基于CNN-LSTM的風電機組異常狀態(tài)檢測

向 玲，王朋鶴，李京蓄

(華北電力大學(保定) 機械工程系，河北 保定 071003)

風能作為一種清潔環(huán)保的可再生資源受到了全球各國的極大關注[1]，中國也十分重視風能技術的發(fā)展，如今中國已成為全球最大的風電發(fā)展區(qū)域市場[2-3]。然而，由于惡劣的工作環(huán)境與復雜多變的工作條件，風電機組發(fā)生故障的頻率較高，導致風電機組維護運行成本較高[4-5]。因此，研究風電機組的異常識別技術，及時發(fā)現(xiàn)風電機組的早期潛在故障，對風電場的檢修維護和風電機組的安全運行具有重要意義[6]。

數(shù)據(jù)采集與監(jiān)視控制(supervisory control and data acquisition，SCADA)系統(tǒng)作為監(jiān)測風電機組運行狀態(tài)的主要技術手段，采集了大量與風電機組運行狀態(tài)相關的變量，但風電機組受風速變化和季節(jié)性氣溫變化的影響，運行狀態(tài)變化劇烈,SCADA系統(tǒng)采集到的正常數(shù)據(jù)幅值變化范圍很大，難以通過單一的參數(shù)判斷風電機組的運行狀態(tài)，因此需要提取隱含在眾多參數(shù)中的故障特征從而做到對風電機組的運行狀態(tài)的準確判斷[7]。文獻[8]以SCADA系統(tǒng)的部分數(shù)據(jù)作為輸入?yún)?shù)，以有功功率作為輸出參數(shù)建立了基于支持向量回歸(support vector regression,SVR)的預測模型，實現(xiàn)了對風電機組運行狀態(tài)的在線監(jiān)測。文獻[9]通過非線性狀態(tài)估計方法建立溫度預測模型，然后通過人為模擬故障對模型進行驗證，證明了該模型可以及時發(fā)現(xiàn)風電機組的異常變化。文獻[10]采用支持向量回歸建立溫度模型研究齒輪箱異常，并利用趨勢云模型判斷風電機組運行狀態(tài)。文獻[11]結合反向傳播神經(jīng)網(wǎng)絡(back propagation neural network, BPNN)和遺傳算法(genetic algorithm，GA)構建了風電機組異常識別模型并應用于1.5 MW風電機組，證明了該方法的可行性。文獻[12]通過人工神經(jīng)網(wǎng)絡(artificial neural network，ANN)預測模型對風電機組主軸承故障進行檢測，成功識別出主軸承早期故障。上述文獻有些沒有考慮輸入項狀態(tài)參數(shù)和輸出項狀態(tài)參數(shù)的相關性，將過多的不太相關或者相關性較低的狀態(tài)參數(shù)輸入模型，影響了預測模型的故障檢測性能。

近年來，深度學習在設備狀態(tài)檢測領域取得了很好的效果，受到的眾多學者的關注。深度學習具有強大的特征提取和非線性表達能力，利用深度學習建模能夠準確的建立多參數(shù)之間的邏輯關系，提高對設備狀態(tài)檢測的準確性。文獻[13]提出了基于平移不變卷積神經(jīng)網(wǎng)絡(convolution neural network，CNN)的機械故障診斷方法，以單點和多點軸承故障為例進行診斷，驗證了其方法的有效性和優(yōu)越性。文獻[14]基于改進多特征提取(variational mode decomposition,VMD)和深度置信網(wǎng)絡(deep belief networks，DBN)建立了風電機組易損部件早期故障診斷模型，該方法成功提取試驗數(shù)據(jù)與風電機組現(xiàn)場數(shù)據(jù)的故障特征并表現(xiàn)出更高的識別準確性。文獻[15]針對傳統(tǒng)的DBN在行星齒輪箱診斷應用上的不足，提出了基于PCA-EDT-DBN的行星齒輪箱故障診斷方法，試驗證明所提方法診斷的準確率更高、性能更穩(wěn)定、訓練時間更短。文獻[16]基于長短期記憶網(wǎng)絡建立了風電機組故障診斷模型，建立了多元時間序列的邏輯關系，提高了對故障分類的準確性。文獻[17]設計了基于深度自編碼網(wǎng)絡和XGBoost的故障診斷算法，實現(xiàn)了對風電機組發(fā)電機早期故障的捕獲和對不同故障類型的識別。

為了挖掘SCADA數(shù)據(jù)中的有用信息并快速提取特征，及時準確發(fā)現(xiàn)風電機組的早期潛在故障，本文提出了基于級聯(lián)深度學習(CNN-LSTM)的風電機組狀態(tài)檢測方法，通過華北某風電場的SCADA數(shù)據(jù)驗證了所提方法的有效性。

1 風電機組狀態(tài)參數(shù)預測模型

將深度學習引入預測模型檢測風電機組的運行狀態(tài)，能夠更快更準確提取隱藏在SCADA數(shù)據(jù)中的特征。CNN能快速的提取風電機組各個部件之間狀態(tài)的空間特征，但是對于輸入數(shù)據(jù)的順序不敏感，無法提取數(shù)據(jù)的時間特征，通過在CNN層后連接LSTM神經(jīng)網(wǎng)絡完成時間特征的提取和預測回歸。

1.1 卷積神經(jīng)網(wǎng)絡

CNN是一種深層前饋網(wǎng)絡，常用于處理多個陣列數(shù)據(jù)，例如時間序列、圖像和音頻頻譜圖等[18]。它由卷積層、池化層和完全連接層構成，不同種類的層具有不同的功能，卷積層通過卷積核在輸入向量上卷積，生成特征向量。池化層分為最大池化和均值池化，池化層可以減少特征向量和CNN參數(shù)的大小，減少訓練時間和內存需求，并控制過度擬合。完全連接層用于將輸入轉換為向量，并實現(xiàn)不同任務。

CNN的本質是構造多個過濾器，通過對輸入數(shù)據(jù)進行逐層卷積和池化操作，提取數(shù)據(jù)間隱藏的空間特征。CNN卷積層原理如圖1所示，在每個時刻，每個卷積核都會將變量1～變量N合并成一個值，該值可視為研究數(shù)據(jù)的空間特征。利用M個卷積核，將輸入數(shù)據(jù)重新編碼成M個空間特征，這些特征隨時間積累，形成時間序列，因而SCADA中的時間特征能夠保存在空間特征中。

圖1 CNN卷積層原理

1.2 長短期神經(jīng)網(wǎng)絡

CNN對輸入數(shù)據(jù)的順序不敏感無法準確捕捉時間特性[19]，因此在CNN層后連接循環(huán)神經(jīng)網(wǎng)絡(recurrent neural network, RNN)。RNN具有記憶性和參數(shù)共享等特點，對于時間序列的特征學習具有一定的優(yōu)勢；然而RNN在訓練時會出現(xiàn)梯度消失和梯度爆炸的問題，影響模型的預測結果，而基于RNN改進的LSTM網(wǎng)絡能夠解決梯度消失和爆炸的問題，所以用LSTM替代RNN。

LSTM模型如圖2所示,LSTM單元的前向傳播可以表示為

圖2 LSTM模型的結構

ft=σ[wf·(ht-1,xt)+bf]

(1)

it=σ[wi·(ht-1,xt)+bi]

(2)

(3)

(4)

ot=σ[Wo(ht-1,xt)+bo]

(5)

ht=ot*Relu(Ct)

(6)

LSTM前向傳播計算每個單元的輸出值，然后由損失函數(shù)求得誤差。反向傳播時，誤差向上一時刻和上一方向進行反向傳播并更新參數(shù)以減小預測誤差。

2 基于CNN-LSTM的風電機組異常檢測方法

本文提出了基于CNN和LSTM，利用SCADA數(shù)據(jù)對風電機組進行狀態(tài)檢測的方法。首先利用CNN空間特征的提取，經(jīng)過預處理的SCADA數(shù)據(jù)被輸入到模型中，CNN提取SCADA數(shù)據(jù)每個時間點空間特征并輸入到下一層，如圖3所示。其次是時間特征的提取，LSTM層提取隱藏在空間特征序列中的時間特征，將時間和空間特征輸入下一層，神經(jīng)網(wǎng)絡可以對SCADA數(shù)據(jù)序列進行非線性變換確定輸入與輸出參數(shù)之間的邏輯關系。最后，全連通層輸出目標參數(shù)的預測值。計算預測值與實際值之間的殘差，識別出風電機組的運行狀態(tài)。

圖3 CNN-LSTM網(wǎng)絡結構

2.1 預測模型建立

結合CNN提取空間特征和LSTM提取時間特征的優(yōu)點建立了CNN-LSTM預測模型。目標參數(shù)為齒輪箱軸承溫度，通過相關性分析選取與齒輪箱軸承溫度相關性較大的參數(shù)作為輸入?yún)?shù)，建立預測模型具體步驟如下：

步驟1選取風電機組正常運行狀態(tài)下的SCADA數(shù)據(jù)并做預處理。首先選取風電機組運運行狀態(tài)正常的數(shù)據(jù)并剔除停機數(shù)據(jù)以及有功功率小于0的數(shù)據(jù)等無關的干擾數(shù)據(jù)，然后選取與齒輪箱軸承溫度較大的參數(shù)作為輸入?yún)?shù)。

步驟2建立預測模型。模型主要基于CNN和LSTN搭建，CNN的層數(shù)為1層，CNN卷積核的大小設置為1，卷積核數(shù)設置為32。LSTM隱藏層為兩層，每層的隱藏神經(jīng)元數(shù)設置為128。選擇平均絕對誤差(mean absolute error,MAE)作為損失函數(shù)，優(yōu)化器選擇能夠使用自適應學習率加快模型訓練收斂速度的Adam。

步驟3訓練預測模型。將預處理后的正常運行狀態(tài)的SCADA數(shù)據(jù)輸入預測模型，對CNN-LSTM模型進行反復訓練得到輸入?yún)?shù)與目標參數(shù)之間的邏輯映射關系。

2.2 異常檢測方法

異常檢測是在樣本數(shù)據(jù)集中找到與正常數(shù)據(jù)不同的樣本,將需要檢測的數(shù)據(jù)輸入訓練好的CNN-LSTM預測模型并求得預測值與真實值的殘差，然后通過分析殘差序列找到與正常運行狀態(tài)數(shù)據(jù)不同的樣本，發(fā)現(xiàn)風電機組的異常狀態(tài)。對殘差序列的分析采用SE和RMSE兩項指標，SE是一種度量時間序列復雜性的方法，越復雜的序列對應的熵值越大。它與具體機組的SCADA數(shù)據(jù)無關，因此適用于判斷風電機組的運行狀態(tài)。RMSE可以衡量預測值與真實值之間的偏差，常用來作為預測結果衡量的標準，其表達式為

(7)

式中：xt為真實值；yt為預測值。

為了消除預測結果的偶然性，綜合RMSE和SE兩個指標對風電機運行狀態(tài)進行檢測，當將正常運行狀態(tài)的SCADA數(shù)據(jù)輸入預測模型時，真實值與預測值的殘差序列RMSE和SE差別不大。反之，當異常運行狀態(tài)的SCADA數(shù)據(jù)輸入預測模型時,數(shù)據(jù)與模型參數(shù)不匹配，誤差很大，RMSE和SE的值都增大。當殘差序列的RMSE和SE值均超過設定的安全閾值時，說明風電機組狀態(tài)異常。基于CNN-LSTM的狀態(tài)檢測流程，如圖4所示。

圖4 基于CNN-LSTM的狀態(tài)檢測流程圖

3 算例分析

3.1 數(shù)據(jù)預處理及參數(shù)選擇

研究對象為華北某風場并網(wǎng)雙饋風電機組，該風電機組切入風速4 m/s，切出風速為25 m/s。取2015年1月—2015年9月的SCADA監(jiān)測數(shù)據(jù)作為風電機組的狀態(tài)參數(shù)。SCADA數(shù)據(jù)包含44個與風電機組運行狀態(tài)相關的參數(shù)，其中主要部件參數(shù)為齒輪箱、發(fā)電機、電網(wǎng)環(huán)境、機艙、自然環(huán)境等參數(shù)，如表1所示。

表1 風電機組主要部件參數(shù)

風電機組的SCADA系統(tǒng)記錄了設備壽命周期內的所有狀態(tài)，包括正常運行、故障、停機、檢修等狀態(tài)。所以需要對SCADA數(shù)據(jù)進行預處理，去除數(shù)據(jù)中的無關的干擾信息。

首先將SCADA數(shù)據(jù)中顯示異常狀態(tài)的數(shù)據(jù)剔除，然后根據(jù)風速和有功功率對SCADA數(shù)據(jù)進行處理。由圖5(a)可以看出風速范圍集中分布在0～20 m/s，由圖5(b)可以看到有功功率數(shù)據(jù)主要分布在風速為4～20 m/s內，因此篩選出風速為4～20 m/s的數(shù)據(jù)。風電機組因停機等狀態(tài)會記錄一些有功功率為零的數(shù)據(jù)，如果將其作為訓練數(shù)據(jù)會影響模型訓練的精確度，所以數(shù)據(jù)預處理時刪除有功功率為零的數(shù)據(jù)。

圖5 風速和有功功率的分布

風電機組的正常運行是通過風電機組的不同部件緊密配合來完成的，部件之間相互耦合以及部件之間的狀態(tài)參數(shù)都會相互影響。如果輸入模型的狀態(tài)參數(shù)過多，會造成信息的冗余，降低模型預測的準確性。因此，需要對各部件狀態(tài)參數(shù)進行相關性分析選取輸入狀態(tài)參數(shù)。以齒輪箱軸承溫度作為目標參數(shù)，采用距離相關系數(shù)(distance correlation coefficient，DCC)計算出與其他狀態(tài)參數(shù)的相關系數(shù)，選取DCC>0.5的狀態(tài)參數(shù)，獲得的結果如表2所示。

表2 齒輪箱軸承溫度與其他部件狀態(tài)參數(shù)距離相關系數(shù)

3.2 正常狀態(tài)下指標分析

以風電機組2015年1—4月的正常運行的數(shù)據(jù)對上述檢測方法進行驗證。圖6(a)為1—4月齒輪箱軸承溫度，可知在正常工作狀態(tài)下齒輪箱軸承溫度最高溫度可達80 ℃左右而最低溫度只10 ℃左右，其幅值變化范圍比較大。通過設定簡單的閾值判斷風電機組的運行狀態(tài)可能出現(xiàn)誤判的情況，需要將風電機組的其他狀態(tài)參數(shù)考慮在內，進行進一步的分析，提高檢測的準確性。

圖6 正常月份齒輪箱軸承溫度和預測殘差

用CNN-LSTM模型對正常齒輪箱軸承溫度進行預測，此學習率設置為0.001，經(jīng)過多次訓練迭代次數(shù)最終確定為1 000，批量數(shù)設置為100，得到如圖6(b)所示的預測殘差序列圖。從圖中可知預測殘差分布在-5 ℃～5 ℃，由于SCADA數(shù)據(jù)存在一些干擾數(shù)據(jù)，預測殘差存在過大的點，所以不能根據(jù)突變的殘差(見圖6(b))判斷風電機組運行狀態(tài)，需要進一步采用殘差分析指標判定機組狀態(tài)。

計算獲得正常齒輪箱軸承溫度的RMSE和SE值，如圖7所示，通過這兩個殘差分析指標可以判斷風電機組的運行狀態(tài)。RMSE和SE值是以天為單位計算的，由圖7(a)可知RMSE值主要分布在1.5 ℃以下，由圖7(b)可知SE值主要分布在0.1以下，故設定RMSE閾值為1.5，SE的閾值為0.1，RMSE和SE的閾值用來判定風電機組的異常狀態(tài)。當機組沒有故障即為正常狀態(tài)時，RMSE和SE都小于設定的閾值(見圖7)。

圖7 正常狀態(tài)時RMSE和SE值

3.3 異常工作狀態(tài)下指標分析

該風電機組于2015年7月14號發(fā)生齒輪箱故障，風電場維修得知該故障是由齒輪磨損嚴重斷齒造成。取1月—9月SCADA數(shù)據(jù)(共計219 d)作為研究數(shù)據(jù)，其中第1天～第190天的SCADA數(shù)據(jù)為1月1號—7月14號采集的數(shù)據(jù)，第191天為停機維修后9月份重新啟機后的第1天。剔除該研究數(shù)據(jù)中的異常值、停機數(shù)據(jù)等無關干擾數(shù)據(jù)。將處理后的數(shù)據(jù)輸入預測模型得到預測值和殘差序列，如圖8所示，因樣本量比較大，只截取第一次檢測到故障時樣本的預測值、殘差和滑動窗口為100的滑差。通過對預測殘差序列進一步分析得到其RMSE和SE序列。由圖9(a)可知RMSE在開始至第126天都處在設定閾值1.5 ℃以下，在第127天第一次超過設定的閾值達到了1.57 ℃。在第127天～第190天RMSE在設定閾值范圍上下劇烈波動并且超過閾值較大，在第191天后回落到閾值以下。由圖9(b)可知SE值在第127天以前也保持在設定閾值以下，在第127天時第一次超過設定的閾值達到0.11，在第127天～第190天SE多次超過設定的閾值，在第191天后回落到閾值以下。第190天(7月14號)左右RMSE和SE均有劇烈變化，這與該風電機組齒輪箱發(fā)生故障在7月14號停機維修并在9月份重新啟機是一致的。基于CNN-LSTM模型和SE的檢測方法能夠提前發(fā)現(xiàn)風電機組齒輪箱的潛在故障，對風電場工作人員進行日常維護和檢修提供了參考依據(jù)，避免造成更大的損失。

圖8 CNN-LSTM預測模型預測結果

圖9 異常狀態(tài)時RMSE和SE值

將LSTM模型、雙向長短期神經(jīng)網(wǎng)絡(bidirectional long short-term memory,BILSTM)模型與本方法的CNN-LSTM模型進行比較，比較結果如圖10所示。從圖10可以看出CNN-LSTM模型預測結果在風電機組運行狀態(tài)正常時RMSE和SE幅值波動更小，偶然性的突起更少，在風電機組運行狀態(tài)異常時RMSE和SE值相對狀態(tài)正常時變化更加明顯。由圖11可以看出CNN-LSTM模型隨著迭代次數(shù)的增加損失逐漸變小，而BILSTM和LSTM則是在較大損失時即趨于穩(wěn)定，通過比較可以看出本文所提模型的損失更小。計算三種模型RMSE和SE的平均值，結果如表3所示，由表3可以看出CNN-LSTM模型的各項評價指標均優(yōu)于其他兩個模型的評價指標。綜上，該模型所建立的輸入?yún)?shù)與目標參數(shù)之間的邏輯關系更加精確可靠，能夠減少誤報警的次數(shù)，證明了基于CNN-LSTM的檢測方法優(yōu)于基于LSTM和BILSTM的檢測方法。

圖10 CNN-LSTM，BILSTM，LSTM模型預測結果對比

圖11 CNN-LSTM，BILSTM，LSTM模型損失變化

表3 不同模型預測結果對比

4 結 論

針對風電機組因工作環(huán)境復雜多變齒輪箱故障頻發(fā)的問題，引入深度學習理論，利用DCC選取與目標參數(shù)齒輪箱軸承溫度密切相關的狀態(tài)參數(shù)，建立了CNN-LSTM狀態(tài)檢測模型，用于識別風電機組的異常運行狀態(tài)。當風電機組運行狀態(tài)異常時，齒輪箱軸承溫度變化偏離正常趨勢，CNN-LSTM模型預測的殘差的RMSE和SE值均會產生較大的波動，從而監(jiān)測風電機組的異常狀態(tài)。通過華北某風場的SCADA數(shù)據(jù)分析，并將所提的CNN-LSTM模型與LSTM和BILSTM模型進行比較，結果表明CNN-LSTM模型的各項評價指標均優(yōu)于其他兩個模型，誤報警次數(shù)更少；基于級聯(lián)CNN-LSTM模型能夠有效檢測風電機組的異常狀態(tài)，對保障風電機組安全運行具有重要意義。