大數(shù)據(jù)分析技術(shù)在風(fēng)電設(shè)備異常預(yù)測(cè)中的應(yīng)用

張慧亭++王堅(jiān)++凌衛(wèi)青

摘要：針對(duì)風(fēng)電機(jī)組運(yùn)行工況復(fù)雜多變，機(jī)組狀態(tài)監(jiān)測(cè)數(shù)據(jù)量大、多源、復(fù)雜、增長(zhǎng)迅速等特點(diǎn)，現(xiàn)有的異常預(yù)測(cè)方法在面對(duì)大數(shù)據(jù)時(shí)難以既保證預(yù)測(cè)精度又進(jìn)行快速處理，故提出了結(jié)合Hadoop批處理技術(shù)和BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組在線異常預(yù)測(cè)模型，對(duì)設(shè)備狀態(tài)信息進(jìn)行異常預(yù)測(cè)。實(shí)驗(yàn)結(jié)果顯示，該異常預(yù)測(cè)方法在保證精度的前提下具有較好的加速效果，可以為風(fēng)電場(chǎng)維護(hù)人員提供重要的參考信息。

關(guān)鍵詞：風(fēng)電機(jī)組；異常預(yù)測(cè)；Hadoop批處理；BP神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2017）03-0245-03

Application of Big Data Analysis Technology in Wind Power Equipment Anomaly Prediction

ZHANG Hui-ting， WANG Jian， LING Wei-qing

（CIMS Research Center，Tongji University， Shanghai 201804， China）

Abstract： According to the working conditions of wind turbine generator monitoring complex， large amount of data， multi-source， complex， the characteristics of rapid growth， the abnormal current prediction methods in the face of big data to ensure accuracy and rapid processing， the proposed combination of Hadoop batch processing technology and BP neural network of wind turbine online anomaly prediction model， abnormal prediction of equipment state information. The experimental results show that the method has good acceleration effect under the premise of ensuring the accuracy， which can provide important reference information for the wind farm maintenance staff.

Key words： wind turbine； anomaly prediction； Hadoop batch processing；BP neural network

風(fēng)能作為一種蘊(yùn)藏量巨大且無(wú)污染的可再生能源，受到世界各國(guó)的關(guān)注與日俱增。但是，風(fēng)電機(jī)組的故障率會(huì)隨著運(yùn)行時(shí)間的加長(zhǎng)而不斷升高，這就需要對(duì)機(jī)組主要部件的故障做好預(yù)防工作。目前，風(fēng) 電 業(yè) 主 廣 泛 采 用 數(shù) 據(jù) 采 集 與 監(jiān) 控（supervisory control and data acquisition，SCADA）系統(tǒng)監(jiān)測(cè)風(fēng)電機(jī)組及其部件的運(yùn)行狀態(tài)，然而，SCADA 系統(tǒng)的監(jiān)測(cè)項(xiàng)目針對(duì)各自監(jiān)控的對(duì)象，僅僅依靠對(duì)監(jiān)測(cè)數(shù)據(jù)設(shè)置閥值來(lái)進(jìn)行越限報(bào)警，而且在線監(jiān)測(cè)信息量大、采集數(shù)據(jù)點(diǎn)密，傳統(tǒng)的監(jiān)控系統(tǒng)難以滿足海量監(jiān)測(cè)數(shù)據(jù)的在線處理需求[1]。因此，如何通過(guò)風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)大數(shù)據(jù)進(jìn)行快速有效的機(jī)組設(shè)備異常預(yù)測(cè)成為了新的課題。

較多研究者通過(guò)建立狀態(tài)參數(shù)預(yù)測(cè)模型，分析風(fēng)電機(jī)組運(yùn)行狀態(tài)的真實(shí)變化情況。文獻(xiàn)[2]通過(guò)對(duì)齒輪箱溫度趨勢(shì)的分析建立了預(yù)測(cè)模型，該模型是基于單一運(yùn)行參數(shù)針對(duì)某個(gè)子系統(tǒng)構(gòu)建的，預(yù)測(cè)精度有待提高。文獻(xiàn)[3]首先建立了主軸軸承、齒輪箱的多元線性回歸溫度預(yù)測(cè)模型來(lái)對(duì)部件溫度進(jìn)行一步超前預(yù)測(cè)。文獻(xiàn)[4]提出了一種基于最小二乘支持向量機(jī)的風(fēng)電機(jī)組故障預(yù)警方法，利用實(shí)際風(fēng)場(chǎng)機(jī)組運(yùn)行監(jiān)控?cái)?shù)據(jù)驗(yàn)證了此方法的可行性，但是，對(duì)于結(jié)構(gòu)復(fù)雜的海量監(jiān)測(cè)數(shù)據(jù)，該方法在保證精度的情況下難以滿足我們對(duì)于處理速度的要求。

針對(duì)如上問(wèn)題，本文提出了結(jié)合Hadoop批處理技術(shù)和BP神經(jīng)網(wǎng)絡(luò)狀態(tài)參數(shù)模型的風(fēng)電機(jī)組異常預(yù)測(cè)方法。首先，使用Hadoop平臺(tái)存儲(chǔ)海量歷史狀態(tài)監(jiān)測(cè)數(shù)據(jù)，依據(jù)選取的狀態(tài)參數(shù)，實(shí)現(xiàn)基于BP神經(jīng)網(wǎng)絡(luò)的異常預(yù)測(cè)算法，然后使用MapReduce框架并行的對(duì)預(yù)測(cè)模型進(jìn)行訓(xùn)練，以獲得較好的加速效果，最后，通過(guò)實(shí)驗(yàn)驗(yàn)證該異常預(yù)測(cè)模型的有效性和精確性。

1 風(fēng)電設(shè)備異常預(yù)測(cè)模型體系概述

1.1 模型框架

基于模型預(yù)測(cè)精度與數(shù)據(jù)處理速度的需要，本文基于Hadoop集群，運(yùn)用MapReduce框架，提出了兼顧預(yù)測(cè)精度與運(yùn)行速度的風(fēng)電設(shè)備異常預(yù)測(cè)模型，該模型的框架結(jié)構(gòu)如圖1所示，主要包括數(shù)據(jù)采集層、存儲(chǔ)層、分析層、應(yīng)用層等4個(gè)模塊。

具體模塊描述如下：

1）數(shù)據(jù)采集層。主要包括風(fēng)電設(shè)備的狀態(tài)監(jiān)測(cè)數(shù)據(jù)、天氣數(shù)據(jù)、地理信息數(shù)據(jù)

以及各種特殊傳感器等業(yè)務(wù)系統(tǒng)的生產(chǎn)運(yùn)行管理數(shù)據(jù)。這些數(shù)據(jù)來(lái)源不一、模態(tài)各異，而且存在大量的重復(fù)數(shù)據(jù)，該模塊主要完成異常數(shù)據(jù)和重復(fù)數(shù)據(jù)的清除工作，清理后的數(shù)據(jù)使用Sqoop等大數(shù)據(jù)連接器技術(shù)傳輸?shù)椒植际綌?shù)據(jù)庫(kù)或者文件系統(tǒng)中，Sqoop在傳輸數(shù)據(jù)時(shí)會(huì)自動(dòng)對(duì)其格式進(jìn)行標(biāo)準(zhǔn)化的調(diào)整，減少了人為的序列/反序列化操作。

2）存儲(chǔ)層。本文主要采用HBase，Hive等分布式數(shù)據(jù)庫(kù)作為存儲(chǔ)介質(zhì)，HBase是一個(gè)構(gòu)建在HDFS上的分布式列存儲(chǔ)系統(tǒng)，它具有高可靠、高性能以及可伸縮等特點(diǎn)，可以方便地在服務(wù)器上搭建起大規(guī)模結(jié)構(gòu)化存儲(chǔ)集群。Hive是基于Hadoop的一個(gè)數(shù)據(jù)倉(cāng)庫(kù)工具，提供類sql查詢功能，可以將sql語(yǔ)句轉(zhuǎn)譯為MapReduce作業(yè)并在Hadoop上執(zhí)行，便于大批量數(shù)據(jù)處理任務(wù)的并行運(yùn)行[5]。這些分布式數(shù)據(jù)庫(kù)都具有高容錯(cuò)率和高吞吐量的特點(diǎn)，可以很好地滿足海量歷史監(jiān)測(cè)數(shù)據(jù)的存儲(chǔ)要求，并且適用于數(shù)據(jù)的批處理訪問(wèn)模式。

3）分析層。集成有訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，基于SCADA狀態(tài)監(jiān)測(cè)數(shù)據(jù)、天氣數(shù)據(jù)以及地理信息數(shù)據(jù)，應(yīng)用大數(shù)據(jù)分析技術(shù)進(jìn)行風(fēng)電設(shè)備的異常狀態(tài)預(yù)測(cè)。

傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法在處理海量數(shù)據(jù)集時(shí)面臨耗時(shí)長(zhǎng)，甚至是內(nèi)存不足無(wú)法訓(xùn)練等問(wèn)題，本文在開(kāi)源云計(jì)算平臺(tái)Hadoop 的基礎(chǔ)上，實(shí)現(xiàn)了基于MapReduce框架的BP神經(jīng)網(wǎng)絡(luò)并行化運(yùn)行方式，可以并行的對(duì)訓(xùn)練樣本進(jìn)行批量訓(xùn)練，大大地提升了模型的精度和運(yùn)行速度。

4）應(yīng)用層。該模塊使用訓(xùn)練好的異常預(yù)測(cè)模型，結(jié)合在線輸入的監(jiān)測(cè)數(shù)據(jù)，進(jìn)而獲得狀態(tài)參數(shù)的預(yù)測(cè)值，計(jì)算模型輸出值與實(shí)際監(jiān)測(cè)值的殘差，當(dāng)殘差發(fā)生劇烈波動(dòng)時(shí)，判斷風(fēng)電設(shè)備的運(yùn)行狀態(tài)出現(xiàn)異常，并通過(guò)數(shù)據(jù)可視化技術(shù)對(duì)相關(guān)人員進(jìn)行展示。

1.2 基于MapReduce的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

BP神經(jīng)網(wǎng)絡(luò)是一種按誤差反向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，在各個(gè)領(lǐng)域得到了廣泛的應(yīng)用，它能夠很好地表示任意的非線性映射關(guān)系，而無(wú)需事前了解描述這種映射關(guān)系的數(shù)學(xué)方程。BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)包括輸出層、輸入層和若干隱層，它的學(xué)習(xí)算法使用最速下降法，通過(guò)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閥值來(lái)使網(wǎng)絡(luò)的誤差平方和最小。有研究表明，只要隱層含有足夠多的神經(jīng)元數(shù)目，僅僅包含一個(gè)隱層的神經(jīng)網(wǎng)絡(luò)就能夠以任意精度逼近一個(gè)連續(xù)的非線性函數(shù)[6]。因此，本文采用只含有一個(gè)隱層的神經(jīng)網(wǎng)絡(luò)模型，模型示意圖如圖2所示：

為了運(yùn)用并行運(yùn)算的方法來(lái)減少算法運(yùn)行時(shí)間，本文參考文獻(xiàn)[7]中對(duì) BP神經(jīng)網(wǎng)絡(luò)算法的MapReduce并行化方法，在Map階段對(duì)每個(gè)權(quán)值的變化量進(jìn)行計(jì)算并輸出，然后在Reduce階段對(duì)各個(gè)權(quán)值的總變化量進(jìn)行統(tǒng)計(jì)，之后再統(tǒng)一調(diào)整權(quán)值，并且使用批處理的方式進(jìn)行訓(xùn)練。

1.3 風(fēng)電機(jī)組異常預(yù)測(cè)運(yùn)行流程

受風(fēng)速的波動(dòng)變化和天氣的季節(jié)性變化影響，風(fēng)電機(jī)組的運(yùn)行環(huán)境經(jīng)常發(fā)生劇烈的動(dòng)態(tài)變化，因而需要在不同的運(yùn)行工況之間進(jìn)行頻繁地切換，導(dǎo)致設(shè)備狀態(tài)監(jiān)測(cè)數(shù)據(jù)的幅值在正常運(yùn)行狀態(tài)下也會(huì)發(fā)生較大的變化，這意味著我們不能根據(jù)幅值的大小來(lái)判斷機(jī)組的運(yùn)行安全程度。而目前主流的做法都是采用閥值報(bào)警的方法，即如果監(jiān)測(cè)信號(hào)達(dá)到了報(bào)警閥值，則判斷機(jī)組的運(yùn)行狀態(tài)出現(xiàn)異常，這導(dǎo)致了很多漏報(bào)和誤報(bào)的情況發(fā)生，為了提高風(fēng)電設(shè)備異常預(yù)測(cè)的精確度，本文采用了殘差分析的方式對(duì)機(jī)組的運(yùn)行狀態(tài)進(jìn)行判斷，基本流程如圖3所示：

具體過(guò)程闡述如下：

1）選取風(fēng)電機(jī)組正常運(yùn)行狀態(tài)下的 SCADA 數(shù)據(jù)，經(jīng)過(guò)預(yù)處理得到可用的監(jiān)測(cè)數(shù)據(jù)，然后將這些數(shù)據(jù)按一定的比例劃分為訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)。

2）訓(xùn)練數(shù)據(jù)經(jīng)過(guò)歸一化處理后，選取風(fēng)速、齒輪箱油溫、機(jī)艙振動(dòng)傳感器X、機(jī)艙振動(dòng)傳感器Y，機(jī)艙振動(dòng)有效值和發(fā)電機(jī)轉(zhuǎn)速等6個(gè)狀態(tài)參數(shù)為模型的輸入?yún)?shù)，對(duì)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直到模型的輸出值誤差達(dá)到理想的范圍。

3）用預(yù)測(cè)模型對(duì)目標(biāo)參數(shù)進(jìn)行預(yù)測(cè)，與實(shí)際值對(duì)比，獲得殘差，如果殘差沒(méi)有超過(guò)閾值，則判斷狀態(tài)正常。

4）如果殘差超過(guò)閾值，則采用式（1）計(jì)算均方根誤差（root-mean- square-error，RMSE），來(lái)衡量殘差變化的劇烈程度，應(yīng)用目前流行的滑動(dòng)窗口技術(shù)，可以更加準(zhǔn)確的反映其變化趨勢(shì)，本文通過(guò)計(jì)算每天的 RMSE，來(lái)獲得 RMSE 的變化情況。

[D=1mi=1mxi-x2] （1）

式中：D為均方根誤差；m 為樣本數(shù)；x為模型的預(yù)測(cè)值；xi為實(shí)際值。

5）當(dāng)RMSE超過(guò)閾值，則判斷機(jī)組狀態(tài)出現(xiàn)異常。

1.4 實(shí)驗(yàn)結(jié)果與分析

為了模擬風(fēng)電場(chǎng)大數(shù)據(jù)風(fēng)電機(jī)組異常狀態(tài)預(yù)測(cè)的相關(guān)情況，在實(shí)驗(yàn)室搭建的Hadoop平臺(tái)上對(duì)本文所述方法進(jìn)行了仿真實(shí)驗(yàn)，Hadoop集群由一個(gè)主節(jié)點(diǎn)（Master）

個(gè)兩個(gè)從節(jié)點(diǎn)（Slave）組成，各節(jié)點(diǎn)是由Windows Server 2012 上的Hyper-V管理器創(chuàng)建的虛擬機(jī)，節(jié)點(diǎn)的內(nèi)存為2G，硬盤(pán)為200G，在開(kāi)發(fā)的過(guò)程中用到了Eclipse、Hive、HBase等工具。

實(shí)驗(yàn)采用某風(fēng)電公司風(fēng)電場(chǎng)提供的2015年6月到2016年9月產(chǎn)生的實(shí)際運(yùn)行數(shù)據(jù)，其中包含37臺(tái)風(fēng)機(jī)的監(jiān)測(cè)數(shù)據(jù)，選取其中15臺(tái)風(fēng)機(jī)2016年7月份共15組監(jiān)測(cè)數(shù)據(jù)，按一定的比例抽取數(shù)據(jù)作為測(cè)試樣本，對(duì)模型進(jìn)行訓(xùn)練，每組訓(xùn)練1000次，使得模型輸出值誤差范圍達(dá)到滿意的效果，進(jìn)而得到性能良好的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。

為了驗(yàn)證模型狀態(tài)參數(shù)預(yù)測(cè)的精確度，選取對(duì)應(yīng)1臺(tái)風(fēng)機(jī)2016年7月份的共15組監(jiān)測(cè)數(shù)據(jù)作為測(cè)試樣本對(duì)模型進(jìn)行測(cè)試，預(yù)測(cè)下一時(shí)刻齒輪箱油溫平均值，如圖4所示為其中2臺(tái)風(fēng)機(jī)實(shí)際監(jiān)測(cè)值與模型預(yù)測(cè)值的對(duì)比效果，其中，預(yù)測(cè)值為藍(lán)色曲線，真實(shí)值為紅色曲線，可以看到，兩條曲線基本吻合，驗(yàn)證了模型的有效性和精確性。

圖4 模型預(yù)測(cè)效果對(duì)比圖

為了測(cè)試模型并行化之后的加速效果，對(duì)同樣大小測(cè)試數(shù)據(jù)集分別在單機(jī)和集群環(huán)境下測(cè)試程序運(yùn)行時(shí)間，發(fā)現(xiàn)當(dāng)測(cè)試數(shù)據(jù)量較小時(shí)，單機(jī)所用時(shí)間少于集群運(yùn)行時(shí)間，而隨著數(shù)據(jù)集的增大，集群的計(jì)算優(yōu)勢(shì)就越來(lái)越明顯。

1.5 結(jié)束語(yǔ)

針對(duì)在海量歷史監(jiān)測(cè)數(shù)據(jù)基礎(chǔ)上如何快速有效的對(duì)風(fēng)電設(shè)備的異常運(yùn)行狀態(tài)進(jìn)行預(yù)測(cè)這一問(wèn)題，本文基于當(dāng)前主流的大數(shù)據(jù)技術(shù)，設(shè)計(jì)并實(shí)現(xiàn)了風(fēng)電設(shè)備的異常預(yù)測(cè)模型?；贖adoop的MapReduce框架，通過(guò)對(duì)訓(xùn)練樣本學(xué)習(xí)得到并行化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，提高數(shù)據(jù)批處理的效率，加速風(fēng)電機(jī)組異常狀態(tài)預(yù)測(cè)的計(jì)算過(guò)程和數(shù)據(jù)處理的效率。實(shí)例表明，在正常運(yùn)行工況下，預(yù)測(cè)模型能準(zhǔn)確地對(duì)狀態(tài)參數(shù)進(jìn)行預(yù)測(cè)，同時(shí)具有出較好的加速效果，滿足海量監(jiān)測(cè)數(shù)據(jù)環(huán)境下風(fēng)電機(jī)組在線異常狀態(tài)預(yù)測(cè)的要求。

參考文獻(xiàn)：

[1] Bin Lu， Yaoyu Li， Xin Wu and Zhongzhou Yang. A Review of Recent Advances

in Wind Turbine Condition Monitoring and Fault Diagnosis[J]. PEMWA 2009， IEEE， 2009（6）： 1-7.

[2] 郭鵬， David Infield， 楊錫運(yùn). 風(fēng)電機(jī)組齒輪箱溫度趨勢(shì)狀態(tài)監(jiān)測(cè)及分析方法[J]. 中國(guó)電機(jī)工程學(xué)報(bào)， 2011，31（32）： 129-136.

[3] 張小田. 基于回歸分析的風(fēng)機(jī)主要部件的故障預(yù)測(cè)方法研究[D]. 北京： 華北電力大學(xué)， 2013.

[4] 許駿龍， 李征. 基于支持向量機(jī)的風(fēng)電機(jī)組故障預(yù)警[J]. 工業(yè)控制計(jì)算機(jī)， 2013（8）： 54-56.

[5] 徐長(zhǎng)安， 余忠源. 基于Hadoop的海量風(fēng)電數(shù)據(jù)平臺(tái)研究[C]// 2014電力行業(yè)信息化年會(huì)論文集. 2014.

[6] Hornik K.Multilayer feedforward networks are universal approximators[J]. Neural Networks， 1989， 2（5）： 359-366

[7] 陳春萍， 查雅行， 錢(qián)平， 等. 基于MapReduce的BP神經(jīng)網(wǎng)絡(luò)遺傳算法在非線性系統(tǒng)辨識(shí)中的研究[C]//中國(guó)通信學(xué)會(huì). 第十八屆全國(guó)青年通信學(xué)術(shù)年會(huì)論文集（下冊(cè)）. 中國(guó)通信學(xué)會(huì)， 2013： 7.