基于Informer的风电机组叶根载荷预测

王 伟，王海云，黄晓芳

(1.新疆大学电气工程学院，新疆 乌鲁木齐 830046；2.新疆金风科技股份有限公司，新疆 乌鲁木齐 830026)

0 引 言

为实现我们国家制定的双碳目标，近年来风力发电产业蓬勃发展，电网中的认可度也越来越高，这一切都离不开风电技术的更新迭代[1-3]。风电技术的进步也在不断提升风电机组运行的安全性和经济性[4-6]。风电机组所处的运行环境十分复杂多变，而且过去的十几年间风机轮毂的高度越来越高，叶片也越来越大，风电机组的各个关键部位(例如叶根和偏航)更容易受到载荷的影响，这就给风电机组的结构安全以及风场的运维带来了不小的压力[7-8]。为此需要采用优秀的预测手段对风电机组的载荷进行监测和预测，以保障风电机组安全经济的运行。

近年来，随着大数据技术和人工智能技术的发展，机器学习方法能够从数据中“学习”总结出规律，有很强的处理非线性问题的能力[9]。因此，机器学习算法也被用于风电机组的载荷分析和预测中。付德义等[10]基于GH Bladed的仿真数据，将BP神经网络应用于风电机组的载荷适应性评估，完成了在不同风况条件下对风电机组叶根和轮毂等关键部位的极限载荷以及等效疲劳载荷的预测。周士栋等[11]则是基于风机运行的SCADA数据搭建了BP神经网络模型，实现了对风机关键部位载荷的预测。许扬等[12]结合多因素权重法和BP神经网络有效预测并分析了各种环境参数对风机关键部位平均载荷和极限载荷的影响。章培成等[13]采用多元线性回归的算法搭建了风机载荷预测模型，该模型在对风场多机位点评估时有着较高的准确性。上述文献都对风电机组的疲劳载荷、平均载荷以及极限载荷进行了预测方法的研究，但是未涉及风电机组实时载荷的预测，而为了提升风机运行的效率，掌握风机的实时运行状态是最有效的途径[14-15]。卢晓光等[16]利用数字孪生技术创新性地对风电机组的载荷进行了实时预测，虽然总体预测效果良好，但是由于一次性预测的数据点过多即预测的是超长序列，难免会出现局部数据段的实际值和预测值的误差较大的问题。因此，本文采用序列预测工具对风电机组载荷较长序列的预测。Informer模型由北京航空航天大学于2021年提出，专门设计用于长序列的预测。目前已经有学者将Informer模型应用于不同领域的工程研究中，例如董浩等[17]将Informer模型应用于PM2.5浓度的预测；刘洪笑等[18]和贺春光等[19]使用Informer模型对用电量进行了预测；张友等[20]则在数据不完备的情况下使用Informer模型完成了对离心鼓风机故障趋势的预测。

基于上述研究现状，本文创新性地将Informer模型应用于风电机组叶根载荷的实时预测，并对预测结果进行科学评估，验证该方法的可行性。同时，由于LSTM和GRU是目前处理序列数据常见且效果不错的的深度学习算法，本文采用两者进行对比实验，以此验证Informer模型在载荷实时预测中的更优的预测性能。

1 基础理论

1.1 基于叶素-动量理论的风机载荷计算

叶素-动量理论(Blade element momentum，BEM)是当前风力机载荷计算最主要的方法[21]，包含叶素理论和动量理论2个部分。

叶素理论是指将叶轮的叶片沿展向切割成n个没有空气动力相互作用的微段，称这些微段为叶素，把作用在每个叶素上的力和力矩积分，便可得到叶轮上的力和力矩。与叶根距离为r、厚度为dr的叶素上受到的轴向推力dT和dM分别由如下公式计算得到

(1)

(2)

式中，Nb为叶轮的叶片数；ρ为空气密度；c为叶素弦长；v0为相对来流的风速；CL和CD分别为升、阻力系数；φ为入流角。

动量理论是指基于动量守恒定律，获得作用于叶轮上的力、力矩和动量、角动量之间的关系。同样，与叶根距离为r、厚度为dr的叶素上受到的轴向推力dT和dM分别由如下公式计算得到

(3)

dM=4πρΩv1b(1-a)r3dr

(4)

式中，v1为无穷远处来流风速；a和b分别是轴向和切向诱导因子；Ω为风轮转速。

结合叶素理论和动量理论便可以求得作用在风机叶轮上的力、力矩和功率。

1.2 灰色关联度分析

灰色关联度分析法的基本思想是若影响因素与目标变量的变化趋势一致，该影响因素与目标变量关联度较高；反之，则关联度较低。将灰色关联度分析法与深度学习模型相结合，通过该分析方法筛选出与目标变量强相关的影响因素作为模型的输入，从而避免模型因无效输入太多导致其训练效率过低的问题。灰色关联度分析法的计算公式如下

(5)

(6)

式中，ξi(k)为第i个影响因素的第k条数据与目标变量第k条数据的关联系数；Δi(k)为第i个影响因素与目标变量的差序列；Δ(max)和Δ(min)分别为两级最大差和两级最小差；ρ为分辨系数，范围为(0，1)，本文取0.5；ri为第i个影响因素与目标变量的关联度；N为变量的数据个数。

1.3 Informer模型原理

Informer模型是基于注意力机制的深度学习模型，能够更为准确地捕捉到长序列中输入和输出依赖关系，因此Informer模型的出现为解决长序列问题提供了新的方法。Informer模型主要由编码器(Encoder)和解码器(Decoder)2部分组成，具体结构如图1所示。

图1 Informer模型结构示意

注意力机制的计算主要由查询向量矩阵Query(Q∈RLQ×d)、键向量矩阵Key(K∈RLK×d)和值向量矩阵Value(V∈RLV×d)3个向量组成，其中LQ为查询向量矩阵序列维度；LK为键向量矩阵序列维度；LV是值向量矩阵序列维度；d为输入维度。第i个Query的注意力系数的概率形式A表为

(7)

第i个Query的稀疏性得分M为

(8)

最终得到稀疏自注意力公式为

(9)

Encoder主要用于捕获长序列的远期依赖关系，将输入送至多头稀疏自注意力模块，并且中间会通过蒸馏层进行蒸馏操作以减少网络参数，突出特征，蒸馏原理可表示为

Xj+1=MaxPool{σ[Conv1d([Xj]AB)]}

(10)

式中，MaxPool为最大池化操作；σ为激活函数；Conv1d表示的是序列上的一维卷积操作。

Decoder的作用是进行前向计算并预测长序列输出。此外，由于Informer使用的是生成式结构，能够一次性生成全部的预测序列，极大地提高了预测解码的效率。Decoder的输入格式为

Xfeed_de=Concat(Xtoken，X0)∈R(Ltoken+Ly)×d

(11)

式中，Xtoken为开始字符；X0为占位字符；Concat则表示将Xtoken和X0连接合并。

同时，对于序列预测问题，数据间的顺序非常重要，为了使数据输入模型之后的顺序结构不发生改变，需要对每个输入数据的位置信息进行位置嵌入，嵌入原理由下式表示

(12)

(13)

式中，pos为序列次序；j∈(1，d/2)，表示维度。

2 Informer预测模型搭建

2.1 原始数据获取

本文以某4.5 MW的服役直驱风电机组为实验对象，该风电机组的额定风速为10.8 m/s；叶轮直径为155 m。通过基于BEM的风机载荷计算软件OpenFAST对该机组进行仿真得到叶根的载荷数据。

2.2 数据分析

使用灰色关联度分析法筛选出与叶根载荷变化有较强相关性的影响因素，以此作为模型预测的输入。筛选出的影响因素及其相应的关联度由表1给出。

表1 影响因素与叶根载荷关联度

由表1可知，这些影响因素与叶根载荷的关联度都高于0.5，说明对叶根载荷的影响较大，因此将表中10个影响因素作为输入到Informer预测模型中的决策变量。

2.3 数据预处理

首先是标准化处理，因为不同的变量在量纲上有较大的差异，导致有些变量的方差很大，从而影响到模型的收敛和预测精度，所以需要对原始数据进行标准化处理，消除量纲差异。标准化的计算公式为

(14)

然后将标准化处理过的数据按照7∶1∶2的比例划分为训练集(21 000组)、验证集(3 000组)和测试集(6 000组)，供预测模型使用。

2.4 模型实现

本文使用深度学习框架Pytorch搭建Informer模型，模型的编码器输入、输出长度和预测长度分别为800、400和300；Batch-size为32；迭代次数为6；注意力头数为8；优化器为Adam；激活函数为gelu；Dropout为0.05；学习率选为0.000 1。

基于训练集和验证集的数据，训练得出使用过去800个数据点预测未来300个数据点的最佳叶根载荷预测模型后，用于测试集的测试，并对输出结果采取逆标准化操作，最后得到叶根三个载荷分量的预测值。

3 结果分析

3.1 模型预测能力评估

参照国内外研究中常用的预测精度的衡量方法，本文选用可决系数R2、平均相对误差MAPE、均方根误差RSME以及平均绝对误差MAE作为模型的评估指标。各指标的计算公式为

(15)

(16)

(17)

(18)

式中，yi，pre为第i条数据的模型预测值；yi，real为第i条数据的实际值；ymean为实际数据的均值。这些误差的数值越小，模型的准确度越高；R2的范围是0～1，R2的值越大，模型预测的预测效果越好。

3.2 模型预测结果分析

通过Informer模型对风电机组叶根Mx弯矩、叶根My弯矩和Mz弯矩未来300个数据点的预测，得到图2的预测值与实际值的对比曲线。由图2可知，Informer模型的预测值和实际值之间有较好的一致性，说明其对于叶根的实时载荷有较好的预测精度，也证明了将此长序列预测工具应用于风电机组实时载荷预测的可行性。

图2 Informer预测结果

表2给出了Informer模型和LSTM以及GRU预测结果的对比数据。由表中数据可知，Informer模型的四项评价指标相较LSTM模型和GRU模型均有提升；其中Informer模型预测结果与实际值的拟合程度均在0.9以上，说明模型有较好的预测效果，也验证了Informer模型在载荷实时预测更优的性能。

表2 叶根载荷预测结果评估指标

4 结 语

本文创新性地将长序列预测工具Informer模型应用于风电机组叶根实时载荷的预测，基于OpenFAST的仿真数据，通过灰色关联度分析法筛选出对风机叶根载荷影响较大的因素作为模型的输入，给出了模型预测值和实际值的对比结果，并通过对结果的分析证明了该方法的可行性；通过与LSTM和GRU两种常规模型预测结果的对比，验证了Informer模型在载荷实时预测中更优的性能。