基于多源信息融合预测技术在智慧风电场的应用

华能华家岭风力发电有限公司 欧旭鹏 任 涛 张 亮 徐一廉 王运辉

运行维护计划是风电场运营的基本组成部分，对设备成本、市场收入和维护人员的维修有着深远的影响。在典型应用中，维护成本占风电场运行成本的25～35%。一旦故障发展到更严重的阶段，修复的成本就会呈指数级增加，直到完全修复的时间也会更长。与其他机械行业相比，这对风电能源行业的影响可能过大。因此必须提前预测设备故障，及早采取必要的措施，以防止灾难性的设备损坏事故发生。为了降低成本，风电场运营商不断寻找方法，大多数电站的管理者以及投资者开始思考将大型风电场传统运维管理模式向现代更加智能的智慧风电场运维模式转变。以风电场价值为中心，发电量最优、运维成本最低成为智慧电场的核心思想。

多源信息融合(Multi-Source Information Fusion，MSIF)是一种基于算法研究将单一源信息融合的方法，能够获得比单源(或单传感器)更高精度的重要信息。1970年左右被研究人员逐渐研究和学习，此后MSIF 的理论和技术得到了迅速发展，成为一门综合性、跨学科技术，已成功应用于各个领域。

为了满足设备性能和提升发电效益，本文基于多源信息融合技术，构建了风电场可视化智能管理系统。该技术通过多位置传感器、无人机成像、热成像等设备，采集多源化信息数据，结合信息融合专家系统建立风机设备的智能预警系统。该系统可以实现部分健康状态监测、定期体检、剩余寿命预测、最佳运行状态识别等功能，将预测策略结果可视化，通过客户端、移动端、集控大屏展示，实时动态了解设备运行状况，最终到达了早期阶段识别故障以及预测的效果，优化运行维护工作质量。

1 风电场运维现状

风电场最开始的运维模式是采用SCADA 系统，来监测风电机组的发电量以及运行状态。整个风电场的运行于与检修都在升压站内，我们将这种运维模式称为风电场运维1.0时代。随着远程监测技术的升级，以及集控思想的出现，出现了由区域公司集中化监测与管理，即风电场运维2.0时代。虽然在技术层面风电场的运维有所提升，但是风电场的运维管理模式为被动式维护[1]，现有风电场运维模式有如下不足：

运维策略后置。目前风电场维护计划的方法可以分为两大类：一类是不使用传感器信息的机会性维护方法，即定期维护；二类是专注于消除故障方法，即反应性策略(故障后修复)。这种运维的策略，使得维护中存在维护不足、过度维修且“维修过度”造成设备的可靠性降低、点检等问题，对于大部件的损坏和失效实时管控;对于突发或者偶发故障，监测以及预测不及时。

运维成本高。由于风电机组的分布比较广，风电场的地理位置大多处在偏远、交通不便的沙漠以及海拔比较高的山地上。由于传统风电场运维技术的落后，风电机组与升压站的定期运维工作、计划性运维、故障检修以及大量运维信息查询、分析等工作必须人工完成，这让运维的成本变高。

信息共享能力差。风电场每天运行中，风力发电机群组会产生大量的运行信息和数据，例如风功率预测数据，升压站运行数据，继保室运行录波，风机运行监测数据等，这些数据以及监测管理系统都是相互独立的，没有信息之间的共享，使得风电场产生的大量数据通过运行人员自己分析处理，人为的分析数据的能力是有限的。大大增加了运行维护人员的工作量。传统风电场的运维模式在当下快速发展新能源的时代中，显然不能提升发电能力，只有传统风电场运维模式向智能化风电场管控转变，才能使得风电场的效益明显的提升[2]。

图1 多源信息融合模型

2 多源信息融入

MSIF 的课题已经研究了几十年，仍处于热门的研究中。总结研究人员提出的各种研究结论，给出了一下定义：多源信息融合（MSIF）也称为多传感器融合，是一个多层次、多方面的过程，包括多源信息的检测、关联、组合和估计，从而提高状态和身份估计的准确性，以及及时完整地评估目标情况和威胁的最终程度[3]。

多源信息融合级别主要有数据级融合、特征级融合、决策级融合。数据级融合的方式比较简单，将传感器采集的信息直接通过单一模型去预测，将预测的结果在同一类型中进行信息融合，然后得到融合预测值，通过对预测值的进行特征提取和判断决策。这种融合方式极大程度保留了原始信息，兼容性比较差。属于最低层次融合，但是数据精度比较高一点；特征级融合是将传感器采集的信息先压缩，压缩的方式就是将原始信息抽象成特征向量，然后根据相应的算法融合处理。这种融合方式对原始数据进行了压缩，使得数据量减少，也使得信息量会损失；决策级融合是通过每个传感器采集的信息先自身数据做决策，然后通过决策值的权重来完成局部决策。是最高层次的信息融合。但是数据量损失严重，精度最低。因此本文选取了数据级融合方式，可极大程度保留原始数据，通过大数据分析来提高融合的精度。

多源信息融合主要应用于空中目标侦察与预警、智能交通与智能车辆、目标识别与身份认证、智能传感与智能控制等领域，本文将多源信息融合应用于风电场智能管理领域。

图2 为数据级融合模型

3 基于多源信息融合的主要技术与算法

3.1 单一模型信息融合预测

单一模型对信息处理的能力是有限的，一般对冗长信息融合能力差，但风电场运行设备中有一部分设备的信息比较单一，非常适合单一模型的信息融合，单一模型的预测与风电机组设备运行的历史数据之间呈现出不确定的非线性函数关系，为了使得到的预测效果准确，训练集样本需采用非线性样本集，来训练得到非线性特性，本文采用卷积神经网络（CNN）算法来预测单一模型，卷积过程[4]：Fl+1,m(S)=wl,m×xl(S)+bl,m，式中：wl,m和bl,m分别表示第l 层中第m 个滤波器内核的权重矩阵和偏置项；xl(S)表示第l 层S 为单一模型。Fl+1,m(S)表示第m 个滤波器的卷积后的输出，即观测空间到特征空间的非线性映射。

3.2 基于专家系统的信息融合预测

专家系统在从各种数据模型中进行信息融合方面有其独特的优势，正因为如此，近十年来，它受到了众多研究者的关注，并取得了一定的成果。目前，专家系统在数据融合模型和技术方面取得了突破性进展，它主要体现在对复杂序列趋势的预测问题的融合应用上。对于复杂时间序列信息，单一模型信息融合精度是远远不够的，为了使其预测的效果具有准确性，通过专家系统的其单一预测模型组合起来，发现效果明显优于单一模型的精度。对于风力发电机组在不稳定的环境中运行，采集到的信息中存在复杂时间序列信息，通过融合不同的专家预测信息来增加风电机组运行状态，使得风电场的运维模式更高效。

因为权重的分配对专家系统融合的结果有决定性因素，所以权重的求解显得尤为重要。可以将权重的求解看成是一个优化问题，这个优化问题要比一般的约束多一点，难度也大。因而，本文选取布谷鸟搜索算法（Cuckoo Search，缩写CS）作为融合函数中权重的确定方式。CS 算法主要优点是参数少、随机搜索路径优和寻优能力强等，因此，CS 算法可以更好地解决权重问题。

3.3 异源信息

在信息系统中，属性值可以来自不同的来源，并且数据类型可能不同。在具有不同类型特征值的数据(即异源信息)中进行信息融合尤为重要，因为这类数据集在现实生活中广泛存在。例如，作为多媒体媒体的视频可以被分解成多个单模模式，诸如动态图像、动态语音和动态文本，其包含三种不同类型的数据。此外，多传感器的融合还涉及到各种类型的数据。如何处理和融合不同类型的数据是一个热门话题。总的来说，研究人员最初通过描述表示数据类型的距离函数来讨论异构性，然而，许多研究将异构数据定义为两种类型的数据属性，即数值属性和类别属性。多传感器对风电机组运行设备短期性能影响的不规则事件，因此，采用专家预测系统的方法，通过专家的原理性知识和经验性知识来预测异源信息对风电机组运行设备状态值影响程度。

3.4 多源信息融合预测的总体思想

从风电机组信息源的方向出发，提出了基于多源信息融合的风电机组设备预测，在整个机组运行过程中除了专家系统预测的影响，而且也会受到来自异源信息对设备运行状态的影响，我们使用异源信息作为对专家系统融合信息调整依据[5]。采用=(S1t,S2t,…,Snt)+来整体融合，其中，t 表示时间，表示基于多源信息融合技术对风电机组设备状态的预测值，表示专家系统预测信息，表示异源信息对风电机组设备状态的预测值。图3为基于多源信息融合技术的风电机组运行设备状态预测的整体思路。

图3 多源信息融合预测总体理论框架

4 基于多源信息融合的智能运维

风电场管理者开始了自主研发智慧运维模式。希望建设智慧电场，来优化运维管理，同时对设备的状态可以预测，通过现有的研究可以看出，现阶段风电场对风电机组各设备状态的监测与故障预警方面存在很多不足[6]。

针对以上存在的不足问题，本文基于多源信息融合技术预测建立智能运营系统，图4为智能运营的系统架构图，智能运营系统共有5层体系系统架构组成，分别是感知层与数据层、智能层、应用层和展现层。其中感知层是各周期风电系统全空间信息采集的关键部分，包含多位置传感器、无人机成像、热成像等，主要是对设备运行状态感知，是整个系统的基础部分，数据层主要是风机运行各类数据的存储、组织、管理与共享，可以通过数据之间的特征来建立信息之间的映射关系，为多源信息融入提供有效的、完整的数据支撑，是整个智能系统的重要组成部分。

图4 基于多源信息融合预测智能运营系统框架

智能层是将预测的结果通过数字孪生与机器学习训练的方法建立风力发电机组四大子系统，四大子系统分别为亚健康预警系统、全生命周期健康度管理、智能故障诊断、数字化运维。其中风力发电机组的亚健康预警系统类似人身体的亚健康预警系统，可以提前预测设备存在的；全生命周期健康度管理，来观测风力发电设备的运行状态以及健康值，为设备的整体运行提供可靠依据；智能故障诊断，用机器学习中最新的算法来诊断设备运行的故障；数字化运维，结合亚健康预警和健康度管理实现运维排程指导和运维决策。通过智能管理策略，构建智能管理中心，其中包括物资管理、台账管理、运行管理、检修管理。

应用层从智能预警中心和智能管理中心两个功能模块实现整个风电场的智能运营体系；视化展现层主要通过浏览器、客户端、移动终端、大屏幕显示等设备向运行人员展示当前风电场运行状况，值班人员很直观观测到整个风电场的运行状态，做出整体运维调度工作。实现跨平台多功能应用，使得运维人员更加方便沟通，数据共享，进行智能运维决策、智能预警、智能管理等专业应用，完成多源信息融合技术预测建立智能管理平台系统[6-7]。

本文提出风电场智能运营系统，借助多源信息融合中的专家系统与异源信息技术预测模型，对风电场设备运行状况进行预测，并结合历史业务运行数据分析，准确判断风电场当前设备运行状态，预测评和估风电场综合状态，优化运维模式，提前做出预警，预防安全隐患。整个运营系统利用智能运维平台大数据、机器学习算法、云计算服务，对风力发电机组设备正常运行、告警、故障等多源数据分析。此外，可以有集控室的客户端与浏览器向检修人员的移动终端上发送风电机组设备定期检修、维修等工作，监督工作人员标准化作业，开发智能开票系统，辅助工作人员简洁化作业和记录检修维护信息标。