基于GA-SVR數據融合的風機噪聲預測述

，， ，，,2

(1.國網新疆電力有限公司經濟技術研究院，新疆 烏魯木齊 830000；2.能源與電力經濟技術實驗室(國網新疆電力有限公司經濟技術研究院)，新疆 烏魯木齊 830000)

0 引 言

風電產業隨新能源需求的日益增大，不斷蓬勃發展，風力發電技術也日趨完善。作為風機選擇及風電場選址重要指標參數的風電機組噪聲及其衍生問題，也逐漸被科研人員重視起來[1-3]。文獻[4]評價并指出了風電機組中發電機所發低頻噪聲對居民生活的相關影響。文獻[5]仿真驗證了風電機組所輻射的噪聲信號，其參數聲壓級中包含有機組運行狀態信息。文獻[6]以風電機組振動、噪聲信號長期檢測為研究基礎，發現并分析了機組振動、噪聲信號之間存在的相關性。由此表明，進行風電機組噪聲預測的研究具有極重要的現實意義。

目前，針對風電機組的噪聲信號研究，主要以風機氣動噪聲為出發點，對機組機械噪聲的探索研究十分少。以實驗室環境為基礎，分析研究永磁同步風電機組的振動、噪聲相關性，模擬機組空載、負載及加有風速逐漸變化的運行狀態，實時采集各運行狀態下風電機組發電機主軸縱橫兩個方位、齒輪箱的高速軸與低速軸縱橫兩個方位的振動信號數據和風電機組整機的噪聲信號數據[7]，并通過信息熵理論計算提取數據的特征量作為樣本數據，建立基于遺傳算法的支持向量回歸(genetic algorithm-based support vector regression，GA-SVR)的多源數據融合噪聲預測模型，為實現以振動噪聲相關性為基礎的振動、噪聲預測提供參考，并為開展機械噪聲的預測研究提供參考。

1 風電機組振動與噪聲

大型風電機組的噪聲特性參數一直以來被視為其質量評定的重要指標。同時，有學者研究指明風電機組所輻射產生的振動與噪聲信號間存在有一定的相互關聯性。事實上，機組運行時的噪聲數據根據國標要求有很大的采集難度，但其對風電機組的運行狀態研究又十分重要[8]。因此，開展對風電機組實時運行中噪聲信號的預測研究，具有極為重要的現實發展意義。

2 實驗模擬和數據采集

實驗研究數據通過振動檢測設備EMT690D和噪聲檢測設備SVAN958A，對標準干凈的實驗室環境下的20 kW永磁同步風電機組(不含葉片)進行實驗模擬，該機組的具體參數如表1所示。采集分為數據的信號檢測和后臺處理兩個部分。信號檢測通過振動傳感器與聲級計完成，采集到的實時數據需經濾波，再轉成數字信號顯示、儲存于后臺運行計算機，采集過程如圖1所示。

表1 永磁同步風力發電機組參數

測振點分別設置于機組中發電機主軸端縱橫兩個方位、齒輪箱高速軸和低速軸的縱橫兩個方位。以振動傳感器為基準，在其同側設置與機組軸承等高的聲壓級傳感器，保持聲壓級傳感器與機組水平測距為1.5 m。數據采集中設置振動、噪聲采樣頻率一致，均為200 Hz，選取振動加速度和聲壓級作為本次測量的主要參數。

圖1 振動與噪聲的信號采集

在實驗室環境下，分別模擬了風電機組的空載運行、空載運行時變速和勻速增加調節風速、負載6 kW運行、負載6 kW運行時變速和勻速增加調節風速，并同步采集在不同實驗中對應的振動、噪聲數據。

3 噪聲預測模型的建立

3.1 信息熵

(1)

研究分析表明，以奇異譜熵、功率譜熵、小波能譜熵和小波空間譜熵4種信息熵為基礎，對振動、噪聲信號進行特征量的提取，可以較完整地保留信號各特征信息[9]。

(2)

(3)

小波能譜熵和小波空間譜熵則能夠實現數據基于時頻域的特征提取。假設能量函數f(t)滿足小波變換后的能量守恒定律，則：

(4)

(5)

(6)

3.2 多源數據融合

多源數據融合技術在處理多層次、多方面等過程上有著極廣泛的應用。該技術能實現全面的對多傳感器采集的多數據進行檢測、相關、組合和估計等處理，提升了其在狀態、身份識別應用中的精準度，并且該技術還能完成對極為復雜的多變化態勢的實時評測。該技術在實際應用中，通過多個傳感單元實現多源證據信息的獲取，然后全面地對這些證據信息進行融合，從而有效實現了比單一傳感更精準、更穩當、更有效的解析和判別[10]。

多源數據特征級融合，是在傳感單元處便開始進行數據的特征提取，然后對提取的特征量進行解析實現最終的融合，如圖2所示。

圖2 特征級融合

3.3 GA-SVR算法

一般的支持向量機回歸(support vector regression，SVR)，因其核函數可以完成矩陣運行及相應的乘積運算等，在進行二次規劃問題研究中相較其他一般算法效率和功能有所提升[11]。

基于遺傳算法(genetic algorithm，GA)的SVR預測，以GA完成優化。該算法能夠自適地實現隨機搜尋，并在全局較大概率地得到最優解，確定得到較優的懲罰因子c與核函數半徑g等。同時，基于遺傳算法的支持向量機回歸(GA-SVR)結合了ε-不靈敏損失函數，提高了算法在應用中的魯棒性和泛化性[12]。GA-SVR的預測流程如圖3所示。

圖3 GA-SVR的預測流程

3.4 多源數據特征級融合與GA-SVR相結合

通過信息熵理論計算提取振動、噪聲數據的特征量，特征量中保留有信息特征，并以此為樣本數據在GA-SVR中完成多源數據特征級融合，建立預測模型實現風電機組振動、噪聲預測，其流程如圖4所示。

圖4 多源數據融合結合改進的GA-SVR

4 仿真結果和分析

4.1 數據樣本

實驗中選擇用Matlab編寫、實現模擬仿真，并以同步測得的實際振動、噪聲數據樣本為依據，隨機選取樣本數據100個，用式(2)、式(3)、式(5)、式(6)分別計算出樣本數據點的奇異譜熵值、功率譜熵值、小波能譜熵和小波空間譜熵值，如表2所示。將這些特征數值作為輸入樣本進行模型的構建和完善訓練。首先，隨機選取數據樣本庫中的70個樣本點為基礎訓練數據，對模型進行完善訓練，再以完善的訓練模型預測隨機選取的30個樣本點對應的聲壓級，最后進行預測結果與實際樣本值的比較，計算出相對誤差及平均相對誤差。相對誤差的大小用于直觀反映預測結果的可信度，平均相對誤差的大小用于間接驗證預測結果是否為可接受。

4.2 結果分析

首先，實驗模擬風電機組空載運行的狀態，以振動數據參數預測噪聲數據參數，將預測結果的值與實測樣本值進行比較，如圖5所示，并計算得出相對誤差百分比，如圖6所示，相對誤差的平均值如表3所示。

圖5 空載運行時的預測結果

圖6 空載運行時的相對誤差

圖5表明幅值存在小幅度誤差，波動趨勢基本一致。同時，圖6中的相對誤差均不高于2%，且以小于1.5%為主，表明預測精度較高；平均相對誤差僅為1.221 1%，直觀地表現出可以接受的預測結果。

表2 特征量熵值的部分計算結果

實驗模擬空載運行時變速和勻速增加調節風速的運行狀態，將預測結果的值與實測樣本值進行比較，如圖7所示，并計算得出相對誤差百分比，如圖8所示，相對誤差的平均值如表3所示。

圖7表明幅值也存在小幅度誤差，但波動趨勢基本一致。圖8中的相對誤差均不高于3%，且以小于1.8%為主，表明預測精度較高；平均相對誤差僅為1.232 2%，直觀地表現出可以接受的預測結果。

圖7 空載運行時風速增大的預測結果

圖8 空載運行時風速增大的相對誤差

實驗模擬負載6 kW運行的狀態，將預測結果的值與實測樣本值進行比較，如圖9所示，并計算得出相對誤差百分比，如圖10所示，相對誤差的平均值如表3所示。

表3 相對誤差的平均值

圖9表明幅值存在小幅度誤差，波動趨勢基本一致。圖10中的相對誤差均不高于1.6%，且以小于1.5%為主，表明預測精度較高；平均相對誤差僅為1.233 0%，直觀地表現出可以接受的預測結果。

圖9 負載6 kW運行時的預測

圖10 負載6 kW運行時的相對誤差

實驗模擬負載6 kW運行時變速和勻速增加調節風速的運行狀態，將預測結果的值與實測樣本值進行比較，如圖11所示，并計算得出相對誤差百分比，如圖12所示，相對誤差的平均值如表3所示。

圖11 負載6 kW運行時風速增大的預測

圖11表明幅值存在小幅度誤差，波動趨勢基本一致。圖12中的相對誤差均不高于2.5%，且以小于1.5%為主，表明預測精度較高；平均相對誤差僅為1.112 1%，表明預測結果可以接受。

圖12 負載6 kW運行時風速增大的相對誤差

5 結 語

通過分析研究大型永磁同步風力發電機組振動信號與噪聲信號的現實特征，和它們之間的相互關聯與影響特性，提出了運用信息熵的優秀特征提取特性，完成振動數據參數對噪聲數據參數的有效預測思路。在標準干凈的實驗室環境下模擬了機組運行時可能出現的不同運行狀態，并對風電機組中發電機的主軸徑向與軸向、齒輪箱高速軸和低速軸徑向與軸向的振動數據、整機噪聲進行了實時采集，并以信息熵理論為基礎對采集到的樣本數據進行了特征量的提取。最后，應用基于多源數據特征級融合的GA-SVR噪聲預測方法，對所提出的預測思想進行了驗證。

實驗結果表明，基于多源數據特征級融合的GA-SVR噪聲預測，預測值與實際值之間尚有一定誤差，分析推測可能是受電磁振動、噪聲的影響，但獲取的預測結果能滿足較高的精度要求，并準確地在預測結果中得到了與實際情況一致的噪聲波動趨勢，這將為風電機組運行預測和早期故障診斷提供有效的參考和依據。