江漢大學(xué)人工智能學(xué)院 陳 巖 侯 群 關(guān)雅琦

隨著全球范圍內(nèi)風(fēng)電裝機總量的逐步增加，風(fēng)力發(fā)電領(lǐng)域?qū)︼L(fēng)機的運維提出了更高的要求。風(fēng)力發(fā)電機的溫度是評價風(fēng)機運行狀態(tài)的重要指標(biāo)之一，其預(yù)測值可以用于風(fēng)力發(fā)電機的故障預(yù)警等應(yīng)用場景。本文介紹了一種基于梯度提升回歸樹對風(fēng)力發(fā)電機溫度進行預(yù)測的方法，首先使用皮爾遜相關(guān)系數(shù)法選取發(fā)電機溫度的特征參數(shù)，利用正常工況下的歷史數(shù)據(jù)，使用梯度提升回歸樹建立發(fā)電機溫度的歸回預(yù)測模型，最后將采集的實時運行數(shù)據(jù)輸入到該模型中，得到對應(yīng)的發(fā)電機溫度預(yù)測值。本文通過實驗，有效并準(zhǔn)確地預(yù)測了風(fēng)力發(fā)電機的溫度值，擬合度達到96.42%，為進一步的風(fēng)力發(fā)電機溫度測點預(yù)警提供了準(zhǔn)確的數(shù)據(jù)來源。

發(fā)電機溫度是風(fēng)力發(fā)電系統(tǒng)中極為重要的指標(biāo)之一，它的預(yù)測值可以用于風(fēng)場運維中的故障預(yù)警場景。在風(fēng)電機組運行的過程中，每個部件上都裝有對應(yīng)的數(shù)據(jù)采集傳感器用于實時數(shù)據(jù)的采集。然而，即使是當(dāng)前的運行數(shù)據(jù)是正常的，也并不能說明該風(fēng)機指標(biāo)在長期的運行趨勢中是正常的，這就需要使用機器學(xué)習(xí)建模的方法來對實時的運行數(shù)據(jù)進行預(yù)測，判斷其與真實數(shù)據(jù)的偏差程度，如果偏差過大，則代表風(fēng)機在將來的某個時間點將會發(fā)生故障。如果可以提前預(yù)測出發(fā)電機會因為溫度過高而出現(xiàn)故障，將有助于風(fēng)電場及時做出檢修計劃，排查故障原因，避免造成經(jīng)濟損失和生產(chǎn)事故。

從目前的風(fēng)電運維領(lǐng)域，很多專家學(xué)者都在嘗試使用機器學(xué)習(xí)、深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)建模等方法對溫度進行預(yù)測。溫度值的預(yù)測不僅僅是針對發(fā)電機的溫度，還有齒輪箱各個部件的溫度以及環(huán)境溫度等。滕偉等提出了一種基于極端梯度提升樹于長短時記憶網(wǎng)絡(luò)加權(quán)融合的組合模型對風(fēng)力發(fā)電機的定子繞組溫度進行了預(yù)測。梁濤等提出了一種基于灰色關(guān)聯(lián)度理論的變權(quán)組合預(yù)測模型對齒輪箱溫度進行預(yù)測。劉午超建立了用于風(fēng)力發(fā)電機溫度預(yù)測的小波神經(jīng)網(wǎng)絡(luò)模型，通過相關(guān)系數(shù)法對風(fēng)力發(fā)電機溫度的影響因素進行分析。

本文使用了種集成學(xué)習(xí)中的梯度提升回歸樹算法，探討其在風(fēng)力發(fā)電機溫度預(yù)測中的應(yīng)用研究，將發(fā)電機溫度的歷史數(shù)據(jù)及其對應(yīng)的特征參數(shù)數(shù)據(jù)進行訓(xùn)練建模，并使用測試數(shù)據(jù)集對預(yù)測模型進行檢驗。

1 梯度提升回歸樹算法介紹

梯度提升樹也可以稱為多決策樹。根據(jù)不同的目的，通常分為梯度決策提升樹（GBDT,Gradient Boost Decision Tree）和梯度提升回歸樹（GBRT，Gradient Boost Regression Tree）。該算法由Friedman在20世紀初提出，具有很強的非線性擬合能力，常用于設(shè)備運行預(yù)測、人流預(yù)測等不同場景。

梯度提升回歸樹由多個決策樹組成，為了得到最終結(jié)果，只需將所有決策樹的輸出結(jié)果相加即可。它的核心是每棵樹都是從之前所有樹的殘差中學(xué)習(xí)出來的。為了防止過擬合，增加了Boosting過程。

原始的Boost算法會給每一個樣本都賦予一個相同的權(quán)重，然后開始對模型進行訓(xùn)練。在這個過程中，每一步的模型都會導(dǎo)致樣本出現(xiàn)正確或錯誤。在這時對模型中的點進行標(biāo)記，如果模型是往正確的方向前進的，那么就減少它的權(quán)重，如果是往錯誤的方向前進的，那么就增加它的權(quán)重。這樣，經(jīng)過n次迭代，錯誤的點由于擁有過高的權(quán)重，會被重點關(guān)注，并且我們得到了n個簡單的分類器，將它們組合起來，便可以得到最終的模型。

Gradient Boost和傳統(tǒng)的Boost有所不同，在每一次計算的過程中，它會在誤差減少的方向上建立新的模型，這樣在經(jīng)過n次迭代的過程中，我們每一步都在減少誤差的方向上前進。

梯度提升回歸樹作為一種集成學(xué)習(xí)方法，有如下優(yōu)點：

（1）在參數(shù)調(diào)整時間相對較小的情況下，預(yù)測精度較高；

（2）非線性數(shù)據(jù)處理能力強；

（3）可以靈活處理各種類型的數(shù)據(jù)，包括連續(xù)值和離散值；

（4）利用一些魯棒損失函數(shù)，對異常值的魯棒性非常強；

（5）不需要數(shù)據(jù)歸一化。

同時，梯度提升回歸樹也具有一些缺點，比如難以并行訓(xùn)練數(shù)據(jù)、不適合高維稀疏特征等。

2 基于梯度提升回歸的風(fēng)力發(fā)電機溫度預(yù)測模型

2.1 特征參數(shù)的選取

在統(tǒng)計學(xué)中，皮爾遜相關(guān)系數(shù)(Pearson correlation coefficient)，又稱皮爾遜積矩相關(guān)系數(shù)(Pearson product-moment correlation coefficient，簡稱PPMCC或PCCs)，是用于衡量兩個變量之間的相關(guān)性，其值介于-1與1之間。

兩個變量之間的皮爾遜相關(guān)系數(shù)定義為兩個變量之間的協(xié)方差和標(biāo)準(zhǔn)差的商：

對于樣本皮爾遜相關(guān)系數(shù)，給出其簡單的單流程算法：

將某一時間段風(fēng)機正常工況運行狀態(tài)下的發(fā)電機溫度監(jiān)測數(shù)據(jù)提取出來作為X，將其他同一時刻具有相關(guān)性的觀測特征數(shù)據(jù)提取出來作為Y，分別代入公式(7)，可以得到X關(guān)于Y的皮爾森相關(guān)系數(shù)ρX,Y。

將特征參數(shù)和發(fā)電機溫度的連續(xù)數(shù)據(jù)處理為兩個觀測向量，代入公式(7)，即可得到發(fā)電機溫度關(guān)于該特征參數(shù)的皮爾遜相關(guān)系數(shù)，如表1所示。

表1 發(fā)電機定子溫度特征參數(shù)選取表

2.2 使用梯度提升回歸樹建立預(yù)測模型

針對梯度提升回歸，首先要輸入訓(xùn)練集樣本：

其中，最大迭代次數(shù)T，損失函數(shù)L。

初始化弱學(xué)習(xí)器：

在迭代輪數(shù)從1到T的過程中，對樣本i=1,2,…,m，計算負梯度：

針對每一個葉子節(jié)點里的樣本，求出使損失函數(shù)最小，擬合葉子節(jié)點最好的輸出值ctj值如下：

更新強學(xué)習(xí)器：

從而得到最終的強學(xué)習(xí)器表達式：

通過對正常工況下歷史數(shù)據(jù)的訓(xùn)練，調(diào)整最適合的迭代次數(shù)，即可得到最佳的風(fēng)力發(fā)電機溫度預(yù)測模型。在這里，使用sklearn下的ensemble集成學(xué)習(xí)功能包，調(diào)用GradientBoostingRegressor()方法，不斷調(diào)整參數(shù)，得到最后的迭代次數(shù)n_estimators值為200。整個預(yù)測模型的流程圖如圖1所示。

圖1 預(yù)測模型流程圖

3 預(yù)測結(jié)果分析

3.1 模型訓(xùn)練結(jié)果

本文選取某風(fēng)電場2019年4月1日12:00—18:00，6h內(nèi)的60s采樣間隔數(shù)據(jù)，在得到預(yù)測模型時后，使用方根均差、平均絕對誤差和擬合度作為其評價標(biāo)準(zhǔn)。在訓(xùn)練結(jié)束后，得到測試集的擬合度為96.42%，其中方根均差為0.20，平均絕對誤差為0.15。模型預(yù)測的真實值和預(yù)測值圖如圖2所示。

圖2 基于梯度提升回歸樹的預(yù)測值與真實值

3.2 模型校驗

為了進一步對基于梯度提升回歸樹的發(fā)電機溫度預(yù)測模型精度進行評價，本文使用BP神經(jīng)網(wǎng)絡(luò)算法建立預(yù)測模型與其進行對比。使用相同的數(shù)據(jù)集，使用BP神經(jīng)網(wǎng)絡(luò)算法建立發(fā)電機溫度預(yù)測模型，得到測試集的擬合度為96.15%，其中方根均差為0.21，平均絕對誤差為0.16。模型預(yù)測的真實值和預(yù)測值圖如圖3所示。

圖3 基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測值與真實值

風(fēng)力發(fā)電機機組設(shè)備數(shù)據(jù)預(yù)警是風(fēng)電運維過程中極其重要的環(huán)節(jié)，包括發(fā)電機溫度等指標(biāo)的預(yù)測。在風(fēng)力發(fā)電機的運行過程中，有很多因素會對發(fā)電機溫度產(chǎn)生影響，所以選取這些主要因素作為特征參數(shù)考慮進來并對結(jié)果進行預(yù)測成為了關(guān)鍵的一步。本文首先使用皮爾遜相關(guān)系數(shù)法對發(fā)電機溫度的特征參數(shù)進行選取，再使用梯度提升回歸算法將正常工況下的發(fā)電機溫度歷史數(shù)據(jù)及其特征參數(shù)數(shù)據(jù)訓(xùn)練出預(yù)測模型，便可以得到預(yù)測結(jié)果。將該模型的預(yù)測結(jié)果與實際值相比，擬合度為96.42%。同時，使用BP神經(jīng)網(wǎng)絡(luò)算法對同樣的參數(shù)指標(biāo)和數(shù)據(jù)進行預(yù)測，可以得到略低于使用梯度提升回歸樹算法訓(xùn)練的預(yù)測模型的擬合精度，側(cè)面證明了使用梯度提升回歸樹算法再風(fēng)電運行數(shù)據(jù)預(yù)測領(lǐng)域的可行性。