基于PSO-SVM的風(fēng)機(jī)葉片結(jié)冰檢測(cè)方法

傅曉駿 孫海龍 章珈寧

摘?要：發(fā)電風(fēng)機(jī)葉片結(jié)冰故障診斷在國(guó)際上現(xiàn)在依舊在研發(fā)過(guò)程，大多數(shù)風(fēng)力發(fā)電廠(chǎng)都是葉片結(jié)冰影響運(yùn)行后進(jìn)停止發(fā)電，用各種方法去冰。針對(duì)這一現(xiàn)象，本文設(shè)想了一種采用數(shù)據(jù)驅(qū)動(dòng)型的結(jié)冰檢測(cè)方法，通過(guò)分析SCADA系統(tǒng)采集現(xiàn)場(chǎng)數(shù)據(jù)，建立結(jié)冰預(yù)測(cè)模型。首先根據(jù)工業(yè)大數(shù)據(jù)的特點(diǎn)，在預(yù)處理環(huán)節(jié)，進(jìn)行剔除奇異值等操作;再通過(guò)機(jī)理分析，選擇合適特征;最后將特征數(shù)據(jù)帶入使用粒子群算法優(yōu)化參數(shù)的支持向量機(jī)中。實(shí)驗(yàn)表明對(duì)葉片結(jié)冰預(yù)測(cè)取得了顯著成果，這可能成為風(fēng)機(jī)葉片結(jié)冰狀態(tài)預(yù)測(cè)的新方法。

關(guān)鍵詞：風(fēng)機(jī)故障診斷;風(fēng)力發(fā)電;工業(yè)大數(shù)據(jù);支持向量機(jī)

葉片結(jié)冰是風(fēng)電領(lǐng)域的一個(gè)全球范圍難題。目前對(duì)風(fēng)力機(jī)結(jié)冰問(wèn)題研究上集中在及時(shí)發(fā)現(xiàn)葉片的結(jié)冰情況并在產(chǎn)生影響前除去冰，如果能對(duì)葉片結(jié)冰進(jìn)行早期預(yù)測(cè)，也是防止葉片結(jié)冰對(duì)風(fēng)力發(fā)電產(chǎn)生影響的重要手段，現(xiàn)在也有通過(guò)紅外線(xiàn)檢測(cè)葉片溫度數(shù)據(jù)預(yù)測(cè)結(jié)冰狀態(tài)。然而上述這些方法，都需要對(duì)葉片進(jìn)行改造，裝設(shè)額外設(shè)備，降低了風(fēng)力發(fā)電效率。

SCADA系統(tǒng)在風(fēng)電行業(yè)已廣泛使用，系統(tǒng)每天產(chǎn)生大量的監(jiān)測(cè)數(shù)據(jù)，而葉片結(jié)冰的信息往往蘊(yùn)含其中，本文設(shè)想通過(guò)數(shù)據(jù)驅(qū)動(dòng)角度，對(duì)SCADA系統(tǒng)監(jiān)視數(shù)據(jù)進(jìn)行處理，以實(shí)現(xiàn)對(duì)葉片結(jié)冰狀態(tài)的檢測(cè)和判斷，從過(guò)去被動(dòng)維護(hù)轉(zhuǎn)變?yōu)橹鲃?dòng)維護(hù)，且不過(guò)分依賴(lài)于專(zhuān)業(yè)知識(shí)。

1 數(shù)據(jù)預(yù)處理

首先刪去訓(xùn)練集中的已知的無(wú)效樣本。

然后采用箱型圖方法可以剔除部分奇異點(diǎn)：

（1）樣本被從小到大排列，按照某個(gè)變量;

（2）計(jì)算該變量的上四分位數(shù)Q2，下四分位數(shù)Q1，中位數(shù);

（3）計(jì)算上下限：

式中：Δ=Q2-Q1，k為控制限，但k=1.5時(shí)得到的奇異值是溫和的，當(dāng)k=3時(shí)得到的奇異值是極端的，這里我們需要極端奇異值;

（4）該變量奇異點(diǎn)所在的樣本被全部刪除;

（5）繼續(xù)以上方法計(jì)算，直到檢驗(yàn)完畢所有變量。

2 平衡數(shù)據(jù)集

通過(guò)一般的學(xué)習(xí)算法所獲得的分類(lèi)效果經(jīng)常不夠理想。因此我們嘗試通過(guò)在數(shù)據(jù)層面和算法層面進(jìn)行創(chuàng)新改進(jìn)來(lái)提升效果。數(shù)據(jù)層面主要是重采樣技術(shù)，比如EasyEnsemble和BalanceCascade兩種知情欠采樣方式，合成少類(lèi)過(guò)采樣技術(shù)（SMOTE）技術(shù)等等。在算法層面的方法有基于代價(jià)敏感（Cost-Sensitive）、基于單類(lèi)學(xué)習(xí)（One-Class）、基于主動(dòng)學(xué)習(xí)（Active Learning）、基于集成分類(lèi)算法等幾個(gè)方法。

大樣本定長(zhǎng)欠采樣和小樣本Smote算法過(guò)采樣方法都在本文中被使用，從大數(shù)據(jù)中摘取有效數(shù)據(jù)，把結(jié)冰和未結(jié)冰的樣本數(shù)據(jù)控制在20000以?xún)?nèi)，且基本相等。由于從大數(shù)據(jù)欠采樣到2萬(wàn)組，任何采樣方法失去很多有價(jià)值的樣本，本文結(jié)合風(fēng)力發(fā)電機(jī)運(yùn)行實(shí)際情況，總結(jié)出幾條規(guī)則，可以將樣本中明顯不結(jié)冰的數(shù)據(jù)先剔除。

經(jīng)過(guò)上述方法篩選后，去除了約5萬(wàn)條正常數(shù)據(jù)的樣本，14萬(wàn)樣本數(shù)量依舊太過(guò)龐大，進(jìn)一步分析，許多樣本之間的表征信息幾乎一致，下一步刪除冗余部分，該過(guò)程算法為：

具體過(guò)程為：

（1）原始樣本標(biāo)準(zhǔn)化，計(jì)算δ值;

（2）計(jì)算$x_{i}$和$x_{j}$（j>i）的相似度$R_{ij}$;

（3）定義一合適閾值ε，如果$R_{ij}>＼＼varepsilon$，刪去樣本$x_{j}$;

（4）重復(fù)以上步驟，直到所有樣本檢查完畢。

經(jīng)過(guò)上述步驟后，最后摘取到約2萬(wàn)組正常有效的樣本。

接下來(lái)處理非正常樣本，即我們得到的約1萬(wàn)結(jié)冰樣本數(shù)據(jù)，為使樣本量增加一倍，我們采用了Smote算法。為達(dá)到平衡樣本的目的，在一些位置接近的數(shù)量較少的樣本中插入新樣本即是Smote算法的中心思想，以上方法不同于隨機(jī)過(guò)采樣的將樣本數(shù)據(jù)簡(jiǎn)單復(fù)制，而是為避免分類(lèi)器的過(guò)度擬合，通過(guò)增加創(chuàng)造出來(lái)的樣例。

經(jīng)過(guò)上述一系列操作，訓(xùn)練集兩類(lèi)數(shù)據(jù)一共約4萬(wàn)組樣本，且數(shù)量相等。

3 選擇特征

運(yùn)行中的風(fēng)力發(fā)電機(jī)葉片表面結(jié)冰，這是復(fù)雜的過(guò)程，這一過(guò)程受到許多環(huán)境因素影響的，想要建立精準(zhǔn)的預(yù)測(cè)風(fēng)機(jī)葉片結(jié)冰狀態(tài)的數(shù)學(xué)模型具有很大難度，而采用數(shù)據(jù)驅(qū)動(dòng)的方法，數(shù)量眾多的樣本還有檢測(cè)變量，都會(huì)使得運(yùn)算過(guò)程十分復(fù)雜，并且不能快速確定葉片的結(jié)冰狀態(tài)。所以，結(jié)合風(fēng)力發(fā)電原理以及葉片表面凍結(jié)過(guò)程，對(duì)風(fēng)機(jī)結(jié)冰整個(gè)過(guò)程的特征狀態(tài)進(jìn)行分析，并與機(jī)器學(xué)習(xí)的能力相結(jié)合，方可進(jìn)行有效預(yù)測(cè)。

所謂風(fēng)力發(fā)電，即風(fēng)力推動(dòng)葉片轉(zhuǎn)動(dòng)，葉片帶動(dòng)發(fā)電機(jī)轉(zhuǎn)動(dòng)，利用電磁感應(yīng)現(xiàn)象產(chǎn)生電能。但是葉片結(jié)冰后會(huì)改變運(yùn)動(dòng)特性，降低風(fēng)能到電能的轉(zhuǎn)化效率，雖然電能的產(chǎn)生效率不全依賴(lài)風(fēng)速，但風(fēng)能與電能的轉(zhuǎn)化效率在一定程度上可以反映葉片的結(jié)冰狀態(tài)，結(jié)合正常情況和異常結(jié)冰數(shù)據(jù)功率散點(diǎn)和通過(guò)數(shù)據(jù)擬合正常數(shù)據(jù)獲得理論功率曲線(xiàn)，將該理論功率曲線(xiàn)作為葉片未凍結(jié)的理論曲線(xiàn)，把風(fēng)力發(fā)電機(jī)實(shí)際輸出功率與理論功率的殘差作為特征，通過(guò)分析，若兩者的殘差非常大，或者殘差不穩(wěn)定，表示葉片很大可能已出現(xiàn)結(jié)冰故障，需要處理。

從另一方面講，運(yùn)行中的風(fēng)機(jī)葉片表面出現(xiàn)凍結(jié)故障勢(shì)必會(huì)對(duì)風(fēng)能與電能的轉(zhuǎn)化效率造成不利影響，以上述方法，第二特征選擇擬合正常轉(zhuǎn)速曲線(xiàn)計(jì)算出的每組數(shù)據(jù)的轉(zhuǎn)速殘差。

另外，周?chē)鷾囟瓤隙ㄒ彩鞘种匾囊蛩兀瑴囟冗@一變量要被著重考慮，通過(guò)分析外部溫度與風(fēng)機(jī)內(nèi)部溫度的差別，我們發(fā)現(xiàn)這一差別與風(fēng)機(jī)葉片的是否結(jié)冰有著很大的關(guān)聯(lián)。

通過(guò)主成分分析技術(shù)，我們可以分析樣本在主成分和非主成分方向的投影，通過(guò)這一技術(shù)可以進(jìn)一步構(gòu)造敏感特征的方法，分析風(fēng)速和實(shí)際功率在非主成分方向的投影。

最終經(jīng)過(guò)分析，把外部溫度，外部溫度，風(fēng)速，實(shí)際功率以及4個(gè)衍生變量作為選擇特征。

4 分類(lèi)器構(gòu)建及參數(shù)優(yōu)化

本文采用機(jī)器學(xué)習(xí)模型為支持向量機(jī)，同時(shí)為了尋找最優(yōu)參數(shù)，又引入粒子群算法，借以提高故障識(shí)別的性能。以下是計(jì)算過(guò)程：

在統(tǒng)計(jì)學(xué)中提出的機(jī)器學(xué)習(xí)方法即是SVM算法，這一算法的基礎(chǔ)是VC維理論和結(jié)構(gòu)最小化原理，通過(guò)超強(qiáng)的學(xué)習(xí)能力克服復(fù)雜的數(shù)學(xué)模型，為有效的解決線(xiàn)性不可分的這一難題引入核函數(shù)，這一方法的效果非常顯著。過(guò)程可簡(jiǎn)單描述為：

我們按照要求取w，b的值。這一過(guò)程使該超平面到兩類(lèi)支持向量的幾何間隔最大，從而目標(biāo)函數(shù)及約束條件寫(xiě)作：

核函數(shù)類(lèi)型確定之后，結(jié)合粒子群算法進(jìn)行參數(shù)C和g尋優(yōu)。

5 結(jié)語(yǔ)

數(shù)據(jù)驅(qū)動(dòng)學(xué)習(xí)方法在工業(yè)領(lǐng)域有廣泛的應(yīng)用前景，本文在發(fā)電風(fēng)機(jī)葉片結(jié)冰領(lǐng)域，針對(duì)過(guò)去單純依靠機(jī)理分析或監(jiān)控可視化等手段，使用機(jī)器學(xué)習(xí)的方法，首先對(duì)現(xiàn)場(chǎng)實(shí)際數(shù)據(jù)進(jìn)行預(yù)處理，然后結(jié)合機(jī)理分析進(jìn)行特征提取，最后通過(guò)粒子群支持向量機(jī)模型實(shí)現(xiàn)對(duì)葉片結(jié)冰的預(yù)測(cè)。

參考文獻(xiàn)：

[1]田鵬輝，羅衡強(qiáng)，湯亞男.風(fēng)力機(jī)組葉片防覆冰技術(shù)發(fā)展現(xiàn)狀[J].電器工業(yè)，2013，14（5）：62-65.

[2]東喬天，金哲巖，楊志剛.風(fēng)力機(jī)結(jié)冰問(wèn)題研究綜述[J].機(jī)械設(shè)計(jì)與制造，2014，52（10）：269-272.

[3]梁穎，方瑞明.基于SCADA和支持向量回歸的風(fēng)電機(jī)組狀態(tài)在線(xiàn)評(píng)估方法[J].電力系統(tǒng)自動(dòng)化，2013，37（14）：7-12.

[4]劉強(qiáng)，秦泗釗.過(guò)程工業(yè)大數(shù)據(jù)建模研究展望[J].自動(dòng)化學(xué)報(bào)，2016，42（2）：161-171.

作者簡(jiǎn)介：傅曉駿（1990—?），男，漢族，浙江桐廬人，本科，中級(jí)工程師，研究方向：自動(dòng)化。