基于遷移學習的老化風電機組故障預警方法

關鍵詞：風電機組;老化機組;遷移學習;故障預警

中圖分類號：TP206.3 文獻標志碼：A

0 引言（Introduction）

風電機組運行環境惡劣，部件故障率高，因此故障預警技術的有效應用對提高機組可靠性的意義重大[1]。王俊等[2]針對極限學習機效果差的問題，組合禿鷹搜索優化算法提出一種故障診斷模型，提高了診斷準確率。金曉航等[3]借助稀疏自編碼器提取SCADA數據特征后，利用神經網絡進行機組狀態監測，實現了故障的提前預知。老化效應使機組數據分布隨其工齡滑移[4-6]，會導致這類采用離線數據建模的預警技術失效，而目前全球大量的風電機組正面臨老化問題[7]。目前，根據現有數據重建模型費時費力，同時舍棄原模型的所有信息可能導致模型構建效果差。因此，建立高效的老化機組故障預警方法，對機組技改增效異常關鍵。遷移學習是解決數據分布滑移的有效方法[8]。CHEN等[9]利用深度遷移實現實驗數據到實際數據的遷移。SIMANI等[10]基于深度遷移，利用數據豐富的源域機組實現稀缺數據的翻新機組的故障檢測。

為實現老舊機組的技改增效，提供老化機組故障預警的技術參考，本文提出基于遷移學習的老化機組故障預警方法。首先，利用MIC選取與發電機軸承溫度高相關性的SCADA參量，基于LSTM建立機組基準年（2016年）和現有年（2021年）的預警模型，預測最新年（2022年）的機組故障，通過比較不同年份的預警效果，探究老化問題對故障預警模型的影響程度。利用基于模型的遷移學習將基準年的預警模型遷移到現有年的預警模型，從而高效快速地實現老化機組的故障預警。

1 老化問題對預警技術的影響（Impact of agingon early warning technologies）

1.1 老化問題對數據分布的影響

SCADA系統采集風電機組的各類運行參數，反映機組的運行狀態。機組有功功率和關鍵部位溫度作為重要狀態參數，會隨機組的日益老化而發生改變，機組風功率曲線和軸承溫度可以用于探究機組老化問題導致的數據分布滑移。

相應風速下輸出功率的穩定性是評估機組性能的重要標準之一[4]，隨著機組工齡的增加，機組現有年的風功率曲線會逐漸偏離基準年曲線。為了可視化地評估老化問題對機組運行數據的影響，利用清洗后的SCADA數據繪制同一機組基準年和現有年的機組風功率曲線（圖1）。從圖1中可知，同一機組風功率曲線隨著機組工齡的變化發生了明顯滑移。軸承是風力發電機組的關鍵部件之一[4]，老化效應會導致軸承無法有效地運行，這一過程會發生更多的能量損失，其中一部分將以熱形式存在。當老化效應愈發顯著時，軸承的溫度將升高。從同一機組不同年份的風速-軸承溫度關系圖（圖2）可以看出，隨著機組工齡的增加，在同樣的風速下，機組老化導致現有年發電機軸承的溫度要高于基準年發電機軸承的溫度。

1.2 不同年份故障預警模型

本文以發電機驅動端軸承溫度作為衡量機組運行狀態的性能指標，利用MIC選擇SCADA系統中與發電機驅動端軸承溫度高相關性的參量，基于所選參量搭建LSTM 模型，在獲得基準年和現有年的機組故障預警模型后，對最新年的發電機驅動端軸承故障數據進行預警，并比較預警效果。模型技術路線如圖3所示。

1.2.1 數據清洗

SCADA系統的監測數據量龐大、數據維度高，原始數據包含正常運行、故障、停機、維修等狀態信息，存在一些對實際研究無意義的數據，需要對數據進行清洗，具體步驟如下。

（1）使用密度聚類算法（Density-Based Spatial Clustering ofApplications with Noise，DBSCAN）和直接截斷的方法剔除離群異常數據。

（2）采用直接截斷法剔除原始數據中恒功率限電點以及0功率堆積點數據。

1.2.2 特征參量選取

利用MIC衡量與發電機驅動端軸承溫度相關性較強的SCADA系統參量。對于兩個變量X、Y 之間的MIC值，其計算公式如下[11]：

依據發電機驅動端軸承溫度與SCADA系統參量的MIC值（表1），選取相關性最強的10個量作為特征參量。

1.2.3LSTM 神經網絡模型的搭建

在構建基準年機組有功功率預測模型時選取LSTM 網絡。LSTM神經網絡模型是由多個記憶單元堆疊而成的。每一層的輸入包括上一層的隱含層輸出、前序列歷史信息的更新以及此時刻的輸入，可以選擇對歷史數據記憶與遺忘，從而實現時序數據的有效預測。

LSTM神經網絡模型的第一層為LSTM 網絡輸入層，以所選SCADA特征參量作為模型輸入;第二層為LSTM網絡隱含層，對輸入的SCADA數據進行學習，通過各個LSTM 細胞傳遞參量間的時序特征，挖掘各個參量的序列信息;第三層為預測模型的輸出層，主要通過一層全連接層與隱含層相連，輸出對機組發電機驅動端軸承溫度的最終預測結果。

1.3 老化問題影響驗證

選取湖南某風力發電場2 MW 雙饋風電機組2016年、2021年采樣率為5 min的SCADA數據，構建不同年份機組故障預警模型，分別對機組2022年3月24日的發電機驅動端軸承高溫預警進行預測，并對比預測結果。

1.3.1 模型構建

想要獲得不同年份模型對2022年機組故障的預警效果，需要對數據進行合理的劃分（圖4）。

LSTM神經網絡模型的訓練過程如圖5所示，其中LSTM的隱含層有3層，每一層的神經元個數分別為64個、128個、64個，輸入層時間步長L 設定為20，為了避免模型出現過擬合，每一層中加入Dropout，設置值為0.3，模型循環次數為500次，訓練集占數據集的70%。

1.3.2 預警結果

為比較不同年份的故障預警模型的預警效果，選取風場某臺風電機組運行異常區間的數據進行驗證。依據運行日志，所選機組在2022年3月24日19：01出現發電機驅動端軸承高溫報警。

利用2016年和2021年故障預警模型預測2022年的發電機驅動端軸承溫度后，運用核密度估計（KDE）方法設定閾值限度，選用高斯函數作為核密度函數，以置信度為99.7%的置信區間作為正常運行的閾值限度，得到殘差與安全閾值的關系圖（圖6、圖7）。2016年構建的預警模型無法預測2022年的發電機驅動端軸承高溫報警，2021年的模型提前46.5 h發出第一次異常報警，提前3.5 h發出第二次異常報警，而第一次報警后發生殘差回落現象是由于這個時間段的風速一直在切入風速的范圍上下波動。顯然，2016年的故障預警模型由于老化效應已經失去對2022年發電機驅動端軸承故障的預警能力。

2.2 預警模型的遷移

本研究將源域訓練好的參數作為目標域模型參數的初始值，用于輸入時間序列數據的特征[13-14]，目標域在原LSTM 網絡的基礎上加兩個全連接層，凍結原有LSTM 模型層數后，利用目標域數據對新的全連接層進行訓練，得到目標域的模型（老化機組故障預警模型），模型遷移思路圖如圖8所示。

2.3 老化機組故障預警結果

凍結2016年構建的LSTM 模型參數，并增加兩個全連接層，神經元個數設置為64個、32個，步長L 設置為20，訓練次數500次，學習率Ir 設置為0.000 5，訓練集占比為70%。使用遷移后預警模型對2022年發電機驅動端軸承溫度進行預測，并與使用2021年和2016年的數據訓練的預警模型進行對比，結果如圖9所示。

根據圖9可以看出，遷移后的模型和2021年的模型具有良好的預警效果。相較于2021年模型，遷移后的模型晚了50 min發出第一次異常報警，預警效果與2021年相當。在訓練時間方面，模型遷移的每一個epoch耗時10 s，總耗時83 min，而2021年模型每一個epoch耗時144 s，總耗時1 200 min。綜上，所提老化機組的故障預警模型在保留機組大量歷史信息的基礎上，擁有高效、低耗和節省資源的優勢，同時擁有良好的預警效果。

3 結論（Conclusion）

本文針對老化機組導致原有故障預警技術失效的問題，在探究老化效應對現有故障預警技術的影響后，基于遷移學習提出老化機組故障預警方法，實現老化機組的故障預警。主要結論如下。

（1）通過對比不同年份的故障預警模型的故障預測能力，證明老化機組對故障預警技術的影響切實存在，隨著機組工齡的增加，原有模型會逐漸失去對故障的預知能力。

（2）所提基于遷移學習的老化機組故障預警模型對最新年的機組故障預測效果良好，同時節省了構建資源和搭建時間，高效且快速地實現了老化機組的故障預警。

作者簡介：

王旭濤（2001-），男，碩士生。研究領域：風電機組故障預警。

陳換過（1977-），女，博士，教授，研究領域：機械故障診斷，健康管理。

陶瀚宇（1999-），男，碩士生。研究領域：輸煤系統健康管理。

楊 磊（1998-），男，碩士生。研究領域：風電機組故障診斷。

高祥沖（1998-），男，碩士生。研究領域：輸煤系統健康管理。