基于改進(jìn)棧式自編碼器的風(fēng)電機(jī)組發(fā)電機(jī)健康評(píng)估*

林 濤，趙成林，劉航鵬，趙參參

(河北工業(yè)大學(xué)人工智能與數(shù)據(jù)科學(xué)學(xué)院，天津 300130)

1 引言

風(fēng)電機(jī)組發(fā)電機(jī)結(jié)構(gòu)復(fù)雜，在運(yùn)行中會(huì)受風(fēng)速、機(jī)械等復(fù)雜因素的影響，導(dǎo)致其內(nèi)部承受的壓力較大，故障率高，不便于維修[1]。由發(fā)電機(jī)及其相關(guān)設(shè)備造成的停機(jī)時(shí)間占風(fēng)電機(jī)組總故障停機(jī)時(shí)間的23.2%，這已經(jīng)成為影響發(fā)電機(jī)組經(jīng)濟(jì)性的重要因素[2]。

對(duì)即將發(fā)生的故障進(jìn)行預(yù)警，采用預(yù)見性維護(hù)模式進(jìn)行風(fēng)電機(jī)組發(fā)電機(jī)維護(hù)是一種高效的、節(jié)約成本的方式。目前的風(fēng)機(jī)部件狀態(tài)建模主要采用2種方法：基于物理模型的方法與基于數(shù)據(jù)驅(qū)動(dòng)的方法。與基于物理模型的方法相比，基于數(shù)據(jù)驅(qū)動(dòng)的方法限制較少，不用深入了解故障過程。通過數(shù)據(jù)采集技術(shù)，風(fēng)場的運(yùn)營維護(hù)人員可以得到大量的風(fēng)機(jī)運(yùn)行數(shù)據(jù)，這為基于數(shù)據(jù)驅(qū)動(dòng)的風(fēng)機(jī)狀態(tài)分析提供了基礎(chǔ)[3]。

在基于數(shù)據(jù)驅(qū)動(dòng)的各種狀態(tài)監(jiān)測方法中，通過采用監(jiān)視控制與數(shù)據(jù)采集SCADA(Supervisory Control And Data Acquisition)系統(tǒng)中的風(fēng)機(jī)運(yùn)行數(shù)據(jù)來訓(xùn)練預(yù)測模型，進(jìn)而對(duì)風(fēng)機(jī)部件進(jìn)行實(shí)時(shí)狀態(tài)監(jiān)測已被證明是一種高效的方式。Wang等[4]使用k近鄰、嶺回歸、支持向量機(jī)、淺層神經(jīng)網(wǎng)絡(luò)、深度神經(jīng)網(wǎng)絡(luò)作為預(yù)測模型，采用SCADA數(shù)據(jù)對(duì)風(fēng)機(jī)齒輪箱進(jìn)行故障診斷，經(jīng)過比較各模型的殘差，證明了深度神經(jīng)網(wǎng)絡(luò)的診斷精度最高，說明了深度神經(jīng)網(wǎng)絡(luò)在處理風(fēng)電數(shù)據(jù)上的優(yōu)越性。然而，上述模型雖然達(dá)到了診斷的目的，但模型的構(gòu)建過程繁瑣，并且只利用單一的變量殘差來評(píng)估部件的健康程度，不能達(dá)到全面評(píng)估的效果。

棧式自編碼器SAE(Stacked Auto-Encoder)作為一種實(shí)現(xiàn)簡單的深度神經(jīng)網(wǎng)絡(luò)，可在多維數(shù)據(jù)中提取隱含特征。Zhao等[5]使用棧式自編碼器對(duì)風(fēng)機(jī)SCADA數(shù)據(jù)進(jìn)行分析，通過多維數(shù)據(jù)提取風(fēng)機(jī)運(yùn)行特征，根據(jù)重構(gòu)誤差及各變量殘差的走勢推斷出風(fēng)電機(jī)組的潛在故障位置，診斷結(jié)果更加全面。上述方法驗(yàn)證了棧式自編碼器處理風(fēng)電數(shù)據(jù)的可能性，但只是通過設(shè)定閾值來識(shí)別故障，不能得到故障的發(fā)生概率，并且閾值的設(shè)定直接影響了診斷效果，風(fēng)場運(yùn)維人員無法很好地把握。

為了使風(fēng)場運(yùn)維人員能夠直觀全面地監(jiān)測風(fēng)電機(jī)組發(fā)電機(jī)的運(yùn)行狀態(tài)，針對(duì)以上風(fēng)機(jī)健康評(píng)估研究的經(jīng)驗(yàn)與存在的問題，本文采用SCADA數(shù)據(jù)進(jìn)行風(fēng)電機(jī)組發(fā)電機(jī)健康評(píng)估，對(duì)傳統(tǒng)棧式自編碼器進(jìn)行改進(jìn)，將其作為風(fēng)電機(jī)組發(fā)電機(jī)的狀態(tài)監(jiān)測器，從模型的殘差分布中提取了3種統(tǒng)計(jì)指標(biāo),并將3種指標(biāo)進(jìn)行概率化處理及融合，得到風(fēng)機(jī)發(fā)電機(jī)的健康度。與傳統(tǒng)的棧式自編碼器相比，改進(jìn)的模型能學(xué)習(xí)到風(fēng)電數(shù)據(jù)更深層的特征，較早地發(fā)現(xiàn)故障趨勢；與采用閾值的故障指示方法對(duì)比，本文提出的評(píng)估指標(biāo)使用概率信息進(jìn)行故障指示，對(duì)于故障趨勢的識(shí)別更加靈敏直觀。

2 基于棧式自編碼器的健康評(píng)估模型

2.1 健康評(píng)估模型框架

本文的健康評(píng)估模型框架分為離線模型構(gòu)建和在線健康評(píng)估2部分。首先對(duì)風(fēng)機(jī)運(yùn)行數(shù)據(jù)進(jìn)行清洗處理，得到有效的訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)。然后對(duì)棧式自編碼模型進(jìn)行訓(xùn)練、測試，得到健康評(píng)估基準(zhǔn)模型與基準(zhǔn)指標(biāo)。最后將訓(xùn)練好的基準(zhǔn)模型作為發(fā)電機(jī)在線狀態(tài)監(jiān)測器，并利用滑動(dòng)時(shí)間窗對(duì)得到的在線重構(gòu)誤差進(jìn)行評(píng)估，得到每個(gè)時(shí)間段內(nèi)風(fēng)電機(jī)組發(fā)電機(jī)的健康度。本文的健康評(píng)估模型框架如圖1所示。

Figure 1 Structure of health assessment圖1 健康評(píng)估模型框架圖

2.2 棧式自編碼器基準(zhǔn)模型

棧式自編碼器是基于多層自編碼器的組合網(wǎng)絡(luò)，通過最小化輸入與輸出的重構(gòu)誤差，可以使網(wǎng)絡(luò)逐層學(xué)習(xí)輸入數(shù)據(jù)間的分布規(guī)則，當(dāng)數(shù)據(jù)出現(xiàn)異常，網(wǎng)絡(luò)內(nèi)部平衡會(huì)被打破，導(dǎo)致重構(gòu)誤差增大。作為自編碼器的變種，去噪自編碼器通過以一定概率使輸入為零來進(jìn)行訓(xùn)練，可以避免自編碼器的特征學(xué)習(xí)只是輸出對(duì)輸入的簡單復(fù)刻，使學(xué)習(xí)的特征更具有代表性，其最大的優(yōu)勢是學(xué)習(xí)到的特征不受輸入的限制，從而得到比輸入維度更大的隱含層特征[6]。而稀疏自編碼器通過將隱含層稀疏化，使自編碼神經(jīng)網(wǎng)絡(luò)即使在隱含層神經(jīng)元數(shù)量較多的情況下仍然可以學(xué)習(xí)輸入數(shù)據(jù)中的一些規(guī)律[7]。

考慮到風(fēng)機(jī)SCADA數(shù)據(jù)具有維度高、數(shù)據(jù)分布模式復(fù)雜的特征，本文改進(jìn)的SAE模型將以上2種自編碼器結(jié)合，先利用去噪自編碼器學(xué)習(xí)1個(gè)比輸入更大的隱含特征，再通過稀疏自編碼器保證改進(jìn)的SAE在多神經(jīng)元下的特征學(xué)習(xí)效率。圖2為本文改進(jìn)的SAE模型結(jié)構(gòu)圖。

Figure 2 Structure of the improved SAE圖2 改進(jìn)的SAE結(jié)構(gòu)圖

圖2中x=[x1,x2,…,xn]表示模型輸入矩陣，y=[y1,y2,…,yn]表示模型輸出矩陣，h1,h2,h3表示隱含層矢量。自編碼器的編碼過程如式(1)所示：

h1=f(w1x+b1)

(1)

其中w1與b1分別為輸入層與隱含層之間的權(quán)值與偏置，f為sigmoid函數(shù)。

自編碼器的解碼過程如式(2)所示：

y=f(w4h3+b4)

(2)

其中,w4與b4分別為隱含層與輸出層之間的權(quán)值與偏置。為了避免網(wǎng)絡(luò)出現(xiàn)過擬合，本文在總體代價(jià)函數(shù)中加入正則化項(xiàng)，如式(3)所示：

(3)

(4)

其中，hj(xi)為第j個(gè)神經(jīng)元在第i個(gè)輸入數(shù)據(jù)下的激活度。利用相對(duì)熵對(duì)節(jié)點(diǎn)的活躍度進(jìn)行限制，則整個(gè)隱含層的稀疏限制如式(5)所示：

(5)

其中，ρ為稀疏性參數(shù)，通常是1個(gè)接近于0的值，本文中ρ=0.1。通過加入稀疏限制，可得到稀疏自編碼器的總體代價(jià)函數(shù)如式(6)所示：

(6)

其中,β為稀疏化的調(diào)節(jié)因子。

將式(3)的結(jié)果作為改進(jìn)的SAE編碼過程的重構(gòu)誤差，并通過以一定概率使輸入為零，構(gòu)建去噪自編碼器。將式(6)的結(jié)果作為隱含層之間的重構(gòu)誤差，從而構(gòu)造稀疏自編碼器。對(duì)模型進(jìn)行無監(jiān)督預(yù)訓(xùn)練與微調(diào)訓(xùn)練后，得到風(fēng)電機(jī)組發(fā)電機(jī)健康評(píng)估的基準(zhǔn)模型。

3 健康評(píng)估指標(biāo)

當(dāng)發(fā)電機(jī)出現(xiàn)故障趨勢時(shí)，通過改進(jìn)的SAE狀態(tài)監(jiān)測器得到的重構(gòu)誤差分布與基準(zhǔn)重構(gòu)誤差的分布會(huì)出現(xiàn)明顯差異，為了對(duì)分布差異進(jìn)行量化，先使用平均值、方差、分位數(shù)對(duì)離線訓(xùn)練得到的重構(gòu)誤差進(jìn)行評(píng)估，得到風(fēng)機(jī)在正常運(yùn)行情況下的基準(zhǔn)指標(biāo)；再通過劃分時(shí)間窗，計(jì)算固定時(shí)間段內(nèi)在線重構(gòu)誤差的統(tǒng)計(jì)指標(biāo)；最后將該統(tǒng)計(jì)指標(biāo)與得到的基準(zhǔn)指標(biāo)進(jìn)行差異性比對(duì)，得到分布差異指標(biāo)。

3.1 分布差異指標(biāo)

平均值差異和方差差異是量化2個(gè)分布差異的基本指標(biāo)，也是構(gòu)建健康度指標(biāo)的前提。z分?jǐn)?shù)作為一種常用的統(tǒng)計(jì)方法，以標(biāo)準(zhǔn)差為單位計(jì)算樣本與總體平均值的距離，不受原始測量單位的影響。為了比較離線訓(xùn)練的基準(zhǔn)重構(gòu)誤差與在線重構(gòu)誤差的均值偏差，根據(jù)z分?jǐn)?shù)原理設(shè)計(jì)平均值差異ME如式(7)所示：

ME=(uon-uoff)/σoff

(7)

其中,ME為2個(gè)誤差的平均值差異，uon為在線重構(gòu)誤差均值，uoff為基準(zhǔn)重構(gòu)誤差均值，σoff為基準(zhǔn)重構(gòu)誤差的標(biāo)準(zhǔn)差。

F統(tǒng)計(jì)量廣泛應(yīng)用于方差分析，為了比較2個(gè)誤差的方差差異，設(shè)計(jì)1個(gè)F統(tǒng)計(jì)量VM如式(8)所示：

(8)

風(fēng)電機(jī)組發(fā)電機(jī)的實(shí)際運(yùn)行容易受到風(fēng)速等環(huán)境因素的影響，所以狀態(tài)監(jiān)測得到的重構(gòu)誤差含有大量噪聲，這些噪聲引起的重構(gòu)誤差分布的異常變化，會(huì)進(jìn)一步對(duì)2個(gè)重構(gòu)誤差間平均值差異與方差差異的評(píng)估產(chǎn)生干擾。為了能夠更好地反映整體分布差異的變化，減弱重構(gòu)誤差噪聲的影響，本文設(shè)計(jì)異常度AP如式(9)所示：

AP=P(r>δoff)

(9)

其中,AP是異常度，δoff為基準(zhǔn)重構(gòu)誤差的90%分位數(shù)，r為在線重構(gòu)誤差，P(r>δoff)代表在線重構(gòu)誤差超過基準(zhǔn)重構(gòu)誤差90%分位數(shù)的概率。AP值越大證明在線重構(gòu)誤差中的異常樣本越多，發(fā)電機(jī)正常運(yùn)行情況下，AP≈0.1。

利用平均值差異、方差差異、異常度3個(gè)指標(biāo)，可以在考慮異常值影響的情況下，對(duì)在線重構(gòu)誤差與離線基準(zhǔn)重構(gòu)誤差的分布差異進(jìn)行評(píng)估，為提高評(píng)估指標(biāo)的直觀性，將3種指標(biāo)進(jìn)行概率化與融合，得到發(fā)電機(jī)健康的綜合評(píng)價(jià)指標(biāo)。

3.2 指標(biāo)概率化與融合

本文通過反正切函數(shù)將3個(gè)差異指標(biāo)進(jìn)行概率化，tanh函數(shù)單調(diào)遞增，且函數(shù)在大于某值后，其變化率變慢，此特點(diǎn)恰好可表示當(dāng)重構(gòu)誤差中有足夠的異常點(diǎn)時(shí)，風(fēng)機(jī)已經(jīng)處于異常狀態(tài)的情況，利于異常狀態(tài)的劃分。利用tanh函數(shù)對(duì)指標(biāo)進(jìn)行概率化，如式(10)所示：

PBPARA=tanh(PARA/a)

(10)

其中，PBPARA為得到的概率化指標(biāo)，PARA代表要概率化的差異指標(biāo)(ME,VM,AP),a為自定義參數(shù)。為了使PARA概率化到0～1，設(shè)置a=1.5。對(duì)平均值差異、方差差異、異常度進(jìn)行概率化后，將3種概率化的指標(biāo)進(jìn)行融合，得到故障可能性指標(biāo)為：

Perror=PBME*PBVM*PBAP

(11)

其中,PBME,PBVM,PBAP分別為平均值差異、方差差異和異常度的概率化指標(biāo)，從3種不同的角度反映了發(fā)電機(jī)的故障可能性，將其指標(biāo)融合得到的Perror包含了3種指標(biāo)的特點(diǎn)，直觀地反映了故障發(fā)生的概率。最終得到的健康度如式(12)所示：

HC=1-Perror

(12)

4 實(shí)例分析

4.1 數(shù)據(jù)描述

為驗(yàn)證所提出的健康評(píng)估模型的有效性，本文以河北某風(fēng)場1.5 MW風(fēng)機(jī)作為研究對(duì)象，利用21#風(fēng)機(jī)1年的SCADA數(shù)據(jù)進(jìn)行實(shí)驗(yàn)分析，對(duì)其發(fā)電機(jī)進(jìn)行狀態(tài)評(píng)估。SCADA系統(tǒng)中擁有70多種變量，包含時(shí)間、風(fēng)速、功率、各部件溫度、機(jī)艙振動(dòng)等信息，數(shù)據(jù)存儲(chǔ)周期為5 min，從系統(tǒng)中選取與發(fā)電機(jī)部件相關(guān)的所有變量，共計(jì)12個(gè)。由于風(fēng)速對(duì)風(fēng)電機(jī)組發(fā)電機(jī)的運(yùn)行會(huì)產(chǎn)生顯著影響，而功率是發(fā)電機(jī)部件的輸出結(jié)果，反映發(fā)電機(jī)的輸出狀態(tài)，所以在原先12個(gè)變量基礎(chǔ)上加入風(fēng)速、功率2個(gè)變量，組成與發(fā)電機(jī)運(yùn)行相關(guān)的14個(gè)變量，如表1所示。

Table 1 SCADA variables related to generator components表1 與發(fā)電機(jī)部件相關(guān)的SCADA變量

表1中的變量直接反映發(fā)電機(jī)內(nèi)部狀態(tài)，通過學(xué)習(xí)14個(gè)變量關(guān)系進(jìn)行的健康評(píng)估相比通過單一變量進(jìn)行的健康評(píng)估更加全面，能夠更好地監(jiān)測風(fēng)電機(jī)組發(fā)電機(jī)的性能劣勢，并且當(dāng)發(fā)電機(jī)出現(xiàn)異常狀況，運(yùn)維人員可以根據(jù)組成改進(jìn)的SAE重構(gòu)誤差的殘差分量推測故障原因，為接下來的故障預(yù)診斷和維修提供參考。由于實(shí)際SCADA系統(tǒng)會(huì)發(fā)生傳感器異常、系統(tǒng)處理錯(cuò)誤等，得到的風(fēng)機(jī)數(shù)據(jù)存在數(shù)據(jù)缺失、異常等問題，必須經(jīng)過數(shù)據(jù)處理才能得到有效的運(yùn)行數(shù)據(jù)。

4.2 數(shù)據(jù)處理

本文首先根據(jù)SCADA系統(tǒng)的風(fēng)機(jī)狀態(tài)碼，篩選出風(fēng)機(jī)處于正常運(yùn)行狀態(tài)的數(shù)據(jù)，但由于人為干擾與天氣條件，通過狀態(tài)碼篩選的正常運(yùn)行數(shù)據(jù)中仍存在少量異常點(diǎn)，影響模型的訓(xùn)練。實(shí)際中，當(dāng)風(fēng)力發(fā)電機(jī)處于正常運(yùn)行狀態(tài)時(shí)，功率曲線附近的風(fēng)功率點(diǎn)遵循正態(tài)分布規(guī)律，即越接近中心，分布越密集。文獻(xiàn)[8]據(jù)此原理使用子空間聚類方法對(duì)SCADA數(shù)據(jù)進(jìn)行處理，并驗(yàn)證了該方法篩選風(fēng)機(jī)有效運(yùn)行數(shù)據(jù)的有效性。由于本文數(shù)據(jù)來源與文獻(xiàn)[8]一致，所以同樣使用子空間聚類方法對(duì)上述14個(gè)變量的歷史數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗。得到有效純凈的數(shù)據(jù)后，再進(jìn)行線性歸一化處理，如式(13)所示：

(13)

其中，z′是歸一化后的標(biāo)準(zhǔn)數(shù)據(jù)，z為歸一化前的原始數(shù)據(jù)，zmin和zmax分別為原始數(shù)據(jù)集中的最小值與最大值。經(jīng)過數(shù)據(jù)清洗與歸一化處理后，得到280 000條純凈運(yùn)行數(shù)據(jù)，將其用于模型的訓(xùn)練與測試。

4.3 模型訓(xùn)練與測試

將純凈運(yùn)行數(shù)據(jù)中的24 000條數(shù)據(jù)作為訓(xùn)練集，輸入改進(jìn)的SAE模型進(jìn)行訓(xùn)練，通過反復(fù)調(diào)試，確定改進(jìn)的SAE的網(wǎng)絡(luò)結(jié)構(gòu)為14-100-100-100-14。為確定健康評(píng)估基準(zhǔn)，使用余下的4 000條有效運(yùn)行數(shù)據(jù)對(duì)模型進(jìn)行測試，得到測試集的部分重構(gòu)誤差，如圖3所示。

Figure 3 Diagram of reconstruction error of partial test samples圖3 部分測試樣本的重構(gòu)誤差圖

由圖3可知，雖然經(jīng)過了數(shù)據(jù)處理，但2個(gè)模型得到的重構(gòu)誤差還是存在不可避免的噪聲，如果采用閾值的方法對(duì)重構(gòu)誤差進(jìn)行評(píng)估，很可能產(chǎn)生誤報(bào)警現(xiàn)象，若通過本文提出的統(tǒng)計(jì)指標(biāo)對(duì)在線重構(gòu)誤差進(jìn)行分布差異性評(píng)估，便可依靠異常度指標(biāo)消除噪聲的影響。進(jìn)一步對(duì)比2個(gè)模型發(fā)現(xiàn)，傳統(tǒng)SAE得到的重構(gòu)誤差大部分位于0.15以下，而改進(jìn)SAE的重構(gòu)誤差大部分位于0.05以下，對(duì)2個(gè)模型的重構(gòu)誤差進(jìn)行統(tǒng)計(jì)指標(biāo)分析，如表2所示。

Table 2 Statistical indicator of reconstruction error表2 重構(gòu)誤差的統(tǒng)計(jì)指標(biāo)

通過表2可知，改進(jìn)SAE模型的重構(gòu)誤差的平均值、標(biāo)準(zhǔn)差、90%分位數(shù)都小于傳統(tǒng)SAE的，這說明改進(jìn)的模型能夠更充分地學(xué)習(xí)風(fēng)電高維數(shù)據(jù)之間的關(guān)聯(lián)特征。為驗(yàn)證模型改進(jìn)與指標(biāo)評(píng)估在實(shí)際異常檢測上的有效性，將測試得到的重構(gòu)誤差作為基準(zhǔn)重構(gòu)誤差，通過具體故障實(shí)例進(jìn)行測試。

4.4 發(fā)電機(jī)評(píng)估實(shí)例

該機(jī)組于2018年12月19日20：30推送發(fā)電機(jī)后軸承溫度報(bào)警信息且報(bào)警前風(fēng)機(jī)一直處于運(yùn)行狀態(tài)。選取報(bào)警前后從12月10日16：30到12月21日2：30共250小時(shí)的數(shù)據(jù)，將其輸入訓(xùn)練好的改進(jìn)的SAE狀態(tài)監(jiān)測器與傳統(tǒng)的SAE狀態(tài)監(jiān)測器，得到實(shí)時(shí)重構(gòu)誤差曲線，并通過滑動(dòng)時(shí)間窗計(jì)算重構(gòu)誤差的統(tǒng)計(jì)指標(biāo)及健康度。

根據(jù)圖4可知，傳統(tǒng)SAE的重構(gòu)誤差在12月18日之后有明顯升高趨勢，而由于改進(jìn)SAE的重構(gòu)誤差偏小，對(duì)異常數(shù)據(jù)也相對(duì)敏感，所以重構(gòu)誤差在12月17日已經(jīng)有上升趨勢，在12月19日SCADA系統(tǒng)才推送發(fā)電機(jī)報(bào)警信息，此時(shí)對(duì)應(yīng)重構(gòu)誤差為0.4。若采用靜態(tài)閾值的方法，只有將閾值設(shè)置為0.4以下才可在系統(tǒng)報(bào)警前檢測出故障趨勢，但是在線重構(gòu)誤差存在噪聲，閾值設(shè)定較困難。

Figure 4 Online reconstruction error of generator 圖4 發(fā)電機(jī)的在線重構(gòu)誤差

從圖5中可以看出，改進(jìn)SAE得到的健康度指標(biāo)在12月14日雖然被重構(gòu)誤差的噪聲影響，但都維持在60%以上。在12月16日20：00改進(jìn)SAE的發(fā)電機(jī)健康度低于60%，并且隨著時(shí)間推移，健康度下降，則可認(rèn)為風(fēng)機(jī)發(fā)電機(jī)存在故障，當(dāng)健康度下降到8%，SCADA系統(tǒng)才推送發(fā)電機(jī)后軸承過熱報(bào)警。

Figure 5 Online health assessment of generator圖5 發(fā)電機(jī)的在線健康度

相比于改進(jìn)SAE，傳統(tǒng)SAE的健康度在機(jī)組停機(jī)后才不斷下降，這主要是因?yàn)閭鹘y(tǒng)SAE得到的重構(gòu)誤差較大，對(duì)于數(shù)據(jù)之間的異常不能很好地識(shí)別。由此可看出，本文的健康評(píng)估模型能夠準(zhǔn)確地監(jiān)測發(fā)電機(jī)部件的運(yùn)行狀態(tài)，相比于現(xiàn)有SCADA系統(tǒng)能較早地識(shí)別發(fā)電機(jī)劣化趨勢。本文所提出的健康度為量化指標(biāo)，風(fēng)場的運(yùn)維人員可根據(jù)健康度走勢靈活安排預(yù)防性維護(hù)任務(wù)，提高風(fēng)場運(yùn)營效率。

5 結(jié)束語

本文對(duì)傳統(tǒng)SAE模型進(jìn)行改進(jìn)并應(yīng)用于風(fēng)電機(jī)組發(fā)電機(jī)的健康評(píng)估，首先對(duì)SCADA數(shù)據(jù)進(jìn)行處理得到純凈的風(fēng)機(jī)運(yùn)行數(shù)據(jù)。然后對(duì)改進(jìn)的SAE模型進(jìn)行訓(xùn)練與測試，得到基準(zhǔn)重構(gòu)誤差并計(jì)算出發(fā)電機(jī)正常運(yùn)行的基準(zhǔn)指標(biāo)。最后計(jì)算滑動(dòng)時(shí)間窗中在線重構(gòu)誤差的指標(biāo)，與基準(zhǔn)指標(biāo)進(jìn)行差異性比對(duì)，通過3種差異性指標(biāo)的概率化處理與融合得到發(fā)電機(jī)的健康度。利用實(shí)際風(fēng)場的數(shù)據(jù)進(jìn)行驗(yàn)證，結(jié)果表明，本文提出的風(fēng)電機(jī)組發(fā)電機(jī)健康評(píng)估模型可準(zhǔn)確地跟蹤發(fā)電機(jī)運(yùn)行狀況的變化，并能以概率化的指標(biāo)反映發(fā)電機(jī)在故障早期的劣化趨勢。與傳統(tǒng)SAE相比，改進(jìn)SAE能夠?qū)W習(xí)到風(fēng)電高維數(shù)據(jù)中更多的隱含特征，對(duì)數(shù)據(jù)之間的異常更加敏感。與SCADA系統(tǒng)的故障報(bào)警相比，本文的健康評(píng)估模型更加靈敏直觀，能夠在故障發(fā)生前檢測出故障趨勢。