基于OIV算法的風電機數據預處理方法探究

黃 昊，易靈芝，詹 俊

（1.湘潭大學，湖南 湘潭 411105；2.湖南優利泰克自動化系統有限公司，湖南 長沙 410205）

基于OIV算法的風電機數據預處理方法探究

黃 昊1,2，易靈芝1，詹 俊2

（1.湘潭大學，湖南 湘潭 411105；2.湖南優利泰克自動化系統有限公司，湖南 長沙 410205）

針對風電機組各部件性能分析過程繁瑣低效、預測精度不高以及經濟效益不足的異常風電機組狀態問題，文章提出一種用于后期預測的數據預處理方法，結合基本的網絡工具進行實驗，提高了風電機組中發電機定子溫度預測的準確性。

數據清洗；OIV算法；建模預測

考慮到數據采集裝置系統實際采集到的數據復雜化的特點，傳統數據預處理的清洗方法普遍缺乏通用性，大部分用于數據預處理的清洗方法效果不會很好[1-4]。例如：在風力發電企業中存在很多粗略報警，單月多次上風機進行盲目維護，此類問題在短期內不會導致機組停機或者部件損壞，這種方式必然會影響機組組件的正常運轉，而傳統方法幾乎無法對其加以準確的檢測識別。目前，在國內外風電領域的大小企業中，普遍存在有數據但無法將數據處理得很好的情況，導致后期用作預測及診斷的誤差甚大。針對這類事例，為了提高對風電機組分部件的針對性可靠分析，建立精度較高的模型，需一種高效且通用性強的數據預處理清洗方法。

1 算法的提出與驗證

1.1 最優組內方差算法

已知定子溫度曲線樣本集合U，設V={Vn,V1}為目標集合，其中Vn表示該集合中定子溫度正常的數據集，V1表示定子溫度偏高或偏低的數據集（定義為異常），且V滿足Vn∩V1=?，Vn∪V1=U。最優組內方差（Optimal Interclass Variance，OIV）算法要解決的問題就是如何快速、準確地對數據集U進行清洗，識別出放電機定子溫度正常和異常的數據集，再進一步保留正常、剔除異常為空，這實際上就是個數據預處理方法。

定義1：已知樣本集合U={(x1,y1)，(x2,y2),…,(xn,yn)}，且滿足yi＞yi-1，i∈(2,n)，x表示輸入參數，y表示定子溫度，n為數據點總數。有方差φ公式：

OIV算法公式為：

1.2 算法分析

為形象說明OIV算法的思想和求解特點，下面以一臺風電機組中發電機定子的實測溫度曲線數據集U為例來進一步說明。

已知U(10)={(x1,y1)，(x2,y2)，…，(x167,y167)}中共有167個定子溫度曲線散點。首先，按照定子溫度由小到大升序排列，使其滿足yi＞yi-1，i∈(2,167)的必要條件；然后，依次計算前i個坐標點中定子溫度的方差值，將計算結果形象地稱作滑差值，所得到的數據集稱為滑差集；最后，通過與初始閾值S比較分析，從而實現數據清洗的功能。另外，為了縮小數據值范圍，本文中計算均用標準方差代替方差值。

根據式（2）計算小于閾值S的最大γ，通過S定義的公式得到10號區間的閾值S為13.850 4，即計算小于13.850 4的最大γ=84，對應S為13.885 86，從而由此得到以（84，13.885 86）為臨界點，可劃分兩個數據集。如圖1所示，由5號、10號、20號區間分別通過這種方法共同繪制的散點圖，可以清晰地看到兩種數據集的劃分。

為了驗證本文所提到的數據清洗方法OIV算法的精確度，從風電場數據采集裝置系統中下載了2016年5月1日00：00：00至5月31日23：59：59的數據進行實驗驗證，其中包含了發電機電流、環境溫度、發電機定子溫度1、發電機定子溫度2、發電機定子溫度3、發電機定子溫度4、發電機定子溫度5、發電機定子溫度6。

由于數據量過于龐大，在使用前先進行了每10分鐘平均化。其中，數據中具有6個發電機的定子溫度，6個發電機的定子溫度在無故障的情況下兩兩關系保持一致，因此，本文后面將只對發電機定子溫度1與發電機電流和環境溫度進行討論與實驗。

1.3 找出輸入參數進行實驗

根據數據采集裝置系統所采集的數據，發電機電流是最能影響發電機定子溫度的參數，在未進行數據清洗的情況下，輸入參數只有發電機電流所測試的均方誤差（Mean Square Error，MSE）結果為21.634 1，這時考慮到發電機外界因素環境溫度的影響，進行一次輸入參數為發電機電流和環境溫度所測試的MSE結果為12.550 6，相比單輸入參數，數據集在精度上得到了明顯的提升。

實驗結果如表1所示，可以看出，上下限幅值不宜過高，按照原定的100%為最優上下限幅值。

由表1得知方差閾值的最佳上限值，經過數據預處理的清洗工作如圖2所示。

圖2 S＜δ時候數據集的劃分

在經過OIV算法之后的數據集中融入發電機定子溫度1的每個數列對應前一秒時間的溫度數值，通過矩陣實驗室（Matrix Laboratory，MATLAB）的反向傳播（Back Propagation，BP）工具箱，進行完整的發電機定子模型建立。并且通過實驗MSE結果和表1可以看出，該方法下得到的數據集所建立的模型預測精度高且過程可行。

2 得出結論

為突出該方法的數據處理功能，利用數據采集裝置系統采集相關數據，結合發電機相關理論，本文提出了一種用于后期預測的數據預處理方法，并通過實驗得到了證明。

3 結語

總之，對于現有的風電場的條件，結合數據采集裝置系統采集的數據，本文所提到的OIV算法，計算過程簡單易懂，通用性強。很好地解決了對于龐大的數據采集裝置數據去差取優困難的問題，加快了整個數據預處理的過程，結合BP工具箱的功能，先建立模型，為之后的預測工作提供了一個很好的思路。

表1 方差閾值S上下限幅值MSE實驗結果

[1]FENG Y，QIU Y，CRABTREE C J，et al.Monitoring wind tuibine gearboses[J].Wind Energy，2013（5）：728-740.

[2]GRAY C S，WATSON S J.Physics of Failure approach to wind turbine condition based maintenance[J].Wind Energy，2010（5）：395-405.

[3]蘇勛文，米增強，陳盈今，等.基于運行數據的風電機組建模方法[J].電力系統保護與控制，2010（9）：50-54.

[4]ZHENG H，KUSIAK A.Prediction of [J].Journal of Solar Energy Engineering，2009（3）：376-385.

Research on preprocessing method of wind turbine based on OIV algorithm

Huang Hao1,2, Yi Lingzhi1, Zhan Jun2
(1.Xiangtan University, Xiangtan 411105, China; 2.Hunan Youlitaike Automation System Co.,Ltd., Changsha 410205, China)

Aiming at the problem that the performance analysis process of wind turbine unit is cumbersome and inefficient, the prediction accuracy is not high and the economic efficiency is not enough, this paper puts forward the data preprocessing method for post-prediction combining with the basic network tool, which improves the accuracy of generator stator temperature prediction in wind turbine.

data cleaning; OIV algorithm; modeling prediction

黃昊（1991— ），男，江蘇宜興人，碩士研究生；研究方向：新能源技術與系統。