基于深度神經網絡模型的風電機組傳動系統狀態監測方法

王印松，石建濤

基于深度神經網絡模型的風電機組傳動系統狀態監測方法

王印松，石建濤

（華北電力大學 自動化系，河北 保定 071003）

大型風電機組傳動系統運行工況復雜，運維人員無法實時了解其運行狀態。針對這一情況，提出一種基于深度神經網絡模型（DNN）的狀態監測方法。首先，BP算法訓練DNN模型時容易陷入局部最小值和過擬合，因此，將麻雀搜索算法（SSA）與BP算法結合，提出一種SSA優化BP算法訓練DNN模型的方法。然后，采用風電機組SCADA系統數據建立DNN模型來估計風電機組傳動系統的關鍵運行參數，利用估計參數的殘差信息構建2統計量應用于狀態監測，并給出2統計量報警限的確定方法。最后，將提出的DNN訓練方法與其他方法進行對比并將該方法應用于某風電機組傳動系統狀態監測。結果表明，SSA優化BP算法能夠有效避免局部最小值和過擬合，該狀態監測方法能夠提前預警風電機組傳動系統的異常狀態。

風電機組；深度神經網絡；麻雀搜索算法；狀態監測

0 引言

“碳中和”目標的提出，對我國電力能源結構產生了深遠的影響，新能源發電在我國電力生產中的比重越來越高[1]。風力發電作為一種效率高、技術成熟的發電方式，近年來得到快速發展。風電機組運行中經常受到高溫、強沙塵、強風等惡劣環境的影響，因此風電機組在運行過程中的可靠性非常重要[2]。風電機組的高失效率導致運維成本較高。能夠有效降低風電機組運維成本的一個重要途徑是對風電機組實施狀態監測。因此，開展風電機組運行狀態監測與評估的研究，根據評估結果確定風電機組運行狀態，對合理調整檢修計劃，提高風電機組的運行可靠性、降低風機運維成本等具有重要意義。

文獻[3]對比了風電機組的13個子組件的停機時間，發現：風電機組傳動系統故障的停機時間較長，維修費用較高。風電機組的傳動系統主要包括齒輪箱、主軸、發電機等部件。這些部件受到機組不同載荷的沖擊較大，再加上潤滑不足、安裝不當等原因，其劣化過程是漸變的，不易檢測和發現。因此，風電機組傳動部件的狀態監測和故障預警技術一直是風電領域的研究熱點之一[4, 5]。

目前，在風電場廣泛應用的傳動系統的狀態監測方法主要包括振動分析、油液監測、超聲技術等[6]。這些方法的優點是故障定位準確度較高，但成本十分高昂，且部分方法無法實現實時監測。另外，風電機組的運行情況受環境因素的影響極大，難以利用數學方法精確建立運行參數之間的數學模型。目前，絕大多數的風電機組都裝備有數據采集與監視控制（SCADA）系統。充分利用SCADA系統中的監測數據進行狀態監測不僅成本較小，還可以實現實時監測。基于SCADA數據的狀態監測方法主要有統計分析和多參數融合的方法。統計分析方法主要包括功率分析[7]、概率模型[8]和統計指標分析[9, 10]等方法；多參數融合的方法主要包括人工神經網絡法[11]、高斯混合概率模型[12]、物元分析[13]、模糊綜合評判[14]等方法。

文獻[15]采用風電機組SCADA數據建立了基于多受限玻爾茲曼機（RBM）的深度自動編碼器（DAE）模型，并將該模型應用于齒輪箱的狀態監測。文獻[16]以有功功率、轉子轉速、機艙溫度和環境溫度4個信號為輸入，以齒輪箱軸承溫度和齒輪箱潤滑油溫度為輸出建立神經網絡（NN）模型對風電機組部件進行狀態檢測。與淺層神經網絡相比，深度神經網絡模型（DNN）具有多個隱含層，能夠更好地挖掘數據中的隱藏信息，更適用于風電機組各個狀態參數之間高度非線性的場景。文獻[17]采用深度學習建立風電機組的非線性映射模型，并將其應用到直驅風電機組中，實現了機組早期準確的故障預警。文獻[18]采用深度神經網絡（DNN）模型建立變速箱潤滑油壓力的非線性模型，并將其與KNN、嶺回歸、支持向量機（SVM）、淺層神經網絡（NN）等建模方法進行對比，驗證了深度神經網絡與其他方法相比具有更精確的建模能力。但是，由于DNN模型具有多層隱含層，采用BP算法訓練時容易出現梯度消失、局部最小值和過擬合的問題。雖然文獻[19]中提出采用Dropout技術可以有效改善DNN過擬合，但是采用Dropout技術訓練DNN模型時，其損失函數無法明確定義，無法保證在迭代過程中損失函數的單調遞減性。文獻[20]分別采用遺傳算法和粒子群算法對BP算法尋優的過程進行優化，證實了群體智能算法可以優化神經網絡的訓練過程。文獻[21]提出了一種新的群體智能算法——麻雀搜索算法（SSA），并將該算法與其他群體智能算法，如遺傳算法、粒子群算法、蟻群算法等，進行對比，驗證了SSA在搜索精度、收斂速度、穩定性方面的優越性。

本文將麻雀搜索算法與深度神經網絡模型相結合，采用麻雀搜索算法優化DNN的訓練過程，并與遺傳算法、粒子群算法等算法優化的DNN模型進行對比，驗證了所提方法在避免局部最小值和減弱過擬合方面的優越性。將該方法應用于擬合風電機組傳動系統的關鍵參數信息，構建參數誤差的2統計量指標，并確定機組正常運行時2統計量的報警限，通過判斷實際運行數據的2統計量是否超限實現風電機組傳動系統狀態進行監測。

1 風電機組傳動系統的狀態監測框架

1.1 風電機組的SCADA系統

以某風電場2.0 MW的風電機組為研究對象，機組的總體設計技術參數如表1所示。該機組的SCADA系統中記錄了風電機組在運行過程中的各種參數。去除其中的統計信息，如當前發電量統計、累計停機時間等，變量如表2所示。

表1 風電機組總體技術參數

表2 風電機組SCADA系統中的監測變量

1.2 風電機組狀態監測方法

本文提出的風電機組傳動系統實時狀態監測方法的流程如圖1所示。

風電機組的狀態監測流程可分為離線和在線兩部分。離線部分：首先，對風電機組的歷史運行數據進行數據預處理；然后，采用最大期望最小冗余算法（mRMR）選取與表征風電機組關鍵部件運行狀態參數相關度較高的變量作為DNN模型的輸入，并采用正常運行的歷史數據對DNN模型進行訓練；最后，將機組正常運行數據輸入DNN模型中，計算DNN模型輸出值與實際值之間的殘差，以殘差信號為輸入構建2統計量，并確定報警限的值。在線部分：對風電機組實時監測數據進行數據預處理，然后將實時數據輸入DNN模型中，計算DNN模型輸出值與實際值之間的殘差。利用殘差信號構建2統計量，并與報警限進行比較，從而判斷風電機組傳動系統的運行狀態優劣。

圖1 風電機組狀態監測流程

2 深度神經網絡模型的建立

2.1 麻雀搜索算法

麻雀搜索算法是一種受麻雀覓食和反捕食行為的啟發而提出的一種群體智能優化算法，其在搜索精度、收斂速度、穩定度和避免局部最小值方面均優于現有算法[21]。

在數學模型中，各個麻雀的位置可以用矩陣表示。

式中：為麻雀數量；為待優化變量的維數。所有麻雀的適應度可以用式（2）表示。

式中：()每一行的值代表個體適應度的值。

生產者通常有高水平的能量儲備，并為所有乞討者提供覓食區域或方向。一旦麻雀發現捕食者，就會發出警報信號。當報警值大于安全閾值時，生產者將所有的麻雀引導到安全區域。因此在每次迭代中，生產者的位置按照式（3）更新。

當2<時，說明麻雀種群周圍沒有捕食者，生產者進入廣泛搜索的模式；當2≥時，說明種群周圍發現捕食者，所有麻雀需要飛到安全區域。

乞討者會時刻監視生產者的位置，跟隨能提供最好食物的生產者并爭奪食物。能量儲備較低的乞討者為尋找更多的食物更有可能飛到其他地方。因此乞討者的位置更新公式可以表示為：

式中：P代表生產者占據的最佳位置；worst代表當前全局最差的位置；是一個元素值被隨機地分配為±1的維行向量，且+=T(T)–1。當>/2時，表明能量儲備較低的第個乞討者最有可能挨餓。

假定處于群體邊緣的麻雀占總數的10%～20%，在意識到危險時，迅速向安全區域移動，獲得更好的位置，而處于群體中間的麻雀則會隨機行走，接近其他麻雀。位置按照式（5）更新。

式中：best是當前全局最佳位置；是步長控制參數，是一個服從(0,1)的隨機數；?[–1,1]是一個隨機數；f是當前麻雀的適應度值；g和w是當前全局最佳和最差的適合度值；是一個非常小的常數，以免零作除數。

f>g表示麻雀在種群的邊緣，而best表示麻雀種群的中心位置，它的周圍是安全的。f=g表示麻雀種群中心的麻雀意識到了危險，需要向其他麻雀的位置移動，是麻雀的運動方向，即步長控制系數。

采用麻雀搜索算法來優化DNN模型的方法是優化DNN模型的權值和閾值的尋優過程。首先采用麻雀搜索算法尋找使損失函數盡量小的權值和偏置參數，然后采用BP算法進行微調，從而有效避免DNN模型訓練陷入局部最優值，能夠更快地達到全局最優位置。

DNN模型的損失函數一般選擇為均方誤差，因此選擇麻雀搜索算法的適應度函數為：

為將麻雀搜索算法優化的DNN模型與遺傳算法、粒子群算法等優化的DNN模型進行對比，將算法的迭代次數、種群規模、DNN模型結構等參數按照表3設定。

表3 優化算法和DNN模型參數設定

根據表3可以得DNN模型的結構如圖2所示。全部的權值和偏置參數總個數為1 177，即各個優化算法所需要優化的參數維度為1 177。

圖2 深度神經網絡結構圖

2.2 誤差分析

為對比不同的智能優化算法對深度神經網絡的優化效果，可以定義如下指標。

均方根誤差（root mean square error，RMSE）對擬合過程中產生的異常值較為敏感，計算公式為：

平均相對誤差（mean relative error，MRE）為估計模型預測值和實際值之間的差異，其計算公式為：

定義擬合度指標：

其中擬合度指標new可以用來表示非線性函數的擬合程度，new?[0,1]且new越接近1，表示擬合性能越好。

采用風電機組正常運行的歷史數據對各種算法進行對比。首先采用mRMR算法在SCADA系統中選取與齒輪箱油溫相關度較大的10個變量作為DNN模型的輸入，齒輪箱油溫作為輸出；選取風電機組正常運行的齒輪箱油溫數據共3 000組，其中2 000組作為訓練數據，1 000組作為測試數據；分別采用普通BP、遺傳算法（GA）、粒子群算法（PSO）、鯨魚（WOA）算法和麻雀搜索算法（SSA）對深度神經網絡進行優化訓練。按照式（7）～（9），統計訓練集和測試集輸出誤差指標如表4所示。

其中各個優化算法每次迭代過程中的最優適應度變化趨勢如圖3所示。

測試集在不同算法優化的DNN模型下的仿真誤差如圖4所示。

從表4以及圖3、圖4中可以看出，雖然普通BP算法優化的DNN模型的訓練集誤差較小，但是其測試集的誤差相對較大，說明DNN模型已經出現過擬合。而對比GA、PSO、WOA和SSA算法的適應度變化情況來看，SSA算法的適應度是幾種算法中最小的；因此，相比其他算法，SSA算法能夠使DNN模型的損失函數達到更小。對比不同算法優化的DNN模型的輸出誤差發現，雖然SSA優化的DNN模型的訓練集誤差較大，但是其測試集誤差較小，說明訓練出的DNN模型具有較強的泛化能力。因此，從不同優化算法對DNN模型的優化結果來看，采用SSA優化的DNN模型能夠尋找到全局更優的位置，并能夠減弱DNN模型的過擬合，增強網絡的泛化能力。

表4 各種優化算法優化DNN模型的誤差比較

圖3 不同算法的適應度

圖4 測試集仿真誤差

3 風電機組狀態監測指標的構建

風電機組狀態監測指標的構建主要有以下步驟。

步驟1：數據預處理。

（1）剔除切入風速以下、切出風速以上的數據以及限功率時段的數據。

（2）歸一化處理。根據式（10）對風電機組運行數據進行歸一化處理，消除量綱的影響。

步驟2：選取齒輪箱油溫、齒輪箱輸入軸軸溫、齒輪箱輸出軸軸溫、發電機軸承溫度A、發電機繞組溫度U1、主軸轉子側溫度、主軸齒輪箱側溫度作為表征風電機組傳動系統關鍵部件健康程度的狀態信號，分別記為：[1,2,3,4,5,6,7]。以它們為目標變量，采用mRMR算法在風電機組SCADA系統中選取相關度較高的參數作為DNN模型輸入，組成圖5所示的輸入輸出組合。選取的變量如表5所示（按表2索引）。

步驟3：選取DNN模型結構如圖2所示，分別以參數[1,2,3,4,5,6,7]為輸出，以表5所示的變量為輸入，采用SSA優化的方法訓練DNN模型，并按式（11）計算模型輸出與實際值之間的殘差信號。

圖5 DNN模型輸入輸出組合

表5 DNN模型輸入變量序號

步驟4：計算殘差序列的2統計量。以每個樣本的[1,2,3,4,5,6,7] 7個參數的殘差為輸入，計算樣本殘差的2統計量，如式（12）所示。

為使2統計量的曲線更加平滑，采用滑動窗口法，窗口寬度為30，對計算得到的2統計量作平滑處理。

步驟5：采用核密度估計法確定2統計量的報警限；若機組實時運行數據的2統計量超出控制限，則說明機組可能存在異常，否則機組處于正常狀態。

定義核密度估計算子[22]為：

式中：為樣本點；x為樣本觀察點；為帶寬；為核函數，且滿足下式：

采用高斯核函數，選定置信度為99.9%（誤報警率為0.1%），利用核密度估計法確定2統計量報警限。

4 案例分析

本文對某風電場的一個故障機組進行分析。該風電場的#36機組在2020年2月20日因發生齒輪箱斷齒故障停機。從SCADA系統中截取該故障機組在故障停機前7天的齒輪箱相關參數如圖6所示。

圖6 故障機組齒輪箱相關參數

從圖6中可以看出，與齒輪箱有關的各個溫度參數基本隨著風速的變化趨勢而變化且均未超出機組的報警閾值，且各個溫度參數也沒有變大的趨勢，因此僅僅靠監測風機各個部件運行參數的大小無法有效識別風電機組的異常狀態。

將該風場同時運行的其他正常機組的歷史運行數據經過數據預處理作為DNN模型的訓練數據，采用SSA算法優化BP的方法對DNN模型進行訓練，計算訓練數據的2統計量。采用核密度估計方法得到的置信度為99.9%的報警限為2=30.75。

將#36機組2020年2月13日—20日的運行數據經過預處理之后，按照上文所述的步驟計算#36故障機組的2統計量如圖7所示。

圖7 #36機組T2統計量

從圖7中可以看出，#36機組的2統計量一直處于報警限附近，分別在2020年2月13日3時0分、2020年2月15日23時20分、2020年2月19日11時10分超出報警限。這表明機組的狀態早在2020年2月13日起已經產生異常，需要風電機組運維人員多加注意。2統計量在2020年2月15日之后超出報警限的頻率越來越高，時間也越來越長，表明機組很可能已經發生故障，應該及時安排檢修。本文提出的狀態監測方法能夠監測出機組傳動系統異常的時間比機組報告的停機時間早5 d左右，可為風電機組的運維人員爭取較多的時間及時安排檢修，有效避免較嚴重的事故發生。

為了與機組正常運行情況下的2統計量進行對比，選取同風場正常運行的#38機組2020年2月10日—2020年2月20日時的運行數據，按照相應流程計算得到的2統計量，如圖8所示。

圖8 #38機組的T2統計量

從圖8中可以看出，當機組正常運行時，計算得到的2統計量一直處于控制限之下。與#36機組對照，結果表明提出的狀態監測方法能夠及時對風電機組的異常狀態發出預警，進一步驗證了所提狀態監測方法的有效性。

5 結論

本文提出了一種基于深度神經網絡（DNN）的風電機組傳動系統狀態監測模型。為了優化DNN模型的訓練過程，避免BP算法陷入局部最小值和過擬合的情況，采用麻雀搜索算法優化深度神經網絡（DNN）模型的訓練過程。將這種方法與遺傳算法、粒子群算法等優化的DNN模型進行對比，驗證了所提方法的優越性；采用DNN模型對風電機組傳動系統的關鍵參數進行估計，利用估計值與實際值之間的殘差信號計算2統計量，并給出了2統計量報警限的確定方法。最后根據2統計量是否超限來確定機組的運行狀態。結合某風電場故障機組相關數據，驗證了所提狀態監測方法的有效性。結果表明，該狀態監測模型能夠在機組停機前實現報警，給風電場的運維人員爭取了更多的維修時間。

[1] 萬燦, 宋永華. 新能源電力系統概率預測理論與方法及其應用[J]. 電力系統自動化, 2021, 45(1): 2-16.

WAN CAN, SONG YONGHUA. Theories, methodologies and applications of probabilistic forecasting for power systems with renewable energy sources[J]. Automation of Electric Power Systems, 2021, 45(1): 2-16(in Chinese).

[2] 李垚, 朱才朝, 陶友傳, 等. 風電機組可靠性研究現狀與發展趨勢[J]. 中國機械工程, 2017, 28(9): 1125-1133.

LI YAO, ZHU CAICHAO, TAO YOUCHUAN, et al. Research status and development tendency of wind turbine reliability[J]. China Mechanical Engineering, 2017, 28(9): 1125-1133(in Chinese).

[3] HOSSAIN M L, ABU-SIADA A, MUYEEN S M. Methods for advanced wind turbine condition monitoring and early diagnosis: a literature review[J]. Energies, 2018, 11(5): 1309.

[4] 許國東, 葉杭冶, 解鴻斌. 風電機組技術現狀及發展方向[J]. 中國工程科學, 2018, 20(3): 44-50.

XU GUODONG, YE HANG YE, XIE HONGBIN. The Current state and future development of wind turbine technology[J]. Engineering Science, 2018, 20(3): 44-50(in Chinese).

[5] WANG Z, LIU C. Wind turbine condition monitoring based on a novel multivariate state estimation technique[J]. Measurement, 2021, 168: 108388.

[6] LIU Z, ZHANG L. A review of failure modes, condition monitoring and fault diagnosis methods for large-scale wind turbine bearings[J]. Measurement, 2020, 149: 107002.

[7] ASTOLFI D, CASTELLANI F, LOMBARDI A, et al. Multivariate SCADA data analysis methods for real-world wind turbine power curve monitoring[J]. Energies, 2021, 14(4): 1105.

[8] NIELSEN J S, S?RENSEN J D. Computational framework for risk-based planning of inspections, maintenance and condition monitoring using discrete Bayesian networks[J]. Structure and Infrastructure Engineering, 2018, 14(8): 1082-1094.

[9] ZENG Z, ZIO E. Dynamic risk assessment based on statistical failure data and condition-monitoring degradation data[J]. IEEE Transactions on Reliability, 2018, 67(2): 609-622.

[10] HERP J, PEDERSEN N L, NADIMI E S. Wind turbine performance analysis based on multivariate higher order moments and Bayesian classifiers[J]. Control Engineering Practice, 2016, 49: 204-211.

[11] HU B, HU Z, RAN L, et al. Deep learning neural networks for heat-flux health condition monitoring method of multi-device power electronics system[C]//2019 IEEE Energy Conversion Congress and Exposition (ECCE). Baltimore, MD, USA: IEEE, 2019: 3769-3774.

[12] LIANG T, MENG Z, XIE G, et al. Multi-running state health assessment of wind turbines drive system based on BiLSTM and GMM[J]. IEEE Access, 2020, 8: 143042-143054.

[13] 李輝, 胡姚剛, 楊超, 等. 并網風電機組運行狀態的物元評估方法[J]. 電力系統自動化, 2011, 35(6): 81-85.

LI HUI, HU YAOGANG, YANG CHAO, et al. A matter-element assessment method of a grid-connected wind turbine driven generator system under on-line operating condition[J]. Automation of Electric Power Systems, 2011, 35(6): 81-85(in Chinese).

[14] 肖運啟, 王昆朋, 賀貫舉, 等. 基于趨勢預測的大型風電機組運行狀態模糊綜合評價[J]. 中國電機工程學報, 2014, 34(13): 2132-2139.

XIAO YUNQI, WANG KUNPENG, HE GUANJU, et al. Fuzzy comprehensive evaluation for operating condition of large-scale wind turbines based on trend predication[J]. Proceedings of the CSEE, 2014, 34(13): 2132-2139(in Chinese).

[15] ZHAO H, LIU H, HU W, et al. Anomaly detection and fault analysis of wind turbine components based on deep learning network[J]. Renewable Energy, 2018, 127: 825-834.

[16] BANGALORE P, LETZGUS S, KARLSSON D, et al. An artificial neural network-based condition monitoring method for wind turbines, with application to the monitoring of the gearbox[J]. Wind Energy, 2017, 20(8): 1421-1438.

[17] 丁顯, 韓寧寧, 滕偉. 基于深度學習的直驅風電機組故障辨識[J]. 可再生能源, 2018, 36(10): 1535-1540.

DING XIAN, HAN NINGNING, TENG WEI. Fault identification of direct drive wind turbine based on deep learning[J]. Renewable Energy Resources, 2018, 36(10): 1535-1540(in Chinese).

[18] WANG L, ZHANG Z, LONG H, et al. Wind turbine gearbox failure identification with deep neural networks[J]. IEEE Transactions on Industrial Informatics, 2016, 13(3): 1360-1368.

[19] MOLCHANOV D, ASHUKHA A, VETROV D. Variational dropout sparsifies deep neural networks[C]//International Conference on Machine Learning. PMLR, 2017: 2498-2507.

[20]陳駿, 傅成華, 郭輝. 智能優化算法優化BP神經網絡的函數逼近能力研究[J]. 軟件導刊, 2015, 14(4): 70-72.

[21] XUE J, SHEN B. A novel swarm intelligence optimization approach: sparrow search algorithm[J]. Systems Science & Control Engineering, 2020, 8(1): 22-34.

[22] CHEN Y C. A tutorial on kernel density estimation and recent advances[J]. Biostatistics & Epidemiology, 2017, 1(1): 161-187.

Condition Monitoring Method of Wind Turbine Transmission System Based on DNN Model

WANG Yinsong, SHI Jiantao

(Department of Automation, North China Electric Power University, Baoding 071003, China)

Operation condition of large wind turbine drive system is complex, and the operation and maintenance personnel cannot understand its operation state in real time. In order to solve this problem, a condition monitoring method based on deep neural network model (DNN) is proposed in this paper. First of all, BP algorithm is prone to fall into local minimum value and over-fitting when training DNN model. To solve this problem, combining sparrow search algorithm (SSA) with BP algorithm, and amethod of training DNN model by SSA optimized BP algorithm was proposed. Then, a DNN model was established based on SCADA system data of wind turbine to estimate the key operating parameters of wind turbine drive system. The residual error of key parameter was used to construct2statistics for condition monitoring, and the method to determine the alarm limit of statistics was given. Finally, the DNN training method proposed in this paper was compared with other algorithms, and the condition monitoring method was applied to the condition monitoring of the drive system of a wind turbine. The results show that the BP algorithm optimized by SSA can effectively recede local minimum and over-fitting. The condition monitoring method can give an alarm of the abnormal condition of wind turbine drive system in advance.

wind turbine; deep neural network; sparrow search algorithm; condition monitoring

10.3969/j.ISSN.1672-0792.2021.09.004

TM351

A

1672-0792(2021)09-0026-09

2021-06-18

王印松（1967—），男，教授，主要研究方向為先進控制理論及應用、智能發電系統分析與優化、新能源發電自動化技術與系統；

石建濤（1996—），男，碩士研究生，主要方向為智能發電系統分析與優化。

石建濤