基于相邻风机相关性模型的风速计监测方法

吴立增

(中国华电集团公司，北京　100031)



基于相邻风机相关性模型的风速计监测方法

吴立增

(中国华电集团公司，北京100031)

摘要:风电机组风速计出现故障的概率较高，对其进行实时监测并及时发现其故障有重要意义。由于相邻多台风电机组的运行工况和风速计测量值的相关性很强，提出了基于相邻风机相关性模型的风速计监测方法。采用粒子群神经网络算法对相邻的多台风电机组风速计正常测量数据进行处理，建立相关性模型，将风速计实时测量风速作为模型的输入，当某台机组的风速计出现测量异常时，其与其他相邻机组风速计之间原有的相关性被破坏，相关性模型对该机组风速的预测残差将会显著增大，预示该风速计出现故障，据此能够实现风电机组风速计状态的实时监测。某风电场的实际运行数据验证了该方法的有效性。

关键词:风电机组;风速计;相关性模型;状态监测;粒子群优化(PSO)算法;反向传播(BP)神经网络;残差

0　引言

风速计是风电机组传感器系统的重要组成部分，可实时采集风速信息提供给风电机组控制系统，保证机组安全、高效运行，实时监测风电机组风速计的运行状态并及时发现其故障具有重要的实用意义。由于风速随机变化，采用查看风速计测量值是否在其上、下限阈值之间的方法来判断其工作是否正常存在一定问题。如果风速计工作异常，但其测量值在上、下阈值之间，则上述阈值判定方法无法发现此类异常。

在风电机组传感器监测领域，为检测风电机组叶片根部载荷传感器的故障，文献［1］建立了叶片动态特性模型并设计了卡尔曼滤波器，通过分析滤波器预测值与传感器实测值之间的残差来诊断传感器故障。文献［2］建立了风电机组双馈发电机的定、转子电流和定子电压的观测器模型并设计了扰动过滤单元，通过观测器与传感器输出比较的残差来监测传感器状态。由于风电机组运行工况时变，将会直接影响观测器或卡尔曼滤波器［3－4］的精度，进而降低传感器故障诊断的准确性;同时，由于风速受自然环境影响，不可控且与风电机组其他运行变量无关，采用建立观测器模型进行风速计监测的方法并不可行。本文提出基于粒子群优化(PSO)算法的反向传播(BP)神经网络风速计监测方法，将多台风资源相似的相邻风电机组风速计的输出值自动进行横向比对分析，以监测风速计的工作状态。通过分析多台风电机组的实际风速测量数据，验证该方法的有效性。

1　基于相关模型分析的风电机组风速计监测原理

风电机组感受到的风速随机变化，当风速计输出超出正常工作上、下阈值时，可以直接判断风速计工作异常，但当其输出在上、下阈值之间时，仅分析风速计的输出无法判别其工作是否正常。风速计测量异常隐藏在随机变化的数据中，很难区分哪些数据是正常测量数据，哪些测量数据出现异常。

风电场一般有多台相同型号的机组，分布在风场不同的位置，如平坦地带、山脊、山顶等，这些机组的传感器、控制系统及运行方式一般也是相同的。地理位置相似且相近的多台机组，其风资源具有很强的相关性(风资源包括风速、风向、湍流等因素)，机组风速计的测量输出也具有很大的相似性，但同时也存在一定的差异。

如果多台相邻风机运行正常、稳定，它们的风资源和运行状态的相关关系也是持续、稳定存在的，因此，在多台相邻机组相同型号风速计之间进行横向比较，其输出是相似的。如前所述，仅孤立分析单台风电机组风速计的输出，很难发现测量异常，但如果将其放到多台相邻风电机组多个风速计相关关系的参照系中，当相邻机组中的某台机组风速计出现测量异常时，其与其他风速计输出之间的相关关系会被破坏，从而发现某台机组风速计的测量异常。

相邻机组风速计输出之间的相关关系可以用相关性模型来反映，该模型的建模数据为多台相邻机组风速计正常工作时的测量数据。该模型的输入为相邻机组风速计的实际测量值，输出为各机组风速计的输出预测值。模型建立完毕后，相邻机组正常工作时风速计之间的关系蕴含在相关性模型中。开始监测后，模型对相邻机组风速计的输出进行预测，如果风速计工作正常，相关性模型对其输出的预测值与该风速计的实测值相近，两者之间的残差很小;相反，当某个机组的风速计出现异常时，其测量值与其他相邻机组风速计输出之间原有的相关关系发生改变，即与相关性模型记忆的相似关系发生明显改变，该模型对测量异常风速计的预测输出将会显著偏离实测值，预测残差增大，预示该机组风速计测量出现异常。本文选取基于PSO算法的神经网络作为相邻机组风速计相关性模型的建模方法，以内蒙古某风电场风速计监测为实例，开展风电机组风速计监测研究。

2　PSO神经网络算法

PSO神经网络算法是基于群智能的一种全局优化技术，它通过粒子间的相互作用，对解空间进行智能搜索，从而找到最优解。PSO神经网络算法的基本思想是通过群体中个体之间的协作和信息共享来寻找最优解。采用传统的反向传播权值修正算法的BP神经网络存在训练速度慢、易陷入局部极小点的缺陷，采用粒子群优化算法来替代反向传播算法进行BP神经网络的训练，能有效克服以上缺点，这种神经网络称为PSO－BP神经网络［5－7］。

PSO－BP网络通常采用3层前向结构，即输入层、隐层和输出层。网络各层的权值和阈值共同构成一个权值向量，记为Wi(i = 1，2，…，n)，并将其作为粒子群算法解空间的一个解，即一个粒子。PSO－BP神经网络通过粒子群进化方法找到其解空间的一个最佳权值向量，达到最佳的训练和泛化结果。进化过程如下所述［8］。

对BP网络进行n次随机初始化，得到n个权值向量W1，W2，…，Wn，将其作为粒子群的初始n个粒子。每个粒子的优劣程度可以用其适应度函数表示。在PSO－BP神经网络中，每个粒子的适应度函数定义如下:将粒子即权值向量Wi作用于前向BP网络，对n个网络训练样本进行前向运算，得到n个网络输出。在该粒子作为网络权值时，n个训练样本的训练误差为

式中: tp，dp分别为第p个样本的目标值和网络输出。

该粒子对应的适应度函数为该粒子的适应度越大，网络训练的结果越好。

当粒子群的初始n个粒子给出后，解空间的每个粒子会根据自己的进化经验和同伴的进化经验来不断调整自己的当前值。每个粒子在进化中适应度最大的值，就是该粒子本身找到的最优解，称为个体极值，记作Wpbest(i)，即第i个粒子的极值。整个群体目前的最优解称为全局极值，记为Wgbest。每个粒子通过上述两个极值不断进化更新自己，从而产生新一代群体。

对于第i个粒子，其一次更新的增量和更新后的值分别为

式中: c1，c2为学习因子，通常c1= c2= 2; rand()为［0 1］上的随机数; k为惯性系数。

式(3)等式右边的第1项与粒子上一次修正的增量有关，可以起到平衡全局搜索和局部搜索的作用; 第2项是粒子向自身最优值学习的部分，称为自学习部分，其能够保持粒子有较强的全局搜索能力，避免陷入局部极小点;第3项为粒子向全局最优值学习的部分，称为互学习的部分，其能够加快搜索速度。

3　模型的构建与验证

某风电场共32台1.5 MW双馈风电机组，所有机组型号相同，风电场地势平坦。由于该地区风沙大、昼夜温差大、冬季温度低，位于机舱外部的风杯式风速计容易出现故障。风速计测量的风速是风电机组启停、传动链安全保护、性能分析的重要信号，需要对其运行状态进行实时监测。该风电场每5台机组采用一条输电线路，同一输电线路上的5台机组地理位置相近。编号E16，E17，E18，E19，E20的5台风机由于地理位置相近、地形相似，将其划分为相邻机组。分析采用数据采集与监视控制(SCADA)系统记录的10 min采样数据。5台机组的风速计型号相同，测量的风速分别记为v1，v2，v3，v4，v5。图1为2014年5月1日全天5台相邻机组的风速计测量输出。

由图1可以看出，5台相邻机组的风速大小及变化趋势都有很大的相似性。

本文采用PSO－BP神经网络算法来建立相邻风速计模型，反映5个风速计测量输出之间的相关关系。相邻机组风速计模型的输入为5个风速计的实际测量值，该模型的输出为风速计输出的预测值。

该5台风电机组风速计2014年4月至5月运行正常，选取该事件段的2000条风速测量值作为建模验证数据，其中1500条记录作为训练集，构建E16～E20风机风速计相关性模型。经反复测试，设置3层网络结构: 1个包含5个神经元节点的输入层，代表5台风机的风速; 1个包含40个神经元节点的隐含层; 1个包含5个神经元节点的输出层，对应5台机组风速计输出预测值。运用PSO－BP神经网络算法直到收敛，使之达到较高精度，达到对神经网络良好的训练效果。

图1　5台风机风速比较

以风速计相关性模型对E16机组的预测输出为例，对该模型进行验证，选取4月另500条记录作为验证集。由图2可以看出，E16机组风速计实测风速与模型预测输出之间的预测残差均在5％以下。验证结果表明，基于PSO－BP神经网络算法的相邻风速计相关性模型具有很高的建模精度。

图2　E16风速计正常时相关性模型验证结果(风速已归一化)

4　相邻风机相关性模型异常监测

通过查看5台机组风速计记录的风速测量数据，E16风速计在2014年6月2日至8月12日期间出现故障，如图3所示。在此期间，E16风速计记录的风速均在3 m/s以上，与其他机组相比，测量明显异常。

图3　E16和E17风速对比

现取E16风速计6月2日故障开始时刻前、后共150个测量数据作为已建立的风速计相关性模型的输入。图4为该时段5台相邻机组风速的对比。E16风速计故障在第101点发生，该点以后的风速明显高于其他4台机组。图5为采用相邻风速计相关性模型对E16风速计的监测结果。

图4　E16风速计故障前、后与其他风速计对比

由图4和图5可见，在故障点之前，E16风速计工作正常，相邻风速计相关性模型对其风速预测具有很高精度;而在第101点故障开始后，由于E16风速计记录的风速明显偏离其他相邻机组风速计，该模型对E16的预测精度显著降低，残差显著增大且持续存在。通过对残差设定合理的阈值［9－10］，本文所述方法能够自动及时地发现风速计的异常。

图5　E16风速计故障监测结果(风速已归一化)

5　结论

由于风速随机变化，给风速计监测和故障诊断造成很大困难。根据风电机组的运行原理，风资源相似的多台相同型号机组运行状态和测量参数也相似。为实时监测风电机组风速计状态，本文将多台相邻机组的风速计测量值进行横向对比分析，采用PSO神经网络建立了反映其相似关系的相邻风速计相关性模型。当某台机组风速计出现测量异常时，其与其他相邻机组风速计之间的相似关系被破坏，相邻风速计相关性模型对其输出的预测残差增大，表明该风速计测量出现异常。本文以风电场的实际运行数据验证了其有效性，该方法也可推广到风电机组其他传感器和运行参数的监测中。

参考文献:

［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］李辉，赵猛，赵斌，等.双馈风电机组关键传感器的故障诊断方法［J］.中国电机工程学报，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，张江滨.基于卡尔曼滤波器的控制系统传感器故障诊断［J］.电网与清洁能源，2011，27(7) : 50－53.

［5］行鸿彦，皱水平，徐伟，等.基于PSO－BP神经网络的湿度传感器温度补偿［J］.传感技术学报，2015，28(6) : 864－869.

［6］李强，周轲新.基于PSO－BP算法的压力传感器温度补偿研究［J］.电子学报，2015，43(2) : 412－416.

［7］刘希玉，刘弘.人工神经网络与微粒群优化［M］.北京:北京邮电大学出版社，2008: 284－286.

［8］郭鹏，李淋淋，马登昌.基于IPSO－BP的风电机组齿轮箱状态监测研究［J］.太阳能学报，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.

(本文责编:刘芳)

吴立增(1971—)，男，河北迁安人，高级工程师，从事发电生产管理方面的工作(E-mail: lizeng－wu@ chd.com.cn)。

作者简介:

收稿日期:2015－11－12;修回日期:2015－12－12

中图分类号:TM 614

文献标志码:A

文章编号:1674－1951(2016)01－0072－04