基于棧式自編碼網絡的風機葉片結冰預測

劉娟 黃細霞 劉曉麗

摘 要：針對風電機組葉片結冰嚴重影響風機發電效率和安全性、經濟性的問題，提出一種基于SCADA數據的棧式自編碼（SAE）網絡葉片結冰早期預測模型。該模型采用編碼解碼的非監督方法對無標簽的數據集預訓練，再利用反向傳播算法對有標簽的數據集進行訓練微調，實現了故障特征的自適應提取和狀態分類，有效降低了傳統預測模型的復雜度，同時避免了人為特征提取對模型效果的影響。利用SCADA系統采集的某15號風機的歷史數據進行訓練和測試，該模型測試結果準確率為97.28%。與支持向量機（SVM）和主成分分析支持向量機（PCASVM）方法得到的建模分別為91%和93%的準確率進行對比分析，實驗結果表明，基于棧式自編碼網絡的風機葉片結冰預測模型精確度更高。

關鍵詞：風機葉片結冰預測;棧式自編碼;深度學習;預測模型

中圖分類號：TP391.9

文獻標志碼：A

Abstract： Aiming at the problem that wind turbine blade icing seriously affects the generating efficiency， safety and economy of wind turbines， a Stacked AutoEncoder （SAE） network based prediction model was proposed based on SCADA （Supervisory Control And Data Acquisition） data. The unsupervised method of encodingdecoding was utilized to pretrain the unlabeled dataset， and then the back propagation algorithm was utilized to train and fine tune the labeled dataset to achieve adaptive fault feature extraction and fault state classification. The complexy of the traditional prediction models was simplified effectively， and the influence of artificial feature extraction was avoided on model performance. The historical data of wind turbine No.15 collected by SCADA system was used for training and testing. The accuracy of the test results was 97.28%. Compared with the models based on Support Vector Machine （SVM） and Principal Component AnalysisSupport Vector Machine （PCASVM）， which accuracies are 91% and 93% respectively， the result indicates that the proposed model is more accurate than the other two.

英文關鍵詞Key words： turbine blade icing detection; Stacked AutoEncoder （SAE）; deep learning; prediction model

0 引言

風電是目前我國大力發展的新能源之一。受風能資源的分布限制，我國風力發電廠主要集中在寒冷潮濕的中國北部，安裝在這些地區的風機易出現與結冰有關的問題，如功率損耗、機械故障、安全隱患、壽命縮短等。IcingBlades工程[1]研究表明，葉片結冰是風電場功率損失的主因，而功率損失很大程度上會增加風場的操作與維護成本。葉片是風電機組的關鍵部件，葉片前緣結冰致升力系數降低、阻力系數增加引起風機的輸出功率下降[2]，Barber等[3]研究了結冰對風機性能的影響，發現葉片結冰可使功率系數降低22%。附加積冰由于改變了葉片的力學性能導致機組構件溫度過熱造成疲勞損傷，損傷累積引起機械故障，被迫非計劃停機的成本高昂[4]，積冰融化脫落威脅機組巡檢人員生命安全[5]， 因此，在結冰早期有效監測到風機葉片結冰現象并采取相應的措施，能夠避免以上諸多負面影響。

SCADA（Supervisory Control And Data Acquisition）系統廣泛應用于風電場，儲存了海量風機運行操作數據，利用智能算法挖掘數據中有價值的故障信息，對葉片結冰進行實時監測并作出高效準確的診斷和預測，以保障風機的發電、安全、可靠性成為研究熱點。SCADA系統中原始數據含有高維信息和豐富的噪聲（無關、冗余信息），不能直接輸入故障診斷系統[6]。近年研究多集中在對原始數據預處理和特征提取方面的優化[7]。棧式自編碼（Stacked AutoEncoder， SAE）是由多層訓練好的自編碼器組成的深度神經網絡，可自適應提取高維數據的低維特征，能夠解決多層網絡結構的梯度消失和局部極值問題[8]。

本文通過分析SCADA數據中的風機工況參數、環境參數、狀態參數等監測變量與結冰故障存在的特征關系，提出了基于SAE網絡模型的葉片結冰故障診斷方法。該模型融合了特征提取和狀態分類兩個步驟，利用無標簽數據對模型進行預訓練、學習，再用有標簽的數據集進行模型微調，實現對風機葉片結冰的早期預警。

1.2 棧式自編碼網絡

深層神經網絡比淺層神經網絡訓練難度更大，采用隨機梯度下降求解網絡參數過程存在收斂局部最小值和梯度彌散等問題[10]。Erhand等[11]為解決上述問題，提出逐層貪婪預訓練的逐層學習策略，將簡單的AE當作模型的一個單元，通過非監督的逐層初始化對深度網絡進行預訓練，即棧式自編碼（SAE）網絡。當訓練完第一層AE網絡，實現了從輸入向量編碼輸出重構輸出的解碼過程后，將編碼輸出部分作為下一層的輸入并逐層訓練，結構如圖2所示。

1.3 預訓練和微調

將SAE逐層貪婪訓練最后獲得的輸出特征作為分類器的輸入，即完成最終的分類訓練。預訓練過程的實質就是采用無監督特征優化算法進行網絡連接權重和偏置的初始化過程?；谧跃幋a網絡重構誤差函數，利用梯度下降法對損失函數進行極小化。逐層訓練結束后，每層AE的權重已經有一個預訓練的值，保持各自編碼網絡層參數不變，用有分類標簽的數據對整個深度自編碼網絡層進行一次訓練，讓每層的權重參數同時得到改善，從而實現全局最優，即有監督的微調過程。

2 基于SAE的故障診斷模型

本文利用SAE自適應提取高維數據的低維特征的能力，將其應用在風機葉片結冰診斷。無監督預訓練階段通過激活函數tanh的映射對原始風機數據進行低維特征表達。無監督訓練結束后分別將獲得的低維特征和原始數據標簽作為分類器的輸入作有監督微調。微調階段采用的激活函數為tanh，利用Adam反向優化算法進行權值更新，以提高棧式自編碼網絡的性能。最后利用測試集對模型性能進行測試。模型結構具體如圖3所示。實現步驟如下：

1）SCADA數據預處理，利用重采樣技術對不均衡數據進行處理，將處理后的數據劃分訓練集和測試集;

2）構建2層自編碼預訓練網絡模型，利用訓練集中的無標簽樣本通過Adam反向傳播算法對模型進行預訓練;

3）構建2層微調分類網絡模型，利用訓練集中的有標簽樣本通過Adam反向傳播算法進行模型調優;

4）將訓練好的診斷模型，用于現場指導。

3 SCADA數據實例分析

3.1 數據處理

本文采用的數據來源為某風電場15號風機和21號風機冬季歷時三個月的SCADA數據，為了盡可能地描述風機的運行狀態，根據相關資料和人工經驗保留了SCADA系統中26個狀態參數變量，包括風機運行的工況參數、環境變量參數和狀態參數，數據樣本描述見表1、表2。

3.2 模型參數的設定

實驗基于Keras深度學習框架，模型結構由棧式自編碼網絡和分類器構成，棧式自編碼結構節點數第1層為：262026，第2層為：201220，分類器結構節點數為：1261。棧式自編碼網絡模型的參數W，b 初始化為服從高斯分布的隨機值，Adam超參數設置為η=0.1， β1=0.9， β2=0.999。在預訓練階段，Adam反向優化算法對參數的調整的迭代次數設為500。在微調階段，每批輸入樣本量設為100，整體優化迭代次數設為500。

3.3 實驗結果

為了觀察訓練過程中收斂過程和訓練精度，繪制訓練過程趨勢圖，如圖6所示。在預訓練階段誤差低于0.19，效果較好，在微調階段，訓練300次時已經收斂，且結果精度較高。

4 結語

對于風電機組葉片結冰故障問題，本文提出了一種棧式自編碼網絡的風機葉片故障診斷方法，將深度學習應用于風電機組風機葉片結冰的故障診斷中，結果表明：基于自編碼網絡的分類器模型能夠對風機葉片結冰故障進行準確預測，此方法能實現特征的自適應提取和降維，避免了人為特征選取的復雜性和不精確性。利用SAE模型對15號進行測試，驗證結果表明該模型預測結冰故障的可行性，對盡早采取結冰應對措施具有較好的指導意義，能夠應用于工程現場。利用此模型在21號風機上進行測試，測試結果表明，不同風機的運行工況不同，狀態參數不同，在實際應用中應考慮模型的遷移問題。

參考文獻 （References）

[1]DAVIS N N， PINSON P， HAHMANN A N， et al. Identifying and characterizing the impact of turbine icing on wind farm power generation[J]. Wind Energy， 2016， 19（8）：1503-1518.

[2] HOMOLA M C，VIRK M S， NICKLASSON P J， et al. Performance losses due to ice accretion for a 5 MW wind turbine[J].Wind Energy， 2012，15（3）：379-389.

[3] BARBER S， WANG Y， JAFARI S， et al. The impact of ice formation on wind turbine performance and aerodynamics[J]. Journal of Solar Energy Engineering， 2011，133（1）：311-328.

[4] SHAJIEE S， PAO L Y， WAGNER P N， et al. Direct ice sensing and localized closedloop heating for active deicing of wind turbine blades[C]// Proceedings of the 2013 IEEE American Control Conference. Piscataway， NJ： IEEE， 2013：634-639.