基于降噪自編碼的風力機參數異常預警研究

程斌斌，陳德彬，李德鑫，李宙宇，趙天野

(華能吉林發電有限公司新能源分公司，長春 130000)

在習近平總書記“2030年碳達峰，2060年碳中和”的重要指示下，綠色與高效發展成為我國能源體系建設的發展方向。風力發電作為一種可再生能源，發展迅速，在我國綠色低碳轉型、能源結構調整等方面發揮著舉足輕重的作用。風電機組所處環境復雜，面臨高溫、高濕、鹽霧腐蝕、沙塵、臺風、雷暴等惡劣氣候條件，且隨著風電機組服役年限增長，風機故障率不斷上升，這給機組的運行安全帶來挑戰[1]。目前大型風電機組普遍配置了數據采集與監視控制(Supervisory Control And Data Acquisition，SCADA)系統，對風力機及其核心部件的性能參數、溫度和風速等環境參數、電網電壓和頻率等電氣參數、風力機故障停機及維修等運行參數進行實時遠程監測與記錄。當SCADA系統監測的參數超出設定的閾值，就會觸發警報。但是SCADA系統是基于設計時的固定閾值來報告機組的運行狀態的，是一種固定的越線報警模式，未能兼顧環境變化和機組在運行過程中的老化，當機組發生故障，觸發警報時，機組的故障已然惡化，故障的早期預警無法實現。因此，采用大數據分析方法，利用風電機組SCADA系統大量運行數據及狀態信息，開展風電機組性能評估、異常工況預警及早期故障檢測[2-3]，成為當前的研究熱點。

基于SCADA系統的參數預警的基本原理是從 SCADA 系統中抽取機組正常運行數據，建立預測模型，對當前工況的應達值進行估計，并與實際運行參數對比，通過殘差的大小來評判機組的運行狀況。睦浩淼[4]在風電機組運行狀態異常檢測方面提出了一種基于回歸算法支持向量機的方法。陳自強等[5]提出了一種基于深度置信網絡的風電機組變槳系統的故障診斷方法，用于診斷系統的早期故障，取得了較好的效果。Zhang等[6]分析了長短時記憶網絡在風力機參數預警中的不確定性。崔愷等[7]建立了基于廣義回歸神經網絡的風電機組性能預測模型和故障預警模型，并用某實際風電機組若干歷史故障發生前后的真實 SCADA 數據驗證了模型的有效性。

上述方法在風電機組早期參數異常預警方面取得了較好的效果，但對風電機組實際運行的狀態考慮不夠全面。其中數據清洗規則不適用于不規則和多密度數據集，對于限負荷數據的清洗過程較為繁瑣，且其建模方法也存在適應性不足的缺點?；诖?，本文依據風力發電機的工作原理，將風電機組劃分為風速功率系統、機艙溫度系統、變槳系統、齒輪箱系統、發電機系統等子系統，基于降噪自編碼(Denoising Auto-Encoders,DAE)深度神經網絡，建立了風力發電機組各子系統的參數異常預警模型。在此基礎上，依據SCADA系統實際運行數據，從空值、異常值、非正常狀態數據以及歸一化等4個方面提出了一整套數據預處理方法，最終提出了一種基于降噪自編碼的風電機組參數預警方法。

1 數據預處理

風電機組傳感器數據容易出現測量誤差，這通常是惡劣的自然環境、強電磁干擾和信道噪聲造成的，由于傳感器失靈、通信錯誤或極端天氣等原因會產生不良數據。機組實際輸出功率為零的情況通常由測量終端通信設備故障、非計劃停運等原因導致。由于電網負荷端接納能力不足，風電機組可能會出現被迫降功率運行或停機的情況，導致發生限功率運行。以上種種原因可能會導致SCADA中的數據不能用于模型訓練。上述問題一般可以歸納為空值、異常值、非正常工況三種情況，此外在模型訓練中數據還存在歸一化的問題。

1.1 空值

風力機組長時間在惡劣工況下運行會導致其狀態不穩定，出現間歇性的啟停機或者通信中斷情況，這種情況會導致傳達到SCADA數據庫的數據為空值。如果SCADA系統中的數據在較長時間范圍內都為空值，可以采用直接去除的方式對空值數據進行預處理。

1.2 異常值

SCADA數據中的異常值主要指傳感器的測量值超出其物理上下限，或者其測量結果超出當前可能的正常范圍，如風速、環境溫度等超出正常范圍。對于傳感器測量值超出物理上下限的數據可以直接采用刪除的方式進行處理。對于采用極值判斷后測量結果出現明顯異常的情況，比如風速值、轉速值小于0或者絕對值特別大等情況，應該將其歷史記錄的保存數據刪除。對于其他可能存在的不正常情況和數據值，應通過對風電機組歷史值的統計分析，采用箱型圖方法進行預處理，以刪除明顯偏離正常值的數據點。

箱形圖可以用來描述數據分布的整體情況，通過計算中位數、下四分位數、上四分位數、上邊界、下邊界等統計量來生成一個箱體圖，來描述數據的整體分布情況。箱體內是正常數據，超出了上下邊界的數據可以判定為異常。箱型圖剔除數據中的異常數據的原理如圖1所示。

圖1 箱型圖剔除異常數據

上下邊界計算公式如下：

(1)

式中：Q1表示數據的下四分位數；Q3表示數據的上四分位數；Xll表示數據集的下限；Xul表示數據集的上限。

1.3 非正常工況數據

非正常工況數據主要指設備未運行時產生的數據和設備發生故障時的運行數據，以及發生棄風限電或出現多參數間有邏輯矛盾的情況下的數據，如風速低于切入風速，但機組卻仍然并網發電等。對于該類數據，可以通過邏輯值加聚類方式對其數據范圍進行判斷，然后將數據記錄刪除。

1.4 數據歸一化

SCADA數據中存儲的監測數據種類眾多，不同類型數據單位不同，物理意義不同。不同評價指標往往具有不同的量綱和量綱單位，這樣的情況會影響到數據分析的結果。為了消除指標之間的量綱影響，需將數據進行歸一化處理。歸一化計算公式如下：

(2)

2 降噪自編碼深度網絡模型

自編碼器(Auto-Encoder，AE)[8]是一種用于學習輸入數據非線性特征并將其進行重構的神經網絡，通過無監督方式學習輸入數據的表達特征，網絡結構包括輸入層、隱含層和輸出層。通常AE的輸出層與輸入層的神經元數量相同，其訓練目標是讓輸出盡可能還原輸入信號。AE包括從輸入層到隱藏層的編碼過程和隱藏層到輸出層的解碼過程,其邏輯結構如圖2所示。

圖2 自編碼神經網絡結構示意圖

為了解決經典AE容易產生的過擬合的問題，Vincent等[9]提出了DAE方法，在傳統AE的輸入層加入隨機噪聲來增強模型的魯棒性。分別用函數表示添加噪聲、編碼器、解碼器和損失函數如下：

(3)

(4)

(5)

(6)

3 系統建模及訓練

3.1 系統建模

風電機組是由風輪、偏航、變槳、傳動鏈、發電機、機艙、塔架以及控制系統等共同構成的發電運行系統。若將整個風電機組建立成一個DAE深度網絡模型，則會存在輸入參數過多，且多個參數之間相關性不強的問題，這會導致模型的訓練樣本超大，訓練和預測速度降低，精度較低。因此本文依據風電機組的工作原理，將其劃分為風速功率子系統、機艙溫度子系統、變槳子系統、偏航子系統、齒輪箱子系統、發電機子系統等等，對每個子系統分別建模，并選取相應的輸入輸出參數。需要注意的是，不同廠家不同型號的機組，由于傳感器的布置存在一定的差異，其子系統的輸入輸出參數會根據傳感器的實際布置情況進行修正。以金風GW82/1500型機組為例，其發電機子系統的模型輸入輸出參數如表1所示，而華銳SL1500/77型機組的發電機子系統的模型輸入輸出參數如表2所示，可以看出其有較大的差異。

表1 金風GW82/1500機組發電機模型的輸入輸出參數

表2 華銳SL1500/77機組發電機模型的輸入輸出參數

3.2 系統模型訓練

下面以金風GW82/1500型機組發電機子系統的模型為例，根據3.1節所建立的各子模型分別進行訓練。該DAE模型設置3個隱含層，對每個隱含層的單元個數、學習率以及噪聲損壞程度進行網格搜索尋優，最終確定單元數分別是8和4，損壞程度為0.4，優化器為Adam，訓練損失函數為MSE。模型的W，b等參數在訓練開始時進行服從均勻分布的隨機初始化。模型建立完成后進行訓練。本文選取前一年的正常工況作為總樣本，將總樣本按季節進行劃分，從各個季節中隨機選擇80%的數據作為訓練樣本，其余20%數據作為測試樣本。圖3為模型訓練過程中訓練樣本與測試樣本損失函數變化趨勢，隨著訓練深度的增加，損失函數逐漸降低直至趨于穩定。

圖3 模型訓練損失函數變化過程

4 實例分析

根據前述研究結果，采用JAVA軟件開發系統界面，采用PYTHON建立風電機組各子系統的預警模型,并將所開發的預警軟件布置在某風電公司的A風電場、B風電場和C風電場上，2021年8月份運行1個多月的預警事件統計表明，正確預警為180條，錯誤預警為27條，運行1個月來的預警準確率為86.9%。下面以C風電場運達F28風電機組變槳系統為例，詳細說明其預警結果。

2021年8月31日 04:59:44 該風電機組槳葉2電機溫度殘差超限，發出預警，同一時刻的槳葉1號電機溫度、槳葉3號電機溫度未發出預警信息，預測界面如圖4至圖6所示。

圖4 槳葉1號電機溫度預測結果圖

圖5 槳葉2號電機溫度預測結果圖

圖6 槳葉3號電機溫度預測結果圖

從圖4至圖6可以看出，槳葉1號、3號電機溫度預測值與實際值之間均擬合得較好，殘差處于很低的水平。經分析實際值可知，此時槳葉2號電機溫度長時間在48 ℃上下波動，與1號、3號電機溫度實際值差距較大，懷疑溫度傳感器損壞。經維修人員現場檢查后，確定了該故障。

5 結 論

基于風電機組SCADA系統歷史運行數據，從空值、異常值、非正常狀態數據以及歸一化等4個方面提出了一整套數據預處理方法，對原始數據進行了清洗，剔除異常和故障數據，然后依據風力發電機的工作原理，將風電機組劃分為風速功率系統、機艙溫度系統、變槳系統、齒輪箱系統、發電機系統等子系統，進而采用DAE建立了風電機組正常參數預測模型，并對模型進行了驗證。結果表明，該方法能夠對風電機組異常狀態進行提前預警，準確率能夠滿足風電場實際需求。研究成果對于機組的安全運行和維護決策具有重要意義。