基于隨機森林算法的風電機組故障智能診斷預警模型

韋古強+杜冠洲+凌俊斌

摘要：文章針對清潔能源企業中風電機組頻發問題，在行業內風電機組常見故障以及故障診斷技術進行分析的基礎上，對某集團風電機組企業進行實地調研，獲取影響故障發生的關鍵因素，構建故障識別指標體系，采用隨機森林算法構建了風電機組故障智能診斷預警模型。

關鍵詞：隨機森林算法；風電機組；故障診斷；預警模型；故障識別指標體系 文獻標識碼：A

中圖分類號：TH862 文章編號：1009-2374（2017）07-0197-02 DOI：10.13535/j.cnki.11-4406/n.2017.07.093

風力發電作為新能源產業技術之一，其不污染環境、不消耗化石燃料的特點，在當今世界大力發展保護環境和走可持續發展道路的強大背景之下，已得到社會各方面的全面認可，在過去的幾年里，風力發電年增長率都保持穩定上升的勢頭，已然成為世界公認的增長最快的可再生能源。在我國，大部分風力發電機組主要安裝在西部偏遠、沿海等風能充足地區，由于自然環境和負荷不穩定等因素，使得風電機組運行故障頻出，而機組故障會直接影響風力發電的安全性和經濟性。為了實現風力發電的長期穩定發展和提高自身的能源競爭力，就必須實現對風力發電機組故障的提早預判和快速診斷，提高發機組效率，實現企業的經濟利益最大化。

1 風電機組故障診斷技術綜述

在風電機組故障診斷過程中，想要通過診斷分析達到預定的目標，還必須對風電機組的設備故障診斷方法有所了解。風電機組故障診斷方法大體可以分為傳統診斷方法、數學診斷方法和智能故障診斷方法等。所謂的傳統診斷方法是指在狀態監測技術之上，對其數據進行分析，結合數據挖掘方法對風電機組設備故障進行診斷；數學診斷方法主要是采用一些數據理論基于數學公式，數學模型對機組故障進行診斷，主要包括故障樹分析、小波分析、模糊診斷、灰色系統診斷以及分形幾何與混沌分析等；智能診斷方法主要是基于數據挖掘的算法，通過算法建立模型實現對風電機組的故障診斷，主要的算法包括神經網絡、隨機森林、遺傳算法、蟻群算法、粒子群算法等。而本文就使用智能故障診斷方法中的隨機森林算法實現對風電機組的故障智能診斷。

2 風電機組故障評價指標構建

通過對風電機組常見故障進行分析，可以得知風電機組故障來源是多方面的，每個部件的性能都直接影響風電機組的正常運行，另外，各部件運行參數的采集技術也是受多種因素影響的。通過實際調研，我們選取了影響風電機組故障發生的14個關鍵因素，涉及風電機組的風輪、齒輪箱、發電機、電氣系統、變槳系統等各個部件。具體如表1所示：

3 基于隨機森林算法的風電機組故障智能診斷預警

3.1 模型概述

隨機森林（RF）是一種分類性能良好的組合分類算法，它以決策樹回歸樹作為基分類器，通過裝袋（Bagging）的方法生成不同的訓練樣本集。在決策樹的構建過程中，采用隨機的方法劃分節點樣本集。隨機森林（RF）可以看作是樹分類器的集合，其中x是輸入向量，是服從獨立、同分布的隨機向量。關于分類問題，隨機森林的輸出為簡單多數投票方法的結果；關于回歸問題，隨機森林的輸出為決策樹輸出結果的簡單平均。隨機森林算法的具體實現步驟如下：

首先，通過裝袋（Bagging）的方法生成k個不同的訓練樣本集。當樣本數據容量很大時，全樣本數據中有接近37%的樣本未被抽中，這些樣本數據被稱之為袋外數據（Out

Of Bag，OOB），袋外數據用來評價隨機森林算法的性能。

其次，每個訓練樣本集構建一棵分類決策樹，k個訓練樣本集產生了k個分類決策樹。設樣本的特征數為M，在每棵樹的劃分節點上，從M個特征變量中隨機地選取m（m

最后，基于構建好的多個分類決策樹，對新的未知樣本進行預測，依據每個樹分類器投票結果的簡單多數投票法來決定未知樣本的分類結果。

信息熵與信息增益：

信息熵：表示了信息的不確定性（混亂程度），熵越大，信息越混亂，越難預測，則該指標提供的信息量越小，該指標的權重越小，越不重要。對分類系統來說，類別C是變量，它可能的取值是，而每一個類別出現的概率是，因此n就是類別的總數。此時分類系統的熵就可以表示為：

信息增益是針對一個一個的特征而言的，就是看一個特征t，系統有它和沒它的時候信息量各是多少，兩者的差值就是這個特征給系統帶來的信息量，即增益。系統含有特征t的時候信息量很好計算，就是剛才的式子，它表示的是包含所有特征時系統的信息量。

InfoGain=H（Y）-H（Y|X）

在分類系統中，屬性的選擇以及決策樹的分裂根據信息增益來進行選擇，針對根節點以及子節點選擇信息增益最大的屬性變量，然后采用遞歸的方法構建整個決策樹和隨機森林。針對風電機組故障診斷問題，結合上節監測數據指標，構建基于隨機森林算法的風電機組故障智能診斷預警模型。其構建流程如圖1所示：

3.2 實例分析

為了驗證算法的有效性和準確性，本文選取了風電機組故障數據，使用RStudio軟件進行診斷應用分析，依據前文構建的指標體系，樣本輸入屬性為13個，風電機組是否正常運行作為輸出屬性，然后對數據進行分析處理及模型求解。相關參數設置為：隨即森林算法選取500棵樹，訓練樣本和測試樣本占比為（0.8，0.2），節點隨機分裂特征數量設置為5，通過分析，模型結果如下：

從表2可以看出，針對風電機組是否正常運行，包外數據誤差率OOB為2.7%，說明模型的整體分類效果非常理想。隨機森林錯判率隨著決策樹棵數的增加不斷的減小，最終收斂為一個較小的定值。模型診斷結果分析：

通過對測試集的8條數據進行診斷分析，預測全部正確，說明模型的診斷效果比較理想。可以得知：根據測試結果，第1、4、6、8個風電機組正常運行，第2、3、5、7個風電機組發出預警信息，并且應該馬上啟動相應的預案措施，防止發生更大的安全事故及經濟損失。為了提高模型的性能，在實際應用中，應該盡可能收集風電機組更多的歷史故障和正常數據，使得模型盡可能覆蓋所有情況的特征，并且可以定期一個月對模型訓練一次，及時更新模型，不斷提高模型的準確性。

4 結論與展望

本文針對新能源風電機組故障頻發問題進行分析，構建了風電機組故障智能診斷預警模型，采用隨機森林算法對風電機組歷史數據進行訓練學習，挖掘出影響風電機組故障發生的各因素的特征模式，確定出發生故障各指標的閾值，根據設備實時運行對風電機組進行在線故障診斷預警，為風電機組故障的監測起到一定的技術支撐，從而有效地降低風電機組維修成本，提高風電機組的利用效率。

參考文獻

[1] 龍泉，劉永前，楊勇平.狀態監測與故障診斷在風電機組上的應用[J].現代電力，2008，25（6）.

[2] 程洪機，呂振.設備狀態監測與故障診斷技術的基本原理與方法[J].山東建材，2000，（4）.

[3] 楊偉，賈石峰.基于RBF神經網絡的風力發電機組故障診斷研究[J].電氣傳動自動化，2009，31（2）.

[4] 李永東.中國風力發電的發展現狀和前景[J].電氣時代，2006，（3）.

[5] 陳建華，李華，蔣錦峰.電力市場條件下發電設備可靠性與經濟性關系探討[J].中國電力，2001，34（7）.

作者簡介：韋古強（1986-），男，都城偉業集團有限公司副主管，高級工程師，碩士，研究方向：房地產、公共建筑。

（責任編輯：小 燕）