基于降噪自編碼的風(fēng)力機(jī)參數(shù)異常預(yù)警研究

程斌斌，陳德彬，李德鑫，李宙宇，趙天野

(華能吉林發(fā)電有限公司新能源分公司，長春 130000)

在習(xí)近平總書記“2030年碳達(dá)峰，2060年碳中和”的重要指示下，綠色與高效發(fā)展成為我國能源體系建設(shè)的發(fā)展方向。風(fēng)力發(fā)電作為一種可再生能源，發(fā)展迅速，在我國綠色低碳轉(zhuǎn)型、能源結(jié)構(gòu)調(diào)整等方面發(fā)揮著舉足輕重的作用。風(fēng)電機(jī)組所處環(huán)境復(fù)雜，面臨高溫、高濕、鹽霧腐蝕、沙塵、臺風(fēng)、雷暴等惡劣氣候條件，且隨著風(fēng)電機(jī)組服役年限增長，風(fēng)機(jī)故障率不斷上升，這給機(jī)組的運(yùn)行安全帶來挑戰(zhàn)[1]。目前大型風(fēng)電機(jī)組普遍配置了數(shù)據(jù)采集與監(jiān)視控制(Supervisory Control And Data Acquisition，SCADA)系統(tǒng)，對風(fēng)力機(jī)及其核心部件的性能參數(shù)、溫度和風(fēng)速等環(huán)境參數(shù)、電網(wǎng)電壓和頻率等電氣參數(shù)、風(fēng)力機(jī)故障停機(jī)及維修等運(yùn)行參數(shù)進(jìn)行實(shí)時(shí)遠(yuǎn)程監(jiān)測與記錄。當(dāng)SCADA系統(tǒng)監(jiān)測的參數(shù)超出設(shè)定的閾值，就會觸發(fā)警報(bào)。但是SCADA系統(tǒng)是基于設(shè)計(jì)時(shí)的固定閾值來報(bào)告機(jī)組的運(yùn)行狀態(tài)的，是一種固定的越線報(bào)警模式，未能兼顧環(huán)境變化和機(jī)組在運(yùn)行過程中的老化，當(dāng)機(jī)組發(fā)生故障，觸發(fā)警報(bào)時(shí)，機(jī)組的故障已然惡化，故障的早期預(yù)警無法實(shí)現(xiàn)。因此，采用大數(shù)據(jù)分析方法，利用風(fēng)電機(jī)組SCADA系統(tǒng)大量運(yùn)行數(shù)據(jù)及狀態(tài)信息，開展風(fēng)電機(jī)組性能評估、異常工況預(yù)警及早期故障檢測[2-3]，成為當(dāng)前的研究熱點(diǎn)。

基于SCADA系統(tǒng)的參數(shù)預(yù)警的基本原理是從 SCADA 系統(tǒng)中抽取機(jī)組正常運(yùn)行數(shù)據(jù)，建立預(yù)測模型，對當(dāng)前工況的應(yīng)達(dá)值進(jìn)行估計(jì)，并與實(shí)際運(yùn)行參數(shù)對比，通過殘差的大小來評判機(jī)組的運(yùn)行狀況。睦浩淼[4]在風(fēng)電機(jī)組運(yùn)行狀態(tài)異常檢測方面提出了一種基于回歸算法支持向量機(jī)的方法。陳自強(qiáng)等[5]提出了一種基于深度置信網(wǎng)絡(luò)的風(fēng)電機(jī)組變槳系統(tǒng)的故障診斷方法，用于診斷系統(tǒng)的早期故障，取得了較好的效果。Zhang等[6]分析了長短時(shí)記憶網(wǎng)絡(luò)在風(fēng)力機(jī)參數(shù)預(yù)警中的不確定性。崔愷等[7]建立了基于廣義回歸神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組性能預(yù)測模型和故障預(yù)警模型，并用某實(shí)際風(fēng)電機(jī)組若干歷史故障發(fā)生前后的真實(shí) SCADA 數(shù)據(jù)驗(yàn)證了模型的有效性。

上述方法在風(fēng)電機(jī)組早期參數(shù)異常預(yù)警方面取得了較好的效果，但對風(fēng)電機(jī)組實(shí)際運(yùn)行的狀態(tài)考慮不夠全面。其中數(shù)據(jù)清洗規(guī)則不適用于不規(guī)則和多密度數(shù)據(jù)集，對于限負(fù)荷數(shù)據(jù)的清洗過程較為繁瑣，且其建模方法也存在適應(yīng)性不足的缺點(diǎn)?；诖耍疚囊罁?jù)風(fēng)力發(fā)電機(jī)的工作原理，將風(fēng)電機(jī)組劃分為風(fēng)速功率系統(tǒng)、機(jī)艙溫度系統(tǒng)、變槳系統(tǒng)、齒輪箱系統(tǒng)、發(fā)電機(jī)系統(tǒng)等子系統(tǒng)，基于降噪自編碼(Denoising Auto-Encoders,DAE)深度神經(jīng)網(wǎng)絡(luò)，建立了風(fēng)力發(fā)電機(jī)組各子系統(tǒng)的參數(shù)異常預(yù)警模型。在此基礎(chǔ)上，依據(jù)SCADA系統(tǒng)實(shí)際運(yùn)行數(shù)據(jù)，從空值、異常值、非正常狀態(tài)數(shù)據(jù)以及歸一化等4個(gè)方面提出了一整套數(shù)據(jù)預(yù)處理方法，最終提出了一種基于降噪自編碼的風(fēng)電機(jī)組參數(shù)預(yù)警方法。

1 數(shù)據(jù)預(yù)處理

風(fēng)電機(jī)組傳感器數(shù)據(jù)容易出現(xiàn)測量誤差，這通常是惡劣的自然環(huán)境、強(qiáng)電磁干擾和信道噪聲造成的，由于傳感器失靈、通信錯(cuò)誤或極端天氣等原因會產(chǎn)生不良數(shù)據(jù)。機(jī)組實(shí)際輸出功率為零的情況通常由測量終端通信設(shè)備故障、非計(jì)劃停運(yùn)等原因?qū)е?。由于電網(wǎng)負(fù)荷端接納能力不足，風(fēng)電機(jī)組可能會出現(xiàn)被迫降功率運(yùn)行或停機(jī)的情況，導(dǎo)致發(fā)生限功率運(yùn)行。以上種種原因可能會導(dǎo)致SCADA中的數(shù)據(jù)不能用于模型訓(xùn)練。上述問題一般可以歸納為空值、異常值、非正常工況三種情況，此外在模型訓(xùn)練中數(shù)據(jù)還存在歸一化的問題。

1.1 空值

風(fēng)力機(jī)組長時(shí)間在惡劣工況下運(yùn)行會導(dǎo)致其狀態(tài)不穩(wěn)定，出現(xiàn)間歇性的啟停機(jī)或者通信中斷情況，這種情況會導(dǎo)致傳達(dá)到SCADA數(shù)據(jù)庫的數(shù)據(jù)為空值。如果SCADA系統(tǒng)中的數(shù)據(jù)在較長時(shí)間范圍內(nèi)都為空值，可以采用直接去除的方式對空值數(shù)據(jù)進(jìn)行預(yù)處理。

1.2 異常值

SCADA數(shù)據(jù)中的異常值主要指傳感器的測量值超出其物理上下限，或者其測量結(jié)果超出當(dāng)前可能的正常范圍，如風(fēng)速、環(huán)境溫度等超出正常范圍。對于傳感器測量值超出物理上下限的數(shù)據(jù)可以直接采用刪除的方式進(jìn)行處理。對于采用極值判斷后測量結(jié)果出現(xiàn)明顯異常的情況，比如風(fēng)速值、轉(zhuǎn)速值小于0或者絕對值特別大等情況，應(yīng)該將其歷史記錄的保存數(shù)據(jù)刪除。對于其他可能存在的不正常情況和數(shù)據(jù)值，應(yīng)通過對風(fēng)電機(jī)組歷史值的統(tǒng)計(jì)分析，采用箱型圖方法進(jìn)行預(yù)處理，以刪除明顯偏離正常值的數(shù)據(jù)點(diǎn)。

箱形圖可以用來描述數(shù)據(jù)分布的整體情況，通過計(jì)算中位數(shù)、下四分位數(shù)、上四分位數(shù)、上邊界、下邊界等統(tǒng)計(jì)量來生成一個(gè)箱體圖，來描述數(shù)據(jù)的整體分布情況。箱體內(nèi)是正常數(shù)據(jù)，超出了上下邊界的數(shù)據(jù)可以判定為異常。箱型圖剔除數(shù)據(jù)中的異常數(shù)據(jù)的原理如圖1所示。

圖1 箱型圖剔除異常數(shù)據(jù)

上下邊界計(jì)算公式如下：

(1)

式中：Q1表示數(shù)據(jù)的下四分位數(shù)；Q3表示數(shù)據(jù)的上四分位數(shù)；Xll表示數(shù)據(jù)集的下限；Xul表示數(shù)據(jù)集的上限。

1.3 非正常工況數(shù)據(jù)

非正常工況數(shù)據(jù)主要指設(shè)備未運(yùn)行時(shí)產(chǎn)生的數(shù)據(jù)和設(shè)備發(fā)生故障時(shí)的運(yùn)行數(shù)據(jù)，以及發(fā)生棄風(fēng)限電或出現(xiàn)多參數(shù)間有邏輯矛盾的情況下的數(shù)據(jù)，如風(fēng)速低于切入風(fēng)速，但機(jī)組卻仍然并網(wǎng)發(fā)電等。對于該類數(shù)據(jù)，可以通過邏輯值加聚類方式對其數(shù)據(jù)范圍進(jìn)行判斷，然后將數(shù)據(jù)記錄刪除。

1.4 數(shù)據(jù)歸一化

SCADA數(shù)據(jù)中存儲的監(jiān)測數(shù)據(jù)種類眾多，不同類型數(shù)據(jù)單位不同，物理意義不同。不同評價(jià)指標(biāo)往往具有不同的量綱和量綱單位，這樣的情況會影響到數(shù)據(jù)分析的結(jié)果。為了消除指標(biāo)之間的量綱影響，需將數(shù)據(jù)進(jìn)行歸一化處理。歸一化計(jì)算公式如下：

(2)

2 降噪自編碼深度網(wǎng)絡(luò)模型

自編碼器(Auto-Encoder，AE)[8]是一種用于學(xué)習(xí)輸入數(shù)據(jù)非線性特征并將其進(jìn)行重構(gòu)的神經(jīng)網(wǎng)絡(luò)，通過無監(jiān)督方式學(xué)習(xí)輸入數(shù)據(jù)的表達(dá)特征，網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、隱含層和輸出層。通常AE的輸出層與輸入層的神經(jīng)元數(shù)量相同，其訓(xùn)練目標(biāo)是讓輸出盡可能還原輸入信號。AE包括從輸入層到隱藏層的編碼過程和隱藏層到輸出層的解碼過程,其邏輯結(jié)構(gòu)如圖2所示。

圖2 自編碼神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

為了解決經(jīng)典AE容易產(chǎn)生的過擬合的問題，Vincent等[9]提出了DAE方法，在傳統(tǒng)AE的輸入層加入隨機(jī)噪聲來增強(qiáng)模型的魯棒性。分別用函數(shù)表示添加噪聲、編碼器、解碼器和損失函數(shù)如下：

(3)

(4)

(5)

(6)

3 系統(tǒng)建模及訓(xùn)練

3.1 系統(tǒng)建模

風(fēng)電機(jī)組是由風(fēng)輪、偏航、變槳、傳動鏈、發(fā)電機(jī)、機(jī)艙、塔架以及控制系統(tǒng)等共同構(gòu)成的發(fā)電運(yùn)行系統(tǒng)。若將整個(gè)風(fēng)電機(jī)組建立成一個(gè)DAE深度網(wǎng)絡(luò)模型，則會存在輸入?yún)?shù)過多，且多個(gè)參數(shù)之間相關(guān)性不強(qiáng)的問題，這會導(dǎo)致模型的訓(xùn)練樣本超大，訓(xùn)練和預(yù)測速度降低，精度較低。因此本文依據(jù)風(fēng)電機(jī)組的工作原理，將其劃分為風(fēng)速功率子系統(tǒng)、機(jī)艙溫度子系統(tǒng)、變槳子系統(tǒng)、偏航子系統(tǒng)、齒輪箱子系統(tǒng)、發(fā)電機(jī)子系統(tǒng)等等，對每個(gè)子系統(tǒng)分別建模，并選取相應(yīng)的輸入輸出參數(shù)。需要注意的是，不同廠家不同型號的機(jī)組，由于傳感器的布置存在一定的差異，其子系統(tǒng)的輸入輸出參數(shù)會根據(jù)傳感器的實(shí)際布置情況進(jìn)行修正。以金風(fēng)GW82/1500型機(jī)組為例，其發(fā)電機(jī)子系統(tǒng)的模型輸入輸出參數(shù)如表1所示，而華銳SL1500/77型機(jī)組的發(fā)電機(jī)子系統(tǒng)的模型輸入輸出參數(shù)如表2所示，可以看出其有較大的差異。

表1 金風(fēng)GW82/1500機(jī)組發(fā)電機(jī)模型的輸入輸出參數(shù)

表2 華銳SL1500/77機(jī)組發(fā)電機(jī)模型的輸入輸出參數(shù)

3.2 系統(tǒng)模型訓(xùn)練

下面以金風(fēng)GW82/1500型機(jī)組發(fā)電機(jī)子系統(tǒng)的模型為例，根據(jù)3.1節(jié)所建立的各子模型分別進(jìn)行訓(xùn)練。該DAE模型設(shè)置3個(gè)隱含層，對每個(gè)隱含層的單元個(gè)數(shù)、學(xué)習(xí)率以及噪聲損壞程度進(jìn)行網(wǎng)格搜索尋優(yōu)，最終確定單元數(shù)分別是8和4，損壞程度為0.4，優(yōu)化器為Adam，訓(xùn)練損失函數(shù)為MSE。模型的W，b等參數(shù)在訓(xùn)練開始時(shí)進(jìn)行服從均勻分布的隨機(jī)初始化。模型建立完成后進(jìn)行訓(xùn)練。本文選取前一年的正常工況作為總樣本，將總樣本按季節(jié)進(jìn)行劃分，從各個(gè)季節(jié)中隨機(jī)選擇80%的數(shù)據(jù)作為訓(xùn)練樣本，其余20%數(shù)據(jù)作為測試樣本。圖3為模型訓(xùn)練過程中訓(xùn)練樣本與測試樣本損失函數(shù)變化趨勢，隨著訓(xùn)練深度的增加，損失函數(shù)逐漸降低直至趨于穩(wěn)定。

圖3 模型訓(xùn)練損失函數(shù)變化過程

4 實(shí)例分析

根據(jù)前述研究結(jié)果，采用JAVA軟件開發(fā)系統(tǒng)界面，采用PYTHON建立風(fēng)電機(jī)組各子系統(tǒng)的預(yù)警模型,并將所開發(fā)的預(yù)警軟件布置在某風(fēng)電公司的A風(fēng)電場、B風(fēng)電場和C風(fēng)電場上，2021年8月份運(yùn)行1個(gè)多月的預(yù)警事件統(tǒng)計(jì)表明，正確預(yù)警為180條，錯(cuò)誤預(yù)警為27條，運(yùn)行1個(gè)月來的預(yù)警準(zhǔn)確率為86.9%。下面以C風(fēng)電場運(yùn)達(dá)F28風(fēng)電機(jī)組變槳系統(tǒng)為例，詳細(xì)說明其預(yù)警結(jié)果。

2021年8月31日 04:59:44 該風(fēng)電機(jī)組槳葉2電機(jī)溫度殘差超限，發(fā)出預(yù)警，同一時(shí)刻的槳葉1號電機(jī)溫度、槳葉3號電機(jī)溫度未發(fā)出預(yù)警信息，預(yù)測界面如圖4至圖6所示。

圖4 槳葉1號電機(jī)溫度預(yù)測結(jié)果圖

圖5 槳葉2號電機(jī)溫度預(yù)測結(jié)果圖

圖6 槳葉3號電機(jī)溫度預(yù)測結(jié)果圖

從圖4至圖6可以看出，槳葉1號、3號電機(jī)溫度預(yù)測值與實(shí)際值之間均擬合得較好，殘差處于很低的水平。經(jīng)分析實(shí)際值可知，此時(shí)槳葉2號電機(jī)溫度長時(shí)間在48 ℃上下波動，與1號、3號電機(jī)溫度實(shí)際值差距較大，懷疑溫度傳感器損壞。經(jīng)維修人員現(xiàn)場檢查后，確定了該故障。

5 結(jié) 論

基于風(fēng)電機(jī)組SCADA系統(tǒng)歷史運(yùn)行數(shù)據(jù)，從空值、異常值、非正常狀態(tài)數(shù)據(jù)以及歸一化等4個(gè)方面提出了一整套數(shù)據(jù)預(yù)處理方法，對原始數(shù)據(jù)進(jìn)行了清洗，剔除異常和故障數(shù)據(jù)，然后依據(jù)風(fēng)力發(fā)電機(jī)的工作原理，將風(fēng)電機(jī)組劃分為風(fēng)速功率系統(tǒng)、機(jī)艙溫度系統(tǒng)、變槳系統(tǒng)、齒輪箱系統(tǒng)、發(fā)電機(jī)系統(tǒng)等子系統(tǒng)，進(jìn)而采用DAE建立了風(fēng)電機(jī)組正常參數(shù)預(yù)測模型，并對模型進(jìn)行了驗(yàn)證。結(jié)果表明，該方法能夠?qū)︼L(fēng)電機(jī)組異常狀態(tài)進(jìn)行提前預(yù)警，準(zhǔn)確率能夠滿足風(fēng)電場實(shí)際需求。研究成果對于機(jī)組的安全運(yùn)行和維護(hù)決策具有重要意義。