胡 陽, 胡耀宗, 程 逸, 陳修高, 董得志, 孫曉彥

(1.新能源電力系統(tǒng)國家重點實驗室,北京 102206; 2．華北電力大學(xué) 控制與計算機(jī)工程學(xué)院,北京 102206;3．國家電投集團(tuán)科學(xué)技術(shù)研究院有限公司,北京 102206)

隨著碳達(dá)峰、碳中和目標(biāo)的不斷推進(jìn),大型風(fēng)電機(jī)組在節(jié)能減排過程中起著越來越重要的作用。變頻器是風(fēng)電機(jī)組的關(guān)鍵設(shè)備,其主要功能包括:(1) 在給定的轉(zhuǎn)速范圍內(nèi)將發(fā)電機(jī)輸出的電能反饋給電網(wǎng);(2) 產(chǎn)生系統(tǒng)為建立交變磁場和感應(yīng)磁通所需要的無功功率;(3) 在風(fēng)電機(jī)組或電網(wǎng)故障時,變頻器啟動保護(hù)動作。變頻器一般在外部環(huán)境中工作,環(huán)境溫差大、油污侵蝕等原因可能會使其性能受到損害,嚴(yán)重時會引起變頻器故障。因此,風(fēng)電機(jī)組變頻器的狀態(tài)監(jiān)測[1]對于風(fēng)電機(jī)組的健康狀況極其重要。

傳統(tǒng)的風(fēng)電機(jī)組關(guān)鍵部件狀態(tài)監(jiān)測與故障預(yù)警方法主要有決策樹[2]、隨機(jī)森林[3]、支持向量回歸[4]、XGBoost[5]、LightGBM[6]和神經(jīng)網(wǎng)絡(luò)[7]等。孟憲梁等[8]通過分析數(shù)據(jù)采集與監(jiān)視[12](Supervisory control and data acquisition, SCADA)系統(tǒng)數(shù)據(jù),使用風(fēng)速、轉(zhuǎn)子轉(zhuǎn)速等24個傳感器的參數(shù)作為機(jī)器學(xué)習(xí)模型的輸入,以變槳系統(tǒng)變頻器的溫度作為機(jī)器學(xué)習(xí)模型的輸出。通過對比XGBoost和LightGBM 2種機(jī)器學(xué)習(xí)方法的模型評價指標(biāo)判斷其在變槳系統(tǒng)變頻器狀態(tài)監(jiān)測上的優(yōu)劣,使用基于滑動時間窗殘差估計方法對變頻器故障進(jìn)行預(yù)測。結(jié)果表明,相對于LightGBM算法,XGBoost算法對變槳系統(tǒng)變頻器的故障預(yù)警方法更簡便、結(jié)果可靠,更適用于風(fēng)電機(jī)組變槳系統(tǒng)故障預(yù)警。劉冰冰等[9]提出了一種隨機(jī)森林算法對變頻器的故障進(jìn)行檢測,在SCADA中的環(huán)境參數(shù)、控制參數(shù)、電氣參數(shù)和狀態(tài)參數(shù)中取出故障、停機(jī)、維修和限功率等非正常發(fā)電狀態(tài)下的數(shù)據(jù)建立變頻器故障檢測模型。結(jié)果表明,用隨機(jī)森林算法進(jìn)行故障診斷,準(zhǔn)確率高,但在實際工程中實現(xiàn)起來比較困難。胡立錦[10]對變頻器故障類型及故障原理進(jìn)行了仿真分析,得到不同故障狀態(tài)下直驅(qū)式風(fēng)力發(fā)電機(jī)的輸出電壓及波形變化情況。將仿真結(jié)果經(jīng)處理后作為數(shù)據(jù)樣本對設(shè)計好的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測試,使神經(jīng)網(wǎng)絡(luò)具有診斷和故障定位的能力。Yahyaoui等[11]利用主成分分析法對風(fēng)電機(jī)組SCADA中的扭矩、發(fā)電機(jī)轉(zhuǎn)速、電網(wǎng)電流和輸出電壓等12類數(shù)據(jù)進(jìn)行特征提取,并用不同的機(jī)器學(xué)習(xí)方法進(jìn)行狀態(tài)監(jiān)測。通過分析風(fēng)機(jī)不同工況下的仿真數(shù)據(jù),驗證了該方法的有效性和較高的分類精度。

變頻系統(tǒng)是風(fēng)電機(jī)組發(fā)生故障的主要部位,其故障比較常見,維護(hù)工作量大,維修較難,對變頻器的合理監(jiān)測可以減少維護(hù)維修過程中的人力物力損失,因此,筆者提出了大型風(fēng)電機(jī)組變頻器狀態(tài)監(jiān)測及分析方法。首先,基于風(fēng)電機(jī)組變頻器工作原理,分析SCADA中變頻器的監(jiān)測參數(shù),篩選出了適合風(fēng)電機(jī)組變頻器的輸入、輸出參數(shù)。然后,對所采集到的監(jiān)測原始數(shù)據(jù)分析數(shù)據(jù)的特征,設(shè)計了數(shù)據(jù)的預(yù)處理流程。隨后,基于赤池信息準(zhǔn)則(Akaike information criterion, AIC),引入有限差分回歸向量作為有限差分(Finate difference, FD)-注意力機(jī)制(Attention, AT)-長短期記憶(Long shortterm memory, LSTM)神經(jīng)網(wǎng)絡(luò)模型輸入,即FD-AT-LSTM模型,建立了變頻器狀態(tài)監(jiān)測模型,并采用帶有故障數(shù)據(jù)的樣本進(jìn)行驗證,證明了該方法的有效性。

1 變頻器工作原理及其監(jiān)測參數(shù)

風(fēng)力發(fā)電系統(tǒng)變頻器應(yīng)用最多的是雙饋式、籠型異步式和直驅(qū)式3種,除了籠型異步式,其他2種必須經(jīng)過變頻處理后才能接入電網(wǎng)中。變頻器主要由整流(交流變直流)、濾波、逆變(直流變交流)、制動單元、驅(qū)動單元、檢測單元和微處理單元等組成,圖1和圖2分別為永磁直驅(qū)風(fēng)電系統(tǒng)和雙饋風(fēng)電系統(tǒng)的結(jié)構(gòu)示意圖。

圖1 永磁直驅(qū)風(fēng)電系統(tǒng)示意圖

圖2 雙饋風(fēng)電系統(tǒng)示意圖

雙饋式風(fēng)電機(jī)組風(fēng)機(jī)轉(zhuǎn)輪與發(fā)電機(jī)轉(zhuǎn)子之間通過變速器相連,而直驅(qū)式風(fēng)電機(jī)組風(fēng)機(jī)轉(zhuǎn)輪與發(fā)電機(jī)轉(zhuǎn)子直接相連。由于風(fēng)電機(jī)組運(yùn)行時工況多變,發(fā)電機(jī)產(chǎn)生的電能不是穩(wěn)定的50 Hz,因此需要變頻器將發(fā)電機(jī)產(chǎn)生的電能經(jīng)過處理后并入電網(wǎng)中。發(fā)電機(jī)產(chǎn)生的電能首先經(jīng)過轉(zhuǎn)子側(cè)的變流器,也稱整流器,將發(fā)電機(jī)產(chǎn)生的交流電變成直流電,經(jīng)過整流器的直流電隨后經(jīng)過直流斬波器變成固定可調(diào)電壓的直流電。最后經(jīng)過網(wǎng)側(cè)的變流器也稱逆變器,將直流電變成穩(wěn)定頻率的電能,電能經(jīng)過交-直-交的變換成為穩(wěn)定頻率的電能輸送到電網(wǎng)中。

從變頻器前后的結(jié)構(gòu)可以看出,變頻器的運(yùn)行不僅與自身參數(shù)有關(guān),還與風(fēng)輪、發(fā)電機(jī)和電網(wǎng)的重要參數(shù)有關(guān)。風(fēng)電場運(yùn)行中負(fù)責(zé)對場區(qū)內(nèi)所有風(fēng)力發(fā)電機(jī)組的運(yùn)行狀態(tài)進(jìn)行實時監(jiān)控、對機(jī)組的各個子部件參數(shù)進(jìn)行信息采集和儲存的系統(tǒng)稱為SCADA系統(tǒng)[12],該系統(tǒng)能夠針對發(fā)現(xiàn)的異常狀態(tài)或者故障狀態(tài),及時主動發(fā)出聲光報警,以便風(fēng)電場運(yùn)維人員能夠及時響應(yīng)。合理選擇SCADA中的關(guān)鍵參數(shù)對構(gòu)建風(fēng)電機(jī)組關(guān)鍵部件的狀態(tài)監(jiān)測模型十分重要。

變頻器的主要部件是變頻器內(nèi)部的絕緣柵雙極型晶體管(IGBT)以及電網(wǎng)側(cè)和機(jī)組側(cè)的變流器。整流器和逆變器的工作機(jī)理均是通過調(diào)整IGBT的開斷來調(diào)整輸出電源的電壓和頻率。IGBT是變頻器中的重要結(jié)構(gòu),其狀態(tài)與性能直接決定了變頻器的運(yùn)行狀態(tài),在風(fēng)電機(jī)組變頻器的狀態(tài)監(jiān)測中主要考慮IGBT模塊的運(yùn)行狀態(tài)。因此,選擇IGBT模塊的相關(guān)參數(shù)作為表征變頻器運(yùn)行狀態(tài)的參數(shù)指標(biāo),能夠有效反映變頻器的運(yùn)行狀態(tài)。選取SCADA系統(tǒng)中有關(guān)發(fā)電機(jī)、變頻器和電網(wǎng)的相關(guān)參數(shù),初步選定風(fēng)速風(fēng)向等20個變量為模型的輸入變量,如表1所示。選擇變頻器IGBT溫度作為模型輸出變量。

表1 輸入變量

2 運(yùn)行數(shù)據(jù)預(yù)處理

風(fēng)電機(jī)組在運(yùn)行過程中會產(chǎn)生大量運(yùn)行數(shù)據(jù),以風(fēng)電機(jī)組變頻器IGBT溫度為研究對象建立模型的過程中,選擇哪些運(yùn)行量作為輸入數(shù)據(jù)、如何對所選擇的變量進(jìn)行處理以提高模型的高精度逼近能力是需要關(guān)注的問題。基于此,筆者設(shè)計了風(fēng)電機(jī)組變頻器狀態(tài)監(jiān)測模型建立前的數(shù)據(jù)預(yù)處理流程,主要包括基于隨機(jī)森林的特征選擇以及基于最小均方誤差(LMS)自適應(yīng)濾波的噪聲消除。

2.1 基于隨機(jī)森林的輸入特征選擇

由于SCADA系統(tǒng)采集到的數(shù)據(jù)特征較多,若將相關(guān)性較小的特征都用來訓(xùn)練會增加模型訓(xùn)練的難度,并且由于非相關(guān)特征較多,模型噪聲也會增加,因此需要對采集到的風(fēng)速、風(fēng)向和葉輪轉(zhuǎn)速等20個變量進(jìn)行特征提取。

基于隨機(jī)森林的特征選擇方法是一種非線性的特征選擇方法,變頻器IGBT溫度與其他相關(guān)變量之間存在明顯的非線性關(guān)系,因此選擇隨機(jī)森林[13]方法進(jìn)行特征選擇。首先對待選變量進(jìn)行歸一化處理,并將數(shù)據(jù)集分為訓(xùn)練集和測試集。之后采用回歸隨機(jī)森林方法以待選變量集作為輸入,以變頻器IGBT溫度作為輸出,進(jìn)行基于回歸隨機(jī)森林[14]的輸入輸出建模。

隨機(jī)森林回歸模型在構(gòu)建過程中會對每個特征進(jìn)行基于袋外數(shù)據(jù)打分,得到的結(jié)果作為特征的重要性得分S。S越高,表明該特征在建模過程中的重要程度越高,選取S較高的變量作為特征選擇的結(jié)果。

假設(shè)隨機(jī)森林中回歸樹的數(shù)目為Ntree,原始數(shù)據(jù)集有d個特征,單特征Xj(j=1,2,…,d)的基于袋外數(shù)據(jù)(out of bag,OOB)誤差分析的特征重要性度量按如下步驟計算:

計算所有回歸樹特征Xj置換前后袋外數(shù)據(jù)分類誤差率的平均變化量:

(1)

2.2 基于LMS自適應(yīng)濾波的噪聲去除

對輸入輸出變量進(jìn)行特征選擇,能夠提高模型精度、降低模型復(fù)雜度,同時,對輸入輸出變量進(jìn)行噪聲去除也是提高模型高精度逼近能力的重要方式。在采集與存儲過程中,SCADA中存儲的海量風(fēng)電機(jī)組運(yùn)行數(shù)據(jù)由于人為因素或自然因素不可避免地會帶有噪聲。如轉(zhuǎn)輪風(fēng)速傳感器在采集風(fēng)速信息時會受到通訊干擾,變頻器電流電壓等電氣量數(shù)據(jù)會受到電磁干擾等,從而產(chǎn)生隨機(jī)噪聲。這些噪聲的存在會影響模型精度和預(yù)測結(jié)果的準(zhǔn)確度,因此在訓(xùn)練模型之前需要選擇合適的方法消除監(jiān)測數(shù)據(jù)中的隨機(jī)噪聲。

LMS變步長自適應(yīng)濾波方法[15-16]可以去除采集過程中產(chǎn)生的隨機(jī)噪聲,且處理后的數(shù)據(jù)不失真,數(shù)據(jù)質(zhì)量好,可用來直接進(jìn)行模型建立,因此可對風(fēng)速、電流和變頻器水冷溫度等數(shù)據(jù)進(jìn)行LMS自適應(yīng)濾波,自適應(yīng)濾波器的原理框圖如圖3所示。其中,W(n)為自適應(yīng)濾波器在時刻n的權(quán)矢量;X(n)為時刻n的輸入信號矢量;d(n)為期望輸出值;v(n)為干擾信號;e(n)為誤差信號;Lf為自適應(yīng)濾波器的長度。

圖3 自適應(yīng)濾波器原理框圖

基于最速下降法的LMS算法的迭代公式如下:

e(n)=d(n)-XT(n)W(n)

(2)

W(n+1)=W(n)+2μe(n)X(n)

(3)

式中:μ為步長因子。

LMS算法收斂的條件為:0<μ<1/λmax,其中λmax為自相關(guān)矩陣的最大特征值。

3 變頻器運(yùn)行狀態(tài)監(jiān)測及分析方法

3.1 有限差分運(yùn)行域確定

在運(yùn)行過程中,影響風(fēng)電機(jī)組變頻器溫度的因素較多,且由于各部件之間的相互作用,當(dāng)前時刻的溫度輸出值帶有延遲,為了更精準(zhǔn)地反映當(dāng)前時刻溫度,需要考慮輸入與輸出的延遲階次,構(gòu)建有限差分回歸向量[17]用于變頻器運(yùn)行狀態(tài)監(jiān)測。

定義有限差分運(yùn)行域下的回歸向量φ(t),經(jīng)過有限次差分運(yùn)算,可得t時刻的變頻器溫度輸出為:

T(t)=f(φ(t))+eF(t)

(4)

式中:T(t)為t時刻變頻器IGBT溫度;φ(t)為回歸向量,由變頻器IGBT溫度和其余相關(guān)變量組成,φ(t)=[T(t-1),…,T(t-n1),x1(t),…,x1(t-n2),…,xq(t),…,xq(t-nm)],其中x1,x2,…,xq為特征選擇的q個變量;n1,n2,…,nm為模型階次;f(·)為有限次差分運(yùn)算;eF為噪聲。

有限差分回歸向量中各變量的模型階次根據(jù)赤池信息準(zhǔn)則確定,計算結(jié)果OAIC的值越小,模型效果越好。其一般形式如下:

(5)

式中:OAIC為根據(jù)赤池信息準(zhǔn)則計算的結(jié)果;lnL為模型的對數(shù)似然值;np、mv為模型階數(shù);Np為觀測數(shù)目。

3.2 FD-AT-LSTM變頻器溫度監(jiān)測模型

3.2.1 AT-LSTM

長短期記憶神經(jīng)網(wǎng)絡(luò)[18-21]是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN),普遍用來解決長序列數(shù)據(jù)訓(xùn)練過程中出現(xiàn)的梯度消失和梯度爆炸問題[22],與普通的RNN相比,LSTM在較長的序列數(shù)據(jù)中表現(xiàn)更好[23]。同時LSTM中加入了記憶模塊,能夠更好地處理長時間序列問題。因此,針對基于時間序列采集的變頻器IGBT模塊相關(guān)監(jiān)測參數(shù),采用LSTM處理具有較好的效果。

注意力機(jī)制[24-27]在模型訓(xùn)練過程中能夠識別關(guān)鍵信息并給予更高的權(quán)重,對于相關(guān)性較低的數(shù)據(jù)給予低權(quán)重或忽視非關(guān)鍵信息,并且在訓(xùn)練過程中不斷更新權(quán)重,因此魯棒性高,具有較好的模型性能。

將LSTM與注意力機(jī)制結(jié)合的模型稱為AT-LSTM模型,其將二者的優(yōu)勢互補(bǔ),既能在長時間序列的數(shù)據(jù)中更好地訓(xùn)練模型,又能在多輸入變量中不斷更新權(quán)重。

3.2.2 模型結(jié)構(gòu)

圖4 FD-AT-LSTM結(jié)構(gòu)

3.2.3 數(shù)據(jù)歸一化

由于采集到的不同監(jiān)測變量的取值范圍不同,直接將采集到的數(shù)據(jù)用于模型訓(xùn)練會降低模型精度,在訓(xùn)練之前根據(jù)式(6)將所有樣本歸一化到區(qū)間[0,1]。

(6)

3.2.4 FD-AT-LSTM模型有效性驗證

為了有效評價模型精度,引入均方誤差eMSE、均方根誤差eRMSE和平均絕對誤差eMAE3項評價指標(biāo),這些指標(biāo)的計算公式如下:

(7)

(8)

(9)

eMSE、eMAE、eRMSE的值越小越好。

3.3 殘差處理方法

FD-AT-LSTM模型建立后,需要對殘差進(jìn)行處理來達(dá)到狀態(tài)監(jiān)測的目的,本節(jié)通過處理殘差矩陣得到檢測指標(biāo)h,并根據(jù)檢測指標(biāo)的閾值判斷變頻器的運(yùn)行狀態(tài),其計算公式如下。

(10)

得到殘差序列E后計算殘差矩陣的均方誤差eMSE。

(11)

由均方誤差以及殘差矩陣可得到檢測指標(biāo)h:

h=E-eMSE

(12)

計算完成后,需根據(jù)檢測指標(biāo)h的分布確定檢測閾值d。對得到的檢測指標(biāo)采用核密度估計的方法得到h的概率密度函數(shù),再根據(jù)概率密度函數(shù)確定檢測閾值d。

對于樣本h={h1,h2,…,hN},N為樣本數(shù),采用核密度估計計算概率密度p(h)如下:

(13)

其中,σ為核函數(shù)帶寬系數(shù),K(·)為核函數(shù)。使用高斯核作為其核函數(shù),高斯核表達(dá)式如下:

(14)

式中:g為2個數(shù)據(jù)點間的歐氏距離。

最后根據(jù)計算得到的概率密度分布,由式(15)計算得到檢測閾值d,其中α為置信水平。

2.充分調(diào)動職工參政議政的積極性，促進(jìn)各項決策更趨向科學(xué)化。一號煤礦通過廠務(wù)公開，把發(fā)展、安全、經(jīng)營的重大事項通過職代會等多種形式如實地向廣大職工報告，誠心征求職工意見，極大程度地調(diào)動了職工的積極性與創(chuàng)造性，統(tǒng)籌宏觀層面與微觀層面，發(fā)揮集體智慧，促進(jìn)各項決策趨向民主化與科學(xué)化，激發(fā)職工愛廠敬業(yè)的熱情。近幾年，一號煤礦在實際運(yùn)行中多次采納職工合理化建議，以激勵激發(fā)職工參政議政的積極性，職工主人翁意識顯著增強(qiáng)，創(chuàng)造了數(shù)目可觀的經(jīng)濟(jì)效益，多項科技成果得到不同級別的認(rèn)可并廣泛推廣。

(15)

檢測閾值確定以后,根據(jù)實際應(yīng)用場景中所得到的檢測指標(biāo)是否處于置信區(qū)間內(nèi)作為變頻器運(yùn)行狀態(tài)的評判標(biāo)準(zhǔn)。若檢測指標(biāo)超出置信區(qū)間,變頻器處于異常運(yùn)行狀態(tài);若檢測指標(biāo)處于置信區(qū)間內(nèi),則變頻器處于正常運(yùn)行狀態(tài)。圖5為設(shè)計的變頻器狀態(tài)監(jiān)測及分析方法流程圖。

圖5 變頻器狀態(tài)監(jiān)測及分析方法流程圖

4 仿真驗證及分析

4.1 數(shù)據(jù)預(yù)處理

4.1.1 原始數(shù)據(jù)采集

以西北某大型風(fēng)電場某機(jī)組為研究對象,采集該機(jī)組的風(fēng)速、風(fēng)向、葉輪轉(zhuǎn)速和變頻器IGBT溫度等21個相關(guān)變量,采樣時間間隔為2 min,同時在SCADA系統(tǒng)中采集到該機(jī)組變頻器的故障信息。采樣時間為2020-04-20—05-10,為期20天,采樣點共18 000個。在此期間,變流器故障信息報警3次,如表2所示。

表2 變頻器故障信息

4.1.2 基于隨機(jī)森林的輸入特征選擇

根據(jù)第1節(jié)中變頻器前后結(jié)構(gòu)進(jìn)行機(jī)理分析得到的結(jié)果,選取風(fēng)速、風(fēng)向、葉輪轉(zhuǎn)速等20個變量為輸入變量,變頻器IGBT溫度為輸出變量,計算基于回歸隨機(jī)森林的特征重要性得分,結(jié)果見表3。

表3 各變量重要性得分

根據(jù)計算結(jié)果,選取變頻器水冷溫度、葉輪轉(zhuǎn)速、變頻器水冷水壓、變頻器轉(zhuǎn)矩反饋、相電流1、相電流2、相電流3、線電壓2、線電壓3、變頻器線電流、變頻器轉(zhuǎn)矩給定和變頻器有功功率12個變量作為模型的輸入變量。輸出變量的影響因素主要是熱能的傳遞和損失,主要受環(huán)境量如變頻器水冷溫度、水冷水壓,氣動量如電流電壓等,機(jī)械量如轉(zhuǎn)矩、發(fā)電機(jī)轉(zhuǎn)速等影響。因此,基于隨機(jī)森林的特征選擇與基于機(jī)理分析的結(jié)果相對應(yīng),驗證了隨機(jī)森林方法的效果,同時解釋了特征選擇的物理意義。

4.1.3 基于LMS自適應(yīng)濾波的噪聲濾波

對SCADA系統(tǒng)中所采集到的風(fēng)速、變頻器水冷溫度等數(shù)據(jù)在傳輸與存儲過程中產(chǎn)生的隨機(jī)噪聲進(jìn)行自適應(yīng)濾波,如圖6和圖7所示。結(jié)果表明,自適應(yīng)濾波能夠有效地消除數(shù)據(jù)采集過程中的隨機(jī)噪聲,且對數(shù)據(jù)進(jìn)行了平滑處理,處理后的數(shù)據(jù)毛刺減少,與原數(shù)據(jù)變化趨勢一致,因此可用來直接進(jìn)行模型訓(xùn)練。

圖6 風(fēng)速數(shù)據(jù)自適應(yīng)濾波效果圖

圖7 變頻器水冷溫度數(shù)據(jù)自適應(yīng)濾波效果圖

4.2 變頻器IGBT溫度監(jiān)測模型建立

將采集到的數(shù)據(jù)以變頻器故障信息為基準(zhǔn)分為兩部分:一部分為前11天未出現(xiàn)故障信息,為正常數(shù)據(jù);另一部分為帶有故障信息的數(shù)據(jù),為異常數(shù)據(jù)。將正常運(yùn)行的10 000條數(shù)據(jù)作為訓(xùn)練集和測試集,按照8∶2的比例分別輸入到FD-AT-LSTM模型中進(jìn)行訓(xùn)練與測試,結(jié)果如圖8所示。將帶有故障樣本的異常數(shù)據(jù)作為驗證集用于后續(xù)的方法驗證。

(a) 整個測試集

為了更準(zhǔn)確地評價基于注意力機(jī)制的長短期記憶神經(jīng)網(wǎng)絡(luò)對變頻器IGBT溫度的監(jiān)測效果,筆者建立了以下幾種基于機(jī)器學(xué)習(xí)方法的變頻器IGBT溫度監(jiān)測模型,并對比了各模型的評價指標(biāo),具體模型結(jié)構(gòu)說明如下。

回歸隨機(jī)森林模型:決策樹個數(shù)選取200,最大深度為None。

XGBoost模型:樹的最大深度為5,樹的個數(shù)為500,學(xué)習(xí)率為0.05,最小葉子節(jié)點樣本權(quán)重和為3。

LightGBM模型:指定葉子的個數(shù)為31,樹的個數(shù)為60,學(xué)習(xí)率為0.1。

支持向量回歸(SVR)模型中,核函數(shù)選擇'rbf',核函數(shù)系數(shù)為0.82,正則化系數(shù)C選為1。

CNN-LSTM模型:由輸入層、卷積層、LSTM層、全連接層和輸出層構(gòu)成,使用Relu作為激活函數(shù)。輸入層為經(jīng)數(shù)據(jù)預(yù)處理后的xn個變量,卷積層結(jié)構(gòu)為n×128,LSTM層結(jié)構(gòu)為128×64,全連接層結(jié)構(gòu)為64×10×1。

計算FD-AT-LSTM模型與其他模型的評價指標(biāo),結(jié)果如表4所示。從表4可以看出,FD-AT-LSTM模型的3個評價指標(biāo)均優(yōu)于其他對比模型,因此,FD-AT-LSTM算法的風(fēng)電機(jī)組變頻器IGBT溫度監(jiān)測方法是有效的。

表4 回歸模型評價指標(biāo)

4.3 基于模型殘差的監(jiān)測閾值確定

通過正常樣本集建立FD-AT-LSTM模型后,得到了變頻器IGBT溫度監(jiān)測模型,若模型的輸入變量位于正常工況,則模型預(yù)測值與實測值之間具有較小的殘差,模型能夠較好地擬合輸出。當(dāng)輸入變量偏離正常工況時,基于正常樣本建立的模型就不能很好地擬合輸出,此時殘差會增大且明顯區(qū)別正常數(shù)據(jù)樣本下的殘差。

將帶有故障樣本的異常部分?jǐn)?shù)據(jù)作為驗證集,輸入模型得到殘差矩陣后進(jìn)行檢測指標(biāo)h的計算,通過核密度估計方法計算得到檢測指標(biāo)在98%置信度下的置信區(qū)間為[-1.0,0.9],如圖9所示,圖10為檢測指標(biāo)h的概率密度分布情況。

圖9 基于檢測指標(biāo)h的預(yù)警效果圖

從圖9可以看出,檢測指標(biāo)h在區(qū)域一、區(qū)域二、區(qū)域三均超出了預(yù)先設(shè)定的98%置信度的置信區(qū)間邊界,與表2對應(yīng)的故障序號1、2、3相對應(yīng)。且故障1在數(shù)據(jù)編號10 314處檢測指標(biāo)h超出閾值,提前16步進(jìn)行預(yù)警,故障2在編號12 783處檢測指標(biāo)h超出閾值,提前22步進(jìn)行預(yù)警,故障3在數(shù)據(jù)編號14 419處檢測指標(biāo)h超出閾值,提前28步進(jìn)行預(yù)警?？梢钥闯?FD-AT-LSTM模型成功識別出了故障信息中的3次故障且均能提前進(jìn)行判斷,因此基于注意力機(jī)制長短記憶神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組變頻器狀態(tài)監(jiān)測方法能夠準(zhǔn)確地對變頻器進(jìn)行狀態(tài)監(jiān)測,并能在故障出現(xiàn)前及時給予預(yù)警信息。

5 結(jié) 論

(1) 針對風(fēng)電SCADA系統(tǒng)采集到的數(shù)據(jù),建立了基于FD-AT-LSTM的風(fēng)電機(jī)組變頻器狀態(tài)監(jiān)測模型,通過與回歸隨機(jī)森林、XGBoost等機(jī)器學(xué)習(xí)方法所建立的模型進(jìn)行對比,驗證了FD-AT-LSTM模型的高精度與有效性。

(2) 針對采集到的監(jiān)測原始數(shù)據(jù),設(shè)計了特征選擇加自適應(yīng)濾波降噪的數(shù)據(jù)預(yù)處理流程,為后續(xù)建模奠定了良好的數(shù)據(jù)基礎(chǔ)。并結(jié)合注意力機(jī)制與LSTM,引入差分向量,有效提升了模型的精度。

(3) 采用核密度估計對殘差進(jìn)行分析,得到了IGBT溫度殘差分布并設(shè)置了預(yù)警閾值,有效地識別出了驗證集中的3次變頻器故障,證實了FD-AT-LSTM方法的有效性。