王俊,席芳,周川,蔡彥楓,王潔,王金城,許昌

(1. 廣東科諾勘測工程有限公司,廣東 廣州 510663; 2. 中國能源建設(shè)集團(tuán)廣東省電力設(shè)計(jì)研究院有限公司,廣東 廣州 510663; 3. 中交智慧城市生態(tài)發(fā)展(廣州)有限公司,廣東 廣州 510290; 4. 河海大學(xué)能源與電氣學(xué)院,江蘇 南京 211100)

風(fēng)能作為一種清潔且與環(huán)境友好的可再生能源,具有低碳耗、低污染、低排放的特點(diǎn)[1].為了應(yīng)對環(huán)境污染破壞所導(dǎo)致的全球變暖和能源危機(jī)等一系列問題,諸多國家積極發(fā)展風(fēng)電產(chǎn)業(yè)尋求能源替代品,使得風(fēng)電機(jī)組累計(jì)裝機(jī)容量快速平穩(wěn)增長.世界風(fēng)能協(xié)會在2021年3月24日公布的風(fēng)力發(fā)電統(tǒng)計(jì)相關(guān)數(shù)據(jù)顯示,2020年全球風(fēng)力發(fā)電總裝機(jī)容量已達(dá)744 GW[2].

風(fēng)電場通常坐落于偏遠(yuǎn)山區(qū)、草原、戈壁灘、沿海灘涂或近海等風(fēng)能資源較豐富但環(huán)境相對較惡劣的區(qū)域,工作環(huán)境復(fù)雜多變,易受不穩(wěn)定載荷與不可控因素影響,這些工況條件增加了風(fēng)電機(jī)組故障的發(fā)生率[3].隨著機(jī)組裝機(jī)總量的提升,發(fā)生故障的機(jī)組比例也逐步提高,有效的故障診斷技術(shù)顯得頗為重要.它能幫助運(yùn)行維護(hù)人員及時(shí)發(fā)現(xiàn)機(jī)組的異常運(yùn)行狀態(tài),快速分辨故障類型并采取相應(yīng)的措施,在很大程度上減少故障對機(jī)組及電網(wǎng)的影響,確保整個(gè)風(fēng)電場能夠安全平穩(wěn)、經(jīng)濟(jì)高效地運(yùn)作[4].目前,SCADA系統(tǒng)多被應(yīng)用于采集風(fēng)電機(jī)組運(yùn)行的關(guān)鍵參數(shù),并搭建相應(yīng)的數(shù)據(jù)庫存儲數(shù)據(jù),可用于大數(shù)據(jù)分析機(jī)組運(yùn)行狀態(tài),搭建數(shù)據(jù)驅(qū)動的故障診斷模型[5].

在風(fēng)電機(jī)組故障診斷檢測技術(shù)中,人工神經(jīng)網(wǎng) 絡(luò)(ANN)[6]、支持向量機(jī)(SVM)[7]和極限學(xué)習(xí)機(jī) (ELM)[8]是應(yīng)用較為廣泛的分類算法.ELM具有學(xué)習(xí)速度快、泛化能力強(qiáng)、診斷精確度高等優(yōu)點(diǎn).但采用ELM網(wǎng)絡(luò)模型時(shí),需要人工設(shè)置輸入層權(quán)重w和隱藏層偏置b等相關(guān)參數(shù),若設(shè)置不當(dāng)可能會導(dǎo)致故障診斷精度的降低.針對ELM模型對相關(guān)參數(shù)值要求較高的問題,文中提出一種基于禿鷹搜索(bald eagle search,BES)算法優(yōu)化的ELM模型,并采用這個(gè)模型對風(fēng)電機(jī)組故障進(jìn)行分類.文中主要進(jìn)行以下工作:① 構(gòu)建BES-ELM故障診斷模型.通過BES算法優(yōu)化ELM的輸入層權(quán)重w和隱藏層偏置b,使用優(yōu)化后的參數(shù)搭建診斷模型.② 對原始SCADA數(shù)據(jù)預(yù)處理,得到故障數(shù)據(jù)集,并把這些故障數(shù)據(jù)作為訓(xùn)練數(shù)據(jù),分別采用ELM, GA-ELM, POS-ELM和BES-ELM模型進(jìn)行故障分類,比較其分類效果.

1 研究方法

1.1 禿鷹搜索算法

禿鷹搜索算法是ALSATTAR等[9]、賈鶴鳴等[10]受禿鷹狩獵行為的啟發(fā)而提出的一種新型群智能優(yōu)化算法.它不受目標(biāo)函數(shù)可微、可導(dǎo)、連續(xù)性等特性的限制,具有較強(qiáng)的全局搜索能力、較好的穩(wěn)定性、收斂速度快等特點(diǎn).

BES搜索算法模擬捕食獵物的行為,將其分為選擇搜索空間、搜索獵物和俯沖捕獲獵物等3個(gè)階段.

1) 選擇搜索空間階段:在此階段,禿鷹隨機(jī)選擇搜索區(qū)域,尋找獵物數(shù)量最多的區(qū)域.該階段的位置更新描述為

(1)

2) 搜索獵物階段:禿鷹在搜索獵物階段,在選定的空間內(nèi)以螺旋形狀飛行搜索獵物,并在螺旋形空間內(nèi)以不同的方向移動,鎖定獵物位置之后加快搜索速度,尋找最佳俯沖捕獲位置.螺旋飛行位置更新描述為

θ(i)=β·π·rand(0,1),

(2)

r(i)=θ(i)+γ·rand(0,1),

(3)

x·r(i)=r(i)·sin(θ(i)),

(4)

y·r(i)=r(i)·cos(θ(i)),

(5)

(6)

(7)

式中:θ(i)為螺旋方程的極角;r(i)為螺旋方程的極徑;β,γ為控制螺旋軌跡的參數(shù),β∈(0,5),γ∈(0.5,2.0);x(i)與y(i)為極坐標(biāo)中位置,取值均為 (-1,1).位置更新為

(8)

式中:Li+1為第i只禿鷹下一次更新位置.

3) 俯沖捕獲獵物階段:禿鷹從搜索空間的最佳位置快速俯沖飛向目標(biāo)獵物,種群其他個(gè)體也同時(shí)向最佳位置移動并攻擊獵物,該階段的運(yùn)動狀態(tài)仍用極坐標(biāo)方程描述,即

(9)

δx=x1(i)·(Li-c1·Lmean),

(10)

δy=y1(i)·(Li-c2·Lbest),

(11)

式中:c1,c2為禿鷹向最佳與中心位置的運(yùn)動強(qiáng)度,c1,c2∈[1,2].

為了驗(yàn)證BES的優(yōu)越性,分別采用粒子群優(yōu)化(particle swarm optimization, PSO)[11]、灰狼搜索(grey wolf optimization, GWO)[12]與鯨魚搜索(whale optimization algorithm, WOA)[13]等算法進(jìn)行幾個(gè)基準(zhǔn)測試函數(shù)的對比試驗(yàn),試驗(yàn)中被采用的基準(zhǔn)測試函數(shù)如表1所示,其中F1,F2為單峰測試函數(shù),F3,F4為多峰測試函數(shù),為復(fù)合函數(shù),D為維度.

表1 基準(zhǔn)測試函數(shù)

4種算法的種群規(guī)模統(tǒng)一設(shè)為20,最大迭代次數(shù)設(shè)為1 000,每種算法分別對各個(gè)測試函數(shù)進(jìn)行20次獨(dú)立試驗(yàn),統(tǒng)計(jì)20次獨(dú)立試驗(yàn)得到的每種算法對各測試函數(shù)求解的最優(yōu)解、平均值、標(biāo)準(zhǔn)差作為評價(jià)指標(biāo),試驗(yàn)結(jié)果如表2所示.

表2 測試結(jié)果

其中BES在基準(zhǔn)測試函數(shù)F1和F3中的收斂最優(yōu)值與理論最優(yōu)值一致,在基準(zhǔn)測試函數(shù)F2和F4中的收斂最優(yōu)值分別為1.377×10-5和1.462×10-32.BES在4種基準(zhǔn)測試函數(shù)中收斂的最優(yōu)值均低于PSO,GWO和WOA對應(yīng)的最優(yōu)值.

由表2可知,與PSO,GWO,WOA相比,BES的收斂精度最好.

1.2 極限學(xué)習(xí)機(jī)

極限學(xué)習(xí)機(jī)ELM是在傳統(tǒng)前饋神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上提出的一種神經(jīng)網(wǎng)絡(luò)模型[14-15].在運(yùn)算過程中,ELM網(wǎng)絡(luò)的輸入權(quán)值和偏置是隨機(jī)給定的,然后在保持神經(jīng)網(wǎng)絡(luò)特性的前提下,使用正則化原則計(jì)算并獲得輸出權(quán)值.

ELM網(wǎng)絡(luò)中的輸入層和輸出層均為1層,而隱含層可以是1層或者多層.在此算法中,輸入層和隱含層是由輸入權(quán)值連接,隱含層和輸出層之間由輸出權(quán)值連接,權(quán)值和偏置是隨機(jī)生成的.通過在訓(xùn)練過程中設(shè)置隱藏層的數(shù)量,容易得到唯一的最佳解決方案.設(shè)n,l,m分別為輸入層、隱含層、輸出層的節(jié)點(diǎn)數(shù),g(x)為隱藏的激勵(lì)函數(shù),則對應(yīng)的ELM網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示.

圖1 ELM網(wǎng)絡(luò)結(jié)構(gòu)

如圖1所示,輸入層的神經(jīng)元數(shù)量與輸入變量、輸出層的神經(jīng)元數(shù)量與輸出變量均是一一對應(yīng)的,其中輸入層對應(yīng)n個(gè)相關(guān)變量,輸出層對應(yīng)m個(gè)相關(guān)變量;含有l(wèi)個(gè)神經(jīng)元的隱含層為中間連接層,通過輸入權(quán)值w與輸入層連接,通過輸出權(quán)值β與輸出層連接,2個(gè)權(quán)值的表達(dá)式為

(12)

(13)

式中:wki,βkj分別為單一神經(jīng)元之間的連接權(quán)值和偏置;k記為連接隱含層第k個(gè)的神經(jīng)元編號;i,j分別代表輸入層第i個(gè)神經(jīng)元與輸出層第j個(gè)神經(jīng)元的編號.設(shè)有Z個(gè)樣本的訓(xùn)練集輸入矩陣X和輸出矩陣Y分別為

(14)

(15)

隱含層神經(jīng)元的激活函數(shù)為g(x),偏置b=[b1b2…bk…bl]T,則這ELM網(wǎng)絡(luò)的輸出T為

T=[t1,t2,…,tZ]m×Z,

(16)

(17)

式中:wi=[wi1,wi2,… ,win];xj=[w1j,w2j,… ,wnj]T.

則式(17)可表示為

Hb=T′,

(18)

H=[w1,w2,...,wl,b1,b2,...,bl,x1,x2,...,xZ],

(19)

(20)

式中:Τ′為矩陣T的轉(zhuǎn)置;H為ELM網(wǎng)絡(luò)隱藏層的輸出矩陣.

在訓(xùn)練過程中,輸出層權(quán)重β是通過最小化損失函數(shù)來計(jì)算的.損失函數(shù)由訓(xùn)練誤差項(xiàng)和輸出層權(quán)重范數(shù)的正則項(xiàng)組成.而該式可使用Moore-Penrose廣義逆矩陣?yán)碚撚?jì)算求得最優(yōu)權(quán)重,即

(21)

(22)

2 BES-ELM模型

在ELM計(jì)算過程中,相關(guān)參數(shù)的選擇對分類結(jié)果有很大影響.通過BES算法對ELM的輸入層權(quán)值w和隱藏層偏置b進(jìn)行優(yōu)化,能夠獲得較優(yōu)的參數(shù)組合{w,b}.BES算法優(yōu)化ELM相關(guān)參數(shù)的流程如圖2所示,具體計(jì)算步驟為

圖2 BES-ELM模型流程圖

步驟1:對原有SCADA數(shù)據(jù)進(jìn)行預(yù)處理,將其分成訓(xùn)練集和測試集后導(dǎo)入算法中.

步驟2:根據(jù)訓(xùn)練集數(shù)據(jù),確定ELM網(wǎng)絡(luò)的輸入層、隱含層、輸出層節(jié)點(diǎn)數(shù)量,確定ELM網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu).

步驟3:初始化ELM網(wǎng)絡(luò),隨機(jī)取值并賦值給ELM網(wǎng)絡(luò)的權(quán)值w和偏置b.

步驟4:根據(jù)樣本數(shù)據(jù)特征,設(shè)置BES算法的種群數(shù)量N、最大迭代次數(shù)M、自變量上限Ub、自變量下限Lb、維度D等相關(guān)參數(shù).

步驟5:根據(jù)權(quán)值w和偏置b的初始值訓(xùn)練ELM網(wǎng)絡(luò),將訓(xùn)練得到的分類準(zhǔn)確率作為適應(yīng)度值.

步驟6:利用文中公式(1),(8),(9)計(jì)算獲取禿鷹新位置對應(yīng)的適應(yīng)度值,并將該值與原值進(jìn)行對比,如果新的適應(yīng)度值更優(yōu),則更新取值.

步驟7:在ELM網(wǎng)絡(luò)訓(xùn)練過程中當(dāng)前的適應(yīng)度值隨禿鷹位置變動而實(shí)時(shí)更新,不斷保存最優(yōu)的適應(yīng)度值,及其對應(yīng)的ELM的權(quán)值w和偏置b.

步驟8:如果滿足算法中設(shè)置的終止條件,則直接跳出該循環(huán),同時(shí)輸出ELM最優(yōu)的參數(shù)組合{w,b}及其對應(yīng)的最優(yōu)適應(yīng)度值;如果不滿足,則迭代次數(shù)加1,跳轉(zhuǎn)執(zhí)行步驟6.

步驟9:獲取ELM網(wǎng)絡(luò)的最優(yōu)權(quán)值w和偏置b,并根據(jù)最優(yōu)參數(shù)組合{w,b}搭建ELM網(wǎng)絡(luò).

步驟10:使用已選取的樣本對ELM網(wǎng)絡(luò)進(jìn)行訓(xùn)練,并輸出分類結(jié)果.

3 實(shí)例分析

3.1 SCADA數(shù)據(jù)預(yù)處理

為驗(yàn)證BES-ELM診斷模型的性能,文中采用風(fēng)電機(jī)組在4種狀態(tài)下的相關(guān)數(shù)據(jù)作為故障分析數(shù)據(jù),它們分別為發(fā)電機(jī)過熱狀態(tài)(S1)、饋電故障狀態(tài)(S2)、變流器冷卻系統(tǒng)故障狀態(tài)(S3)和正常狀態(tài)(S4).相關(guān)的特征參數(shù)如表3所示.

表3 特征編號及描述

試驗(yàn)總共選取了800個(gè)樣本,其中560個(gè)為訓(xùn)練樣本,240個(gè)為測試樣本.在4種狀態(tài)中,每個(gè)狀態(tài)選取了200個(gè)樣本,其中140個(gè)為訓(xùn)練樣本,60個(gè)為測試樣本.部分樣本歸一化后的特征值如表4所示.

表4 風(fēng)電機(jī)組的4個(gè)狀態(tài)特征樣本

3.2 模型的參數(shù)設(shè)置

為體現(xiàn)模型的故障識別與分類能力,文中分別使用遺傳算法、粒子群算法和禿鷹搜索算法來優(yōu)化ELM的參數(shù),相關(guān)參數(shù)設(shè)置值如表5所示.

表5 GA-ELM, PSO-ELM, BES-ELM模型的參數(shù)設(shè)置表

3.3 模型性能比較

文中BES-ELM 與GA-ELM,PSO- ELM模型進(jìn)行尋優(yōu)適應(yīng)度值比較,其結(jié)果如圖3所示,圖中I為模型的運(yùn)行次數(shù),A為準(zhǔn)確率.BES-ELM模型第6次運(yùn)行時(shí)搜索到最優(yōu)值(98.75%);PSO-ELM模型第14次運(yùn)行時(shí)基本達(dá)到最優(yōu)值(96.25%),而GA-ELM模型到達(dá)最優(yōu)值(92.08%)需要運(yùn)行到第26次.采用BES算法對ELM參數(shù)優(yōu)化后尋優(yōu)速度最快且診斷準(zhǔn)確率最高,PSO-ELM算法次之,而GA-ELM算法最低.

圖3 3種模型迭代次數(shù)與適應(yīng)度關(guān)系

為了進(jìn)一步直觀地體現(xiàn)BES-ELM模型在風(fēng)電機(jī)組故障診斷的優(yōu)勢,用標(biāo)準(zhǔn)ELM,GA-ELM,PSO- ELM等模型分別計(jì)算并繪制了混淆矩陣,即如圖4所示.

圖4 4種模型的混淆矩陣

標(biāo)準(zhǔn)ELM模型能準(zhǔn)確分類狀態(tài)S2和S4,原屬于狀態(tài)S1的17個(gè)樣本錯(cuò)判為狀態(tài)S3.在240個(gè)測試樣本中,標(biāo)準(zhǔn)ELM模型能準(zhǔn)確分類213個(gè).BES-ELM模型能準(zhǔn)確分類狀態(tài)S1,S2和S4,只有原屬于狀態(tài)S3的3個(gè)樣本誤判為狀態(tài)S4.BES-ELM模型能準(zhǔn)確分類237個(gè),在所用的分類模型中它準(zhǔn)確分類的樣本數(shù)量最多.表6為故障診斷模型的性能指標(biāo).

表6 故障診斷模型的性能指標(biāo)

為進(jìn)一步顯示這些模型的診斷性能,分別計(jì)算精度(Prec)、召回率(Rec)、F1值和準(zhǔn)確率Acc等分類性能指標(biāo),其計(jì)算結(jié)果如表6所示.當(dāng)使用BES-ELM模型進(jìn)行故障診斷時(shí),診斷準(zhǔn)確率達(dá)到98.75%,優(yōu)于其他3種診斷模型,能夠較好地完成對風(fēng)電機(jī)組故障診斷的任務(wù).

4 結(jié) 論

作為一種前饋神經(jīng)網(wǎng)絡(luò),ELM具有學(xué)習(xí)速度快、泛化能力強(qiáng)等優(yōu)點(diǎn).但是相關(guān)參數(shù)設(shè)置不當(dāng)易導(dǎo)致ELM分類準(zhǔn)確率較低.針對該問題,文中采用禿鷹搜索算法對ELM相關(guān)參數(shù)的選取進(jìn)行優(yōu)化,提出了BES-ELM模型,可較大程度上彌補(bǔ)ELM模型的不足.

1) 采用BES算法優(yōu)化ELM的權(quán)值w和偏置b的參數(shù),有效提高了ELM模型分類的準(zhǔn)確率.用禿鷹搜索算法優(yōu)化后的極限學(xué)習(xí)機(jī)在風(fēng)電機(jī)組故障診斷試驗(yàn)中表現(xiàn)較好,它的分類性能指標(biāo)均優(yōu)于標(biāo)準(zhǔn)ELM,GA-ELM和PSO-ELM,在測試集上的分類準(zhǔn)確率也達(dá)到了98.75%.

2) 在風(fēng)電機(jī)組的典型故障診斷中,雖然BES-ELM的分類準(zhǔn)確率已經(jīng)很高,但仍有一些困難問題需要解決,比如難以區(qū)分一些復(fù)雜的故障情況,分類的準(zhǔn)確率仍需要進(jìn)一步提高等.探索其他更適合的故障特征提取和特征選擇方法有助于提高該模型的分類精度,提高故障數(shù)據(jù)集的質(zhì)量將有助于模型的強(qiáng)化訓(xùn)練,這些都是下一步的研究方向.