基于棧式自編碼網(wǎng)絡(luò)的風(fēng)機葉片結(jié)冰預(yù)測

劉娟 黃細霞 劉曉麗

摘 要：針對風(fēng)電機組葉片結(jié)冰嚴重影響風(fēng)機發(fā)電效率和安全性、經(jīng)濟性的問題，提出一種基于SCADA數(shù)據(jù)的棧式自編碼（SAE）網(wǎng)絡(luò)葉片結(jié)冰早期預(yù)測模型。該模型采用編碼解碼的非監(jiān)督方法對無標(biāo)簽的數(shù)據(jù)集預(yù)訓(xùn)練，再利用反向傳播算法對有標(biāo)簽的數(shù)據(jù)集進行訓(xùn)練微調(diào)，實現(xiàn)了故障特征的自適應(yīng)提取和狀態(tài)分類，有效降低了傳統(tǒng)預(yù)測模型的復(fù)雜度，同時避免了人為特征提取對模型效果的影響。利用SCADA系統(tǒng)采集的某15號風(fēng)機的歷史數(shù)據(jù)進行訓(xùn)練和測試，該模型測試結(jié)果準(zhǔn)確率為97.28%。與支持向量機（SVM）和主成分分析支持向量機（PCASVM）方法得到的建模分別為91%和93%的準(zhǔn)確率進行對比分析，實驗結(jié)果表明，基于棧式自編碼網(wǎng)絡(luò)的風(fēng)機葉片結(jié)冰預(yù)測模型精確度更高。

關(guān)鍵詞：風(fēng)機葉片結(jié)冰預(yù)測;棧式自編碼;深度學(xué)習(xí);預(yù)測模型

中圖分類號：TP391.9

文獻標(biāo)志碼：A

Abstract： Aiming at the problem that wind turbine blade icing seriously affects the generating efficiency， safety and economy of wind turbines， a Stacked AutoEncoder （SAE） network based prediction model was proposed based on SCADA （Supervisory Control And Data Acquisition） data. The unsupervised method of encodingdecoding was utilized to pretrain the unlabeled dataset， and then the back propagation algorithm was utilized to train and fine tune the labeled dataset to achieve adaptive fault feature extraction and fault state classification. The complexy of the traditional prediction models was simplified effectively， and the influence of artificial feature extraction was avoided on model performance. The historical data of wind turbine No.15 collected by SCADA system was used for training and testing. The accuracy of the test results was 97.28%. Compared with the models based on Support Vector Machine （SVM） and Principal Component AnalysisSupport Vector Machine （PCASVM）， which accuracies are 91% and 93% respectively， the result indicates that the proposed model is more accurate than the other two.

英文關(guān)鍵詞Key words： turbine blade icing detection; Stacked AutoEncoder （SAE）; deep learning; prediction model

0 引言

風(fēng)電是目前我國大力發(fā)展的新能源之一。受風(fēng)能資源的分布限制，我國風(fēng)力發(fā)電廠主要集中在寒冷潮濕的中國北部，安裝在這些地區(qū)的風(fēng)機易出現(xiàn)與結(jié)冰有關(guān)的問題，如功率損耗、機械故障、安全隱患、壽命縮短等。IcingBlades工程[1]研究表明，葉片結(jié)冰是風(fēng)電場功率損失的主因，而功率損失很大程度上會增加風(fēng)場的操作與維護成本。葉片是風(fēng)電機組的關(guān)鍵部件，葉片前緣結(jié)冰致升力系數(shù)降低、阻力系數(shù)增加引起風(fēng)機的輸出功率下降[2]，Barber等[3]研究了結(jié)冰對風(fēng)機性能的影響，發(fā)現(xiàn)葉片結(jié)冰可使功率系數(shù)降低22%。附加積冰由于改變了葉片的力學(xué)性能導(dǎo)致機組構(gòu)件溫度過熱造成疲勞損傷，損傷累積引起機械故障，被迫非計劃停機的成本高昂[4]，積冰融化脫落威脅機組巡檢人員生命安全[5]， 因此，在結(jié)冰早期有效監(jiān)測到風(fēng)機葉片結(jié)冰現(xiàn)象并采取相應(yīng)的措施，能夠避免以上諸多負面影響。

SCADA（Supervisory Control And Data Acquisition）系統(tǒng)廣泛應(yīng)用于風(fēng)電場，儲存了海量風(fēng)機運行操作數(shù)據(jù)，利用智能算法挖掘數(shù)據(jù)中有價值的故障信息，對葉片結(jié)冰進行實時監(jiān)測并作出高效準(zhǔn)確的診斷和預(yù)測，以保障風(fēng)機的發(fā)電、安全、可靠性成為研究熱點。SCADA系統(tǒng)中原始數(shù)據(jù)含有高維信息和豐富的噪聲（無關(guān)、冗余信息），不能直接輸入故障診斷系統(tǒng)[6]。近年研究多集中在對原始數(shù)據(jù)預(yù)處理和特征提取方面的優(yōu)化[7]。棧式自編碼（Stacked AutoEncoder， SAE）是由多層訓(xùn)練好的自編碼器組成的深度神經(jīng)網(wǎng)絡(luò)，可自適應(yīng)提取高維數(shù)據(jù)的低維特征，能夠解決多層網(wǎng)絡(luò)結(jié)構(gòu)的梯度消失和局部極值問題[8]。

本文通過分析SCADA數(shù)據(jù)中的風(fēng)機工況參數(shù)、環(huán)境參數(shù)、狀態(tài)參數(shù)等監(jiān)測變量與結(jié)冰故障存在的特征關(guān)系，提出了基于SAE網(wǎng)絡(luò)模型的葉片結(jié)冰故障診斷方法。該模型融合了特征提取和狀態(tài)分類兩個步驟，利用無標(biāo)簽數(shù)據(jù)對模型進行預(yù)訓(xùn)練、學(xué)習(xí)，再用有標(biāo)簽的數(shù)據(jù)集進行模型微調(diào)，實現(xiàn)對風(fēng)機葉片結(jié)冰的早期預(yù)警。

1.2 棧式自編碼網(wǎng)絡(luò)

深層神經(jīng)網(wǎng)絡(luò)比淺層神經(jīng)網(wǎng)絡(luò)訓(xùn)練難度更大，采用隨機梯度下降求解網(wǎng)絡(luò)參數(shù)過程存在收斂局部最小值和梯度彌散等問題[10]。Erhand等[11]為解決上述問題，提出逐層貪婪預(yù)訓(xùn)練的逐層學(xué)習(xí)策略，將簡單的AE當(dāng)作模型的一個單元，通過非監(jiān)督的逐層初始化對深度網(wǎng)絡(luò)進行預(yù)訓(xùn)練，即棧式自編碼（SAE）網(wǎng)絡(luò)。當(dāng)訓(xùn)練完第一層AE網(wǎng)絡(luò)，實現(xiàn)了從輸入向量編碼輸出重構(gòu)輸出的解碼過程后，將編碼輸出部分作為下一層的輸入并逐層訓(xùn)練，結(jié)構(gòu)如圖2所示。

1.3 預(yù)訓(xùn)練和微調(diào)

將SAE逐層貪婪訓(xùn)練最后獲得的輸出特征作為分類器的輸入，即完成最終的分類訓(xùn)練。預(yù)訓(xùn)練過程的實質(zhì)就是采用無監(jiān)督特征優(yōu)化算法進行網(wǎng)絡(luò)連接權(quán)重和偏置的初始化過程。基于自編碼網(wǎng)絡(luò)重構(gòu)誤差函數(shù)，利用梯度下降法對損失函數(shù)進行極小化。逐層訓(xùn)練結(jié)束后，每層AE的權(quán)重已經(jīng)有一個預(yù)訓(xùn)練的值，保持各自編碼網(wǎng)絡(luò)層參數(shù)不變，用有分類標(biāo)簽的數(shù)據(jù)對整個深度自編碼網(wǎng)絡(luò)層進行一次訓(xùn)練，讓每層的權(quán)重參數(shù)同時得到改善，從而實現(xiàn)全局最優(yōu)，即有監(jiān)督的微調(diào)過程。

2 基于SAE的故障診斷模型

本文利用SAE自適應(yīng)提取高維數(shù)據(jù)的低維特征的能力，將其應(yīng)用在風(fēng)機葉片結(jié)冰診斷。無監(jiān)督預(yù)訓(xùn)練階段通過激活函數(shù)tanh的映射對原始風(fēng)機數(shù)據(jù)進行低維特征表達。無監(jiān)督訓(xùn)練結(jié)束后分別將獲得的低維特征和原始數(shù)據(jù)標(biāo)簽作為分類器的輸入作有監(jiān)督微調(diào)。微調(diào)階段采用的激活函數(shù)為tanh，利用Adam反向優(yōu)化算法進行權(quán)值更新，以提高棧式自編碼網(wǎng)絡(luò)的性能。最后利用測試集對模型性能進行測試。模型結(jié)構(gòu)具體如圖3所示。實現(xiàn)步驟如下：

1）SCADA數(shù)據(jù)預(yù)處理，利用重采樣技術(shù)對不均衡數(shù)據(jù)進行處理，將處理后的數(shù)據(jù)劃分訓(xùn)練集和測試集;

2）構(gòu)建2層自編碼預(yù)訓(xùn)練網(wǎng)絡(luò)模型，利用訓(xùn)練集中的無標(biāo)簽樣本通過Adam反向傳播算法對模型進行預(yù)訓(xùn)練;

3）構(gòu)建2層微調(diào)分類網(wǎng)絡(luò)模型，利用訓(xùn)練集中的有標(biāo)簽樣本通過Adam反向傳播算法進行模型調(diào)優(yōu);

4）將訓(xùn)練好的診斷模型，用于現(xiàn)場指導(dǎo)。

3 SCADA數(shù)據(jù)實例分析

3.1 數(shù)據(jù)處理

本文采用的數(shù)據(jù)來源為某風(fēng)電場15號風(fēng)機和21號風(fēng)機冬季歷時三個月的SCADA數(shù)據(jù)，為了盡可能地描述風(fēng)機的運行狀態(tài)，根據(jù)相關(guān)資料和人工經(jīng)驗保留了SCADA系統(tǒng)中26個狀態(tài)參數(shù)變量，包括風(fēng)機運行的工況參數(shù)、環(huán)境變量參數(shù)和狀態(tài)參數(shù)，數(shù)據(jù)樣本描述見表1、表2。

3.2 模型參數(shù)的設(shè)定

實驗基于Keras深度學(xué)習(xí)框架，模型結(jié)構(gòu)由棧式自編碼網(wǎng)絡(luò)和分類器構(gòu)成，棧式自編碼結(jié)構(gòu)節(jié)點數(shù)第1層為：262026，第2層為：201220，分類器結(jié)構(gòu)節(jié)點數(shù)為：1261。棧式自編碼網(wǎng)絡(luò)模型的參數(shù)W，b 初始化為服從高斯分布的隨機值，Adam超參數(shù)設(shè)置為η=0.1， β1=0.9， β2=0.999。在預(yù)訓(xùn)練階段，Adam反向優(yōu)化算法對參數(shù)的調(diào)整的迭代次數(shù)設(shè)為500。在微調(diào)階段，每批輸入樣本量設(shè)為100，整體優(yōu)化迭代次數(shù)設(shè)為500。

3.3 實驗結(jié)果

為了觀察訓(xùn)練過程中收斂過程和訓(xùn)練精度，繪制訓(xùn)練過程趨勢圖，如圖6所示。在預(yù)訓(xùn)練階段誤差低于0.19，效果較好，在微調(diào)階段，訓(xùn)練300次時已經(jīng)收斂，且結(jié)果精度較高。

4 結(jié)語

對于風(fēng)電機組葉片結(jié)冰故障問題，本文提出了一種棧式自編碼網(wǎng)絡(luò)的風(fēng)機葉片故障診斷方法，將深度學(xué)習(xí)應(yīng)用于風(fēng)電機組風(fēng)機葉片結(jié)冰的故障診斷中，結(jié)果表明：基于自編碼網(wǎng)絡(luò)的分類器模型能夠?qū)︼L(fēng)機葉片結(jié)冰故障進行準(zhǔn)確預(yù)測，此方法能實現(xiàn)特征的自適應(yīng)提取和降維，避免了人為特征選取的復(fù)雜性和不精確性。利用SAE模型對15號進行測試，驗證結(jié)果表明該模型預(yù)測結(jié)冰故障的可行性，對盡早采取結(jié)冰應(yīng)對措施具有較好的指導(dǎo)意義，能夠應(yīng)用于工程現(xiàn)場。利用此模型在21號風(fēng)機上進行測試，測試結(jié)果表明，不同風(fēng)機的運行工況不同，狀態(tài)參數(shù)不同，在實際應(yīng)用中應(yīng)考慮模型的遷移問題。

參考文獻 （References）

[1]DAVIS N N， PINSON P， HAHMANN A N， et al. Identifying and characterizing the impact of turbine icing on wind farm power generation[J]. Wind Energy， 2016， 19（8）：1503-1518.

[2] HOMOLA M C，VIRK M S， NICKLASSON P J， et al. Performance losses due to ice accretion for a 5 MW wind turbine[J].Wind Energy， 2012，15（3）：379-389.

[3] BARBER S， WANG Y， JAFARI S， et al. The impact of ice formation on wind turbine performance and aerodynamics[J]. Journal of Solar Energy Engineering， 2011，133（1）：311-328.

[4] SHAJIEE S， PAO L Y， WAGNER P N， et al. Direct ice sensing and localized closedloop heating for active deicing of wind turbine blades[C]// Proceedings of the 2013 IEEE American Control Conference. Piscataway， NJ： IEEE， 2013：634-639.