基于BAS-BPNN模型的风电机组塔筒倾斜度预测研究

晋高建

（国能投（ 河南） 清洁能源有限责任公司）

0 引言

风力发电机组是利用风能转换成电能的装置， 其主要组成部分包括风轮、 发电机和塔筒。塔筒作为机组的支撑结构， 承载着风轮和发电机的重量， 同时还需能够抵抗来自风力和地震等外部力的作用[1］。风电机组塔筒倾斜是指风力发电机组塔筒在运行过程中出现的不均匀倾斜现象。塔筒倾斜可能会对风力发电机组的运行和寿命产生重大影响。塔筒倾斜可能导致机组结构不稳定， 增加风力发电机组的风险， 倾斜程度过大时， 可能会导致机组的倾覆和倒塌， 对周围环境和人身造成严重威胁。塔筒倾斜会导致机组的风向和风速测量误差， 从而影响机组的控制和风能利用效率， 倾斜还会引起机组的振动和共振现象， 导致机组损耗和运行不稳定。塔筒倾斜需要及时修复和调整，需要投入大量的维护成本和人力物力资源， 研究塔筒倾斜可以帮助提高风力发电机组的整体寿命和稳定性， 减少机组的故障率和运行维护成本。

本文以风电机组塔筒倾斜的状态， 提高风力发电机组的可靠性、 经济性和环境友好性， 为风力发电技术的进一步发展和推广提供技术支持和理论依据。这有助于推动风电的发展和应用， 降低对传统能源的依赖， 减少温室气体排放。

1 风电机组塔筒倾斜机理

风电机组塔筒倾斜是指风力发电机组的塔筒在使用过程中出现了倾斜的现象。塔筒倾斜会导致风叶与机组之间的间隙变大或变小， 影响风能的转化效率，同时还有可能影响机组的安全稳定运行。 塔筒倾斜的机理分析主要涉及以下几个方面：

（1） 地基问题： 风力发电机组的塔筒需要安装在地基上， 地基的稳定性直接影响塔筒的倾斜情况[2］。地基的不均匀沉降、 地基材料的不合理选择等都可能导致塔筒倾斜。

（2） 设计问题： 风力发电机组的塔筒设计不合理也是导致塔筒倾斜的原因之一。例如， 塔筒的结构设计不合理、 材料的选择不当等都可能导致塔筒在使用过程中出现倾斜。

（3） 自然灾害： 自然灾害如地震、 风暴等也可能引起塔筒的倾斜。这些自然灾害会给塔筒施加巨大的外力， 导致其发生变形甚至倾斜。

为了研究塔筒倾斜的机理， 可以通过现场观测、数值模拟、 实验验证等方法进行分析[3］。通过实际测量塔筒倾斜的情况， 结合工程设计参数和自然环境因素， 进行数值模拟和分析， 以了解塔筒倾斜的原因和可能的影响。此外， 还可以进行实验验证， 在仿真环境中对不同因素进行控制和调整[4］， 观察倾斜的变化情况。总之， 风电机组塔筒倾斜研究的机理分析需要综合考虑地基问题、 设计问题和自然灾害等因素， 通过实际观测、 数值模拟和实验验证等手段进行分析，以便找出诱发塔筒倾斜的原因， 并提出相应的解决方案。

2 BAS-BP神经网络模型

2.1 反向传播神经网络模型

BP 神经网络是一种全连接层结构的前馈型神经网络， 由输入层、 隐藏层、 输出层组成[5］。具体的网络结构如图1所示。

BP 神经网络的核心在于求解各层的权值参数偏导数， 不断进行迭代并更新权值， 直至达到设定的训练次数或者满足设定的学习率。

2.2 天牛须搜索优化算法

天 牛 须 搜 索 算 法 （BAS） 由Jiang 和Li 等 人 在2017年提出， 通过模仿长须天牛寻找食物的行为模式来实现检测与搜索功能[6］。该算法在解决多目标函数优化问题方面具有较强的普适性， 同时可以避免出现局部最优问题。

BAS 算法维护两个随机方向向量去探测附近空间的信息浓度， 当一侧的信息浓度高于另一侧时， 算法将向浓度高的一侧迭代， 如此循环直至寻找到目标参数。

（1） 创建表示搜索行为的随机方向向量。假设随机函数为rand， 参数空间的维度为k， 则方向向量--- →----计算公式如式 （1） 所示。

（2） 计算出天牛的左右触须位置。假设xt为天牛的质心坐标，dt为天牛须长， 第t次寻找目标时天牛左右须坐标xlt、xrt可由式 （5） 、 （6） 计算。

（3） 确定天牛质心的移动方向。当前天牛的质心位置与前一时刻的质心位置相关。假设移动步长为δt， 符号函数用sign表示， 天牛的质心位置xt+1 计算过程如式 （7） 所示。

2.3 BAS算法优化BPNN模型

为了解决BP 神经网络存在的问题， 本文将天牛须搜索算法与BP 神经网络相结合， 在训练前对其初始权值进行寻优， 以此加速BP 神经网络的收敛时间，避免陷入局部最优情况。BAS 算法优化后， BP 神经网络发电量预测模型的具体工作流程如图2所示。

图2 倾角监测设备安装部署图

图2 BAS-BP预测模型流程图

3 实验验证

3.1 数据来源

使用高精度倾角传感器对塔筒倾斜进行实时监测[7］， 通过倾角传感器识别机组待机状态， 分析待机状态下塔基倾角大小和变化趋势是否超出设定阈值来实现塔筒倾斜的监测， 达到监测目的。高精度倾角传感器在风电机组的安装位置如图2所示。

根据高精度倾角传感器得到的数据， 选取每分钟5 次风机塔筒倾斜角数据为一个有效样本， 共15000 个样本， 构建倾斜角预测原始数据序列A={a1，a2， …，a15000}。按照一般要求对原始序列进行划分， 其中前80%划分为训练集， 其余为测试集，可得训 练集数据序列B={a1，a2， …，a12000}， 测试集数据序列C={a12001，a12002， …，a15000}。样本数据变化趋势如图3 所示。

图3 样本数据变化趋势

3.2 模型参数设置

针对基于BAS-BP 神经网络建立的发电量预测模型， 分别设置模型参数。其中， BP神经网络模型的输入层单元数nin=5， 输出层单元数nout=1， 隐藏层单元数nhidden=11， 学习率lr=0.01， 迭代次数epochs=1000。BAS 算法的搜索空间维度dim=136， 确定天牛在搜索空间中的初始位置为[-0.5， 0.5］之间的随机数， 同时设置当BAS 算法针对于BP 神经网络权重及阈值构建的目标函数求解结果的MSE 小于设定精度或者达到最高迭代次数时停止搜索， 并将获得的最优解输入到BP 神经网络结构模型当中， 实现对基于BP 神经网络建立的发电量预测模型精度的优化。

3.3 模型对比及分析

利用基于BAS-BP 神经网络建立的发电量预测模型， 结合训练集数据序列B 进行训练拟合， 并利用测试集数据序列C对拟合模型预测效果进行测试。同时将预测拟合效果与BP 神经网络进行对比， 得到的对比结果如图4、 图5所示。

图4 训练集预测效果对比曲线

图5 训练集预测结果对比曲线

通过图4、 图5 可以发现， BAS-BP 模型的预测曲线与实际期望值的曲线拟合度更高， 但差距较小。为了进一步验证BAS-BP 模型相较于BPNN 模型的精准性， 引入MAE、 MAPE、 RMSE 性能评估指标进行对比分析， 各指标计算方法如式 （8）-（10） 所示。

表1 模型预测性能指标数据

由表1 可以发现， 使用BAS-BP 优化原BP 模型之后， 精确度有了明显的提升， 达到了模型优化的需求。由此可见， BAS-BP 模型可以有效提取时间序列的数据的特征。相比于BP 基础神经模型对于风机塔筒倾斜度的预测效果更好、 精度更好， 说明其更适用于对风机塔筒倾斜度的预测。

4 结束语

本文通过引入BAS 算法对BP 神经网络模型进行优化， 构建了一种基于BAS-BP 神经网络的时间序列数据预测模型， 并利用某风机塔筒倾斜采集数据进行实证研究。研究结果表明， 基于BAS-BPNN模型的风电机组塔筒倾斜度预测模型相较于BPNN模型预测精度及稳定性具有较大提升， 拥有更加优良的预测效果， 能够准确预测风电机组塔筒倾斜情况， 能够在实际应用中提供有效的风电机组塔筒倾斜预警， 为维护人员提供决策支持。