基于mcODM-STA 的風電機組變槳系統故障診斷

唐明珠，匡子杰，吳華偉，胡嘉豪?，毛學魁，彭巨

（1.長沙理工大學 能源與動力工程學院，湖南 長沙 410114；2.湖北文理學院 純電動汽車動力系統設計與測試湖北省重點實驗室，湖北襄陽 441053；3.國網北京海淀供電公司，北京 100195；4.內蒙古青電云電力服務有限公司，內蒙古 包頭 014030）

風力發電機組通常運行在復雜多變的不穩定自然環境中，常年受到陽光、雨水、風沙等侵蝕，存在許多故障隱患，其主要零部件運行于高空，一旦風電機組因故障而引起長時間停機，將嚴重影響發電量和花費大量成本來維護檢修及更換零件，引起巨大的經濟損失[1].

變槳距系統是風電機組中的重要部分，及時有效地對變槳系統進行狀態監測和故障診斷具有重要意義.近年來基于機器學習的風電機組故障診斷方法獲得廣泛應用，利用風電數據采集與監視控制系統（Supervisory Control and Data Acquisition，SCADA）中數據構建風電機組變槳系統故障診斷模型[2].基于機器學習的故障診斷方法有：神經網絡方法[3]、支持向量機、大間隔分布機等.文獻[4]針對風力發電機組的故障診斷，提出一種基于數據驅動的深層神經網絡方法，該方法不需要物理模型經驗和預先篩選數據對風電機組進行故障診斷，診斷準確率高.文獻[5]利用人工神經網絡對風力發電機主軸承進行早期故障預測獲得了較好的診斷效果.文獻[6]提出一種基于雷達圖和支持向量機的方法對風電機組變槳系統進行故障診斷與預測，提升了預測精度.

大間隔分布機（Large Margin Distribution Machine，LDM）是由Zhang 等人[7]于2014 年提出的分類學習算法，其思想在優化最小間隔最大化超平面的基礎上，平衡分類樣本均值與方差，充分考慮樣本的間隔分布，相較于支持向量機擁有更好的分類效果和泛化性能.文獻[8]針對大型風電機組數據分類不平衡和誤分類不平等代價等問題，提出了代價敏感型大間隔分布機，在解決這些問題的同時提升了故障診斷準確率.文獻[9]提出了多類最優間隔分布機（multi -class Optimal Margin Distribution Machine，mcODM）.

在基于機器學習對風電機組進行故障診斷的過程中，選擇機器學習算法的最優參數以提高故障診斷性能，利用進化算法優化故障診斷模型超參數.文獻[10]提出了一種新的BP 神經網絡（Back Propagation Neural Network，BPNN）異常識別模型，并與遺傳算法相結合，為風電機組的異常識別取得了良好的效果.文獻[11]采用粒子群優化算法對多類最小二乘支持向量機進行特征參數優化，實現了擁有較高準確率的風電機組變槳系統故障預測.

狀態轉移算法（State Transition Algorithm，STA）是一種適用于優化大規模復雜問題的智能隨機全局優化算法[12]，該算法的4 個狀態轉移算子通過交替輪換的方式進行全局搜索，可快速獲得全局最優解.針對結構復雜、故障多樣的風電機組變槳系統，利用狀態轉移算法對其進行故障診斷模型參數優化是具有相當優勢的.

本文針對風電機組變槳系統故障診斷模型參數難以優化問題，提出了基于STA 優化的多類最優間隔分布機故障診斷模型，以提高故障診斷性能.

1 多類最優間隔分布機

設一個特征的集合為X=[x1，…，xk]，其對應的類別標簽集為Y=[K]，其中[K]={1，…，k}；給定一個訓練集S={（x1，y1），（x2，y2），…，（xm，ym）}；定義一個映射函數φ，通過核函數κ 將樣本集映射至高維空間φ：X→H，對應權向量為ω1，…，ωk.對每個權向量ωl定義一個記分函數每個樣本的特征值和其對應的標簽，會使得該樣本的記分函數值達到最大，即，從而引出間隔定義：

當計算產生一個負間隔時分類器分類錯誤.

式中：Ω（ω）是正則項；η 和λ 是平衡參數；ξj和εj

分別是間隔γh（xj，yj）與間隔均值的正、負偏差；為方差.

對ω 進行縮放，間隔均值可以固定為1，樣本（xj，y）j與間隔均值的偏差為該最優間隔分布機可改寫為：

式中：τ∈[0，1）是平衡兩種不同偏差的參數（大于或小于間隔均值）；θ∈[0，1）是零損失參數，它可以控制支持向量的個數，即解的稀疏性；（1-θ）2是將上述第二項成為0～1 損失的替代損失.

式中：λ、τ 和θ 是平衡參數.

2 狀態轉移算法

狀態轉移算法表達形式如下：

式中：xk=[x1，x2，…，xn]T為當前狀態；Ak或Bk為狀態轉移矩陣；uk為歷史狀態和當前狀態的函數；f（·）是適應度函數.

狀態轉移算法包含旋轉變換算子、伸縮變換算子、平移變換算子和坐標變換算子.

1）旋轉變換算子為：

式中：α ＞0 為旋轉因子，是一個正常數；Rr∈Rn×n是一個隨機矩陣，其中的元素在[－1，1]上服從均勻分布；‖·‖2為向量的二范數.旋轉變換算子在以α 為半徑的超球內進行搜索，是有著局部搜索能力的搜索算子.

2）平移變換算子為：

式中：β ＞0 為平移因子；Rt∈R 的取值范圍為[0，1]，滿足均勻分布.平移變換算子作為啟發式搜索算子，能沿著直線從點xk－1到點xk以β 為最大長度進行搜索.

3）伸縮變換算子為：

式中：γ ＞0 為伸縮因子；Re∈Rn×n是一個對角矩陣，它的元素取值為非零，且服從高斯分布.伸縮變換算子屬于全局搜索算子，能將xk中的每個元素伸縮到（－∞，+∞）整個范圍內，實現整個空間的搜索.

4）坐標變換算子為：

式中：δ ＞0 為坐標因子；Ra∈Rn×n是一個稀疏隨機對角矩陣，它的元素取值非零，且服從高斯分布.坐標變換算子能夠沿著坐標軸方向搜索，是一種啟發式搜索算子，具有較強的單維度搜索能力.

3 風電機組變槳系統故障診斷

在風力發電機組變槳系統的故障診斷工作中，SCADA 數據包含著能有效反映變槳系統特性的狀態參數，但SCADA 系統具有特殊性，涉及到變槳系統的參數不僅復雜多樣，而且相互間存在強耦合性.因此，在進行故障特征選擇時，優化模型復雜度，減少計算時間和計算量，選擇有效的狀態參數，考慮冗余項，刪除多余特征，避免模型過擬合是有必要的.mcODM－STA 的風電機組變槳系統故障診斷方法流程如圖1 所示.

圖1 mcODM-STA 的風電機組變槳系統故障診斷流程Fig.1 Fault diagnosis process of wind turbine pitch system based on mcODM-STA

3.1 數據清洗與預處理

風力發電機組變槳系統的數據包含了機組正常運行時刻、變槳系統故障時刻的傳感器監測數據.由于實際運行工況中存在不穩定環境因素、傳感器異常等影響，導致出現信息處理出錯、數據缺失、數據異常等問題，因此，需要對獲取的原始數據的所有變量進行去除“0”值、空值和歸一化等清洗與預處理.

根據變槳系統的機理分析可知，當變槳系統故障時，最終影響的主要狀態參數是機組的功率輸出.因此進行特征選擇時，可通過Pearson 相關系數[13]將其他風電機組運行參數與機組功率輸出做相關性分析，刪除與變槳系統相關度較低的參數.為進一步降低樣本規模，減少模型計算復雜度，避免模型過擬合，將第一次篩選出來的狀態變量進行了第二次Pearson 相關性分析，以更精確地刪除部分相關性較高的參數和剔除冗余量.

3.2 改進多類最優間隔分布機

mcODM 中有3 個參數需要優化，分別為間隔方差平衡參數λ、間隔偏離平衡參數τ 和不敏感損失參數θ，每個參數所表示的作用以及取值范圍如表1 所示.

表1 mcODM 參數含義及取值范圍Tab.1 Parameter meaning and value range of mcODM

在使用STA 優化mcODM 模型參數過程中，以模型輸出的多分類測試的準確率作為適應度值，決定選擇和更新當前最優解.若準確率高于當前最優狀態的準確率，新的參數將被作為更優解，若準確率低于當前最優狀態準確率，則放棄該狀態向量，進行下一輪迭代.

改進的多類最優間隔分布機的適應度函數的構造以及當前最優狀態解的選擇和更新偽代碼如算法1 所示.

3.3 故障診斷性能評價標準

為驗證改進的多類最優間隔分布機在風電機組故障診斷中的有效性，將改進的多類最優間隔分布機同采用網格搜索法（Grid Search Algorithm，GS）、遺傳算法（Genetic Algorithm，GA）和粒子群優化算法（Particle Swarm Optimization Algorithm，PSO）優化的多類最優間隔分布機分別應用到由變槳主電源故障、槳葉伺服器驅動溫度超限故障、變槳系統急停故障、變槳系統超級電容電壓過低故障組成的三類（變槳主電源故障、槳葉伺服器驅動溫度超限故障、變槳系統急停故障）、四類（變槳主電源故障、槳葉伺服器驅動溫度超限故障、變槳系統急停故障、變槳系統超級電容電壓過低故障）的多類風電機組變槳系統故障中.

將總體分類準確率作為評價指標，同時引入Kappa 系數作為另一項評價指標控制實驗結果的偏向性.Kappa 系數表達式如下：

式中：p0為每一類正確分類樣本數量之和除以總樣本數，即總體分類準確率；pe為所有類別分別對應的“實際數量與預測數量的乘積”的總和，除以“樣本總數的平方”.

4 實驗分析

4.1 數據描述

實驗采用的是風電場一年內實際運行的數據.該風電場共有33 臺1.5 MW 變速變槳風電機組，每臺機組通過傳感器與監控中心相連，數據采樣間隔為2 s，采集數據儲存于數據庫中，部分原始數據如表2 所示.

表2 2016 年7 月23 日故障風機部分數據Tab.2 Partial data of faulty wind turbine on July 23，2016

4.2 選擇樣本特征

將上述狀態參數的原始數據先做數據清洗，剔除包含“無數據”和所有狀態變量都為“0”的值的變量，歸一化處理后，利用Pearson 相關系數分別與輸出功率做相關性計算，各參數與功率輸出相關性計算結果如表3 所示.

表3 各參數與功率輸出相關性結果Tab.3 Correlation results of parameters and power output

從表3 的相關性結果可以看出，這些狀態參數中，部分變量與輸出功率的相關性較低.根據Pearson 相關系數的性質，剔除相關系數絕對值小于0.55的中等程度相關的變量，保留其他絕對值大于0.55的變量作為該故障的主要影響因素（如表3 中加粗的部分）并進行第2 次Pearson 相關系數的計算，找出相關性較大的冗余參數，對樣本容量進行約簡.狀態參數間相關性計算結果如表4 所示.

分析表4 的部分計算結果可以得出，不同部位的相同狀態參數之間的相關性也很高，如葉片1 偏角和槳距角1 的相關系數接近1，變槳電機溫度2 和變槳電機溫度1 相關系數同樣接近1，由于這些狀態參數在反映變槳系統的運行狀況時，作用基本相同，因此，結合表3 和表4 的相關性結果，剔除冗余參數，將余下的狀態參數構建樣本特征集.

表4 狀態參數間相關性結果Tab.4 Correlation results among state parameters

4.3 實驗結果

實驗中的4 種變槳距系統故障數據如表5 所示.

表5 4 種變槳距系統故障數據的故障樣本數和故障特征數Tab.5 Fault sample number and fault characteristic number of four kinds of pitch system fault data

當實驗總樣本為變槳主電源故障、槳葉伺服器驅動溫度超限故障、變槳系統急停故障三類故障時，圖2 為總體故障診斷準確率盒形圖，表6 為Kappa系數值對比結果.

圖2 三類故障診斷準確率盒形圖Fig.2 Box chart of three kinds of fault diagnosis accuracy

表6 三類故障診斷Kappa 系數值Tab.6 Kappa coefficient of three kinds of fault diagnosis

由圖2 和表6 可知，基于狀態轉移算法的改進多類最優間隔分布機對于三類風電機組變槳系統故障的診斷準確率最高，Kappa 系數值也高于其他3種故障診斷方法.

當實驗總樣本為變槳主電源故障、槳葉伺服器驅動溫度超限故障、變槳系統急停故障、變槳系統超級電容電壓過低故障四類故障時，圖3 為總體故障診斷準確率盒形圖，表7 為Kappa 系數值對比結果.

圖3 四類故障診斷準確率盒形圖Fig.3 Box chart of four kinds of fault diagnosis accuracy

表7 四類故障診斷Kappa 系數值Tab.7 Kappa coefficient of four kinds of fault diagnosis

由圖3 和表7 可知，基于狀態轉移算法的改進多類最優間隔分布機對于四類風電機組變槳系統故障的診斷準確率最高，Kappa 系數值也高于其他3種故障診斷方法.

5 結論

針對風力發電機組變槳系統故障診斷模型參數難以優化問題，使用狀態轉移算法對多類最優間隔分布機的3 個參數進行優化，將改進的多類最優間隔分布機同采用網格搜索法、遺傳算法和粒子群優化算法的多類最優間隔分布機進行對比，實驗數據選擇多種不同類型的變槳系統故障樣本，分別組合成三類、四類的形式，評價指標為總體分類準確率和Kappa 系數.對比結果表明，改進的多類最優間隔分布機對于多類變槳系統故障的診斷性能強，相對于其他三種調參方法生成的模型，擁有更高的總體故障分類準確率，Kappa 系數值更高，表明了基于改進多類最優間隔分布機的風電機組變槳系統故障診斷方法的良好的性能.

在風電機組的故障診斷工作中，由于機組的工作環境、負載等多種因素的影響，其運行工況復雜多變，導致很多情況下難以達到對整機的故障診斷要求.因此，針對變工況條件下風力發電機組整機的狀態監測與故障診斷研究，能有效降低機組故障發生率，提高機組運行穩定性.