基于SCADA數(shù)據(jù)和改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的塔筒應(yīng)力預(yù)測(cè)

薛 磊，王靈梅，孟恩隆，郭 超

(1.山西大學(xué) 山西省風(fēng)電機(jī)組監(jiān)測(cè)與診斷工程技術(shù)研究中心，太原030013；2.山西乾盛新能源有限公司，太原030032)

大型風(fēng)力發(fā)電機(jī)本身整體結(jié)構(gòu)復(fù)雜，大多分布于地形復(fù)雜的山地風(fēng)電場(chǎng)，不可避免地承受著湍流運(yùn)動(dòng)、風(fēng)切變、塔影效應(yīng)、尾流效應(yīng)等作用，而且常在低溫、風(fēng)沙、結(jié)冰等惡劣的外部環(huán)境下運(yùn)行，因此存在著系統(tǒng)載荷和振動(dòng)波動(dòng)大、故障率高、可靠性差、運(yùn)維難度大且成本高[1]等問題。此外，風(fēng)速在時(shí)空兩個(gè)維度都存在著多變性和不平穩(wěn)性，大型風(fēng)電機(jī)組的機(jī)械結(jié)構(gòu)時(shí)刻承受著隨機(jī)交變載荷[2]。塔筒作為其關(guān)鍵支撐結(jié)構(gòu)，一旦發(fā)生疲勞損傷或故障，將會(huì)導(dǎo)致倒塔等嚴(yán)重事故，造成不可估量的經(jīng)濟(jì)損失。因此，對(duì)風(fēng)電機(jī)組塔筒的受力情況進(jìn)行監(jiān)測(cè)評(píng)估，具有十分重要的意義。

粘貼應(yīng)變片是一種常用的載荷測(cè)量和監(jiān)測(cè)手段，但這會(huì)耗費(fèi)一定的人力物力和財(cái)力。實(shí)踐中該方法也暴露出一些缺陷，如：輸出電壓信號(hào)容易受到電磁干擾；測(cè)量線路較為復(fù)雜；此外，最重要的一點(diǎn)是應(yīng)變片的自身壽命有限，并不適合長(zhǎng)期監(jiān)測(cè)。研究出一種經(jīng)濟(jì)可靠的風(fēng)電機(jī)組載荷預(yù)測(cè)方法，是很有必要的。國(guó)外的Woo等[3]提出了一種基于多任務(wù)學(xué)習(xí)卷積LSTM(Long short-term memory)模型的風(fēng)電載荷預(yù)測(cè)方法。仿真研究結(jié)果表明，該模型考慮了輸入風(fēng)流中復(fù)雜的湍流結(jié)構(gòu)，能夠利用單個(gè)深度神經(jīng)網(wǎng)絡(luò)模型準(zhǔn)確地預(yù)測(cè)風(fēng)電機(jī)組的功率和結(jié)構(gòu)載荷。 Vera - Tudela 等[4]結(jié)合SCADA(Supervisory control and data acquisition)系統(tǒng)的數(shù)據(jù)，定義了四種濾波器和一維約簡(jiǎn)算法，選擇最優(yōu)的預(yù)測(cè)子集并借助于前饋神經(jīng)網(wǎng)絡(luò)算法，實(shí)現(xiàn)了葉片在平面外彎矩的損傷等效載荷監(jiān)測(cè)。周士棟等[5]基于某2.5 MW風(fēng)電機(jī)組的實(shí)測(cè)載荷數(shù)據(jù)和SCADA 系統(tǒng)的多個(gè)參數(shù)，運(yùn)用BP(Back propagation)神經(jīng)網(wǎng)絡(luò)建立了載荷與SCADA參數(shù)之間的關(guān)系模型，實(shí)現(xiàn)了對(duì)7處關(guān)鍵位置的載荷預(yù)測(cè)。

綜上所述，相關(guān)研究均建立了神經(jīng)網(wǎng)絡(luò)模型，并實(shí)現(xiàn)了較好的載荷預(yù)測(cè)效果。但是BP 神經(jīng)網(wǎng)絡(luò)存在著學(xué)習(xí)收斂速度較慢、不能保證收斂到全局最小點(diǎn)等缺陷[6]。此外，風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)參數(shù)種類繁多，并伴隨著一定的電磁干擾，需要對(duì)神經(jīng)網(wǎng)絡(luò)輸入?yún)⒘亢Y選方法做進(jìn)一步選擇。因此，本文采用綜合相關(guān)系數(shù)篩選模型的輸入變量，并基于遺傳算法和粒子群算法對(duì)BP 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行改進(jìn)。在此基礎(chǔ)上，建立GA - BP（Genetic algorithms - back propagation）和PSO-BP（Particle swarm optimizationback propagation）神經(jīng)網(wǎng)絡(luò)模型，對(duì)鋼制塔筒結(jié)構(gòu)進(jìn)行應(yīng)力預(yù)測(cè)。最后，對(duì)兩種改進(jìn)模型和BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)效果進(jìn)行比較。

本文以山西某風(fēng)電場(chǎng)的1.5 MW 陸上風(fēng)電機(jī)組的塔筒應(yīng)力數(shù)據(jù)和SCADA 數(shù)據(jù)為基礎(chǔ)，建立基于GA-BP 和PSO-BP 神經(jīng)網(wǎng)絡(luò)的塔筒應(yīng)力預(yù)測(cè)模型。仿真分析結(jié)果表明，在提出的改進(jìn)模型中，塔筒應(yīng)力預(yù)測(cè)精度均得到有效提高，且GA-BP神經(jīng)網(wǎng)絡(luò)相對(duì)PSO-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型精度更高。

1 基于SCADA 數(shù)據(jù)的塔筒應(yīng)力預(yù)測(cè)模型

基于SCADA 數(shù)據(jù)和塔筒應(yīng)力監(jiān)測(cè)數(shù)據(jù)，利用GA-BP神經(jīng)網(wǎng)絡(luò)和PSO-BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的風(fēng)電機(jī)組塔筒應(yīng)力預(yù)測(cè)模型結(jié)構(gòu)如圖1所示。

1.1 輸入數(shù)據(jù)

輸入數(shù)據(jù)包括SCADA 數(shù)據(jù)和塔筒應(yīng)力監(jiān)測(cè)數(shù)據(jù)兩大類。SCADA 數(shù)據(jù)通過風(fēng)電機(jī)組控制系統(tǒng)收集得到，而塔筒應(yīng)力監(jiān)測(cè)數(shù)據(jù)是由塔筒應(yīng)力監(jiān)測(cè)系統(tǒng)采集得到的，該系統(tǒng)由山西省風(fēng)電機(jī)組監(jiān)測(cè)與診斷工程技術(shù)研究中心設(shè)計(jì)安裝[7]。

1.2 數(shù)據(jù)清洗

風(fēng)電機(jī)組服役期間每一天內(nèi)都會(huì)伴隨著工況的變化，由于正常發(fā)電工況所占時(shí)間較多，且是我們最為關(guān)注的工況，因此選擇風(fēng)電機(jī)組正常發(fā)電工況的數(shù)據(jù)進(jìn)行預(yù)測(cè)。

為確保數(shù)據(jù)準(zhǔn)確有效，對(duì)正常發(fā)電工況下采集的數(shù)據(jù)進(jìn)行清洗。主要清洗的數(shù)據(jù)有三種：限功率狀態(tài)下的數(shù)據(jù)；信息不完整的數(shù)據(jù)；其他異常數(shù)據(jù)[1]。

1.3 BP神經(jīng)網(wǎng)絡(luò)及改進(jìn)

BP神經(jīng)網(wǎng)絡(luò)按照誤差反向傳播算法訓(xùn)練，采用梯度下降法來調(diào)整各層神經(jīng)元的權(quán)值和閾值，直至最終滿足預(yù)先設(shè)定的誤差要求。盡管BP 神經(jīng)網(wǎng)絡(luò)有強(qiáng)大的非線性映射、自學(xué)習(xí)、結(jié)構(gòu)簡(jiǎn)單等優(yōu)點(diǎn)，但其也有訓(xùn)練速度較慢、存在陷入局部極小值的可能等不足，因此我們采用進(jìn)化算法可以對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)以提升性能[8]。

圖1 塔筒應(yīng)力預(yù)測(cè)模型結(jié)構(gòu)圖

遺傳算法是一類參考自然遺傳機(jī)制的模擬隨機(jī)全局搜索和優(yōu)化方法。遺傳算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)能獲得更好的初始神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值，網(wǎng)絡(luò)訓(xùn)練能避免局部最小，同時(shí)加快了收斂速度。

粒子群算法是一種群體智能優(yōu)化算法。借用粒子群算法可以對(duì)BP 神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行系統(tǒng)優(yōu)化，也能夠有效實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)的收斂速度和精度的提高。

1.4 模型的訓(xùn)練及預(yù)測(cè)

清洗數(shù)據(jù)之后，對(duì)SCADA 數(shù)據(jù)中的多個(gè)參量與塔筒應(yīng)力數(shù)據(jù)進(jìn)行相關(guān)性分析，就可以準(zhǔn)確篩選得到與應(yīng)力變化關(guān)系密切的幾個(gè)SCADA 數(shù)據(jù)參量?；谶@些實(shí)測(cè)數(shù)據(jù)，通過GA-BP 神經(jīng)網(wǎng)絡(luò)和PSO-BP 神經(jīng)網(wǎng)絡(luò)建立塔筒應(yīng)力與SCADA 數(shù)據(jù)的關(guān)系模型，利用建立好的關(guān)系模型進(jìn)行基于SCADA數(shù)據(jù)的塔筒應(yīng)力預(yù)測(cè)，并對(duì)比3個(gè)模型的預(yù)測(cè)效果。

2 風(fēng)電機(jī)組塔筒應(yīng)力監(jiān)測(cè)

2.1 塔筒應(yīng)力監(jiān)測(cè)系統(tǒng)

為彌補(bǔ)風(fēng)電機(jī)組載荷監(jiān)測(cè)方面的不足，山西省風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)與診斷工程技術(shù)研究中心在山西某風(fēng)電場(chǎng)的1.5 MW 風(fēng)電機(jī)組上安裝了塔筒應(yīng)力監(jiān)測(cè)系統(tǒng)[7]。該風(fēng)電機(jī)組為水平軸雙饋型風(fēng)電機(jī)組，主要參數(shù)為：輪轂高度80 m，風(fēng)輪直徑82 m，額定風(fēng)速11.3 m/s。塔筒為圓錐管狀鋼塔，共分為4 大段，總高度為67 m，塔筒材料為Q345D和Q345E。塔筒應(yīng)力監(jiān)測(cè)系統(tǒng)共監(jiān)測(cè)了3個(gè)不同高度處塔筒的應(yīng)力情況。該系統(tǒng)由數(shù)據(jù)采集設(shè)備與應(yīng)變片等組成，通過數(shù)據(jù)傳輸，在風(fēng)電場(chǎng)集中控制中心里即可實(shí)現(xiàn)對(duì)塔筒應(yīng)力的監(jiān)測(cè)與掌握。最下層的法蘭圈附近布置了9個(gè)通道，其中8個(gè)應(yīng)變通道（1-1、1-2、1-3、…、1-8），1個(gè)補(bǔ)償通道；緊接著的法蘭圈附近布置了4個(gè)通道（2-1、2-2、2-3、2-4）；最上層的法蘭圈附近布置了9個(gè)通道（2-5、2-6、2-7、…、2-12），其中1個(gè)為補(bǔ)償通道，其余為應(yīng)變通道。測(cè)點(diǎn)示意圖如圖2所示。塔筒應(yīng)力監(jiān)測(cè)系統(tǒng)界面如圖3所示。圖4為現(xiàn)場(chǎng)布置的某個(gè)應(yīng)變片。

塔筒受力類似于頭部受載的懸臂梁，從頂部到根部載荷逐漸增大。因此，綜合考慮信號(hào)質(zhì)量等因素，本文選擇1處布置點(diǎn)的8號(hào)應(yīng)變片所測(cè)位置的塔筒應(yīng)力值，用于預(yù)測(cè)模型輸出層1 個(gè)神經(jīng)元的訓(xùn)練和預(yù)測(cè)，下文的塔筒應(yīng)力均指的是此處的塔筒應(yīng)力。

圖2 應(yīng)力測(cè)點(diǎn)示意圖

2.2 數(shù)據(jù)簡(jiǎn)介

收集的SCADA 信號(hào)包括：風(fēng)速，風(fēng)向，偏航角度，葉輪轉(zhuǎn)速，有功功率，無功功率，電機(jī)轉(zhuǎn)速，電機(jī)扭矩，振動(dòng)X軸，振動(dòng)Y軸，系統(tǒng)壓力等。

塔筒應(yīng)力數(shù)據(jù)由應(yīng)變片測(cè)量應(yīng)變值并得到的。應(yīng)變片測(cè)量的原理是，應(yīng)變數(shù)值乘以材料的彈性模量，即為應(yīng)力數(shù)值。Q345D的彈性模量E為2.1×1011N/m2。則塔筒應(yīng)力σ可由以下公式計(jì)算得到：

上式中：ε為應(yīng)變片測(cè)得的應(yīng)變值，με。

3 應(yīng)力預(yù)測(cè)模型的建立與應(yīng)用

基于現(xiàn)場(chǎng)實(shí)測(cè)數(shù)據(jù)，分別建立基于GA-BP神經(jīng)網(wǎng)絡(luò)和PSO-BP神經(jīng)網(wǎng)絡(luò)的塔筒應(yīng)力預(yù)測(cè)模型。通過兩種預(yù)測(cè)模型的預(yù)測(cè)結(jié)果與實(shí)測(cè)結(jié)果對(duì)比，驗(yàn)證優(yōu)化后的GA-BP神經(jīng)網(wǎng)絡(luò)和PSO-BP神經(jīng)網(wǎng)絡(luò)的塔筒應(yīng)力預(yù)測(cè)模型的有效性及適用性。

3.1 數(shù)據(jù)庫

本研究選擇2017年4月19日的測(cè)量數(shù)據(jù)。塔筒應(yīng)力預(yù)測(cè)模型使用的數(shù)據(jù)為間隔30 s 的SCADA數(shù)據(jù)和塔筒應(yīng)力測(cè)量數(shù)據(jù)。如前文所述，在原始數(shù)據(jù)中剔除以下數(shù)據(jù)：

①啟停機(jī)等瞬態(tài)工況下的數(shù)據(jù)；

②限功率及未并網(wǎng)發(fā)電的數(shù)據(jù)；

③電磁干擾導(dǎo)致的異常數(shù)據(jù)；

④不完整的數(shù)據(jù)[5]。

圖3 塔筒應(yīng)力監(jiān)測(cè)系統(tǒng)界面

異常數(shù)據(jù)可結(jié)合SCADA 中風(fēng)速、有功功率、葉輪轉(zhuǎn)速、日發(fā)電量等信號(hào)進(jìn)行分辨，圖5為風(fēng)速-有功功率-葉輪轉(zhuǎn)速三維散點(diǎn)圖，表1為異常數(shù)據(jù)分類方法的描述。

表1 異常數(shù)據(jù)的分類

圖4 現(xiàn)場(chǎng)布置的應(yīng)變片

3.2 GA-BP神經(jīng)網(wǎng)絡(luò)

采用遺傳算法進(jìn)行優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的初始閾值與連接權(quán)值，主要內(nèi)容包含BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)確定、GA-BP和預(yù)測(cè)輸出三個(gè)步驟，其主要訓(xùn)練流程如圖6所示。

GA-BP 神經(jīng)網(wǎng)絡(luò)的對(duì)象是初始權(quán)值和閾值，其優(yōu)化過程的步驟如下。

圖5 風(fēng)速-有功功率-葉輪轉(zhuǎn)速三維散點(diǎn)圖

圖6 GA-BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練流程

種群初始化。個(gè)體編碼采用二進(jìn)制編碼，對(duì)于每個(gè)個(gè)體，其均為二進(jìn)制串，由BP 神經(jīng)網(wǎng)絡(luò)輸入層與隱含層連接權(quán)值、隱含層閾值、隱含層與輸出層連接權(quán)值、輸出層閾值組成。

適應(yīng)度函數(shù)。通過個(gè)體可確定BP 神經(jīng)網(wǎng)絡(luò)的初始閾值與權(quán)值，對(duì)訓(xùn)練完成的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與期望值之差進(jìn)行求和，能夠得到個(gè)體的適應(yīng)度：

在上式中：n為神經(jīng)網(wǎng)絡(luò)輸出變量節(jié)點(diǎn)的個(gè)數(shù)；yi和oi分別表示神經(jīng)網(wǎng)絡(luò)第i個(gè)節(jié)點(diǎn)的期望輸出和實(shí)測(cè)輸出；k為系數(shù)。

選擇操作。利用輪盤賭法進(jìn)行遺傳算法選擇操作，采用適應(yīng)度比例選策略，個(gè)體i的選擇概率pi為

上式中：Fi為個(gè)體i的適應(yīng)度值；k為系數(shù)；n為種群數(shù)目。

交叉操作。個(gè)體基于二進(jìn)制編碼，交叉操作基于實(shí)數(shù)交叉策略，第k個(gè)染色體al與第l個(gè)染色體ak在j位的操作分別為

上式中：b為[0,1]間的隨機(jī)數(shù)。

變異操作。選取第i個(gè)個(gè)體aij的基因進(jìn)行變異，變異操作方法為

上式中：amax和amin分別為基因aij的上、下界；f(g)=r2(1-g/Gmax)2；r2為隨機(jī)數(shù)；g代表的是當(dāng)前迭代次數(shù)；Gmax表示的是最大的迭代次數(shù)；r為[0,1]間的隨機(jī)數(shù)。

3.3 PSO-BP神經(jīng)網(wǎng)絡(luò)

采用粒子群算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的初始閾值與連接權(quán)值，主要包含三個(gè)步驟：BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)確定、PSO-BP 和預(yù)測(cè)輸出，訓(xùn)練流程如圖7所示。

PSO-BP神經(jīng)網(wǎng)絡(luò)的對(duì)象是初始權(quán)值和閾值，其優(yōu)化過程的步驟如下。

（1）確定粒子的適應(yīng)度。通過采集與預(yù)測(cè)相關(guān)的數(shù)據(jù)和PSO算法處理得到的數(shù)據(jù)來確定粒子的適應(yīng)度數(shù)值，如下式所示：

圖7 PSO-BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練流程

其中：N為樣本個(gè)數(shù)，yi為樣本i的觀測(cè)值為樣本i的預(yù)測(cè)值。

（2）粒子適應(yīng)度的選取。選取當(dāng)前粒子適應(yīng)度Psee和歷史最優(yōu)適應(yīng)度Rbest中最優(yōu)的，用來作為當(dāng)前粒子的適應(yīng)度；選取當(dāng)前粒子的歷史最優(yōu)適應(yīng)度和全局最優(yōu)適應(yīng)度gbest中最好的，作為當(dāng)前粒子的歷史最優(yōu)適應(yīng)度。

（3）對(duì)粒子的位置及速度進(jìn)行更新。相應(yīng)的計(jì)算公式如下：

在上式中：a=1,2,…,n；b=1,2,…,n,l1為粒子個(gè)體最優(yōu)步長(zhǎng)，l2為粒子的群體最優(yōu)步長(zhǎng)，r1和r2為之間的隨機(jī)數(shù)，Xab表示第a個(gè)粒子的位置，Vab表示第a個(gè)粒子的速度。

（4）設(shè)置粒子速度最大區(qū)間為[0,Vmax]，當(dāng)粒子的速度大于Vmax，則該粒子此時(shí)的速度改為Vmax。

（5）對(duì)當(dāng)前迭代次數(shù)與最大迭代次數(shù)作比較。如果CurIte≥MaxTte，則停止迭代；否則，返回步驟①確定粒子的適應(yīng)度。

3.4 參量選擇

風(fēng)電機(jī)組各個(gè)子系統(tǒng)或部件之間存在復(fù)雜的耦合關(guān)系，而訓(xùn)練參數(shù)的選擇對(duì)于神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確性具有重要意義。因此為盡量減小采集數(shù)據(jù)樣本中非線性畸變或脈沖干擾、風(fēng)機(jī)的運(yùn)行波動(dòng)、電網(wǎng)負(fù)荷的隨機(jī)性等多種因素的干擾，以及準(zhǔn)確建立風(fēng)電機(jī)組塔筒應(yīng)力與SCADA 數(shù)據(jù)之間的關(guān)系模型，引入Pearson、Kendall、Spearman 相關(guān)系數(shù)的綜合相關(guān)系數(shù)來分析變量間的關(guān)系，以優(yōu)化參量選擇[1]。

（1）Pearson相關(guān)系數(shù)

設(shè)(X,Y)(i=1,2,…,n)是來自連續(xù)監(jiān)測(cè)變量(X,Y)的樣本，則Pearson相關(guān)系數(shù)為

式（10）中：rp是Pearson相關(guān)系數(shù)；Xˉ和Yˉ分別代表了X和Y樣本的平均值；n是樣本的總體個(gè)數(shù)。Pearson的值rp反映了X和Y的相關(guān)性，rp越接近于1 或者-1，X和Y的相關(guān)性越顯著，當(dāng)rp越靠近于0，表明變量X和Y之間越不相關(guān)。

（2）Kendall秩相關(guān)系數(shù)

設(shè)(x1,y1)、(x2,y2)分別是兩個(gè)連續(xù)監(jiān)測(cè)變量的樣本值，則樣本數(shù)為n產(chǎn)生的對(duì)數(shù)為C2n=n(n-1)/2，Nc表示協(xié)同數(shù)對(duì)的個(gè)數(shù)，可由(x1-x2)(y1-y2)＞0 來計(jì)算，Nd表示協(xié)同的數(shù)目對(duì)，可由(x1-x2)(y1-y2)＜0 來計(jì)算，并且有Nc+Nd=n(n-1)/2，由Kendall的相關(guān)性定義：

當(dāng)Kendall的值rk越接近于1 或者-1，兩個(gè)主要變量的相關(guān)性越強(qiáng)，rk越接近于0，兩個(gè)監(jiān)測(cè)變量就越不相關(guān)。

（3）Spearamn相關(guān)系數(shù)

對(duì)于兩個(gè)監(jiān)測(cè)變量參數(shù)Xi和Yi，分別求得其兩個(gè)變量參數(shù)的秩記為Pi和Qi。則由Spearman 相關(guān)系數(shù)定義：

當(dāng)Spearman 的值rs越接近于1 或者-1，兩個(gè)變量的相關(guān)性越顯著，rs越接近于0，X和Y越不相關(guān)。對(duì)收集的SCADA 信號(hào)和塔筒應(yīng)力數(shù)據(jù)等參量進(jìn)行相關(guān)性分析，可以從中剔除無關(guān)或關(guān)系較弱的冗余參數(shù)，從而提高模型計(jì)算速度與精度。本文采用基于Pearson、Kendall、Spearman 三種相關(guān)系數(shù)的綜合相關(guān)系數(shù)r來進(jìn)行參量選擇。綜合相關(guān)系數(shù)r的計(jì)算公式如下：

根據(jù)相關(guān)系數(shù)法理論，當(dāng)兩個(gè)物理量之間的相關(guān)系數(shù)絕對(duì)值滿足0 ≤ |r|≤0.09 時(shí)，表示兩個(gè)監(jiān)測(cè)變量之間沒有相關(guān)性；當(dāng)相關(guān)系數(shù)絕對(duì)值滿足0.09 ＜ |r|≤0.3 時(shí)，可認(rèn)為兩者存在弱相關(guān)性；當(dāng)相關(guān)系數(shù)絕對(duì)值滿足0.3 ＜ |r|≤0.5 時(shí)，表明兩者具有中等相關(guān)性；當(dāng)相關(guān)系數(shù)滿足0.5 ＜ |r|≤1 時(shí)，足以說明兩者之間是強(qiáng)烈相關(guān)的。因此，本文從眾多的SCADA參量中篩選出綜合相關(guān)系數(shù)大于0.5的參量和塔筒應(yīng)力數(shù)據(jù)作為輸入變量。表2是篩選得到的模型輸入?yún)⒘恐g的相關(guān)系數(shù)（表中相關(guān)系數(shù)均為絕對(duì)值大小）。

表2 塔筒應(yīng)力與輸入?yún)⒘块g的相關(guān)性

1 處布置點(diǎn)的塔筒應(yīng)力主要取決于該截面處的塔筒彎矩大小，而塔筒彎矩主要與塔頂彎矩、塔筒上部所受推力、風(fēng)在此截面處產(chǎn)生的彎矩和塔筒重力等有關(guān)。塔筒彎矩產(chǎn)生及傳遞的過程為：風(fēng)-葉片-葉輪-輪轂-傳動(dòng)系統(tǒng)（齒輪箱）-發(fā)電機(jī)-機(jī)艙-塔頂-塔筒。風(fēng)作用到葉片上，驅(qū)使葉輪旋轉(zhuǎn)，旋轉(zhuǎn)的葉輪帶動(dòng)齒輪箱主軸轉(zhuǎn)動(dòng)并將動(dòng)能輸入到齒輪副，經(jīng)過變速，齒輪副將動(dòng)能通過聯(lián)軸器傳遞給發(fā)電機(jī)，發(fā)電機(jī)將輸入的動(dòng)能轉(zhuǎn)化為電能，最終經(jīng)過變流器及變壓器輸送到電網(wǎng)。風(fēng)速、葉輪轉(zhuǎn)速、槳距角通過輪轂扭矩影響著齒輪箱主軸力矩的大小，齒輪箱輸入軸溫度、齒輪箱輸出軸溫度、齒輪箱油溫均與主軸力矩息息相關(guān)；同時(shí)主軸力矩是發(fā)電機(jī)電機(jī)扭矩的來源，影響著電機(jī)轉(zhuǎn)速，也間接影響著有功功率、無功功率、變頻器功率、變頻器無功功率、電流。主軸力矩和其它載荷影響著塔頂彎矩、塔筒上部所受推力，因此，這些輸入?yún)⒘颗c塔筒應(yīng)力密切相關(guān)。

由于塔筒不同高度截面處所承受的重力不同，所受風(fēng)速的大小和風(fēng)向不同，不同應(yīng)力測(cè)點(diǎn)位置的塔筒應(yīng)力與輸入?yún)⒘块g的相關(guān)性也不盡相同。同一高度、風(fēng)速和風(fēng)向接近的兩個(gè)位置的塔筒應(yīng)力與輸入?yún)⒘块g的相關(guān)性接近。

3.5 模型預(yù)測(cè)結(jié)果對(duì)比

對(duì)所選的輸入變量進(jìn)行數(shù)據(jù)信息的處理后，分別針對(duì)GA-BP 神經(jīng)網(wǎng)絡(luò)模型、PSO-BP 神經(jīng)網(wǎng)絡(luò)模型以及BP 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。建立的數(shù)據(jù)庫中共有400 組數(shù)據(jù)，其中，選取了前320 組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)來建立塔筒應(yīng)力預(yù)測(cè)模型，其余80組數(shù)據(jù)作為測(cè)試樣本來驗(yàn)證和對(duì)比不同模型的準(zhǔn)確性。

參照相關(guān)研究中對(duì)模型準(zhǔn)確性的度量，本研究引入了平均相對(duì)誤差MAPE (Mean absolute percentage error)和均方根誤差RMSE(Root mean square error)作為指標(biāo)[1]，對(duì)基于GA-BP 神經(jīng)網(wǎng)絡(luò)、PSO-BP神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)建立的塔筒應(yīng)力預(yù)測(cè)模型進(jìn)行對(duì)比分析。

其中：ym是塔筒應(yīng)力的測(cè)量值，yp為模型預(yù)測(cè)值，n=1,2,…,N是測(cè)試樣本的數(shù)量，N為80。

設(shè)置1 層隱含層，為探究最合適的隱含層神經(jīng)元個(gè)數(shù)，分別對(duì)比了隱含層神經(jīng)元個(gè)數(shù)為4、5、6…、14時(shí)，三種不同預(yù)測(cè)模型預(yù)測(cè)10次的平均誤差，表3列出了隱含層神經(jīng)元個(gè)數(shù)為4、5、6、7 時(shí)的預(yù)測(cè)誤差。結(jié)果表明，隱含層神經(jīng)元個(gè)數(shù)為6 時(shí)的預(yù)測(cè)效果最好。

表3 不同隱含層神經(jīng)元個(gè)數(shù)的預(yù)測(cè)誤差/（%）

輸入層設(shè)置為13 個(gè)神經(jīng)元，隱含層為1 層，共6個(gè)神經(jīng)元，輸出層設(shè)置為1 個(gè)神經(jīng)元。在三種神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練的過程中，為保證對(duì)比和兼顧訓(xùn)練速度，統(tǒng)一設(shè)置了最大訓(xùn)練次數(shù)為1 000，網(wǎng)絡(luò)訓(xùn)練目標(biāo)為0.001，學(xué)習(xí)率為0.15；在遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)初始權(quán)值的過程中，種群數(shù)量為20，遺傳迭代次數(shù)為100，交叉概率的值為0.7，變異概率為0.1；在粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)初始權(quán)值的過程中，種群數(shù)量為20，進(jìn)化次數(shù)為100。通過對(duì)基于三種神經(jīng)網(wǎng)絡(luò)算法的塔筒應(yīng)力預(yù)測(cè)模型分別進(jìn)行多次仿真訓(xùn)練，分別取80 個(gè)預(yù)測(cè)值的平均值與期望值進(jìn)行比較。10次預(yù)測(cè)的效果對(duì)比情況如圖8和圖9所示。

圖8 三種神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)值與期望值的對(duì)比

圖9 三種神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)的相對(duì)誤差

通過式（14）和式（15）計(jì)算對(duì)比三個(gè)塔筒應(yīng)力預(yù)測(cè)模型的預(yù)測(cè)效果，結(jié)果如表4所示。

表4 三種神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)性能對(duì)比

GA-BP神經(jīng)網(wǎng)絡(luò)模型仿真預(yù)測(cè)的最大的相對(duì)誤差為17.18%，最小的相對(duì)誤差僅為0.01%，平均相對(duì)誤差MAPE為7.04%，說明GA-BP神經(jīng)網(wǎng)絡(luò)的仿真預(yù)測(cè)效果好，可以較為準(zhǔn)確地預(yù)測(cè)塔筒應(yīng)力的變化；PSO-BP神經(jīng)網(wǎng)絡(luò)模型仿真預(yù)測(cè)的最大相對(duì)誤差為18.07%，最小相對(duì)誤差為0.18%，平均相對(duì)誤差MAPE為7.60%，說明PSO-BP神經(jīng)網(wǎng)絡(luò)的仿真預(yù)測(cè)效果較好，可以較好地預(yù)測(cè)塔筒應(yīng)力的變化；而BP神經(jīng)網(wǎng)絡(luò)的最大相對(duì)誤差為23.55%，平均相對(duì)誤差MAPE 為11.42%。GA-BP 神經(jīng)網(wǎng)絡(luò)、PSO-BP 神經(jīng)網(wǎng)絡(luò)和BP 神經(jīng)網(wǎng)絡(luò)模型的均方根誤差RMSE 分別為：2.79×106、3.06×106、4.63×106?？梢钥闯?，通過對(duì)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化之后，GA-BP神經(jīng)網(wǎng)絡(luò)和PSO-BP神經(jīng)網(wǎng)絡(luò)模型在預(yù)測(cè)的最大相對(duì)誤差、最小相對(duì)誤差、平均相對(duì)誤差MAPE 方面都有了明顯的優(yōu)化，均方根誤差RMSE 也小于BP 神經(jīng)網(wǎng)絡(luò)模型。3 種塔筒應(yīng)力預(yù)測(cè)模型中，GA-BP 神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度最高。

進(jìn)一步對(duì)比三個(gè)模型的預(yù)測(cè)性能，GA-BP 神經(jīng)網(wǎng)絡(luò)模型明顯優(yōu)于BP 神經(jīng)網(wǎng)絡(luò)模型，也優(yōu)于PSOBP神經(jīng)網(wǎng)絡(luò)模型，說明采用遺傳算法和粒子群算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化是可行的。

基于GA-BP 神經(jīng)網(wǎng)絡(luò)的塔筒應(yīng)力預(yù)測(cè)模型具有更強(qiáng)的預(yù)測(cè)能力，網(wǎng)絡(luò)輸出值與實(shí)際值更加接近，預(yù)測(cè)誤差、精度都優(yōu)于BP神經(jīng)網(wǎng)絡(luò)、PSO-BP神經(jīng)網(wǎng)絡(luò)模型，是一種更為有效的塔筒應(yīng)力預(yù)測(cè)方法，對(duì)挖掘風(fēng)電機(jī)組海量監(jiān)測(cè)數(shù)據(jù)用于機(jī)組載荷監(jiān)測(cè)具有一定的應(yīng)用意義。

4 結(jié)語

本文以1.5 MW風(fēng)電機(jī)組塔筒為例，對(duì)比了基于BP 神經(jīng)網(wǎng)絡(luò)和改進(jìn)后的GA-BP 神經(jīng)網(wǎng)絡(luò)、PSO-BP神經(jīng)網(wǎng)絡(luò)的塔筒應(yīng)力預(yù)測(cè)模型預(yù)測(cè)效果，研究結(jié)果表明：

(1)針對(duì)SCADA 系統(tǒng)信號(hào)種類繁多、風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)時(shí)伴隨著不同程度的電磁干擾等因素，基于綜合相關(guān)系數(shù)選取輸入?yún)⒘浚勺畲蟪潭葴p少這些因素的干擾，不僅避免了使用試錯(cuò)法的耗時(shí)耗力，同時(shí)實(shí)現(xiàn)了參量選擇的準(zhǔn)確和高效。

(2)利用改進(jìn)后的GA-BP 神經(jīng)網(wǎng)絡(luò)、PSO-BP 神經(jīng)網(wǎng)絡(luò)的塔筒應(yīng)力預(yù)測(cè)模型，均能建立更優(yōu)的預(yù)測(cè)模型，平均相對(duì)誤差MAPE 分別為7.04%、7.60%，均小于BP 神經(jīng)網(wǎng)絡(luò)相對(duì)誤差MAPE 的11.42%，其中GA-BP 神經(jīng)網(wǎng)絡(luò)的塔筒應(yīng)力預(yù)測(cè)模型預(yù)測(cè)精度最高。說明本文提出的基于GA-BP神經(jīng)網(wǎng)絡(luò)、PSOBP 神經(jīng)網(wǎng)絡(luò)的塔筒應(yīng)力預(yù)測(cè)模型，比基于BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型更有效準(zhǔn)確，更適合塔筒應(yīng)力監(jiān)測(cè)。

(3)基于GA-BP 神經(jīng)網(wǎng)絡(luò)、PSO-BP 神經(jīng)網(wǎng)絡(luò)的塔筒應(yīng)力預(yù)測(cè)模型具有較高的預(yù)測(cè)精度，對(duì)于風(fēng)電機(jī)組其它部位的載荷預(yù)測(cè)具有借鑒意義。

為進(jìn)一步實(shí)現(xiàn)大型風(fēng)電機(jī)組的載荷預(yù)測(cè)與評(píng)估，未來可從以下方面進(jìn)行更加深入的研究：

①研究基于風(fēng)電機(jī)組塔筒應(yīng)力預(yù)測(cè)模型能否推廣到其他關(guān)鍵部位的載荷預(yù)測(cè)中；

②將應(yīng)力預(yù)測(cè)模型應(yīng)用于塔筒安全監(jiān)測(cè)與預(yù)警工作中。