基于數據挖掘技術的風電設備可靠性分析

杜冠洲，韋古強，凌俊斌

（1.都城偉業集團有限公司，北京 100020；2.國網江蘇省電力公司經濟技術研究院，江蘇 南京 210008）

基于數據挖掘技術的風電設備可靠性分析

杜冠洲1，韋古強1，凌俊斌2

（1.都城偉業集團有限公司，北京 100020；2.國網江蘇省電力公司經濟技術研究院，江蘇 南京 210008）

本文以風電設備可靠性為研究對象，分別運用C5.0決策樹和貝葉斯信念網絡建立風電設備可靠性評價模型，并對兩種分類算法的準確性進行了評估，對比分析得出，貝葉斯信念網絡模型的分類性能更好，能更好地應用于風電設備可靠性的智能評價，從而為企業的決策、發展提供科學的參考依據。

風電設備可靠性；C5.0；貝葉斯信念網絡

1 概述

近年來，我國風電產業發展迅速。2015年，我國新增安裝風電機組16740臺，新增裝機容量30753MW，同比增長32.6%；累積安裝風電機組92981臺，累積裝機容量145362MW，同比增長26.8%。風電產業已經成為我國電力產業的重要組成部分。隨著風電機組裝機容量越來越大，系統越來越復雜，設備故障率也隨之增長，導致風電機組的運行、維護成本增加。

目前，我國風電機組的運行、維護主要借鑒火電機組的運維策略，采用定期維護和事后維護的方式。但是，由于風電機組和火電機組在結構、運行環境和運行方式之間的差異，從而導致風電機組運維無法準確、有效地監控設備的運行狀況，容易出現各種設備故障。

為了提高風電機組的運維水平，發展易維護、高可靠性、高質量的機組，本文通過構建風電設備可靠性指標體系，運用C5.0決策樹、貝葉斯信念網絡等數據挖掘技術建立風電設備可靠性分析模型，并利用混淆矩陣和ROC曲線對模型進行評估，擇優選取分類性能優異的模型作為實踐應用的工具，從而實現風電設備可靠性控制的實時化、智能化、可預測化，為風電機組運維提供科學的參考依據。

2 風電設備可靠性指標體系

2.1 風電機組狀態劃分

風電機組（以下簡稱機組）狀態劃分如圖1。

2.2 風電設備可靠性指標體系

本文根據某集團公司新能源發電產業的實際情況，利用散點圖觀察、相關性分析和協方差分析等方法，從風力發電設備可靠性評價規程所給出的指標清單中篩選出10個指標，作為本文進行風電設備可靠性評估的指標體系。10個指標分別為：可用系數、等效可用系數、出力系數、強迫停運率、等效強迫停運率、暴露率、平均無故障可用小時、啟動可靠度、平均啟動間隔小時、檢修費用、計劃停運系數。

圖1 風電機組狀態劃分

3 風電設備可靠性模型

3.1 模型概述

本文基于風電設備可靠性指標體系，擬采用C5.0決策樹算法和貝葉斯信念網絡等分類算法建模。

（1）決策樹是一種類似于流程圖的樹結構，其結構是一棵倒置的樹，它主要圍繞生長和剪枝兩大核心問題展開。決策樹獲取的知識，用樹的形式表示出來，其中包括分類樹和回歸樹，分類或預測的結果均體現在決策樹的葉節點上。分類樹葉節點所含樣本中，其輸出變量的眾數類別就是分類結果；回歸樹葉節點所含樣本中，其輸出變量的平均值就是預測結果。決策樹直觀易懂且其歸納學習和分類步驟簡單快速，并且具有很好的準確率。C5.0可用來處理數值型或分類型的資料，它的分類預測是基于邏輯的，即通過對輸入變量取值的布爾比較實現對輸出變量的分類預測，在眾多的輸出變量中選擇一個當前最佳的分組變量，并從分組變量的眾多取值中找到一個最佳的分割點。并且為了清楚地表示分析結果，可用決策樹(decision trees)或是 if- then 的關系顯示。

（2）貝葉斯信念網絡是說明聯合條件概率分布。它允許在變量的子集間定義類條件獨立性。它提供一種因果關系的圖形模型，可以在其上進行學習。訓練后的貝葉斯信念網絡可以用于分類。貝葉斯信念網絡有兩個成分定義——有向無環圖和條件概率表。有向無環圖每個節點代表一個隨機變量，每條弧表示一個概率依賴。如果一條弧由節點Y到Z，則Y是Z的雙親或直接前驅，而Z是Y的后代，給定雙親后，每個變量條件獨立于圖中它的非后代。

對于貝葉斯信念網絡當中的每一個變量都有一個條件概率表（ConditionalProbabilityTable，CPT）。變量Y的CPT說明條件分布P(Y|Parents(Y))，其中Parents(Y)是Y的雙親。

1.3.2 利率標準突破難，商業銀行不愿貸。利率市場化后，商業銀行吸儲成本上升，中長期貸款實行基準利率往往會出現存貸成本倒掛的情況。商業銀行普遍認為執行基準利率偏低，按基準利率放貸，銀行會出現虧損；再加上貸款期限長，商業銀行擔心風險較大。在政策性銀行和國有銀行(農行)不貸的情況下，沒有商業銀行愿意承貸。

設X=(x1, …, xn)是被變量或屬性Y1, …, Yn描述的數據元組。這時，信念網絡用下式提供存在的聯合概率分布的完全表示：

其中，P(x1, …, xn)是X的值的特定組合的概率，而P(xi|Parents(Yi))的值對應于Yi的CPT的表目。

網絡內的節點可以選作“輸出”節點，代表類標號屬性。可以有多個輸出節點。多種推斷和學習算法都可以用于這種網絡。分類過程不是返回單個類標號，而是可以返回概率分布，給出每個類的概率。

3.2 模型構建

本文擬選取99臺風電機組設備可靠性指標數據進行建模，因評價指標間存在量綱不統一的問題，因此，首先利用IBM SPSS Statistics軟件對指標數據進行標準化處理，然后，借助IBM SPSS Modeler14.1軟件，運用C5.0決策樹算法和貝葉斯信念網絡算法建模，對設備可靠性進行評價。最后，利用混淆矩陣和ROC曲線，選定分類性能較好的算法，應用于實踐。最終構建模型如圖2所示。

圖2 風電設備可靠性模型

圖3 決策樹模型

3.2.1 C5.0決策樹模型

（1）C5.0決策樹模型運行結果如圖3所示。根據上圖可知：對于可用系數小于等于93.516的機組，平均啟動間隔小時決定實際鑒定結果，對于可用系數大于93.516的機組，等效可用系數決定機組的實際鑒定結果。

（2）C5.0模型實際鑒定結果的混淆矩陣如表1所示。

表1 C5.0模型實際鑒定結果的混淆矩陣

由表1可知，C5.0模型的分類準確率為87.88%，實際鑒定結果為一級被誤判為二級結果的出現2次，被誤判為四級結果的出現1次；實際鑒定結果為三級被誤判為一級結果的出現2次，被誤判為四級結果的出現2次；實際鑒定結果為二級被誤判為一級結果的出現2次，被誤判為三級結果的出現2次；實際鑒定結果為四級被誤判為一級結果的出現1次。

3.2.2 貝葉斯信念網絡模型

（1）貝葉斯信念網絡模型的結構類型使用TAN算法，參數學習方法使用最大似然法，最終構造出的有向無環圖如圖4所示。

圖4 有向無環圖

由圖4可知，可用系數在所有指標中，對實際鑒定結果起著決定性的作用，是最重要的指標。

（2）貝葉斯信念網絡模型實際鑒定結果的混淆矩陣如表2所示。

表2 貝葉斯信念網絡模型實際鑒定結果的混淆矩陣

由表2可知，貝葉斯信念網絡模型的分類準確率為98.99%，實際鑒定結果為四級被誤判為二級結果的出現1次。

3.3 模型評價

對比C5.0決策樹和貝葉斯信念網絡的分類準確率，可以看出，貝葉斯信念網絡的分類準確率較高。為進一步評估模型分類的性能，采用ROC曲線對兩者進行評估，如圖5、圖6所示。

圖5 C5.0決策樹的ROC曲線

圖6 貝葉斯信念網絡的ROC曲線

通過圖5、圖6可以看出，對于實際鑒定結果為一級，貝葉斯信念網絡的ROC曲線較C5.0決策樹的ROC曲線更加靠近單位方形的左上角，貝葉斯信念網絡ROC曲線下的面積更大，說明貝葉斯信念網絡的分類性能較好，能夠用于風電設備可靠性評價。

4 結語

對于設備密集型企業來說，設備的可靠性關系著企業的生存發展。對于發電企業來說尤其重要。本文是以大數據技術為基礎進行建模、分析，實現自動智能識別鑒定，對風電設備可靠性的研究預期目標和成果如下。（1）借助大數據技術手段，研究利用C5.0決策樹算法和貝葉斯信念網絡，對風電設備的可靠性進行分析預測，從而更好地對風電設備的可靠性進行有針對性、有方向性的控制。（2）利用C5.0決策樹和貝葉斯信念網絡進行對比分析，使得預測鑒定結果最大程度與指標的實際鑒定結果相符，從而擇優選用準確率更高的貝葉斯信念網絡作為實踐應用的分類器。

[1]陳樹勇，戴慧珠，白曉民，等.風電場的發電可靠性模型及其應用[J].中國電機工程學報，2000,20(03).

[2]吳義純，丁明.基于蒙特卡羅仿真的風力發電系統可靠性評價[J].電力自動化設備，2004,24(01).

[3]李輝，李學偉，胡姚剛，等.風電機組運行狀態參數的非等間隔灰色預測[J].電力系統自動化，2012,36(09).

[4]王海超，魯宗相，周雙喜.風電場發電容量可信度研究[J].中國電機工程學報，2005,25(10).

[5]張瑞君. 風力發電機組性能考核方法探討[J].能源技術經濟，2011,23(11).

[6]蘇寅生.電力設備可靠性數據收集統計述評[J].南方電網技術，2015,09(03).

TM774

A

1671-0711（2017）06（下）-0092-03

國家電網公司科技項目《多業務生產數據智能監測與分析一體化平臺研究及示范應用》，（編號：[2015] 709-37）。