基于深度学习的风电机组参数故障预测技术研究

姜兴武

（大唐广东分公司新能源事业部，广东 广州 510000）

0 引 言

面对风电机组事故发生频繁以及造成的巨额损失，风电机组的状态监测技术引起了国内外相关人员的极大关注。然而，鉴于现代风电机组的运行特点，传统的状态监测方法虽然可以实现故障的有效诊断，但存在一定的局限性，对于故障的早期预警和诊断问题尤为突出。状态监测的主要目的是监测设备性能参数，定位设备劣化拐点，提前采取维护检修措施，保证设备安全稳定运行[1-2]。由于传统的状态监测都是孤立的看待一个测点参数，每个测点使用固定的报警上下限，一个界限用于所有工况。因此，传统的状态监测技术主动、早期识别故障的能力非常有限，存在的问题有：报警上下限设置太窄，误报率高；报警上下限设置太宽，漏报率高，或者报警报得很迟。

本文拟在研究风电机组运行参数之间的相关性，利用深度学习方法建立参数之间交叉拟合模型，实时监测参数实际值相对于预测值的相对误差值进行参数预警。同时，报警上下限不再是固定值，而是由预测值和误差阈值决定的一条“动态带”范围，不仅报警上下限能够自适应调整，提高报警准确性，而且多参数联合监测能够主动识别早期故障征兆，实现故障预测。

1 基于相关性分析的风电机组子系统划分

假设风电机组某子系统包含A、B、C、D共4个参数，那么它们之间具有一定的相关性，利用深度神经网络建立它们之间的交叉拟合模型：

其中，f(·)表示深度神经网络模型，W1、W2、W3、W4表示深度神经网络中神经元之间的权值；A，B，C，D分别表示4个参数的拟合值。

该子系统运行参数正常的约束条件是：

其中，δ1、δ2、δ3、δ4为各参数实际值相对于预测值的相对误差阈值，可以取相同值或不同。

风电机组中参数众多，但并非所有的参数之间都存在相关性或相关性很强。因此，本文研究中对风电机组众多参数进行相关性分析，根据相关性强弱关系将风电机组参数划分为不同的若干参数群，从而将风电机组划分为若干子系统。基于参数相关性分析的风电机组子系统划分主要目的是降低模型复杂度，即减少特征参数个数，加快模型训练速度。

2 基于深度神经网络的风电机组参数预测模型

本文考虑到设备运行参数之间的相关性，利用深度学习方法，借助计算机优越的计算性能，建立参数之间交叉拟合模型，并用海量的运行数据训练模型，通过调正参数等工作寻找最优模型。

2.1 数据准备

从风电机组运行数据管理数据库中获取风电机组历史运行数据用于训练深度神经网络模型。用于训练的数据集要求是风电机组正常运行时的运行参数数据。数据准备主要包括两部分：（1）数据清洗，在剔除异常值的基础上，采用线性差值的方法获取等间隔时间点的数据，从而保证各参数数据在时间尺度上保持一致；（2）数据归一化。

2.2 确定模型结构

研究中采用深度信念网络（Deep Belief Networks，DBN）建立风电机组参数预测模型[3]。深度信念网络可以看作是多个受限玻尔兹曼机（Restricted Boltzmann Machine，RBM）堆栈，最后一层作为分类器或预测输出。

2.3 训练模型

将经过数据清理和归一化的风电机组运行参数数据作为DBN网络模型的输入，选择目标监测参数作为网络输出，训练过程中将目标监测参数历史数据作为标签数据，因此该训练过程整体上是一种有监督学习过程。

3 实验验证

本文从SCADA系统中获取某风力机2016年1月到2016年10月这段时间内的监测数据，共118个参数。对所获取的数据进行数据清理，可以获得原始风速数据和数据清理后的风速数据，如图1、图2所示。数据清理后一共得到10 000组数据，对其进行归一化处理。

图1 原始风速数据

图2 数据清理后的风速数据

研究获取的参数属性一共118个，为了减少模型训练难度，验证过程中以机舱温度为例。根据相关系数平均值大小选出与机舱温度相关性高的属性，并将这些属性组合起来划分为机舱系统。这里相关系数平均值阈值取0.6，一共筛选出45个相关性较高的属性。图3表示与机舱温度相关性较高的6个属性。

图3 机舱温度相关性高的属性

图4 机舱温度拟合DBN网络模型

由相关性分析得到机舱系统包含46个属性参数，以机舱温度为例，建立其DBN网络模型，如图4所示。激活函数均为“sigmiod”函数。该模型包含3个隐藏层，神经元个数分别是（30，20，10）。

采用2.3所描述的算法对机舱温度模型进行训练，其中9 000组数据用于训练，剩余1 000组数据用于验证模型。验证结果如图5所示，可以看出拟合误差能够控制在很小范围。

图5 机舱温度模型

4 结 论

为了解决风电机组事故频繁发生的问题，提出一种基于深度学习的风电机组参数故障预测技术。本文通过对风电机组运行参数的相关性分析，将风电机组划为若干个子系统，并利用深度学习方法建立参数之间的交叉拟合模型，利用海量的运行数据进行训练模型，得到最优的预测模型，同时，通过实验验证了本文方法的有效性。