大數(shù)據(jù)分析技術在風電設備異常預測中的應用

（酒泉職業(yè)技術學院，甘肅酒泉市，735000）方占萍

為了改善風電場運維情況，就應通過大數(shù)據(jù)統(tǒng)計分析專業(yè)技術，來準確預測、評估機組設備的運行狀態(tài)，并明確機組零部件的實際運行劣化趨勢，再智能化預警風電機組后續(xù)可能的異常現(xiàn)象，幫助風電場運維者做好預防性維護，有效避免機組出現(xiàn)故障。

1 大數(shù)據(jù)分析專業(yè)技術概述

在大數(shù)據(jù)時代下，各個行業(yè)均發(fā)展得越來越快。在迅速發(fā)展中，會產(chǎn)生大量的數(shù)據(jù)。為了充分發(fā)揮數(shù)據(jù)的作用，便應注意分析、計算數(shù)據(jù)。而通過大數(shù)據(jù)分析專業(yè)技術，便可以從各個行業(yè)內(nèi)部收集并存儲下來的數(shù)據(jù)出發(fā)，按照各自的行業(yè)特征，以切實適合的方法，來科學地展開分析，并輔助提出正確決策。

大數(shù)據(jù)分析指的就是一個基于數(shù)據(jù)，來整理、轉換、建模的整個過程，主要旨在找出有助于業(yè)務決策的信息。通過數(shù)據(jù)分析專業(yè)技術的應用，可提取出海量數(shù)據(jù)內(nèi)的有用信息，并基于數(shù)據(jù)分析結果正確做出決策。相較于傳統(tǒng)數(shù)據(jù)，大數(shù)據(jù)表現(xiàn)出很明顯的數(shù)據(jù)量大、迅速響應、種類豐富多樣、不易識別、價值高及密度低等方面的特點。而以上這些特點也屬于大數(shù)據(jù)分析發(fā)展中的挑戰(zhàn)，為了迎接這些挑戰(zhàn)，大型互聯(lián)網(wǎng)公司便陸續(xù)推出了類型各異的大數(shù)據(jù)分析處理技術系統(tǒng)。在進一步發(fā)展大數(shù)據(jù)行業(yè)之中，先進的大數(shù)據(jù)分析專業(yè)技術也獲得了飛快的發(fā)展。而在風電行業(yè)，面臨海量、復雜多變的機組設備數(shù)據(jù)監(jiān)測，為了控制數(shù)據(jù)分析處理的速度及精度，也有應用大數(shù)據(jù)分析專業(yè)技術，來達到預測風電行業(yè)設備異常方面的要求。

2 建立模型框架

為了滿足預測風電設備各種異常數(shù)據(jù)在處理速率及日常預測精度上的要求，文中建立了一個預測風電設備各種異常的模型。在模型當中，主要涉及分析層、應用層、采集層、存儲層這些組成部分。

作為前饋多層網(wǎng)絡之一，從反向傳播誤差的算法專業(yè)訓練具有神經(jīng)網(wǎng)絡上的特征。因為神經(jīng)網(wǎng)絡可顯示非線性整體映射關系，所以在各個領域均獲得了很廣泛的應用。在實際應用神經(jīng)網(wǎng)絡中，不必提前了解映射關系的描述方程。在BP神經(jīng)的拓撲網(wǎng)絡結構內(nèi)，主要涉及輸入輸出層、隱層等，且學習算法就是最速下降法。為了最小化神經(jīng)網(wǎng)絡上的誤差平方和，便應靈活調(diào)整好整個神經(jīng)網(wǎng)絡上的閾值及權值。據(jù)有關研究顯示，如果在BP神經(jīng)網(wǎng)絡上的隱含層內(nèi)，幫助充足的神經(jīng)元，并且只含有唯一隱含層之類的BP神經(jīng)網(wǎng)絡，便可從任意精度，直接逼近一個連續(xù)不斷的非線性函數(shù)。為此，文中選擇的是只有一個隱含層類型的BP神經(jīng)網(wǎng)絡。就BP神經(jīng)網(wǎng)絡結構模型，為了縮短算法運行所耗時間，展開了并行運算?；诓⑿谢椒∕apReduce的大力支持，就各權值變化量，便可在Map環(huán)節(jié)順利運算并輸出來。針對權值各異的總變化量，便可在Reduce中完全統(tǒng)計，并科學地統(tǒng)一靈活調(diào)整配合權值，并可從批處理上展開訓練。

3 預測異常運行的程序

在季節(jié)性天氣變化及頻繁更改風速的作用下，風電場內(nèi)機組也應積極切換自己的運行工況。在反復切換風電機組工況的情況下，監(jiān)測設備狀態(tài)的數(shù)據(jù)也會經(jīng)常大幅波動幅值。所以不能利用幅值大小，來準確判斷風電機組的實際運行安全水平。為了順應風電機組的這個運行特征，當前在風電行業(yè)一般都采用的是閾值報警法。也就是在判斷風電機組的實際運行狀態(tài)時，采用監(jiān)測信號有沒有上升至報警閾值的判斷基礎。但是，該閾值報警法，在實際應用的過程當中，極易發(fā)生誤漏報等，所以預測風電設備的有關異常精確度較低。所以，文中通過殘差分析法，來判斷風電機組的實際運行狀態(tài)。大致的程序如下所示：“監(jiān)測歷史數(shù)據(jù)→開始預處理→選出可用歷史數(shù)據(jù)→做好歸一化→搭建BP神經(jīng)網(wǎng)絡專業(yè)訓練模型→設置網(wǎng)絡權值、形成閾值矩陣→建立BP神經(jīng)網(wǎng)絡專業(yè)預測模型”“監(jiān)測新數(shù)據(jù)→建立BP神經(jīng)網(wǎng)絡專業(yè)預測模型→算出殘差→有沒有超過殘差閾值→有→算出RMSE→有沒有超過RMSE閾值→有→異常狀態(tài)”，倘若殘差或RMSE未超過設定閾值，就表示風電設備在正常狀態(tài)下。

實際預測風電設備出現(xiàn)異常的過程：①選出正常運行下風電機組內(nèi)部的SCADA數(shù)據(jù)，并長期有針對性的預處理措施，以獲得后續(xù)分析所需的監(jiān)測數(shù)據(jù)。根據(jù)一定的比例展開劃分環(huán)節(jié)，以才獲得的監(jiān)測數(shù)據(jù)作為測試及訓練所需數(shù)據(jù)。②對訓練數(shù)據(jù)，采取歸一化處理，并選擇六個狀態(tài)參數(shù)當作模型輸入所需參數(shù)，依次就是振動機艙的值、發(fā)電機轉速值、風速大小、輪箱內(nèi)部油溫、振動傳感器X與Y。從輸入?yún)?shù)出發(fā)，展開BP神經(jīng)網(wǎng)絡專業(yè)模型訓練，按照訓練結束基礎依據(jù)，來控制輸出值誤差位于允許范圍。③從目標參數(shù)出發(fā)，通過預測模型展開預測，比較實際值和參數(shù)預測結果，并得到殘差。一旦沒有發(fā)現(xiàn)殘差超過設定閾值，則可斷定參數(shù)下的風機設備一切正常。④比較實際值和參數(shù)預測結果，一旦殘差超過設定閾值，便應通過下式，來算出均方根RMSE誤差：

其中，D—均方根誤差；m—樣本數(shù)；x—模型預測值；xi—實際值。以上的RMSE結果，還可用作衡量殘差改變的劇烈水平。為了準確體現(xiàn)殘差發(fā)展趨勢，還應按滑動窗口技術，根據(jù)每天計算，來獲得RMSE改變狀況。⑤從計算中獲得RMSE值，如果該值有超過設定閾值，便應判斷該風電設備位于異常狀態(tài)。

4 結果分析

為了證實文中所提方法的正確實用性，建立起Hadoop平臺，并開始測試過程。其中使用的是兩從節(jié)點和一主節(jié)點形成的集群Hadoop。這些節(jié)點具有2G內(nèi)存，是基于Hyper-V應用管理器，建立的虛擬機。而內(nèi)含200G硬盤，通過Eclipse、Hive、HBase等專業(yè)技術來開發(fā)。從某風電場2019年1月~2020年1月具體的運行數(shù)據(jù)開始，這些數(shù)據(jù)源自SCADA體系33臺風電設備的數(shù)據(jù)。在測試中選出33臺機組設備中的15臺在2019年7月獲得的監(jiān)測數(shù)據(jù)。從監(jiān)測的15組數(shù)據(jù)出發(fā)，選出訓練樣本，并執(zhí)行模型訓練。為了有效控制模型輸出中的誤差，設置各組訓練1 000次，獲得性能佳的BP神經(jīng)網(wǎng)絡專業(yè)預測模型。選擇一臺機組對應的2019年7月監(jiān)測產(chǎn)生的15組數(shù)據(jù)當作測試樣本，并預測下一時刻油溫均值，獲得比較模型預測值和監(jiān)測值的結果。據(jù)比較顯示，真實值大致吻合預測值，很好地證實了模型的有效性與精確度。

總之，在風電場，大數(shù)據(jù)分析專業(yè)技術能夠用于準確預測設備異常。所以，文中提出了相應的預測模型，以預測異常運行流程等。為了利用好大數(shù)據(jù)分析這種技術，還應注意引進評價實時可靠性的公式，兼顧風速短時波動與監(jiān)測數(shù)據(jù)信息的時序性，以確保預測的高可行性，進而有效促進風電行業(yè)的健康發(fā)展。