基于降噪自编码的风力机参数异常预警研究

程斌斌，陈德彬，李德鑫，李宙宇，赵天野

(华能吉林发电有限公司新能源分公司，长春 130000)

在习近平总书记“2030年碳达峰，2060年碳中和”的重要指示下，绿色与高效发展成为我国能源体系建设的发展方向。风力发电作为一种可再生能源，发展迅速，在我国绿色低碳转型、能源结构调整等方面发挥着举足轻重的作用。风电机组所处环境复杂，面临高温、高湿、盐雾腐蚀、沙尘、台风、雷暴等恶劣气候条件，且随着风电机组服役年限增长，风机故障率不断上升，这给机组的运行安全带来挑战[1]。目前大型风电机组普遍配置了数据采集与监视控制(Supervisory Control And Data Acquisition，SCADA)系统，对风力机及其核心部件的性能参数、温度和风速等环境参数、电网电压和频率等电气参数、风力机故障停机及维修等运行参数进行实时远程监测与记录。当SCADA系统监测的参数超出设定的阈值，就会触发警报。但是SCADA系统是基于设计时的固定阈值来报告机组的运行状态的，是一种固定的越线报警模式，未能兼顾环境变化和机组在运行过程中的老化，当机组发生故障，触发警报时，机组的故障已然恶化，故障的早期预警无法实现。因此，采用大数据分析方法，利用风电机组SCADA系统大量运行数据及状态信息，开展风电机组性能评估、异常工况预警及早期故障检测[2-3]，成为当前的研究热点。

基于SCADA系统的参数预警的基本原理是从 SCADA 系统中抽取机组正常运行数据，建立预测模型，对当前工况的应达值进行估计，并与实际运行参数对比，通过残差的大小来评判机组的运行状况。睦浩淼[4]在风电机组运行状态异常检测方面提出了一种基于回归算法支持向量机的方法。陈自强等[5]提出了一种基于深度置信网络的风电机组变桨系统的故障诊断方法，用于诊断系统的早期故障，取得了较好的效果。Zhang等[6]分析了长短时记忆网络在风力机参数预警中的不确定性。崔恺等[7]建立了基于广义回归神经网络的风电机组性能预测模型和故障预警模型，并用某实际风电机组若干历史故障发生前后的真实 SCADA 数据验证了模型的有效性。

上述方法在风电机组早期参数异常预警方面取得了较好的效果，但对风电机组实际运行的状态考虑不够全面。其中数据清洗规则不适用于不规则和多密度数据集，对于限负荷数据的清洗过程较为繁琐，且其建模方法也存在适应性不足的缺点。基于此，本文依据风力发电机的工作原理，将风电机组划分为风速功率系统、机舱温度系统、变桨系统、齿轮箱系统、发电机系统等子系统，基于降噪自编码(Denoising Auto-Encoders,DAE)深度神经网络，建立了风力发电机组各子系统的参数异常预警模型。在此基础上，依据SCADA系统实际运行数据，从空值、异常值、非正常状态数据以及归一化等4个方面提出了一整套数据预处理方法，最终提出了一种基于降噪自编码的风电机组参数预警方法。

1 数据预处理

风电机组传感器数据容易出现测量误差，这通常是恶劣的自然环境、强电磁干扰和信道噪声造成的，由于传感器失灵、通信错误或极端天气等原因会产生不良数据。机组实际输出功率为零的情况通常由测量终端通信设备故障、非计划停运等原因导致。由于电网负荷端接纳能力不足，风电机组可能会出现被迫降功率运行或停机的情况，导致发生限功率运行。以上种种原因可能会导致SCADA中的数据不能用于模型训练。上述问题一般可以归纳为空值、异常值、非正常工况三种情况，此外在模型训练中数据还存在归一化的问题。

1.1 空值

风力机组长时间在恶劣工况下运行会导致其状态不稳定，出现间歇性的启停机或者通信中断情况，这种情况会导致传达到SCADA数据库的数据为空值。如果SCADA系统中的数据在较长时间范围内都为空值，可以采用直接去除的方式对空值数据进行预处理。

1.2 异常值

SCADA数据中的异常值主要指传感器的测量值超出其物理上下限，或者其测量结果超出当前可能的正常范围，如风速、环境温度等超出正常范围。对于传感器测量值超出物理上下限的数据可以直接采用删除的方式进行处理。对于采用极值判断后测量结果出现明显异常的情况，比如风速值、转速值小于0或者绝对值特别大等情况，应该将其历史记录的保存数据删除。对于其他可能存在的不正常情况和数据值，应通过对风电机组历史值的统计分析，采用箱型图方法进行预处理，以删除明显偏离正常值的数据点。

箱形图可以用来描述数据分布的整体情况，通过计算中位数、下四分位数、上四分位数、上边界、下边界等统计量来生成一个箱体图，来描述数据的整体分布情况。箱体内是正常数据，超出了上下边界的数据可以判定为异常。箱型图剔除数据中的异常数据的原理如图1所示。

图1 箱型图剔除异常数据

上下边界计算公式如下：

(1)

式中：Q1表示数据的下四分位数；Q3表示数据的上四分位数；Xll表示数据集的下限；Xul表示数据集的上限。

1.3 非正常工况数据

非正常工况数据主要指设备未运行时产生的数据和设备发生故障时的运行数据，以及发生弃风限电或出现多参数间有逻辑矛盾的情况下的数据，如风速低于切入风速，但机组却仍然并网发电等。对于该类数据，可以通过逻辑值加聚类方式对其数据范围进行判断，然后将数据记录删除。

1.4 数据归一化

SCADA数据中存储的监测数据种类众多，不同类型数据单位不同，物理意义不同。不同评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果。为了消除指标之间的量纲影响，需将数据进行归一化处理。归一化计算公式如下：

(2)

2 降噪自编码深度网络模型

自编码器(Auto-Encoder，AE)[8]是一种用于学习输入数据非线性特征并将其进行重构的神经网络，通过无监督方式学习输入数据的表达特征，网络结构包括输入层、隐含层和输出层。通常AE的输出层与输入层的神经元数量相同，其训练目标是让输出尽可能还原输入信号。AE包括从输入层到隐藏层的编码过程和隐藏层到输出层的解码过程,其逻辑结构如图2所示。

图2 自编码神经网络结构示意图

为了解决经典AE容易产生的过拟合的问题，Vincent等[9]提出了DAE方法，在传统AE的输入层加入随机噪声来增强模型的鲁棒性。分别用函数表示添加噪声、编码器、解码器和损失函数如下：

(3)

(4)

(5)

(6)

3 系统建模及训练

3.1 系统建模

风电机组是由风轮、偏航、变桨、传动链、发电机、机舱、塔架以及控制系统等共同构成的发电运行系统。若将整个风电机组建立成一个DAE深度网络模型，则会存在输入参数过多，且多个参数之间相关性不强的问题，这会导致模型的训练样本超大，训练和预测速度降低，精度较低。因此本文依据风电机组的工作原理，将其划分为风速功率子系统、机舱温度子系统、变桨子系统、偏航子系统、齿轮箱子系统、发电机子系统等等，对每个子系统分别建模，并选取相应的输入输出参数。需要注意的是，不同厂家不同型号的机组，由于传感器的布置存在一定的差异，其子系统的输入输出参数会根据传感器的实际布置情况进行修正。以金风GW82/1500型机组为例，其发电机子系统的模型输入输出参数如表1所示，而华锐SL1500/77型机组的发电机子系统的模型输入输出参数如表2所示，可以看出其有较大的差异。

表1 金风GW82/1500机组发电机模型的输入输出参数

表2 华锐SL1500/77机组发电机模型的输入输出参数

3.2 系统模型训练

下面以金风GW82/1500型机组发电机子系统的模型为例，根据3.1节所建立的各子模型分别进行训练。该DAE模型设置3个隐含层，对每个隐含层的单元个数、学习率以及噪声损坏程度进行网格搜索寻优，最终确定单元数分别是8和4，损坏程度为0.4，优化器为Adam，训练损失函数为MSE。模型的W，b等参数在训练开始时进行服从均匀分布的随机初始化。模型建立完成后进行训练。本文选取前一年的正常工况作为总样本，将总样本按季节进行划分，从各个季节中随机选择80%的数据作为训练样本，其余20%数据作为测试样本。图3为模型训练过程中训练样本与测试样本损失函数变化趋势，随着训练深度的增加，损失函数逐渐降低直至趋于稳定。

图3 模型训练损失函数变化过程

4 实例分析

根据前述研究结果，采用JAVA软件开发系统界面，采用PYTHON建立风电机组各子系统的预警模型,并将所开发的预警软件布置在某风电公司的A风电场、B风电场和C风电场上，2021年8月份运行1个多月的预警事件统计表明，正确预警为180条，错误预警为27条，运行1个月来的预警准确率为86.9%。下面以C风电场运达F28风电机组变桨系统为例，详细说明其预警结果。

2021年8月31日 04:59:44 该风电机组桨叶2电机温度残差超限，发出预警，同一时刻的桨叶1号电机温度、桨叶3号电机温度未发出预警信息，预测界面如图4至图6所示。

图4 桨叶1号电机温度预测结果图

图5 桨叶2号电机温度预测结果图

图6 桨叶3号电机温度预测结果图

从图4至图6可以看出，桨叶1号、3号电机温度预测值与实际值之间均拟合得较好，残差处于很低的水平。经分析实际值可知，此时桨叶2号电机温度长时间在48 ℃上下波动，与1号、3号电机温度实际值差距较大，怀疑温度传感器损坏。经维修人员现场检查后，确定了该故障。

5 结 论

基于风电机组SCADA系统历史运行数据，从空值、异常值、非正常状态数据以及归一化等4个方面提出了一整套数据预处理方法，对原始数据进行了清洗，剔除异常和故障数据，然后依据风力发电机的工作原理，将风电机组划分为风速功率系统、机舱温度系统、变桨系统、齿轮箱系统、发电机系统等子系统，进而采用DAE建立了风电机组正常参数预测模型，并对模型进行了验证。结果表明，该方法能够对风电机组异常状态进行提前预警，准确率能够满足风电场实际需求。研究成果对于机组的安全运行和维护决策具有重要意义。