智能風(fēng)電預(yù)警平臺(tái)的設(shè)計(jì)與實(shí)現(xiàn)研究

徐剛

（遠(yuǎn)景能源有限公司，上海 200051）

風(fēng)電是現(xiàn)階段技術(shù)成熟度較高的一種清潔能源，在風(fēng)電技術(shù)推廣過(guò)程中，如何解決風(fēng)電系統(tǒng)的運(yùn)行維護(hù)難題，是目前行業(yè)研究的重點(diǎn)。以人工為主的維護(hù)和檢修不僅費(fèi)時(shí)費(fèi)力，而且很難及時(shí)發(fā)現(xiàn)潛在故障，錯(cuò)過(guò)了最佳維修時(shí)機(jī)，影響了風(fēng)力發(fā)電的持續(xù)性，不利于電力能源的持續(xù)供給。為此，依托人工智能、大數(shù)據(jù)等技術(shù)搭建可以實(shí)現(xiàn)工況自動(dòng)巡檢、故障實(shí)時(shí)預(yù)警的智能風(fēng)電預(yù)警平臺(tái)，就顯得尤為必要。

1 智能風(fēng)電預(yù)警平臺(tái)的設(shè)計(jì)

1.1 平臺(tái)的結(jié)構(gòu)組成

該預(yù)警平臺(tái)從組織架構(gòu)上來(lái)看，共分為3 部分，即表示層、業(yè)務(wù)邏輯層和數(shù)據(jù)訪問(wèn)層。各部分的設(shè)計(jì)功能如下：（1）表示層。利用人機(jī)交互界面展示智能風(fēng)電預(yù)警平臺(tái)的前端頁(yè)面，并且支持管理員進(jìn)行操作和下達(dá)指令。數(shù)據(jù)調(diào)度則采用有線(xiàn)連接的方式，利用通信串口連接數(shù)據(jù)庫(kù)，根據(jù)管理員需要從數(shù)據(jù)庫(kù)中調(diào)用相關(guān)數(shù)據(jù)，方便管理員隨時(shí)掌握風(fēng)機(jī)系統(tǒng)各個(gè)部位的運(yùn)行狀況。（2）業(yè)務(wù)邏輯層。作為中間的數(shù)據(jù)轉(zhuǎn)換層，一方面會(huì)接收表示層下達(dá)的指令，實(shí)現(xiàn)對(duì)應(yīng)的功能。例如管理員通過(guò)人機(jī)交互界面下達(dá)歷史查詢(xún)指令，則業(yè)務(wù)邏輯層會(huì)調(diào)用特定時(shí)間段內(nèi)的所有數(shù)據(jù)，方便管理員查看。除了歷史查詢(xún)外，像實(shí)時(shí)預(yù)警、數(shù)據(jù)展示等，也都是本層可以實(shí)現(xiàn)的功能。另一方面業(yè)務(wù)邏輯層也會(huì)向下層傳遞信息，或發(fā)送數(shù)據(jù)請(qǐng)求。（3）數(shù)據(jù)訪問(wèn)層。有數(shù)據(jù)存儲(chǔ)和調(diào)用兩項(xiàng)功能。除了存儲(chǔ)風(fēng)機(jī)系統(tǒng)運(yùn)行產(chǎn)生的海量數(shù)據(jù)外，還會(huì)通過(guò)數(shù)據(jù)接口，向業(yè)務(wù)邏輯層提供需要的數(shù)據(jù)。整個(gè)結(jié)構(gòu)如圖1 所示。

圖1 智能風(fēng)機(jī)預(yù)警平臺(tái)的組織架構(gòu)

1.2 平臺(tái)各功能模塊的設(shè)計(jì)

1.2.1 數(shù)據(jù)調(diào)度模塊

該模塊可支持實(shí)現(xiàn)的功能有Web 數(shù)據(jù)讀取、故障實(shí)時(shí)預(yù)測(cè)、數(shù)據(jù)庫(kù)更新。具體來(lái)說(shuō)，Web 數(shù)據(jù)通過(guò)專(zhuān)門(mén)的數(shù)據(jù)接口實(shí)現(xiàn)傳遞，采用用線(xiàn)連接的方式，接口的一端連接風(fēng)場(chǎng)，用于采集風(fēng)電系統(tǒng)的運(yùn)行參數(shù)；接口的另一端連接數(shù)據(jù)庫(kù)，將采集到的數(shù)據(jù)分類(lèi)存儲(chǔ)到數(shù)據(jù)庫(kù)內(nèi)。利用編寫(xiě)好的數(shù)據(jù)調(diào)度程序，啟用預(yù)警模型，以接受的海量參數(shù)作為分析素材，依托大數(shù)據(jù)、云計(jì)算技術(shù)，采用匹配算法，將風(fēng)電系統(tǒng)運(yùn)行參數(shù)與數(shù)據(jù)庫(kù)內(nèi)存儲(chǔ)的標(biāo)準(zhǔn)工況進(jìn)行對(duì)比。若兩者匹配不成功，則說(shuō)明有異常運(yùn)行情況，即可進(jìn)行故障預(yù)測(cè)和預(yù)警。

1.2.2 預(yù)警信息管理模塊

該模塊管理的預(yù)警信息，包括實(shí)時(shí)預(yù)警信息和歷史預(yù)警信息兩類(lèi)。除此之外，還支持預(yù)警模型的閾值調(diào)節(jié)、預(yù)警偏差值與預(yù)警狀態(tài)設(shè)置等功能。在常規(guī)狀態(tài)下，Web 頁(yè)面顯示實(shí)時(shí)預(yù)警信息，并且根據(jù)系統(tǒng)默認(rèn)或管理員預(yù)設(shè)的頻率，每隔一段時(shí)間刷新一次顯示信息。管理員想要了解以往的預(yù)警信息，可通過(guò)歷史預(yù)警信息中調(diào)取，還能夠通過(guò)歷史曲線(xiàn)圖，掌握近段時(shí)間預(yù)警變化趨勢(shì)。系統(tǒng)默認(rèn)的信息保留時(shí)限為24 小時(shí)，超過(guò)24 小時(shí)的即為歷史信息，不再Web 頁(yè)面上顯示。

1.2.3 預(yù)警模塊

該模塊提供了預(yù)警規(guī)則設(shè)置、預(yù)警模型訓(xùn)練和預(yù)警信息計(jì)算3 種功能。管理員可根據(jù)該平臺(tái)的功能設(shè)計(jì)和運(yùn)行需要，設(shè)置預(yù)警規(guī)則。例如預(yù)警的閾值、預(yù)警的周期等。在構(gòu)建預(yù)警模型之后，基于人工智能的深度學(xué)習(xí)技術(shù)，對(duì)預(yù)警模型進(jìn)行大量的、反復(fù)的訓(xùn)練，訓(xùn)練次數(shù)越多，則對(duì)故障識(shí)別的準(zhǔn)確率越高，預(yù)警信息也會(huì)更加準(zhǔn)確。管理員也可通過(guò)預(yù)警規(guī)則設(shè)置的方式，確定模型訓(xùn)練的起始時(shí)間，以便于實(shí)現(xiàn)自動(dòng)化訓(xùn)練。預(yù)警信息計(jì)算則是借助了大數(shù)據(jù)、云計(jì)算等技術(shù)，實(shí)現(xiàn)了對(duì)海量數(shù)據(jù)的快速處理，以便于滿(mǎn)足即時(shí)預(yù)警的需求。

1.2.4 數(shù)據(jù)庫(kù)模塊

為了兼顧存儲(chǔ)容量和隱私安全，選擇Oracle 關(guān)系型數(shù)據(jù)庫(kù)。在數(shù)據(jù)庫(kù)內(nèi)，管理員可劃分處Region 表、Province 表、Wind-Plants 等多種形式的表格，分別存儲(chǔ)不同的數(shù)據(jù)，如表1、表2 所示。

表1 Region 表

表2 Province 表

2 智能風(fēng)電預(yù)警平臺(tái)的功能實(shí)現(xiàn)

2.1 構(gòu)建基于LSTM 的風(fēng)機(jī)故障預(yù)警模型

為驗(yàn)證該平臺(tái)對(duì)風(fēng)機(jī)故障的監(jiān)測(cè)和預(yù)警效果，設(shè)計(jì)了基于LSTM 的風(fēng)機(jī)故障預(yù)警模型，以繞組溫度作為監(jiān)測(cè)對(duì)象，將風(fēng)機(jī)運(yùn)行期間繞組實(shí)時(shí)溫度作為輸入變量，記為y。在模型運(yùn)行時(shí)，輸入層輸入（input_size）的y 為2，代表每個(gè)時(shí)間節(jié)點(diǎn)下輸入的都是二維向量。時(shí)間切片（timestep_size）為2，代表每次預(yù)測(cè)前，都需要先輸入2 行。要預(yù)測(cè)第n 個(gè)值，就需要把n 前的2 個(gè)值輸入。選擇sigmoid 和tanh 作為激活參數(shù)。其中sigmoid 的函數(shù)定義為：

2.2 模型訓(xùn)練

完成函數(shù)定義和模型構(gòu)建后，還要基于深度學(xué)習(xí)技術(shù)對(duì)模型進(jìn)行必要的訓(xùn)練，以保證預(yù)警的準(zhǔn)確性和及時(shí)性。訓(xùn)練所用數(shù)據(jù)通常由風(fēng)力發(fā)電廠日常運(yùn)行產(chǎn)生的基礎(chǔ)數(shù)據(jù)作為來(lái)源。在條件允許的情況下，訓(xùn)練次數(shù)越多越好，對(duì)提高模型預(yù)測(cè)結(jié)果的準(zhǔn)確率有一定幫助。經(jīng)過(guò)一段時(shí)間的訓(xùn)練后，采用回歸類(lèi)損失函數(shù)進(jìn)行預(yù)警效果檢查。損失函數(shù)越小，則說(shuō)明預(yù)警效果越理想?；诰€(xiàn)性回歸預(yù)測(cè)的損失函數(shù)如下：

2.3 仿真實(shí)驗(yàn)

仿真實(shí)驗(yàn)主要以風(fēng)機(jī)繞組溫度作為故障識(shí)別和預(yù)警對(duì)象。結(jié)合風(fēng)機(jī)運(yùn)行特點(diǎn)，影響繞組溫度的因素主要有兩個(gè)，即繞組電流和冷卻風(fēng)溫度。因此，在仿真實(shí)驗(yàn)中分別在繞組處和冷卻風(fēng)機(jī)處，安裝了數(shù)據(jù)采集裝置。采用24h 不間斷收集數(shù)據(jù)的方式，每10s 采集一次數(shù)據(jù)，將所得數(shù)據(jù)通過(guò)內(nèi)置的無(wú)線(xiàn)傳輸模塊，反饋至智能風(fēng)機(jī)預(yù)警平臺(tái)上。然后以前端傳輸?shù)暮Ａ繑?shù)據(jù)作為參考，依托建立起來(lái)的預(yù)警模型對(duì)數(shù)據(jù)進(jìn)行處理，最終得到預(yù)測(cè)值。將預(yù)測(cè)值與目標(biāo)值進(jìn)行對(duì)照，根據(jù)兩者的匹配度得出正確率。正確率越高，則預(yù)測(cè)結(jié)果的準(zhǔn)確度越理想。

2.4 結(jié)果分析

基于仿真模型的風(fēng)機(jī)預(yù)警結(jié)果如圖2 所示。圖中藍(lán)色曲線(xiàn)代表目標(biāo)值，紅色曲線(xiàn)代表預(yù)測(cè)值。X 軸表示訓(xùn)練次數(shù)，y 軸表示參數(shù)的數(shù)值。

圖2 仿真實(shí)驗(yàn)中風(fēng)機(jī)繞組溫度預(yù)警結(jié)果

結(jié)合圖2 可以發(fā)現(xiàn)，在訓(xùn)練次數(shù)不足250 次的情況下，藍(lán)色和紅色曲線(xiàn)的重合度較差。說(shuō)明模型訓(xùn)練不足導(dǎo)致預(yù)測(cè)結(jié)果的失真性比較嚴(yán)重。而隨著訓(xùn)練次數(shù)增加，兩條曲線(xiàn)的擬合度也變得越來(lái)越好，說(shuō)明該模型對(duì)于風(fēng)機(jī)繞組異常溫度引起的故障預(yù)測(cè)結(jié)果變得越來(lái)越準(zhǔn)確。

結(jié)束語(yǔ)

在風(fēng)電事業(yè)成熟發(fā)展背景下，構(gòu)建智能風(fēng)機(jī)預(yù)警平臺(tái)將有助于實(shí)現(xiàn)對(duì)風(fēng)機(jī)系統(tǒng)運(yùn)行工況的實(shí)時(shí)采集、動(dòng)態(tài)監(jiān)督和智能預(yù)警。這就使得一些潛在的故障，能夠被第一時(shí)間發(fā)現(xiàn)并進(jìn)行準(zhǔn)確預(yù)警，以便于管理人員第一時(shí)間發(fā)現(xiàn)問(wèn)題所在，進(jìn)而采取相應(yīng)的處理措施，保障了風(fēng)機(jī)系統(tǒng)的穩(wěn)定運(yùn)行。本文提出的一種智能風(fēng)電預(yù)警平臺(tái)，主要包含了數(shù)據(jù)調(diào)度模塊、預(yù)警信息管理模塊、數(shù)據(jù)庫(kù)模塊等，通過(guò)仿真實(shí)驗(yàn)可以發(fā)現(xiàn)，隨著模型訓(xùn)練次數(shù)的增加，對(duì)于風(fēng)機(jī)異常工況的識(shí)別準(zhǔn)確率明顯提升，為管理人員加強(qiáng)風(fēng)機(jī)的維護(hù)、管理提供了極大的幫助。