基于引力搜索神經網絡的風電機組傳動鏈故障識別

劉永前，徐強，David Infield，2，田德，龍泉

(1.華北電力大學新能源電力系統國家重點實驗室，北京 102206; 2.斯萊斯克萊德大學能源與環境學院，格拉斯哥 G1 1XW;3.中國大唐集團新能源股份有限公司試驗研究院，北京 100068)

基于引力搜索神經網絡的風電機組傳動鏈故障識別

劉永前1，徐強1，David Infield1，2，田德1，龍泉3

(1.華北電力大學新能源電力系統國家重點實驗室，北京 102206; 2.斯萊斯克萊德大學能源與環境學院，格拉斯哥 G1 1XW;3.中國大唐集團新能源股份有限公司試驗研究院，北京 100068)

針對風電機組傳動鏈故障識別由風電場制定合理維修策略可減少停機時間、降低維修費用問題，將引力搜索算法用于BP神經網絡初始權值及閾值優化，提出基于引力搜索神經網絡的風電機組傳動鏈故障識別方法。算例結果表明，所提方法精度較BP神經網絡高，能準確識別齒輪磨損、齒輪斷齒、軸承松動等風電機組傳動鏈典型故障，驗證該方法的有效性。

風電機組傳動鏈;故障識別;BP神經網絡;引力搜索算法

風電機組運行條件惡劣，常受極端天氣影響，機組部件會隨累計運行時間增加不斷老化、發生故障［1］。據統計，風電機組傳動鏈相關故障造成停機時間最長，對電力生產影響最大［2］。及時準確識別風電機組傳動鏈故障，對風電場制定合理維修策略至關重要，能提高機組利用率、降低風電場運營成本。

由于風電機組傳動鏈故障成因與征兆映射關系呈不確定性與復雜性，提高故障識別精度成為研究熱點、難點?；谡駝有盘柗治鲎鳛楣收显\斷的重要技術［3－6］廣泛用于風電機組傳動鏈［7－11］。其中BP神經網絡的運用取得較好效果［12－14］，但初始權值及閾值選取不當會使網絡難以收斂、影響預測效果。為此，本文嘗試在BP神經網絡中引入智能優化算法。

引力搜索算法(Gravitational Search Algorithm，GSA)為新型全局智能搜索算法［15］。提出基于引力搜索神經網絡(GSABP)的風電機組傳動鏈故障識別方法，利用GSA的全局搜索能力優化BP神經網絡初始權值及閾值。實驗結果驗證該方法在工程應用中的有效性，為解決風電機組傳動鏈故障識別問題提供了新思路。

1 引力搜索算法

引力搜索算法利用物體間的萬有引力定律搜索最優解，全局優化能力突出。設n維空間引力系統中有N個粒子，定義第i個粒子位置為Xi=(x，…x，…x)，(i=1，2，…N)。其中:x為第i個粒子在第d維中位置。GSA算法流程見圖1。

圖1 GSA流程圖Fig.1 Flow chart of GSA

粒子i在t時刻質量Mi(t)為

式中:fiti(t)為在t時刻粒子i的適應度函數值。

在第d維空間上，第i個粒子受第j個粒子作用力為

式中:ε為接近0的常量;G(t)為t時刻引力常數。

式中:G0=100;a=20;T為迭代次數。

在第d維空間上，第i個粒子受其它粒子引力合力作用，用各粒子引力的隨機加權和表示，即

式中:rand為范圍在［0，1］間任意數。

基于牛頓第二定理，在第d維空間上粒子i在引力合力作用下加速度為

2 基于引力搜索神經網絡的故障識別方法

基于GSABP的故障識別方法流程如下:

(1)確定故障識別模型的輸入和輸出

提取故障特征作為模型輸入，確定目標輸出值。建立訓練、測試樣本。

(2)初始化神經網絡及GSA參數

構建BP神經網絡，隨機初始化網絡權值及閾值作為GSA中粒子初始位置。初始化GSA參數，包括粒子規模及迭代次數。

(3)適應度函數計算

GSA每次迭代將粒子位置作為網絡初始權值閾值，用訓練樣本訓練BP神經網絡后系統預測輸出，適應度值即為目標輸出與實際輸出間誤差絕對值總和的函數，即

式中:N為訓練樣本數;gi為訓練樣本訓練神經網絡所得實際輸出;σ為訓練樣本目標輸出;e為任意大于0的實數。

GSABP方法中適應度函數值越大，表示訓練樣本目標輸出與實際輸出誤差越小，即個體越優。因此GSA迭代目標為求解適應度函數的極大值。

(4)GSA迭代尋優

由式(1)～式(12)，根據適應度函數值計算粒子質量及所受引力，進行粒子加速度、速度更及位置更新，直至滿足終止條件。

(5)構建GSABP模型

從GSA中獲取優化后網絡初始權值、閾值構建GSABP模型，用訓練數據對模型進行訓練。

(6)故障識別

將測試數據輸入訓練好的GSABP模型預測輸出，進行故障識別。

3 實例分析

為驗證GSABP方法在風電機組傳動鏈故障識別中的有效性，本文以北方某風電場1.5 MW機組為研究對象，所選風電機組在運行過程中曾出現3種傳動鏈典型故障，即齒輪磨損、齒輪斷齒、發電機兩端軸承松動。分別采集齒輪箱高速軸振動加速度信號，采樣頻率5120 Hz，每個樣本采樣8192點。提取故障的特征向量，輸入GSABP模型進行3種故障判別。

3.1 特征提取

風電機組長期運行在復雜交變載荷下，振動信號與故障映射關系呈不確定性與非線性，因此選取合適的故障特征分析是故障識別的關鍵步驟。功率譜熵、小波熵可衡量整個信號源在總體的平均不確定性;盒維數及關聯維數描述非線性系統耗散能量大小，能反映振動信號不規則性、不穩定性［16］;峭度及偏度系數能反映沖擊能量大小，為診斷齒輪故障常用指標。因此選取功率譜熵、小波熵、盒維數、關聯維數、峭度及偏度作為風電機組傳動鏈故障識別特征值。

經特征提取，3種故障各選10組進行訓練，1組進行測試，部分訓練樣本見表1。以功率譜熵、小波熵、盒維數、關聯維數、峭度及偏度6個特征值為GSABP模型輸入，3種故障種類對應1～3的目標輸出。測試樣本見表2，由代表不同故障的3組數據T1、T2、T3組成。

表1 部分訓練數據Tab.1 Part of training samples

表2 測試樣本Tab.2 Testing samples

3.2 故障識別

據訓練樣本中特征值及故障類型個數，選BP神經網絡輸入節點數為6，隱含層節點數為13，輸出層節點數為1。隱含層神經元采用S型正切傳遞函數，輸出神經元采用S型對數傳遞函數。網絡訓練次數為1000，學習效率為0.1，訓練目標誤差為0.001。

GSA參數為迭代次數100，粒子規模50。迭代結束后，式(13)的適應度函數曲線見圖2，可見引力搜索算法中迭代35次后能完成BP神經網絡初始權值及閾值優化。GSABP方法及BP神經網絡對3組測試樣本的診斷結果見表3。

圖2 適應度函數曲線Fig.2 Curve of fitness function

表3 故障識別結果Tab.3 Result of fault identification

對比GSABP方法與BP神經網絡診斷結果可知，網絡初始權值及閾值對模型性能影響較大。經優化的GSABP方法3種故障識別準確度分別提高9%、25%及10.34%;GSABP方法能準確識別齒輪磨損、齒輪斷齒、發電機兩端軸承松動3種典型故障，且誤差不大于2%。

4 結論

針對準確識別風電機組傳動鏈故障要求，首次將引力搜索算法用于BP神經網絡初始權值和閾值尋優，提出基于引力搜索神經網絡的風電機組傳動鏈故障識別方法。結論如下:

(1)GSA優秀的全局搜索能力可加強BP神經網絡性能、提升診斷精度。GSA尋優能力應用前景良好。

(2)GSABP方法能準確識別齒輪磨損、齒輪斷齒、發電機兩端軸承松動等典型故障，且精度極高，可為進一步深入研究風電機組傳動鏈故障診斷提供新方法。

［1］Hameed Z，Hong Y S，Cho Y M，et al.Condition monitoring and fault detection of wind turbines and related algorithms:A review［J］.Renewable and Sustainable Energy Reviews，2009，13(1):1－39.

［2］Ribrant J，Bertling L.Survey of failures in wind power systems with focus on Swedish wind power plants during 1997－2005［C］.//Power Engineering Society General Meeting，IEEE，2007:1－8.

［3］陶新民，杜寶祥，徐勇，等.基于AR自相關峰態值的一類軸承故障檢測方法［J］.振動與沖擊，2008，27(2): 120－124.

TAO Xin－min，DU Bao－xiang，XU Yong，et al.Fault detection for one class of bearings based on AR with selfcorrelation kurtosis［J］.Journal of Vibration and Shock，2008，27(2):120－124.

［4］劉福榮，王宏偉，高曉智.基于粒子群優化聚類的汽輪機組振動故障診斷［J］.振動與沖擊，2010，29(8):9－12.

LIU Fu－rong，WANG Hong－wei，GAO Xiao－zhi.Steam turbine vibration fault diagnosis based on particle swarm optimization clustering［J］.Journal of Vibration and Shock，2010，29(8):9－12.

［5］王青華，楊天海，沈潤杰，等.抽水蓄能機組振動故障診斷專家系統［J］.振動與沖擊，2012，31(7):158－161.

WANG Qing－hua，YANG Tian－hai，SHEN Run－jie，et al. Fault caused by vibration diagnosis expert system for a pump storage group［J］.Journal of Vibration and Shock，2012，31(7):158－161.

［6］李超順，周建中，肖劍，等.基于引力搜索核聚類算法的水電機組振動故障診斷［J］.中國電機工程學報，2013，33(2):98－104.

LI Chao－shun，ZHOUJian－zhong，XIAOJian，etal. Vibration fault diagnosis of hydroelectric generating unitusing gravitational search based kernel clustering method［J］. Proceedings of the CSEE，2013，33(2):98－104.

［7］任玉亭.振動監測技術在風力發電機組的應用［J］.內蒙古電力技術，2010，28(2):8－12.

REN Yu－ting.Application research of vibration supervision technology on wind power generating units［J］.Inner Mongolia Electric Power，2010，28(2):8－12.

［8］Sheng S，Veers P S.Wind turbine drivetrain condition monitoring－an overview［M］.National Renewable Energy Laboratory，2011.

［9］李峰.基于流行學習的風電機組傳動系統故障診斷方法研究［D］.重慶:重慶大學，2011.

［10］徐展.基于振動法的風電機組傳動鏈狀態監測與故障診斷研究［D］.杭州:浙江大學，2012.

［11］董玉亮，李亞瓊，曹海斌，等.基于運行工況辨識的風電機組健康狀態實時評價方法［J］.中國電機工程學報，2013，33(11):88－95.

DONG Yu－liang，LI Ya－qiong，CAO Hai－bin，et al.Realtime health condition evaluation on wind turbines based on operational condition recognition［J］.Proceedings of the CSEE，2013，33(11):88－95.

［12］莊哲民，殷國華，李芬蘭，等.基于小波神經網絡的風力發電機故障診斷［J］.電工技術學報，2009，24(4):224－228.

ZHUANG Zhe－min，YIN Guo－hua，LI Fen－lan，et al.Fault diagnosis of wind power generation based on wavelet neural network［J］.Transactions of China Electrotechnical Society，2009，24(4):224－228.

［13］郭東杰，王靈梅，郭紅龍，等.改進小波結合BP網絡的風力發電機故障診斷［J］.電力系統及其自動化學報，2012，24(2):53－58.

GUO Dong－jie，WANG Ling－mei，GUO Hong－long，et al. Fault diagnosis of wind power generator based on improved wavelet and BP NN［J］.Proceedings of the CSU－EPSA，2012，24(2):53－58.

［14］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):120－125.

LONG Quan，LIU Yong－qian，YANG Yong－ping.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):120－125.

［15］Rashedi E，Nezamabadi－Pour H，Saryazdi S.GSA:a gravitational search algorithm［J］.Information Sciences，2009，179(13):2232－2248.

［16］徐玉秀，張劍，侯榮濤.機械系統動力學分形特征及故障診斷方法［M］.北京:國防工業出版社，2006:22－24.

Fault identification of wind turbine drivetrain using BP neural network based on gravitational search algorithm

LIU Yong－qian1，XU Qiang1，David INFIELD1，2，TIAN De1，LONG Quan3
(1.State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources，North China Electric Power University，Beijing 102206，China;
2.School of Energy and Environment，University of Strathclyde，Glasgow G1 1XW，UK;
3.Test and Research Institute，China Datang Corporation Renewable Power Co.，Ltd.，Beijing 100068，China)

Fault identification of wind turbine drivetrain is the key for wind electric power plants to work out appropriate maintenance strategies to reduce downtime and maintenance cost，and also is one of the highly discussed issues and difficulties in recent research.Here，gravitational search algorithm was applied in the optimization of initial weights and thresholds for BP neural network，a fault identification method for wind turbine drivetrain using BP neural network based on gravitational search algorithm was proposed.The results of examples showed that the proposed method can be used to precisely identify three typical wind turbine drivetrain faults induding gear wear，tooth breaking and bearing looseness，with higher average accuracy than that of BP neural network.So，the effectiveness of the proposed method was verified.

wind turbine drivetrain;fault identification;BP neural network;gravitational search algorithm

TH83

A

10.13465/j.cnki.jvs.2015.02.023

新能源電力系統國家重點實驗室項目(LAPS13016)

2014－04－18修改稿收到日期:2014－07－30

劉永前男，博士，教授，博士生導師，1965年10月生