基于多參數融合的風電機組齒輪箱油溫預警方法

王 健，李富源，黃 鑫，婁 霄

(國能長源湖北新能源有限公司，隨州 432700)

0 引言

風電機組的狀態監測和故障診斷是保證機組能夠長期穩定運行和安全發電的關鍵。隨著風機運行年限的增加，受油品狀態、冷卻性能、運行環境等因素的影響，齒輪箱油溫超限的故障隱患也不斷增加[1]。通過監測齒輪箱油溫變化，實現油溫超溫的提前預警，可有效的減少故障。

對于風電機組齒輪箱的溫度預警的研究，國內外學者主要集中在基于主軸承溫度的故障預警以及基于齒輪箱油溫的故障預警?；谥鬏S承的溫度預警常采用PSO-BP神經網絡模型[2]、GA-BP神經網絡模型[3]、ANN模型[4]、DBN模型[5]、CNN模型[6]、LSTM模型[7]建立溫度預測模型，采用主成分分析法、特征提取法、皮爾遜法、最大互信息系數法確定模型的輸入[2-5,8]，采用加權平均法、殘差值、概率分布法[5-7]確定報警閾值。對于齒輪箱油溫的故障預警，文獻[9]通過建立基于概率統計分析的齒輪箱油溫正常行為模型，并根據不同工況設定不同的異常閾值，采用時序滑動窗口實現對溫度的預警。文獻[10]通過建立齒輪箱油溫回歸預測模型，依據實際運行數據與預測數據的偏差，按照指定的策略進行故障預警。文獻[11]提出了一種基于異常數據清洗與動態神經網絡的建模方方法，采用統計過程控制法分析殘差，根據殘差的特征分布計算預警閾值。文獻[12]提出了基于PCA和動態神經網絡的齒輪箱油溫趨勢預測模型，采用SPC方法控制模型的在線學習行為，實現對齒輪箱油溫的趨勢預測。

本文選用某風場風機SCADA系統中的運行數據，利用相關性分析法確定模型的輸入，采用imPSO-BP建立齒輪箱油溫故障預警模型，結合加權移動平均法（Weighted Moving Average,WMA）、核密度估計法（Kernel Density Estimation,KDE）分析預測值與實際值的殘差絕對值，從而確定預警閾值。最后，通過實際案例對比了imPSO-BP模型與PSO-BP模型的預警效果。

1 數據集的建立

受風速、天氣等因素的影響，風機監測數據具有一定的隨機性[13]。為建立齒輪箱油溫故障預警模型，需要考慮所有對齒輪箱油溫產生影響的變量。在統計學上，若需反應兩個變量之間的相關性，可進行相關性分析[14]。本文運用最大互信息系數（Maximal Information Coefficient,MIC）對風機SCADA系統的歷史數據進行相關性分析，其定義如下：

式中：α、β為在A、B方向上劃分網格數量，p(A,B)表示變量A、B的聯合概率，p(A)、p(B)分別表示變量A、B的邊緣概率密度，λ為變量，MIC(A,B)表示相關性系數。若MIC(A,B)≥0.95，表示變量A、B顯著相關；若0.95＞MIC(A,B)≥0.8，表示變量A、B強相關；若0.8＞MIC(A,B)≥0.5，表示變量A、B中度相關；若0.5＞MIC(A,B)≥0.3，表示變量A、B弱相關；MIC(A,B)＜0.3，表示變量A、B無相關。

風電機組SCADA系統每次記錄23個參數10分鐘平均值。這些數據可以分為3類：1）溫度參數，包括：齒輪箱入口油溫(P1)，齒輪箱輸入軸軸溫(P2)、齒輪箱油溫(P3)、齒輪箱輸出軸軸溫(P4)、發電機軸承A/B溫度(P5,P6)、發電機定子繞組U1/U2/V1/V2/W1/W2溫度(P7,P8,P9,P10,P11,P12)、主軸齒箱側溫度(P13)、主軸葉輪側溫度(P14)、變槳軸溫度1/2/3(P15,P16,P17)；2）工況參數，包括：發電機速(P18),葉輪轉速1/2(P19,P20)，機艙振動值X/Y(P21,P22)；3）風力參數，包括：風速(P23)。通過某風場風機SCADA系統的歷史數據計算出各參數與齒輪箱油溫的相關性系數，選擇相關性系數大于0.8的參數作為模型的輸入。選擇的模型輸入參數如表1所示。

表1 相關性系數表

2 故障預警模型建立

對SCADA系統歷史數據進行相關性分析得到模型輸入之后，建立基于imPSO-BP神經網絡的齒輪箱狀態預測模型。采用健康時刻的歷史數據對神經網絡模型進行訓練，得到輸入參數與齒輪箱油溫之間的映射關系。模型訓練好之后，向訓練好的網絡中輸入風機的實時數據，實際值和模型預測輸出之間的殘差被處理為監測指標。再通過WMA與KDE對殘差序列進行處理得到預警閾值。在監測過程中，輸入測試數據，將殘差與之前定義的閾值進行比較。如果殘差在閾值范圍內，表明風機處于健康狀態；如果殘差在連續時間內超出預警閾值，則認為風機出現故障，并進行故障預警。在監測過程中具體流程如圖1所示。

圖1 齒輪箱油溫故障預警模型

2.1 基于imPSO-BP神經網絡的建立

1）BP神經網絡模型的建立

以表1的參數作為模型的輸入，齒輪箱油溫作為輸出建立BP神經網絡模型。輸入層為6個神經元，即對應表1中的6個參數；隱含層經過多次訓練后選取了1層隱含層，神經元個數為8；輸出層神經元個數為1，表示齒輪箱油溫，如圖2所示。網絡的訓練誤差函數采用均方差函數，訓練算法采用LM算法，隱含層的傳遞函數采用Sigmoid函數，輸出層采用purelin函數。

圖2 BP神經網絡結構

2）粒子群算法的改進

粒子群算法[15]是由Kennedy和Eberhart于1995年提出；學者在此基礎上引入慣性權重因子w，稱為基本粒子群算法，其慣性權重w和粒子速度更新公式為如下：

式中：wmax和wmin為慣性權重的最大值和最小值，MaxIt、iter為最大迭代次數和當前迭代次數，c1、c2為學習因子，r1和r2為服從[0,1]上均勻分布的隨機數。

因線性慣性權重對全局搜索和局部搜索沒有側重性，考慮到算法初期需進行大范圍的全局搜索，后期又需要較強的局部搜索能力，同時需加快算法的收斂速度。本文引入非線性sin曲線調整PSO的慣性權重w，sin曲線的斜率先增大后減小，這種變化趨勢可使得粒子首先側重全局搜索，隨后側重局部搜索，有利于粒子群快速搜索到全局最優。改進公式如式(3)所示：

3）imPSO優化BP神經網絡

因BP神經網絡受權值、閾值的影響較大，采用imPSO對其進行尋優，以提高齒輪箱油溫的預測性能。算法的步驟如下：

（1）初始化BP神經網絡。對式(1)中構建的網絡進行權值和閾值的初始化。

（2）輸入參數的歸一化處理，即將輸入參數轉化為[-1,1]區間內。

（3）粒子群參數初始化。粒子群算法的初始化參數設置如下：種群規模設置為30，最大迭代次數MaxIt=100，粒子的初始速度為0，學習因子c1=c2=0.55，最大權重wmax=0.8，最小權重wmin=0.4，最大限制速度Vmax=1。

（4）構建BP神經網絡權值和閾值優化的適應度函數。設置預測值與實際值之間殘差絕對值的大小作為適應度函數。

（5）計算各粒子的適應度值，對個體最優和全局最優位置進行搜尋。

（6）按照式(3)進行權重和速度的更新。

（7）重復步驟（5）、（6），當滿足設定的終止條件時，輸出BP神經網絡權值和閾值。其中，終止條件包括設置的最大迭代次數和連續5代適應度函數值小于設定值

（8）將步驟（7）得到權值和閾值輸入到BP神經網絡，并進行網絡的訓練。

2.2 網絡的訓練與結果分析

將第1節得到的輸入參數，輸入到2.1節建立的imPSOBP神經網絡模型中進行訓練。訓練數據選取某風場8月1日至8月24日的數據用于模型的訓練，8月25日至8月31日的數據用于模型的測試，數據每隔10min存儲一次。訓練集樣本數據大小為3456，測試集數據大小為1008。采用平均絕對百分比誤差(MAPE)、均方根誤差(RMSE)、決定系數(R2)評價模型的訓練結果[16]，其計算公式分別如式(4)～式(6)所示：

為驗證改進的PSO-BP神經網絡模型的有效性，對比了PSO-BP神經網絡模型與imPSO-BP神經網絡模型的訓練效果，兩種模型的預測結果與期望輸出結果如圖3所示。風電機組在健康狀態下，兩種方法的預測輸出齒輪箱油溫曲線與實際油溫曲線基本吻合。

圖3 模型預測結果

將兩種模型的預測輸出結果與期望輸出結果分別求取殘差序列，并分別計算兩種模型的評價指標，得到殘差序列如圖4所示，評價指標值如表2所示。

圖4 預測值與期望值殘差

表2 評價指標對比

從三個評價指標和最大殘差值來看，imPSO-BP 模型的預測精度優于PSO-BP模型。主要表現在：相較于PSO-BP，imPSO-BP的MAPE指標降低15.09%，RMSE指標降低12.5%，R2指標提高0.17%，最大殘差指標降低35.93%。這是因為imPSO在優化過程中首先側重全局搜索，隨后側重局部搜索，有利于快速找到BP神經網絡的最優權值和閾值，這使得模型的預測輸出與實際輸出之間誤差更小，相關性更高。

2.3 殘差的濾波處理與閾值的確定

為消除隨機因素對預警效果的影響，使用WMA對殘差絕對值序列進行平滑處理，WMA表達式如式(7)所示：

式中：Δt表示濾波輸出，τi表示數據對應的權重值，n表示窗口大小，Δt-n+i表示濾波樣本值。

選用KDE確定預警閾值的大小，KDE估計算子如式(8)所示：

式中：xi表示給定樣本，表示平滑因子或帶寬，H表示核函數，n表示樣本個數。

3 實驗驗證與結果分析

輸入含故障的數據到訓練好的PSO-BP[17]與imPSO-BP模型中，包含故障當天數據、故障前3天數據、故障后3天數據，共1008個數據點。兩種模型的預測輸出與期望輸出結果如圖5所示。

圖5 含故障數據模型預測結果

分析圖5(a)可知，在齒輪箱油溫處于正常狀態時，PSO-BP模型的預測值與期望值之間的誤差較小，大約在故障前150個點及故障點處誤差突然增大。分析圖5(b)可知，對于imPSO-BP模型，僅在故障前150個點左右出現誤差值的突然增大。誤差的突然增大是因為故障即將出現時，輸入的多參數時間序列與正常序列有較大的偏差，這種偏差會改變輸入參數與輸出參數之間的映射關系，從而導致誤差變大。利用這個特點，可達到齒輪箱油溫故障預警的目的。而對于PSO-BP模型出現兩次誤差大誤差的情況，是因為PSO算法對于權重與閾值優化時無法實現快速尋優，導致在正常時刻模型出現大誤差的輸出。

將預測結果與期望輸出結果求取殘差絕對值，取WMA的窗口大小n=12，權重值=[0.026,0.045,0.071,0.1,0.12,0.138,0.138,0.12,0.1,0.071,0.045,0.026]，得到兩種模型的WMA殘差絕對值與殘差絕對值如圖6所示。

圖6 WMA殘差絕對值

選擇KDE的核函數為逆累計分布函數，置信度為95%，兩種模型的預警效果如圖7所示。分析圖7(a)可知，PSO-BP在采樣點為351和501時出現超過閾值點，曲線超出閾值一段時間后很快落到閾值線以下；且第二次超出閾值的采樣點出現在實際故障點后，屬于誤報警。分析圖7(b)可知，基于imPSO-BP的故障預警模型可有效的實現對故障進行預警，且曲線超出閾值一段時間后沒有落到閾值線下，說明預警結果較為可靠，不屬于誤報警。對于imPSO-BP模型，實際故障采樣點為494，故障預警采樣點為332，故障預警時間提前約27小時，故障預警效果優于PSO-BP模型。

圖7 故障預警模型輸出結果

4 結語

本文結合改進的粒子群算法和BP神經網絡，提出了一種基于多參數融合的風電機組齒輪箱油溫故障預警方法，可實現風電機組齒輪箱油溫異常的提前預警。主要結論為：

1）根據風電機組SCADA系統的歷史監測數據，采用相關性分析法確定了模型的輸入參數。

2）建立了齒輪箱油溫故障預警模型，并采用改進的粒子群算法對BP神經網絡進行參數尋優。對比了PSO-BP模型與imPSO-BP模型的預測效果，實驗結果表明：imPSO-BP模型提高了齒輪箱油溫的預測精度。

3）通過實際的案例對該預警方法進行了驗證，結果表明，imPSO-BP模型可實現齒輪箱油溫故障的提前預警，預警時間提前約27小時。相較于PSO-BP模型，imPSO-BP模型預警結果更可靠，且不會出現誤報警。