基于栈式自编码网络的风机叶片结冰预测

刘娟 黄细霞 刘晓丽

摘 要：针对风电机组叶片结冰严重影响风机发电效率和安全性、经济性的问题，提出一种基于SCADA数据的栈式自编码（SAE）网络叶片结冰早期预测模型。该模型采用编码解码的非监督方法对无标签的数据集预训练，再利用反向传播算法对有标签的数据集进行训练微调，实现了故障特征的自适应提取和状态分类，有效降低了传统预测模型的复杂度，同时避免了人为特征提取对模型效果的影响。利用SCADA系统采集的某15号风机的历史数据进行训练和测试，该模型测试结果准确率为97.28%。与支持向量机（SVM）和主成分分析支持向量机（PCASVM）方法得到的建模分别为91%和93%的准确率进行对比分析，实验结果表明，基于栈式自编码网络的风机叶片结冰预测模型精确度更高。

关键词：风机叶片结冰预测;栈式自编码;深度学习;预测模型

中图分类号：TP391.9

文献标志码：A

Abstract： Aiming at the problem that wind turbine blade icing seriously affects the generating efficiency， safety and economy of wind turbines， a Stacked AutoEncoder （SAE） network based prediction model was proposed based on SCADA （Supervisory Control And Data Acquisition） data. The unsupervised method of encodingdecoding was utilized to pretrain the unlabeled dataset， and then the back propagation algorithm was utilized to train and fine tune the labeled dataset to achieve adaptive fault feature extraction and fault state classification. The complexy of the traditional prediction models was simplified effectively， and the influence of artificial feature extraction was avoided on model performance. The historical data of wind turbine No.15 collected by SCADA system was used for training and testing. The accuracy of the test results was 97.28%. Compared with the models based on Support Vector Machine （SVM） and Principal Component AnalysisSupport Vector Machine （PCASVM）， which accuracies are 91% and 93% respectively， the result indicates that the proposed model is more accurate than the other two.

英文关键词Key words： turbine blade icing detection; Stacked AutoEncoder （SAE）; deep learning; prediction model

0 引言

风电是目前我国大力发展的新能源之一。受风能资源的分布限制，我国风力发电厂主要集中在寒冷潮湿的中国北部，安装在这些地区的风机易出现与结冰有关的问题，如功率损耗、机械故障、安全隱患、寿命缩短等。IcingBlades工程[1]研究表明，叶片结冰是风电场功率损失的主因，而功率损失很大程度上会增加风场的操作与维护成本。叶片是风电机组的关键部件，叶片前缘结冰致升力系数降低、阻力系数增加引起风机的输出功率下降[2]，Barber等[3]研究了结冰对风机性能的影响，发现叶片结冰可使功率系数降低22%。附加积冰由于改变了叶片的力学性能导致机组构件温度过热造成疲劳损伤，损伤累积引起机械故障，被迫非计划停机的成本高昂[4]，积冰融化脱落威胁机组巡检人员生命安全[5]， 因此，在结冰早期有效监测到风机叶片结冰现象并采取相应的措施，能够避免以上诸多负面影响。

SCADA（Supervisory Control And Data Acquisition）系统广泛应用于风电场，储存了海量风机运行操作数据，利用智能算法挖掘数据中有价值的故障信息，对叶片结冰进行实时监测并作出高效准确的诊断和预测，以保障风机的发电、安全、可靠性成为研究热点。SCADA系统中原始数据含有高维信息和丰富的噪声（无关、冗余信息），不能直接输入故障诊断系统[6]。近年研究多集中在对原始数据预处理和特征提取方面的优化[7]。栈式自编码（Stacked AutoEncoder， SAE）是由多层训练好的自编码器组成的深度神经网络，可自适应提取高维数据的低维特征，能够解决多层网络结构的梯度消失和局部极值问题[8]。

本文通过分析SCADA数据中的风机工况参数、环境参数、状态参数等监测变量与结冰故障存在的特征关系，提出了基于SAE网络模型的叶片结冰故障诊断方法。该模型融合了特征提取和状态分类两个步骤，利用无标签数据对模型进行预训练、学习，再用有标签的数据集进行模型微调，实现对风机叶片结冰的早期预警。

1.2 栈式自编码网络

深层神经网络比浅层神经网络训练难度更大，采用随机梯度下降求解网络参数过程存在收敛局部最小值和梯度弥散等问题[10]。Erhand等[11]为解决上述问题，提出逐层贪婪预训练的逐层学习策略，将简单的AE当作模型的一个单元，通過非监督的逐层初始化对深度网络进行预训练，即栈式自编码（SAE）网络。当训练完第一层AE网络，实现了从输入向量编码输出重构输出的解码过程后，将编码输出部分作为下一层的输入并逐层训练，结构如图2所示。

1.3 预训练和微调

将SAE逐层贪婪训练最后获得的输出特征作为分类器的输入，即完成最终的分类训练。预训练过程的实质就是采用无监督特征优化算法进行网络连接权重和偏置的初始化过程。基于自编码网络重构误差函数，利用梯度下降法对损失函数进行极小化。逐层训练结束后，每层AE的权重已经有一个预训练的值，保持各自编码网络层参数不变，用有分类标签的数据对整个深度自编码网络层进行一次训练，让每层的权重参数同时得到改善，从而实现全局最优，即有监督的微调过程。

2 基于SAE的故障诊断模型

本文利用SAE自适应提取高维数据的低维特征的能力，将其应用在风机叶片结冰诊断。无监督预训练阶段通过激活函数tanh的映射对原始风机数据进行低维特征表达。无监督训练结束后分别将获得的低维特征和原始数据标签作为分类器的输入作有监督微调。微调阶段采用的激活函数为tanh，利用Adam反向优化算法进行权值更新，以提高栈式自编码网络的性能。最后利用测试集对模型性能进行测试。模型结构具体如图3所示。实现步骤如下：

1）SCADA数据预处理，利用重采样技术对不均衡数据进行处理，将处理后的数据划分训练集和测试集;

2）构建2层自编码预训练网络模型，利用训练集中的无标签样本通过Adam反向传播算法对模型进行预训练;

3）构建2层微调分类网络模型，利用训练集中的有标签样本通过Adam反向传播算法进行模型调优;

4）将训练好的诊断模型，用于现场指导。

3 SCADA数据实例分析

3.1 数据处理

本文采用的数据来源为某风电场15号风机和21号风机冬季历时三个月的SCADA数据，为了尽可能地描述风机的运行状态，根据相关资料和人工经验保留了SCADA系统中26个状态参数变量，包括风机运行的工况参数、环境变量参数和状态参数，数据样本描述见表1、表2。

3.2 模型参数的设定

实验基于Keras深度学习框架，模型结构由栈式自编码网络和分类器构成，栈式自编码结构节点数第1层为：262026，第2层为：201220，分类器结构节点数为：1261。栈式自编码网络模型的参数W，b 初始化为服从高斯分布的随机值，Adam超参数设置为η=0.1， β1=0.9， β2=0.999。在预训练阶段，Adam反向优化算法对参数的调整的迭代次数设为500。在微调阶段，每批输入样本量设为100，整体优化迭代次数设为500。

3.3 实验结果

为了观察训练过程中收敛过程和训练精度，绘制训练过程趋势图，如图6所示。在预训练阶段误差低于0.19，效果较好，在微调阶段，训练300次时已经收敛，且结果精度较高。

4 结语

对于风电机组叶片结冰故障问题，本文提出了一种栈式自编码网络的风机叶片故障诊断方法，将深度学习应用于风电机组风机叶片结冰的故障诊断中，结果表明：基于自编码网络的分类器模型能够对风机叶片结冰故障进行准确预测，此方法能实现特征的自适应提取和降维，避免了人为特征选取的复杂性和不精确性。利用SAE模型对15号进行测试，验证结果表明该模型预测结冰故障的可行性，对尽早采取结冰应对措施具有较好的指导意义，能够应用于工程现场。利用此模型在21号风机上进行测试，测试结果表明，不同风机的运行工况不同，状态参数不同，在实际应用中应考虑模型的迁移问题。

参考文献 （References）

[1]DAVIS N N， PINSON P， HAHMANN A N， et al. Identifying and characterizing the impact of turbine icing on wind farm power generation[J]. Wind Energy， 2016， 19（8）：1503-1518.

[2] HOMOLA M C，VIRK M S， NICKLASSON P J， et al. Performance losses due to ice accretion for a 5 MW wind turbine[J].Wind Energy， 2012，15（3）：379-389.

[3] BARBER S， WANG Y， JAFARI S， et al. The impact of ice formation on wind turbine performance and aerodynamics[J]. Journal of Solar Energy Engineering， 2011，133（1）：311-328.

[4] SHAJIEE S， PAO L Y， WAGNER P N， et al. Direct ice sensing and localized closedloop heating for active deicing of wind turbine blades[C]// Proceedings of the 2013 IEEE American Control Conference. Piscataway， NJ： IEEE， 2013：634-639.