張慧亭++王堅++凌衛(wèi)青

摘要：針對風(fēng)電機組運行工況復(fù)雜多變，機組狀態(tài)監(jiān)測數(shù)據(jù)量大、多源、復(fù)雜、增長迅速等特點，現(xiàn)有的異常預(yù)測方法在面對大數(shù)據(jù)時難以既保證預(yù)測精度又進行快速處理，故提出了結(jié)合Hadoop批處理技術(shù)和BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電機組在線異常預(yù)測模型，對設(shè)備狀態(tài)信息進行異常預(yù)測。實驗結(jié)果顯示，該異常預(yù)測方法在保證精度的前提下具有較好的加速效果，可以為風(fēng)電場維護人員提供重要的參考信息。

關(guān)鍵詞：風(fēng)電機組；異常預(yù)測；Hadoop批處理；BP神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP18 文獻標(biāo)識碼：A 文章編號：1009-3044（2017）03-0245-03

Application of Big Data Analysis Technology in Wind Power Equipment Anomaly Prediction

ZHANG Hui-ting， WANG Jian， LING Wei-qing

（CIMS Research Center，Tongji University， Shanghai 201804， China）

Abstract： According to the working conditions of wind turbine generator monitoring complex， large amount of data， multi-source， complex， the characteristics of rapid growth， the abnormal current prediction methods in the face of big data to ensure accuracy and rapid processing， the proposed combination of Hadoop batch processing technology and BP neural network of wind turbine online anomaly prediction model， abnormal prediction of equipment state information. The experimental results show that the method has good acceleration effect under the premise of ensuring the accuracy， which can provide important reference information for the wind farm maintenance staff.

Key words： wind turbine； anomaly prediction； Hadoop batch processing；BP neural network

風(fēng)能作為一種蘊藏量巨大且無污染的可再生能源，受到世界各國的關(guān)注與日俱增。但是，風(fēng)電機組的故障率會隨著運行時間的加長而不斷升高，這就需要對機組主要部件的故障做好預(yù)防工作。目前，風(fēng) 電 業(yè) 主 廣 泛 采 用 數(shù) 據(jù) 采 集 與 監(jiān) 控（supervisory control and data acquisition，SCADA）系統(tǒng)監(jiān)測風(fēng)電機組及其部件的運行狀態(tài)，然而，SCADA 系統(tǒng)的監(jiān)測項目針對各自監(jiān)控的對象，僅僅依靠對監(jiān)測數(shù)據(jù)設(shè)置閥值來進行越限報警，而且在線監(jiān)測信息量大、采集數(shù)據(jù)點密，傳統(tǒng)的監(jiān)控系統(tǒng)難以滿足海量監(jiān)測數(shù)據(jù)的在線處理需求[1]。因此，如何通過風(fēng)電機組狀態(tài)監(jiān)測大數(shù)據(jù)進行快速有效的機組設(shè)備異常預(yù)測成為了新的課題。

較多研究者通過建立狀態(tài)參數(shù)預(yù)測模型，分析風(fēng)電機組運行狀態(tài)的真實變化情況。文獻[2]通過對齒輪箱溫度趨勢的分析建立了預(yù)測模型，該模型是基于單一運行參數(shù)針對某個子系統(tǒng)構(gòu)建的，預(yù)測精度有待提高。文獻[3]首先建立了主軸軸承、齒輪箱的多元線性回歸溫度預(yù)測模型來對部件溫度進行一步超前預(yù)測。文獻[4]提出了一種基于最小二乘支持向量機的風(fēng)電機組故障預(yù)警方法，利用實際風(fēng)場機組運行監(jiān)控數(shù)據(jù)驗證了此方法的可行性，但是，對于結(jié)構(gòu)復(fù)雜的海量監(jiān)測數(shù)據(jù)，該方法在保證精度的情況下難以滿足我們對于處理速度的要求。

針對如上問題，本文提出了結(jié)合Hadoop批處理技術(shù)和BP神經(jīng)網(wǎng)絡(luò)狀態(tài)參數(shù)模型的風(fēng)電機組異常預(yù)測方法。首先，使用Hadoop平臺存儲海量歷史狀態(tài)監(jiān)測數(shù)據(jù)，依據(jù)選取的狀態(tài)參數(shù)，實現(xiàn)基于BP神經(jīng)網(wǎng)絡(luò)的異常預(yù)測算法，然后使用MapReduce框架并行的對預(yù)測模型進行訓(xùn)練，以獲得較好的加速效果，最后，通過實驗驗證該異常預(yù)測模型的有效性和精確性。

1 風(fēng)電設(shè)備異常預(yù)測模型體系概述

1.1 模型框架

基于模型預(yù)測精度與數(shù)據(jù)處理速度的需要，本文基于Hadoop集群，運用MapReduce框架，提出了兼顧預(yù)測精度與運行速度的風(fēng)電設(shè)備異常預(yù)測模型，該模型的框架結(jié)構(gòu)如圖1所示，主要包括數(shù)據(jù)采集層、存儲層、分析層、應(yīng)用層等4個模塊。

具體模塊描述如下：

1）數(shù)據(jù)采集層。主要包括風(fēng)電設(shè)備的狀態(tài)監(jiān)測數(shù)據(jù)、天氣數(shù)據(jù)、地理信息數(shù)據(jù)

以及各種特殊傳感器等業(yè)務(wù)系統(tǒng)的生產(chǎn)運行管理數(shù)據(jù)。這些數(shù)據(jù)來源不一、模態(tài)各異，而且存在大量的重復(fù)數(shù)據(jù)，該模塊主要完成異常數(shù)據(jù)和重復(fù)數(shù)據(jù)的清除工作，清理后的數(shù)據(jù)使用Sqoop等大數(shù)據(jù)連接器技術(shù)傳輸?shù)椒植际綌?shù)據(jù)庫或者文件系統(tǒng)中，Sqoop在傳輸數(shù)據(jù)時會自動對其格式進行標(biāo)準(zhǔn)化的調(diào)整，減少了人為的序列/反序列化操作。

2）存儲層。本文主要采用HBase，Hive等分布式數(shù)據(jù)庫作為存儲介質(zhì)，HBase是一個構(gòu)建在HDFS上的分布式列存儲系統(tǒng)，它具有高可靠、高性能以及可伸縮等特點，可以方便地在服務(wù)器上搭建起大規(guī)模結(jié)構(gòu)化存儲集群。Hive是基于Hadoop的一個數(shù)據(jù)倉庫工具，提供類sql查詢功能，可以將sql語句轉(zhuǎn)譯為MapReduce作業(yè)并在Hadoop上執(zhí)行，便于大批量數(shù)據(jù)處理任務(wù)的并行運行[5]。這些分布式數(shù)據(jù)庫都具有高容錯率和高吞吐量的特點，可以很好地滿足海量歷史監(jiān)測數(shù)據(jù)的存儲要求，并且適用于數(shù)據(jù)的批處理訪問模式。

3）分析層。集成有訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，基于SCADA狀態(tài)監(jiān)測數(shù)據(jù)、天氣數(shù)據(jù)以及地理信息數(shù)據(jù)，應(yīng)用大數(shù)據(jù)分析技術(shù)進行風(fēng)電設(shè)備的異常狀態(tài)預(yù)測。

傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法在處理海量數(shù)據(jù)集時面臨耗時長，甚至是內(nèi)存不足無法訓(xùn)練等問題，本文在開源云計算平臺Hadoop 的基礎(chǔ)上，實現(xiàn)了基于MapReduce框架的BP神經(jīng)網(wǎng)絡(luò)并行化運行方式，可以并行的對訓(xùn)練樣本進行批量訓(xùn)練，大大地提升了模型的精度和運行速度。

4）應(yīng)用層。該模塊使用訓(xùn)練好的異常預(yù)測模型，結(jié)合在線輸入的監(jiān)測數(shù)據(jù)，進而獲得狀態(tài)參數(shù)的預(yù)測值，計算模型輸出值與實際監(jiān)測值的殘差，當(dāng)殘差發(fā)生劇烈波動時，判斷風(fēng)電設(shè)備的運行狀態(tài)出現(xiàn)異常，并通過數(shù)據(jù)可視化技術(shù)對相關(guān)人員進行展示。

1.2 基于MapReduce的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型

BP神經(jīng)網(wǎng)絡(luò)是一種按誤差反向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，在各個領(lǐng)域得到了廣泛的應(yīng)用，它能夠很好地表示任意的非線性映射關(guān)系，而無需事前了解描述這種映射關(guān)系的數(shù)學(xué)方程。BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)包括輸出層、輸入層和若干隱層，它的學(xué)習(xí)算法使用最速下降法，通過不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閥值來使網(wǎng)絡(luò)的誤差平方和最小。有研究表明，只要隱層含有足夠多的神經(jīng)元數(shù)目，僅僅包含一個隱層的神經(jīng)網(wǎng)絡(luò)就能夠以任意精度逼近一個連續(xù)的非線性函數(shù)[6]。因此，本文采用只含有一個隱層的神經(jīng)網(wǎng)絡(luò)模型，模型示意圖如圖2所示：

為了運用并行運算的方法來減少算法運行時間，本文參考文獻[7]中對 BP神經(jīng)網(wǎng)絡(luò)算法的MapReduce并行化方法，在Map階段對每個權(quán)值的變化量進行計算并輸出，然后在Reduce階段對各個權(quán)值的總變化量進行統(tǒng)計，之后再統(tǒng)一調(diào)整權(quán)值，并且使用批處理的方式進行訓(xùn)練。

1.3 風(fēng)電機組異常預(yù)測運行流程

受風(fēng)速的波動變化和天氣的季節(jié)性變化影響，風(fēng)電機組的運行環(huán)境經(jīng)常發(fā)生劇烈的動態(tài)變化，因而需要在不同的運行工況之間進行頻繁地切換，導(dǎo)致設(shè)備狀態(tài)監(jiān)測數(shù)據(jù)的幅值在正常運行狀態(tài)下也會發(fā)生較大的變化，這意味著我們不能根據(jù)幅值的大小來判斷機組的運行安全程度。而目前主流的做法都是采用閥值報警的方法，即如果監(jiān)測信號達到了報警閥值，則判斷機組的運行狀態(tài)出現(xiàn)異常，這導(dǎo)致了很多漏報和誤報的情況發(fā)生，為了提高風(fēng)電設(shè)備異常預(yù)測的精確度，本文采用了殘差分析的方式對機組的運行狀態(tài)進行判斷，基本流程如圖3所示：

具體過程闡述如下：

1）選取風(fēng)電機組正常運行狀態(tài)下的 SCADA 數(shù)據(jù)，經(jīng)過預(yù)處理得到可用的監(jiān)測數(shù)據(jù)，然后將這些數(shù)據(jù)按一定的比例劃分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)。

2）訓(xùn)練數(shù)據(jù)經(jīng)過歸一化處理后，選取風(fēng)速、齒輪箱油溫、機艙振動傳感器X、機艙振動傳感器Y，機艙振動有效值和發(fā)電機轉(zhuǎn)速等6個狀態(tài)參數(shù)為模型的輸入?yún)?shù)，對BP神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，直到模型的輸出值誤差達到理想的范圍。

3）用預(yù)測模型對目標(biāo)參數(shù)進行預(yù)測，與實際值對比，獲得殘差，如果殘差沒有超過閾值，則判斷狀態(tài)正常。

4）如果殘差超過閾值，則采用式（1）計算均方根誤差（root-mean- square-error，RMSE），來衡量殘差變化的劇烈程度，應(yīng)用目前流行的滑動窗口技術(shù)，可以更加準(zhǔn)確的反映其變化趨勢，本文通過計算每天的 RMSE，來獲得 RMSE 的變化情況。

[D=1mi=1mxi-x2] （1）

式中：D為均方根誤差；m 為樣本數(shù)；x為模型的預(yù)測值；xi為實際值。

5）當(dāng)RMSE超過閾值，則判斷機組狀態(tài)出現(xiàn)異常。

1.4 實驗結(jié)果與分析

為了模擬風(fēng)電場大數(shù)據(jù)風(fēng)電機組異常狀態(tài)預(yù)測的相關(guān)情況，在實驗室搭建的Hadoop平臺上對本文所述方法進行了仿真實驗，Hadoop集群由一個主節(jié)點（Master）

個兩個從節(jié)點（Slave）組成，各節(jié)點是由Windows Server 2012 上的Hyper-V管理器創(chuàng)建的虛擬機，節(jié)點的內(nèi)存為2G，硬盤為200G，在開發(fā)的過程中用到了Eclipse、Hive、HBase等工具。

實驗采用某風(fēng)電公司風(fēng)電場提供的2015年6月到2016年9月產(chǎn)生的實際運行數(shù)據(jù)，其中包含37臺風(fēng)機的監(jiān)測數(shù)據(jù)，選取其中15臺風(fēng)機2016年7月份共15組監(jiān)測數(shù)據(jù)，按一定的比例抽取數(shù)據(jù)作為測試樣本，對模型進行訓(xùn)練，每組訓(xùn)練1000次，使得模型輸出值誤差范圍達到滿意的效果，進而得到性能良好的神經(jīng)網(wǎng)絡(luò)預(yù)測模型。

為了驗證模型狀態(tài)參數(shù)預(yù)測的精確度，選取對應(yīng)1臺風(fēng)機2016年7月份的共15組監(jiān)測數(shù)據(jù)作為測試樣本對模型進行測試，預(yù)測下一時刻齒輪箱油溫平均值，如圖4所示為其中2臺風(fēng)機實際監(jiān)測值與模型預(yù)測值的對比效果，其中，預(yù)測值為藍色曲線，真實值為紅色曲線，可以看到，兩條曲線基本吻合，驗證了模型的有效性和精確性。

圖4 模型預(yù)測效果對比圖

為了測試模型并行化之后的加速效果，對同樣大小測試數(shù)據(jù)集分別在單機和集群環(huán)境下測試程序運行時間，發(fā)現(xiàn)當(dāng)測試數(shù)據(jù)量較小時，單機所用時間少于集群運行時間，而隨著數(shù)據(jù)集的增大，集群的計算優(yōu)勢就越來越明顯。

1.5 結(jié)束語

針對在海量歷史監(jiān)測數(shù)據(jù)基礎(chǔ)上如何快速有效的對風(fēng)電設(shè)備的異常運行狀態(tài)進行預(yù)測這一問題，本文基于當(dāng)前主流的大數(shù)據(jù)技術(shù)，設(shè)計并實現(xiàn)了風(fēng)電設(shè)備的異常預(yù)測模型?；贖adoop的MapReduce框架，通過對訓(xùn)練樣本學(xué)習(xí)得到并行化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，提高數(shù)據(jù)批處理的效率，加速風(fēng)電機組異常狀態(tài)預(yù)測的計算過程和數(shù)據(jù)處理的效率。實例表明，在正常運行工況下，預(yù)測模型能準(zhǔn)確地對狀態(tài)參數(shù)進行預(yù)測，同時具有出較好的加速效果，滿足海量監(jiān)測數(shù)據(jù)環(huán)境下風(fēng)電機組在線異常狀態(tài)預(yù)測的要求。

參考文獻：

[1] Bin Lu， Yaoyu Li， Xin Wu and Zhongzhou Yang. A Review of Recent Advances

in Wind Turbine Condition Monitoring and Fault Diagnosis[J]. PEMWA 2009， IEEE， 2009（6）： 1-7.

[2] 郭鵬， David Infield， 楊錫運. 風(fēng)電機組齒輪箱溫度趨勢狀態(tài)監(jiān)測及分析方法[J]. 中國電機工程學(xué)報， 2011，31（32）： 129-136.

[3] 張小田. 基于回歸分析的風(fēng)機主要部件的故障預(yù)測方法研究[D]. 北京： 華北電力大學(xué)， 2013.

[4] 許駿龍， 李征. 基于支持向量機的風(fēng)電機組故障預(yù)警[J]. 工業(yè)控制計算機， 2013（8）： 54-56.

[5] 徐長安， 余忠源. 基于Hadoop的海量風(fēng)電數(shù)據(jù)平臺研究[C]// 2014電力行業(yè)信息化年會論文集. 2014.

[6] Hornik K.Multilayer feedforward networks are universal approximators[J]. Neural Networks， 1989， 2（5）： 359-366

[7] 陳春萍， 查雅行， 錢平， 等. 基于MapReduce的BP神經(jīng)網(wǎng)絡(luò)遺傳算法在非線性系統(tǒng)辨識中的研究[C]//中國通信學(xué)會. 第十八屆全國青年通信學(xué)術(shù)年會論文集（下冊）. 中國通信學(xué)會， 2013： 7.