基于scada的风电机组在线运行状态监测方法.docxVIP

基于scada的风电机组在线运行状态监测方法 摘要：通过融合稀疏自编码器和深度神经网络算法，提出一种基于SCADA数据的风电机组在线运行状态监测方法。首先，通过稀疏自编码器学习SCADA高维数据中复杂的内在特征，得到数据的降维表示；其次，基于降维后的数据利用深度神经网络预测风电机组的有功功率，通过对比分析预测功率与实际功率之间的残差判断风电机组的运行状态；最后，利用某风电机组近一年半的SCADA数据，对所提方法进行验证分析，结果表明，所提方法提早5天检测出风电机组发电机的异常情况，为有效避免故障恶化引发的突然停机、降低运维成本、提高风电能源的竞争力提供技术支持和保障。 0 引言随着社会对风能的关注，风电机组作为将风能转换为电能的主要装备得到迅猛发展。相关统计资料表明目前，已有部分研究人员利用风电机组数据采集与监控系统（SCADA）采集到的数据对风电机组进行运行状态监测、故障诊断等相关方面的研究，如：李丹等自从Hinton提出逐层贪婪预训练后1 风电机组SCADA数据及状态监测方法1.1 风电机组SCADA数据每台大型风电机组上都安装一套SCADA系统，主要用于实现风电机组的运行监测与控制，具有状态显示、历史信息查询、设备控制和故障报警等功能。SCADA系统的故障报警功能基本上是在风电机组故障恶化到一定程度时才会被触发，因此有必要对其报警功能进行拓展，以求尽快实现早期故障的识别。在实际应用中SCADA系统主要还是基于采集的状态信息，对风电机组的关键部位进行相应的控制，尚未很好地利用控制过程中所采集到的风电机组数据进行状态监测。此外，利用SCADA数据进行风电机组运行状态监测，无需在风电机组上增加额外的数据采集所需的传感器、外围软件和硬件设备，成本较低，在提高风电产业运行可靠性、增强风电能源的竞争力方面潜力巨大。以双馈风电机组为例，各类传感器分别被安装在变桨系统、偏航系统、主轴、齿轮箱、发电机系统、变流器、变压器等风电机组的关键子系统或主要部件上（如图1所示），利用SCADA系统采集风电机组的各类重要状态信息。SCADA系统共采集风电机组102个特征数据（如图2所示），所采集的数据可分为离散参数和连续参数，其中离散参数是指风电机组的某个部件或子系统的开关、动作或状态等能进行编码表示的特征参数，如用0、1编码表示开关的开、闭状态。连续参数有风电机组功率、温度、电压和转速等。图2对各个特征参数根据其所属的子系统（如变桨系统、偏航系统、传动系统等）进行归类，对风电机组状态和环境信息也进行区分，同时也区分出特征参数的类别（如离散与连续参数）。1.2 状态监测方法基于SCADA系统采集到的连续特征参数，提出一种基于稀疏自编码深度神经网络的在线监测方法，具体流程如图3所示。首先，对风电机组历史正常数据提取特征，归一化处理后，用于训练稀疏自编码器与深度神经网络组成的预测模型，通过训练好的模型预测风电机组功率，得到风电机组健康时预测功率与实际功率间的残差分布情况，并选取合适的阈值。其次，将训练好的模型用于风电机组的在线状态监测，对比分析模型的预测功率与实际功率的残差值，参照训练阶段得到的残差分布和选取的阈值，判断风电机组的运行状态。根据统计过程控制（SPC）理论2 深度学习算法2.1 稀疏自编码器自编码器是一种3层或3层以上的神经网络，是一种无监督学习算法，结构如图4所示。由编码器h=f (x)和解码器x?=g(h)组成，通过训练网络使得输入x和重构的x?之间的误差尽可能小，以达到输出复制输入的目的。对于自编码器而言，单纯将输入复制到输出无特别的用处，需要向自编码器加一些约束，使它只能近似地复制输入。这些约束使得模型优先考虑哪些部分的输入数据被复制，使模型能够提取出数据中的有用特征，例如施加隐藏层维度小于输入层维度的约束时，就能够提取数据中最显著的特征，做到数据的降维处理。稀疏自编码器是自编码器的一种拓展，利用稀疏编码的思想，在自编码器上加上稀疏正则化约束，即在自编码器的损失函数中添加稀疏惩罚项，使模型既能有一定的抗噪声和抗干扰能力，又能使自编码器在尝试复制输入的同时学习有用的特征。假设输入稀疏自编码器的SCADA数据有m个样本、每个样本有n维特征，{x解码重构后的输出层矩阵为：将稀疏惩罚项加入到自编码器的损失函数中，期望能够控制隐藏神经元的激活程度。对于单个神经元，如果它的输出接近1，那么该神经元的激活度就很高，反之，就很低。稀疏惩罚项的作用之一就是让隐藏的大多数神经元处于一个激活度较低的水平。对于隐藏层的第j个神经元，用H由于神经元被期望低程度激活，即希望ρ式中：k——隐藏层神经元数量；KL(ρ||ρKL散度的表达式为：对于自编码器而言，损失函数L一般为：