fēng)機在前半部分出現(xiàn)故障時，有功功率從1 600 kW 突降為0，其余大部分時刻風(fēng)機健康度均大于0.6。 結(jié)合圖3～6 和表2～5 可知，在此時段內(nèi)風(fēng)機可能處于故障狀態(tài)，故障的部件可能為發(fā)電子系統(tǒng)或者液壓站。

4 結(jié)論

本文基于“離線分類，在線匹配”的思想，將變點理論嵌入到LSTM 中，建立了風(fēng)機SCADA 正常運行數(shù)據(jù)的點預(yù)測模型， 提高了預(yù)測模型的泛化能力與精確度。然后提出了一種加權(quán)評估方法，計算子系統(tǒng)參量預(yù)測值與實際值的偏差， 偏差較大的子系統(tǒng)權(quán)重較小，偏差較小的子系統(tǒng)權(quán)重較大，從多維空間考慮風(fēng)機運行的健康水平。 整合風(fēng)電機組的多個子系統(tǒng)，共同評估風(fēng)機運行健康度。最后，將兩臺風(fēng)機作為訓(xùn)練對象，從圖形化、數(shù)字化的角度共同驗證了本文所提方法在訓(xùn)練精度方面的優(yōu)越性。