基于SCADA數據和改進BP神經網絡的塔筒應力預測

薛 磊，王靈梅，孟恩隆，郭 超

(1.山西大學 山西省風電機組監測與診斷工程技術研究中心，太原030013；2.山西乾盛新能源有限公司，太原030032)

大型風力發電機本身整體結構復雜，大多分布于地形復雜的山地風電場，不可避免地承受著湍流運動、風切變、塔影效應、尾流效應等作用，而且常在低溫、風沙、結冰等惡劣的外部環境下運行，因此存在著系統載荷和振動波動大、故障率高、可靠性差、運維難度大且成本高[1]等問題。此外，風速在時空兩個維度都存在著多變性和不平穩性，大型風電機組的機械結構時刻承受著隨機交變載荷[2]。塔筒作為其關鍵支撐結構，一旦發生疲勞損傷或故障，將會導致倒塔等嚴重事故，造成不可估量的經濟損失。因此，對風電機組塔筒的受力情況進行監測評估，具有十分重要的意義。

粘貼應變片是一種常用的載荷測量和監測手段，但這會耗費一定的人力物力和財力。實踐中該方法也暴露出一些缺陷，如：輸出電壓信號容易受到電磁干擾；測量線路較為復雜；此外，最重要的一點是應變片的自身壽命有限，并不適合長期監測。研究出一種經濟可靠的風電機組載荷預測方法，是很有必要的。國外的Woo等[3]提出了一種基于多任務學習卷積LSTM(Long short-term memory)模型的風電載荷預測方法。仿真研究結果表明，該模型考慮了輸入風流中復雜的湍流結構，能夠利用單個深度神經網絡模型準確地預測風電機組的功率和結構載荷。 Vera - Tudela 等[4]結合SCADA(Supervisory control and data acquisition)系統的數據，定義了四種濾波器和一維約簡算法，選擇最優的預測子集并借助于前饋神經網絡算法，實現了葉片在平面外彎矩的損傷等效載荷監測。周士棟等[5]基于某2.5 MW風電機組的實測載荷數據和SCADA 系統的多個參數，運用BP(Back propagation)神經網絡建立了載荷與SCADA參數之間的關系模型，實現了對7處關鍵位置的載荷預測。

綜上所述，相關研究均建立了神經網絡模型，并實現了較好的載荷預測效果。但是BP 神經網絡存在著學習收斂速度較慢、不能保證收斂到全局最小點等缺陷[6]。此外，風電機組狀態監測參數種類繁多，并伴隨著一定的電磁干擾，需要對神經網絡輸入參量篩選方法做進一步選擇。因此，本文采用綜合相關系數篩選模型的輸入變量，并基于遺傳算法和粒子群算法對BP 神經網絡模型進行改進。在此基礎上，建立GA - BP（Genetic algorithms - back propagation）和PSO-BP（Particle swarm optimizationback propagation）神經網絡模型，對鋼制塔筒結構進行應力預測。最后，對兩種改進模型和BP神經網絡模型的預測效果進行比較。

本文以山西某風電場的1.5 MW 陸上風電機組的塔筒應力數據和SCADA 數據為基礎，建立基于GA-BP 和PSO-BP 神經網絡的塔筒應力預測模型。仿真分析結果表明，在提出的改進模型中，塔筒應力預測精度均得到有效提高，且GA-BP神經網絡相對PSO-BP神經網絡的預測模型精度更高。

1 基于SCADA 數據的塔筒應力預測模型

基于SCADA 數據和塔筒應力監測數據，利用GA-BP神經網絡和PSO-BP神經網絡構建的風電機組塔筒應力預測模型結構如圖1所示。

1.1 輸入數據

輸入數據包括SCADA 數據和塔筒應力監測數據兩大類。SCADA 數據通過風電機組控制系統收集得到，而塔筒應力監測數據是由塔筒應力監測系統采集得到的，該系統由山西省風電機組監測與診斷工程技術研究中心設計安裝[7]。

1.2 數據清洗

風電機組服役期間每一天內都會伴隨著工況的變化，由于正常發電工況所占時間較多，且是我們最為關注的工況，因此選擇風電機組正常發電工況的數據進行預測。

為確保數據準確有效，對正常發電工況下采集的數據進行清洗。主要清洗的數據有三種：限功率狀態下的數據；信息不完整的數據；其他異常數據[1]。

1.3 BP神經網絡及改進

BP神經網絡按照誤差反向傳播算法訓練，采用梯度下降法來調整各層神經元的權值和閾值，直至最終滿足預先設定的誤差要求。盡管BP 神經網絡有強大的非線性映射、自學習、結構簡單等優點，但其也有訓練速度較慢、存在陷入局部極小值的可能等不足，因此我們采用進化算法可以對BP神經網絡進行改進以提升性能[8]。

圖1 塔筒應力預測模型結構圖

遺傳算法是一類參考自然遺傳機制的模擬隨機全局搜索和優化方法。遺傳算法優化BP 神經網絡能獲得更好的初始神經網絡權值和閾值，網絡訓練能避免局部最小，同時加快了收斂速度。

粒子群算法是一種群體智能優化算法。借用粒子群算法可以對BP 神經網絡的初始權值和閾值進行系統優化，也能夠有效實現BP神經網絡的收斂速度和精度的提高。

1.4 模型的訓練及預測

清洗數據之后，對SCADA 數據中的多個參量與塔筒應力數據進行相關性分析，就可以準確篩選得到與應力變化關系密切的幾個SCADA 數據參量。基于這些實測數據，通過GA-BP 神經網絡和PSO-BP 神經網絡建立塔筒應力與SCADA 數據的關系模型，利用建立好的關系模型進行基于SCADA數據的塔筒應力預測，并對比3個模型的預測效果。

2 風電機組塔筒應力監測

2.1 塔筒應力監測系統

為彌補風電機組載荷監測方面的不足，山西省風電機組狀態監測與診斷工程技術研究中心在山西某風電場的1.5 MW 風電機組上安裝了塔筒應力監測系統[7]。該風電機組為水平軸雙饋型風電機組，主要參數為：輪轂高度80 m，風輪直徑82 m，額定風速11.3 m/s。塔筒為圓錐管狀鋼塔，共分為4 大段，總高度為67 m，塔筒材料為Q345D和Q345E。塔筒應力監測系統共監測了3個不同高度處塔筒的應力情況。該系統由數據采集設備與應變片等組成，通過數據傳輸，在風電場集中控制中心里即可實現對塔筒應力的監測與掌握。最下層的法蘭圈附近布置了9個通道，其中8個應變通道（1-1、1-2、1-3、…、1-8），1個補償通道；緊接著的法蘭圈附近布置了4個通道（2-1、2-2、2-3、2-4）；最上層的法蘭圈附近布置了9個通道（2-5、2-6、2-7、…、2-12），其中1個為補償通道，其余為應變通道。測點示意圖如圖2所示。塔筒應力監測系統界面如圖3所示。圖4為現場布置的某個應變片。

塔筒受力類似于頭部受載的懸臂梁，從頂部到根部載荷逐漸增大。因此，綜合考慮信號質量等因素，本文選擇1處布置點的8號應變片所測位置的塔筒應力值，用于預測模型輸出層1 個神經元的訓練和預測，下文的塔筒應力均指的是此處的塔筒應力。

圖2 應力測點示意圖

2.2 數據簡介

收集的SCADA 信號包括：風速，風向，偏航角度，葉輪轉速，有功功率，無功功率，電機轉速，電機扭矩，振動X軸，振動Y軸，系統壓力等。

塔筒應力數據由應變片測量應變值并得到的。應變片測量的原理是，應變數值乘以材料的彈性模量，即為應力數值。Q345D的彈性模量E為2.1×1011N/m2。則塔筒應力σ可由以下公式計算得到：

上式中：ε為應變片測得的應變值，με。

3 應力預測模型的建立與應用

基于現場實測數據，分別建立基于GA-BP神經網絡和PSO-BP神經網絡的塔筒應力預測模型。通過兩種預測模型的預測結果與實測結果對比，驗證優化后的GA-BP神經網絡和PSO-BP神經網絡的塔筒應力預測模型的有效性及適用性。

3.1 數據庫

本研究選擇2017年4月19日的測量數據。塔筒應力預測模型使用的數據為間隔30 s 的SCADA數據和塔筒應力測量數據。如前文所述，在原始數據中剔除以下數據：

①啟停機等瞬態工況下的數據；

②限功率及未并網發電的數據；

③電磁干擾導致的異常數據；

④不完整的數據[5]。

圖3 塔筒應力監測系統界面

異常數據可結合SCADA 中風速、有功功率、葉輪轉速、日發電量等信號進行分辨，圖5為風速-有功功率-葉輪轉速三維散點圖，表1為異常數據分類方法的描述。

表1 異常數據的分類

圖4 現場布置的應變片

3.2 GA-BP神經網絡

采用遺傳算法進行優化BP 神經網絡的初始閾值與連接權值，主要內容包含BP神經網絡結構參數確定、GA-BP和預測輸出三個步驟，其主要訓練流程如圖6所示。

GA-BP 神經網絡的對象是初始權值和閾值，其優化過程的步驟如下。

圖5 風速-有功功率-葉輪轉速三維散點圖

圖6 GA-BP神經網絡模型訓練流程

種群初始化。個體編碼采用二進制編碼，對于每個個體，其均為二進制串，由BP 神經網絡輸入層與隱含層連接權值、隱含層閾值、隱含層與輸出層連接權值、輸出層閾值組成。

適應度函數。通過個體可確定BP 神經網絡的初始閾值與權值，對訓練完成的BP神經網絡預測值與期望值之差進行求和，能夠得到個體的適應度：

在上式中：n為神經網絡輸出變量節點的個數；yi和oi分別表示神經網絡第i個節點的期望輸出和實測輸出；k為系數。

選擇操作。利用輪盤賭法進行遺傳算法選擇操作，采用適應度比例選策略，個體i的選擇概率pi為

上式中：Fi為個體i的適應度值；k為系數；n為種群數目。

交叉操作。個體基于二進制編碼，交叉操作基于實數交叉策略，第k個染色體al與第l個染色體ak在j位的操作分別為

上式中：b為[0,1]間的隨機數。

變異操作。選取第i個個體aij的基因進行變異，變異操作方法為

上式中：amax和amin分別為基因aij的上、下界；f(g)=r2(1-g/Gmax)2；r2為隨機數；g代表的是當前迭代次數；Gmax表示的是最大的迭代次數；r為[0,1]間的隨機數。

3.3 PSO-BP神經網絡

采用粒子群算法優化BP 神經網絡的初始閾值與連接權值，主要包含三個步驟：BP 神經網絡結構參數確定、PSO-BP 和預測輸出，訓練流程如圖7所示。

PSO-BP神經網絡的對象是初始權值和閾值，其優化過程的步驟如下。

（1）確定粒子的適應度。通過采集與預測相關的數據和PSO算法處理得到的數據來確定粒子的適應度數值，如下式所示：

圖7 PSO-BP神經網絡模型訓練流程

其中：N為樣本個數，yi為樣本i的觀測值為樣本i的預測值。

（2）粒子適應度的選取。選取當前粒子適應度Psee和歷史最優適應度Rbest中最優的，用來作為當前粒子的適應度；選取當前粒子的歷史最優適應度和全局最優適應度gbest中最好的，作為當前粒子的歷史最優適應度。

（3）對粒子的位置及速度進行更新。相應的計算公式如下：

在上式中：a=1,2,…,n；b=1,2,…,n,l1為粒子個體最優步長，l2為粒子的群體最優步長，r1和r2為之間的隨機數，Xab表示第a個粒子的位置，Vab表示第a個粒子的速度。

（4）設置粒子速度最大區間為[0,Vmax]，當粒子的速度大于Vmax，則該粒子此時的速度改為Vmax。

（5）對當前迭代次數與最大迭代次數作比較。如果CurIte≥MaxTte，則停止迭代；否則，返回步驟①確定粒子的適應度。

3.4 參量選擇

風電機組各個子系統或部件之間存在復雜的耦合關系，而訓練參數的選擇對于神經網絡模型的準確性具有重要意義。因此為盡量減小采集數據樣本中非線性畸變或脈沖干擾、風機的運行波動、電網負荷的隨機性等多種因素的干擾，以及準確建立風電機組塔筒應力與SCADA 數據之間的關系模型，引入Pearson、Kendall、Spearman 相關系數的綜合相關系數來分析變量間的關系，以優化參量選擇[1]。

（1）Pearson相關系數

設(X,Y)(i=1,2,…,n)是來自連續監測變量(X,Y)的樣本，則Pearson相關系數為

式（10）中：rp是Pearson相關系數；Xˉ和Yˉ分別代表了X和Y樣本的平均值；n是樣本的總體個數。Pearson的值rp反映了X和Y的相關性，rp越接近于1 或者-1，X和Y的相關性越顯著，當rp越靠近于0，表明變量X和Y之間越不相關。

（2）Kendall秩相關系數

設(x1,y1)、(x2,y2)分別是兩個連續監測變量的樣本值，則樣本數為n產生的對數為C2n=n(n-1)/2，Nc表示協同數對的個數，可由(x1-x2)(y1-y2)＞0 來計算，Nd表示協同的數目對，可由(x1-x2)(y1-y2)＜0 來計算，并且有Nc+Nd=n(n-1)/2，由Kendall的相關性定義：

當Kendall的值rk越接近于1 或者-1，兩個主要變量的相關性越強，rk越接近于0，兩個監測變量就越不相關。

（3）Spearamn相關系數

對于兩個監測變量參數Xi和Yi，分別求得其兩個變量參數的秩記為Pi和Qi。則由Spearman 相關系數定義：

當Spearman 的值rs越接近于1 或者-1，兩個變量的相關性越顯著，rs越接近于0，X和Y越不相關。對收集的SCADA 信號和塔筒應力數據等參量進行相關性分析，可以從中剔除無關或關系較弱的冗余參數，從而提高模型計算速度與精度。本文采用基于Pearson、Kendall、Spearman 三種相關系數的綜合相關系數r來進行參量選擇。綜合相關系數r的計算公式如下：

根據相關系數法理論，當兩個物理量之間的相關系數絕對值滿足0 ≤ |r|≤0.09 時，表示兩個監測變量之間沒有相關性；當相關系數絕對值滿足0.09 ＜ |r|≤0.3 時，可認為兩者存在弱相關性；當相關系數絕對值滿足0.3 ＜ |r|≤0.5 時，表明兩者具有中等相關性；當相關系數滿足0.5 ＜ |r|≤1 時，足以說明兩者之間是強烈相關的。因此，本文從眾多的SCADA參量中篩選出綜合相關系數大于0.5的參量和塔筒應力數據作為輸入變量。表2是篩選得到的模型輸入參量之間的相關系數（表中相關系數均為絕對值大小）。

表2 塔筒應力與輸入參量間的相關性

1 處布置點的塔筒應力主要取決于該截面處的塔筒彎矩大小，而塔筒彎矩主要與塔頂彎矩、塔筒上部所受推力、風在此截面處產生的彎矩和塔筒重力等有關。塔筒彎矩產生及傳遞的過程為：風-葉片-葉輪-輪轂-傳動系統（齒輪箱）-發電機-機艙-塔頂-塔筒。風作用到葉片上，驅使葉輪旋轉，旋轉的葉輪帶動齒輪箱主軸轉動并將動能輸入到齒輪副，經過變速，齒輪副將動能通過聯軸器傳遞給發電機，發電機將輸入的動能轉化為電能，最終經過變流器及變壓器輸送到電網。風速、葉輪轉速、槳距角通過輪轂扭矩影響著齒輪箱主軸力矩的大小，齒輪箱輸入軸溫度、齒輪箱輸出軸溫度、齒輪箱油溫均與主軸力矩息息相關；同時主軸力矩是發電機電機扭矩的來源，影響著電機轉速，也間接影響著有功功率、無功功率、變頻器功率、變頻器無功功率、電流。主軸力矩和其它載荷影響著塔頂彎矩、塔筒上部所受推力，因此，這些輸入參量與塔筒應力密切相關。

由于塔筒不同高度截面處所承受的重力不同，所受風速的大小和風向不同，不同應力測點位置的塔筒應力與輸入參量間的相關性也不盡相同。同一高度、風速和風向接近的兩個位置的塔筒應力與輸入參量間的相關性接近。

3.5 模型預測結果對比

對所選的輸入變量進行數據信息的處理后，分別針對GA-BP 神經網絡模型、PSO-BP 神經網絡模型以及BP 神經網絡模型進行訓練。建立的數據庫中共有400 組數據，其中，選取了前320 組數據作為訓練數據來建立塔筒應力預測模型，其余80組數據作為測試樣本來驗證和對比不同模型的準確性。

參照相關研究中對模型準確性的度量，本研究引入了平均相對誤差MAPE (Mean absolute percentage error)和均方根誤差RMSE(Root mean square error)作為指標[1]，對基于GA-BP 神經網絡、PSO-BP神經網絡和BP神經網絡建立的塔筒應力預測模型進行對比分析。

其中：ym是塔筒應力的測量值，yp為模型預測值，n=1,2,…,N是測試樣本的數量，N為80。

設置1 層隱含層，為探究最合適的隱含層神經元個數，分別對比了隱含層神經元個數為4、5、6…、14時，三種不同預測模型預測10次的平均誤差，表3列出了隱含層神經元個數為4、5、6、7 時的預測誤差。結果表明，隱含層神經元個數為6 時的預測效果最好。

表3 不同隱含層神經元個數的預測誤差/（%）

輸入層設置為13 個神經元，隱含層為1 層，共6個神經元，輸出層設置為1 個神經元。在三種神經網絡模型進行訓練的過程中，為保證對比和兼顧訓練速度，統一設置了最大訓練次數為1 000，網絡訓練目標為0.001，學習率為0.15；在遺傳算法優化神經網絡初始權值的過程中，種群數量為20，遺傳迭代次數為100，交叉概率的值為0.7，變異概率為0.1；在粒子群算法優化神經網絡初始權值的過程中，種群數量為20，進化次數為100。通過對基于三種神經網絡算法的塔筒應力預測模型分別進行多次仿真訓練，分別取80 個預測值的平均值與期望值進行比較。10次預測的效果對比情況如圖8和圖9所示。

圖8 三種神經網絡模型預測值與期望值的對比

圖9 三種神經網絡模型預測的相對誤差

通過式（14）和式（15）計算對比三個塔筒應力預測模型的預測效果，結果如表4所示。

表4 三種神經網絡模型預測性能對比

GA-BP神經網絡模型仿真預測的最大的相對誤差為17.18%，最小的相對誤差僅為0.01%，平均相對誤差MAPE為7.04%，說明GA-BP神經網絡的仿真預測效果好，可以較為準確地預測塔筒應力的變化；PSO-BP神經網絡模型仿真預測的最大相對誤差為18.07%，最小相對誤差為0.18%，平均相對誤差MAPE為7.60%，說明PSO-BP神經網絡的仿真預測效果較好，可以較好地預測塔筒應力的變化；而BP神經網絡的最大相對誤差為23.55%，平均相對誤差MAPE 為11.42%。GA-BP 神經網絡、PSO-BP 神經網絡和BP 神經網絡模型的均方根誤差RMSE 分別為：2.79×106、3.06×106、4.63×106。可以看出，通過對BP神經網絡模型進行優化之后，GA-BP神經網絡和PSO-BP神經網絡模型在預測的最大相對誤差、最小相對誤差、平均相對誤差MAPE 方面都有了明顯的優化，均方根誤差RMSE 也小于BP 神經網絡模型。3 種塔筒應力預測模型中，GA-BP 神經網絡模型的預測精度最高。

進一步對比三個模型的預測性能，GA-BP 神經網絡模型明顯優于BP 神經網絡模型，也優于PSOBP神經網絡模型，說明采用遺傳算法和粒子群算法對BP神經網絡進行優化是可行的。

基于GA-BP 神經網絡的塔筒應力預測模型具有更強的預測能力，網絡輸出值與實際值更加接近，預測誤差、精度都優于BP神經網絡、PSO-BP神經網絡模型，是一種更為有效的塔筒應力預測方法，對挖掘風電機組海量監測數據用于機組載荷監測具有一定的應用意義。

4 結語

本文以1.5 MW風電機組塔筒為例，對比了基于BP 神經網絡和改進后的GA-BP 神經網絡、PSO-BP神經網絡的塔筒應力預測模型預測效果，研究結果表明：

(1)針對SCADA 系統信號種類繁多、風電機組狀態監測時伴隨著不同程度的電磁干擾等因素，基于綜合相關系數選取輸入參量，可最大程度減少這些因素的干擾，不僅避免了使用試錯法的耗時耗力，同時實現了參量選擇的準確和高效。

(2)利用改進后的GA-BP 神經網絡、PSO-BP 神經網絡的塔筒應力預測模型，均能建立更優的預測模型，平均相對誤差MAPE 分別為7.04%、7.60%，均小于BP 神經網絡相對誤差MAPE 的11.42%，其中GA-BP 神經網絡的塔筒應力預測模型預測精度最高。說明本文提出的基于GA-BP神經網絡、PSOBP 神經網絡的塔筒應力預測模型，比基于BP 神經網絡的預測模型更有效準確，更適合塔筒應力監測。

(3)基于GA-BP 神經網絡、PSO-BP 神經網絡的塔筒應力預測模型具有較高的預測精度，對于風電機組其它部位的載荷預測具有借鑒意義。

為進一步實現大型風電機組的載荷預測與評估，未來可從以下方面進行更加深入的研究：

①研究基于風電機組塔筒應力預測模型能否推廣到其他關鍵部位的載荷預測中；

②將應力預測模型應用于塔筒安全監測與預警工作中。