基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電機溫升故障診斷研究

于建國，岳占岐，邊 輝，程鑫鑫，鄧醴陵

(1.國華(河北)新能源有限公司，河北 張家口 075000；2.中車株洲電機有限公司，湖南 株洲 412000)

0 引 言

當(dāng)今世界，各國面臨日益嚴峻的環(huán)境問題，紛紛提出綠色能源的理念和節(jié)能減排的政策[1]。風(fēng)能作為一種可再生的清潔能源，儲量巨大，受到許多國家的關(guān)注。近幾年來我國風(fēng)電產(chǎn)業(yè)飛速發(fā)展，但針對風(fēng)電機組的故障診斷技術(shù)卻沒有進行相應(yīng)的提高，導(dǎo)致風(fēng)機故障頻發(fā)。風(fēng)力發(fā)電機作為發(fā)電機組上的核心部件之一，其維修難度和維護成本是相對比較高的。風(fēng)力發(fā)電機的故障預(yù)警對于保障風(fēng)力發(fā)電機組的穩(wěn)定運行起著至關(guān)重要的作用。因此，開展風(fēng)力發(fā)電機故障診斷研究是十分有必要的。

BP神經(jīng)網(wǎng)絡(luò)是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，是目前故障診斷的有效工具[2]，以下主要針BP神經(jīng)網(wǎng)絡(luò)進行了系統(tǒng)結(jié)構(gòu)及算法的研究，并結(jié)合四川喜德則約項目中的四臺1.5MW直驅(qū)風(fēng)力發(fā)電機SCADA系統(tǒng)中采集的各項運行數(shù)據(jù)為樣本，在MATLAB軟件中建立BP神經(jīng)網(wǎng)絡(luò)溫升預(yù)測模型，對發(fā)電機溫升故障開展了相應(yīng)研究。

1 BP神經(jīng)網(wǎng)絡(luò)算法

1.1 BP神經(jīng)網(wǎng)絡(luò)介紹

BP神經(jīng)網(wǎng)絡(luò)(Backpropagation)是一種典型的多層前向型神經(jīng)網(wǎng)絡(luò)，其基本結(jié)構(gòu)主要有一個輸入層，多個隱含層和一個輸出層。層與層之間采用全連接的方式，同一層的神經(jīng)元之間不存在相互連接。在理論上已經(jīng)證實，一個具有一層隱含層的三層網(wǎng)絡(luò)可以逼近任意非線性函數(shù)[3]。

隱含層中的神經(jīng)元主要采用S型傳遞函數(shù)，輸出層的神經(jīng)元多采用線性傳遞函數(shù)。圖1所展示的是一個典型的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，該網(wǎng)絡(luò)具有一個隱含層，輸入層神經(jīng)元函數(shù)數(shù)目為m，隱含層神經(jīng)元數(shù)目為l，輸出層神經(jīng)元數(shù)目為n，隱含層采用S型傳遞函數(shù)tansig，輸出層傳遞函數(shù)為purelin。

圖1 典型BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

1.2 多隱含層BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層組成，隱含層根據(jù)層數(shù)又可以分為單隱含層和多隱含層。與單隱含層相比，多隱含層神經(jīng)網(wǎng)絡(luò)泛化能力強、預(yù)測精度高，但是訓(xùn)練時間比較長。隱含層層數(shù)的選擇要從網(wǎng)絡(luò)精度和訓(xùn)練時間上綜合考慮，對于較簡單的映射關(guān)系，在網(wǎng)絡(luò)精度達到要求的情況下，可以選擇單隱含層，以求加快速度；對于復(fù)雜的映射關(guān)系，則可以選擇多隱含層，以期提高網(wǎng)絡(luò)的預(yù)測精度[4-7]。

圖2 多層神經(jīng)網(wǎng)絡(luò)

圖2為一典型的多層神經(jīng)網(wǎng)絡(luò)，通常一個多層神經(jīng)網(wǎng)絡(luò)由L層神經(jīng)元組成，其中：第1層稱為輸入層，最后一層(第L層)被稱為輸出層，其它各層均被稱為隱含層(第2層-第L-1層)。

令輸入向量為

令輸出向量為

第l隱含層各神經(jīng)元的輸出為

其中，sj為第l層神經(jīng)元的個數(shù)。

1.3 BP神經(jīng)網(wǎng)絡(luò)的MATLAB實現(xiàn)

MATLAB軟件中包含MATLAB神經(jīng)網(wǎng)絡(luò)工具箱[8]，它是以人工神經(jīng)網(wǎng)絡(luò)理論為基礎(chǔ)，用MATLAB語言構(gòu)造出該理論所涉及的公式運算，矩陣操作和方程求解等大部分子程序以用于神經(jīng)網(wǎng)絡(luò)的設(shè)計和訓(xùn)練。

MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中的newff函數(shù)可以方便地構(gòu)建包含多個隱含層的BP神經(jīng)網(wǎng)絡(luò)[9]，其調(diào)用函數(shù)如下：

net=newff(P，T，S，TF，BTF，BLF，PF，IPF，OPF，DDF)

其中該函數(shù)中的節(jié)點轉(zhuǎn)移函數(shù)，主要包括以下三種：

(3)purelin函數(shù)：y=x

在網(wǎng)絡(luò)結(jié)構(gòu)和權(quán)值、閾值相同的情況下，BP神經(jīng)網(wǎng)絡(luò)預(yù)測誤差和均方誤差、輸出層節(jié)點轉(zhuǎn)移函數(shù)的關(guān)系如表1所示。

表1 不同轉(zhuǎn)移函數(shù)對應(yīng)預(yù)測誤差

從表1可以看出，選擇正確的隱含層函數(shù)和輸出層函數(shù)對于BP神經(jīng)網(wǎng)絡(luò)判斷精度的控制具有十分重要的作用。根據(jù)表中的數(shù)據(jù)進行分析，隱含層的節(jié)點轉(zhuǎn)移函數(shù)盡量選用logsig函數(shù)或tansig函數(shù)，輸出層節(jié)點轉(zhuǎn)移函數(shù)采用tansig函數(shù)或purelin函數(shù)，這樣可以有效的提升神經(jīng)網(wǎng)絡(luò)的預(yù)測精度。

2 風(fēng)力發(fā)電機溫升故障模型的建立

2.1 影響風(fēng)力發(fā)電機溫度因素的選取

為建立風(fēng)力發(fā)電機溫度故障預(yù)警模型，第一步需要選取與溫度有關(guān)的因素，即與風(fēng)力發(fā)電機溫升密切相關(guān)的機組參數(shù)，根據(jù)風(fēng)電機組運行模式分析，確定以下因素可能影響發(fā)電機溫升升高。

(1)環(huán)境溫度(T)：由于風(fēng)電機組多數(shù)安裝地方都是比較偏遠的山區(qū)、戈壁灘、高原地帶，這種地帶一般在每年多數(shù)季節(jié)都是晝夜溫差比較大的(可達到10～20°C)，這時候若其他參數(shù)完全相同，發(fā)電機溫升也會出現(xiàn)較大的差別，所以環(huán)境溫度必須作為因素之一。

(2)風(fēng)速(v)：在額定轉(zhuǎn)速達到之前，風(fēng)速越大發(fā)電機運行轉(zhuǎn)速就越快，發(fā)電機內(nèi)部各連接部件之間的摩擦就越大，進而使發(fā)電機內(nèi)部產(chǎn)生的熱量就不斷的增加，發(fā)電機溫升就隨之增加；另外，風(fēng)速大時機艙散熱必然增加又有利于降低溫度。

(3)發(fā)電機轉(zhuǎn)子轉(zhuǎn)速(n)：當(dāng)發(fā)電機低于額定轉(zhuǎn)速時，發(fā)電機的轉(zhuǎn)速會隨著風(fēng)速的增加而增加，隨風(fēng)速的降低而減小，轉(zhuǎn)子與發(fā)電機之間的機械作用會對發(fā)電機溫度變化產(chǎn)生影響。

(4)網(wǎng)側(cè)有功功率(P)：當(dāng)發(fā)電機功率高時，發(fā)電機承受的載荷就較大，發(fā)電機問題隨之增高，反正降低。根據(jù)以上分析，發(fā)電機溫度預(yù)警模型的主要變量集合構(gòu)成如表2所示。

表2 發(fā)電機溫升預(yù)警模型相關(guān)因素變量集

2.2 各因素的定性分析

根據(jù)2.1節(jié)分析，以四川喜德則約風(fēng)場1.5MW的直驅(qū)永磁風(fēng)力發(fā)電機組SCADA系統(tǒng)中的數(shù)據(jù)為基礎(chǔ)，進行各影響因素的定性分析，具體如圖3中a、b、c、d、e所示。

由圖3分析可以看出，發(fā)電機溫度的變化趨勢與風(fēng)速、網(wǎng)側(cè)有功功率、發(fā)電機轉(zhuǎn)速以及環(huán)境溫度的變化趨勢基本一致，在相同的采樣點附近取得最值，且曲線斜率基本保持相同變化規(guī)律，這說明發(fā)電機溫度是上述多個因素共同影響的結(jié)果，風(fēng)力發(fā)電機溫度與上述各參量存在一種廣義的函數(shù)關(guān)系，各個參量的變化綜合影響著風(fēng)力發(fā)電機的溫度值的變化。

圖3 各因素分析

2.3 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

采用BP神經(jīng)網(wǎng)絡(luò)來表征風(fēng)力發(fā)電機溫度與各參量間的關(guān)系。將發(fā)電機溫度與各影響因素間的廣義函數(shù)關(guān)系用BP神經(jīng)網(wǎng)絡(luò)模型來描述，將風(fēng)速、網(wǎng)側(cè)有功功率、環(huán)境溫度、發(fā)電機轉(zhuǎn)速作為輸入，發(fā)電機溫度作為輸出。

由于上列四種性能參量擁有不同的單位與量級，為讓后續(xù)神經(jīng)網(wǎng)絡(luò)模型更容易收斂，尋得誤差最小極值，在用上列四種參量來訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)之前，需對各個性能參量進行歸一化處理。采用MATLAB軟件自帶的歸一化函數(shù)mapminmax來對上述各參量進行歸一化處理[10-12]，把矩陣的每一行歸一到[-1 1]，具體如下所示：

[y1，PS] = mapminmax(x1)

其中，x1為需要歸一的矩陣；y1為結(jié)果。

將前處理后的各參量的歸一化數(shù)據(jù)來訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)函數(shù)[13-14]，MATLAB中的BP神經(jīng)網(wǎng)絡(luò)函數(shù)設(shè)置如表3所示。

表3 BP神經(jīng)網(wǎng)絡(luò)函數(shù)參數(shù)設(shè)計

按照以上設(shè)置進行BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，訓(xùn)練結(jié)果如圖4、圖5所示。

由以上訓(xùn)練結(jié)果可知，該模型是能夠進行數(shù)據(jù)分析研究的，為驗證進一步驗證訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型的可靠性，將四川喜德則約風(fēng)場21#風(fēng)機數(shù)據(jù)各參量的觀測數(shù)據(jù)作為輸入來預(yù)測風(fēng)機的溫度，并將預(yù)測溫度與實測溫度進行比較，結(jié)果如圖6所示。

圖4 訓(xùn)練結(jié)果

圖5 回歸結(jié)果

圖6 21#風(fēng)力發(fā)電機溫度變化的預(yù)測結(jié)果與實測結(jié)果對比

由上圖可以明顯的看出，21#風(fēng)機預(yù)測溫度與實測溫度曲線的變化趨勢一致，兩條溫度曲線基本吻合，兩條曲線之間的誤差較小，進一步說明該BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型是可靠的。

3 溫升故障預(yù)警仿真與結(jié)果分析

3.1 溫升故障預(yù)警誤差閾值的確定

當(dāng)風(fēng)力發(fā)電機工作狀態(tài)發(fā)生變化出現(xiàn)故障隱患時，由于動態(tài)特性的改變，輸入觀測向量將偏離正常工作空間，導(dǎo)致預(yù)測精度下降，誤差增大[15]。所以如果仿真預(yù)測溫度與實測溫度誤差較大，并有持續(xù)增大的趨勢，超過設(shè)定的誤差閾值(5℃)，且預(yù)測溫度值超過SCADA系統(tǒng)中設(shè)定的預(yù)警閾值(91.5℃)，說明該臺風(fēng)機有發(fā)生溫升故障的趨勢，需進行檢修。

3.2 溫升故障預(yù)警的驗證仿真及分析

利用訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)模型對該風(fēng)場25#、28#風(fēng)力發(fā)電機的溫升預(yù)警情況驗證，通過將風(fēng)機上實時監(jiān)測系統(tǒng)中采集到的各項數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入樣本，預(yù)測25#、28#風(fēng)力發(fā)電機的溫度。具體預(yù)測結(jié)果如圖7、圖8所示。

圖7 25#風(fēng)力發(fā)電機溫度變化的預(yù)測結(jié)果與實測結(jié)果對比

由圖7可知，25#發(fā)電機預(yù)測溫升與實際溫升曲線走勢基本一致，且在采樣周期內(nèi)先后產(chǎn)生了6次溫升故障報警(考慮系統(tǒng)啟停機等情況)，其中BP神經(jīng)網(wǎng)絡(luò)模型做出6次明顯的溫升故障預(yù)警，第1次預(yù)警是在在第0次采樣時，此時溫度誤差閾值已超過5℃，且不斷在增大，最終預(yù)測溫度值超過系統(tǒng)的溫升故障預(yù)警閾值，而在實際運行數(shù)據(jù)中25#臺風(fēng)機在經(jīng)過0.2×104s采樣時間后，SCADA系統(tǒng)實時監(jiān)控系統(tǒng)也發(fā)出溫升故障預(yù)警，其余5次預(yù)警時間點也均與SCADA系統(tǒng)預(yù)警時間點基本保持一致。

圖8 28#風(fēng)力發(fā)電機溫度變化的預(yù)測結(jié)果與實測結(jié)果對比

由圖8可知，28#發(fā)電機的預(yù)測溫度與實測溫度曲線的變化趨勢一致，兩條溫度曲線基本吻合，兩條曲線之間的誤差較小，且兩條曲線均沒有超過設(shè)定的誤差閾值，也沒有超過SCADA系統(tǒng)中設(shè)定的預(yù)警閾值(91.5℃)。這種情況說明風(fēng)機運行正常，不會發(fā)生溫升超標故障。實測溫升曲線也證明了28#風(fēng)機在2018年2月至5月運行正常并未發(fā)生溫升故障預(yù)警。

4 結(jié) 論

本文針對影響風(fēng)力發(fā)電機溫升的因素進行分析，利用多層BP神經(jīng)網(wǎng)絡(luò)理論對其溫升故障預(yù)警進行分析，建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，將主要影響因素作為神經(jīng)網(wǎng)絡(luò)的輸入，發(fā)電機溫升作為輸出，調(diào)整參數(shù)、訓(xùn)練網(wǎng)絡(luò)，進而通過現(xiàn)場采樣數(shù)據(jù)進行驗證分析，結(jié)果表明：該BP神經(jīng)網(wǎng)絡(luò)模型在風(fēng)力發(fā)電機溫升預(yù)警中的運用是有效可行的，能夠較為準確的預(yù)測溫升故障，該方法為風(fēng)電故障診斷提供了一種研究手段。