基于改進集成學習的新能源發電設備故障辨識研究

摘 要：【目的】常規的新能源發電設備故障辨識方法主要使用置信規則庫（Belief Rule Base，BRB）建立樣本特征空間模型，易受樣本屬性關聯作用影響，導致辨識效果不佳，因此提出了一種基于改進集成學習的新能源發電設備故障辨識方法。【方法】結合第一、第二相關系數構造特征提取空間，提取發電設備故障特征，利用改進集成學習進行分類抽樣，生成發電設備故障辨識機制，從而完成發電設備的故障辨識。【結果】實驗結果表明，該基于改進集成學習的新能源發電設備故障辨識方法的辨識效果較好，能針對不同類型的設備進行有效辨識，且辨識時間較短。【結論】通過研究，該方法可靠性較高，具有一定的應用價值，可為提高新能源發電設備的運行安全，降低設備運行維護難度作出一定的貢獻。

關鍵詞：改進集成學習；新能源；發電設備；故障；辨識

中圖分類號：TN219" " 文獻標志碼：A" " "文章編號：1003-5168（2025）05-0028-04

DOI：10.19968/j.cnki.hnkj.1003-5168.2025.05.005

Research on Fault Identification of New Energy Power Generation Equipment Based on Improved Ensemble Learning

LIU Mingyue ZHAO Jinglei CHEN Yunlin SHEN Zhongming YIN Haolin

（PowerChina" Renewable Energy Co.， Ltd.， Beijing 100101，China）

Abstract：[Purposes] The conventional fault identification method for new energy power generation equipment mainly uses the BRB （Belief Rule Base） confidence rule library to establish a sample feature space model， which is easily affected by the correlation effect of sample attributes， resulting in poor identification performance. Therefore， a fault identification method for new energy power generation equipment based on improved ensemble learning is proposed. [Methods] In this paper， the feature extraction space is constructed by combining the first and second correlation coefficients， and the fault characteristics of power generation equipment are extracted. The improved ensemble learning is used to classify and sample， and the fault identification mechanism of power generation equipment is generated， so as to complete the fault identification of power generation equipment. [Findings] The experimental results show that the improved integrated learning fault identification method for the designed new energy generation equipment has a good identification effect， and can effectively identify different types of equipment with a short identification time. [Conclusions] Through research， this method has reliability and certain application value， making a certain contribution to improving the operational safety of new energy power generation equipment and reducing the difficulty of equipment operation and maintenance.

Keywords： improved ensemble learning; new energy; power generation equipment; fault; identification

0 引言

新能源發電設備在當前能源需求增長的格局下扮演著越來越重要的角色。常見的新能源發電設備主要利用風能、太陽能等可再生能源進行發電［1］，能有效緩解能源危機，降低環境污染。研究表明，新能源發電設備故障產生原因主要包括以下方面。設備自身因素，包括設計制造缺陷、長期使用磨損、維護不當等；環境因素，包括天氣條件、溫度條件、濕度變化等造成的設備生銹腐蝕受損［2］；人為因素，包括設備操作不當、管理維護失效等［3］；其他因素，包括設備的負載變化，電網連接波動等。因此，需要對新能源發電設備故障辨識進行深入研究。

事實上，新能源發電設備故障辨識需要收集設備的實時運行數據，并結合歷史故障記錄進行綜合分析。除此之外，還需要利用傳感器采集等智能化技術進行調整判斷，確定部件或組件的磨損狀態，保證辨識精度。相關研究人員針對新能源發電設備運行特點設計了幾種常規的故障辨識方法。朱愈等［4］融合Canopy的K-means算法的新能源發電設備故障辨識方法構建了離群點檢測框架，提高了檢測正確率，但該方法易受相似性距離影響，辨識反饋時間較長。 于曉等［5］基于輕量化VGG16和BCBAM的新能源發電設備故障辨識方法優化了辨識連接層，通過注意力機制提高辨識準確率，但該方法計算量較大，耗時過長。為了滿足供電安全需求，本研究基于改進集成學習設計了一種有效的新能源發電設備故障辨識方法。

1 方法設計

1.1 提取新能源發電設備故障特征

新能源發電設備的故障相關系數存在數據誤讀風險，需要根據樣本規定時間狀態的第一相關系數和第二相關系數進行關聯分析，提取發電設備故障特征。第一相關系數Tj的獲取見式（1）。

[Tj=Sio-Sio÷Sio-Sij] （1）

式中：[Sio]代表原始故障采樣數據；[Sio]代表間隔時間下采樣數據；[Sij]代表相同采樣時間下的故障特征。

為了降低已經識別但未修復的故障所存在的誤讀問題［6］，實現故障的標注核對與關聯分析，第二相關系數[Tk]的獲取見式（2）。

[Tk=（Sk-Su）Sz-Su] （2）

式中：[Sk]代表未修復故障總數；[Su]代表未識別故障序列；[Sz]代表故障標注樣本。

結合上述的第一、第二相關系數構造有效的特征提取空間［7］，并按照信息關聯狀態分析樣本故障特征屬性。假設原本故障樣本量為m，則可以得到的故障特征樣本集[f（w）]見式（3）。

[f（w）=w1，w2，…，wn]，n=1，2，…，m （3）

式中：[w1，w2，…，wn]分別代表不同的故障樣本。

此時可以排除干擾數據，代入上述獲得的相關系數，提取發電設備故障特征[Qw]見式（4）。

[Qw=2f（w）p/Tk·Tj] （4）

式中：[p]代表特征系數差值。不同類型的故障特征測度不同，需要利用Copual函數進行故障辨識矩陣調整［8］，按照樣本對應的特征元素確定特征定量參數的取值范圍，為故障辨識機制的生成做準備。

1.2 基于改進集成學習的新能源發電設備故障辨識機制

改進集成學習是一種多學習器分類隨機組合技術，可以選擇最優辨識結果，提高辨識的可靠性。因此，本研究設計了基于改進集成學習的新能源發電設備故障辨識機制。根據上述提取的故障特征，判斷集合成員的差異關系，生成一組有效的分類器，該分類器的抽樣示意如圖1所示。

由圖1可知，輸入提取的故障辨識特征后進行隨機抽樣預測，從而輸出辨識診斷綜合結果，為辨識機制的生成提供參考。在常規狀態下，需要從樣本集中抽取辨識參量，即采用Bootstrapping進行輪次處理，形成辨識分類任務系數。若所在的故障辨識分類器屬于弱分類器，則需要計算學習率，盡量消除真實值誤差；若辨識分類器屬于強分類器，則可以對訓練子集進行重新劃分，隨機抽取不同的特征樣本，完成辨識特征選擇。為了降低辨識數據的錯誤估計風險，利用改進集成學習進行AdaBoosy遞增訓練，構建的新能源發電設備故障辨識機制如圖2所示。

由圖2可知，上述辨識機制可以根據弱學習者的訓練權重組合調整。若出現誤分類辨識需要重新計算樣本權重，消除調整殘差后，再進行t輪訓練，賦予失敗辨識樣本全新權重，改變辨識重合狀態，提高發電設備故障辨識的反饋速度。

2 實驗

為了驗證本研究設計的基于改進集成學習的新能源發電設備故障辨識方法的辨識效果，將本研究設計的方法與融合Canopy的K-means算法的新能源發電設備故障辨識方法［4］和基于輕量化VGG16和BCBAM的新能源發電設備故障辨識方法［5］進行對比，進行了如下實驗。

2.1 實驗準備

結合新能源發電設備故障辨識實驗要求，選取CUA作為實驗平臺，該實驗平臺將Intel（R）Core i5作為處理器，Windows作為64位操作系統，具體環境見表1。

由表1可知，結合上述實驗環境設置初始化網絡參數，即學習速率為0.1，最小值為0.001，變化系數momentun為0.001，numepochs為1 500。在實驗過程中，需要利用Voronoi檢測器進行陰性選擇，按照連續類型數據可分狀態進行Iris調整，實現數據空間變換。其間，可能會出現辨識孔洞問題，造成故障數據線性可分異常，此時需要進行數據空間變換，利用主元分析法設定Virginica數據自體樣本，調整檢測覆蓋范圍。考慮到新能源發電設備的實際運行環境，需要獲取大量的數據樣本，才能完成變頻調整。因此，忽略采樣過程中的工作條件變化，按照控制脈沖信號觸發要求設置采樣點，提取故障特征，從而得到有效的故障辨識結果。

2.2 實驗結果與討論

根據上述準備，進行新能源發電設備故障辨識實驗。即利用AlexNet模型進行Softmax結合初始化處理，選擇不同類型的設備獲取故障辨識圖像，利用Caffe深度學習框架控制辨識收斂速度，保證AlexNet實驗參數的遷移效果。保留不同類型的池化卷積接口，進行辨識標簽轉換，得到實驗激活函數，降低辨識泛化風險。分別使用本研究設計的基于改進集成學習的新能源發電設備故障辨識方法，融合Canopy的K-means算法的新能源發電設備故障辨識方法［4］以及基于輕量化VGG16和BCBAM的新能源發電設備故障辨識方法［5］進行辨識，得到的紅外故障辨識實驗結果如圖3所示。

由圖3可知，本研究設計的新能源發電設備故障辨識方法能有效辨識不同設備的故障部分。而融合Canopy的K-means算法的新能源發電設備故障辨識方法［4］和基于輕量化VGG16和BCBAM的新能源發電設備故障辨識方法［5］均存在辨識錯漏問題。此時，設置不同的迭代次數，分別使用三種方法進行辨識，得到的辨識時間反饋結果如圖4所示。

由圖4可知，在不同迭代次數下，本研究設計的基于改進集成學習的新能源發電設備故障辨識方法的辨識反饋時間始終較短，而其他兩種方法的辨識反饋時間相對較長。由此可知，本研究設計的發電設備故障辨識方法的辨識效果較好，具有較高的可靠性和一定應用價值。

3 結語

綜上所述，在全球能源轉型背景下，各種各樣的新能源發電設備應運而生。研究表明，在新能源發電設備運行過程中，受設備老化、操作環境等因素影響會出現設備運行異常問題，不僅影響發電效率，還會出現運行安全問題。因此，本研究設計了一種基于改進集成學習的新能源發電設備故障辨識方法并開展了相關實驗。實驗結果表明，本研究設計的發電設備故障辨識方法的辨識效果較好，可靠性較高，具有一定的應用價值，可為后續的故障預防處理提供科學的依據。

參考文獻：

［1］任正國，黃文琦，梁凌宇，等.基于高低頻特征融合的電力設備熱故障模糊檢測方法［J］.自動化技術與應用，2024，43（11）：39-42，55.

［2］房雪雷，馬娟，徐結紅，等.基于數字孿生技術的電力設備故障診斷仿真系統構建研究［J］.自動化與儀器儀表，2024（10）：233-236.

［3］陳曉明，鄒金芳，余文斌，等.以卷積神經網絡對中壓電力設備行故障識別的方案設計［J］.機電產品開發與創新，2024，37（3）：144-146.

［4］朱愈，張耘.融合Canopy的K-means算法在電力設備故障檢測中的應用研究［J］.自動化與儀器儀表，2024（4）：62-66.

［5］于曉，莊光耀.基于輕量化VGG16和BCBAM的電力設備故障紅外圖像診斷識別［J］.河南科技學院學報（自然科學版），2023，51（6）：60-69.

［6］秦潘昊，陳威宇，胡秦然，等.新型電力系統設備狀態監測與故障診斷傳感芯片關鍵技術與展望［J］.電力系統自動化，2024，48（6）：83-95.

［7］賀明強，靳君，關新宇，等.基于計算機視覺的電力設備狀態監測與故障診斷策略分析［J］.集成電路應用，2024，41（2）：224-225.

［8］彭曙蓉，劉登港，何潔妮，等.基于改進YOLOv4的架空線路電力設備故障檢測［J］.電力科學與技術學報，2023，38（5）：169-176.