一種基于混合EEMD技術的風電機組故障預警方法

杜冠洲+++胡從川++平留生

摘 要：故障預警問題是信息網絡環境下保障電力風電機組安全運行的關鍵。針對風電機組的參數信息和運行信息的數據特征，提出了一種基于混合EEMD技術的多步時間序列預測模型。該模型在云計算中利用了集合經驗模態分解EEMD技術結合極限學習機ELM算法，克服了算法中存在異或的問題。通過該模型，實現了對訪問風電機組運行信息多步預測，結合安全范圍包絡線，進而提前發現是否有故障。驗證結果表明，EEMD-ELM模型比傳統時間序列預測方法的準度與精度得到了極大提高，泛化能力增強，說明了該方法的有效性、可行性。

關鍵詞：電力信息化 風力機組 云計算 智能電網 時間預測

中圖分類號：TM315 文獻標識碼：A 文章編號：1674-098X（2017）05（c）-0083-03

電力系統作為經濟發展和人類生活依賴的能量供給系統，也具有大數據的典型特征[1]。風電產業已經成為我國電力產業的重要組成部分。我國累積安裝風電機組92981臺，累積裝機容量145 362 MW，隨著風電機組裝機容量越來越大，系統越來越復雜，設備故障率也隨之提高，導致風電機組的運行、維護成本增加。

目前，風電機組的運行、維護主要借鑒火電機組的保障策略，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。

隨著國網信息化的不斷建設，風力發電機組產生了海量存儲的運行信息和機組參數數據。如何充分利用和分析這些數據，采用云計算的手段，快速實現對風電機組的故障預警是急需突破的難點。該文通過基于混合EEMD-ELM算法的云計算技術，對機組參數和運行數據進行預測，從而實現風電設備的故障預警，為風電機組安全可靠性提供科學的參考依據。

1 EEMD-ELM時間序列預測方法

該節使用EEMD的混合建模技術策略，針對風電機組的運行時間信息序列。采用EEMD混合模型技術進行不同特征尺度的分解，使用EEMD-ELM混合模型進行時間序列預測。

1.1 集合經驗模態分解

經驗模態分解（Empirical Mode Decomposition， EMD）[2]是Hilbert-Huang變換（HHT）的核心算法，是一種實現數據局部特征自適應的分解技術。EMD通過對繁雜的參數信息和風電機組運行信息進行平穩化預處理，進而將復雜的運行信息分解成一組性能較好、特征尺度差異較大的本征模函數（Intrinsic Mode Function，IMF）。

（1）確定運行信息記錄序列P（t）的所有極大值和極小值點，用核密度函數擬合成上下包絡線，序列P（t）與上下包絡線的平均值m1的差記為h1。

（2）把h1視為新序列，重復以上過程，直到h1滿足IMF的上述兩個條件，則其成為從原始序列篩選出的第一個IMF分量c1，代表原始序列最高頻的分量。其他剩余量可以表示為r1=P（t）-c1。

（3）對r1繼續上述分解，直到第n階段的殘余序列為單調函數或其值小于預先給定的值，分解結束。

運行信息序列可以寫為[3]：P

式中，n為本征模函數的個數，為網絡入侵操作記錄序列P（t）的主要趨勢項。

由于在EMD分解過程中存在一個IMF分量包含了尺度差異較大的信號，針對這個問題采用了集合經驗模態分解（Ensemble Empirical Mode Decomposition， EEMD）[4]，通過在機組運行信息序列中加入一系列低信噪比的白噪聲，再進行上述的經驗模態分解，經過迭代計算，最終進行集合平均使得加入的白噪聲相互抵消，實現克服模式混合的問題。

1.2 極限學習機算法原理

該文研究采用的極限學習機神經網絡（Extreme Learning Machine，ELM）[5]。假定輸入層有個輸入變量，隱含層有一個神經元，輸出層有個輸出變量。假定個樣本其訓練集輸入矩陣與輸出矩陣分別為：

，

設輸入層同隱含層之間連接權值以及隱含層和輸出層間連接權值β為：

，

其中為輸入層第i個神經元與隱含層第j個神經元間的連接權值，βjk為隱含層第j個神經元與輸出層第k個神經元間的連接權值。

設隱含層神經元的閾值為，隱含層神經元的激活函數為，該文隱含層激活函數取：

那么極限學習機的神經網絡輸出為：

，

整體算法的架構流程圖如圖1所示。

2 實例分析

該文為了驗證時間預測算法模型性能，使用EEMD-ELM對風電機組故障預警。電力公司耗費3個月時間從信息系統數據庫中獲取到20臺分布式服務器運行參數數據。詳細過程如下。

（1）通過實時機組參數記錄儀獲得運行參數：彎矩扭矩載荷數據作為原始數據，并進行標準化處理。

（2）將安全運行的數據進行核密度估計得到正常運行的安全閾值范圍。

（3）采用交叉驗證法，將載荷數據等分為五組數據，前四組作為訓練集，最后一組作為驗證集，用訓練集來訓練算法模型網絡。

（4）將驗證集數據代入該文建立的EEMD-ELM模型，進行時間序列預測。把實際的結果與預測的結果進行對比。全局流程如圖2所示。

采用均方根誤差RMSE[6]作為模型評價性能指標，對風電機組的彎矩、扭矩載荷信息進行預測，并同時和ARIMA算法進行對比。如圖3、圖4所示。

從圖3和圖4中可以明顯看出該文提出的基于云計算的EEMD-ELM算法模型在時間序列預測相比傳統的時間預測ARIMA算法模型誤差較小、精度更高。

3 結論

該文提出了結合云計算技術的EEMD-ELM算法模型，使用風電機組信息根據其運行載荷數據進行時間序列預測。此方法僅憑借對歷史海量的安全運行風電機組載荷數據，即可得到風電機組運行的安全范圍包絡線，再根據風電機組實時運行載荷數據進行下一步時間預測，一旦超出安全范圍，則進行故障預警。根據該文分析可以得到以下結論。

（1）創新性的運用EEMD技術，對復雜多樣的運行載荷時間序列數據進行分解，然后運用ELM對分解得到的子時間序列進實現分布式預測，從而實現對復雜多樣的時間序列預測。

（2）預測的載荷數據能夠有效地提前發現風電機組下一步的運行情況，根據下一步載荷數據，一旦超過安全范圍就會及時發送故障預警信息。根據驗證結果表明實現多步預測的誤差控制在4.3%以內，滿足工程精度要求。

參考文獻

[1] 張東霞，苗新，劉麗萍，等.智能電網大數據技術發展研究[J].中國電機工程學報，2015，35（1）：2-12.

[2] 王立國，宛宇美，路婷婷，等.結合經驗模態分解和Gabor濾波的高光譜圖像分類[J].哈爾濱工程大學學報：英文版，2016，37（2）：284-290.

[3] 孫文文，劉純，何國慶，等.基于長時間序列仿真的分布式新能源發電優化規劃[J].電網技術，2015，39（2）：457-463.

[4] Zhang Y，Xie Z.Ensemble empirical mode decomposition of impact-echo data for testing concrete structures[J].Ndt & E International，2012， 51（10）：74-84.

[5] Iosifidis A，Tefas A，Pitas I.Graph Embedded Extreme Learning Machine[J].IEEE Transactions on Cybernetics，2015，46（1）：311-324.

[6] Li Y，Ryu D，Western A W，et al.An integrated error parameter estimation and lag-aware data assimilation scheme for real-time flood forecasting[J]. Journal of Hydrology，2014（519）：2722-2736.