基于人工智能的风电机组运行状态监测和故障诊断预警研究

王 恒

（国电投长江生态能源有限公司，湖北 武汉）

引言

为实现风电机组状态监测确定机组故障[1]，研究基于人工智能技术的风电机组状态监测方法，通过状态监测完成机组的故障诊断，并发送异常预警，为风电机组的运行管理提供可靠依据。

1 风电机组状态监测和故障诊断预警

1.1 风电机组状态监测和故障诊断预警模型

本文为实现风电机组状态监测和故障诊断预警，选择典型的人工智能技术的深度学习方法构建风电机组状态监测和故障诊断预警模型，该模型以采集的风电机组运行数据为依据，通过深度学习的训练和学习[2]，完成故障诊断；并依据设定的预警阈值，进行故障预警。模型的整体结构如图1 所示。

图1 风电机组状态监测和故障诊断预警模型结构

1.2 风电机组运行数据处理

本文为保证风电机组故障诊断精度，采用小波包分解算法对采集的信号数据进行分解处理[3]，详细步骤如下所述：

步骤1：如果峭度选取分量用S 表示，对其进行j层小波包分解，获取分解后第i 层中第j 个节点所在频段的小波包分解对应的系数Xij。

步骤2：采用重构的方式对底层小波包分解系数进行处理，即完成步骤2 获取的所有频带特征信号序列的重构，Xij重构的信号用Sij表示，如果第5 层各个节点的重构信号用S5j表示，则S 的计算公式为：

式中：n 表示分解层数。

步骤3：计算每一个频带信号的总能量，如果风电机组运行状态信号在第j 个尺度上的能量谱用Ej表示，对应的功率用Ei表示，Ei的总和即为信号总功率E。则任一尺度上的能量比例用 εij(k)表示，则小波包能量熵的计算公式为：

式中：N 表示原始信号长度；Hij表示风电机组运行状态信号的第i 层中第j 个小波包能量熵。

依据上述步骤即可完成风电机组运行状态信号的处理，将信号分解成独立的频带，降低运行状态信号的复杂度。

1.3 风电机组故障诊断

1.3.1 栈式稀疏加噪自编码深度神经网络模型结构

针对风电机组运行特点，本文采用栈式稀疏加噪自编码深度神经网络构建风电机组故障诊断模型，将上述小节处理后的风电机组运行状态信号输入至栈式稀疏加噪自编码深度神经网络（SSDAE）模型中，完成风电机组故障诊断。

SSDAE 模型是通过训练完成风电机组运行状态数据的训练，文中采用逐层贪婪训练法完成，模型训练步骤如下所述：

步骤1：采用无监督的方式对模型的第一层SDAE 进行训练，将该层的输出结果作为原始输入的最小化重构误差；

步骤2：将上一SDAE 层的输出结果作为下一个SDAE 等的输入，完成该层网络训练；

步骤3：重复步骤2，完成所有SDAE 层的训练；

步骤4：强最后一层隐含层的输出作为分类层的输入，并定义故障类别数量为分类层神经元数量，为后续监督微调整提供依据。

通过上述的训练步骤即可获取每一层学习获取的特征结果，该特征结果即为风电机组运行状态数据特征不同阶数的表达。

1.3.2 有监督微调

依据上述小节完成模型训练后，为提升模型的应用性能，采用带标签的样本进行模型的有监督微调，微调的主要目的是将模型中的所有层均看作一个模型，利用有监督学习算法对其进行进一步调整，通过循环迭代完成模型权值和偏置的优化；并将最后一层隐含层输出结果和类别标签作为分类层的输入，文中选择BP 神经网络完成模型微调，详细步骤如下所述：

依据上述内容完成模型的有监督微调后，具备更好的非线性拟合能力，能够更好地分析风电机组运行状态特征情况，深入提取潜在的分层特征，精准完成风电机组故障分类诊断。

1.4 故障预警

依据上述小节完成风电机组故障诊断后，则进行状态预警，为可靠完成故障预警，需设定预警阈值，文中选择时移滑动窗口进行预警阈值的确定。

如果第k 个窗口中存在c 个误差，为避免发生正负误差发生相互抵消情况，文中采用平均绝对误差所谓风电机组运行状态预警指标，其计算公式为：

2 实验结果分析

为验证本文方法的应用效果，文中选择某发电站的风机发电组作为测试对象，采用本文方法进行运行状态监测；该风电机组的额定功率为3 MW，机组的总体参数详情如表1 所示。

表1 机组的总体参数详情

参数设置：稀疏常数0.001，权重衰减稀疏0.01，稀疏惩罚项系数0.2，学习率0.01，迭代次数120。

为验证本文方法的故障诊断效果，以齿轮箱故障、风机转速异常以及轴承过热三种故障为例，采用本文方法对其进行诊断，并采用拟合程度作为评价指标，测试本文方法诊断结果和实际结果之间的拟合度，该指标的计算公式为：

式中：～yi表示诊断结果；yi表示实际结果。

依据公式（11）计算本文方法在不同的特征数量下，对齿轮箱故障、风机转速异常以及轴承过热三种故障诊断结果的拟合程度，该指标的取值范围在0～1之间，其值越大表示诊断效果越佳，测试结果如表2所示。

表2 故障诊断精度测试结果

依据表2 测试结果可知：采用本文方法进行风电机组不同故障进行诊断后，故障的诊断结果和实际结果之间的拟合度较高，均在0.933 以上，最高拟合度结果达到0.992。因此，本文方法具有较好的风电机组故障诊断效果，能够精准完成风电机组不同故障诊断。

为验证本文方法的故障预警效果，文中以发电机转速为例，设定转速预警阈值，获取转速异常后，本文方法的预警情况，测试结果如图2 所示。

图2 故障预警测试结果

依据图2 测试结果可知：风电机组在运行过程中，转速发生异常，转速结果突然超过设定阈值，本文方法可在转速超过阈值的0.1 s 内完成预警。因此，本文方法能够及时掌握风电机组的运行状态，实时完成故障预警。

3 结论

本文研究基于人工智能的风电机组运行状态监测和故障诊断预警方法，并且对该方法的应用效果展开相关测试。结果表明：本文所提方法具有较好的应用性能，能够精准地完成风电机组运行故障诊断，并且快速进行故障预警，为风电机组的安全管理提供可靠依据。