胡 陽, 胡耀宗, 程 逸, 陳修高, 董得志, 孫曉彥

(1.新能源電力系統(tǒng)國家重點實驗室,北京 102206; 2．華北電力大學(xué) 控制與計算機工程學(xué)院,北京 102206;3．國家電投集團科學(xué)技術(shù)研究院有限公司,北京 102206)

隨著碳達峰、碳中和目標的不斷推進,大型風(fēng)電機組在節(jié)能減排過程中起著越來越重要的作用。變頻器是風(fēng)電機組的關(guān)鍵設(shè)備,其主要功能包括:(1) 在給定的轉(zhuǎn)速范圍內(nèi)將發(fā)電機輸出的電能反饋給電網(wǎng);(2) 產(chǎn)生系統(tǒng)為建立交變磁場和感應(yīng)磁通所需要的無功功率;(3) 在風(fēng)電機組或電網(wǎng)故障時,變頻器啟動保護動作。變頻器一般在外部環(huán)境中工作,環(huán)境溫差大、油污侵蝕等原因可能會使其性能受到損害,嚴重時會引起變頻器故障。因此,風(fēng)電機組變頻器的狀態(tài)監(jiān)測[1]對于風(fēng)電機組的健康狀況極其重要。

傳統(tǒng)的風(fēng)電機組關(guān)鍵部件狀態(tài)監(jiān)測與故障預(yù)警方法主要有決策樹[2]、隨機森林[3]、支持向量回歸[4]、XGBoost[5]、LightGBM[6]和神經(jīng)網(wǎng)絡(luò)[7]等。孟憲梁等[8]通過分析數(shù)據(jù)采集與監(jiān)視[12](Supervisory control and data acquisition, SCADA)系統(tǒng)數(shù)據(jù),使用風(fēng)速、轉(zhuǎn)子轉(zhuǎn)速等24個傳感器的參數(shù)作為機器學(xué)習(xí)模型的輸入,以變槳系統(tǒng)變頻器的溫度作為機器學(xué)習(xí)模型的輸出。通過對比XGBoost和LightGBM 2種機器學(xué)習(xí)方法的模型評價指標判斷其在變槳系統(tǒng)變頻器狀態(tài)監(jiān)測上的優(yōu)劣,使用基于滑動時間窗殘差估計方法對變頻器故障進行預(yù)測。結(jié)果表明,相對于LightGBM算法,XGBoost算法對變槳系統(tǒng)變頻器的故障預(yù)警方法更簡便、結(jié)果可靠,更適用于風(fēng)電機組變槳系統(tǒng)故障預(yù)警。劉冰冰等[9]提出了一種隨機森林算法對變頻器的故障進行檢測,在SCADA中的環(huán)境參數(shù)、控制參數(shù)、電氣參數(shù)和狀態(tài)參數(shù)中取出故障、停機、維修和限功率等非正常發(fā)電狀態(tài)下的數(shù)據(jù)建立變頻器故障檢測模型。結(jié)果表明,用隨機森林算法進行故障診斷,準確率高,但在實際工程中實現(xiàn)起來比較困難。胡立錦[10]對變頻器故障類型及故障原理進行了仿真分析,得到不同故障狀態(tài)下直驅(qū)式風(fēng)力發(fā)電機的輸出電壓及波形變化情況。將仿真結(jié)果經(jīng)處理后作為數(shù)據(jù)樣本對設(shè)計好的神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練和測試,使神經(jīng)網(wǎng)絡(luò)具有診斷和故障定位的能力。Yahyaoui等[11]利用主成分分析法對風(fēng)電機組SCADA中的扭矩、發(fā)電機轉(zhuǎn)速、電網(wǎng)電流和輸出電壓等12類數(shù)據(jù)進行特征提取,并用不同的機器學(xué)習(xí)方法進行狀態(tài)監(jiān)測。通過分析風(fēng)機不同工況下的仿真數(shù)據(jù),驗證了該方法的有效性和較高的分類精度。

變頻系統(tǒng)是風(fēng)電機組發(fā)生故障的主要部位,其故障比較常見,維護工作量大,維修較難,對變頻器的合理監(jiān)測可以減少維護維修過程中的人力物力損失,因此,筆者提出了大型風(fēng)電機組變頻器狀態(tài)監(jiān)測及分析方法。首先,基于風(fēng)電機組變頻器工作原理,分析SCADA中變頻器的監(jiān)測參數(shù),篩選出了適合風(fēng)電機組變頻器的輸入、輸出參數(shù)。然后,對所采集到的監(jiān)測原始數(shù)據(jù)分析數(shù)據(jù)的特征,設(shè)計了數(shù)據(jù)的預(yù)處理流程。隨后,基于赤池信息準則(Akaike information criterion, AIC),引入有限差分回歸向量作為有限差分(Finate difference, FD)-注意力機制(Attention, AT)-長短期記憶(Long shortterm memory, LSTM)神經(jīng)網(wǎng)絡(luò)模型輸入,即FD-AT-LSTM模型,建立了變頻器狀態(tài)監(jiān)測模型,并采用帶有故障數(shù)據(jù)的樣本進行驗證,證明了該方法的有效性。

1 變頻器工作原理及其監(jiān)測參數(shù)

風(fēng)力發(fā)電系統(tǒng)變頻器應(yīng)用最多的是雙饋式、籠型異步式和直驅(qū)式3種,除了籠型異步式,其他2種必須經(jīng)過變頻處理后才能接入電網(wǎng)中。變頻器主要由整流(交流變直流)、濾波、逆變(直流變交流)、制動單元、驅(qū)動單元、檢測單元和微處理單元等組成,圖1和圖2分別為永磁直驅(qū)風(fēng)電系統(tǒng)和雙饋風(fēng)電系統(tǒng)的結(jié)構(gòu)示意圖。

圖1 永磁直驅(qū)風(fēng)電系統(tǒng)示意圖

圖2 雙饋風(fēng)電系統(tǒng)示意圖

雙饋式風(fēng)電機組風(fēng)機轉(zhuǎn)輪與發(fā)電機轉(zhuǎn)子之間通過變速器相連,而直驅(qū)式風(fēng)電機組風(fēng)機轉(zhuǎn)輪與發(fā)電機轉(zhuǎn)子直接相連。由于風(fēng)電機組運行時工況多變,發(fā)電機產(chǎn)生的電能不是穩(wěn)定的50 Hz,因此需要變頻器將發(fā)電機產(chǎn)生的電能經(jīng)過處理后并入電網(wǎng)中。發(fā)電機產(chǎn)生的電能首先經(jīng)過轉(zhuǎn)子側(cè)的變流器,也稱整流器,將發(fā)電機產(chǎn)生的交流電變成直流電,經(jīng)過整流器的直流電隨后經(jīng)過直流斬波器變成固定可調(diào)電壓的直流電。最后經(jīng)過網(wǎng)側(cè)的變流器也稱逆變器,將直流電變成穩(wěn)定頻率的電能,電能經(jīng)過交-直-交的變換成為穩(wěn)定頻率的電能輸送到電網(wǎng)中。

從變頻器前后的結(jié)構(gòu)可以看出,變頻器的運行不僅與自身參數(shù)有關(guān),還與風(fēng)輪、發(fā)電機和電網(wǎng)的重要參數(shù)有關(guān)。風(fēng)電場運行中負責(zé)對場區(qū)內(nèi)所有風(fēng)力發(fā)電機組的運行狀態(tài)進行實時監(jiān)控、對機組的各個子部件參數(shù)進行信息采集和儲存的系統(tǒng)稱為SCADA系統(tǒng)[12],該系統(tǒng)能夠針對發(fā)現(xiàn)的異常狀態(tài)或者故障狀態(tài),及時主動發(fā)出聲光報警,以便風(fēng)電場運維人員能夠及時響應(yīng)。合理選擇SCADA中的關(guān)鍵參數(shù)對構(gòu)建風(fēng)電機組關(guān)鍵部件的狀態(tài)監(jiān)測模型十分重要。

變頻器的主要部件是變頻器內(nèi)部的絕緣柵雙極型晶體管(IGBT)以及電網(wǎng)側(cè)和機組側(cè)的變流器。整流器和逆變器的工作機理均是通過調(diào)整IGBT的開斷來調(diào)整輸出電源的電壓和頻率。IGBT是變頻器中的重要結(jié)構(gòu),其狀態(tài)與性能直接決定了變頻器的運行狀態(tài),在風(fēng)電機組變頻器的狀態(tài)監(jiān)測中主要考慮IGBT模塊的運行狀態(tài)。因此,選擇IGBT模塊的相關(guān)參數(shù)作為表征變頻器運行狀態(tài)的參數(shù)指標,能夠有效反映變頻器的運行狀態(tài)。選取SCADA系統(tǒng)中有關(guān)發(fā)電機、變頻器和電網(wǎng)的相關(guān)參數(shù),初步選定風(fēng)速風(fēng)向等20個變量為模型的輸入變量,如表1所示。選擇變頻器IGBT溫度作為模型輸出變量。

表1 輸入變量

2 運行數(shù)據(jù)預(yù)處理

風(fēng)電機組在運行過程中會產(chǎn)生大量運行數(shù)據(jù),以風(fēng)電機組變頻器IGBT溫度為研究對象建立模型的過程中,選擇哪些運行量作為輸入數(shù)據(jù)、如何對所選擇的變量進行處理以提高模型的高精度逼近能力是需要關(guān)注的問題?；诖?筆者設(shè)計了風(fēng)電機組變頻器狀態(tài)監(jiān)測模型建立前的數(shù)據(jù)預(yù)處理流程,主要包括基于隨機森林的特征選擇以及基于最小均方誤差(LMS)自適應(yīng)濾波的噪聲消除。

2.1 基于隨機森林的輸入特征選擇

由于SCADA系統(tǒng)采集到的數(shù)據(jù)特征較多,若將相關(guān)性較小的特征都用來訓(xùn)練會增加模型訓(xùn)練的難度,并且由于非相關(guān)特征較多,模型噪聲也會增加,因此需要對采集到的風(fēng)速、風(fēng)向和葉輪轉(zhuǎn)速等20個變量進行特征提取。

基于隨機森林的特征選擇方法是一種非線性的特征選擇方法,變頻器IGBT溫度與其他相關(guān)變量之間存在明顯的非線性關(guān)系,因此選擇隨機森林[13]方法進行特征選擇。首先對待選變量進行歸一化處理,并將數(shù)據(jù)集分為訓(xùn)練集和測試集。之后采用回歸隨機森林方法以待選變量集作為輸入,以變頻器IGBT溫度作為輸出,進行基于回歸隨機森林[14]的輸入輸出建模。

隨機森林回歸模型在構(gòu)建過程中會對每個特征進行基于袋外數(shù)據(jù)打分,得到的結(jié)果作為特征的重要性得分S。S越高,表明該特征在建模過程中的重要程度越高,選取S較高的變量作為特征選擇的結(jié)果。

假設(shè)隨機森林中回歸樹的數(shù)目為Ntree,原始數(shù)據(jù)集有d個特征,單特征Xj(j=1,2,…,d)的基于袋外數(shù)據(jù)(out of bag,OOB)誤差分析的特征重要性度量按如下步驟計算:

計算所有回歸樹特征Xj置換前后袋外數(shù)據(jù)分類誤差率的平均變化量:

(1)

2.2 基于LMS自適應(yīng)濾波的噪聲去除

對輸入輸出變量進行特征選擇,能夠提高模型精度、降低模型復(fù)雜度,同時,對輸入輸出變量進行噪聲去除也是提高模型高精度逼近能力的重要方式。在采集與存儲過程中,SCADA中存儲的海量風(fēng)電機組運行數(shù)據(jù)由于人為因素或自然因素不可避免地會帶有噪聲。如轉(zhuǎn)輪風(fēng)速傳感器在采集風(fēng)速信息時會受到通訊干擾,變頻器電流電壓等電氣量數(shù)據(jù)會受到電磁干擾等,從而產(chǎn)生隨機噪聲。這些噪聲的存在會影響模型精度和預(yù)測結(jié)果的準確度,因此在訓(xùn)練模型之前需要選擇合適的方法消除監(jiān)測數(shù)據(jù)中的隨機噪聲。

LMS變步長自適應(yīng)濾波方法[15-16]可以去除采集過程中產(chǎn)生的隨機噪聲,且處理后的數(shù)據(jù)不失真,數(shù)據(jù)質(zhì)量好,可用來直接進行模型建立,因此可對風(fēng)速、電流和變頻器水冷溫度等數(shù)據(jù)進行LMS自適應(yīng)濾波,自適應(yīng)濾波器的原理框圖如圖3所示。其中,W(n)為自適應(yīng)濾波器在時刻n的權(quán)矢量;X(n)為時刻n的輸入信號矢量;d(n)為期望輸出值;v(n)為干擾信號;e(n)為誤差信號;Lf為自適應(yīng)濾波器的長度。

圖3 自適應(yīng)濾波器原理框圖

基于最速下降法的LMS算法的迭代公式如下:

e(n)=d(n)-XT(n)W(n)

(2)

W(n+1)=W(n)+2μe(n)X(n)

(3)

式中:μ為步長因子。

LMS算法收斂的條件為:0<μ<1/λmax,其中λmax為自相關(guān)矩陣的最大特征值。

3 變頻器運行狀態(tài)監(jiān)測及分析方法

3.1 有限差分運行域確定

在運行過程中,影響風(fēng)電機組變頻器溫度的因素較多,且由于各部件之間的相互作用,當前時刻的溫度輸出值帶有延遲,為了更精準地反映當前時刻溫度,需要考慮輸入與輸出的延遲階次,構(gòu)建有限差分回歸向量[17]用于變頻器運行狀態(tài)監(jiān)測。

定義有限差分運行域下的回歸向量φ(t),經(jīng)過有限次差分運算,可得t時刻的變頻器溫度輸出為:

T(t)=f(φ(t))+eF(t)

(4)

式中:T(t)為t時刻變頻器IGBT溫度;φ(t)為回歸向量,由變頻器IGBT溫度和其余相關(guān)變量組成,φ(t)=[T(t-1),…,T(t-n1),x1(t),…,x1(t-n2),…,xq(t),…,xq(t-nm)],其中x1,x2,…,xq為特征選擇的q個變量;n1,n2,…,nm為模型階次;f(·)為有限次差分運算;eF為噪聲。

有限差分回歸向量中各變量的模型階次根據(jù)赤池信息準則確定,計算結(jié)果OAIC的值越小,模型效果越好。其一般形式如下:

(5)

式中:OAIC為根據(jù)赤池信息準則計算的結(jié)果;lnL為模型的對數(shù)似然值;np、mv為模型階數(shù);Np為觀測數(shù)目。

3.2 FD-AT-LSTM變頻器溫度監(jiān)測模型

3.2.1 AT-LSTM

長短期記憶神經(jīng)網(wǎng)絡(luò)[18-21]是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN),普遍用來解決長序列數(shù)據(jù)訓(xùn)練過程中出現(xiàn)的梯度消失和梯度爆炸問題[22],與普通的RNN相比,LSTM在較長的序列數(shù)據(jù)中表現(xiàn)更好[23]。同時LSTM中加入了記憶模塊,能夠更好地處理長時間序列問題。因此,針對基于時間序列采集的變頻器IGBT模塊相關(guān)監(jiān)測參數(shù),采用LSTM處理具有較好的效果。

注意力機制[24-27]在模型訓(xùn)練過程中能夠識別關(guān)鍵信息并給予更高的權(quán)重,對于相關(guān)性較低的數(shù)據(jù)給予低權(quán)重或忽視非關(guān)鍵信息,并且在訓(xùn)練過程中不斷更新權(quán)重,因此魯棒性高,具有較好的模型性能。

將LSTM與注意力機制結(jié)合的模型稱為AT-LSTM模型,其將二者的優(yōu)勢互補,既能在長時間序列的數(shù)據(jù)中更好地訓(xùn)練模型,又能在多輸入變量中不斷更新權(quán)重。

3.2.2 模型結(jié)構(gòu)

圖4 FD-AT-LSTM結(jié)構(gòu)

3.2.3 數(shù)據(jù)歸一化

由于采集到的不同監(jiān)測變量的取值范圍不同,直接將采集到的數(shù)據(jù)用于模型訓(xùn)練會降低模型精度,在訓(xùn)練之前根據(jù)式(6)將所有樣本歸一化到區(qū)間[0,1]。

(6)

3.2.4 FD-AT-LSTM模型有效性驗證

為了有效評價模型精度,引入均方誤差eMSE、均方根誤差eRMSE和平均絕對誤差eMAE3項評價指標,這些指標的計算公式如下:

(7)

(8)

(9)

eMSE、eMAE、eRMSE的值越小越好。

3.3 殘差處理方法

FD-AT-LSTM模型建立后,需要對殘差進行處理來達到狀態(tài)監(jiān)測的目的,本節(jié)通過處理殘差矩陣得到檢測指標h,并根據(jù)檢測指標的閾值判斷變頻器的運行狀態(tài),其計算公式如下。

(10)

得到殘差序列E后計算殘差矩陣的均方誤差eMSE。

(11)

由均方誤差以及殘差矩陣可得到檢測指標h:

h=E-eMSE

(12)

計算完成后,需根據(jù)檢測指標h的分布確定檢測閾值d。對得到的檢測指標采用核密度估計的方法得到h的概率密度函數(shù),再根據(jù)概率密度函數(shù)確定檢測閾值d。

對于樣本h={h1,h2,…,hN},N為樣本數(shù),采用核密度估計計算概率密度p(h)如下:

(13)

其中,σ為核函數(shù)帶寬系數(shù),K(·)為核函數(shù)。使用高斯核作為其核函數(shù),高斯核表達式如下:

(14)

式中:g為2個數(shù)據(jù)點間的歐氏距離。

最后根據(jù)計算得到的概率密度分布,由式(15)計算得到檢測閾值d,其中α為置信水平。

2.充分調(diào)動職工參政議政的積極性，促進各項決策更趨向科學(xué)化。一號煤礦通過廠務(wù)公開，把發(fā)展、安全、經(jīng)營的重大事項通過職代會等多種形式如實地向廣大職工報告，誠心征求職工意見，極大程度地調(diào)動了職工的積極性與創(chuàng)造性，統(tǒng)籌宏觀層面與微觀層面，發(fā)揮集體智慧，促進各項決策趨向民主化與科學(xué)化，激發(fā)職工愛廠敬業(yè)的熱情。近幾年，一號煤礦在實際運行中多次采納職工合理化建議，以激勵激發(fā)職工參政議政的積極性，職工主人翁意識顯著增強，創(chuàng)造了數(shù)目可觀的經(jīng)濟效益，多項科技成果得到不同級別的認可并廣泛推廣。

(15)

檢測閾值確定以后,根據(jù)實際應(yīng)用場景中所得到的檢測指標是否處于置信區(qū)間內(nèi)作為變頻器運行狀態(tài)的評判標準。若檢測指標超出置信區(qū)間,變頻器處于異常運行狀態(tài);若檢測指標處于置信區(qū)間內(nèi),則變頻器處于正常運行狀態(tài)。圖5為設(shè)計的變頻器狀態(tài)監(jiān)測及分析方法流程圖。

圖5 變頻器狀態(tài)監(jiān)測及分析方法流程圖

4 仿真驗證及分析

4.1 數(shù)據(jù)預(yù)處理

4.1.1 原始數(shù)據(jù)采集

以西北某大型風(fēng)電場某機組為研究對象,采集該機組的風(fēng)速、風(fēng)向、葉輪轉(zhuǎn)速和變頻器IGBT溫度等21個相關(guān)變量,采樣時間間隔為2 min,同時在SCADA系統(tǒng)中采集到該機組變頻器的故障信息。采樣時間為2020-04-20—05-10,為期20天,采樣點共18 000個。在此期間,變流器故障信息報警3次,如表2所示。

表2 變頻器故障信息

4.1.2 基于隨機森林的輸入特征選擇

根據(jù)第1節(jié)中變頻器前后結(jié)構(gòu)進行機理分析得到的結(jié)果,選取風(fēng)速、風(fēng)向、葉輪轉(zhuǎn)速等20個變量為輸入變量,變頻器IGBT溫度為輸出變量,計算基于回歸隨機森林的特征重要性得分,結(jié)果見表3。

表3 各變量重要性得分

根據(jù)計算結(jié)果,選取變頻器水冷溫度、葉輪轉(zhuǎn)速、變頻器水冷水壓、變頻器轉(zhuǎn)矩反饋、相電流1、相電流2、相電流3、線電壓2、線電壓3、變頻器線電流、變頻器轉(zhuǎn)矩給定和變頻器有功功率12個變量作為模型的輸入變量。輸出變量的影響因素主要是熱能的傳遞和損失,主要受環(huán)境量如變頻器水冷溫度、水冷水壓,氣動量如電流電壓等,機械量如轉(zhuǎn)矩、發(fā)電機轉(zhuǎn)速等影響。因此,基于隨機森林的特征選擇與基于機理分析的結(jié)果相對應(yīng),驗證了隨機森林方法的效果,同時解釋了特征選擇的物理意義。

4.1.3 基于LMS自適應(yīng)濾波的噪聲濾波

對SCADA系統(tǒng)中所采集到的風(fēng)速、變頻器水冷溫度等數(shù)據(jù)在傳輸與存儲過程中產(chǎn)生的隨機噪聲進行自適應(yīng)濾波,如圖6和圖7所示。結(jié)果表明,自適應(yīng)濾波能夠有效地消除數(shù)據(jù)采集過程中的隨機噪聲,且對數(shù)據(jù)進行了平滑處理,處理后的數(shù)據(jù)毛刺減少,與原數(shù)據(jù)變化趨勢一致,因此可用來直接進行模型訓(xùn)練。

圖6 風(fēng)速數(shù)據(jù)自適應(yīng)濾波效果圖

圖7 變頻器水冷溫度數(shù)據(jù)自適應(yīng)濾波效果圖

4.2 變頻器IGBT溫度監(jiān)測模型建立

將采集到的數(shù)據(jù)以變頻器故障信息為基準分為兩部分:一部分為前11天未出現(xiàn)故障信息,為正常數(shù)據(jù);另一部分為帶有故障信息的數(shù)據(jù),為異常數(shù)據(jù)。將正常運行的10 000條數(shù)據(jù)作為訓(xùn)練集和測試集,按照8∶2的比例分別輸入到FD-AT-LSTM模型中進行訓(xùn)練與測試,結(jié)果如圖8所示。將帶有故障樣本的異常數(shù)據(jù)作為驗證集用于后續(xù)的方法驗證。

(a) 整個測試集

為了更準確地評價基于注意力機制的長短期記憶神經(jīng)網(wǎng)絡(luò)對變頻器IGBT溫度的監(jiān)測效果,筆者建立了以下幾種基于機器學(xué)習(xí)方法的變頻器IGBT溫度監(jiān)測模型,并對比了各模型的評價指標,具體模型結(jié)構(gòu)說明如下。

回歸隨機森林模型:決策樹個數(shù)選取200,最大深度為None。

XGBoost模型:樹的最大深度為5,樹的個數(shù)為500,學(xué)習(xí)率為0.05,最小葉子節(jié)點樣本權(quán)重和為3。

LightGBM模型:指定葉子的個數(shù)為31,樹的個數(shù)為60,學(xué)習(xí)率為0.1。

支持向量回歸(SVR)模型中,核函數(shù)選擇'rbf',核函數(shù)系數(shù)為0.82,正則化系數(shù)C選為1。

CNN-LSTM模型:由輸入層、卷積層、LSTM層、全連接層和輸出層構(gòu)成,使用Relu作為激活函數(shù)。輸入層為經(jīng)數(shù)據(jù)預(yù)處理后的xn個變量,卷積層結(jié)構(gòu)為n×128,LSTM層結(jié)構(gòu)為128×64,全連接層結(jié)構(gòu)為64×10×1。

計算FD-AT-LSTM模型與其他模型的評價指標,結(jié)果如表4所示。從表4可以看出,FD-AT-LSTM模型的3個評價指標均優(yōu)于其他對比模型,因此,FD-AT-LSTM算法的風(fēng)電機組變頻器IGBT溫度監(jiān)測方法是有效的。

表4 回歸模型評價指標

4.3 基于模型殘差的監(jiān)測閾值確定

通過正常樣本集建立FD-AT-LSTM模型后,得到了變頻器IGBT溫度監(jiān)測模型,若模型的輸入變量位于正常工況,則模型預(yù)測值與實測值之間具有較小的殘差,模型能夠較好地擬合輸出。當輸入變量偏離正常工況時,基于正常樣本建立的模型就不能很好地擬合輸出,此時殘差會增大且明顯區(qū)別正常數(shù)據(jù)樣本下的殘差。

將帶有故障樣本的異常部分數(shù)據(jù)作為驗證集,輸入模型得到殘差矩陣后進行檢測指標h的計算,通過核密度估計方法計算得到檢測指標在98%置信度下的置信區(qū)間為[-1.0,0.9],如圖9所示,圖10為檢測指標h的概率密度分布情況。

圖9 基于檢測指標h的預(yù)警效果圖

從圖9可以看出,檢測指標h在區(qū)域一、區(qū)域二、區(qū)域三均超出了預(yù)先設(shè)定的98%置信度的置信區(qū)間邊界,與表2對應(yīng)的故障序號1、2、3相對應(yīng)。且故障1在數(shù)據(jù)編號10 314處檢測指標h超出閾值,提前16步進行預(yù)警,故障2在編號12 783處檢測指標h超出閾值,提前22步進行預(yù)警,故障3在數(shù)據(jù)編號14 419處檢測指標h超出閾值,提前28步進行預(yù)警?？梢钥闯?FD-AT-LSTM模型成功識別出了故障信息中的3次故障且均能提前進行判斷,因此基于注意力機制長短記憶神經(jīng)網(wǎng)絡(luò)的風(fēng)電機組變頻器狀態(tài)監(jiān)測方法能夠準確地對變頻器進行狀態(tài)監(jiān)測,并能在故障出現(xiàn)前及時給予預(yù)警信息。

5 結(jié) 論

(1) 針對風(fēng)電SCADA系統(tǒng)采集到的數(shù)據(jù),建立了基于FD-AT-LSTM的風(fēng)電機組變頻器狀態(tài)監(jiān)測模型,通過與回歸隨機森林、XGBoost等機器學(xué)習(xí)方法所建立的模型進行對比,驗證了FD-AT-LSTM模型的高精度與有效性。

(2) 針對采集到的監(jiān)測原始數(shù)據(jù),設(shè)計了特征選擇加自適應(yīng)濾波降噪的數(shù)據(jù)預(yù)處理流程,為后續(xù)建模奠定了良好的數(shù)據(jù)基礎(chǔ)。并結(jié)合注意力機制與LSTM,引入差分向量,有效提升了模型的精度。

(3) 采用核密度估計對殘差進行分析,得到了IGBT溫度殘差分布并設(shè)置了預(yù)警閾值,有效地識別出了驗證集中的3次變頻器故障,證實了FD-AT-LSTM方法的有效性。