基于特征選擇和BP神經網絡的風電機組故障分類監測研究

童 超， 郭 鵬

（華北電力大學 控制與計算機工程學院，新能源電力系統國家重點實驗室，北京102206）

風電機組在惡劣的自然環境下工作，極易出現故障并造成巨大的經濟損失.因此，應對風電機組進行有效的實時監測和故障診斷.早期的狀態監測與故障診斷技術主要是依靠儀器獲取參數（如頻率、振幅和速度），并與固有的參數進行比較來確定故障類型.近年來，隨著計算機和信號處理技術的迅速發展，多將監測數據傳輸給計算機進行綜合分析，得到頻譜圖、倒頻譜圖和包絡線等，從而實現風電機組狀態的在線監測和遠程監測.也有學者通過對風電機組建模［1］來進行監測分析.同時，人工智能和機器學習方法（如神經網絡、支持向量機等［2］）也被應用于風電機組狀態監測中.郭鵬等［3］采用非線性狀態估計技術作為建模方法，對風電機組塔架振動特性及其影響因素進行細致分析的基礎上，建立了塔架振動模型，用于風電機組振動狀態監測.楊宏暉等［4］提出自適應增強支持向量機集成算法，并結合風機噪聲信號的人耳聽覺譜特征，對風機故障進行分類識別.龍泉等［5］提出了一種基于粒子群優化反向傳播神經網絡（BP神經網絡）的風電機組齒輪箱故障診斷方法.筆者選擇結構簡單、應用范圍廣的BP神經網絡對槳距角不對稱故障進行分類監測.

但是，直接采用BP神經網絡對不對稱故障進行分類存在以下問題：首先，由于數據采集與監視控制系統（SCADA系統）記錄47個常用的風電機組參數，這些參數之間關系復雜.雖然數據越多，BP神經網絡分析得到的信息會越充分、準確性越高，但是由于數據維數過高、數據過于龐大，會出現“維數災難”的問題［6］，這勢必將影響分類器的分類性能；其次，雖然多個參數可能具有很好的分類信息，但是若它們具有非常高的相關性，則將它們一起作為特征向量幾乎得不到什么信息，不但增加復雜度且沒有獲得更多信息.因此，有必要對各個特征向量的分類能力進行評價，選擇出分類能力強的特征信號，剔除冗余信息，降低特征向量的維數.目前，特征選擇的研究呈現出多樣化和綜合性的趨勢，各種新的搜索算法和評價標準都被應用到特征選擇算法中［7］.楊志新等［8］提出了一種基于小波包變換與ReliefF算法的RES識別方法，用于雷達輻射源信號識別，利用ReliefF算法對雷達輻射源信號各個頻段特征的分類能力進行評價，從而選擇出分類能力強的信號特征組成特征向量；李宗杰等［9］采用自組織的SOM網絡進行特征選擇；楊飛虎［6］提出RF－MI特征選擇算法和ISU－GA特征選擇算法，用于網絡流量識別，降低了后續分類算法的時間和空間復雜度.郭嘉［10］針對回聲狀態網絡分類方法面向特征維數高、特征間關系復雜數據時的特征選擇問題，提出了一種基于微分進化算法的封裝式特征選擇方法.

筆者參考上述降低特征向量維數的方法，在運用BP神經網絡分類之前，選擇ReliefF算法對數據進行降維處理.ReliefF算法是目前公認的性能較好的一種特征有效評估方法［8］，具有較高的運行效率且對數據集的數據類型沒有限制，同時克服了Relief算法僅解決兩種類別數據的分類問題和沒有對數據缺失情況進行處理的缺點.

1 槳距角不對稱故障分析

槳葉與發電機、軸承和齒輪箱均有直接聯系，且槳葉故障的維修費用在風電場總維修費用中占較大比重，與電廠的盈利息息相關.槳葉的原始故障包括槳距角不對稱（Blade angle asymmetry）和槳距角不可信（Blade angle implausibility）兩大故障［11］.筆者選取槳距角不對稱故障進行詳細分析.

槳距角不對稱故障是由槳距角不同引起的.所研究風電機組的報警系統有以下規定：在自動槳距控制模式下，2個葉片槳距角的偏差0.5°持續10s或偏差4°持續200ms，就會進行槳距角不對稱報警.在高風速下，變槳距控制系統調節葉片槳距角，而在低風速時槳葉固定不動.當某一葉片槳距角與其他葉片槳距角顯著不同時，就會造成停機.

圖1為發生槳距角不對稱故障時風機功率與槳距角的變化趨勢圖，在101采樣點處功率下降至0，風電機組停機.圖2為101采樣點處3個葉片各自槳距角的放大示意圖，可以發現2號葉片的槳距角明顯超前于1號和3號葉片的槳距角.2號葉片的槳距角與1號葉片的槳距角之差為1.1°，大于0.5°，因此此處槳距角不對稱故障引起了機組停機.

圖1 槳距角不對稱故障時風機功率與槳距角的變化趨勢圖Fig.1 Tendency chart of wind power and blade angle under asymmetrical fault conditions

圖2 在101采樣點處3個葉片各自槳距角的放大示意圖Fig.2 Enlarged drawing of three blade angles at sampling point 101

2 ReliefF算法變槳故障特征選擇

所研究的風電機組為張家口某風電場的GE 1.5MW變槳變速機組.該機組的額定功率為1.5 MW，切入風速為3m／s，額定風速為12m／s，切出風速為25m／s.該機組的SCADA系統每隔10min記錄一次各重要部件傳感器的測量參數，如功率、塔架繞曲及電壓等共47個參數.由于參數量較多，為了避免“維數災難”并且去除數據的冗余性，選擇ReliefF算法進行數據降維處理.

ReliefF算法的核心思想是：好的特征應使同類樣本接近，使不同類樣本遠離.ReliefF算法首先從數據集中隨機選擇一個樣本，然后從該樣本的同類和不同類中均選擇出k個最近鄰樣本，根據權重計算公式（1）更新每一個特征的權重.由于抽樣了m次，所以上述過程迭代m次，最終得到每一個特征的平均權重.保留特征權重大于預設權值的特征，組成一個特征子集［6］.算法詳細描述如下.

輸入：訓練數據集D、樣本抽樣次數m、最近鄰樣本個數k、特征數目n和特征權重閾值δ.

輸出：特征值大于閾值δ的組成特征子集S.算法過程：

（1）初始化.置S為空集，置所有特征權重

（2）從j＝1到m進行如下操作

①從D中隨機選擇一個樣本R；

②從R的同類樣本集中找出R的k個最近鄰樣本Hi（i＝1，2，…，k），從R 的不同類樣本集中找出R的k個最近鄰樣本

③從F＝1到n進行如下操作

式中：p（C）表示類的分布概率；Cla（R）表示R所屬的類別；Hi表示類Cla（R）中R的第i個最近鄰樣本；Mi（C）表示類C中R的第i個最近鄰樣本；Dif（F ， R1，R2）表示R1與R2在第F個特征上的差異度.

（3）從F＝1到n進行如下操作

對于連續型特征

式（2）和式（3）中：R1、R2表示2個樣本；R1［］F和R2［］F分別為R1和R2中第F個特征的值.

在ReliefF算法中，特征屬性與類別屬性的相關性越高，算法賦予的特征權重也就越高，因此可以有效地去除無關特征，但是該算法的局限在于無法去除冗余性的特征.為此，采用相關度分析將冗余的分類能力弱的特征去除.相關度計算公式如下

式中：xi和yi為特征值；ˉx和ˉy為特征均值；r為相關度.

對于給定的相關度閾值，兩兩分析參數的相關性，在相關性強的一對特征屬性中，權重大的被保留，權重小的被去除.因此，最終保留下來的特征屬性與類別屬性相關性高且冗余信息小.

提取槳距角不對稱故障時的數據以及部分風機正常運行時的數據，用于ReliefF算法，相關度閾值設為0.95時，計算出各個參數特征分類能力的權值，前10名示于表1.

表1 特征參數權值排名Tab.1 Weight ranking of various characteristic parameters

本研究的主要目標是建立風電機組槳距角不對稱故障分類模型，槳距角不對稱故障是由槳距角不同引起的，葉片槳距角偏差是槳距角不對稱故障的重要衡量標準，因此應將槳距角偏差加入到最終選擇的參數集中.

結合ReliefF算法所得到的結果，選擇8個與槳距角不對稱故障最相關的參數建立分類模型，這8個參數分別為：槳葉1槳距角偏差、槳葉2槳距角偏差、槳葉3槳距角偏差、功率因數設定值、機艙位置、塔架加速度、傳動系統加速度和機艙旋轉.其中，槳葉1槳距角偏差為槳葉1與槳葉2槳距角之差，槳葉2槳距角偏差為槳葉2與槳葉3槳距角之差，槳葉3槳距角偏差為槳葉3與槳葉1槳距角之差.

圖3為某次發生槳距角不對稱故障當天各個被選特征參數的變化趨勢圖，當天槳距角不對稱故障發生時刻為13：03：28，對應于圖中第79個采樣點（即虛線所示位置）.

由圖3可以看出，這8個被選特征參數在虛線附近均發生了明顯的變化，其中后5個參數為ReliefF算法選擇的參數，從圖3可以發現這5個參數相關性低、冗余信息小，充分體現了ReliefF算法所選擇的特征屬性與類別屬性的相關性高、特征屬性間冗余信息小的特征.

圖3 某次發生槳距角不對稱故障當天各個被選特征參數的變化趨勢圖Fig.3 Tendency chart of various characteristic parameters in the case of a certain asymmetrical fault

3 BP神經網絡變槳故障分類

分類器的設計采用BP神經網絡，其結構簡單，是目前神經網絡中應用最廣的一類網絡，已經成功解決了許多領域的實際問題［12］.網絡結構見圖4.

圖4 BP神經網絡結構Fig.4 Structure of the BP neural network

該網絡由輸入層、隱含層和輸出層3部分組成，能夠實現連續的非線性映射.BP神經網絡學習過程由正向傳播和誤差反向傳播2個過程組成.在正向傳播過程中，輸入層各神經元接收輸入信息，并傳遞給隱含層各神經元；隱含層是內部信息處理層，負責信息變換，根據需求，隱含層可以設計為單隱含層或多隱含層結構；最后一個隱含層傳遞到輸出層各神經元的信息經進一步處理后，完成一次學習的正向傳播處理過程，由輸出層輸出信息處理結果.當實際輸出與期望輸出不符時，進入誤差的反向傳播階段.通過網絡將誤差信號沿原連接通路返回，同時修改各層神經元的權值直至達到期望目標［13］.

采用第2節ReliefF算法分析得到的結論，網絡輸入參數為8個，即槳葉1槳距角偏差、槳葉2槳距角偏差、槳葉3槳距角偏差、功率因數設定值、機艙位置、塔架加速度、傳動系統加速度和機艙旋轉.采用3層BP神經網絡，隱含層節點數為10，輸出層節點數為1，通過輸出值判斷是否為槳距角不對稱故障，若正常，則輸出為1，若故障，則輸出為0.隱含層的激活函數為Singmoid型正切函數tansig，學習效率為0.1，訓練目標的誤差為0.000 000 4.

整理出槳距角不對稱故障18個點及正常工況342個點，組合成樣本集，共360個樣本，其中80%作為BP神經網絡的訓練樣本，而剩余的20%用于檢驗分類的準確性.

圖5顯示了BP神經網絡能較好地收斂于給定的相對誤差，其中最佳驗證性能為0.024 194，出現在第8次迭代時.圖6給出了BP神經網絡預測分類與實際類別的對比.由圖6可知，在72個驗證數據中，70個數據分類正確，2個數據分類錯誤，分類的準確率為97.22%，準確性較高.

圖5 BP神經網絡算法性能圖Fig.5 Performance of the BP neural network

在分類算法中，支持向量機（SVM）算法也是較常用的方法.利用與BP神經網絡相同的訓練集構建SVM分類器，并采用相同的測試數據進行分類測試，結果示于圖7.由圖7可知，在72個驗證數據中，68個數據分類正確，4個數據分類錯誤，分類準確率為94.44%.

圖6 BP神經網絡預測分類與實際類別的對比Fig.6 Comparison between BP neural network prediction and actual classification

圖7 SVM算法預測分類與實際類別的對比Fig.7 Comparison between SVM prediction and actual classification

對比圖6和圖7可知，從分類準確率看，對于槳距不對稱故障這一對象，BP神經網絡算法比SVM算法的分類效果好.

4 結 論

采用ReliefF算法對槳距角不對稱故障相關參數進行特征選擇，選取槳葉1槳距角偏差、槳葉2槳距角偏差、槳葉3槳距角偏差、功率因數設定值、機艙位置、塔架加速度、傳動系統加速度和機艙旋轉這8個特征參數，避免了“維數災難”.采用BP神經網絡對槳距角不對稱故障進行分類，發現該算法可有效分辨出是否發生了槳距角不對稱故障，其準確率高于SVM算法.該方法有利于現場操作人員及時判斷故障類型，掌握故障信息，進行故障維護，從而減少風電場經濟損失.

［1］徐大平，高峰，呂躍剛.基于混雜系統的風力發電機組建模與控制［J］.動力工程，2009，29（4）：369－374.XU Daping，GAO Feng，Lü Yuegang.Modelling and control of wind turbine based on hybrid system［J］.Journal of Power Engineering，2009，29（4）：369－374.

［2］吳娜，孫麗玲，楊普.風力機狀態監測與故障診斷技術研究［J］.華北水利水電學院學報，2012，33（2）：86－90.WU Na，SUN Liling，YANG Pu.Research on wind turbine condition monitoring and fault diagnosis［J］.Journal of North China Institute of Water Conservancy and Hydroelectric Power，2012，33（2）：86－90.

［3］郭鵬，徐明，白楠，等.基于SCADA運行數據的風電機組塔架振動建模與監測［J］.中國電機工程學報，2013，33（5）：128－135.GUO Peng，XU Ming，BAI Nan，et al.Wind turbine tower vibration modeling and monitoring driven by SCADA data［J］.Proceedings of the CSEE，2013，33（5）：128－135.

［4］楊宏暉，陳兆基，戴鍵.基于自適應增強SVM集成算法的風機故障診斷［J］.檢測技術，2010，29（7）：72－74.YANG Honghui，CHEN Zhaoji，DAI Jian.Fault diagnosis for fan based on self－adaptive boosting SVM ensemble［J］.Measurement ＆ Control Technology，2010，29（7）：72－74.

［5］龍泉，劉永前，楊勇平.基于粒子群優化BP神經網絡的風電機組齒輪箱故障診斷方法［J］.太陽能學報，2012，33（1）：120－124.LONG Quan，LIU Yongqian，YANG Yongping.Fault diagnosis method of wind turbine gearbox based on BP neural network trained by particle swarm optimization algorithm［J］.Acta Energiae Solaris Sinica，2012，33（1）：120－124.

［6］楊飛虎.特征選擇算法及其在網絡流量識別中的應用研究［D］.南京：南京郵電大學，2012.

［7］KUSIAK A，VERMA A.A data－mining approach to monitoring wind turbines［J］.IEEE Transactions on Sustainable Energy，2012，3（1）：150－157.

［8］楊志新，段美軍.ReliefF算法在雷達輻射源信號識別中的應用［J］.成都大學學報，2012，31（2）：151－153.YANG Zhixin，DUAN Meijun.Application of ReliefF algorithm in radar emitter signal recognition［J］.Journal of Chengdu University，2012，31（2）：151－153.

［9］李宗杰，梁海峰.基于特征選擇和K－means聚類預處理的風電場功率預測［C］／／中國高等學校電力系統及其自動化專業第二十七屆學術年會.北京：中國電機工程學會，2012.

［10］郭嘉.回聲狀態網絡分類方法及其應用研究［D］.哈爾濱：哈爾濱工業大學，2011.

［11］KUSIAK A，VERMA A.A data－driven approach for monitoring blade pitch faults in wind turbines［J］.IEEE Transactions on Sustainable Energy，2011，2（1）：87－96.

［12］韓英莉，顏云輝.基于BP神經網絡的帶鋼表面缺陷的識別與分類［J］.儀器儀表學報，2006，27（12）：1692－1694.HAN Yingli，YAN Yunhui.Discernment and classification of banding strip surface defect based on BP neural network［J］.Chinese Journal of Scientific Instrument，2006，27（12）：1692－1694.

［13］黃金花，彭暉.風電場短期風電功率的神經網絡方法預測研究［J］.電工電氣，2009（9）：57－60.HUANG Jinhua，PENG Hui.Study of wind power short－term prediction of wind farm based on neural network［J］.Jiangsu Electrical Apparatus，2009（9）：57－60.