基于多源信息融合預測技術在智慧風電場的應用

華能華家?guī)X風力發(fā)電有限公司 歐旭鵬 任 濤 張 亮 徐一廉 王運輝

運行維護計劃是風電場運營的基本組成部分，對設備成本、市場收入和維護人員的維修有著深遠的影響。在典型應用中，維護成本占風電場運行成本的25～35%。一旦故障發(fā)展到更嚴重的階段，修復的成本就會呈指數(shù)級增加，直到完全修復的時間也會更長。與其他機械行業(yè)相比，這對風電能源行業(yè)的影響可能過大。因此必須提前預測設備故障，及早采取必要的措施，以防止災難性的設備損壞事故發(fā)生。為了降低成本，風電場運營商不斷尋找方法，大多數(shù)電站的管理者以及投資者開始思考將大型風電場傳統(tǒng)運維管理模式向現(xiàn)代更加智能的智慧風電場運維模式轉(zhuǎn)變。以風電場價值為中心，發(fā)電量最優(yōu)、運維成本最低成為智慧電場的核心思想。

多源信息融合(Multi-Source Information Fusion，MSIF)是一種基于算法研究將單一源信息融合的方法，能夠獲得比單源(或單傳感器)更高精度的重要信息。1970年左右被研究人員逐漸研究和學習，此后MSIF 的理論和技術得到了迅速發(fā)展，成為一門綜合性、跨學科技術，已成功應用于各個領域。

為了滿足設備性能和提升發(fā)電效益，本文基于多源信息融合技術，構建了風電場可視化智能管理系統(tǒng)。該技術通過多位置傳感器、無人機成像、熱成像等設備，采集多源化信息數(shù)據(jù)，結合信息融合專家系統(tǒng)建立風機設備的智能預警系統(tǒng)。該系統(tǒng)可以實現(xiàn)部分健康狀態(tài)監(jiān)測、定期體檢、剩余壽命預測、最佳運行狀態(tài)識別等功能，將預測策略結果可視化，通過客戶端、移動端、集控大屏展示，實時動態(tài)了解設備運行狀況，最終到達了早期階段識別故障以及預測的效果，優(yōu)化運行維護工作質(zhì)量。

1 風電場運維現(xiàn)狀

風電場最開始的運維模式是采用SCADA 系統(tǒng)，來監(jiān)測風電機組的發(fā)電量以及運行狀態(tài)。整個風電場的運行于與檢修都在升壓站內(nèi)，我們將這種運維模式稱為風電場運維1.0時代。隨著遠程監(jiān)測技術的升級，以及集控思想的出現(xiàn)，出現(xiàn)了由區(qū)域公司集中化監(jiān)測與管理，即風電場運維2.0時代。雖然在技術層面風電場的運維有所提升，但是風電場的運維管理模式為被動式維護[1]，現(xiàn)有風電場運維模式有如下不足：

運維策略后置。目前風電場維護計劃的方法可以分為兩大類：一類是不使用傳感器信息的機會性維護方法，即定期維護；二類是專注于消除故障方法，即反應性策略(故障后修復)。這種運維的策略，使得維護中存在維護不足、過度維修且“維修過度”造成設備的可靠性降低、點檢等問題，對于大部件的損壞和失效實時管控;對于突發(fā)或者偶發(fā)故障，監(jiān)測以及預測不及時。

運維成本高。由于風電機組的分布比較廣，風電場的地理位置大多處在偏遠、交通不便的沙漠以及海拔比較高的山地上。由于傳統(tǒng)風電場運維技術的落后，風電機組與升壓站的定期運維工作、計劃性運維、故障檢修以及大量運維信息查詢、分析等工作必須人工完成，這讓運維的成本變高。

信息共享能力差。風電場每天運行中，風力發(fā)電機群組會產(chǎn)生大量的運行信息和數(shù)據(jù)，例如風功率預測數(shù)據(jù)，升壓站運行數(shù)據(jù)，繼保室運行錄波，風機運行監(jiān)測數(shù)據(jù)等，這些數(shù)據(jù)以及監(jiān)測管理系統(tǒng)都是相互獨立的，沒有信息之間的共享，使得風電場產(chǎn)生的大量數(shù)據(jù)通過運行人員自己分析處理，人為的分析數(shù)據(jù)的能力是有限的。大大增加了運行維護人員的工作量。傳統(tǒng)風電場的運維模式在當下快速發(fā)展新能源的時代中，顯然不能提升發(fā)電能力，只有傳統(tǒng)風電場運維模式向智能化風電場管控轉(zhuǎn)變，才能使得風電場的效益明顯的提升[2]。

圖1 多源信息融合模型

2 多源信息融入

MSIF 的課題已經(jīng)研究了幾十年，仍處于熱門的研究中?？偨Y研究人員提出的各種研究結論，給出了一下定義：多源信息融合（MSIF）也稱為多傳感器融合，是一個多層次、多方面的過程，包括多源信息的檢測、關聯(lián)、組合和估計，從而提高狀態(tài)和身份估計的準確性，以及及時完整地評估目標情況和威脅的最終程度[3]。

多源信息融合級別主要有數(shù)據(jù)級融合、特征級融合、決策級融合。數(shù)據(jù)級融合的方式比較簡單，將傳感器采集的信息直接通過單一模型去預測，將預測的結果在同一類型中進行信息融合，然后得到融合預測值，通過對預測值的進行特征提取和判斷決策。這種融合方式極大程度保留了原始信息，兼容性比較差。屬于最低層次融合，但是數(shù)據(jù)精度比較高一點；特征級融合是將傳感器采集的信息先壓縮，壓縮的方式就是將原始信息抽象成特征向量，然后根據(jù)相應的算法融合處理。這種融合方式對原始數(shù)據(jù)進行了壓縮，使得數(shù)據(jù)量減少，也使得信息量會損失；決策級融合是通過每個傳感器采集的信息先自身數(shù)據(jù)做決策，然后通過決策值的權重來完成局部決策。是最高層次的信息融合。但是數(shù)據(jù)量損失嚴重，精度最低。因此本文選取了數(shù)據(jù)級融合方式，可極大程度保留原始數(shù)據(jù)，通過大數(shù)據(jù)分析來提高融合的精度。

多源信息融合主要應用于空中目標偵察與預警、智能交通與智能車輛、目標識別與身份認證、智能傳感與智能控制等領域，本文將多源信息融合應用于風電場智能管理領域。

圖2 為數(shù)據(jù)級融合模型

3 基于多源信息融合的主要技術與算法

3.1 單一模型信息融合預測

單一模型對信息處理的能力是有限的，一般對冗長信息融合能力差，但風電場運行設備中有一部分設備的信息比較單一，非常適合單一模型的信息融合，單一模型的預測與風電機組設備運行的歷史數(shù)據(jù)之間呈現(xiàn)出不確定的非線性函數(shù)關系，為了使得到的預測效果準確，訓練集樣本需采用非線性樣本集，來訓練得到非線性特性，本文采用卷積神經(jīng)網(wǎng)絡（CNN）算法來預測單一模型，卷積過程[4]：Fl+1,m(S)=wl,m×xl(S)+bl,m，式中：wl,m和bl,m分別表示第l 層中第m 個濾波器內(nèi)核的權重矩陣和偏置項；xl(S)表示第l 層S 為單一模型。Fl+1,m(S)表示第m 個濾波器的卷積后的輸出，即觀測空間到特征空間的非線性映射。

3.2 基于專家系統(tǒng)的信息融合預測

專家系統(tǒng)在從各種數(shù)據(jù)模型中進行信息融合方面有其獨特的優(yōu)勢，正因為如此，近十年來，它受到了眾多研究者的關注，并取得了一定的成果。目前，專家系統(tǒng)在數(shù)據(jù)融合模型和技術方面取得了突破性進展，它主要體現(xiàn)在對復雜序列趨勢的預測問題的融合應用上。對于復雜時間序列信息，單一模型信息融合精度是遠遠不夠的，為了使其預測的效果具有準確性，通過專家系統(tǒng)的其單一預測模型組合起來，發(fā)現(xiàn)效果明顯優(yōu)于單一模型的精度。對于風力發(fā)電機組在不穩(wěn)定的環(huán)境中運行，采集到的信息中存在復雜時間序列信息，通過融合不同的專家預測信息來增加風電機組運行狀態(tài)，使得風電場的運維模式更高效。

因為權重的分配對專家系統(tǒng)融合的結果有決定性因素，所以權重的求解顯得尤為重要?？梢詫嘀氐那蠼饪闯墒且粋€優(yōu)化問題，這個優(yōu)化問題要比一般的約束多一點，難度也大。因而，本文選取布谷鳥搜索算法（Cuckoo Search，縮寫CS）作為融合函數(shù)中權重的確定方式。CS 算法主要優(yōu)點是參數(shù)少、隨機搜索路徑優(yōu)和尋優(yōu)能力強等，因此，CS 算法可以更好地解決權重問題。

3.3 異源信息

在信息系統(tǒng)中，屬性值可以來自不同的來源，并且數(shù)據(jù)類型可能不同。在具有不同類型特征值的數(shù)據(jù)(即異源信息)中進行信息融合尤為重要，因為這類數(shù)據(jù)集在現(xiàn)實生活中廣泛存在。例如，作為多媒體媒體的視頻可以被分解成多個單模模式，諸如動態(tài)圖像、動態(tài)語音和動態(tài)文本，其包含三種不同類型的數(shù)據(jù)。此外，多傳感器的融合還涉及到各種類型的數(shù)據(jù)。如何處理和融合不同類型的數(shù)據(jù)是一個熱門話題?？偟膩碚f，研究人員最初通過描述表示數(shù)據(jù)類型的距離函數(shù)來討論異構性，然而，許多研究將異構數(shù)據(jù)定義為兩種類型的數(shù)據(jù)屬性，即數(shù)值屬性和類別屬性。多傳感器對風電機組運行設備短期性能影響的不規(guī)則事件，因此，采用專家預測系統(tǒng)的方法，通過專家的原理性知識和經(jīng)驗性知識來預測異源信息對風電機組運行設備狀態(tài)值影響程度。

3.4 多源信息融合預測的總體思想

從風電機組信息源的方向出發(fā)，提出了基于多源信息融合的風電機組設備預測，在整個機組運行過程中除了專家系統(tǒng)預測的影響，而且也會受到來自異源信息對設備運行狀態(tài)的影響，我們使用異源信息作為對專家系統(tǒng)融合信息調(diào)整依據(jù)[5]。采用=(S1t,S2t,…,Snt)+來整體融合，其中，t 表示時間，表示基于多源信息融合技術對風電機組設備狀態(tài)的預測值，表示專家系統(tǒng)預測信息，表示異源信息對風電機組設備狀態(tài)的預測值。圖3為基于多源信息融合技術的風電機組運行設備狀態(tài)預測的整體思路。

圖3 多源信息融合預測總體理論框架

4 基于多源信息融合的智能運維

風電場管理者開始了自主研發(fā)智慧運維模式。希望建設智慧電場，來優(yōu)化運維管理，同時對設備的狀態(tài)可以預測，通過現(xiàn)有的研究可以看出，現(xiàn)階段風電場對風電機組各設備狀態(tài)的監(jiān)測與故障預警方面存在很多不足[6]。

針對以上存在的不足問題，本文基于多源信息融合技術預測建立智能運營系統(tǒng)，圖4為智能運營的系統(tǒng)架構圖，智能運營系統(tǒng)共有5層體系系統(tǒng)架構組成，分別是感知層與數(shù)據(jù)層、智能層、應用層和展現(xiàn)層。其中感知層是各周期風電系統(tǒng)全空間信息采集的關鍵部分，包含多位置傳感器、無人機成像、熱成像等，主要是對設備運行狀態(tài)感知，是整個系統(tǒng)的基礎部分，數(shù)據(jù)層主要是風機運行各類數(shù)據(jù)的存儲、組織、管理與共享，可以通過數(shù)據(jù)之間的特征來建立信息之間的映射關系，為多源信息融入提供有效的、完整的數(shù)據(jù)支撐，是整個智能系統(tǒng)的重要組成部分。

圖4 基于多源信息融合預測智能運營系統(tǒng)框架

智能層是將預測的結果通過數(shù)字孿生與機器學習訓練的方法建立風力發(fā)電機組四大子系統(tǒng)，四大子系統(tǒng)分別為亞健康預警系統(tǒng)、全生命周期健康度管理、智能故障診斷、數(shù)字化運維。其中風力發(fā)電機組的亞健康預警系統(tǒng)類似人身體的亞健康預警系統(tǒng)，可以提前預測設備存在的；全生命周期健康度管理，來觀測風力發(fā)電設備的運行狀態(tài)以及健康值，為設備的整體運行提供可靠依據(jù)；智能故障診斷，用機器學習中最新的算法來診斷設備運行的故障；數(shù)字化運維，結合亞健康預警和健康度管理實現(xiàn)運維排程指導和運維決策。通過智能管理策略，構建智能管理中心，其中包括物資管理、臺賬管理、運行管理、檢修管理。

應用層從智能預警中心和智能管理中心兩個功能模塊實現(xiàn)整個風電場的智能運營體系；視化展現(xiàn)層主要通過瀏覽器、客戶端、移動終端、大屏幕顯示等設備向運行人員展示當前風電場運行狀況，值班人員很直觀觀測到整個風電場的運行狀態(tài)，做出整體運維調(diào)度工作。實現(xiàn)跨平臺多功能應用，使得運維人員更加方便溝通，數(shù)據(jù)共享，進行智能運維決策、智能預警、智能管理等專業(yè)應用，完成多源信息融合技術預測建立智能管理平臺系統(tǒng)[6-7]。

本文提出風電場智能運營系統(tǒng)，借助多源信息融合中的專家系統(tǒng)與異源信息技術預測模型，對風電場設備運行狀況進行預測，并結合歷史業(yè)務運行數(shù)據(jù)分析，準確判斷風電場當前設備運行狀態(tài)，預測評和估風電場綜合狀態(tài)，優(yōu)化運維模式，提前做出預警，預防安全隱患。整個運營系統(tǒng)利用智能運維平臺大數(shù)據(jù)、機器學習算法、云計算服務，對風力發(fā)電機組設備正常運行、告警、故障等多源數(shù)據(jù)分析。此外，可以有集控室的客戶端與瀏覽器向檢修人員的移動終端上發(fā)送風電機組設備定期檢修、維修等工作，監(jiān)督工作人員標準化作業(yè)，開發(fā)智能開票系統(tǒng)，輔助工作人員簡潔化作業(yè)和記錄檢修維護信息標。