基于GA-SVR数据融合的风机噪声预测述

，， ，，,2

(1.国网新疆电力有限公司经济技术研究院，新疆 乌鲁木齐 830000；2.能源与电力经济技术实验室(国网新疆电力有限公司经济技术研究院)，新疆 乌鲁木齐 830000)

0 引 言

风电产业随新能源需求的日益增大，不断蓬勃发展，风力发电技术也日趋完善。作为风机选择及风电场选址重要指标参数的风电机组噪声及其衍生问题，也逐渐被科研人员重视起来[1-3]。文献[4]评价并指出了风电机组中发电机所发低频噪声对居民生活的相关影响。文献[5]仿真验证了风电机组所辐射的噪声信号，其参数声压级中包含有机组运行状态信息。文献[6]以风电机组振动、噪声信号长期检测为研究基础，发现并分析了机组振动、噪声信号之间存在的相关性。由此表明，进行风电机组噪声预测的研究具有极重要的现实意义。

目前，针对风电机组的噪声信号研究，主要以风机气动噪声为出发点，对机组机械噪声的探索研究十分少。以实验室环境为基础，分析研究永磁同步风电机组的振动、噪声相关性，模拟机组空载、负载及加有风速逐渐变化的运行状态，实时采集各运行状态下风电机组发电机主轴纵横两个方位、齿轮箱的高速轴与低速轴纵横两个方位的振动信号数据和风电机组整机的噪声信号数据[7]，并通过信息熵理论计算提取数据的特征量作为样本数据，建立基于遗传算法的支持向量回归(genetic algorithm-based support vector regression，GA-SVR)的多源数据融合噪声预测模型，为实现以振动噪声相关性为基础的振动、噪声预测提供参考，并为开展机械噪声的预测研究提供参考。

1 风电机组振动与噪声

大型风电机组的噪声特性参数一直以来被视为其质量评定的重要指标。同时，有学者研究指明风电机组所辐射产生的振动与噪声信号间存在有一定的相互关联性。事实上，机组运行时的噪声数据根据国标要求有很大的采集难度，但其对风电机组的运行状态研究又十分重要[8]。因此，开展对风电机组实时运行中噪声信号的预测研究，具有极为重要的现实发展意义。

2 实验模拟和数据采集

实验研究数据通过振动检测设备EMT690D和噪声检测设备SVAN958A，对标准干净的实验室环境下的20 kW永磁同步风电机组(不含叶片)进行实验模拟，该机组的具体参数如表1所示。采集分为数据的信号检测和后台处理两个部分。信号检测通过振动传感器与声级计完成，采集到的实时数据需经滤波，再转成数字信号显示、储存于后台运行计算机，采集过程如图1所示。

表1 永磁同步风力发电机组参数

测振点分别设置于机组中发电机主轴端纵横两个方位、齿轮箱高速轴和低速轴的纵横两个方位。以振动传感器为基准，在其同侧设置与机组轴承等高的声压级传感器，保持声压级传感器与机组水平测距为1.5 m。数据采集中设置振动、噪声采样频率一致，均为200 Hz，选取振动加速度和声压级作为本次测量的主要参数。

图1 振动与噪声的信号采集

在实验室环境下，分别模拟了风电机组的空载运行、空载运行时变速和匀速增加调节风速、负载6 kW运行、负载6 kW运行时变速和匀速增加调节风速，并同步采集在不同实验中对应的振动、噪声数据。

3 噪声预测模型的建立

3.1 信息熵

(1)

研究分析表明，以奇异谱熵、功率谱熵、小波能谱熵和小波空间谱熵4种信息熵为基础，对振动、噪声信号进行特征量的提取，可以较完整地保留信号各特征信息[9]。

(2)

(3)

小波能谱熵和小波空间谱熵则能够实现数据基于时频域的特征提取。假设能量函数f(t)满足小波变换后的能量守恒定律，则：

(4)

(5)

(6)

3.2 多源数据融合

多源数据融合技术在处理多层次、多方面等过程上有着极广泛的应用。该技术能实现全面的对多传感器采集的多数据进行检测、相关、组合和估计等处理，提升了其在状态、身份识别应用中的精准度，并且该技术还能完成对极为复杂的多变化态势的实时评测。该技术在实际应用中，通过多个传感单元实现多源证据信息的获取，然后全面地对这些证据信息进行融合，从而有效实现了比单一传感更精准、更稳当、更有效的解析和判别[10]。

多源数据特征级融合，是在传感单元处便开始进行数据的特征提取，然后对提取的特征量进行解析实现最终的融合，如图2所示。

图2 特征级融合

3.3 GA-SVR算法

一般的支持向量机回归(support vector regression，SVR)，因其核函数可以完成矩阵运行及相应的乘积运算等，在进行二次规划问题研究中相较其他一般算法效率和功能有所提升[11]。

基于遗传算法(genetic algorithm，GA)的SVR预测，以GA完成优化。该算法能够自适地实现随机搜寻，并在全局较大概率地得到最优解，确定得到较优的惩罚因子c与核函数半径g等。同时，基于遗传算法的支持向量机回归(GA-SVR)结合了ε-不灵敏损失函数，提高了算法在应用中的鲁棒性和泛化性[12]。GA-SVR的预测流程如图3所示。

图3 GA-SVR的预测流程

3.4 多源数据特征级融合与GA-SVR相结合

通过信息熵理论计算提取振动、噪声数据的特征量，特征量中保留有信息特征，并以此为样本数据在GA-SVR中完成多源数据特征级融合，建立预测模型实现风电机组振动、噪声预测，其流程如图4所示。

图4 多源数据融合结合改进的GA-SVR

4 仿真结果和分析

4.1 数据样本

实验中选择用Matlab编写、实现模拟仿真，并以同步测得的实际振动、噪声数据样本为依据，随机选取样本数据100个，用式(2)、式(3)、式(5)、式(6)分别计算出样本数据点的奇异谱熵值、功率谱熵值、小波能谱熵和小波空间谱熵值，如表2所示。将这些特征数值作为输入样本进行模型的构建和完善训练。首先，随机选取数据样本库中的70个样本点为基础训练数据，对模型进行完善训练，再以完善的训练模型预测随机选取的30个样本点对应的声压级，最后进行预测结果与实际样本值的比较，计算出相对误差及平均相对误差。相对误差的大小用于直观反映预测结果的可信度，平均相对误差的大小用于间接验证预测结果是否为可接受。

4.2 结果分析

首先，实验模拟风电机组空载运行的状态，以振动数据参数预测噪声数据参数，将预测结果的值与实测样本值进行比较，如图5所示，并计算得出相对误差百分比，如图6所示，相对误差的平均值如表3所示。

图5 空载运行时的预测结果

图6 空载运行时的相对误差

图5表明幅值存在小幅度误差，波动趋势基本一致。同时，图6中的相对误差均不高于2%，且以小于1.5%为主，表明预测精度较高；平均相对误差仅为1.221 1%，直观地表现出可以接受的预测结果。

表2 特征量熵值的部分计算结果

实验模拟空载运行时变速和匀速增加调节风速的运行状态，将预测结果的值与实测样本值进行比较，如图7所示，并计算得出相对误差百分比，如图8所示，相对误差的平均值如表3所示。

图7表明幅值也存在小幅度误差，但波动趋势基本一致。图8中的相对误差均不高于3%，且以小于1.8%为主，表明预测精度较高；平均相对误差仅为1.232 2%，直观地表现出可以接受的预测结果。

图7 空载运行时风速增大的预测结果

图8 空载运行时风速增大的相对误差

实验模拟负载6 kW运行的状态，将预测结果的值与实测样本值进行比较，如图9所示，并计算得出相对误差百分比，如图10所示，相对误差的平均值如表3所示。

表3 相对误差的平均值

图9表明幅值存在小幅度误差，波动趋势基本一致。图10中的相对误差均不高于1.6%，且以小于1.5%为主，表明预测精度较高；平均相对误差仅为1.233 0%，直观地表现出可以接受的预测结果。

图9 负载6 kW运行时的预测

图10 负载6 kW运行时的相对误差

实验模拟负载6 kW运行时变速和匀速增加调节风速的运行状态，将预测结果的值与实测样本值进行比较，如图11所示，并计算得出相对误差百分比，如图12所示，相对误差的平均值如表3所示。

图11 负载6 kW运行时风速增大的预测

图11表明幅值存在小幅度误差，波动趋势基本一致。图12中的相对误差均不高于2.5%，且以小于1.5%为主，表明预测精度较高；平均相对误差仅为1.112 1%，表明预测结果可以接受。

图12 负载6 kW运行时风速增大的相对误差

5 结 语

通过分析研究大型永磁同步风力发电机组振动信号与噪声信号的现实特征，和它们之间的相互关联与影响特性，提出了运用信息熵的优秀特征提取特性，完成振动数据参数对噪声数据参数的有效预测思路。在标准干净的实验室环境下模拟了机组运行时可能出现的不同运行状态，并对风电机组中发电机的主轴径向与轴向、齿轮箱高速轴和低速轴径向与轴向的振动数据、整机噪声进行了实时采集，并以信息熵理论为基础对采集到的样本数据进行了特征量的提取。最后，应用基于多源数据特征级融合的GA-SVR噪声预测方法，对所提出的预测思想进行了验证。

实验结果表明，基于多源数据特征级融合的GA-SVR噪声预测，预测值与实际值之间尚有一定误差，分析推测可能是受电磁振动、噪声的影响，但获取的预测结果能满足较高的精度要求，并准确地在预测结果中得到了与实际情况一致的噪声波动趋势，这将为风电机组运行预测和早期故障诊断提供有效的参考和依据。