基于多特征信息融合的風(fēng)電機(jī)組整機(jī)性能評估

曾天生，劉 航，陳漢斯，王 崢，褚學(xué)寧+

(1.上海交通大學(xué) 機(jī)械與動力工程學(xué)院，上海 200240；2.鄭州航空工業(yè)管理學(xué)院 管理工程學(xué)院，河南 鄭州 450015)

1 問題的描述

由于長期工作在惡劣的自然環(huán)境中，風(fēng)電機(jī)組的性能退化不可避免，其可靠性隨著時間的推移逐漸下降[1]。風(fēng)電機(jī)組往往安裝在偏遠(yuǎn)地區(qū)，發(fā)生故障會導(dǎo)致較長的停機(jī)時間，且需要投入大量維修成本。利用傳感器采集到的運行數(shù)據(jù)對風(fēng)機(jī)整體性能進(jìn)行評估，對于風(fēng)電機(jī)組的狀態(tài)監(jiān)測和預(yù)防維護(hù)具有重要意義。

風(fēng)電機(jī)組的數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)(Supervisory Control and Data Acquisition, SCADA)記錄了風(fēng)電機(jī)組的運行數(shù)據(jù)和故障信息，在風(fēng)機(jī)性能評估和狀態(tài)監(jiān)測等領(lǐng)域[2]已有廣泛的應(yīng)用。如Sun等[3]使用SCADA數(shù)據(jù)訓(xùn)練長短時記憶神經(jīng)網(wǎng)絡(luò)(Long Short-Term Memory network, LSTM)模型，提出一種風(fēng)電機(jī)組健康狀態(tài)值的加權(quán)評估方法，用于監(jiān)控風(fēng)電機(jī)組的運行狀態(tài);DU等[4]使用自組織映射(Self-Organizing Map, SOM)神經(jīng)網(wǎng)絡(luò)將高維的SCADA數(shù)據(jù)映射到二維平面上，用于檢測風(fēng)電機(jī)組的異常狀態(tài);丁顯等[5]使用隨機(jī)森林篩選SCADA數(shù)據(jù)中與轉(zhuǎn)速關(guān)聯(lián)較大的參數(shù)，并將其作為輸入訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，以誤差上下限閾值實現(xiàn)風(fēng)電機(jī)組的故障預(yù)警;趙洪山等[6]基于深度自編碼網(wǎng)絡(luò)(Deep Auto Encoder, DAE)分析SCADA數(shù)據(jù)并提取重構(gòu)誤差，根據(jù)其分布的估計計算閾值，最后根據(jù)超出閾值的時間預(yù)測風(fēng)電機(jī)組的故障;MAZIDI等[7]在SCADA數(shù)據(jù)上使用神經(jīng)網(wǎng)絡(luò)技術(shù)檢測風(fēng)電機(jī)組的故障，并使用主成分分析定位故障部件;胡姚剛等[8]以SCADA數(shù)據(jù)中的軸承溫度作為退化趨勢量，基于Wiener過程建立性能退化模型，并對軸承的剩余壽命進(jìn)行預(yù)測。這些研究為風(fēng)電機(jī)組狀態(tài)監(jiān)測和預(yù)防維護(hù)提供了支持，但對SCADA數(shù)據(jù)中由于風(fēng)電機(jī)組部件耦合導(dǎo)致的信息冗余、信息沖突等問題考慮不足，可能導(dǎo)致誤報警，造成不必要的維護(hù)成本。因此，有必要應(yīng)用信息融合技術(shù)來提高性能評估的準(zhǔn)確度。

信息融合的目的是對多源數(shù)據(jù)進(jìn)行分析、處理和統(tǒng)一，從而得到更加準(zhǔn)確的狀態(tài)估計。該方法廣泛應(yīng)用于傳感器網(wǎng)絡(luò)、機(jī)器人技術(shù)、圖像處理等領(lǐng)域[9]。風(fēng)電機(jī)組SCADA數(shù)據(jù)是一種典型多源傳感器數(shù)據(jù)，將信息融合技術(shù)應(yīng)用于風(fēng)電機(jī)組的性能評估和狀態(tài)監(jiān)測具有重要意義。馬越等[10]使用自適應(yīng)完全集合經(jīng)驗?zāi)B(tài)分解方法，從風(fēng)電機(jī)組齒輪箱的多個振動傳感器數(shù)據(jù)中提取特征，并使用核主成分分析(Kernel Principle Component Analysis, KPCA)進(jìn)行融合，對齒輪箱開展了性能衰退分析;SOMAN等[11]使用擴(kuò)展卡爾曼濾波(Extended Kalman Filtering, EKF)對風(fēng)電機(jī)組的偏航角和彎曲應(yīng)力數(shù)據(jù)進(jìn)行了融合，用于中軸的損傷檢測;KIM等[12]提出一種通用的性能指標(biāo)構(gòu)建方法，用于融合多傳感器的退化信息;蔡忠義等[13]使用貝葉斯統(tǒng)計推斷融合實際運行數(shù)據(jù)和歷史壽命數(shù)據(jù)，實現(xiàn)產(chǎn)品的剩余壽命預(yù)測。上述方法主要針對某部件的同源數(shù)據(jù)進(jìn)行融合，不適用于風(fēng)電機(jī)組的整機(jī)性能評估。

與同源傳感器的信息融合不同，本文基于風(fēng)電機(jī)組SCADA數(shù)據(jù)中異源數(shù)據(jù)的關(guān)聯(lián)關(guān)系，使用深度信念網(wǎng)絡(luò)(Deep Belief Network, DBN)來建立多健康狀態(tài)模型，提取性能特征，并基于SOM進(jìn)行信息融合。最后，對SOM得到的風(fēng)電機(jī)組運行狀態(tài)轉(zhuǎn)移過程進(jìn)行分析，提出一種性能指標(biāo)構(gòu)建方法來量化風(fēng)電機(jī)組的性能，對風(fēng)電機(jī)組進(jìn)行性能評估。研究框架可以分為如圖1所示的兩個階段。

階段一：篩選正常運行數(shù)據(jù)，基于DBN建立健康狀態(tài)模型以提取性能特征。首先使用Sigmoid函數(shù)變換改進(jìn)局部離群因子算法(Local Outlier Factor, LOF)，篩選出正常運行數(shù)據(jù)。然后，使用Kendall相關(guān)系數(shù)進(jìn)行參數(shù)選擇，建立DBN模型擬合參數(shù)間的關(guān)聯(lián)關(guān)系，提取模型預(yù)測值和實際值的殘差作為性能特征。

階段二：基于SOM融合性能特征，并構(gòu)建性能指標(biāo)來評估風(fēng)電機(jī)組性能。使用SOM網(wǎng)絡(luò)將多維的殘差特征映射到競爭層上實現(xiàn)信息融合，使用狀態(tài)劣化指數(shù)加權(quán)得到性能指標(biāo)。最后對性能指標(biāo)的分布進(jìn)行擬合以確定報警閾值，作為風(fēng)電機(jī)組運行狀態(tài)異常的依據(jù)。

2 基于LOF-DBN模型的性能特征提取

2.1 改進(jìn)LOF算法

首先根據(jù)文獻(xiàn)[14]中對風(fēng)電機(jī)組異常數(shù)據(jù)的分類和處理方法，分以下3步對數(shù)據(jù)進(jìn)行預(yù)處理：①使用線性插值處理缺失值；②去除不符合物理意義的數(shù)據(jù)和棄風(fēng)數(shù)據(jù)；③使用z-score公式對原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化。但在進(jìn)行風(fēng)電機(jī)組性能評估時，需要進(jìn)一步篩除離群點，獲得風(fēng)電機(jī)組正常運行數(shù)據(jù)。LOF算法是BREUNIG等[15]提出的一種有效的離群點檢測算法，其計算步驟如下。

n維空間中點L和點O的歐氏距離為：

將點L鄰域內(nèi)的點到L的距離排序得到(O1,O2,…,Ok)，定義到點L的第k距離(即距離點L的k值距離)為dk(L)=d(L,Ok)，第k距離內(nèi)的點的集合稱為點L的第k鄰域Nk(L)。

以點L及其附近鄰域作為研究對象，定義任意一點O到點L的第k可達(dá)距離為:

dk(L,O)=max{dk(O),d(L,O)}。

(1)

從式(1)可以看出，點O到點L的第k可達(dá)距離即為點O的第k距離和點O,L的實際歐式距離之間的較大值。通過式(2)計算點L的局部可達(dá)密度(local reachability density, LRD):

(2)

根據(jù)式(3)計算點L的局部離群因子(LOF)，若LOF值大于1，說明點L相比領(lǐng)域內(nèi)的點密度要小，可能為離群點。在實際應(yīng)用中，需要針對具體數(shù)據(jù)，設(shè)置合適的k值和離群點閾值c，即當(dāng)LRDk(L)>c時,將L判斷為離群點。

(3)

由于風(fēng)速功率存在非線性關(guān)系，風(fēng)速的輕微變化就可能使功率發(fā)生較大的變化，而LOF算法使用歐式距離來度量數(shù)據(jù)點之間的區(qū)別，直接用于處理風(fēng)電機(jī)組數(shù)據(jù)效果較差。ZHENG等[14]的研究表明，風(fēng)電機(jī)組的功率維度對離群點識別影響更大，需通過對功率加權(quán)來改進(jìn)離群點檢測效果，但這種方法比較繁瑣，且需要已知理論的風(fēng)速功率曲線。對風(fēng)速和功率進(jìn)行標(biāo)準(zhǔn)化后，其非線性關(guān)系可以用式(4)所示的Sigmoid函數(shù)近似。因此，基于數(shù)據(jù)變換的思想，采用Sigmoid函數(shù)的反函數(shù)將風(fēng)速和功率的非線性關(guān)系近似轉(zhuǎn)化為線性關(guān)系，再計算歐式距離來進(jìn)行離群點檢測。

(4)

2.2 基于DBN的健康狀態(tài)模型

輸入風(fēng)速的高度隨機(jī)性使得風(fēng)電機(jī)組在正常運行中也可能出現(xiàn)較大的參數(shù)波動，而當(dāng)風(fēng)電機(jī)組發(fā)生異常時，傳統(tǒng)的參數(shù)閾值報警方法可能不準(zhǔn)確，且存在滯后性。使用風(fēng)電機(jī)組正常運行數(shù)據(jù)來建立健康狀態(tài)模型，基于模型預(yù)測值和實際值的殘差來分析風(fēng)電機(jī)組的性能能夠得到更加準(zhǔn)確的結(jié)果，且不需要大量故障數(shù)據(jù)作為支撐。

首先從SCADA數(shù)據(jù)中選擇與風(fēng)電機(jī)組性能相關(guān)的參數(shù)作為輸出，記為{P1,P2,…,Pm,…,PM}。對于其中特定的輸出參數(shù)Pm，計算剩余參數(shù)與Pm的Kendall相關(guān)系數(shù)，將所有相關(guān)系數(shù)大于0.3，即中等相關(guān)的參數(shù)作為Pm的輸入，并對相關(guān)度過高，即相關(guān)系數(shù)大于0.95的參數(shù)組合進(jìn)行刪減，以降低模型的復(fù)雜度，最終得到如圖2所示的輸入輸出組合。

由于風(fēng)電機(jī)組的SCADA數(shù)據(jù)具有很強的耦合性和隨機(jī)性，傳統(tǒng)回歸擬合方法難以很好地擬合參數(shù)之間的關(guān)系。近年來，深度學(xué)習(xí)方法因為具有較強的特征學(xué)習(xí)能力而得到了廣泛應(yīng)用，婁建樓等[16]提出一種改進(jìn)堆棧降噪自編碼器來提取隱藏特征，用于清洗在線監(jiān)測數(shù)據(jù)；孔繁輝等[17]使用深度信念網(wǎng)絡(luò)DBN來預(yù)測流量，結(jié)果表明DBN能夠克服傳統(tǒng)反向傳播網(wǎng)絡(luò)的缺陷，預(yù)測精度更高。DBN是一種深度網(wǎng)絡(luò)模型[18]，具有很強的數(shù)據(jù)擬合能力，適用于風(fēng)電機(jī)組參數(shù)之間關(guān)聯(lián)關(guān)系的擬合，其基本組成單元是受限玻爾茲曼機(jī)(Restricted Boltzmann Machine, RBM)。

RBM是由顯層v=(vi)p和隱層h=(hi)q組成的概率圖模型，ai、aj為顯層和隱層神經(jīng)元的偏置，wij為連接權(quán)重，定義RBM的能量函數(shù)為:

(5)

則顯層神經(jīng)元和隱層神經(jīng)元的聯(lián)合概率分布為：

(6)

(7)

其中：Zθ為歸一化因子，θ={v,h,w,a,b}為RBM模型參數(shù)。

(8)

(9)

DBN的訓(xùn)練過程分為兩個階段：首先對θ進(jìn)行隨機(jī)初始化，使用對比散度算法(Contrastive Divergence, CD)[19]進(jìn)行無監(jiān)督預(yù)訓(xùn)練得到每一層RBM的模型參數(shù)；再使用反向傳播算法(Back Propagation, BP)對整個網(wǎng)絡(luò)進(jìn)行微調(diào)，以提高回歸預(yù)測能力。

根據(jù)2.2節(jié)中選擇的輸入輸出參數(shù)組合，建立m組DBN模型來擬合輸出參數(shù)與輸入?yún)?shù)之間的關(guān)系，作為風(fēng)電機(jī)組的健康狀態(tài)模型。通過式(10)計算輸出參數(shù)預(yù)測值和實際值的殘差作為性能特征，用于后續(xù)的性能評估。

(10)

3 基于信息融合的性能評估

3.1 基于SOM的信息融合模型

在多健康狀態(tài)模型下，多組殘差特征的變化趨勢可能存在不一致，因此需要進(jìn)行信息融合。SOM是一種無監(jiān)督的聚類學(xué)習(xí)方法，能夠?qū)⒍嗑S特征映射到二維平面，其網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層和競爭層。令競爭層神經(jīng)元個數(shù)為r，定義k組殘差特征作為輸入，即e=(e1,e2,…,ek)T，則競爭層的第i個神經(jīng)元與輸入層的連接權(quán)重為ωi=(ωi1,ωi2,…,ωik)，其中i=1,2…,m。

對于任意一個輸入e，定義最佳匹配神經(jīng)元(Best Match Unit, BMU)的權(quán)重為ω*，滿足：

‖e-ω*‖=min{‖e-ωi‖},i=1,2,…,m。

(11)

得到BMU后，根據(jù)式(12)對其權(quán)重ω*進(jìn)行更新，并對BMU領(lǐng)域內(nèi)所有神經(jīng)元的權(quán)重使用式(13)更新。

e-ω*=min‖e-ωi‖,

(12)

ωi(t+1)=ωi(t)+Gi(t)(e-ωi(t))。

(13)

式中：t為迭代次數(shù);Gi(t)為第i個神經(jīng)元的鄰域函數(shù)，一般使用如式(14)所示高斯核函數(shù)。

(14)

其中:δ(t)為學(xué)習(xí)率函數(shù)，一般隨迭代次數(shù)增加而單調(diào)減小；σ(t)為寬度函數(shù)，同樣隨迭代次數(shù)增加而單調(diào)減小?？梢钥闯?，離BMU越遠(yuǎn)的神經(jīng)元，權(quán)重變化越小，且當(dāng)?shù)螖?shù)增加時，BMU的鄰域也會變小，從而保證算法結(jié)果收斂。

使用每一個時刻點的殘差特征e=(e1,e2,…,ek)T作為SOM的輸入，競爭層的BMU作為輸出，從而將殘差特征映射到風(fēng)電機(jī)組的運行狀態(tài)空間S=(S1,S2,…,Sr)T，實現(xiàn)了多組性能特征的信息融合。

3.2 構(gòu)建性能指標(biāo)

原始?xì)埐钐卣鹘?jīng)過信息融合后得到運行狀態(tài)序列{r1,r2,…,rN}，其中N為原始數(shù)據(jù)的長度，狀態(tài)值ri∈S=(S1,S2,…,Sr)T。風(fēng)電機(jī)組正常運行時，殘差隨機(jī)波動，數(shù)據(jù)點在整個時間序列中分布均勻；運行狀態(tài)異常時，殘差會發(fā)生較大偏移，更多數(shù)據(jù)點轉(zhuǎn)移至異常的狀態(tài)。因此，本文提出一種使用加權(quán)狀態(tài)劣化指數(shù)來構(gòu)建性能指標(biāo)的方法，具體步驟如下：

通過對性能指標(biāo)序列{PI1,PI2,…,PIT}的分布進(jìn)行擬合，使用上5%分位點作為閾值，性能指標(biāo)超過閾值時，判定該時間窗內(nèi)風(fēng)電機(jī)組運行異常。相比于基于相似度的性能指標(biāo)構(gòu)建方法，該方法可以得到每一個狀態(tài)的劣化指數(shù)，綜合利用了整個時間序列的信息，且不需要設(shè)定正常模型的基準(zhǔn)。

4 案例分析

原始數(shù)據(jù)來自EDP(1)https://opendata.edp.com/pages/homepage/。的公開數(shù)據(jù)集，記錄了SCADA系統(tǒng)的43維傳感器監(jiān)測參數(shù)，如表1所示。選擇采樣時間為2016年1月1日～7月18日的數(shù)據(jù)作為研究對象，數(shù)據(jù)實例數(shù)量為25 494，采樣間隔為10 min。根據(jù)SCADA系統(tǒng)的記錄，該風(fēng)電機(jī)組于2016年07月18日02:10:00齒輪箱發(fā)生故障。

表1 SCADA系統(tǒng)傳感器參數(shù)列表

續(xù)表1

4.1 基于LOF-DBN的性能特征提取

首先將預(yù)處理后的風(fēng)速和功率數(shù)據(jù)標(biāo)準(zhǔn)化，使用改進(jìn)后的LOF算法篩選出正常運行數(shù)據(jù)，LOF算法的參數(shù)根據(jù)歷史經(jīng)驗設(shè)定離群點比例為5%，由此確定參數(shù)設(shè)為k=120,c=1.2。如圖3所示為離群點的識別情況，可以看出，原始的LOF算法會將部分風(fēng)速和功率都較低的數(shù)據(jù)點識別為離群點(如圖3中圓圈1)，且對于理想風(fēng)速功率曲線附近的離群點識別效果不好，導(dǎo)致漏識別部分離群點(如圖3中圓圈2)，改進(jìn)的LOF算法檢測出的離群點的分布更加均勻。

根據(jù)風(fēng)電機(jī)組各個部件的重要性和發(fā)生故障的頻率、使用功率(P)，以及控制器溫度(CT)、齒輪箱軸承溫度(GBT)、齒輪箱溫度(GT)、發(fā)電機(jī)軸承溫度(GBT1、GBT2)，共6組與風(fēng)電機(jī)組性能較為相關(guān)的傳感器參數(shù)作為輸出,使用2.2節(jié)中的參數(shù)選擇方法得到對應(yīng)的輸入?yún)?shù)組合。將原始數(shù)據(jù)劃分為早期數(shù)據(jù)(60%)和驗證數(shù)據(jù)(40%)。其中早期數(shù)據(jù)用于訓(xùn)練DBN模型，將其劃分為訓(xùn)練集(80%)和測試集(20%)，對每一組輸入—輸出參數(shù)組合進(jìn)行訓(xùn)練，其中DBN的隱層設(shè)為4層，RBM的預(yù)訓(xùn)練迭代次數(shù)設(shè)為20，BP迭代次數(shù)設(shè)為200，學(xué)習(xí)率設(shè)為0.01。測試集的預(yù)測結(jié)果如表2所示，可以看出6組輸出參數(shù)預(yù)測值與實際值的均方誤差都在0.05以下，預(yù)測效果較好。

表2 LOF-DBN模型的預(yù)測結(jié)果

將所有早期數(shù)據(jù)重新訓(xùn)練后應(yīng)用于驗證數(shù)據(jù)，并獲取6組輸出參數(shù)的殘差(如圖4)作為風(fēng)電機(jī)組的性能特征。從圖4中縱軸的殘差值可以看出P的預(yù)測殘差較為穩(wěn)定，而CT的預(yù)測殘差則有較為明顯上升的趨勢，6組輸入—輸出參數(shù)的預(yù)測殘差變化趨勢并不一致，說明了信息融合的必要性。

4.2 基于SOM的信息融合與性能評估

SOM的競爭層神經(jīng)元數(shù)量設(shè)為36個，將6組性能特征輸入SOM，得到每一個時刻點對應(yīng)的最佳匹配神經(jīng)元BMU。對每一個BMU內(nèi)的數(shù)據(jù)點使用3.2節(jié)中的方法計算得到劣化指數(shù)，如表3所示。從表中可以看出，大部分?jǐn)?shù)據(jù)點對應(yīng)的BMU的劣化指數(shù)較低，而少部分?jǐn)?shù)據(jù)點輸入SOM得到的BMU的異常指數(shù)較高，說明這些時刻風(fēng)電機(jī)組可能處于異常狀態(tài)。

表3 各個狀態(tài)的劣化指數(shù)

以一天為時間窗大小，將每一時間窗的狀態(tài)分布向量標(biāo)準(zhǔn)化后乘以劣化指數(shù)向量，得到性能指標(biāo)。對性能指標(biāo)的分布進(jìn)行擬合，發(fā)現(xiàn)其近似服從三參數(shù)Gamma分布，其中形狀參數(shù)μ=3.001，尺度參數(shù)σ=0.057 9，閾值參數(shù)ν=-0.161。取置信度為5%，計算該分布的上分位點0.254作為報警閾值，根據(jù)性能指標(biāo)的變化及閾值得到性能評估曲線如圖5所示。

4.3 結(jié)果分析與討論

從圖5所示的性能評估曲線可以看出，風(fēng)電機(jī)組的性能指標(biāo)隨時間逐漸偏離正常值,在第164天時第一次達(dá)到報警閾值，在第183天后性能指標(biāo)多次超出報警閾值，已發(fā)生嚴(yán)重偏離。根據(jù)風(fēng)電機(jī)組實際運行的故障記錄，該風(fēng)電機(jī)組于2016年07月18日02∶10∶00，即第199天時齒輪箱發(fā)生故障。這說明所構(gòu)建的性能指標(biāo)能較好地反映風(fēng)電機(jī)組的性能，且能夠提前16天預(yù)測到即將發(fā)生的故障。在風(fēng)電機(jī)組的運行過程中，當(dāng)性能指標(biāo)超出閾值時應(yīng)當(dāng)及時對風(fēng)電機(jī)組進(jìn)行維護(hù)，減少故障時停機(jī)時間過長導(dǎo)致的大量維修成本。

根據(jù)圖6所示LOF算法篩選出的離群點分布可知，2016年1月～6月離群點數(shù)量逐漸增大，這與性能評估曲線得到的結(jié)果一致。但離群點的數(shù)量并沒有發(fā)生明顯增加，說明只從風(fēng)速功率數(shù)據(jù)中的異常點來判斷風(fēng)電機(jī)組是否發(fā)生故障并不能夠提供有效的預(yù)警。本文所提方法綜合使用了多個與風(fēng)電機(jī)組性能相關(guān)的參數(shù)來分析風(fēng)電機(jī)組運行過程中的性能變化，能夠在運行過程中監(jiān)測風(fēng)電機(jī)組的運行狀態(tài)，并有效預(yù)知到即將發(fā)生的故障。

作為對比，選取該風(fēng)場中另一臺風(fēng)電機(jī)組經(jīng)過維修后正常運行時的數(shù)據(jù)輸入模型，得到的性能評估曲線如圖7所示，與故障時的性能評估曲線對比可以看出，風(fēng)電機(jī)組正常運行時，性能指標(biāo)雖然有隨機(jī)波動但未發(fā)生明顯的偏離，且明顯低于預(yù)警閾值。因此，所提方法能夠有效地識別出風(fēng)電機(jī)組當(dāng)前運行狀態(tài)是否發(fā)生異常。

表4 數(shù)據(jù)集的起止時間和運行狀態(tài)說明

使用上訴12組數(shù)據(jù)，對風(fēng)電機(jī)組進(jìn)行性能評估并計算異常指數(shù)，得到的結(jié)果如表5所示。

表5 多組數(shù)據(jù)集的異常指數(shù)結(jié)果對比

由表5中的結(jié)果可以看出，使用單一健康狀態(tài)模型得到的異常指數(shù)存在不一致的結(jié)果。例如在數(shù)據(jù)集1中，CT的異常指數(shù)為0.147，明顯大于其他指標(biāo)的異常指數(shù)，而P的異常指數(shù)僅為0.004，因此難以對風(fēng)電機(jī)組的實際運行狀態(tài)進(jìn)行判斷。經(jīng)過信息融合后得到的異常指數(shù)為0.126，表明風(fēng)電機(jī)組確實處于異常狀態(tài)，與實際數(shù)據(jù)相符。從數(shù)據(jù)3～數(shù)據(jù)6的結(jié)果可以看出，與PCA、KPCA的結(jié)果比較，本文所提方法與PCA，KPCA較為一致。但在數(shù)據(jù)1和數(shù)據(jù)2中，PCA和KPCA融合后的結(jié)果無法發(fā)現(xiàn)風(fēng)電機(jī)組的運行異常，說明本文所提方法具有更好的魯棒性。從風(fēng)電機(jī)組正常運行的數(shù)據(jù)(數(shù)據(jù)9～數(shù)據(jù)12)可以看出，使用單一健康狀態(tài)模型時，也可能存在部分輸出參數(shù)異常指數(shù)較高發(fā)出報警。例如數(shù)據(jù)10的CT得到的異常指數(shù)為0.142，而綜合其他特征融合后的計算結(jié)果為0.023，可見當(dāng)風(fēng)電機(jī)組正常運行時，信息融合能夠減少誤報警的發(fā)生。

因此，從多個數(shù)據(jù)集的結(jié)果來看，本文所提的信息融合方法能夠融合單一健康狀態(tài)模型得到的性能特征，解決不同健康狀態(tài)模型信息沖突的問題，且能夠反映風(fēng)電機(jī)組運行狀態(tài)的變化，并對每一運行狀態(tài)的劣化指數(shù)進(jìn)行了確定，得到更加準(zhǔn)確的性能評估結(jié)果。

5 結(jié)束語

本文基于健康狀態(tài)模型和信息融合，針對風(fēng)電機(jī)組的SCADA系統(tǒng)提出一種狀態(tài)劣化指數(shù)加權(quán)計算性能指標(biāo)的整機(jī)性能評估方法。風(fēng)電機(jī)組實際運行的數(shù)據(jù)表明，單一的健康狀態(tài)模型可能發(fā)生誤報警，有必要使用多組性能參數(shù)來建立不同健康狀態(tài)模型，并進(jìn)行信息融合。從多組運行數(shù)據(jù)，結(jié)果來看，本文提出的性能指標(biāo)構(gòu)建方法能夠有效地融合SCADA數(shù)據(jù)，相比于使用單一健康狀態(tài)模型計算性能指標(biāo)的方法，性能評估結(jié)果更加準(zhǔn)確可靠。主要創(chuàng)新點如下：

(1)使用Sigmoid函數(shù)變換改進(jìn)了LOF離群點算法，預(yù)先篩選出正常工作下的運行數(shù)據(jù)用于建立健康狀態(tài)模型，減少了風(fēng)電機(jī)組運行過程中風(fēng)速變化、傳感器誤差等因素對性能評估的影響，提高了性能評估的精度。

(2)針對傳統(tǒng)單一健康狀態(tài)模型不可靠的問題，使用多個健康狀態(tài)模型來獲得更多的性能信息，基于SOM信息融合模型，提出了一種有效的性能指標(biāo)構(gòu)建方法，利用該指標(biāo)能更準(zhǔn)確地識別風(fēng)電機(jī)組的運行狀態(tài)。

風(fēng)電機(jī)組在實際運行過程中，面臨復(fù)雜多變的工況，如風(fēng)速、風(fēng)向、環(huán)境溫度等。利用工況參數(shù)來劃分工況并改進(jìn)健康狀態(tài)模型，提高模型的準(zhǔn)確率是未來的研究方向之一。