吳立增

(中國華電集團公司，北京　100031)

?

基于相鄰風(fēng)機相關(guān)性模型的風(fēng)速計監(jiān)測方法

吳立增

(中國華電集團公司，北京100031)

摘要:風(fēng)電機組風(fēng)速計出現(xiàn)故障的概率較高，對其進行實時監(jiān)測并及時發(fā)現(xiàn)其故障有重要意義。由于相鄰多臺風(fēng)電機組的運行工況和風(fēng)速計測量值的相關(guān)性很強，提出了基于相鄰風(fēng)機相關(guān)性模型的風(fēng)速計監(jiān)測方法。采用粒子群神經(jīng)網(wǎng)絡(luò)算法對相鄰的多臺風(fēng)電機組風(fēng)速計正常測量數(shù)據(jù)進行處理，建立相關(guān)性模型，將風(fēng)速計實時測量風(fēng)速作為模型的輸入，當某臺機組的風(fēng)速計出現(xiàn)測量異常時，其與其他相鄰機組風(fēng)速計之間原有的相關(guān)性被破壞，相關(guān)性模型對該機組風(fēng)速的預(yù)測殘差將會顯著增大，預(yù)示該風(fēng)速計出現(xiàn)故障，據(jù)此能夠?qū)崿F(xiàn)風(fēng)電機組風(fēng)速計狀態(tài)的實時監(jiān)測。某風(fēng)電場的實際運行數(shù)據(jù)驗證了該方法的有效性。

關(guān)鍵詞:風(fēng)電機組;風(fēng)速計;相關(guān)性模型;狀態(tài)監(jiān)測;粒子群優(yōu)化(PSO)算法;反向傳播(BP)神經(jīng)網(wǎng)絡(luò);殘差

0　引言

風(fēng)速計是風(fēng)電機組傳感器系統(tǒng)的重要組成部分，可實時采集風(fēng)速信息提供給風(fēng)電機組控制系統(tǒng)，保證機組安全、高效運行，實時監(jiān)測風(fēng)電機組風(fēng)速計的運行狀態(tài)并及時發(fā)現(xiàn)其故障具有重要的實用意義。由于風(fēng)速隨機變化，采用查看風(fēng)速計測量值是否在其上、下限閾值之間的方法來判斷其工作是否正常存在一定問題。如果風(fēng)速計工作異常，但其測量值在上、下閾值之間，則上述閾值判定方法無法發(fā)現(xiàn)此類異常。

在風(fēng)電機組傳感器監(jiān)測領(lǐng)域，為檢測風(fēng)電機組葉片根部載荷傳感器的故障，文獻［1］建立了葉片動態(tài)特性模型并設(shè)計了卡爾曼濾波器，通過分析濾波器預(yù)測值與傳感器實測值之間的殘差來診斷傳感器故障。文獻［2］建立了風(fēng)電機組雙饋發(fā)電機的定、轉(zhuǎn)子電流和定子電壓的觀測器模型并設(shè)計了擾動過濾單元，通過觀測器與傳感器輸出比較的殘差來監(jiān)測傳感器狀態(tài)。由于風(fēng)電機組運行工況時變，將會直接影響觀測器或卡爾曼濾波器［3－4］的精度，進而降低傳感器故障診斷的準確性;同時，由于風(fēng)速受自然環(huán)境影響，不可控且與風(fēng)電機組其他運行變量無關(guān)，采用建立觀測器模型進行風(fēng)速計監(jiān)測的方法并不可行。本文提出基于粒子群優(yōu)化(PSO)算法的反向傳播(BP)神經(jīng)網(wǎng)絡(luò)風(fēng)速計監(jiān)測方法，將多臺風(fēng)資源相似的相鄰風(fēng)電機組風(fēng)速計的輸出值自動進行橫向比對分析，以監(jiān)測風(fēng)速計的工作狀態(tài)。通過分析多臺風(fēng)電機組的實際風(fēng)速測量數(shù)據(jù)，驗證該方法的有效性。

1　基于相關(guān)模型分析的風(fēng)電機組風(fēng)速計監(jiān)測原理

風(fēng)電機組感受到的風(fēng)速隨機變化，當風(fēng)速計輸出超出正常工作上、下閾值時，可以直接判斷風(fēng)速計工作異常，但當其輸出在上、下閾值之間時，僅分析風(fēng)速計的輸出無法判別其工作是否正常。風(fēng)速計測量異常隱藏在隨機變化的數(shù)據(jù)中，很難區(qū)分哪些數(shù)據(jù)是正常測量數(shù)據(jù)，哪些測量數(shù)據(jù)出現(xiàn)異常。

風(fēng)電場一般有多臺相同型號的機組，分布在風(fēng)場不同的位置，如平坦地帶、山脊、山頂?shù)?，這些機組的傳感器、控制系統(tǒng)及運行方式一般也是相同的。地理位置相似且相近的多臺機組，其風(fēng)資源具有很強的相關(guān)性(風(fēng)資源包括風(fēng)速、風(fēng)向、湍流等因素)，機組風(fēng)速計的測量輸出也具有很大的相似性，但同時也存在一定的差異。

如果多臺相鄰風(fēng)機運行正常、穩(wěn)定，它們的風(fēng)資源和運行狀態(tài)的相關(guān)關(guān)系也是持續(xù)、穩(wěn)定存在的，因此，在多臺相鄰機組相同型號風(fēng)速計之間進行橫向比較，其輸出是相似的。如前所述，僅孤立分析單臺風(fēng)電機組風(fēng)速計的輸出，很難發(fā)現(xiàn)測量異常，但如果將其放到多臺相鄰風(fēng)電機組多個風(fēng)速計相關(guān)關(guān)系的參照系中，當相鄰機組中的某臺機組風(fēng)速計出現(xiàn)測量異常時，其與其他風(fēng)速計輸出之間的相關(guān)關(guān)系會被破壞，從而發(fā)現(xiàn)某臺機組風(fēng)速計的測量異常。

相鄰機組風(fēng)速計輸出之間的相關(guān)關(guān)系可以用相關(guān)性模型來反映，該模型的建模數(shù)據(jù)為多臺相鄰機組風(fēng)速計正常工作時的測量數(shù)據(jù)。該模型的輸入為相鄰機組風(fēng)速計的實際測量值，輸出為各機組風(fēng)速計的輸出預(yù)測值。模型建立完畢后，相鄰機組正常工作時風(fēng)速計之間的關(guān)系蘊含在相關(guān)性模型中。開始監(jiān)測后，模型對相鄰機組風(fēng)速計的輸出進行預(yù)測，如果風(fēng)速計工作正常，相關(guān)性模型對其輸出的預(yù)測值與該風(fēng)速計的實測值相近，兩者之間的殘差很小;相反，當某個機組的風(fēng)速計出現(xiàn)異常時，其測量值與其他相鄰機組風(fēng)速計輸出之間原有的相關(guān)關(guān)系發(fā)生改變，即與相關(guān)性模型記憶的相似關(guān)系發(fā)生明顯改變，該模型對測量異常風(fēng)速計的預(yù)測輸出將會顯著偏離實測值，預(yù)測殘差增大，預(yù)示該機組風(fēng)速計測量出現(xiàn)異常。本文選取基于PSO算法的神經(jīng)網(wǎng)絡(luò)作為相鄰機組風(fēng)速計相關(guān)性模型的建模方法，以內(nèi)蒙古某風(fēng)電場風(fēng)速計監(jiān)測為實例，開展風(fēng)電機組風(fēng)速計監(jiān)測研究。

2　PSO神經(jīng)網(wǎng)絡(luò)算法

PSO神經(jīng)網(wǎng)絡(luò)算法是基于群智能的一種全局優(yōu)化技術(shù)，它通過粒子間的相互作用，對解空間進行智能搜索，從而找到最優(yōu)解。PSO神經(jīng)網(wǎng)絡(luò)算法的基本思想是通過群體中個體之間的協(xié)作和信息共享來尋找最優(yōu)解。采用傳統(tǒng)的反向傳播權(quán)值修正算法的BP神經(jīng)網(wǎng)絡(luò)存在訓(xùn)練速度慢、易陷入局部極小點的缺陷，采用粒子群優(yōu)化算法來替代反向傳播算法進行BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，能有效克服以上缺點，這種神經(jīng)網(wǎng)絡(luò)稱為PSO－BP神經(jīng)網(wǎng)絡(luò)［5－7］。

PSO－BP網(wǎng)絡(luò)通常采用3層前向結(jié)構(gòu)，即輸入層、隱層和輸出層。網(wǎng)絡(luò)各層的權(quán)值和閾值共同構(gòu)成一個權(quán)值向量，記為Wi(i = 1，2，…，n)，并將其作為粒子群算法解空間的一個解，即一個粒子。PSO－BP神經(jīng)網(wǎng)絡(luò)通過粒子群進化方法找到其解空間的一個最佳權(quán)值向量，達到最佳的訓(xùn)練和泛化結(jié)果。進化過程如下所述［8］。

對BP網(wǎng)絡(luò)進行n次隨機初始化，得到n個權(quán)值向量W1，W2，…，Wn，將其作為粒子群的初始n個粒子。每個粒子的優(yōu)劣程度可以用其適應(yīng)度函數(shù)表示。在PSO－BP神經(jīng)網(wǎng)絡(luò)中，每個粒子的適應(yīng)度函數(shù)定義如下:將粒子即權(quán)值向量Wi作用于前向BP網(wǎng)絡(luò)，對n個網(wǎng)絡(luò)訓(xùn)練樣本進行前向運算，得到n個網(wǎng)絡(luò)輸出。在該粒子作為網(wǎng)絡(luò)權(quán)值時，n個訓(xùn)練樣本的訓(xùn)練誤差為

式中: tp，dp分別為第p個樣本的目標值和網(wǎng)絡(luò)輸出。

該粒子對應(yīng)的適應(yīng)度函數(shù)為該粒子的適應(yīng)度越大，網(wǎng)絡(luò)訓(xùn)練的結(jié)果越好。

當粒子群的初始n個粒子給出后，解空間的每個粒子會根據(jù)自己的進化經(jīng)驗和同伴的進化經(jīng)驗來不斷調(diào)整自己的當前值。每個粒子在進化中適應(yīng)度最大的值，就是該粒子本身找到的最優(yōu)解，稱為個體極值，記作Wpbest(i)，即第i個粒子的極值。整個群體目前的最優(yōu)解稱為全局極值，記為Wgbest。每個粒子通過上述兩個極值不斷進化更新自己，從而產(chǎn)生新一代群體。

對于第i個粒子，其一次更新的增量和更新后的值分別為

式中: c1，c2為學(xué)習(xí)因子，通常c1= c2= 2; rand()為［0 1］上的隨機數(shù); k為慣性系數(shù)。

式(3)等式右邊的第1項與粒子上一次修正的增量有關(guān)，可以起到平衡全局搜索和局部搜索的作用; 第2項是粒子向自身最優(yōu)值學(xué)習(xí)的部分，稱為自學(xué)習(xí)部分，其能夠保持粒子有較強的全局搜索能力，避免陷入局部極小點;第3項為粒子向全局最優(yōu)值學(xué)習(xí)的部分，稱為互學(xué)習(xí)的部分，其能夠加快搜索速度。

3　模型的構(gòu)建與驗證

某風(fēng)電場共32臺1.5 MW雙饋風(fēng)電機組，所有機組型號相同，風(fēng)電場地勢平坦。由于該地區(qū)風(fēng)沙大、晝夜溫差大、冬季溫度低，位于機艙外部的風(fēng)杯式風(fēng)速計容易出現(xiàn)故障。風(fēng)速計測量的風(fēng)速是風(fēng)電機組啟停、傳動鏈安全保護、性能分析的重要信號，需要對其運行狀態(tài)進行實時監(jiān)測。該風(fēng)電場每5臺機組采用一條輸電線路，同一輸電線路上的5臺機組地理位置相近。編號E16，E17，E18，E19，E20的5臺風(fēng)機由于地理位置相近、地形相似，將其劃分為相鄰機組。分析采用數(shù)據(jù)采集與監(jiān)視控制(SCADA)系統(tǒng)記錄的10 min采樣數(shù)據(jù)。5臺機組的風(fēng)速計型號相同，測量的風(fēng)速分別記為v1，v2，v3，v4，v5。圖1為2014年5月1日全天5臺相鄰機組的風(fēng)速計測量輸出。

由圖1可以看出，5臺相鄰機組的風(fēng)速大小及變化趨勢都有很大的相似性。

本文采用PSO－BP神經(jīng)網(wǎng)絡(luò)算法來建立相鄰風(fēng)速計模型，反映5個風(fēng)速計測量輸出之間的相關(guān)關(guān)系。相鄰機組風(fēng)速計模型的輸入為5個風(fēng)速計的實際測量值，該模型的輸出為風(fēng)速計輸出的預(yù)測值。

該5臺風(fēng)電機組風(fēng)速計2014年4月至5月運行正常，選取該事件段的2000條風(fēng)速測量值作為建模驗證數(shù)據(jù)，其中1500條記錄作為訓(xùn)練集，構(gòu)建E16～E20風(fēng)機風(fēng)速計相關(guān)性模型。經(jīng)反復(fù)測試，設(shè)置3層網(wǎng)絡(luò)結(jié)構(gòu): 1個包含5個神經(jīng)元節(jié)點的輸入層，代表5臺風(fēng)機的風(fēng)速; 1個包含40個神經(jīng)元節(jié)點的隱含層; 1個包含5個神經(jīng)元節(jié)點的輸出層，對應(yīng)5臺機組風(fēng)速計輸出預(yù)測值。運用PSO－BP神經(jīng)網(wǎng)絡(luò)算法直到收斂，使之達到較高精度，達到對神經(jīng)網(wǎng)絡(luò)良好的訓(xùn)練效果。

圖1　5臺風(fēng)機風(fēng)速比較

以風(fēng)速計相關(guān)性模型對E16機組的預(yù)測輸出為例，對該模型進行驗證，選取4月另500條記錄作為驗證集。由圖2可以看出，E16機組風(fēng)速計實測風(fēng)速與模型預(yù)測輸出之間的預(yù)測殘差均在5％以下。驗證結(jié)果表明，基于PSO－BP神經(jīng)網(wǎng)絡(luò)算法的相鄰風(fēng)速計相關(guān)性模型具有很高的建模精度。

圖2　E16風(fēng)速計正常時相關(guān)性模型驗證結(jié)果(風(fēng)速已歸一化)

4　相鄰風(fēng)機相關(guān)性模型異常監(jiān)測

通過查看5臺機組風(fēng)速計記錄的風(fēng)速測量數(shù)據(jù)，E16風(fēng)速計在2014年6月2日至8月12日期間出現(xiàn)故障，如圖3所示。在此期間，E16風(fēng)速計記錄的風(fēng)速均在3 m/s以上，與其他機組相比，測量明顯異常。

圖3　E16和E17風(fēng)速對比

現(xiàn)取E16風(fēng)速計6月2日故障開始時刻前、后共150個測量數(shù)據(jù)作為已建立的風(fēng)速計相關(guān)性模型的輸入。圖4為該時段5臺相鄰機組風(fēng)速的對比。E16風(fēng)速計故障在第101點發(fā)生，該點以后的風(fēng)速明顯高于其他4臺機組。圖5為采用相鄰風(fēng)速計相關(guān)性模型對E16風(fēng)速計的監(jiān)測結(jié)果。

圖4　E16風(fēng)速計故障前、后與其他風(fēng)速計對比

由圖4和圖5可見，在故障點之前，E16風(fēng)速計工作正常，相鄰風(fēng)速計相關(guān)性模型對其風(fēng)速預(yù)測具有很高精度;而在第101點故障開始后，由于E16風(fēng)速計記錄的風(fēng)速明顯偏離其他相鄰機組風(fēng)速計，該模型對E16的預(yù)測精度顯著降低，殘差顯著增大且持續(xù)存在。通過對殘差設(shè)定合理的閾值［9－10］，本文所述方法能夠自動及時地發(fā)現(xiàn)風(fēng)速計的異常。

圖5　E16風(fēng)速計故障監(jiān)測結(jié)果(風(fēng)速已歸一化)

5　結(jié)論

由于風(fēng)速隨機變化，給風(fēng)速計監(jiān)測和故障診斷造成很大困難。根據(jù)風(fēng)電機組的運行原理，風(fēng)資源相似的多臺相同型號機組運行狀態(tài)和測量參數(shù)也相似。為實時監(jiān)測風(fēng)電機組風(fēng)速計狀態(tài)，本文將多臺相鄰機組的風(fēng)速計測量值進行橫向?qū)Ρ确治?，采用PSO神經(jīng)網(wǎng)絡(luò)建立了反映其相似關(guān)系的相鄰風(fēng)速計相關(guān)性模型。當某臺機組風(fēng)速計出現(xiàn)測量異常時，其與其他相鄰機組風(fēng)速計之間的相似關(guān)系被破壞，相鄰風(fēng)速計相關(guān)性模型對其輸出的預(yù)測殘差增大，表明該風(fēng)速計測量出現(xiàn)異常。本文以風(fēng)電場的實際運行數(shù)據(jù)驗證了其有效性，該方法也可推廣到風(fēng)電機組其他傳感器和運行參數(shù)的監(jiān)測中。

參考文獻:

［1］WEI X K，VERHAEGEN M，ENGELEN T.Sensor fault detection and isolation for wind turbines based on subspace identification and Kalman filter techniques［J］.International journal of adaptive control and signal processing，2010(24) : 687－707.

［2］李輝，趙猛，趙斌，等.雙饋風(fēng)電機組關(guān)鍵傳感器的故障診斷方法［J］.中國電機工程學(xué)報，2011，31(6) : 73－78.

［3］RAJU S，MANIMOZHI M.Simulation of sensor fault diagnosis for wind turbine generators DFIG and PMSM using Kalman filter［J］.Energy procedia，2014(54) : 494－505.

［4］周永杰，王雨萌，張江濱.基于卡爾曼濾波器的控制系統(tǒng)傳感器故障診斷［J］.電網(wǎng)與清潔能源，2011，27(7) : 50－53.

［5］行鴻彥，皺水平，徐偉，等.基于PSO－BP神經(jīng)網(wǎng)絡(luò)的濕度傳感器溫度補償［J］.傳感技術(shù)學(xué)報，2015，28(6) : 864－869.

［6］李強，周軻新.基于PSO－BP算法的壓力傳感器溫度補償研究［J］.電子學(xué)報，2015，43(2) : 412－416.

［7］劉希玉，劉弘.人工神經(jīng)網(wǎng)絡(luò)與微粒群優(yōu)化［M］.北京:北京郵電大學(xué)出版社，2008: 284－286.

［8］郭鵬，李淋淋，馬登昌.基于IPSO－BP的風(fēng)電機組齒輪箱狀態(tài)監(jiān)測研究［J］.太陽能學(xué)報，2012，33(3) : 439－445.

［9］GUO P，INFIELD D，YANG X Y.Wind turbine generator condition monitoring using temperature trend analysis［J］.IEEE transactions on sustainable energy，2012，3(1) : 124－133.

［10］WANG Y，INFIELD D G.SCADA data based nonlinear state estimation technique for wind turbine gearbox condition monitoring［C］//Proceedings of European Wind Energy Association Conference.Copenhagen: European Wind Energy Association，2012.

(本文責(zé)編:劉芳)

吳立增(1971—)，男，河北遷安人，高級工程師，從事發(fā)電生產(chǎn)管理方面的工作(E-mail: lizeng－wu@ chd.com.cn)。

作者簡介:

收稿日期:2015－11－12;修回日期:2015－12－12

中圖分類號:TM 614

文獻標志碼:A

文章編號:1674－1951(2016)01－0072－04