基于ISOA?KELM的風機葉片腐蝕速率預測

孫棟欽，湯占軍，李英娜，陸鵬

腐蝕與防護

基于ISOA?KELM的風機葉片腐蝕速率預測

孫棟欽1，湯占軍1，李英娜1，陸鵬2

（1.昆明理工大學 信息工程與自動化學院，昆明 650000；2.云南龍源風力發電有限公司，云南 曲靖 655000）

針對風機運行安全問題，建立風機葉片表面腐蝕速率預測模型，實現對風機葉片安全的預警。對風機葉片腐蝕的原理進行分析，探討復合材料的腐蝕機理，根據現場實測的數據對葉片表面腐蝕速率進行預測。針對海鷗算法（SOA）易陷入局部最優的問題提出了相應的改進方案，采用logistics混沌映射取代了隨機選取海鷗初始位置的方式，提高海鷗初始位置的質量；在海鷗位置更新方式中引入了Levy飛行策略，使得海鷗算法有更強的全局搜索能力；采用Metropolis準則，使處于較差位置的海鷗個體也有一定概率被接受，以提高種群多樣性。將改進的海鷗算法用于對核極限學習機（KELM）參數的尋優，建立ISOA?KELM風機葉片表面腐蝕速率預測模型。對該模型進行實驗，并與SOA?KELM、PSO?KELM、GA?KELM進行預測誤差對比。使用ISOA優化KELM提升了KELM的預測精度，獲得的平均絕對誤差（MAE）為0.457、均方誤差（MSE）為0.280、確定系數（R?square）為0.959，均優于SOA?KELM、PSO?KELM、GA?KELM對比模型。用ISOA?KLEM模型建立的風機葉片表面腐蝕速率模型具有更高的預測精度，基于相關環境數據預測的腐蝕速率對風電場的維修計劃具有良好的指導作用。

海鷗優化算法；核極限學習機；風機葉片；表面腐蝕；腐蝕速率預測

2020年我國風電并網裝機容量達到了7.167× 107kW，年發電量達到4.665×1011kWh，并且新增裝機連續多年全球第一。風機葉片作為風力發電機造價最高也是極容易損壞的部件，由于維修不及時導致需要更換葉片的花費早已超過了其他部件維護所需的費用，因此其檢測與防護尤為重要。風機葉片由復合材料制成，其中的增強材料一般是玻璃纖維和碳纖維，具有良好的防腐蝕性能[1]。但在風機運行過程中風沙和鳥類撞擊會造成小的擦痕，在環境作用下擦痕轉變為腐蝕，腐蝕會進一步擴大，導致葉片力學性能下降，最終葉片折斷。由于維修葉片需要停機，同時擦痕幾乎不對風機葉片運行產生影響，小面積腐蝕也不需要立即修復，為了不打亂發電計劃，因此風電場人員在記錄損傷位置后，根據腐蝕情況制定維修計劃集中修復。在等待維修這段時間，需要持續關注腐蝕情況。風電機分布范圍大，風電場地理環境復雜，依靠人力對多個風機持續檢測十分困難，因此根據影響葉片腐蝕的因素，對各個腐蝕點進行腐蝕速率預測有一定現實意義。

多位專家對玻璃纖維復合材料的腐蝕行為進行了研究。瞿立[2]等對復合材料進行了鹽霧試驗，對材料腐蝕后的拉伸性能、彎曲強度和剪切性能進行分時段測試，發現在腐蝕過程中這3種力學性能都呈現先增加后下降趨勢。劉志[3]等研究了在紫外光和酸、堿、鹽溶液的作用下，老化、腐蝕對材料力學性能的影響，同樣得到了力學性能先增加后減小的結論。代禮葵[4]用多種方式表征了復雜環境下復合材料沖蝕損傷的演化行為，并通過不同老化周期中材料各項指標的變化，得出了水解反應和光氧化反應是產生腐蝕主要原因的結論。

復合材料腐蝕一定程度后，粘結強度變差且不易修復[5]。為了減少腐蝕帶來的損失，多位專家提出了多種腐蝕預測方法。丁康康[6]對復合材料在南海島礁大氣環境下的腐蝕規律進行預測，并建立了灰色預測模型。李暉等[7]利用人工加速玻璃纖維老化過程，并確定各因素比例系數建立回歸方程。牛一凡[8]等通過分析材料的濕熱損傷機制，結合環境當量、老化時間建立材料的壽命預測模型。王濤等[9]將材料的彎曲性能作為性能指標，將時間、溫度、腐蝕介質含量作為影響因素，建立了BP神經網絡模型預測材料壽命。這些研究成果給出的都是實驗室內靜態的材料老化預測，并不能直接應用在不間斷運行的風機葉片腐蝕預測上。考慮到風電場的露天環境和葉片的運動狀態，通過分析相關因素，構建了核極限學習機預測模型。由于檢測手段所限，僅將腐蝕面積擴大的速率作為預測對象。

1 風機葉片腐蝕影響因素

風機葉片的腐蝕實際上受到葉片材料本身和環境的巨大影響。復合材料的老化程度對腐蝕有著至關重要的影響，碳纖維和玻璃纖維材料容易受溫度影響，且老化速率與溫度高低呈正相關[10-12]。水的存在會加速破壞復合材料[13-14]，導致風機葉片的耐老化性能下降。水附著在風機葉片上將玻璃纖維中的堿金屬化合物溶解，導致水體呈堿性。氫氧根與SiO2的反應見式（1）。

同時，氫氧根離子的存在會使復合材料中樹脂基體發生水解，反應式見式（2）。

另外，玻璃纖維吸濕膨脹、脫濕收縮等物理變化也會引起風機葉片損傷擴大，因而當地的降水量和濕度對風機葉片的腐蝕有很大影響。

樹脂基體作為復合材料中的基體材料，能在一定程度上保護纖維材料，其性能受損也會影響風機表面的損傷情況。在輻照條件下，單個樹脂分子吸收的能量大于其化學鍵能時，分子鏈段轉變為激發態；在氧氣作用下發生光氧化降解[15]。該過程是一個較為復雜的過程，其主要降解過程見式（3）—（6）。

其中，式（3）為激發過程；式（4）為樹脂分子與O2反應過程；式（5）—（6）生成的小分子化合物流失，導致樹脂基體流失，對纖維材料的保護能力下降。

在應力作用下玻璃纖維的耐腐蝕性能會下降[16]，葉片同時受到風力和風機旋轉產生不斷交變的力。風速的大小同時也影響著風機轉速大小。經過上述腐蝕機理分析可知，影響腐蝕的主要因素是溫度、外部載荷、濕度和光照，還有材料自身的老化時間。因此，該研究考慮的影響因素是最高溫度、平均溫度、風速、濕度、降水量、光照強度及葉片服役時間。

2 ISOA?KELM模型原理

2.1 改進海鷗算法（ISOA）

海鷗算法正是根據海鷗的遷徙習慣和攻擊行為設計的一種智能算法，在文獻[17]中已有詳細介紹，在此不再贅述。雖然海鷗算法在優化問題上能產生良好結果，但也有明顯缺陷。文獻[18]表明，算法初始種群的分布能夠很大程度影響算法性能。基本海鷗算法通過隨機選擇確定種群初始位置，可能在一定程度上導致分布不均，使種群多樣性不足。另外，海鷗算法會過早收斂，陷入局部最優。采用混沌算子能增加初始種群的多樣性，提高算法的求解精度和收斂速度[19]。logistic混沌序列公式見式（7）。

初始海鷗種群由個維個體組成，對每個個體都進行混沌映射，得到個維序列，見式（8）。

式中：X為第個個體第維的值。

通過式（9）將產生的混沌序列映射到搜索空間內。

式中：ub和lb分別表示設定的上、下限。

為使海鷗算法具有逃脫局部極值的能力，可采用2種方法，即在海鷗位置更新公式中加入Levy飛行機制，以及采用metropolis準則使算法有一定的概率接受差值。

Levy飛行機制廣泛應用于解決算法的過早收斂問題，文獻[20-21]通過在搜索過程中加入Levy飛行機制都取得了一定效果。在海鷗算法的位置更新方式中引入Levy飛行機制，見式（10）—（11）。

退火算法（SA）[22]于1983年提出，原理類似于物體升溫再冷卻的過程，隨著溫度下降，物體中的粒子逐漸穩定排列成高密度有規則的晶體，對應算法中的全局最優解。其中，Metropolis準則使更差的解也有機會成為新解。在文獻[23-24]中，為解決算法過早陷入局部最優的問題，在選擇新解時采用了Metro-polis準則。

2.2 核極限學習機（KELM）

極限學習機是單隱含層神經網絡[25]，各層之間的權值、閾值隨機產生。ELM模型的輸出表示見式（12）。

Huang等[26]引入核函數作為極限學習機隱含層節點映射，提高了ELM的非線性映射能力[27]。將徑向基核函數（rbf）引入極限學習機，那么式（12）可表達為式（13）—（14）。

核函數為徑向基核函數，的定義見式（15）。

2.3 ISOA?KELM模型構建步驟

根據對核極限學習機的介紹可知，其正則化系數和核函數參數需要選擇，且會直接影響模型的預測性能。為提高模型的預測性能，先使用改進的海鷗算法（ISOA）對參數和尋優，然后使用核極限學習機對數據進行訓練和預測，流程圖如圖1所示。

圖1 ISOA?KELM預測模型流程

3 預測實例分析

3.1 數據來源

風電場通過無人機拍攝方式，每周記錄風機葉片上特定的腐蝕區域，通過腐蝕面積變化計算出每周的腐蝕速率。由于腐蝕區域是不規則圖像，無法直接計算其面積，因此為減少無關因素的影響，將腐蝕區域進行裁剪，經過裁剪后灰度化的腐蝕點圖像見圖2a，再進行二值化得到圖2b。二值化后圖像可以視為由0和1組成的矩陣，黑色像素在矩陣中表達為0，統計0的個數得到腐蝕所占的像素點個數。葉片單面的實際面積已知，在原圖像中將風機葉片分割，得到整個葉片所占的像素點個數，通過腐蝕面積像素點個數占比，計算得到腐蝕的實際面積。

圖2 腐蝕圖像

從風電場數據庫和氣象站獲得每周最高溫度、平均溫度、平均風速、平均濕度、總降水量、平均光照強度和風機葉片的服役時間。從2019年6月到2020年12月，一共得到80組數據，相關數據變化曲線 見圖3。

部分數據展示見表1。將7個影響腐蝕的因素作為模型的輸入，腐蝕速率作為輸出，腐蝕速率曲線 見圖4。

圖3 數據變化曲線

圖4 每周腐蝕面積

式中：max，min分別為樣本中的最大值和最小值。

3.2 模型對比

將2019年6月到2020年8月共60組數據作為訓練數據集，2020年8月到2020年12月共20組數據作為測試集。用改進的海鷗算法對KELM的參數進行尋優。因為在尋優過程中使用均方誤差作為適應度函數，所以適應度值越低表示該參數的適應度越高。均方誤差計算公式見式（17）。

表2為各模型在不同尋優算法下的均方誤差。

表1 腐蝕影響因素和腐蝕速率

Tab.1 Corrosion influencing factors and corrosion rate

各算法尋優過程適應度值變化曲線見圖5。

圖5 各模型適應度值變化曲線

由圖5可以看出，各算法適應度值均隨著迭代次數的增加而減小，但ISOA能在較少的迭代次數中達到最小的均方誤差。SOA也能在較少的迭代次數中取得較好的適應度值，但尋優能力還是次于ISOA。ISOA的初始適應度值低于SOA，說明經過混沌算子優化，提高了種群初始位置質量。PSO迅速穩定在適應度值較高的位置，說明容易受困于局部最佳。GA隨迭代次數增加而趨于穩定，但適應度在ISOA- KELM、SOA-KELM、PSO-KELM、GA-KELM中IPSO最高。通過ISOA得到的最優正則化系數和核函數參數分別為2.050 6和1.842 6。4個模型相應的評價指標對比見表2。

平均絕對誤差的計算公式見式（18）。

表2 各模型預測結果

Tab.2 Forecast results of each model

確定系數（R?square）的計算公式見式（19）。

R?square越接近1，表示擬合程度越好。由表2可以看出，GA?KELM模型的預測誤差最大，表明GA?KELM容易陷入局部極值。4種模型的預測誤差對比見圖6。

圖6 預測誤差對比

從圖6可以看出，ISOA?KELM模型不能做到對每一個樣本的預測結果都與實際值最接近，但預測結果在整體上更加接近實際值曲線。由表2和圖6可以看出，PSO?KELM模型和GA?KELM模型的預測誤差波動較大，證明這2種方法并不適用對風機葉片腐蝕速率的預測。通過平均絕對誤差和確定系數對比發現，ISOA?KELM模型的誤差遠小于SOA?KELM模型，證明該種新模型更加適用于風機葉片腐蝕速率的預測。從數據訓練時間分析，在4種模型中，ISOA?KELM模型的訓練時間更長，但該研究的應用場景對訓練時間的要求不高。把ISOA?KELM預測的腐蝕速率和實際腐蝕速率進行相關性分析，結果見圖7。

圖7 ISOA?KELM預測結果擬合

經過多次實驗，ISOA?KELM模型的R?square均高于0.95，進一步證明該模型在預測風機葉片腐蝕速率問題上有良好的魯棒性。并且觀察圖7可知，每周腐蝕面積為1.5～3.2 cm2時ISOA?KELM模型的預測結果更加準確，而一般情況下每周腐蝕的面積都在此范圍內，說明該預測模型在通常情況下都能有良好的表現。

3.3 腐蝕速率預測

對2021年1、2月份的腐蝕速率進行預測實驗，需要7個影響腐蝕因素數據，天氣預報無法預知2個月的氣象數據。過去3 a的1～2月的最高溫度、平均溫度、風速、濕度、總降水量、光照強度（平均值），風機葉片服役時間已知，得到結果見表3。將得到的各項平均值和服役時間輸入模型，對2021年1～2月風機葉片的腐蝕速率進行預測。為檢驗預測效果，將結果與實際腐蝕速率進行相關性分析，結果如圖8所示。

經過20次實驗，得到各項指標的平均值為0.502，平均絕對誤差0.531，確定系數為0.912。因為腐蝕的影響因素是過去3 a的平均值，所以預測效果不如模型對比中對測試集的預測效果，但仍然具有較高的準確性。這證明了該模型具有較好的魯棒性，可為風電場的維修計劃提供決策參考。

表3 腐蝕影響因素和腐蝕速率

Tab.3 Corrosion influencing factors and corrosion rate

圖8 ISOA?KELM預測結果擬合

4 結語

1）基于風機葉片腐蝕狀況監測難度大的問題，選取影響腐蝕的7個因素，建立風機葉片腐蝕速率預測模型，這能給風電場提供有價值的維修建議。

2）目前，國內外文獻中關于預測風機葉片腐蝕速率的研究較少，該領域的數據庫較小，這直接阻礙了該領域人工智能的發展。使用核極限學習機作為預測模型，由于正則化系數和核函數參數的選擇將會對預測結果產生較大影響，如何對這些系數進行選擇是其難點。

3）分別使用 ISOA?KELM、SOA?KELM、PSO?KELM、GA?KELM等4種模型進行對比實驗。研究結果顯示，ISOA?KELM模型的預測均方誤差、平均絕對誤差都相對較小，分別為 0.280和0.457，同時確定系數為0.959，表明模型對數據的擬合較好。

4）通過計算過去3 a相關因素的平均值，對2021年1～2月風機葉片的腐蝕速率進行預測，與實際腐蝕速率進行比較，得到的平均確定系數為0.912，證明ISOA?KELM模型可用于風機葉片腐蝕速率預測。

[1] 陳秋宇, 赫玉欣, 張麗, 等. 碳纖維/玻璃纖維混雜復合材料的力學性能研究[J]. 化工新型材料, 2020, 48(7): 134-138.

CHEN Qin-yu, HE Yu-xin, ZHANG Li, et al. Mechanical Property of Carbon /Glass Hybrid Fiber Composite[J]. New Chemical Materials, 2020, 48(7): 134-138.

[2] 瞿立, 康少付, 李進, 等. 玻纖/乙烯基酯復合材料的制備及其鹽霧腐蝕行為[J]. 玻璃鋼/復合材料, 2019(11): 95-99.

QU Li, KANG Shao-fu, LI Jing, et al. Preparation and Salt Spray Atmospheric Corrosion Behavior of Glass Fiber/ Vinyl Ester Composites[J]. Fiber Reinforced Plastics/ Composites, 2019(11): 95-99.

[3] 劉志, 張勇, 張彬, 等. 玻璃纖維/聚氨酯復合材料耐腐蝕和耐UV研究[J]. 聚氨酯工業, 2020, 35(1): 26-28.

LIU Zhi, ZHANG Yong, ZHANG Bin, et al. Study on Corrosion-Resistance and UV-Resistance of Glass Fiber / Polyurethane Composites[J]. Polyurethane Industry, 2020, 35(1): 26-28.

[4] 代禮葵. 環境因素下玻纖增強樹脂基復合材料沖蝕損傷行為[D]. 新疆大學, 2019: 15-60.

DAI Li-kui. Erosion Damage Behavior of Glass Fiber Rein-forced Resin Matrix Composites under Environ-men-tal Factors[D]. Xinjiang University, 2019: 15-60.

[5] Zerbst U, Madia M, Vormwald M. Fatigue Strength and Fracture Mechanics[J]. Procedia Structural Integrity, 2017(5) : 745-752．

[6] 丁康康, 杜建平, 王振華, 等. 嚴酷海洋大氣環境下玻璃纖維復合材料腐蝕老化規律研究[J]. 裝備環境工程, 2021, 18(11): 10-17.

Ding Kang-kang, DU Jian-ping, WANG Zhen-hua, et al. Study on Corrosion Aging Behavior of Glass Fiber Reinforced Composites in Severe Marine Atmospheric Environment[J]. Equipment Environmental Engineering, 2021, 18(11): 10-17.

[7] 李暉, 張錄平, 孫巖, 等. 玻璃纖維增強復合材料的壽命預測[J]. 工程塑料應用, 2011, 39(1): 68-73.

LI Hui, ZHANG Lu-ping, SUN Yan, et al. Prediction of Service Life of the Glass Fibre Reinforced Composite[J]. Engineering Plastics Application, 2011, 39(1): 68-73.

[8] 牛一凡, 李璋琪, 朱曉峰. 全濕熱場下碳纖維/環氧樹脂復合材料彎曲性能及壽命預測[J]. 復合材料學報, 2020, 37(1): 104-112.

NIU Yi-fan, LI Zhang-qi, ZHU Xiao-feng. Flexural Pro-per-ties and Life-time Estimation of Carbon Fiber/Epoxy Composite under Hygrothermal Conditions[J]. Acta Ma-te-riae Compositae Sinica, 2020, 37(1): 104-112.

[9] 王濤, 王俊, 趙迪宇, 等. 基于BP神經網絡的玻璃纖維增強塑料腐蝕條件下的壽命預測[J]. 化工學報, 2019, 70(12): 4872-4880.

WANG Tao, WANG Jun, ZHAO Di-yu, et al. Life Pre-diction of Glass Fiber Reinforced Plastics Based on BP Neural Network under Corrosion Condition[J]. CIESC Journal, 2019, 70(12): 4872-4880.

[10] 謝桂華, 卞玉龍, 唐永生, 等. 纖維增強復合材料疲勞性能的溫度效應[J]. 玻璃鋼/復合材料, 2017(9): 19-24.

XIE Gui-hua, BIAN Yu-long, TANG Yong-sheng, et al. Temperature Effect on Fatigue Performance of Fiber- Reinforced Polymer[J]. Fiber Reinforced Plastics/ Composites, 2017(9): 19-24.

[11] 楊麗穎, 聶百勝, 董小平, 等. 溫度和CO2環境對玻璃鋼腐蝕形貌及力學性能的影響[J]. 材料熱處理學報, 2016, 37(10): 109-114.

YANG Li-ying, NIE Bai-sheng, DONG Xiao-ping, et al. Effect of Temperature on Morphology and Mechanical Properties of Carbon Fiber Reinforced Polymer (FRP) Composites Corroded by CO2[J]. Transactions of Mate-rials and Heat Treatment, 2016, 37(10): 109-114.

[12] 李亞南, 于運花, 楊小平. 玻璃纖維/乙烯基酯樹脂復合材料在硫酸溶液中的腐蝕機理研究[J]. 玻璃鋼/復合材料, 2014(6): 30-34.

LI Ya-nan, YU Yun-hua, YANG Xiao-ping. The Corro-sion Mechanism Research of Glass Fiber Reinforced Vinyl Ester Resin Composites in Sulfuric Acid Solutions [J]. Fiber Reinforced Plastics/Composites, 2014(6): 30-34.

[13] 譚藝蓓, 倪愛清, 陳宏達, 等. 吸水對連續玻璃纖維增強聚丙烯復合材料的力學性能影響的研究[J]. 玻璃鋼/復合材料, 2017(10): 72-78.

TAN Yi-bei, NI Ai-qing, CHEN Hong-da, et al. Effect of Water Absorption on Mechanical Properties of Conti-nu-ous Glass Fiber Reinforced Polypropylene Composites[J]. Fiber Reinforced Plastics/Composites, 2017(10): 72-78.

[14] 朱坤坤, 倪愛清, 王繼輝. 苧麻/玻璃纖維混雜復合材料的老化研究及壽命預測[J]. 玻璃鋼/復合材料, 2016(5): 48-54.

ZHU Kun-kun, NI Ai-qing, WANG Ji-hui. Aging Study and Life Prediction of Ramie/Glass Fiber Hybrid Com-po-sites[J]. Fiber Reinforced Plastics/ Composites, 2016(5): 48-54.

[15] 代禮葵, 孫耀寧, 王國建. 玻璃纖維/環氧乙烯基酯樹脂復合材料環境綜合因素下的沖蝕行為及機制[J]. 復合材料學報, 2019, 36(9): 2059-2066.

DAI Li-kui, SUN Yao-ning, WANG Guo-jian. Erosion Behavior and Mechanism of Glass Fiber/Epoxy Vinlester Composites under Multiple Environmental Factors[J]. Acta Materiae Compositae Sinica, 2019, 36(9): 2059- 2066.

[16] 程基偉, 王天民. TWINTEX纖維增強塑料的應力腐蝕開裂[J]. 材料研究學報, 2005(3): 269-276.

CHENG Ji-wei, WANG Tian-min. Stress Corrosion Crac-king of TWINTEX Fiber Reinforced Plastics [J]. Journal of Materials Research, 2005 (3): 269-276.

[17] DHIMAN G, KUMAR V. Seagull Optimization Algori-thm: Theory and its Applications for Large-Scale Indus-trial Engineering Problems[J]. Knowledge-Based Sys-tems, 2019, 165: 169-196.

[18] HAUPT R, HAUPT S. Practical Genetic Algorithm[M]. New York: John Wiley and Sons, 2004: 51-65.

[19] 湯安迪, 韓統, 徐登武, 等. 基于混沌麻雀搜索算法的無人機航跡規劃方法[J]. 計算機應用, 2021, 41(7): 2128-2136.

TANG An-di, HAN Tong, XU Deng-wu, et al. Path Planning Method of Unmanned Aerial Vehicle Based on Chaos Sparrow Search Algorithm[J]. Journal of Computer Applications, 2021, 41(7): 2128-2136.

[20] 張嚴, 秦亮曦. 基于Levy飛行策略的改進樽海鞘群算法[J]. 計算機科學, 2020, 47(7): 154-160.

ZHANG Yan, QIN Liang-xi. Improved Salp Swarm Algo-rithm Based on Levy Flight Strategy[J]. Computer Science, 2020, 47(7): 154-160.

[21] 唐朝國. 基于改進Levy飛行的PSO濕度傳感器補償算法[J]. 電子測量與儀器學報, 2020, 34(3): 119-125.

Tang Chao-guo. PSO Humidity Sensor Compensation Algorithm Based on Improved Levy Flight[J]. Journal of Electronic Measurement and Instrumentation, 2020, 34(3): 119-125.

[22] SIMOPOULOS D N, KAVATZA S D, VOURNAS C D. Unit Commitment by an Enhanced Simulated Annealing Algorithm[J]. IEEE Trans on Power Systems, 2006, 21(1): 68-76.

[23] 陳久梅, 張松毅, 但斌. 求解多隔室車輛路徑問題的改進粒子群優化算法[J]. 計算機集成制造系統, 2019, 25(11): 2952-2962.

CHEN Jiu-mei, ZHENG Song-yi, DAN Bin. Improved Par-ticle Swarm Optimization for Multi-Compartment Vehi-cle Routing Problem[J]. Computer Integrated Manufac-turing Systems, 2019, 25(11): 2952-2962.

[24] 郭彩杏, 郭曉金, 柏林江. 改進遺傳模擬退火算法優化BP算法研究[J]. 小型微型計算機系統, 2019, 40(10): 2063-2067.

GUO Cai-xing, GUO Xiao-jin, BAI Lin-jiang. Rsearch on Improved BP Algorithm for Genetic Simulated Annealing Algorithm[J]. Journal of Chinese Computer Systems, 2019, 40(10): 2063-2067.

[25] TANG J, DENG C, GUANG G B. Extreme Learning Machine for Multilayer Perceptron[J]. IEEE Transactions on Neural Networks & Learning Systems (S2162-237X), 2016, 27(4): 809-821.

[26] HUANG G B, ZHOU H, DING X, et al. Extreme Lear-ning Machine for Regression and Multiclass Classifi-ca-tion[J]. IEEE Transactions on Systems, Man and Cyber-netics, Part B: Cybernetics, 2012, 42(2): 513-529．

[27] HUANG G B, BAI Z, KASUN L L C, et al. Local Receptive Fields Based Extreme Learning Machine[J]. IEEE Computational Intelligence Magazine, 2015, 10(2): 18-27.

Prediction of the Corrosion Rate of Wind Turbine Blade Based on ISOA-KELM

1,1,1,2

(1. Kunming University of Science and Technology, College of Information Engineering and Automation Kunming 650000;2. Yunnan Longyuan Wind Power Generation Limited Company Yunnan Qujing, 655000)

To scientifically stimulate the wind turbine blades maintenance plan and to protect the safety of wind farm personnel and property, the corrosion mechanism analysis of raw material for wind turbine blades was conducted. It was found that there are five main factors affecting the corrosion rate, which are temperature, external load, humidity, light, and the aging time of the material itself. Therefore, for the wind turbine blade in service, the influencing factors considered in this study are maximum temperature, average temperature, wind speed, humidity, precipitation, light intensity, and blade service time. Weekly maximum temperature, average temperature, average wind speed, average humidity, total precipitation, average light intensity, and service time of the wind turbine blades are obtained from the wind farm database and weather stations. These data are used to train the model to predict the corrosion rate of the wind turbine blades.

The prediction model consists of a classifier and an optimization algorithm. A Kernel Extreme Learning Machine (KELM) was chosen as the classifier, and the hyper parameters of the KELM are optimized using an optimization algorithm to improve the classification performance. The corresponding improvement scheme is proposed to solve the problem that the SOA is easy to fall into local optimal. The method of randomly selecting the initial position of the seagull is replaced by the method of logistics chaotic mapping to improve the quality of the initial position of the seagull. The Levy flight strategy is introduced in the update method of seagull position, which makes the Seagull Optimization Algorithm have stronger global search ability. Metropolis criterion is adopted to make seagull individuals in poor positions have a certain probability to be accepted and improve the diversity of the population. The modified SOA is used to optimize the parameters of KELM, and establishes prediction model of corrosion rate on the surface of ISOA-KELM wind turbine blades.

To verify the prediction performance of the ISOA-KELM model, the parameters of KELM were optimized using the basic seagull optimization algorithm (SOA), particle swarm optimization (PSO), and genetic algorithm (GA) to compare the prediction errors with SOA-KELM, PSO-KELM, and GA-KELM, respectively. The obtained data are divided into training and test sets in a ratio of 3:1, and the model is trained using the training set. The results show that optimizing KELM using ISOA improves the prediction accuracy of KELM, and the obtained values of Mean Absolute Error (MAE) of 0.457, Mean Square Error (MSE) of 0.280, and R-square of 0.959 are better than the above three comparison models. After a series of experiments, the R-square of ISOA-KELM model is higher than 0.95, which further proves that the model has good accuracy and robustness in predicting the corrosion rate of wind turbine blades. And the prediction accuracy of ISOA-KELM model is higher than the average when the weekly corrosion area is 1.5～3.2 cm2, and the corrosion rate in general is within this range, which shows that the prediction model can have good performance under normal circumstances.

After obtaining the prediction model, the prediction experiment was conducted for the corrosion rate in January and February 2021. Calculate the average values of maximum temperature, temperature, wind speed, humidity, total precipitation, and light intensity in January and February of the past three years, and input the obtained average values and service time into the model to predict the corrosion rate of wind turbine blades in January and February of 2021. After 20 experiments, the average value of each index is obtained as MSE is 0.502, MAE is 0.531, R-square is 0.912. Because the influence of corrosion is the average of the past three years, so the prediction effect is not as good as the prediction effect of the model comparison for the test set, but still has high accuracy. It is proved that the model has good robustness and can provide decision suggestions for the maintenance plan of wind farms, so as to guarantee the safety of wind turbine blades.

seagull optimization algorithm; nuclear extreme learning machine; wind turbine blade; surface corrosion; corrosion rate prediction

TH391；TH145.9

A

1001-3660(2022)11-0271-08

10.16490/j.cnki.issn.1001-3660.2022.11.025

2000–00–00；

2000–00–00

2000-00-00；

2000-00-00

國家自然科學基金（61962031）

The National Natural Science Foundation of China(61962031)

孫棟欽（1995—），男，碩士，主要研究方向為風力發電、智能算法。

SUN Dong-qin (1995-), Male, Master, Research focus: Wind power generation, intelligent algorithm。

湯占軍（1969—），男，博士，副教授，主要研究方向為新能源發電、智能控制。

TANG Zhan-jun (1969-), Male, Doctor, Associate professor, Research focus: New energy power generation and intel-ligent control.

孫棟欽, 湯占軍, 李英娜, 等.基于ISOA?KELM的風機葉片腐蝕速率預測[J]. 表面技術, 2022, 51(11): 271-278.

SUN Dong-qin, TANG Zhan-jun, LI Ying-na, et al. Prediction of the Corrosion Rate of Wind Turbine Blade Based on ISOA-KELM[J]. Surface Technology, 2022, 51(11): 271-278.