基于相鄰風機相關性模型的風速計監測方法

吳立增

(中國華電集團公司，北京　100031)

?

基于相鄰風機相關性模型的風速計監測方法

吳立增

(中國華電集團公司，北京100031)

摘要:風電機組風速計出現故障的概率較高，對其進行實時監測并及時發現其故障有重要意義。由于相鄰多臺風電機組的運行工況和風速計測量值的相關性很強，提出了基于相鄰風機相關性模型的風速計監測方法。采用粒子群神經網絡算法對相鄰的多臺風電機組風速計正常測量數據進行處理，建立相關性模型，將風速計實時測量風速作為模型的輸入，當某臺機組的風速計出現測量異常時，其與其他相鄰機組風速計之間原有的相關性被破壞，相關性模型對該機組風速的預測殘差將會顯著增大，預示該風速計出現故障，據此能夠實現風電機組風速計狀態的實時監測。某風電場的實際運行數據驗證了該方法的有效性。

關鍵詞:風電機組;風速計;相關性模型;狀態監測;粒子群優化(PSO)算法;反向傳播(BP)神經網絡;殘差

0　引言

風速計是風電機組傳感器系統的重要組成部分，可實時采集風速信息提供給風電機組控制系統，保證機組安全、高效運行，實時監測風電機組風速計的運行狀態并及時發現其故障具有重要的實用意義。由于風速隨機變化，采用查看風速計測量值是否在其上、下限閾值之間的方法來判斷其工作是否正常存在一定問題。如果風速計工作異常，但其測量值在上、下閾值之間，則上述閾值判定方法無法發現此類異常。

在風電機組傳感器監測領域，為檢測風電機組葉片根部載荷傳感器的故障，文獻［1］建立了葉片動態特性模型并設計了卡爾曼濾波器，通過分析濾波器預測值與傳感器實測值之間的殘差來診斷傳感器故障。文獻［2］建立了風電機組雙饋發電機的定、轉子電流和定子電壓的觀測器模型并設計了擾動過濾單元，通過觀測器與傳感器輸出比較的殘差來監測傳感器狀態。由于風電機組運行工況時變，將會直接影響觀測器或卡爾曼濾波器［3－4］的精度，進而降低傳感器故障診斷的準確性;同時，由于風速受自然環境影響，不可控且與風電機組其他運行變量無關，采用建立觀測器模型進行風速計監測的方法并不可行。本文提出基于粒子群優化(PSO)算法的反向傳播(BP)神經網絡風速計監測方法，將多臺風資源相似的相鄰風電機組風速計的輸出值自動進行橫向比對分析，以監測風速計的工作狀態。通過分析多臺風電機組的實際風速測量數據，驗證該方法的有效性。

1　基于相關模型分析的風電機組風速計監測原理

風電機組感受到的風速隨機變化，當風速計輸出超出正常工作上、下閾值時，可以直接判斷風速計工作異常，但當其輸出在上、下閾值之間時，僅分析風速計的輸出無法判別其工作是否正常。風速計測量異常隱藏在隨機變化的數據中，很難區分哪些數據是正常測量數據，哪些測量數據出現異常。

風電場一般有多臺相同型號的機組，分布在風場不同的位置，如平坦地帶、山脊、山頂等，這些機組的傳感器、控制系統及運行方式一般也是相同的。地理位置相似且相近的多臺機組，其風資源具有很強的相關性(風資源包括風速、風向、湍流等因素)，機組風速計的測量輸出也具有很大的相似性，但同時也存在一定的差異。

如果多臺相鄰風機運行正常、穩定，它們的風資源和運行狀態的相關關系也是持續、穩定存在的，因此，在多臺相鄰機組相同型號風速計之間進行橫向比較，其輸出是相似的。如前所述，僅孤立分析單臺風電機組風速計的輸出，很難發現測量異常，但如果將其放到多臺相鄰風電機組多個風速計相關關系的參照系中，當相鄰機組中的某臺機組風速計出現測量異常時，其與其他風速計輸出之間的相關關系會被破壞，從而發現某臺機組風速計的測量異常。

相鄰機組風速計輸出之間的相關關系可以用相關性模型來反映，該模型的建模數據為多臺相鄰機組風速計正常工作時的測量數據。該模型的輸入為相鄰機組風速計的實際測量值，輸出為各機組風速計的輸出預測值。模型建立完畢后，相鄰機組正常工作時風速計之間的關系蘊含在相關性模型中。開始監測后，模型對相鄰機組風速計的輸出進行預測，如果風速計工作正常，相關性模型對其輸出的預測值與該風速計的實測值相近，兩者之間的殘差很小;相反，當某個機組的風速計出現異常時，其測量值與其他相鄰機組風速計輸出之間原有的相關關系發生改變，即與相關性模型記憶的相似關系發生明顯改變，該模型對測量異常風速計的預測輸出將會顯著偏離實測值，預測殘差增大，預示該機組風速計測量出現異常。本文選取基于PSO算法的神經網絡作為相鄰機組風速計相關性模型的建模方法，以內蒙古某風電場風速計監測為實例，開展風電機組風速計監測研究。

2　PSO神經網絡算法

PSO神經網絡算法是基于群智能的一種全局優化技術，它通過粒子間的相互作用，對解空間進行智能搜索，從而找到最優解。PSO神經網絡算法的基本思想是通過群體中個體之間的協作和信息共享來尋找最優解。采用傳統的反向傳播權值修正算法的BP神經網絡存在訓練速度慢、易陷入局部極小點的缺陷，采用粒子群優化算法來替代反向傳播算法進行BP神經網絡的訓練，能有效克服以上缺點，這種神經網絡稱為PSO－BP神經網絡［5－7］。

PSO－BP網絡通常采用3層前向結構，即輸入層、隱層和輸出層。網絡各層的權值和閾值共同構成一個權值向量，記為Wi(i = 1，2，…，n)，并將其作為粒子群算法解空間的一個解，即一個粒子。PSO－BP神經網絡通過粒子群進化方法找到其解空間的一個最佳權值向量，達到最佳的訓練和泛化結果。進化過程如下所述［8］。

對BP網絡進行n次隨機初始化，得到n個權值向量W1，W2，…，Wn，將其作為粒子群的初始n個粒子。每個粒子的優劣程度可以用其適應度函數表示。在PSO－BP神經網絡中，每個粒子的適應度函數定義如下:將粒子即權值向量Wi作用于前向BP網絡，對n個網絡訓練樣本進行前向運算，得到n個網絡輸出。在該粒子作為網絡權值時，n個訓練樣本的訓練誤差為

式中: tp，dp分別為第p個樣本的目標值和網絡輸出。

該粒子對應的適應度函數為該粒子的適應度越大，網絡訓練的結果越好。

當粒子群的初始n個粒子給出后，解空間的每個粒子會根據自己的進化經驗和同伴的進化經驗來不斷調整自己的當前值。每個粒子在進化中適應度最大的值，就是該粒子本身找到的最優解，稱為個體極值，記作Wpbest(i)，即第i個粒子的極值。整個群體目前的最優解稱為全局極值，記為Wgbest。每個粒子通過上述兩個極值不斷進化更新自己，從而產生新一代群體。

對于第i個粒子，其一次更新的增量和更新后的值分別為

式中: c1，c2為學習因子，通常c1= c2= 2; rand()為［0 1］上的隨機數; k為慣性系數。

式(3)等式右邊的第1項與粒子上一次修正的增量有關，可以起到平衡全局搜索和局部搜索的作用; 第2項是粒子向自身最優值學習的部分，稱為自學習部分，其能夠保持粒子有較強的全局搜索能力，避免陷入局部極小點;第3項為粒子向全局最優值學習的部分，稱為互學習的部分，其能夠加快搜索速度。

3　模型的構建與驗證

某風電場共32臺1.5 MW雙饋風電機組，所有機組型號相同，風電場地勢平坦。由于該地區風沙大、晝夜溫差大、冬季溫度低，位于機艙外部的風杯式風速計容易出現故障。風速計測量的風速是風電機組啟停、傳動鏈安全保護、性能分析的重要信號，需要對其運行狀態進行實時監測。該風電場每5臺機組采用一條輸電線路，同一輸電線路上的5臺機組地理位置相近。編號E16，E17，E18，E19，E20的5臺風機由于地理位置相近、地形相似，將其劃分為相鄰機組。分析采用數據采集與監視控制(SCADA)系統記錄的10 min采樣數據。5臺機組的風速計型號相同，測量的風速分別記為v1，v2，v3，v4，v5。圖1為2014年5月1日全天5臺相鄰機組的風速計測量輸出。

由圖1可以看出，5臺相鄰機組的風速大小及變化趨勢都有很大的相似性。

本文采用PSO－BP神經網絡算法來建立相鄰風速計模型，反映5個風速計測量輸出之間的相關關系。相鄰機組風速計模型的輸入為5個風速計的實際測量值，該模型的輸出為風速計輸出的預測值。

該5臺風電機組風速計2014年4月至5月運行正常，選取該事件段的2000條風速測量值作為建模驗證數據，其中1500條記錄作為訓練集，構建E16～E20風機風速計相關性模型。經反復測試，設置3層網絡結構: 1個包含5個神經元節點的輸入層，代表5臺風機的風速; 1個包含40個神經元節點的隱含層; 1個包含5個神經元節點的輸出層，對應5臺機組風速計輸出預測值。運用PSO－BP神經網絡算法直到收斂，使之達到較高精度，達到對神經網絡良好的訓練效果。

圖1　5臺風機風速比較

以風速計相關性模型對E16機組的預測輸出為例，對該模型進行驗證，選取4月另500條記錄作為驗證集。由圖2可以看出，E16機組風速計實測風速與模型預測輸出之間的預測殘差均在5％以下。驗證結果表明，基于PSO－BP神經網絡算法的相鄰風速計相關性模型具有很高的建模精度。

圖2　E16風速計正常時相關性模型驗證結果(風速已歸一化)

4　相鄰風機相關性模型異常監測

通過查看5臺機組風速計記錄的風速測量數據，E16風速計在2014年6月2日至8月12日期間出現故障，如圖3所示。在此期間，E16風速計記錄的風速均在3 m/s以上，與其他機組相比，測量明顯異常。

圖3　E16和E17風速對比

現取E16風速計6月2日故障開始時刻前、后共150個測量數據作為已建立的風速計相關性模型的輸入。圖4為該時段5臺相鄰機組風速的對比。E16風速計故障在第101點發生，該點以后的風速明顯高于其他4臺機組。圖5為采用相鄰風速計相關性模型對E16風速計的監測結果。

圖4　E16風速計故障前、后與其他風速計對比

由圖4和圖5可見，在故障點之前，E16風速計工作正常，相鄰風速計相關性模型對其風速預測具有很高精度;而在第101點故障開始后，由于E16風速計記錄的風速明顯偏離其他相鄰機組風速計，該模型對E16的預測精度顯著降低，殘差顯著增大且持續存在。通過對殘差設定合理的閾值［9－10］，本文所述方法能夠自動及時地發現風速計的異常。

圖5　E16風速計故障監測結果(風速已歸一化)

5　結論

由于風速隨機變化，給風速計監測和故障診斷造成很大困難。根據風電機組的運行原理，風資源相似的多臺相同型號機組運行狀態和測量參數也相似。為實時監測風電機組風速計狀態，本文將多臺相鄰機組的風速計測量值進行橫向對比分析，采用PSO神經網絡建立了反映其相似關系的相鄰風速計相關性模型。當某臺機組風速計出現測量異常時，其與其他相鄰機組風速計之間的相似關系被破壞，相鄰風速計相關性模型對其輸出的預測殘差增大，表明該風速計測量出現異常。本文以風電場的實際運行數據驗證了其有效性，該方法也可推廣到風電機組其他傳感器和運行參數的監測中。

參考文獻:

［1］WEI X K，VERHAEGEN M，ENGELEN T.Sensor fault detection and isolation for wind turbines based on subspace identification and Kalman filter techniques［J］.International journal of adaptive control and signal processing，2010(24) : 687－707.

［2］李輝，趙猛，趙斌，等.雙饋風電機組關鍵傳感器的故障診斷方法［J］.中國電機工程學報，2011，31(6) : 73－78.

［3］RAJU S，MANIMOZHI M.Simulation of sensor fault diagnosis for wind turbine generators DFIG and PMSM using Kalman filter［J］.Energy procedia，2014(54) : 494－505.

［4］周永杰，王雨萌，張江濱.基于卡爾曼濾波器的控制系統傳感器故障診斷［J］.電網與清潔能源，2011，27(7) : 50－53.

［5］行鴻彥，皺水平，徐偉，等.基于PSO－BP神經網絡的濕度傳感器溫度補償［J］.傳感技術學報，2015，28(6) : 864－869.

［6］李強，周軻新.基于PSO－BP算法的壓力傳感器溫度補償研究［J］.電子學報，2015，43(2) : 412－416.

［7］劉希玉，劉弘.人工神經網絡與微粒群優化［M］.北京:北京郵電大學出版社，2008: 284－286.

［8］郭鵬，李淋淋，馬登昌.基于IPSO－BP的風電機組齒輪箱狀態監測研究［J］.太陽能學報，2012，33(3) : 439－445.

［9］GUO P，INFIELD D，YANG X Y.Wind turbine generator condition monitoring using temperature trend analysis［J］.IEEE transactions on sustainable energy，2012，3(1) : 124－133.

［10］WANG Y，INFIELD D G.SCADA data based nonlinear state estimation technique for wind turbine gearbox condition monitoring［C］//Proceedings of European Wind Energy Association Conference.Copenhagen: European Wind Energy Association，2012.

(本文責編:劉芳)

吳立增(1971—)，男，河北遷安人，高級工程師，從事發電生產管理方面的工作(E-mail: lizeng－wu@ chd.com.cn)。

作者簡介:

收稿日期:2015－11－12;修回日期:2015－12－12

中圖分類號:TM 614

文獻標志碼:A

文章編號:1674－1951(2016)01－0072－04