基于人工智能的風(fēng)電機組運行狀態(tài)監(jiān)測和故障診斷預(yù)警研究

王 恒

（國電投長江生態(tài)能源有限公司，湖北 武漢）

引言

為實現(xiàn)風(fēng)電機組狀態(tài)監(jiān)測確定機組故障[1]，研究基于人工智能技術(shù)的風(fēng)電機組狀態(tài)監(jiān)測方法，通過狀態(tài)監(jiān)測完成機組的故障診斷，并發(fā)送異常預(yù)警，為風(fēng)電機組的運行管理提供可靠依據(jù)。

1 風(fēng)電機組狀態(tài)監(jiān)測和故障診斷預(yù)警

1.1 風(fēng)電機組狀態(tài)監(jiān)測和故障診斷預(yù)警模型

本文為實現(xiàn)風(fēng)電機組狀態(tài)監(jiān)測和故障診斷預(yù)警，選擇典型的人工智能技術(shù)的深度學(xué)習(xí)方法構(gòu)建風(fēng)電機組狀態(tài)監(jiān)測和故障診斷預(yù)警模型，該模型以采集的風(fēng)電機組運行數(shù)據(jù)為依據(jù)，通過深度學(xué)習(xí)的訓(xùn)練和學(xué)習(xí)[2]，完成故障診斷；并依據(jù)設(shè)定的預(yù)警閾值，進行故障預(yù)警。模型的整體結(jié)構(gòu)如圖1 所示。

圖1 風(fēng)電機組狀態(tài)監(jiān)測和故障診斷預(yù)警模型結(jié)構(gòu)

1.2 風(fēng)電機組運行數(shù)據(jù)處理

本文為保證風(fēng)電機組故障診斷精度，采用小波包分解算法對采集的信號數(shù)據(jù)進行分解處理[3]，詳細(xì)步驟如下所述：

步驟1：如果峭度選取分量用S 表示，對其進行j層小波包分解，獲取分解后第i 層中第j 個節(jié)點所在頻段的小波包分解對應(yīng)的系數(shù)Xij。

步驟2：采用重構(gòu)的方式對底層小波包分解系數(shù)進行處理，即完成步驟2 獲取的所有頻帶特征信號序列的重構(gòu)，Xij重構(gòu)的信號用Sij表示，如果第5 層各個節(jié)點的重構(gòu)信號用S5j表示，則S 的計算公式為：

式中：n 表示分解層數(shù)。

步驟3：計算每一個頻帶信號的總能量，如果風(fēng)電機組運行狀態(tài)信號在第j 個尺度上的能量譜用Ej表示，對應(yīng)的功率用Ei表示，Ei的總和即為信號總功率E。則任一尺度上的能量比例用 εij(k)表示，則小波包能量熵的計算公式為：

式中：N 表示原始信號長度；Hij表示風(fēng)電機組運行狀態(tài)信號的第i 層中第j 個小波包能量熵。

依據(jù)上述步驟即可完成風(fēng)電機組運行狀態(tài)信號的處理，將信號分解成獨立的頻帶，降低運行狀態(tài)信號的復(fù)雜度。

1.3 風(fēng)電機組故障診斷

1.3.1 棧式稀疏加噪自編碼深度神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

針對風(fēng)電機組運行特點，本文采用棧式稀疏加噪自編碼深度神經(jīng)網(wǎng)絡(luò)構(gòu)建風(fēng)電機組故障診斷模型，將上述小節(jié)處理后的風(fēng)電機組運行狀態(tài)信號輸入至棧式稀疏加噪自編碼深度神經(jīng)網(wǎng)絡(luò)（SSDAE）模型中，完成風(fēng)電機組故障診斷。

SSDAE 模型是通過訓(xùn)練完成風(fēng)電機組運行狀態(tài)數(shù)據(jù)的訓(xùn)練，文中采用逐層貪婪訓(xùn)練法完成，模型訓(xùn)練步驟如下所述：

步驟1：采用無監(jiān)督的方式對模型的第一層SDAE 進行訓(xùn)練，將該層的輸出結(jié)果作為原始輸入的最小化重構(gòu)誤差；

步驟2：將上一SDAE 層的輸出結(jié)果作為下一個SDAE 等的輸入，完成該層網(wǎng)絡(luò)訓(xùn)練；

步驟3：重復(fù)步驟2，完成所有SDAE 層的訓(xùn)練；

步驟4：強最后一層隱含層的輸出作為分類層的輸入，并定義故障類別數(shù)量為分類層神經(jīng)元數(shù)量，為后續(xù)監(jiān)督微調(diào)整提供依據(jù)。

通過上述的訓(xùn)練步驟即可獲取每一層學(xué)習(xí)獲取的特征結(jié)果，該特征結(jié)果即為風(fēng)電機組運行狀態(tài)數(shù)據(jù)特征不同階數(shù)的表達(dá)。

1.3.2 有監(jiān)督微調(diào)

依據(jù)上述小節(jié)完成模型訓(xùn)練后，為提升模型的應(yīng)用性能，采用帶標(biāo)簽的樣本進行模型的有監(jiān)督微調(diào)，微調(diào)的主要目的是將模型中的所有層均看作一個模型，利用有監(jiān)督學(xué)習(xí)算法對其進行進一步調(diào)整，通過循環(huán)迭代完成模型權(quán)值和偏置的優(yōu)化；并將最后一層隱含層輸出結(jié)果和類別標(biāo)簽作為分類層的輸入，文中選擇BP 神經(jīng)網(wǎng)絡(luò)完成模型微調(diào)，詳細(xì)步驟如下所述：

依據(jù)上述內(nèi)容完成模型的有監(jiān)督微調(diào)后，具備更好的非線性擬合能力，能夠更好地分析風(fēng)電機組運行狀態(tài)特征情況，深入提取潛在的分層特征，精準(zhǔn)完成風(fēng)電機組故障分類診斷。

1.4 故障預(yù)警

依據(jù)上述小節(jié)完成風(fēng)電機組故障診斷后，則進行狀態(tài)預(yù)警，為可靠完成故障預(yù)警，需設(shè)定預(yù)警閾值，文中選擇時移滑動窗口進行預(yù)警閾值的確定。

如果第k 個窗口中存在c 個誤差，為避免發(fā)生正負(fù)誤差發(fā)生相互抵消情況，文中采用平均絕對誤差所謂風(fēng)電機組運行狀態(tài)預(yù)警指標(biāo)，其計算公式為：

2 實驗結(jié)果分析

為驗證本文方法的應(yīng)用效果，文中選擇某發(fā)電站的風(fēng)機發(fā)電組作為測試對象，采用本文方法進行運行狀態(tài)監(jiān)測；該風(fēng)電機組的額定功率為3 MW，機組的總體參數(shù)詳情如表1 所示。

表1 機組的總體參數(shù)詳情

參數(shù)設(shè)置：稀疏常數(shù)0.001，權(quán)重衰減稀疏0.01，稀疏懲罰項系數(shù)0.2，學(xué)習(xí)率0.01，迭代次數(shù)120。

為驗證本文方法的故障診斷效果，以齒輪箱故障、風(fēng)機轉(zhuǎn)速異常以及軸承過熱三種故障為例，采用本文方法對其進行診斷，并采用擬合程度作為評價指標(biāo)，測試本文方法診斷結(jié)果和實際結(jié)果之間的擬合度，該指標(biāo)的計算公式為：

式中：～yi表示診斷結(jié)果；yi表示實際結(jié)果。

依據(jù)公式（11）計算本文方法在不同的特征數(shù)量下，對齒輪箱故障、風(fēng)機轉(zhuǎn)速異常以及軸承過熱三種故障診斷結(jié)果的擬合程度，該指標(biāo)的取值范圍在0～1之間，其值越大表示診斷效果越佳，測試結(jié)果如表2所示。

表2 故障診斷精度測試結(jié)果

依據(jù)表2 測試結(jié)果可知：采用本文方法進行風(fēng)電機組不同故障進行診斷后，故障的診斷結(jié)果和實際結(jié)果之間的擬合度較高，均在0.933 以上，最高擬合度結(jié)果達(dá)到0.992。因此，本文方法具有較好的風(fēng)電機組故障診斷效果，能夠精準(zhǔn)完成風(fēng)電機組不同故障診斷。

為驗證本文方法的故障預(yù)警效果，文中以發(fā)電機轉(zhuǎn)速為例，設(shè)定轉(zhuǎn)速預(yù)警閾值，獲取轉(zhuǎn)速異常后，本文方法的預(yù)警情況，測試結(jié)果如圖2 所示。

圖2 故障預(yù)警測試結(jié)果

依據(jù)圖2 測試結(jié)果可知：風(fēng)電機組在運行過程中，轉(zhuǎn)速發(fā)生異常，轉(zhuǎn)速結(jié)果突然超過設(shè)定閾值，本文方法可在轉(zhuǎn)速超過閾值的0.1 s 內(nèi)完成預(yù)警。因此，本文方法能夠及時掌握風(fēng)電機組的運行狀態(tài)，實時完成故障預(yù)警。

3 結(jié)論

本文研究基于人工智能的風(fēng)電機組運行狀態(tài)監(jiān)測和故障診斷預(yù)警方法，并且對該方法的應(yīng)用效果展開相關(guān)測試。結(jié)果表明：本文所提方法具有較好的應(yīng)用性能，能夠精準(zhǔn)地完成風(fēng)電機組運行故障診斷，并且快速進行故障預(yù)警，為風(fēng)電機組的安全管理提供可靠依據(jù)。