基于時(shí)間序列的發(fā)電機(jī)設(shè)備異常分析

摘" 要：為提高發(fā)電機(jī)組設(shè)備運(yùn)行維護(hù)管理水平，提出一種基于PCA-Informer方法的發(fā)電設(shè)備故障預(yù)測技術(shù)。首先使用主成分分析（PCA）算法降低時(shí)間序列數(shù)據(jù)的特征維度；其次將數(shù)據(jù)分批次輸入Encoder中，由Encoder執(zhí)行蒸餾操作，提取長時(shí)間序列輸入間的Long-Range依賴，通過蒸餾操作為重要特征賦予更高的權(quán)重，并在下一層生成聚焦的Self-Attention Feature Map；最后由Decoder通過一個(gè)正向過程一步生成長序列輸出。通過實(shí)驗(yàn)驗(yàn)證，該方法能夠有效地對發(fā)電設(shè)備的故障進(jìn)行預(yù)測。

關(guān)鍵詞：發(fā)電機(jī)設(shè)備；主成分分析；Informer；故障預(yù)測

中圖分類號：TP391；TP183 文獻(xiàn)標(biāo)識碼：A 文章編號：2096-4706（2024）12-0121-04

Abnormal Analysis of Generator Equipment Based on Time Series

LU Zhao， LONG Faning， CHEN Guonian

（Yulin Normal University， Yulin" 537000， China）

Abstract： To improve the level of maintenance and management of power generation equipment operation， a fault prediction technology for power generation equipment based on PCA-Informer method is proposed. Firstly， it uses Principal Component Analysis （PCA） algorithm to reduce the feature dimension of time series data. Secondly， the data is inputted into the Encoder in batches， and the Encoder performs distillation operations to extract Long-Range dependencies between long time series inputs. The important features are given higher weights through distillation operation， and a focused Self-Attention Feature Map is generated in the next layer. Finally， the Decoder generates a long sequence output by one-step reaction through a forward process. Experimental results show this method can effectively predict the faults of power generation equipment.

Keywords： generator equipment; PCA; Informer; fault prediction

0" 引" 言

由于能源的需求不斷增加，我國持續(xù)推動風(fēng)力、光伏發(fā)電場的建設(shè)。這些發(fā)電場一般位于相對較偏僻的平原、山頂或者海上，不利于對發(fā)電機(jī)組設(shè)備實(shí)施運(yùn)行監(jiān)測和故障維修。為提高發(fā)電機(jī)組設(shè)備運(yùn)行維護(hù)管理水平，采用智能系統(tǒng)成為故障診斷研究領(lǐng)域的一個(gè)重要發(fā)展方向和必然趨勢[1]。例如，張李煒等提出了基于Apriori算法和卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組故障診斷模型[2]，周凌等進(jìn)行了基于FISSA-DBN模型的風(fēng)電機(jī)組運(yùn)行狀態(tài)監(jiān)測研究[3]；劉志剛等進(jìn)行了基于小波包-神經(jīng)網(wǎng)絡(luò)的電廠發(fā)電機(jī)組故障診斷研究[4]；朱小超提出了基于聚類算法的光伏發(fā)電設(shè)備故障診斷方法[5]；陳萬志等提出了融合LSTM和優(yōu)化SVM的風(fēng)力發(fā)電機(jī)組故障預(yù)測方法[6]。這些方法在發(fā)電設(shè)備的監(jiān)測與故障診斷方面均取得了一定的成效。本文將基于Informer [7]模型為基礎(chǔ)，對某風(fēng)電場群一年的SCADA系統(tǒng)數(shù)據(jù)進(jìn)行分析，實(shí)現(xiàn)對風(fēng)機(jī)短期的故障預(yù)測，同時(shí)為后續(xù)學(xué)者研究提供參考。

1" Informer模型

Informer模型是改進(jìn)后的Transformer網(wǎng)絡(luò)模型，通過使用多頭概率稀疏自注意力機(jī)制，給重要特征分配更大的權(quán)重，降低了網(wǎng)絡(luò)模型的時(shí)間復(fù)雜度[8]，同時(shí)基于生成式解碼提高預(yù)測速度，解決了時(shí)間序列數(shù)據(jù)的長時(shí)（Long-Range）依賴問題，對于長時(shí)間序列預(yù)測具有顯著優(yōu)勢。Informer模型保留了Transformer的基礎(chǔ)構(gòu)成，其在整體上是由編碼器（Encoder）以及解碼器（Decoder）兩個(gè)部分構(gòu)成。Informer模型的整體框架如圖1所示。

在Informer模型中，編碼器主要用于獲取原始輸入序列魯棒性的長期依賴，而解碼器則進(jìn)一步實(shí)現(xiàn)序列預(yù)測[9]。如圖1所示，圖的左側(cè)部分為編碼器（Encoder）部分，它負(fù)責(zé)接收的是超長的輸入數(shù)據(jù)（feed_en），然后再將傳統(tǒng)的Self-Attention層替換為ProbSpare Self-Attention層。使用Self-Attention Disilling操作來進(jìn)行特征壓縮。Encoder模塊通過堆疊上述的兩個(gè)操作來提高算法的魯棒性。右側(cè)是Decoder部分，它接收一系列的長序列輸入（feed_de），并將預(yù)測目標(biāo)位置填充為0，再通過經(jīng)過Mask的Attention層，最后一步生成預(yù)測輸出。

2" 實(shí)驗(yàn)數(shù)據(jù)及預(yù)處理

所使用的數(shù)據(jù)來源于微信公眾號“數(shù)據(jù)如琥珀”，數(shù)據(jù)主要描述的是某風(fēng)電場群在2016年和2017年這兩年SCADA真實(shí)運(yùn)行數(shù)據(jù)，該數(shù)據(jù)集包含了風(fēng)機(jī)正常運(yùn)行時(shí)的SCADA的實(shí)時(shí)數(shù)據(jù)、故障日志、重要的事件日志、風(fēng)機(jī)出廠參數(shù)等。從中選取htw-failures-2017.csv（2017年風(fēng)電場群在運(yùn)行時(shí)出現(xiàn)故障的時(shí)間以及故障類型等）和data_wind_prod.csv（2017年風(fēng)電場群正常運(yùn)行時(shí)的SCADA的實(shí)時(shí)數(shù)據(jù)）分別進(jìn)行預(yù)處理，最后合并成4臺風(fēng)機(jī)（Turbine_ID）、82個(gè)特征（Timestamp、Gen_RPM_Max等）、1個(gè)標(biāo)簽（Label）和210 235行記錄數(shù)據(jù)的數(shù)據(jù)集，如表1所示。

因?yàn)镮nformer模型的時(shí)間復(fù)雜度為O（LlogL），其中L是序列的長度。特征數(shù)量多造成計(jì)算量過大，需要進(jìn)行降維處理。本文采用主成分分析（PCA）算法對特征參數(shù)進(jìn)行訓(xùn)練，并獲取其中與數(shù)據(jù)關(guān)聯(lián)性較高的部分特征。首先需要剔除數(shù)值一直沒有波動的列，再對數(shù)據(jù)進(jìn)行歸一化處理。其次計(jì)算協(xié)方差矩陣，求解協(xié)方差矩陣的特征值與特征向量[10]。最后，特征值進(jìn)行排序，獲取前20個(gè)最大的特征值。

3" 對比實(shí)驗(yàn)

使用Informer模型進(jìn)行長序列預(yù)測的命令行參數(shù)設(shè)置和訓(xùn)練，包括數(shù)據(jù)選擇、模型參數(shù)設(shè)置、訓(xùn)練循環(huán)以及額外選項(xiàng)。通過設(shè)置不同參數(shù)組合，可實(shí)現(xiàn)對不同類型數(shù)據(jù)的預(yù)測任務(wù)。為了驗(yàn)證Informer模型對風(fēng)機(jī)故障的預(yù)測效果，本文進(jìn)行三個(gè)對比實(shí)驗(yàn)，分別為：基于百度PaddleTs的RNN對比實(shí)驗(yàn)，基于百度PaddleTs的MLP對比實(shí)驗(yàn)，以及基于TensorFlow的LSTM對比實(shí)驗(yàn)。并將均方誤差（MSE）以及平均絕對誤差（MAE）的結(jié)果作為模型性能的評價(jià)指標(biāo)。

以下是Informer模型算法的偽代碼：

輸入：序列數(shù)據(jù)X = {x1，x2，…，xn}，序列長度L，嵌入維度d，頭數(shù)h，層數(shù)N，dropout rate p

輸出：預(yù)測標(biāo)簽?

初始化位置編碼PE

初始化輸入嵌入矩陣E = Embedding（X）

將輸入嵌入矩陣E與位置編碼PE相加得到輸入矩陣Input = E + PE

初始化多頭自注意力機(jī)制MultiHeadAttention和前饋神經(jīng)網(wǎng)絡(luò)FeedForward

初始化輸出矩陣Output = Input

for layer in range（N）：

1）計(jì)算自注意力得分AttentionScores=MultiHeadAttention（Output，Output，Output）

2）對自注意力得分進(jìn)行dropout操作AttentionScores=Dropout（AttentionScores，p）

3）將自注意力得分轉(zhuǎn)化為權(quán)重矩陣 AttentionWeights=Softmax（AttentionScores）

4）使用權(quán)重矩陣對輸入矩陣進(jìn)行加權(quán)求和 WeightedSum = MatMul（AttentionWeights，Input）

5）將加權(quán)求和結(jié)果通過前饋神經(jīng)網(wǎng)絡(luò)得到輸出矩陣Output = FeedForward（WeightedSum）

6）對輸出矩陣進(jìn)行dropout操作Output = Dropout（Output，p）

7）將輸出矩陣與輸入矩陣進(jìn)行殘差連接并歸一化Output = LayerNorm（Output+Input）

通過線性層將輸出矩陣轉(zhuǎn)化為預(yù)測標(biāo)簽? = Linear（Output）

返回預(yù)測標(biāo)簽?

主Informer源文件（代碼略）提供了訓(xùn)練和測試模型的過程，包括輸出信息、計(jì)算均方誤差和平均絕對誤差、保存結(jié)果為列表和DataFrame格式，并將DataFrame保存為CSV文件。主要思路和步驟如下：

1）導(dǎo)入所需的庫，包括argparse（用于處理命令行參數(shù)）、os、numpy、pandas、torch等。

2）定義一個(gè)名為parser的ArgumentParser對象，這是argparse庫中的一個(gè)類，用于存儲所有需要解析的命令行參數(shù)信息。

3）使用add_argument（）方法向parser對象中添加各種命令行參數(shù)，如模型名稱、數(shù)據(jù)名稱、數(shù)據(jù)文件路徑、預(yù)測任務(wù)類型等。每個(gè)add_argument（）調(diào)用都會創(chuàng)建一個(gè)新的命令行參數(shù)選項(xiàng)。

4）使用parse_args（）方法解析命令行參數(shù)，并將結(jié)果保存在一個(gè)名為args的對象中。這個(gè)對象包含了所有的命令行參數(shù)值。

5）根據(jù)args對象中的參數(shù)值，執(zhí)行相應(yīng)的操作。例如，如果args.model的值為'informerstack'，則創(chuàng)建一個(gè)Exp_Informer對象；如果args.use_gpu為True且torch.cuda.is_available（）也為True，則將args.use_gpu設(shè)置為True。

6）在for循環(huán)中，根據(jù)不同的數(shù)據(jù)名稱（如'特征-標(biāo)簽數(shù)據(jù)'）和目標(biāo)特征（如'M'），從data_parser字典中獲取相應(yīng)的數(shù)據(jù)信息，并將其保存在args對象中。然后根據(jù)這些參數(shù)值執(zhí)行相應(yīng)的操作。

首先將訓(xùn)練結(jié)果按模型與特征選取數(shù)量進(jìn)行分組，繪制特征選取數(shù)量與MSE、MAE的關(guān)系圖，如圖2至圖5所示。

將所有數(shù)據(jù)繪制于一起，所得結(jié)果如圖6、圖7所示。

由上述圖示可以得出，基于Informer算法所訓(xùn)練的模型，其曲線較為平滑，在各參數(shù)訓(xùn)練所得結(jié)果中，并未出現(xiàn)評價(jià)指標(biāo)歸零的情況；而基于其他算法的模型結(jié)果，其曲線變化波動異常，不利于對發(fā)電設(shè)備健康預(yù)測的應(yīng)用。

由上訴圖例中，基于Informer算法的模型，總體在特征選取數(shù)量為13時(shí)，MSE結(jié)果最小，對特征選取數(shù)量為13的參數(shù)訓(xùn)練結(jié)果進(jìn)行分析，繪制如圖8所示的關(guān)系圖。

由圖8可知，當(dāng)特征選取數(shù)量為13，模型訓(xùn)練次數(shù)為9時(shí)，能獲得最小的模型評價(jià)指標(biāo)，即最大的模型性能。當(dāng)特征選取數(shù)據(jù)為13，模型訓(xùn)練次數(shù)為9時(shí)，獲得的各模型訓(xùn)練結(jié)果如表2所示。

4" 結(jié)" 論

綜上所述，基于Informer算法所建立的模型在風(fēng)機(jī)故障預(yù)測中取得了平穩(wěn)的評價(jià)結(jié)果。對于特征選取部分，本文僅在特征選取數(shù)為10～20個(gè)、模型訓(xùn)練次數(shù)為1～10次的前提下進(jìn)行研究，對于特征選取數(shù)量為其他值的結(jié)果，本文并未得知，存在更優(yōu)解的可能。同時(shí)，本文僅在是否發(fā)生故障這一單方面對數(shù)據(jù)進(jìn)行訓(xùn)練與預(yù)測，在實(shí)際生產(chǎn)過程中，應(yīng)針對可能出現(xiàn)的多種故障類型進(jìn)行訓(xùn)練，精準(zhǔn)的預(yù)測風(fēng)機(jī)等多種發(fā)電設(shè)備可能出現(xiàn)的故障的時(shí)間節(jié)點(diǎn)以及故障類型。

參考文獻(xiàn)：

[1] ZHANG Y，SUN S M，YU P，et al. Research and application of fault diagnostics method for new energy power plant equipment based on big data mining [J/OL].IOP Conference Series： Earth and Environmental Science，2018，188（1）：1-9[2023-04-10].https：//iopscience.iop.org/article/10.1088/1755-1315/188/1/012115.

[2] 張李煒，李孝忠.基于Apriori算法和卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組故障診斷模型 [J].天津科技大學(xué)學(xué)報(bào)，2022，37（5）：50-55.

[3] 周凌，趙前程，朱岸鋒，等.基于FISSA-DBN模型的風(fēng)電機(jī)組運(yùn)行狀態(tài)監(jiān)測 [J].振動.測試與診斷，2023，43（1）：80-87+199.

[4] 劉志剛，趙曉燕，張濤，等.基于小波包-神經(jīng)網(wǎng)絡(luò)的電廠發(fā)電機(jī)組故障診斷研究 [J].機(jī)械傳動，2018，42（8）：179-182.

[5] 朱小超.基于聚類算法的光伏發(fā)電設(shè)備故障診斷方法 [J].寧夏電力，2022（4）：12-18.

[6] 陳萬志，李昊哲，劉恒嘉，等.融合LSTM和優(yōu)化SVM的風(fēng)力發(fā)電機(jī)組故障預(yù)測方法 [J].遼寧工程技術(shù)大學(xué)學(xué)報(bào)：自然科學(xué)版，2022，41（4）：379-384.

[7] ZHOU H Y，ZHANG S H，PENG J，et al. Informer： Beyond Efficient Transformer for Long Sequence Time-Series Forecasting [C]//Proceedings of the AAAI Conference on Artificial Intelligence.Palo Alto：AAAI Press，2021，35（12）：11106-11115.

[8] 左敏，胡天宇，董微，等.基于Informer神經(jīng)網(wǎng)絡(luò)的農(nóng)產(chǎn)品物流需求預(yù)測分析——以華中地區(qū)為例 [J].智慧農(nóng)業(yè)：中英文，2023，5（1）：34-43.

[9] 董浩，孫琳，歐陽峰.基于Informer的PM（2.5）濃度預(yù)測 [J].環(huán)境工程，2022，40（6）：48-54+62.

[10] 黎嘉盈.基于并行冪法的分布式主成分分析算法研究及應(yīng)用 [D].深圳：深圳大學(xué)，2022.

作者簡介：陸釗（1978—），男，壯族，廣西南寧人，

副教授，本科，研究方向：數(shù)據(jù)挖掘；通訊作者：龍法寧（1978—），男，漢族，廣西玉林人，高級工程師，碩士研究生，研究方向：機(jī)器學(xué)習(xí)；陳國年（1999—），男，漢族，廣西欽州人，本科在讀，研究方向：數(shù)據(jù)科學(xué)與大數(shù)據(jù)技術(shù)。