基于GA-SVR數(shù)據(jù)融合的風機噪聲預測述

，， ，，,2

(1.國網(wǎng)新疆電力有限公司經(jīng)濟技術研究院，新疆 烏魯木齊 830000；2.能源與電力經(jīng)濟技術實驗室(國網(wǎng)新疆電力有限公司經(jīng)濟技術研究院)，新疆 烏魯木齊 830000)

0 引 言

風電產(chǎn)業(yè)隨新能源需求的日益增大，不斷蓬勃發(fā)展，風力發(fā)電技術也日趨完善。作為風機選擇及風電場選址重要指標參數(shù)的風電機組噪聲及其衍生問題，也逐漸被科研人員重視起來[1-3]。文獻[4]評價并指出了風電機組中發(fā)電機所發(fā)低頻噪聲對居民生活的相關影響。文獻[5]仿真驗證了風電機組所輻射的噪聲信號，其參數(shù)聲壓級中包含有機組運行狀態(tài)信息。文獻[6]以風電機組振動、噪聲信號長期檢測為研究基礎，發(fā)現(xiàn)并分析了機組振動、噪聲信號之間存在的相關性。由此表明，進行風電機組噪聲預測的研究具有極重要的現(xiàn)實意義。

目前，針對風電機組的噪聲信號研究，主要以風機氣動噪聲為出發(fā)點，對機組機械噪聲的探索研究十分少。以實驗室環(huán)境為基礎，分析研究永磁同步風電機組的振動、噪聲相關性，模擬機組空載、負載及加有風速逐漸變化的運行狀態(tài)，實時采集各運行狀態(tài)下風電機組發(fā)電機主軸縱橫兩個方位、齒輪箱的高速軸與低速軸縱橫兩個方位的振動信號數(shù)據(jù)和風電機組整機的噪聲信號數(shù)據(jù)[7]，并通過信息熵理論計算提取數(shù)據(jù)的特征量作為樣本數(shù)據(jù)，建立基于遺傳算法的支持向量回歸(genetic algorithm-based support vector regression，GA-SVR)的多源數(shù)據(jù)融合噪聲預測模型，為實現(xiàn)以振動噪聲相關性為基礎的振動、噪聲預測提供參考，并為開展機械噪聲的預測研究提供參考。

1 風電機組振動與噪聲

大型風電機組的噪聲特性參數(shù)一直以來被視為其質(zhì)量評定的重要指標。同時，有學者研究指明風電機組所輻射產(chǎn)生的振動與噪聲信號間存在有一定的相互關聯(lián)性。事實上，機組運行時的噪聲數(shù)據(jù)根據(jù)國標要求有很大的采集難度，但其對風電機組的運行狀態(tài)研究又十分重要[8]。因此，開展對風電機組實時運行中噪聲信號的預測研究，具有極為重要的現(xiàn)實發(fā)展意義。

2 實驗模擬和數(shù)據(jù)采集

實驗研究數(shù)據(jù)通過振動檢測設備EMT690D和噪聲檢測設備SVAN958A，對標準干凈的實驗室環(huán)境下的20 kW永磁同步風電機組(不含葉片)進行實驗模擬，該機組的具體參數(shù)如表1所示。采集分為數(shù)據(jù)的信號檢測和后臺處理兩個部分。信號檢測通過振動傳感器與聲級計完成，采集到的實時數(shù)據(jù)需經(jīng)濾波，再轉成數(shù)字信號顯示、儲存于后臺運行計算機，采集過程如圖1所示。

表1 永磁同步風力發(fā)電機組參數(shù)

測振點分別設置于機組中發(fā)電機主軸端縱橫兩個方位、齒輪箱高速軸和低速軸的縱橫兩個方位。以振動傳感器為基準，在其同側設置與機組軸承等高的聲壓級傳感器，保持聲壓級傳感器與機組水平測距為1.5 m。數(shù)據(jù)采集中設置振動、噪聲采樣頻率一致，均為200 Hz，選取振動加速度和聲壓級作為本次測量的主要參數(shù)。

圖1 振動與噪聲的信號采集

在實驗室環(huán)境下，分別模擬了風電機組的空載運行、空載運行時變速和勻速增加調(diào)節(jié)風速、負載6 kW運行、負載6 kW運行時變速和勻速增加調(diào)節(jié)風速，并同步采集在不同實驗中對應的振動、噪聲數(shù)據(jù)。

3 噪聲預測模型的建立

3.1 信息熵

(1)

研究分析表明，以奇異譜熵、功率譜熵、小波能譜熵和小波空間譜熵4種信息熵為基礎，對振動、噪聲信號進行特征量的提取，可以較完整地保留信號各特征信息[9]。

(2)

(3)

小波能譜熵和小波空間譜熵則能夠實現(xiàn)數(shù)據(jù)基于時頻域的特征提取。假設能量函數(shù)f(t)滿足小波變換后的能量守恒定律，則：

(4)

(5)

(6)

3.2 多源數(shù)據(jù)融合

多源數(shù)據(jù)融合技術在處理多層次、多方面等過程上有著極廣泛的應用。該技術能實現(xiàn)全面的對多傳感器采集的多數(shù)據(jù)進行檢測、相關、組合和估計等處理，提升了其在狀態(tài)、身份識別應用中的精準度，并且該技術還能完成對極為復雜的多變化態(tài)勢的實時評測。該技術在實際應用中，通過多個傳感單元實現(xiàn)多源證據(jù)信息的獲取，然后全面地對這些證據(jù)信息進行融合，從而有效實現(xiàn)了比單一傳感更精準、更穩(wěn)當、更有效的解析和判別[10]。

多源數(shù)據(jù)特征級融合，是在傳感單元處便開始進行數(shù)據(jù)的特征提取，然后對提取的特征量進行解析實現(xiàn)最終的融合，如圖2所示。

圖2 特征級融合

3.3 GA-SVR算法

一般的支持向量機回歸(support vector regression，SVR)，因其核函數(shù)可以完成矩陣運行及相應的乘積運算等，在進行二次規(guī)劃問題研究中相較其他一般算法效率和功能有所提升[11]。

基于遺傳算法(genetic algorithm，GA)的SVR預測，以GA完成優(yōu)化。該算法能夠自適地實現(xiàn)隨機搜尋，并在全局較大概率地得到最優(yōu)解，確定得到較優(yōu)的懲罰因子c與核函數(shù)半徑g等。同時，基于遺傳算法的支持向量機回歸(GA-SVR)結合了ε-不靈敏損失函數(shù)，提高了算法在應用中的魯棒性和泛化性[12]。GA-SVR的預測流程如圖3所示。

圖3 GA-SVR的預測流程

3.4 多源數(shù)據(jù)特征級融合與GA-SVR相結合

通過信息熵理論計算提取振動、噪聲數(shù)據(jù)的特征量，特征量中保留有信息特征，并以此為樣本數(shù)據(jù)在GA-SVR中完成多源數(shù)據(jù)特征級融合，建立預測模型實現(xiàn)風電機組振動、噪聲預測，其流程如圖4所示。

圖4 多源數(shù)據(jù)融合結合改進的GA-SVR

4 仿真結果和分析

4.1 數(shù)據(jù)樣本

實驗中選擇用Matlab編寫、實現(xiàn)模擬仿真，并以同步測得的實際振動、噪聲數(shù)據(jù)樣本為依據(jù)，隨機選取樣本數(shù)據(jù)100個，用式(2)、式(3)、式(5)、式(6)分別計算出樣本數(shù)據(jù)點的奇異譜熵值、功率譜熵值、小波能譜熵和小波空間譜熵值，如表2所示。將這些特征數(shù)值作為輸入樣本進行模型的構建和完善訓練。首先，隨機選取數(shù)據(jù)樣本庫中的70個樣本點為基礎訓練數(shù)據(jù)，對模型進行完善訓練，再以完善的訓練模型預測隨機選取的30個樣本點對應的聲壓級，最后進行預測結果與實際樣本值的比較，計算出相對誤差及平均相對誤差。相對誤差的大小用于直觀反映預測結果的可信度，平均相對誤差的大小用于間接驗證預測結果是否為可接受。

4.2 結果分析

首先，實驗模擬風電機組空載運行的狀態(tài)，以振動數(shù)據(jù)參數(shù)預測噪聲數(shù)據(jù)參數(shù)，將預測結果的值與實測樣本值進行比較，如圖5所示，并計算得出相對誤差百分比，如圖6所示，相對誤差的平均值如表3所示。

圖5 空載運行時的預測結果

圖6 空載運行時的相對誤差

圖5表明幅值存在小幅度誤差，波動趨勢基本一致。同時，圖6中的相對誤差均不高于2%，且以小于1.5%為主，表明預測精度較高；平均相對誤差僅為1.221 1%，直觀地表現(xiàn)出可以接受的預測結果。

表2 特征量熵值的部分計算結果

實驗模擬空載運行時變速和勻速增加調(diào)節(jié)風速的運行狀態(tài)，將預測結果的值與實測樣本值進行比較，如圖7所示，并計算得出相對誤差百分比，如圖8所示，相對誤差的平均值如表3所示。

圖7表明幅值也存在小幅度誤差，但波動趨勢基本一致。圖8中的相對誤差均不高于3%，且以小于1.8%為主，表明預測精度較高；平均相對誤差僅為1.232 2%，直觀地表現(xiàn)出可以接受的預測結果。

圖7 空載運行時風速增大的預測結果

圖8 空載運行時風速增大的相對誤差

實驗模擬負載6 kW運行的狀態(tài)，將預測結果的值與實測樣本值進行比較，如圖9所示，并計算得出相對誤差百分比，如圖10所示，相對誤差的平均值如表3所示。

表3 相對誤差的平均值

圖9表明幅值存在小幅度誤差，波動趨勢基本一致。圖10中的相對誤差均不高于1.6%，且以小于1.5%為主，表明預測精度較高；平均相對誤差僅為1.233 0%，直觀地表現(xiàn)出可以接受的預測結果。

圖9 負載6 kW運行時的預測

圖10 負載6 kW運行時的相對誤差

實驗模擬負載6 kW運行時變速和勻速增加調(diào)節(jié)風速的運行狀態(tài)，將預測結果的值與實測樣本值進行比較，如圖11所示，并計算得出相對誤差百分比，如圖12所示，相對誤差的平均值如表3所示。

圖11 負載6 kW運行時風速增大的預測

圖11表明幅值存在小幅度誤差，波動趨勢基本一致。圖12中的相對誤差均不高于2.5%，且以小于1.5%為主，表明預測精度較高；平均相對誤差僅為1.112 1%，表明預測結果可以接受。

圖12 負載6 kW運行時風速增大的相對誤差

5 結 語

通過分析研究大型永磁同步風力發(fā)電機組振動信號與噪聲信號的現(xiàn)實特征，和它們之間的相互關聯(lián)與影響特性，提出了運用信息熵的優(yōu)秀特征提取特性，完成振動數(shù)據(jù)參數(shù)對噪聲數(shù)據(jù)參數(shù)的有效預測思路。在標準干凈的實驗室環(huán)境下模擬了機組運行時可能出現(xiàn)的不同運行狀態(tài)，并對風電機組中發(fā)電機的主軸徑向與軸向、齒輪箱高速軸和低速軸徑向與軸向的振動數(shù)據(jù)、整機噪聲進行了實時采集，并以信息熵理論為基礎對采集到的樣本數(shù)據(jù)進行了特征量的提取。最后，應用基于多源數(shù)據(jù)特征級融合的GA-SVR噪聲預測方法，對所提出的預測思想進行了驗證。

實驗結果表明，基于多源數(shù)據(jù)特征級融合的GA-SVR噪聲預測，預測值與實際值之間尚有一定誤差，分析推測可能是受電磁振動、噪聲的影響，但獲取的預測結果能滿足較高的精度要求，并準確地在預測結果中得到了與實際情況一致的噪聲波動趨勢，這將為風電機組運行預測和早期故障診斷提供有效的參考和依據(jù)。