一種基于組合預(yù)測(cè)的風(fēng)電機(jī)組狀態(tài)參數(shù)異常辨識(shí)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于新能源電力設(shè)備安全評(píng)估技術(shù)領(lǐng)域，設(shè)及一種基于組合預(yù)測(cè)的風(fēng)電機(jī) 組狀態(tài)參數(shù)異常辨識(shí)方法。
【背景技術(shù)】
[0002] 風(fēng)電機(jī)組由機(jī)械、電氣和控制組件等組成，其中任一組件發(fā)生故障都可能導(dǎo)致機(jī) 組的停運(yùn)，嚴(yán)重的故障甚至?xí)绊戨娏ο到y(tǒng)的安全穩(wěn)定運(yùn)行。風(fēng)電機(jī)組的可靠運(yùn)行是風(fēng)電 場(chǎng)安全經(jīng)濟(jì)運(yùn)行的基本保障。安裝數(shù)據(jù)采集與監(jiān)視控制（SCADA)系統(tǒng)監(jiān)測(cè)風(fēng)電場(chǎng)風(fēng)電機(jī)組 的實(shí)時(shí)運(yùn)行狀態(tài)是目前普遍采用的措施，風(fēng)電場(chǎng)SCADA數(shù)據(jù)不僅包含風(fēng)電機(jī)組的狀態(tài)信息、 操作指示信號(hào)、報(bào)警信號(hào)等直接信息，還包含了機(jī)組設(shè)備的劣化、異常、故障征兆等間接信 息。
[0003] 充分挖掘SCADA數(shù)據(jù)中包含的風(fēng)電機(jī)組劣化、異常、故障征兆等間接信息W提高風(fēng) 電機(jī)組運(yùn)行可靠性是當(dāng)下最迅速有效的方法。由于風(fēng)電機(jī)組運(yùn)行環(huán)境的持續(xù)動(dòng)態(tài)變化性， 通常原始的SCADA數(shù)據(jù)掩蓋了風(fēng)電機(jī)組的故障信息，僅通過(guò)原始的SCADA數(shù)據(jù)難W預(yù)測(cè)機(jī)組 是否發(fā)生異常。傳統(tǒng)的風(fēng)電機(jī)組監(jiān)測(cè)系統(tǒng)是根據(jù)簡(jiǎn)單闊值法對(duì)機(jī)組參數(shù)的異常和故障進(jìn)行 判斷，參數(shù)越限時(shí)往往機(jī)組已經(jīng)發(fā)生故障，所造成的經(jīng)濟(jì)損失已無(wú)法挽回，因此開(kāi)展對(duì)機(jī)組 狀態(tài)參數(shù)異常辨識(shí)的研究有助于故障預(yù)警和維修決策。通過(guò)對(duì)風(fēng)電機(jī)組參數(shù)的異常辨識(shí)W 排除各種干擾因素對(duì)SCADA數(shù)據(jù)的影響，從而提高預(yù)測(cè)機(jī)組部件發(fā)生故障的準(zhǔn)確性，避免故 障持續(xù)發(fā)展而造成重大損失。
[0004] 風(fēng)電機(jī)組的狀態(tài)參數(shù)受環(huán)境、電網(wǎng)和負(fù)荷等因素的綜合影響，機(jī)組各部件之間W 及各狀態(tài)參數(shù)之間復(fù)雜的影響關(guān)系，使得風(fēng)電機(jī)組狀態(tài)參數(shù)的異常辨識(shí)十分困難，難W預(yù) 測(cè)風(fēng)電機(jī)組是否發(fā)生異常。風(fēng)電機(jī)組的各種故障原因使SCADA數(shù)據(jù)分布特征復(fù)雜，且機(jī)組運(yùn) 行受各種運(yùn)行工況的影響，采用分類(lèi)、聚類(lèi)等算法難W判定風(fēng)電機(jī)組的異常。因此，基于統(tǒng) 計(jì)和機(jī)器學(xué)習(xí)的異常辨識(shí)方法難W用于風(fēng)電機(jī)組的異常辨識(shí)?；谏窠?jīng)網(wǎng)絡(luò)的異常辨識(shí)技 術(shù)是一種非參量化的分析技術(shù)，采用正常運(yùn)行數(shù)據(jù)建立正常行為模型。神經(jīng)網(wǎng)絡(luò)能夠很好 的處理高維數(shù)據(jù)的復(fù)雜邊界，因此適合于高維數(shù)據(jù)的正常行為建模，當(dāng)新的數(shù)據(jù)偏離正常 行為時(shí)就被認(rèn)定為異常。

【發(fā)明內(nèi)容】

[0005] 有鑒于此，本發(fā)明的目的在于提供一種基于組合預(yù)測(cè)的風(fēng)電機(jī)組狀態(tài)參數(shù)異常辨 識(shí)方法，該方法針對(duì)目前風(fēng)電場(chǎng)SCADA數(shù)據(jù)異常辨識(shí)方法存在的不足，建立基于誤差反向 傳播神經(jīng)網(wǎng)絡(luò)(BPNN)的參數(shù)選擇模型，通過(guò)引入噪聲來(lái)量化各輸入?yún)?shù)對(duì)目標(biāo)參數(shù)的影響 程度，選擇狀態(tài)參數(shù)預(yù)測(cè)模型的輸入?yún)?shù)，提出了自動(dòng)參數(shù)選擇方法。建立基于BPNN、最小 二乘支持向量機(jī)化S-SVM)和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBF順)的狀態(tài)參數(shù)的單項(xiàng)預(yù)測(cè)模型，并 通過(guò)組合預(yù)測(cè)模型中的權(quán)重分布分析，建立風(fēng)電機(jī)組狀態(tài)參數(shù)的組合預(yù)測(cè)模型，在此基礎(chǔ) 上，提出基于信息賭的風(fēng)電機(jī)組狀態(tài)參數(shù)異常辨識(shí)方法。
[0006] 為達(dá)到上述目的，本發(fā)明提供如下技術(shù)方案：
[0007] -種基于組合預(yù)測(cè)的風(fēng)電機(jī)組狀態(tài)參數(shù)異常辨識(shí)方法，包括W下步驟：
[000引Sl:選取合適的風(fēng)電場(chǎng)SCADA數(shù)據(jù)，得到訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)；
[0009] S2:建立目標(biāo)參數(shù)的單項(xiàng)預(yù)測(cè)模型（包括BP順和LSSVM)，對(duì)組合模型進(jìn)行優(yōu)化，選 擇合適的權(quán)重；
[0010] S3:采用組合預(yù)測(cè)模型預(yù)測(cè)目標(biāo)參數(shù)，并與實(shí)際值對(duì)比，得到殘差；
[0011] S4:根據(jù)W下公式計(jì)算均方根誤差(RISE)，為反映變化趨勢(shì)，需計(jì)算連續(xù)的相同時(shí) 間長(zhǎng)度的RMSE，獲得RMSE的變化情況；
[0012]
[OOK]式中，S為均方根誤差，n為樣本數(shù)，ri為實(shí)際值，為根據(jù)模型得到的預(yù)測(cè)值；
[0014] S5:若RMSE小于闊值，判定狀態(tài)參數(shù)正常；
[0015] S6:若RMSE大于闊值，采用相同的殘差數(shù)據(jù)計(jì)算賭值；
[0016] S7:若賭值小于闊值，判定狀態(tài)參數(shù)正常，雖然此時(shí)RMSE大于闊值，但是殘差數(shù)據(jù) 變化不大，不能判定為出現(xiàn)異常；
[0017] S8:若賭值大于闊值，則判定狀態(tài)參數(shù)出現(xiàn)異常。
[0018] 進(jìn)一步，在步驟Sl中，建立基于BPr^N的參數(shù)選擇模型，采用模型輸入?yún)?shù)的自動(dòng)選 擇方法，具體包括：
[0019] ①基于BP順的參數(shù)選擇模型
[0020] 建立基于BP順的輸入?yún)?shù)選擇模型；在確定了BP順網(wǎng)絡(luò)結(jié)構(gòu)的情況下，需考慮如 下兩方面問(wèn)題:一是神經(jīng)網(wǎng)絡(luò)中信號(hào)的傳遞函數(shù)，分別采用雙極性S型函數(shù)和線(xiàn)性函數(shù)作為 BP順模型中隱層和輸出層的傳遞函數(shù);二是BP順中采用的梯度下降算法，采用Le venberg-Ma巧uar化迭代算法優(yōu)化BPNN模型的權(quán)值；
[0021] ②狀態(tài)參數(shù)選擇的評(píng)價(jià)方法
[0022] 采用重要度判斷評(píng)價(jià)模型的輸入?yún)?shù)對(duì)目標(biāo)參數(shù)的影響程度;通過(guò)評(píng)估刪除某一 輸入?yún)?shù)對(duì)預(yù)測(cè)模型精度的影響W衡量該參數(shù)的重要度;逐一改變輸入?yún)?shù)的大小，并采 用均方根誤差(RMSE)判斷模型精度變化的方法W評(píng)價(jià)各輸入?yún)?shù)對(duì)目標(biāo)參數(shù)的影響程度， 從而選擇狀態(tài)參數(shù)預(yù)測(cè)模型的輸入?yún)?shù)；
[0023] ③模型輸入?yún)?shù)的確定
[0024] 綜合考慮各狀態(tài)參數(shù)對(duì)某一參數(shù)的影響，選取機(jī)組的正常運(yùn)行狀態(tài)數(shù)據(jù)作為參數(shù) 選擇模型的樣本數(shù)據(jù);樣本數(shù)據(jù)從1年的數(shù)據(jù)中隨機(jī)選擇30000個(gè)數(shù)據(jù)，每個(gè)數(shù)據(jù)由20個(gè)狀 態(tài)參數(shù)組成，其中27000個(gè)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，3000個(gè)數(shù)據(jù)作為測(cè)試數(shù)據(jù);假設(shè)W風(fēng)電機(jī)組 的發(fā)電機(jī)軸承的盤(pán)度為目標(biāo)參數(shù)，其余19個(gè)狀態(tài)參數(shù)為BP順的輸入?yún)?shù)；
[0025] 狀態(tài)參數(shù)預(yù)測(cè)模型的輸入?yún)?shù)確定過(guò)程步驟如下：
[0026] 1)選取3個(gè)RMSE較大的參數(shù)作為輸入?yún)?shù)建立BP順模型；根據(jù)訓(xùn)練數(shù)據(jù)得到最優(yōu) 的狀態(tài)參數(shù)預(yù)測(cè)模型；
[0027] 2)用相同的測(cè)試數(shù)據(jù)測(cè)試新建立的模型，將新建立模型的RMSE與最初模型的RMSE 進(jìn)行比較；
[00%] 3)當(dāng)兩個(gè)模型的RMSE之差的絕對(duì)值大于闊值時(shí)，增加表中的下一個(gè)參數(shù)為輸入?yún)?數(shù)，建立新的基于BP順的狀態(tài)參數(shù)預(yù)測(cè)模型，并返回步驟2);
[0029] 4)當(dāng)兩個(gè)模型的RMSE之差的絕對(duì)值小于闊值時(shí)，模型的輸入?yún)?shù)為最終選擇的輸 入?yún)?shù)集，即根據(jù)此輸入?yún)?shù)集建立的預(yù)測(cè)模型能準(zhǔn)確反映目標(biāo)參數(shù)的變化。
[0030] 進(jìn)一步，在步驟S2和步驟S3中，所述的單項(xiàng)預(yù)測(cè)模型和組合預(yù)測(cè)模型如下：
[0031 ] ①狀態(tài)參數(shù)組合預(yù)測(cè)模型
[0032] 組合預(yù)測(cè)模型是將各個(gè)不同的預(yù)測(cè)模型通過(guò)適當(dāng)?shù)募訖?quán)組合起來(lái)所得到的預(yù)測(cè) 模型，組合預(yù)測(cè)綜合利用了各預(yù)測(cè)方法所提供的信息，從而提高了預(yù)測(cè)的精確度和可靠性； 在本方法中，建立W預(yù)測(cè)誤差平方和最小為目標(biāo)的線(xiàn)性組合預(yù)測(cè)模型;狀態(tài)參數(shù)組合預(yù)測(cè) 模型由S個(gè)分別為基于BPNN、RBFr^N和LS-SVM的單項(xiàng)預(yù)測(cè)模型構(gòu)成：
[0033] 1)單項(xiàng)模型
[0034] a)基于LS-SVM的狀態(tài)參數(shù)預(yù)測(cè)模型
[0035] 設(shè)非線(xiàn)性回歸函數(shù)為：
[0036]
(7)
[0037] 式中，b為闊值，W為權(quán)向量，種；?)是將原始空間映射到一個(gè)高維化化ert特征空間 的核空間映射函數(shù)；
[0038] LS-SVM回歸對(duì)函數(shù)進(jìn)行估計(jì)問(wèn)題轉(zhuǎn)化為如下優(yōu)化問(wèn)題：
[0039]
城
[0040] 式中，W為權(quán)向量，ekER為誤差變量，丫為規(guī)則化參數(shù)，其取值大于0,用于平衡訓(xùn) 練誤差和模型復(fù)雜度，提高所求函數(shù)的泛化能力；
[0041 ] 相廊的扮惚卽円化井責(zé).
[0042]
城
[0043]式中，W為權(quán)向量，ekER為誤差變量；丫 >0為規(guī)則化參數(shù);Qk為拉格朗日算子，ak> 0，例）是將原始空間映射到一個(gè)高維化化ert特征空間的核空間映射函數(shù)；
[0044] 由邸T 化a;rush-kuhn-1:ucke;r)條件，分別對(duì)W，b，ek，Qk求偏導(dǎo)，可得：
[0045]打巧
[0046] 消除ek和W，得到矩陣方程
：
[0047](11)
[004引 式中，1 = [1;
I;; 1]，y = [yi;y2;... ;yN]，a = [口1;口2;... ;aN]，幻y =與(xJ.T與的.），' k，l = l，2，...，N;
[0049]
(巧)
[0050] 求解得到LS-SVM的回歸函數(shù)為：
[005。 （誠(chéng)
[0052] .......-..........函數(shù)，化為拉格朗日算子，b為闊值；
[0053] 考慮樣本數(shù)據(jù)、輸入?yún)?shù)、支持向量機(jī)的核函數(shù)、正則化參數(shù)和核函數(shù)寬度，采用 LS-SVM回歸函數(shù)對(duì)風(fēng)電機(jī)組狀態(tài)參數(shù)進(jìn)行建模；
[0054] b)基于R邸順的狀態(tài)參數(shù)預(yù)測(cè)模型
[0055] RBF順為S層