基于ANFIS的風(fēng)力發(fā)電機(jī)狀態(tài)監(jiān)測研究

張 磊，李欣竹

(河北工業(yè)大學(xué) 控制科學(xué)與工程學(xué)院，天津 300130)

基于ANFIS的風(fēng)力發(fā)電機(jī)狀態(tài)監(jiān)測研究

張 磊，李欣竹*

(河北工業(yè)大學(xué) 控制科學(xué)與工程學(xué)院，天津 300130)

針對風(fēng)力發(fā)電機(jī)系統(tǒng)故障診斷中非線性和建模困難的問題，提出了一種風(fēng)力發(fā)電機(jī)狀態(tài)監(jiān)測方法，利用從風(fēng)力發(fā)電機(jī)的SCADA數(shù)據(jù)中挖掘出20種輸入輸出對應(yīng)關(guān)系，分別建立了自適應(yīng)模糊神經(jīng)推理系統(tǒng)(ANFIS)模型，并給出了一種基于預(yù)測誤差的概率分布函數(shù)的適用于所有模型的異常檢測方法.使用20個(gè)模型單獨(dú)進(jìn)行狀態(tài)診斷，得出診斷正確率，綜合使用20個(gè)模型的狀態(tài)診斷結(jié)果，得到了最終的判定結(jié)論，仿真結(jié)果表明：該方法能準(zhǔn)確地診斷出風(fēng)力發(fā)電機(jī)系統(tǒng)故障.

風(fēng)力發(fā)電機(jī)；狀態(tài)檢測；自適應(yīng)神經(jīng)模糊推理系統(tǒng)

隨著風(fēng)力發(fā)電機(jī)單機(jī)功率逐年增大，各種故障的發(fā)生頻率也逐年上升，嚴(yán)重時(shí)會(huì)造成機(jī)組停機(jī)，影響風(fēng)機(jī)正常作業(yè)，而且風(fēng)力發(fā)電機(jī)組的重要部件都位于距離地面幾十米的塔架上，維護(hù)檢修費(fèi)用極高，因此針對風(fēng)力發(fā)電機(jī)組復(fù)雜的故障特征，設(shè)計(jì)一套風(fēng)力發(fā)電機(jī)組狀態(tài)監(jiān)測系統(tǒng)就顯得尤為重要[1].近年來，不少研究學(xué)者對狀態(tài)監(jiān)測系統(tǒng)進(jìn)行了研究，振動(dòng)分析是目前最普遍的機(jī)器狀態(tài)檢測方法[2]，然而因?yàn)槌杀驹?，振?dòng)傳感器并不能安裝在所有渦輪機(jī)和其他重要組件上，這就造成了數(shù)據(jù)的缺少，并不能監(jiān)測所有異常情況；另一種方法就是使用風(fēng)機(jī)運(yùn)行過程中產(chǎn)生的大量SCADA數(shù)據(jù)來監(jiān)測風(fēng)電機(jī)組狀態(tài).在文獻(xiàn)[3]中，使用SCADA數(shù)據(jù)信息可以提前5～60 min預(yù)測出風(fēng)機(jī)故障，但這并沒有給風(fēng)場工作人員預(yù)留出足夠的時(shí)間來對設(shè)備完成改善工作.文獻(xiàn)[4]和文獻(xiàn)[5]都使用了神經(jīng)網(wǎng)絡(luò)理論，利用這種方法可以提前幾天或者幾周檢測出信號變化，以達(dá)到監(jiān)測狀態(tài)預(yù)測故障的目的，但這兩種方法經(jīng)常發(fā)生故障漏檢和誤診.在本文中使用自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)來代替人工神經(jīng)網(wǎng)絡(luò)，ANFIS模型可以通過設(shè)置一系列模糊規(guī)則學(xué)習(xí)非線性信號，并且在訓(xùn)練過程中調(diào)節(jié)隸屬度函數(shù)的參數(shù)，根據(jù)ANFIS模型得到的預(yù)測誤差判斷風(fēng)機(jī)的運(yùn)行狀態(tài).

1 自適應(yīng)神經(jīng)模糊推理系統(tǒng)的工作原理

ANFIS 是一種基于 Takagi-Sugeno 模型的模糊推理系統(tǒng)，它將模糊控制的模糊化、模糊推理和反模糊化 3 個(gè)基本過程全部用神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)，通過離線訓(xùn)練和在線學(xué)習(xí)算法進(jìn)行模糊推理控制規(guī)則的自調(diào)整，使其系統(tǒng)本身朝著自適應(yīng)、自組織、自學(xué)習(xí)的方向發(fā)展[6].ANFIS由前件和后件構(gòu)成，其典型的模糊規(guī)則形式如下：如果x是A，且y是B，z=f(x,y)，其中A和B是前件中的模糊集合，而z=f(x,y)是后件中的精確函數(shù)，通常f(x,y)是輸入變量x和y的多項(xiàng)式，假定ANFIS模型有兩個(gè)輸入x和y，以及一個(gè)輸出z，那么有兩條模糊if-then規(guī)則[7].

規(guī)則1：如果x是A1且y是B1,那么z1=p1x+q1y+r1；

規(guī)則2：如果x是A2且y是B2,那么z2=p2x+q2y+r2.

其中，x,y是輸入，A1,B1,A2,B2是模糊集，z1,z2是輸出規(guī)則.

2 ANFIS模型的建立和異常檢測

2.1ANFIS模型輸入輸出信號

正常運(yùn)行的風(fēng)力發(fā)電機(jī)的SCADA系統(tǒng)中有超過150種信號，從時(shí)間、開關(guān)位置的數(shù)字表示和設(shè)置點(diǎn)，到溫度、電流電壓等的連續(xù)測量值，而這些連續(xù)測量值的最大值、最小值和十分鐘內(nèi)平均值都在SCADA系統(tǒng)中.本文只使用風(fēng)機(jī)正常運(yùn)行時(shí)信號的十分鐘平均值訓(xùn)練ANFIS，這樣能排除由于瞬間變化造成的最大最小的峰值并減少了隨機(jī)變化對診斷結(jié)果的影響.

每一種輸入輸出關(guān)系中，輸入信號數(shù)量是不同的，相關(guān)的輸入信號的選擇非常重要，這需要結(jié)合對建模系統(tǒng)的物理理解和先進(jìn)的數(shù)據(jù)簡化技術(shù).在輸入信號的選擇中，不能單一的從提高模型的精度方面進(jìn)行要求，更重要的一點(diǎn)是故障的可判別性.本文中使用遺傳算法結(jié)合偏最小二乘回歸方法從大量的SCADA數(shù)據(jù)中挖掘出對應(yīng)的輸入輸出信號，有20種模型，如表1所示.

表1 20個(gè)模型的輸入輸出信號Tab.1 Input and output signals of 20 kind of models

2.2 異常檢測

在ANFIS用于實(shí)際工程中時(shí)，隸屬度函數(shù)的選取一般根據(jù)使用者的應(yīng)用經(jīng)驗(yàn)和試算[9]，本文選擇了高斯型隸屬度函數(shù)，每個(gè)隸屬度函數(shù)的個(gè)數(shù)定位5個(gè)，ANFIS的各初始參數(shù)都設(shè)置好，輸入訓(xùn)練數(shù)據(jù)，開始模型訓(xùn)練.

在一個(gè)ANFIS模型中，使用同一個(gè)輸入數(shù)據(jù)，真實(shí)輸出和ANFIS得到的輸出之間的誤差即為預(yù)測誤差.預(yù)測誤差可以用下面的方程進(jìn)行規(guī)范.

(1)

圖1是以發(fā)電機(jī)轉(zhuǎn)速、1#葉片電機(jī)驅(qū)動(dòng)電流、輸出功率和齒輪箱軸承溫度為輸出的模型在訓(xùn)練后得到的預(yù)測誤差，所有模型的大部分的預(yù)測誤差集中在零附近，證明建立的ANFIS模型能很好的擬合輸入輸出數(shù)據(jù).

圖1 ANFIS訓(xùn)練后的預(yù)測誤差Fig.1 The prediction error after ANFIS training

ANFIS模型訓(xùn)練時(shí)使用的是風(fēng)機(jī)正常運(yùn)行時(shí)的數(shù)據(jù)，所以當(dāng)SCADA數(shù)據(jù)中的輸出不符合ANFIS的預(yù)測輸出，就說明設(shè)備發(fā)生了異常.本文提出了一種適用于所有模型的異常檢測方法.該方法基于一個(gè)統(tǒng)計(jì)學(xué)假設(shè)，即正常數(shù)據(jù)在模型的高頻率區(qū)域，而異常數(shù)據(jù)模型的低頻率區(qū)域，即可以得到以下的異常檢測標(biāo)準(zhǔn)：模型產(chǎn)生的預(yù)測誤差在訓(xùn)練數(shù)據(jù)的預(yù)測誤差中出現(xiàn)的概率等于或超過判定概率被認(rèn)為是正常；模型產(chǎn)生的預(yù)測誤差在訓(xùn)練數(shù)據(jù)的預(yù)測誤差中出現(xiàn)的概率小于判定概率被認(rèn)為是異常.

甲狀腺囊性結(jié)節(jié)是臨床常見的良性疾病，病變較大且伴發(fā)出血時(shí)不僅影響美觀，疼痛明顯，而且壓迫鄰近器官，造成嚴(yán)重的病理生理學(xué)變化，必須給予及時(shí)治療。隨著介入技術(shù)的發(fā)展與完善，超聲引導(dǎo)下微創(chuàng)治療定位準(zhǔn)確，對患者創(chuàng)傷小，且療效肯定，已逐漸替代了手術(shù)切除或藥物治療等傳統(tǒng)療法。

判定概率的選擇決定了系統(tǒng)的敏感度，選擇時(shí)需要在抑制假報(bào)警和檢測出所有異常兩方面進(jìn)行權(quán)衡，本文選擇0.1%作為判定概率.如圖2是一個(gè)區(qū)分正常行為模型和異常行為模型的例子，判斷依據(jù)是概率密度分布函數(shù)和模型的預(yù)測誤差.

3 結(jié)果分析

3.1 生成的20種模型的性能比較

圖2 發(fā)電機(jī)轉(zhuǎn)速模型誤差概率分布Fig.2 The error probability distribution of the generator speed model

本文使用的正常數(shù)據(jù)來自于河北某1.5MW風(fēng)場9個(gè)月的SCADA數(shù)據(jù)，用于驗(yàn)證的故障數(shù)據(jù)來自該風(fēng)場的風(fēng)機(jī)發(fā)生故障時(shí)的SCADA數(shù)據(jù).正常數(shù)據(jù)用于ANFIS建模，故障數(shù)據(jù)用于模型驗(yàn)證.使用以下指標(biāo)檢驗(yàn)建立的診斷模型的性能:

NN(Normalnumber)：正常數(shù)據(jù)個(gè)數(shù)；

FN(Faultnumber)：故障數(shù)據(jù)個(gè)數(shù)；

Nt(normalture)：將正常數(shù)據(jù)診斷為正常的次數(shù)；

Nf(nurmalfalse)：將正常數(shù)據(jù)診斷為異常的次數(shù)(假警報(bào))；

Ft(faultture)：將異常數(shù)據(jù)診斷為異常的次數(shù)；

Ff(faultfalse)：將異常數(shù)據(jù)診斷為正常的次數(shù)(漏檢).

NT：將正常數(shù)據(jù)診斷為正常的比例.

(2)

NF：將正常數(shù)據(jù)診斷為異常的比例.

(3)

FT：將異常數(shù)據(jù)診斷為異常的比例.

(4)

FF：將異常數(shù)據(jù)診斷為正常的比例.

(5)

t：模型的診斷正確率.

(6)

20個(gè)模型經(jīng)過正常數(shù)據(jù)的訓(xùn)練和故障數(shù)據(jù)的測試后，得到的性能指標(biāo)如表2所示.

在這20個(gè)模型中編號14，輸入為輸出功率，發(fā)動(dòng)機(jī)轉(zhuǎn)速，發(fā)動(dòng)機(jī)艙溫度，輸出為發(fā)動(dòng)機(jī)軸承溫度，該模型的診斷正確率最高，達(dá)到了91.03%，同時(shí)故障漏檢率為1.75%，在所有模型中也處于較高水平，該模型的模型性能最好.

表2 20種模型的模型性能Tab.2 The performance of 20 kind of models

3.2 生成的模型的綜合應(yīng)用

用20個(gè)模型雖然都能判斷出風(fēng)機(jī)的運(yùn)行狀態(tài)，但單一模型的診斷正確率都不高，所以對所有模型的診斷結(jié)果進(jìn)行綜合處理，得到最后的診斷結(jié)果.

將所有模型的診斷結(jié)果ei(i=1,…，20)用0和1表示，0代表該模型判斷風(fēng)機(jī)運(yùn)行狀態(tài)為正常，1代表該模型判斷風(fēng)機(jī)發(fā)生了故障，根據(jù)每一個(gè)模型的診斷正確率對其診斷結(jié)果分配權(quán)重，然后對ei求和，即：

(7)

其中E是總判斷結(jié)果，若E屬于[0，0.5)，可判定風(fēng)機(jī)正常運(yùn)行，若E屬于[0.5，1]可判定風(fēng)機(jī)發(fā)生故障.

20個(gè)模型綜合應(yīng)用后，模型性能如表3所示.

表3 綜合應(yīng)用20種模型后的模型性能Tab.3 The performance of integrated application of 20 kinds of models

由表3可知，根據(jù)20個(gè)模型的診斷正確率對模型的診斷結(jié)果分配權(quán)重，綜合處理后，總的診斷正確率達(dá)到了95.54%，對比單一模型有了大幅度提高，能滿足風(fēng)力發(fā)電機(jī)在狀態(tài)監(jiān)測要求.

4 結(jié)語

本文提出了一種通過ANFIS模型監(jiān)測風(fēng)力發(fā)電機(jī)狀態(tài)的方法，該方法基于ANFIS模型的輸出預(yù)測誤差的概率分布來判定異常，判定概率的選擇需要避免假警報(bào)和識別出所有異常兩方面進(jìn)行權(quán)衡.該方法給了風(fēng)力發(fā)電機(jī)操作者一個(gè)具體的工具，通過挖掘大量的SCADA數(shù)據(jù)來尋找異常，因?yàn)镾CADA數(shù)據(jù)中包含幾乎所有組件的運(yùn)行數(shù)據(jù)，所以它不僅能監(jiān)測風(fēng)力發(fā)電機(jī)的關(guān)鍵組件，也能監(jiān)測目前的風(fēng)力發(fā)電機(jī)狀態(tài)監(jiān)測系統(tǒng)不涉及的輔助設(shè)備.

該方法的適用性和精度取決于建立ANFIS模型的大量SCADA數(shù)據(jù)的可用性.本文建立了20個(gè)輸出信號的ANFIS模型，這些輸出信號同時(shí)也是其他模型的輸入信號，每一個(gè)單獨(dú)模型的故障判別率并不高，但將20個(gè)模型綜合應(yīng)用后能高效地識別故障，對風(fēng)場工作人員制定合理的維修保養(yǎng)計(jì)劃具有重要意義.

[1] 李濤濤,賈 嶸,尹浩霖,等.風(fēng)力發(fā)電機(jī)組狀態(tài)監(jiān)測系統(tǒng)設(shè)計(jì)與應(yīng)用[J].電網(wǎng)與清潔能源,2016(01):95-99+106.

[2] Randall R B.Vibration-based condition monitoring[J].Mechanisims &Machine Science,2010,3(4):431-477.

[3] Kusiak A, Wenyan L.The prediction and diagnosis of wind turbine faults[J].Renewable Energy， 2011，36 ：16-23.

[4] Sanz-Bobi M A, del Pico J, Garcia M C.SIMAP: intelligent system for predictive maintenance application to the health condition monitoring of a windturbine,gearbox[J].Computers in Industry，2006， 57 ： 552-568.

[5] Schlechtingen M,Santos I F.Comparative analysis of neural network and regression based condition monitoring approaches for wind turbine fault detection[J].Mechanical Systems and Signal Processing，2011， 25 (5) ：1849-1875.

[6] 張小娟.自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)及其仿真[J].電子設(shè)計(jì)工程,2012(05):11-13.

[7] 李偉昌,張 磊.基于風(fēng)力發(fā)電系統(tǒng)的風(fēng)電機(jī)組變槳距故障診斷[J].計(jì)算機(jī)仿真,2015(09):147-151.

[8] 雷紹蘭,張 蓮,楊 菁,等.基于粗糙集和ANFIS相結(jié)合的配電網(wǎng)故障診斷方法[J].重慶工學(xué)院學(xué)報(bào)(自然科學(xué)版),2009(06):45-50.

[9] 孫文江.自適應(yīng)神經(jīng)—模糊推理系統(tǒng)在隧道結(jié)構(gòu)安全評估中的應(yīng)用[D].杭州：浙江大學(xué),2013.

The Reserch of Wind Turbine Condition Monitoring Based on ANFIS

ZhangLei,LiXinzhu

(School of Control Science and Engineering, Hebei University of Technology,Tianjin 300130, China)

With the continuous development of wind power industry, the number of installed wind power generator is increasing.Due to its complicated structure and poor working conditions, easily happened all kinds of faults.For the nonlinear problems and difficulty in modeling of wind turbine system fault diagnosis , this paper proposes a wind turbine monitoring system, using 20 different SCADA normal data developed 20 adaptive fuzzy neural inference system (ANFIS) model, and proposes a kind of can apply to all models of anomaly detection method, using the prediction error to evaluate the practicability of model in a simulated SCADA signal, comprehensive 20 anomaly detection results of the model, get the final decision to the conclusion that the simulation results show that the system can accurately diagnose the wind turbine system fault.

wind turbine;condition monitoring;ANFIS

2016-08-10 *通訊作者 李欣竹，研究方向：風(fēng)力發(fā)電機(jī)故障診斷，E-mail: lixinzhu1005@163.com

張 磊(1977-)，男，教授，博士，研究方向：風(fēng)力發(fā)電機(jī)控制策略，E-mail：zhanglei@hebut.edu.cn

河北省自然科學(xué)基金資助項(xiàng)目(F2015202231)

TM743

A

1672-4321(2017)01-0092-04