于天笑

（國電聯(lián)合動(dòng)力技術(shù)有限公司，北京 100039）

0 引 言

作為一種無污染的可再生能源，風(fēng)能因其巨大的蘊(yùn)藏量受到了世界各國的廣泛重視。但隨著風(fēng)電的大規(guī)模發(fā)展，風(fēng)電場運(yùn)維工作量也隨之快速增加，已有技術(shù)手段不能全面支撐風(fēng)電機(jī)組大部件異常狀態(tài)的早期發(fā)現(xiàn)及有效識(shí)別。為了提升風(fēng)電場運(yùn)維效率，本文利用大數(shù)據(jù)的采集和統(tǒng)計(jì)分析技術(shù)，對(duì)機(jī)組各種運(yùn)行狀態(tài)進(jìn)行分析評(píng)估，得出機(jī)組各個(gè)零部件運(yùn)行過程中的劣化趨勢，自動(dòng)對(duì)風(fēng)電機(jī)組未來可能出現(xiàn)的異常情況提前做出預(yù)警，引導(dǎo)風(fēng)電場運(yùn)維人員開展預(yù)防性維護(hù)，降低機(jī)組故障損失。

1 風(fēng)電機(jī)組異常預(yù)測中的大數(shù)據(jù)分析技術(shù)應(yīng)用思路

風(fēng)電場數(shù)據(jù)采集與監(jiān)控系統(tǒng)（SCADA系統(tǒng)）廣泛應(yīng)用于我國風(fēng)電領(lǐng)域。該系統(tǒng)主要負(fù)責(zé)風(fēng)電機(jī)組及其部件運(yùn)行狀態(tài)的監(jiān)測，通過設(shè)置閾值進(jìn)行監(jiān)測數(shù)據(jù)的越限報(bào)警，可在一定程度上實(shí)現(xiàn)風(fēng)電機(jī)組的異常監(jiān)測。但受采集數(shù)據(jù)點(diǎn)密集、在線監(jiān)測信息量大的影響，傳統(tǒng)的SCADA系統(tǒng)逐漸難以滿足風(fēng)電設(shè)備監(jiān)測數(shù)據(jù)的在線處理需求。為應(yīng)對(duì)海量且結(jié)構(gòu)復(fù)雜的風(fēng)電機(jī)組監(jiān)測數(shù)據(jù)，并保證數(shù)據(jù)的處理速度和處理精度，本文采用結(jié)合Hadoop技術(shù)的BP神經(jīng)網(wǎng)絡(luò)平臺(tái)進(jìn)行海量數(shù)據(jù)的存儲(chǔ)，并圍繞選取參數(shù)針對(duì)性生成異常預(yù)測算法，配合MapReduce框架進(jìn)行預(yù)測模型訓(xùn)練，滿足了風(fēng)電設(shè)備的異常預(yù)測需要[1]。

2 風(fēng)電機(jī)組異常預(yù)測模型體系

2.1 模型框架

為兼顧風(fēng)電設(shè)備異常預(yù)測的數(shù)據(jù)處理速度和預(yù)測精度需要，本文提出了風(fēng)電設(shè)備異常預(yù)測模型，如圖1所示。該模型應(yīng)用了Hadoop集群和MapReduce框架。

圖1 風(fēng)電設(shè)備異常預(yù)測模型

由圖1可知，模型由4個(gè)部分組成，即應(yīng)用層、分析層、存儲(chǔ)層及數(shù)據(jù)采集層，具體構(gòu)成如下。（1）應(yīng)用層。應(yīng)用層模塊主要負(fù)責(zé)使用完成訓(xùn)練的異常預(yù)測模型，通過輸入在線的監(jiān)測數(shù)據(jù)，即可獲得預(yù)測的狀態(tài)參數(shù)值，以計(jì)算實(shí)際監(jiān)測值與模型預(yù)測值的殘差。如發(fā)現(xiàn)殘差出現(xiàn)距離波動(dòng)，即可判斷風(fēng)電設(shè)備存在運(yùn)行狀態(tài)異常，相關(guān)人員可在數(shù)據(jù)可視化技術(shù)支持下直觀了解異常。（2）分析層。該層集成有完成訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。該模型能夠應(yīng)用大數(shù)據(jù)分析技術(shù)，對(duì)地理信息數(shù)據(jù)、天氣數(shù)據(jù)以及SCADA狀態(tài)監(jiān)測數(shù)據(jù)進(jìn)行分析處理，以完成風(fēng)電設(shè)備的異常狀態(tài)預(yù)測。海量數(shù)據(jù)處理中，傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法很容易出現(xiàn)因內(nèi)存不足而無法訓(xùn)練或耗時(shí)較長問題。為了解決該問題，本文研究引入了開源云計(jì)算平臺(tái)Hadoop，由此BP神經(jīng)網(wǎng)絡(luò)得以與MapReduce框架結(jié)合，并行化運(yùn)行方式也由此實(shí)現(xiàn)。并行化運(yùn)行方式支持下，分析層能夠?qū)τ?xùn)練樣本進(jìn)行并行地批量訓(xùn)練，模型的運(yùn)行速度及精度均大幅提升。（3）存儲(chǔ)層。該層選用的存儲(chǔ)介質(zhì)為Hive和HBase等分布式數(shù)據(jù)庫。作為基于Hadoop的數(shù)據(jù)倉庫工具，Hive能夠提供類sql查詢功能，并能夠?qū)崿F(xiàn)MapReduce作業(yè)與sql語句之間的轉(zhuǎn)譯。通過轉(zhuǎn)譯即可保證sql語句在Hadoop上的執(zhí)行，也能實(shí)現(xiàn)并行運(yùn)行大批量數(shù)據(jù)處理任務(wù)功能。作為構(gòu)建在HDFS上的分布式列存儲(chǔ)系統(tǒng)，HBase具備可伸縮、高性能以及高可靠特點(diǎn)。服務(wù)器可在HBase的支持下實(shí)現(xiàn)大規(guī)模結(jié)構(gòu)化存儲(chǔ)集群的搭建。深入分析發(fā)現(xiàn)，Hive和HBase等分布式數(shù)據(jù)庫具備高吞吐量和高容錯(cuò)率特點(diǎn)。因此，二者均能夠較好地服務(wù)于海量風(fēng)電設(shè)備歷史監(jiān)測數(shù)據(jù)的存儲(chǔ)，且數(shù)據(jù)的批處理訪問模式需要也能夠得到較好滿足。（4）數(shù)據(jù)采集層。采集的數(shù)據(jù)主要包括地理信息數(shù)據(jù)、天氣數(shù)據(jù)以及風(fēng)電設(shè)備的狀態(tài)監(jiān)測數(shù)據(jù)。業(yè)務(wù)原有各類特殊傳感器的生產(chǎn)運(yùn)行管理數(shù)據(jù)也需要通過數(shù)據(jù)采集層實(shí)現(xiàn)采集。由于需要采集的數(shù)據(jù)存在大量重復(fù)內(nèi)容，且模態(tài)各異、來源不一，數(shù)據(jù)采集層需負(fù)責(zé)重復(fù)數(shù)據(jù)與異常數(shù)據(jù)的清除，完成數(shù)據(jù)的清除后可將其余數(shù)據(jù)傳輸至文件系統(tǒng)或分布式數(shù)據(jù)庫，傳輸過程需應(yīng)用Sqoop等大數(shù)據(jù)技術(shù)。在應(yīng)用Sqoop的數(shù)據(jù)傳輸中，傳輸數(shù)據(jù)可實(shí)現(xiàn)標(biāo)準(zhǔn)化、自動(dòng)化的格式調(diào)整，人為的序列/反序列化操作可由此大幅減少[2]。

2.2 預(yù)測模型構(gòu)建

作為一種多層前饋網(wǎng)絡(luò)，按誤差反向傳播算法訓(xùn)練屬于神經(jīng)網(wǎng)絡(luò)的主要特征。由于神經(jīng)網(wǎng)絡(luò)能夠?qū)崿F(xiàn)任意非線性映射關(guān)系的較好表示，因此近年來被廣泛應(yīng)用于各領(lǐng)域。神經(jīng)網(wǎng)絡(luò)的具體應(yīng)用中，描述映射關(guān)系的數(shù)學(xué)方程無需提前了解。BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)由輸入層、輸出層以及若干隱層組成，采用最速下降法作為學(xué)習(xí)算法。為實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)誤差平方和的最小化，需不斷調(diào)整神經(jīng)網(wǎng)絡(luò)的閾值與權(quán)值。結(jié)合相關(guān)研究發(fā)現(xiàn)，若BP神經(jīng)網(wǎng)絡(luò)隱含層擁有足夠多的神經(jīng)元數(shù)目，僅包含一個(gè)隱含層的BP神經(jīng)網(wǎng)絡(luò)就能夠以任意精度逼近一個(gè)連續(xù)的非線性函數(shù)。基于此，本文研究采用的BP神經(jīng)網(wǎng)絡(luò)僅具備一個(gè)隱含層，如圖2所示。

由圖2可知，BP神經(jīng)網(wǎng)絡(luò)模型中，為有效減少算法運(yùn)行時(shí)間，采用了并行運(yùn)算的方法。在MapReduce并行化方法的支持下，每個(gè)權(quán)值的變化量能夠在Map階段完成計(jì)算與輸出，各個(gè)權(quán)值的總變化量則能夠在Reduce階段進(jìn)行完全統(tǒng)計(jì)，配合權(quán)值的科學(xué)化統(tǒng)一調(diào)整，訓(xùn)練即可基于批處理的方式展開。

2.3 異常預(yù)測運(yùn)行流程

受天氣季節(jié)性變化和風(fēng)速波動(dòng)變化的影響，風(fēng)電機(jī)組需要頻繁切換自身的運(yùn)行工況。受工況的頻繁切換影響，風(fēng)電機(jī)組設(shè)備狀態(tài)監(jiān)測數(shù)據(jù)的幅值往往會(huì)出現(xiàn)較大波動(dòng)，因此風(fēng)電機(jī)組的運(yùn)行安全程度無法通過幅值的大小實(shí)現(xiàn)準(zhǔn)確判斷。為應(yīng)對(duì)風(fēng)電機(jī)組運(yùn)行特點(diǎn)，現(xiàn)階段業(yè)界多采用閾值報(bào)警方法，即對(duì)風(fēng)電機(jī)組的運(yùn)行狀態(tài)判斷中，以監(jiān)測信號(hào)是否達(dá)到報(bào)警閾值為基礎(chǔ)。但這種閾值報(bào)警方法的應(yīng)用很容易出現(xiàn)誤報(bào)和漏報(bào)等問題，風(fēng)電設(shè)備異常預(yù)測的精確度不高。因此，本文采用了殘差分析方式對(duì)風(fēng)電機(jī)組運(yùn)行狀態(tài)進(jìn)行判斷，基本流程可描述為：“歷史監(jiān)測數(shù)據(jù)→預(yù)處理→歷史可用數(shù)據(jù)→歸一化處理→BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型→網(wǎng)絡(luò)權(quán)值和閾值矩陣→BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型”“新監(jiān)測數(shù)據(jù)→BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型→計(jì)算殘差→是否大于殘差閾值→是→計(jì)算RMSE→是否大于RMSE閾值→是→狀態(tài)異?！?，如果殘差與RMSE不大于設(shè)定閾值，則說明風(fēng)電設(shè)備狀態(tài)正常。

圖2 BP神經(jīng)網(wǎng)絡(luò)模型

具體的風(fēng)電設(shè)備異常預(yù)測過程如下。（1）針對(duì)性選擇正常運(yùn)行狀態(tài)下的風(fēng)電機(jī)組SCADA數(shù)據(jù)，并開展針對(duì)性預(yù)處理，以得到用于后續(xù)分析的監(jiān)測數(shù)據(jù)。按比例進(jìn)行劃分，將剛剛得到的監(jiān)測數(shù)據(jù)分為測試數(shù)據(jù)與訓(xùn)練數(shù)據(jù)。（2）歸一化處理訓(xùn)練數(shù)據(jù)，選取6個(gè)狀態(tài)參數(shù)作為模型的輸入?yún)?shù)，分別為發(fā)電機(jī)轉(zhuǎn)速、機(jī)艙振動(dòng)有效值、齒輪箱油溫、風(fēng)速、機(jī)艙振動(dòng)傳感器X及機(jī)艙振動(dòng)傳感器Y?；谳斎?yún)?shù)進(jìn)行BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練，訓(xùn)練結(jié)束依據(jù)為輸出值誤差控制在理想范圍。（3）基于目標(biāo)參數(shù)使用預(yù)測模型進(jìn)行預(yù)測，對(duì)比實(shí)際值與預(yù)測參數(shù)結(jié)果以獲得殘差。若未發(fā)現(xiàn)殘差大于設(shè)定閾值，可判斷參數(shù)對(duì)應(yīng)的風(fēng)機(jī)設(shè)備狀態(tài)正常。（4）對(duì)比實(shí)際值與預(yù)測參數(shù)結(jié)果，若獲得的殘差在設(shè)定閾值以上，需應(yīng)用式（1）進(jìn)行均方根誤差RMSE的計(jì)算。式（1）中的D、m分別為均方根誤差與樣本數(shù)，x與xi分別為模型的預(yù)測值與實(shí)際值。由此得到的RMSE計(jì)算結(jié)果可用于殘差變化劇烈程度的衡量。為更加準(zhǔn)確地反映殘差變化的趨勢，需結(jié)合滑動(dòng)窗口技術(shù)。結(jié)合每天開展的相關(guān)計(jì)算，即可明確RMSE的變化情況。（5）結(jié)合計(jì)算得出RMSE結(jié)果。若該結(jié)果不大于設(shè)定閾值，即可判斷風(fēng)電設(shè)備狀態(tài)未出現(xiàn)異常[3]。

2.4 測試結(jié)果與分析

為驗(yàn)證本文提出方法的實(shí)用性，搭建Hadoop平臺(tái)開展測試。測試采用由2個(gè)從節(jié)點(diǎn)與1個(gè)主節(jié)點(diǎn)組成的Hadoop集群，節(jié)點(diǎn)的內(nèi)存為2 G，屬于應(yīng)用Hyper-V管理器創(chuàng)建的虛擬機(jī)，硬盤為200 G，開發(fā)過程中應(yīng)用了HBase、Hive及Eclipse等技術(shù)。

圍繞某風(fēng)電場提供的2017年1月至2018年12月的實(shí)際運(yùn)行數(shù)據(jù)展開，數(shù)據(jù)來源為33臺(tái)風(fēng)電機(jī)組的SCADA系統(tǒng)采集數(shù)據(jù)。測試選擇了33臺(tái)機(jī)組中的15臺(tái)機(jī)組在2018年6月的監(jiān)測數(shù)據(jù)，基于15組監(jiān)測數(shù)據(jù)選擇訓(xùn)練樣本，以開展模型訓(xùn)練。為保證模型輸出誤差得到較好控制，每組的訓(xùn)練次數(shù)設(shè)為1 000，可得到性能優(yōu)秀的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。選取對(duì)應(yīng)1臺(tái)機(jī)組的2018年6月的15組監(jiān)測數(shù)據(jù)作為測試樣本，進(jìn)行下一時(shí)刻齒輪箱油溫平均值的預(yù)測，可得出模型預(yù)測值與實(shí)際監(jiān)測值的對(duì)比結(jié)果。對(duì)比真實(shí)值和預(yù)測值發(fā)現(xiàn)，真實(shí)值與預(yù)測值基本吻合，模型的精確性和有效性得到了證明。

為測試并行化后的模型加速效果，分別在單機(jī)和集群環(huán)境下進(jìn)行同樣大小測試數(shù)據(jù)集的程序運(yùn)行時(shí)間測試。測試結(jié)果表明，單機(jī)在數(shù)據(jù)量較小時(shí)的運(yùn)行時(shí)間明顯優(yōu)于集群運(yùn)行，但集群的計(jì)算優(yōu)勢隨數(shù)據(jù)集的增大而逐漸明顯。由此可見，并行化方式較為適用于海量的風(fēng)機(jī)設(shè)備監(jiān)測數(shù)據(jù)處理。

3 結(jié) 論

大數(shù)據(jù)分析技術(shù)可較好地服務(wù)于風(fēng)電設(shè)備異常預(yù)測。因此，本文介紹了風(fēng)電設(shè)備異常預(yù)測模型、BP神經(jīng)網(wǎng)絡(luò)模型及異常預(yù)測運(yùn)行流程等內(nèi)容，提供了可行性較高的大數(shù)據(jù)分析技術(shù)應(yīng)用路徑。為了更好地發(fā)揮大數(shù)據(jù)分析技術(shù)優(yōu)勢，需要重視實(shí)時(shí)可靠性評(píng)價(jià)公式的建立，風(fēng)電機(jī)組監(jiān)測數(shù)據(jù)的時(shí)序性特點(diǎn)及短時(shí)風(fēng)速波動(dòng)帶來的影響。