基于mcODM-STA 的風電機組變槳系統(tǒng)故障診斷

唐明珠，匡子杰，吳華偉，胡嘉豪?，毛學魁，彭巨

（1.長沙理工大學 能源與動力工程學院，湖南 長沙 410114；2.湖北文理學院 純電動汽車動力系統(tǒng)設計與測試湖北省重點實驗室，湖北襄陽 441053；3.國網(wǎng)北京海淀供電公司，北京 100195；4.內(nèi)蒙古青電云電力服務有限公司，內(nèi)蒙古 包頭 014030）

風力發(fā)電機組通常運行在復雜多變的不穩(wěn)定自然環(huán)境中，常年受到陽光、雨水、風沙等侵蝕，存在許多故障隱患，其主要零部件運行于高空，一旦風電機組因故障而引起長時間停機，將嚴重影響發(fā)電量和花費大量成本來維護檢修及更換零件，引起巨大的經(jīng)濟損失[1].

變槳距系統(tǒng)是風電機組中的重要部分，及時有效地對變槳系統(tǒng)進行狀態(tài)監(jiān)測和故障診斷具有重要意義.近年來基于機器學習的風電機組故障診斷方法獲得廣泛應用，利用風電數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)（Supervisory Control and Data Acquisition，SCADA）中數(shù)據(jù)構建風電機組變槳系統(tǒng)故障診斷模型[2].基于機器學習的故障診斷方法有：神經(jīng)網(wǎng)絡方法[3]、支持向量機、大間隔分布機等.文獻[4]針對風力發(fā)電機組的故障診斷，提出一種基于數(shù)據(jù)驅(qū)動的深層神經(jīng)網(wǎng)絡方法，該方法不需要物理模型經(jīng)驗和預先篩選數(shù)據(jù)對風電機組進行故障診斷，診斷準確率高.文獻[5]利用人工神經(jīng)網(wǎng)絡對風力發(fā)電機主軸承進行早期故障預測獲得了較好的診斷效果.文獻[6]提出一種基于雷達圖和支持向量機的方法對風電機組變槳系統(tǒng)進行故障診斷與預測，提升了預測精度.

大間隔分布機（Large Margin Distribution Machine，LDM）是由Zhang 等人[7]于2014 年提出的分類學習算法，其思想在優(yōu)化最小間隔最大化超平面的基礎上，平衡分類樣本均值與方差，充分考慮樣本的間隔分布，相較于支持向量機擁有更好的分類效果和泛化性能.文獻[8]針對大型風電機組數(shù)據(jù)分類不平衡和誤分類不平等代價等問題，提出了代價敏感型大間隔分布機，在解決這些問題的同時提升了故障診斷準確率.文獻[9]提出了多類最優(yōu)間隔分布機（multi -class Optimal Margin Distribution Machine，mcODM）.

在基于機器學習對風電機組進行故障診斷的過程中，選擇機器學習算法的最優(yōu)參數(shù)以提高故障診斷性能，利用進化算法優(yōu)化故障診斷模型超參數(shù).文獻[10]提出了一種新的BP 神經(jīng)網(wǎng)絡（Back Propagation Neural Network，BPNN）異常識別模型，并與遺傳算法相結合，為風電機組的異常識別取得了良好的效果.文獻[11]采用粒子群優(yōu)化算法對多類最小二乘支持向量機進行特征參數(shù)優(yōu)化，實現(xiàn)了擁有較高準確率的風電機組變槳系統(tǒng)故障預測.

狀態(tài)轉(zhuǎn)移算法（State Transition Algorithm，STA）是一種適用于優(yōu)化大規(guī)模復雜問題的智能隨機全局優(yōu)化算法[12]，該算法的4 個狀態(tài)轉(zhuǎn)移算子通過交替輪換的方式進行全局搜索，可快速獲得全局最優(yōu)解.針對結構復雜、故障多樣的風電機組變槳系統(tǒng)，利用狀態(tài)轉(zhuǎn)移算法對其進行故障診斷模型參數(shù)優(yōu)化是具有相當優(yōu)勢的.

本文針對風電機組變槳系統(tǒng)故障診斷模型參數(shù)難以優(yōu)化問題，提出了基于STA 優(yōu)化的多類最優(yōu)間隔分布機故障診斷模型，以提高故障診斷性能.

1 多類最優(yōu)間隔分布機

設一個特征的集合為X=[x1，…，xk]，其對應的類別標簽集為Y=[K]，其中[K]={1，…，k}；給定一個訓練集S={（x1，y1），（x2，y2），…，（xm，ym）}；定義一個映射函數(shù)φ，通過核函數(shù)κ 將樣本集映射至高維空間φ：X→H，對應權向量為ω1，…，ωk.對每個權向量ωl定義一個記分函數(shù)每個樣本的特征值和其對應的標簽，會使得該樣本的記分函數(shù)值達到最大，即，從而引出間隔定義：

當計算產(chǎn)生一個負間隔時分類器分類錯誤.

式中：Ω（ω）是正則項；η 和λ 是平衡參數(shù)；ξj和εj

分別是間隔γh（xj，yj）與間隔均值的正、負偏差；為方差.

對ω 進行縮放，間隔均值可以固定為1，樣本（xj，y）j與間隔均值的偏差為該最優(yōu)間隔分布機可改寫為：

式中：τ∈[0，1）是平衡兩種不同偏差的參數(shù)（大于或小于間隔均值）；θ∈[0，1）是零損失參數(shù)，它可以控制支持向量的個數(shù)，即解的稀疏性；（1-θ）2是將上述第二項成為0～1 損失的替代損失.

式中：λ、τ 和θ 是平衡參數(shù).

2 狀態(tài)轉(zhuǎn)移算法

狀態(tài)轉(zhuǎn)移算法表達形式如下：

式中：xk=[x1，x2，…，xn]T為當前狀態(tài)；Ak或Bk為狀態(tài)轉(zhuǎn)移矩陣；uk為歷史狀態(tài)和當前狀態(tài)的函數(shù)；f（·）是適應度函數(shù).

狀態(tài)轉(zhuǎn)移算法包含旋轉(zhuǎn)變換算子、伸縮變換算子、平移變換算子和坐標變換算子.

1）旋轉(zhuǎn)變換算子為：

式中：α ＞0 為旋轉(zhuǎn)因子，是一個正常數(shù)；Rr∈Rn×n是一個隨機矩陣，其中的元素在[－1，1]上服從均勻分布；‖·‖2為向量的二范數(shù).旋轉(zhuǎn)變換算子在以α 為半徑的超球內(nèi)進行搜索，是有著局部搜索能力的搜索算子.

2）平移變換算子為：

式中：β ＞0 為平移因子；Rt∈R 的取值范圍為[0，1]，滿足均勻分布.平移變換算子作為啟發(fā)式搜索算子，能沿著直線從點xk－1到點xk以β 為最大長度進行搜索.

3）伸縮變換算子為：

式中：γ ＞0 為伸縮因子；Re∈Rn×n是一個對角矩陣，它的元素取值為非零，且服從高斯分布.伸縮變換算子屬于全局搜索算子，能將xk中的每個元素伸縮到（－∞，+∞）整個范圍內(nèi)，實現(xiàn)整個空間的搜索.

4）坐標變換算子為：

式中：δ ＞0 為坐標因子；Ra∈Rn×n是一個稀疏隨機對角矩陣，它的元素取值非零，且服從高斯分布.坐標變換算子能夠沿著坐標軸方向搜索，是一種啟發(fā)式搜索算子，具有較強的單維度搜索能力.

3 風電機組變槳系統(tǒng)故障診斷

在風力發(fā)電機組變槳系統(tǒng)的故障診斷工作中，SCADA 數(shù)據(jù)包含著能有效反映變槳系統(tǒng)特性的狀態(tài)參數(shù)，但SCADA 系統(tǒng)具有特殊性，涉及到變槳系統(tǒng)的參數(shù)不僅復雜多樣，而且相互間存在強耦合性.因此，在進行故障特征選擇時，優(yōu)化模型復雜度，減少計算時間和計算量，選擇有效的狀態(tài)參數(shù)，考慮冗余項，刪除多余特征，避免模型過擬合是有必要的.mcODM－STA 的風電機組變槳系統(tǒng)故障診斷方法流程如圖1 所示.

圖1 mcODM-STA 的風電機組變槳系統(tǒng)故障診斷流程Fig.1 Fault diagnosis process of wind turbine pitch system based on mcODM-STA

3.1 數(shù)據(jù)清洗與預處理

風力發(fā)電機組變槳系統(tǒng)的數(shù)據(jù)包含了機組正常運行時刻、變槳系統(tǒng)故障時刻的傳感器監(jiān)測數(shù)據(jù).由于實際運行工況中存在不穩(wěn)定環(huán)境因素、傳感器異常等影響，導致出現(xiàn)信息處理出錯、數(shù)據(jù)缺失、數(shù)據(jù)異常等問題，因此，需要對獲取的原始數(shù)據(jù)的所有變量進行去除“0”值、空值和歸一化等清洗與預處理.

根據(jù)變槳系統(tǒng)的機理分析可知，當變槳系統(tǒng)故障時，最終影響的主要狀態(tài)參數(shù)是機組的功率輸出.因此進行特征選擇時，可通過Pearson 相關系數(shù)[13]將其他風電機組運行參數(shù)與機組功率輸出做相關性分析，刪除與變槳系統(tǒng)相關度較低的參數(shù).為進一步降低樣本規(guī)模，減少模型計算復雜度，避免模型過擬合，將第一次篩選出來的狀態(tài)變量進行了第二次Pearson 相關性分析，以更精確地刪除部分相關性較高的參數(shù)和剔除冗余量.

3.2 改進多類最優(yōu)間隔分布機

mcODM 中有3 個參數(shù)需要優(yōu)化，分別為間隔方差平衡參數(shù)λ、間隔偏離平衡參數(shù)τ 和不敏感損失參數(shù)θ，每個參數(shù)所表示的作用以及取值范圍如表1 所示.

表1 mcODM 參數(shù)含義及取值范圍Tab.1 Parameter meaning and value range of mcODM

在使用STA 優(yōu)化mcODM 模型參數(shù)過程中，以模型輸出的多分類測試的準確率作為適應度值，決定選擇和更新當前最優(yōu)解.若準確率高于當前最優(yōu)狀態(tài)的準確率，新的參數(shù)將被作為更優(yōu)解，若準確率低于當前最優(yōu)狀態(tài)準確率，則放棄該狀態(tài)向量，進行下一輪迭代.

改進的多類最優(yōu)間隔分布機的適應度函數(shù)的構造以及當前最優(yōu)狀態(tài)解的選擇和更新偽代碼如算法1 所示.

3.3 故障診斷性能評價標準

為驗證改進的多類最優(yōu)間隔分布機在風電機組故障診斷中的有效性，將改進的多類最優(yōu)間隔分布機同采用網(wǎng)格搜索法（Grid Search Algorithm，GS）、遺傳算法（Genetic Algorithm，GA）和粒子群優(yōu)化算法（Particle Swarm Optimization Algorithm，PSO）優(yōu)化的多類最優(yōu)間隔分布機分別應用到由變槳主電源故障、槳葉伺服器驅(qū)動溫度超限故障、變槳系統(tǒng)急停故障、變槳系統(tǒng)超級電容電壓過低故障組成的三類（變槳主電源故障、槳葉伺服器驅(qū)動溫度超限故障、變槳系統(tǒng)急停故障）、四類（變槳主電源故障、槳葉伺服器驅(qū)動溫度超限故障、變槳系統(tǒng)急停故障、變槳系統(tǒng)超級電容電壓過低故障）的多類風電機組變槳系統(tǒng)故障中.

將總體分類準確率作為評價指標，同時引入Kappa 系數(shù)作為另一項評價指標控制實驗結果的偏向性.Kappa 系數(shù)表達式如下：

式中：p0為每一類正確分類樣本數(shù)量之和除以總樣本數(shù)，即總體分類準確率；pe為所有類別分別對應的“實際數(shù)量與預測數(shù)量的乘積”的總和，除以“樣本總數(shù)的平方”.

4 實驗分析

4.1 數(shù)據(jù)描述

實驗采用的是風電場一年內(nèi)實際運行的數(shù)據(jù).該風電場共有33 臺1.5 MW 變速變槳風電機組，每臺機組通過傳感器與監(jiān)控中心相連，數(shù)據(jù)采樣間隔為2 s，采集數(shù)據(jù)儲存于數(shù)據(jù)庫中，部分原始數(shù)據(jù)如表2 所示.

表2 2016 年7 月23 日故障風機部分數(shù)據(jù)Tab.2 Partial data of faulty wind turbine on July 23，2016

4.2 選擇樣本特征

將上述狀態(tài)參數(shù)的原始數(shù)據(jù)先做數(shù)據(jù)清洗，剔除包含“無數(shù)據(jù)”和所有狀態(tài)變量都為“0”的值的變量，歸一化處理后，利用Pearson 相關系數(shù)分別與輸出功率做相關性計算，各參數(shù)與功率輸出相關性計算結果如表3 所示.

表3 各參數(shù)與功率輸出相關性結果Tab.3 Correlation results of parameters and power output

從表3 的相關性結果可以看出，這些狀態(tài)參數(shù)中，部分變量與輸出功率的相關性較低.根據(jù)Pearson 相關系數(shù)的性質(zhì)，剔除相關系數(shù)絕對值小于0.55的中等程度相關的變量，保留其他絕對值大于0.55的變量作為該故障的主要影響因素（如表3 中加粗的部分）并進行第2 次Pearson 相關系數(shù)的計算，找出相關性較大的冗余參數(shù)，對樣本容量進行約簡.狀態(tài)參數(shù)間相關性計算結果如表4 所示.

分析表4 的部分計算結果可以得出，不同部位的相同狀態(tài)參數(shù)之間的相關性也很高，如葉片1 偏角和槳距角1 的相關系數(shù)接近1，變槳電機溫度2 和變槳電機溫度1 相關系數(shù)同樣接近1，由于這些狀態(tài)參數(shù)在反映變槳系統(tǒng)的運行狀況時，作用基本相同，因此，結合表3 和表4 的相關性結果，剔除冗余參數(shù)，將余下的狀態(tài)參數(shù)構建樣本特征集.

表4 狀態(tài)參數(shù)間相關性結果Tab.4 Correlation results among state parameters

4.3 實驗結果

實驗中的4 種變槳距系統(tǒng)故障數(shù)據(jù)如表5 所示.

表5 4 種變槳距系統(tǒng)故障數(shù)據(jù)的故障樣本數(shù)和故障特征數(shù)Tab.5 Fault sample number and fault characteristic number of four kinds of pitch system fault data

當實驗總樣本為變槳主電源故障、槳葉伺服器驅(qū)動溫度超限故障、變槳系統(tǒng)急停故障三類故障時，圖2 為總體故障診斷準確率盒形圖，表6 為Kappa系數(shù)值對比結果.

圖2 三類故障診斷準確率盒形圖Fig.2 Box chart of three kinds of fault diagnosis accuracy

表6 三類故障診斷Kappa 系數(shù)值Tab.6 Kappa coefficient of three kinds of fault diagnosis

由圖2 和表6 可知，基于狀態(tài)轉(zhuǎn)移算法的改進多類最優(yōu)間隔分布機對于三類風電機組變槳系統(tǒng)故障的診斷準確率最高，Kappa 系數(shù)值也高于其他3種故障診斷方法.

當實驗總樣本為變槳主電源故障、槳葉伺服器驅(qū)動溫度超限故障、變槳系統(tǒng)急停故障、變槳系統(tǒng)超級電容電壓過低故障四類故障時，圖3 為總體故障診斷準確率盒形圖，表7 為Kappa 系數(shù)值對比結果.

圖3 四類故障診斷準確率盒形圖Fig.3 Box chart of four kinds of fault diagnosis accuracy

表7 四類故障診斷Kappa 系數(shù)值Tab.7 Kappa coefficient of four kinds of fault diagnosis

由圖3 和表7 可知，基于狀態(tài)轉(zhuǎn)移算法的改進多類最優(yōu)間隔分布機對于四類風電機組變槳系統(tǒng)故障的診斷準確率最高，Kappa 系數(shù)值也高于其他3種故障診斷方法.

5 結論

針對風力發(fā)電機組變槳系統(tǒng)故障診斷模型參數(shù)難以優(yōu)化問題，使用狀態(tài)轉(zhuǎn)移算法對多類最優(yōu)間隔分布機的3 個參數(shù)進行優(yōu)化，將改進的多類最優(yōu)間隔分布機同采用網(wǎng)格搜索法、遺傳算法和粒子群優(yōu)化算法的多類最優(yōu)間隔分布機進行對比，實驗數(shù)據(jù)選擇多種不同類型的變槳系統(tǒng)故障樣本，分別組合成三類、四類的形式，評價指標為總體分類準確率和Kappa 系數(shù).對比結果表明，改進的多類最優(yōu)間隔分布機對于多類變槳系統(tǒng)故障的診斷性能強，相對于其他三種調(diào)參方法生成的模型，擁有更高的總體故障分類準確率，Kappa 系數(shù)值更高，表明了基于改進多類最優(yōu)間隔分布機的風電機組變槳系統(tǒng)故障診斷方法的良好的性能.

在風電機組的故障診斷工作中，由于機組的工作環(huán)境、負載等多種因素的影響，其運行工況復雜多變，導致很多情況下難以達到對整機的故障診斷要求.因此，針對變工況條件下風力發(fā)電機組整機的狀態(tài)監(jiān)測與故障診斷研究，能有效降低機組故障發(fā)生率，提高機組運行穩(wěn)定性.