CN105719002A - 一种基于组合预测的风电机组状态参数异常辨识方法 - Google Patents

Abstract

本发明涉及一种基于组合预测的风电机组状态参数异常辨识方法，包括以下步骤：选取合适的风电场SCADA数据，得到训练数据和测试数据；建立目标参数的单项预测模型(包括BPNN和LSSVM)，对组合模型进行优化，选择合适的权重；采用组合预测模型预测目标参数，并与实际值对比，得到残差；计算均方根误差(RMSE)，获得RMSE的变化情况；若RMSE小于阈值，判定状态参数正常，若RMSE大于阈值，采用相同的残差数据计算熵值；若熵值小于阈值，判定状态参数正常，虽然此时RMSE大于阈值，但是残差数据变化不大，不能判定为出现异常；若熵值大于阈值，则判定状态参数出现异常。本发明采用的方法易于编程实现，能够快速准确地对风电机组状态参数进行异常辨识。

Description

一种基于组合预测的风电机组状态参数异常辨识方法

技术领域

本发明属于新能源电力设备安全评估技术领域，涉及一种基于组合预测的风电机组状态参数异常辨识方法。

背景技术

风电机组由机械、电气和控制组件等组成，其中任一组件发生故障都可能导致机组的停运，严重的故障甚至会影响电力系统的安全稳定运行。风电机组的可靠运行是风电场安全经济运行的基本保障。安装数据采集与监视控制(SCADA)系统监测风电场风电机组的实时运行状态是目前普遍采用的措施，风电场SCADA数据不仅包含风电机组的状态信息、操作指示信号、报警信号等直接信息，还包含了机组设备的劣化、异常、故障征兆等间接信息。

充分挖掘SCADA数据中包含的风电机组劣化、异常、故障征兆等间接信息以提高风电机组运行可靠性是当下最迅速有效的方法。由于风电机组运行环境的持续动态变化性，通常原始的SCADA数据掩盖了风电机组的故障信息，仅通过原始的SCADA数据难以预测机组是否发生异常。传统的风电机组监测系统是根据简单阈值法对机组参数的异常和故障进行判断，参数越限时往往机组已经发生故障，所造成的经济损失已无法挽回，因此开展对机组状态参数异常辨识的研究有助于故障预警和维修决策。通过对风电机组参数的异常辨识以排除各种干扰因素对SCADA数据的影响，从而提高预测机组部件发生故障的准确性，避免故障持续发展而造成重大损失。

风电机组的状态参数受环境、电网和负荷等因素的综合影响，机组各部件之间以及各状态参数之间复杂的影响关系，使得风电机组状态参数的异常辨识十分困难，难以预测风电机组是否发生异常。风电机组的各种故障原因使SCADA数据分布特征复杂，且机组运行受各种运行工况的影响，采用分类、聚类等算法难以判定风电机组的异常。因此，基于统计和机器学习的异常辨识方法难以用于风电机组的异常辨识。基于神经网络的异常辨识技术是一种非参量化的分析技术，采用正常运行数据建立正常行为模型。神经网络能够很好的处理高维数据的复杂边界，因此适合于高维数据的正常行为建模，当新的数据偏离正常行为时就被认定为异常。

发明内容

有鉴于此，本发明的目的在于提供一种基于组合预测的风电机组状态参数异常辨识方法，该方法针对目前风电场SCADA数据异常辨识方法存在的不足，建立基于误差反向传播神经网络(BPNN)的参数选择模型，通过引入噪声来量化各输入参数对目标参数的影响程度，选择状态参数预测模型的输入参数，提出了自动参数选择方法。建立基于BPNN、最小二乘支持向量机(LS-SVM)和径向基函数神经网络(RBFNN)的状态参数的单项预测模型，并通过组合预测模型中的权重分布分析，建立风电机组状态参数的组合预测模型，在此基础上，提出基于信息熵的风电机组状态参数异常辨识方法。

为达到上述目的，本发明提供如下技术方案：

一种基于组合预测的风电机组状态参数异常辨识方法，包括以下步骤：

S1：选取合适的风电场SCADA数据，得到训练数据和测试数据；

S2：建立目标参数的单项预测模型(包括BPNN和LSSVM)，对组合模型进行优化，选择合适的权重；

S3：采用组合预测模型预测目标参数，并与实际值对比，得到残差；

S4：根据以下公式计算均方根误差(RMSE)，为反映变化趋势，需计算连续的相同时间长度的RMSE，获得RMSE的变化情况；

式中，S为均方根误差，n为样本数，r_i为实际值，为根据模型得到的预测值；

S5：若RMSE小于阈值，判定状态参数正常；

S6：若RMSE大于阈值，采用相同的残差数据计算熵值；

S7：若熵值小于阈值，判定状态参数正常，虽然此时RMSE大于阈值，但是残差数据变化不大，不能判定为出现异常；

S8：若熵值大于阈值，则判定状态参数出现异常。

进一步，在步骤S1中，建立基于BPNN的参数选择模型，采用模型输入参数的自动选择方法，具体包括：

①基于BPNN的参数选择模型

建立基于BPNN的输入参数选择模型；在确定了BPNN网络结构的情况下，需考虑如下两方面问题：一是神经网络中信号的传递函数，分别采用双极性S型函数和线性函数作为BPNN模型中隐层和输出层的传递函数；二是BPNN中采用的梯度下降算法，采用Levenberg-Marquardt迭代算法优化BPNN模型的权值；

②状态参数选择的评价方法

采用重要度判断评价模型的输入参数对目标参数的影响程度；通过评估删除某一输入参数对预测模型精度的影响以衡量该参数的重要度；逐一改变输入参数的大小，并采用均方根误差(RMSE)判断模型精度变化的方法以评价各输入参数对目标参数的影响程度，从而选择状态参数预测模型的输入参数；

③模型输入参数的确定

综合考虑各状态参数对某一参数的影响，选取机组的正常运行状态数据作为参数选择模型的样本数据；样本数据从1年的数据中随机选择30000个数据，每个数据由20个状态参数组成，其中27000个数据作为训练数据，3000个数据作为测试数据；假设以风电机组的发电机轴承B温度为目标参数，其余19个状态参数为BPNN的输入参数；

状态参数预测模型的输入参数确定过程步骤如下：

1)选取3个RMSE较大的参数作为输入参数建立BPNN模型；根据训练数据得到最优的状态参数预测模型；

2)用相同的测试数据测试新建立的模型，将新建立模型的RMSE与最初模型的RMSE进行比较；

3)当两个模型的RMSE之差的绝对值大于阈值时，增加表中的下一个参数为输入参数，建立新的基于BPNN的状态参数预测模型，并返回步骤2)；

4)当两个模型的RMSE之差的绝对值小于阈值时，模型的输入参数为最终选择的输入参数集，即根据此输入参数集建立的预测模型能准确反映目标参数的变化。

进一步，在步骤S2和步骤S3中，所述的单项预测模型和组合预测模型如下：

①状态参数组合预测模型

组合预测模型是将各个不同的预测模型通过适当的加权组合起来所得到的预测模型，组合预测综合利用了各预测方法所提供的信息，从而提高了预测的精确度和可靠性；在本方法中，建立以预测误差平方和最小为目标的线性组合预测模型；状态参数组合预测模型由三个分别为基于BPNN、RBFNN和LS-SVM的单项预测模型构成：

1)单项模型

a)基于LS-SVM的状态参数预测模型

设非线性回归函数为：

式中，b为阈值，w为权向量，是将原始空间映射到一个高维Hilbert特征空间的核空间映射函数；

LS-SVM回归对函数进行估计问题转化为如下优化问题：

式中，w为权向量，e_k∈R为误差变量，γ为规则化参数，其取值大于0，用于平衡训练误差和模型复杂度，提高所求函数的泛化能力；

相应的拉格朗日形式为：

式中，w为权向量，e_k∈R为误差变量；γ＞0为规则化参数；α_k为拉格朗日算子，α_k≥0，是将原始空间映射到一个高维Hilbert特征空间的核空间映射函数；

由KKT(karush-kuhn-tucker)条件，分别对w，b，e_k，α_k求偏导，可得：

消除e_k和w，得到矩阵方程：

式中，1＝[1；1；…；1]，y＝[y₁；y₂；…；y_N]，α＝[α₁；α₂；…；α_N]，k,l＝1,2,…,N；

求解得到LS-SVM的回归函数为：

式中，K(x_k,x_l)为支持向量机的核函数，α_k为拉格朗日算子，b为阈值；

考虑样本数据、输入参数、支持向量机的核函数、正则化参数和核函数宽度，采用LS-SVM回归函数对风电机组状态参数进行建模；

b)基于RBFNN的状态参数预测模型

RBFNN为三层网络结构，包括输入层、径向基层和输出层，其中径向基神经元和输出层神经元的激发函数分别为高斯函数和线性函数，并采用最近邻聚类学习算法；RBFNN输入参数由本专利的参数自动选择方法确定；

RBFNN的训练目的是为了确定径向基函数的中心和宽度，采用Matlab的神经网络工具箱的函数newrb可实现；函数newrb的重要输入参数spread(径向基函数的扩展速度)对RBFNN影响显著；通过多次训练RBFNN可得到最佳的spread参数；

c)基于BPNN的状态参数预测模型

BPNN模型为三层网络结构，包括输入层、隐层、输出层；分别采用双极性S型函数和线性函数作为BPNN模型隐层和输出层的传递函数；BPNN输入参数同样由本专利的参数自动选择方法确定；通过多次训练即可得到优化的隐层节点数目，并采用Levenberg-Marquardt迭代算法优化权值；

2)组合预测模型建立方法

假设对同一预测对象的某个指标序列{x_t,t＝1,2,…,N}，存在着m种单项预测方法，其中第i种单项预测方法在第t时刻的预测值为x_it，i＝1,2,…,m，t＝1,2,…,N，记e_it＝(x_t-x_it)为第i种单项预测方法在第t时刻的预测误差；

设l₁,l₂,…,l_m分别为m种单项预测方法的加权系数，为保证组合预测模型的无偏性，应满足：

l₁+l₂+…+l_m＝1(1)

设为x_t的组合预测值，e_t为组合预测方法在第t时刻的预测误差，则有：

记J₁为组合预测方法的预测误差平方和，则有：

由此得到以预测误差平方和最小为目标的线性组合预测模型，即如下优化问题：

设L＝[l₁,l₂,…,l_m]^T，R＝[1,1,…,1]^T，e_i＝[e_i1,e_i2,…,e_iN]^T，则L表示组合预测加权系数列向量，R表示元素全为1的m维列向量，e_i表示第i种单项预测方法的预测误差列向量，记

则当i≠j时，E_ij为第i种单项预测方法和第j种单项预测方法预测误差的协方差；当i＝j时，E_ii表示第i种单项预测方法的预测误差的平方和；E为组合预测误差信息矩阵；

式(4)的矩阵形式为：

式中，J₁为组合预测的预测误差平方和；L为组合预测加权系数列向量；R为元素全为1的m维列向量；E为组合预测误差信息矩阵；

在计算组合预测加权系数时，应增加一个非负的约束条件，即如下非线性规划问题：

式(6)为二次凸规划问题，在可行域内或可行域的边界上存在着唯一的最优解，本专利采用非负权重最优组合预测的迭代算法，对模型进行求解；

3)组合模型建模过程

BPNN模型、RBFNN模型和LS-SVM模型为独立的参数模型，采用以预测误差平方和最小为目标的线性组合预测模型，建立风电机组状态参数的组合预测模型；假设以风电机组轴承B温度参数为目标参数进行建模，具体建模方法如下：

a)分析SCADA数据，选择风电机组正常运行状态下的数据，并将数据分为训练数据和测试数据；为了更好地对模型结果进行对比分析选取运行状态数据作为参数模型的样本数据，从近年的运行数据中随机选择30000个数据建立单项模型和组合模型的样本数据；

b)选择合适的单项模型。对BPNN模型、RBFNN模型和LS-SVM模型进行训练和测试，选择精度较好的BPNN模型、RBFNN模型和LS-SVM模型；

c)选择组合模型；从30000个数据中随机选择3000个数据作为一个数据集，并重复N次，获得N个数据集，分别对BPNN模型、RBFNN模型和LS-SVM模型进行测试，记录每组数据集对应的两个模型的残差序列；采用非负权重最优组合预测的迭代算法，得到各单项模型的权重分布，最终获得组合模型；

选择15次的平均权重为组合模型的权重，建立组合模型如下：

式中，为组合模型的预测值，与l₁分别为BPNN预测值及其权重，l₁取值为0.645，与l₂分别为RBFNN的预测值及其权重，l₂取值为0.2018，与l₃分别为LS-SVM模型的预测值及其权重，l₃取值为0.1532；

②状态参数异常分析

风电机组状态参数异常辨识的主要步骤如下：

首先，将风电机组的工作状态分为正常运行状态和异常状态；其次，根据正常运行状态下数据样本对运行参数建模，称所建模型为参数的正常行为模型(简称参数模型)；然后，通过参数模型对状态参数进行预测，得到参数预测值与实际值的残差，当状态参数出现异常时，参数模型的预测值将偏离实际值，异常越严重，相应将偏离的越严重；最后，通过分析残差的数据判定风电机组状态参数是否出现异常；

通过风电机组状态参数预测模型，得到目标状态参数的残差数据，进而可对状态参数的异常情况进行判断分析；根据所建立的参数正常状态预测模型，计算得到状态参数的预测残差，当状态参数出现异常时，其预测值将偏离实际值，与正常状态相比，异常状态下残差的幅值更大且变化剧烈，表征残差的这种特征将有助于异常状态的分析；信息熵是对系统的有序化程度或者信号的复杂程度的量化，采用信息熵表征残差变化的剧烈程度；针对风电场SCADA数据，以某参数1天采用的数据量计算参数预测残差的熵值：

式中，H_d为某参数以1天采集数据量的预测残差位的信息熵，N为统计区间的数目，n_i为每个区间内残差的数目(以温度参数为例，可取[-1℃，0℃]、[0℃，1℃]、[1℃，2℃]等间隔均为1℃的区间，统计每个区间的残差数目)；T_d为1天的残差数目。仅计算n_i≠0时的熵值。

本发明的有益效果在于：本发明采用的方法易于编程实现，能够快速准确地对风电机组状态参数进行异常辨识。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为模型输入参数影响分析示意图；

图2为状态参数预测模型的输入参数确定过程示意图；

图3为状态参数组合预测模型的建立过程图；

图4为组合模型的权重分布图；

图5为状态参数异常辨识方法流程图；

图6为实施例中13号风电机组的数据分析结果图；

图7为实施例中27号风电机组的数据分析结果图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

图5为状态参数异常辨识方法流程图，如图所示，本发明所述方法包括以下步骤：

S1：选取合适的风电场SCADA数据，得到训练数据和测试数据；

S2：建立目标参数的单项预测模型(包括BPNN和LSSVM)，对组合模型进行优化，选择合适的权重；

S3：采用组合预测模型预测目标参数，并与实际值对比，得到残差；

S4：根据以下公式计算均方根误差(RMSE)，为反映变化趋势，需计算连续的相同时间长度的RMSE，获得RMSE的变化情况；

式中，S为均方根误差，n为样本数，r_i为实际值，为根据模型得到的预测值；

S5：若RMSE小于阈值，判定状态参数正常；

S6：若RMSE大于阈值，采用相同的残差数据计算熵值；

S7：若熵值小于阈值，判定状态参数正常，虽然此时RMSE大于阈值，但是残差数据变化不大，不能判定为出现异常；

S8：若熵值大于阈值，则判定状态参数出现异常。

具体来说：

1.状态参数预测模型输入参数的自动选择

风电机组状态参数预测模型输入参数的确定是状态参数建模的前提。为选取合适的状态参数作为输入参数，需分析各输入参数对目标参数的影响程度，对此建立基于BPNN的参数选择模型，并提出模型输入参数的自动选择方法，如图1所示。

①基于BPNN的参数选择模型

本方法建立基于BPNN的输入参数选择模型。在确定了BPNN网络结构的情况下，需考虑如下两方面问题：一是神经网络中信号的传递函数，分别采用双极性S型函数和线性函数作为BPNN模型中隐层和输出层的传递函数；二是BPNN中采用的梯度下降算法，采用Levenberg-Marquardt迭代算法优化BPNN模型的权值。

②状态参数选择的评价方法

采用重要度判断评价模型的输入参数对目标参数的影响程度。通过评估删除某一输入参数对预测模型精度的影响以衡量该参数的重要度。逐一改变输入参数的大小，并采用均方根误差(RMSE)判断模型精度变化的方法以评价各输入参数对目标参数的影响程度，从而选择状态参数预测模型的输入参数。

③模型输入参数的确定

综合考虑各状态参数对某一参数的影响，选取机组的正常运行状态数据作为参数选择模型的样本数据。样本数据从1年的数据中随机选择30000个数据，每个数据由20个状态参数组成，其中27000个数据作为训练数据，3000个数据作为测试数据。假设以风电机组的发电机轴承B温度为目标参数，其余19个状态参数为BPNN的输入参数。图2是状态参数预测模型的输入参数确定过程，其步骤如下：

1)选取3个RMSE较大的参数作为输入参数建立BPNN模型。根据训练数据得到最优的状态参数预测模型；

2)用相同的测试数据测试新建立的模型，将新建立模型的RMSE与最初模型的RMSE进行比较；

3)当两个模型的RMSE之差的绝对值大于阈值时，增加表中的下一个参数为输入参数，建立新的基于BPNN的状态参数预测模型，并返回步骤2)；

4)当两个模型的RMSE之差的绝对值小于阈值时，模型的输入参数为最终选择的输入参数集，即根据此输入参数集建立的预测模型能准确反映目标参数的变化。

2.状态参数异常分析子模型

①状态参数组合预测模型

组合预测模型是将各个不同的预测模型通过适当的加权组合起来所得到的预测模型，组合预测综合利用了各预测方法所提供的信息，从而提高了预测的精确度和可靠性。为更精确地预测风电机组状态参数，本方法建立以预测误差平方和最小为目标的线性组合预测模型。状态参数组合预测模型由三个分别为基于BPNN、RBFNN和LS-SVM的单项预测模型构成。

1)单项模型

a)基于LS-SVM的状态参数预测模型

设非线性回归函数为：

式中，b为阈值，w为权向量，是将原始空间映射到一个高维Hilbert特征空间的核空间映射函数。

LS-SVM回归对函数进行估计问题转化为如下优化问题：

式中，w为权向量，e_k∈R为误差变量，γ为规则化参数，其取值大于0，用于平衡训练误差和模型复杂度，提高所求函数的泛化能力。

相应的拉格朗日形式为：

式中，w为权向量，e_k∈R为误差变量；γ＞0为规则化参数；α_k为拉格朗日算子，，α_k≥0，是将原始空间映射到一个高维Hilbert特征空间的核空间映射函数。

由KKT(karush-kuhn-tucker)条件，分别对w，b，e_k，α_k求偏导，可得：

消除e_k和w，得到矩阵方程：

式中，1＝[1；1；…；1]，y＝[y₁；y₂；…；y_N]，α＝[α₁；α₂；…；α_N]，k,l＝1,2,…,N。

求解得到LS-SVM的回归函数为：

式中，K(x_k,x_l)为支持向量机的核函数，α_k为拉格朗日算子，b为阈值。

考虑样本数据、输入参数、支持向量机的核函数、正则化参数和核函数宽度，采用LS-SVM回归函数对风电机组状态参数进行建模。

b)基于RBFNN的状态参数预测模型

RBFNN为三层网络结构，包括输入层、径向基层和输出层，其中径向基神经元和输出层神经元的激发函数分别为高斯函数和线性函数，并采用最近邻聚类学习算法。RBFNN输入参数由本专利的参数自动选择方法确定。

RBFNN的训练目的是为了确定径向基函数的中心和宽度，采用Matlab的神经网络工具箱的函数newrb可实现。函数newrb的重要输入参数spread(径向基函数的扩展速度)对RBFNN影响显著。通过多次训练RBFNN可得到最佳的spread参数。

c)基于BPNN的状态参数预测模型

BPNN模型为三层网络结构，包括输入层、隐层、输出层。分别采用双极性S型函数和线性函数作为BPNN模型隐层和输出层的传递函数。BPNN输入参数同样由本专利的参数自动选择方法确定。通过多次训练即可得到优化的隐层节点数目，并采用Levenberg-Marquardt迭代算法优化权值。

2)组合预测模型建立方法

假设对同一预测对象的某个指标序列{x_t,t＝1,2,…,N}，存在着m种单项预测方法，其中第i种单项预测方法在第t时刻的预测值为x_it，i＝1,2,…,m，t＝1,2,…,N，记e_it＝(x_t-x_it)为第i种单项预测方法在第t时刻的预测误差。

设l₁,l₂,…,l_m分别为m种单项预测方法的加权系数，为保证组合预测模型的无偏性，应满足：

l₁+l₂+…+l_m＝1(1)

设为x_t的组合预测值，e_t为组合预测方法在第t时刻的预测误差，则有：

记J₁为组合预测方法的预测误差平方和，则有：

由此得到以预测误差平方和最小为目标的线性组合预测模型，即如下优化问题：

设L＝[l₁,l₂,…,l_m]^T，R＝[1,1,…,1]^T，e_i＝[e_i1,e_i2,…,e_iN]^T，则L表示组合预测加权系数列向量，R表示元素全为1的m维列向量，e_i表示第i种单项预测方法的预测误差列向量，记

则当i≠j时，E_ij为第i种单项预测方法和第j种单项预测方法预测误差的协方差；当i＝j时，E_ii表示第i种单项预测方法的预测误差的平方和；E为组合预测误差信息矩阵。

式(4)的矩阵形式为：

式中，J₁为组合预测的预测误差平方和；L为组合预测加权系数列向量；R为元素全为1的m维列向量；E为组合预测误差信息矩阵；

在计算组合预测加权系数时，应增加一个非负的约束条件，即如下非线性规划问题：

式(6)为二次凸规划问题，在可行域内或可行域的边界上存在着唯一的最优解，本专利采用非负权重最优组合预测的迭代算法，对模型进行求解。

3)组合模型建模过程

BPNN模型、RBFNN模型和LS-SVM模型为独立的参数模型，采用以预测误差平方和最小为目标的线性组合预测模型，建立风电机组状态参数的组合预测模型。假设以风电机组轴承B温度参数为目标参数进行建模，具体建模方法如下：

a)分析SCADA数据，选择风电机组正常运行状态下的数据，并将数据分为训练数据和测试数据。为了更好地对模型结果进行对比分析选取运行状态数据作为参数模型的样本数据，从近年的运行数据中随机选择30000个数据建立单项模型和组合模型的样本数据。

b)选择合适的单项模型。对BPNN模型、RBFNN模型和LS-SVM模型进行训练和测试，选择精度较好的BPNN模型、RBFNN模型和LS-SVM模型。

c)选择组合模型，组合模型的建立过程如图3所示。从30000个数据中随机选择3000个数据作为一个数据集，并重复N次，获得N个数据集，分别对BPNN模型、RBFNN模型和LS-SVM模型进行测试，记录每组数据集对应的两个模型的残差序列。采用非负权重最优组合预测的迭代算法，得到各单项模型的权重分布，最终获得组合模型。当N＝15时，组合模型的权重分布如图4所示。

由图4可知，在选定了训练数据和测试数据的情况下，BPNN模型、RBFNN模型和LS-SVM模型在组合模型中的权重将趋于常数，本专利选择15次的平均权重为组合模型的权重，建立组合模型如下：

式中，为组合模型的预测值，与l₁分别为BPNN预测值及其权重，l₁取值为0.645，与l₂分别为RBFNN的预测值及其权重，l₂取值为0.2018，与l₃分别为LS-SVM模型的预测值及其权重，l₃取值为0.1532。

②状态参数异常分析

风电机组状态参数异常辨识的主要步骤如下：

首先，将风电机组的工作状态分为正常运行状态和异常状态；其次，根据正常运行状态下数据样本对运行参数建模，称所建模型为参数的正常行为模型(简称参数模型)；然后，通过参数模型对状态参数进行预测，得到参数预测值与实际值的残差，当状态参数出现异常时，参数模型的预测值将偏离实际值，异常越严重，相应将偏离的越严重；最后，通过分析残差的数据判定风电机组状态参数是否出现异常。

通过风电机组状态参数预测模型，得到目标状态参数的残差数据，进而可对状态参数的异常情况进行判断分析。根据所建立的参数正常状态预测模型，计算得到状态参数的预测残差，当状态参数出现异常时，其预测值将偏离实际值，与正常状态相比，异常状态下残差的幅值更大且变化剧烈，表征残差的这种特征将有助于异常状态的分析。信息熵是对系统的有序化程度或者信号的复杂程度的量化，本专利采用信息熵表征残差变化的剧烈程度。针对风电场SCADA数据，以某参数1天采用的数据量计算参数预测残差的熵值：

式中，H_d为某参数以1天采集数据量的预测残差位的信息熵，N为统计区间的数目，n_i为每个区间内残差的数目(以温度参数为例，可取[-1℃，0℃]、[0℃，1℃]、[1℃，2℃]等间隔均为1℃的区间，统计每个区间的残差数目)；T_d为1天的残差数目。仅计算n_i≠0时的熵值。

在综合考虑了状态参数模型和信息熵的基础上，提出了风电机组状态参数异常检测方法，其流程如图5所示，具体过程如下：

1)选取合适的风电场SCADA数据，得到训练数据和测试数据。

2)建立目标参数的单项预测模型(包括BPNN和LSSVM)，对组合模型进行优化，选择合适的权重。

3)采用组合预测模型预测目标参数，并与实际值对比，得到残差。

4)计算均方根误差(RMSE)，为反映变化趋势，需计算连续的相同时间长度的RMSE，本专利计算每天的RMSE，获得RMSE的变化情况。

式中，S为均方根误差，n为样本数，r_i为实际值，为根据模型得到的预测值。

5)若RMSE小于阈值，判定状态参数正常。

6)若RMSE大于阈值，采用相同的残差数据计算熵值。

7)若熵值小于阈值，判定状态参数正常，虽然此时RMSE大于阈值，但是残差数据变化不大，不能判定为出现异常。

8)若熵值大于阈值，则判定状态参数出现异常。

实施例：

以国内某风电场13号和27号风电机组为例，采用不同风电机组的SCADA数据对参数异常辨识方法进行对比和验证。13号风电机组于2012年5月30日发生发电机轴承B过热故障，为研究机组状态参数的变化情况，选择故障发生前一段时间的监测数据，选取从2012年3月1日到5月30日(共约90天)的SCADA数据为研究数据。27号风电机组于2012年7月30日发生发电机轴承B过热故障，选取从2012年5月16日到7月30日(共约73天)的SCADA数据为研究数据。根据风电场现场设定，发电机轴承温度的上限值为95℃。

图6为13号风电机组的发电机轴承B温度参数的分析结果。由图6(a)可看出，采用传统的阈值越限判断方法，在故障发生前并未判断出发电机轴承B温度参数的异常情况。图6(b)所示为根据状态参数预测模型得到的预测值与实际值的残差数据，在第10000个左右数据点处残差迅速增大，峰值达到20℃和-17℃左右，且残差的绝对值大于5℃的数据点较少，同时正常状态时存在残差绝对值大于10℃的数据点，因此难以判断是异常值或干扰值。图6(c)所示为计算周期为1天的RMSE数据。从开始到第70天左右机组正常运行时RMSE基本小于4℃，在75天时达到6.5℃，随后变小，并在故障前1、2天迅速增大。从图6(c)可知，在75天左右和故障前的RMSE与正常状态下的RMSE具有明显差异。图6(d)所示为计算周期为1天的残差的信息熵数据，可知前75天残差的熵值皆小于2.5，然后变小，在故障前又迅速变大。发电机轴承B温度在正常运行状态下，残差分布的差异性很小，即残差的信息熵不会出现剧烈的变化。故障引起发电机轴承B温度发生了异常，参数预测模型的输出结果与实际值产生了较大差异，残差的分布与正常运行状态下相比发生了较大的变化，残差的分布显得更加混乱无序，通过引入残差的信息熵来表征这种异常状态，能准确反映状态参数的异常情况。

图7所示为27号机组的发电机轴承B温度参数的分析结果。由图7(b)可知，参数预测模型的输出结果与实际值的残差不是围绕0℃上下波动，其原因可能是参数模型的训练数据并不是来自27号机组。但从图7(b)和7(c)所示的残差和RMSE数据上可知，除了残差的偏移导致RMSE幅值发生了变化以外，仍能从图中判断状态参数出现了异常。图7(d)所示是计算周期为1天的残差信息熵数据，在前55天残差的熵值小于2.5，然后变小，并在故障前又迅速变大。此外，由图6(d)与图7(d)可知，不同机组其异常判断的熵值是相同的，这对不同机组的状态参数建立统一的异常辨识的量化标准提供了可能。因此，不同风电机组的数据，通过状态参数预测模型和引入信息熵的概念能较好地对机组状态参数的异常进行辨识。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (3)

1.一种基于组合预测的风电机组状态参数异常辨识方法，其特征在于：包括以下步骤：

S1：选取合适的风电场SCADA数据，得到训练数据和测试数据；

S2：建立目标参数的单项预测模型(包括BPNN和LSSVM)，对组合模型进行优化，选择合适的权重；

S3：采用组合预测模型预测目标参数，并与实际值对比，得到残差；

S4：根据以下公式计算均方根误差(RMSE)，为反映变化趋势，需计算连续的相同时间长度的RMSE，获得RMSE的变化情况；

$S=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{(r_i-{\hat{r}}_i)}^2}$

式中，S为均方根误差，n为样本数，r_i为实际值，为根据模型得到的预测值；

S5：若RMSE小于阈值，判定状态参数正常；

S6：若RMSE大于阈值，采用相同的残差数据计算熵值；

S7：若熵值小于阈值，判定状态参数正常，虽然此时RMSE大于阈值，但是残差数据变化不大，不能判定为出现异常；

S8：若熵值大于阈值，则判定状态参数出现异常。

2.根据权利要求1所述的一种基于组合预测的风电机组状态参数异常辨识方法，其特征在于：

在步骤S1中，建立基于BPNN的参数选择模型，采用模型输入参数的自动选择方法，具体包括：

①基于BPNN的参数选择模型

建立基于BPNN的输入参数选择模型；在确定了BPNN网络结构的情况下，需考虑如下两方面问题：一是神经网络中信号的传递函数，分别采用双极性S型函数和线性函数作为BPNN模型中隐层和输出层的传递函数；二是BPNN中采用的梯度下降算法，采用Levenberg-Marquardt迭代算法优化BPNN模型的权值；

②状态参数选择的评价方法

采用重要度判断评价模型的输入参数对目标参数的影响程度；通过评估删除某一输入参数对预测模型精度的影响以衡量该参数的重要度；逐一改变输入参数的大小，并采用均方根误差(RMSE)判断模型精度变化的方法以评价各输入参数对目标参数的影响程度，从而选择状态参数预测模型的输入参数；

③模型输入参数的确定

综合考虑各状态参数对某一参数的影响，选取机组的正常运行状态数据作为参数选择模型的样本数据；样本数据从1年的数据中随机选择30000个数据，每个数据由20个状态参数组成，其中27000个数据作为训练数据，3000个数据作为测试数据；假设以风电机组的发电机轴承B温度为目标参数，其余19个状态参数为BPNN的输入参数；

状态参数预测模型的输入参数确定过程步骤如下：

1)选取3个RMSE较大的参数作为输入参数建立BPNN模型；根据训练数据得到最优的状态参数预测模型；

2)用相同的测试数据测试新建立的模型，将新建立模型的RMSE与最初模型的RMSE进行比较；

3)当两个模型的RMSE之差的绝对值大于阈值时，增加表中的下一个参数为输入参数，建立新的基于BPNN的状态参数预测模型，并返回步骤2)；

4)当两个模型的RMSE之差的绝对值小于阈值时，模型的输入参数为最终选择的输入参数集，即根据此输入参数集建立的预测模型能准确反映目标参数的变化。

3.根据权利要求2所述的一种基于组合预测的风电机组状态参数异常辨识方法，其特征在于：在步骤S2和步骤S3中，所述的单项预测模型和组合预测模型如下：

①状态参数组合预测模型

组合预测模型是将各个不同的预测模型通过适当的加权组合起来所得到的预测模型，组合预测综合利用了各预测方法所提供的信息，从而提高了预测的精确度和可靠性；在本方法中，建立以预测误差平方和最小为目标的线性组合预测模型；状态参数组合预测模型由三个分别为基于BPNN、RBFNN和LS-SVM的单项预测模型构成：

1)单项模型

a)基于LS-SVM的状态参数预测模型

设非线性回归函数为：

式中，b为阈值，w为权向量，是将原始空间映射到一个高维Hilbert特征空间的核空间映射函数；

LS-SVM回归对函数进行估计问题转化为如下优化问题：

$\underset{w,b,e}{min}\[\frac{1}{2}{w}^{T}w+\frac{1}{2}\mathrm{\γ}\underset{k=1}{\overset{N}{\Σ}}{e}_k^2\]---\left(8\right)$

式中，w为权向量，e_k∈R为误差变量，γ为规则化参数，其取值大于0，用于平衡训练误差和模型复杂度，提高所求函数的泛化能力；

相应的拉格朗日形式为：

式中，w为权向量，e_k∈R为误差变量；γ＞0为规则化参数；α_k为拉格朗日算子，α_k≥0，是将原始空间映射到一个高维Hilbert特征空间的核空间映射函数；

由KKT(karush-kuhn-tucker)条件，分别对w，b，e_k，α_k求偏导，可得：

消除e_k和w，得到矩阵方程：

$\left[\begin{array}{cc}0& 1^T\\ 1& \mathrm{\Ω}+{\mathrm{\γ}}^{-1}I\end{array}\right]\left[\begin{array}{c}b\\ \mathrm{\α}\end{array}\right]=\left[\begin{array}{c}0\\ y\end{array}\right]---\left(11\right)$

式中，1＝[1；1；…；1]，y＝[y₁；y₂；…；y_N]，α＝[α₁；α₂；…；α_N]，k,l＝1,2,…,N；

求解得到LS-SVM的回归函数为：

$f\left(x\right)=\underset{k=1}{\overset{N}{\Σ}}{\mathrm{\α}}_{k}K(x_k,x)+b---\left(13\right)$

式中，K(x_k,x_l)为支持向量机的核函数，α_k为拉格朗日算子，b为阈值；

考虑样本数据、输入参数、支持向量机的核函数、正则化参数和核函数宽度，采用LS-SVM回归函数对风电机组状态参数进行建模；

b)基于RBFNN的状态参数预测模型

RBFNN为三层网络结构，包括输入层、径向基层和输出层，其中径向基神经元和输出层神经元的激发函数分别为高斯函数和线性函数，并采用最近邻聚类学习算法；RBFNN输入参数由本专利的参数自动选择方法确定；

RBFNN的训练目的是为了确定径向基函数的中心和宽度，采用Matlab的神经网络工具箱的函数newrb可实现；函数newrb的重要输入参数spread(径向基函数的扩展速度)对RBFNN影响显著；通过多次训练RBFNN可得到最佳的spread参数；

c)基于BPNN的状态参数预测模型

BPNN模型为三层网络结构，包括输入层、隐层、输出层；分别采用双极性S型函数和线性函数作为BPNN模型隐层和输出层的传递函数；BPNN输入参数同样由本专利的参数自动选择方法确定；通过多次训练即可得到优化的隐层节点数目，并采用Levenberg-Marquardt迭代算法优化权值；

2)组合预测模型建立方法

假设对同一预测对象的某个指标序列{x_t,t＝1,2,…,N}，存在着m种单项预测方法，其中第i种单项预测方法在第t时刻的预测值为x_it，i＝1,2,…,m，t＝1,2,…,N，记e_it＝(x_t-x_it)为第i种单项预测方法在第t时刻的预测误差；

设l₁,l₂,…,l_m分别为m种单项预测方法的加权系数，为保证组合预测模型的无偏性，应满足：

l₁+l₂+…+l_m＝1(1)

设为x_t的组合预测值，e_t为组合预测方法在第t时刻的预测误差，则有：

$\begin{array}{c}{e}_t=x_t-{\hat{x}}_t=l_1(x_{1t}-{\hat{x}}_{1t})+l_2(x_{2t}-{\hat{x}}_{2t})+...+l_m(x_{mt}-{\hat{x}}_{mt})\\ =l_1{e}_{1t}+l_2{e}_{2t}+...+l_m{e}_{mt}=\underset{i=1}{\overset{m}{\Σ}}{l}_i{e}_{it}\end{array}---\left(2\right)$

记J₁为组合预测方法的预测误差平方和，则有：

$\begin{array}{c}{J}_1=\underset{t=1}{\overset{N}{\mathrm{\Σ}}}{e}_t^2=\underset{t=1}{\overset{N}{\mathrm{\Σ}}}{(l_1{e}_{1t}+l_2{e}_{2t}+...+l_m{e}_{mt})}^2\\ =\underset{t=1}{\overset{N}{\mathrm{\Σ}}}(l_1{l}_1{e}_{1t}{e}_{1t}+l_1{l}_2{e}_{2t}{e}_{1t}+l_1{l}_m{e}_{mt}{e}_{1t}+...+l_m{l}_m{e}_{mt}{e}_{mt})\\ =\underset{t=1}{\overset{N}{\mathrm{\Σ}}}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{l}_i{l}_j{e}_{it}{e}_{jt}\end{array}---\left(3\right)$

由此得到以预测误差平方和最小为目标的线性组合预测模型，即如下优化问题：

$\min J_1=\underset{t=1}{\overset{N}{\Σ}}\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{m}{\Σ}}{l}_i{l}_j{e}_{it}{e}_{jt}---\left(4\right)$

$s.t.\underset{i=1}{\overset{m}{\Σ}}{l}_i=1$

设L＝[l₁,l₂,…,l_m]^T，R＝[1,1,…,1]^T，e_i＝[e_i1,e_i2,…,e_iN]^T，则L表示组合预测加权系数列向量，R表示元素全为1的m维列向量，e_i表示第i种单项预测方法的预测误差列向量，记

$E_{ij}=e_i^T{e}_j=\underset{t=1}{\overset{N}{\Σ}}{e}_{it}{e}_j,i,j=1,2,...,m,E={\left(E_{ij}\right)}_{m\×m},$

则当i≠j时，E_ij为第i种单项预测方法和第j种单项预测方法预测误差的协方差；当i＝j时，E_ii表示第i种单项预测方法的预测误差的平方和；E为组合预测误差信息矩阵；

式(4)的矩阵形式为：

minJ₁＝L^TEL(5)

s.t.R^TL＝1

式中，J₁为组合预测的预测误差平方和；L为组合预测加权系数列向量；R为元素全为1的m维列向量；E为组合预测误差信息矩阵；

在计算组合预测加权系数时，应增加一个非负的约束条件，即如下非线性规划问题：

minJ₁＝L^TEL

$s.t.\left\{\begin{array}{c}{R}^{T}L=1\\ L\≥0\end{array}\right.---\left(6\right)$

式(6)为二次凸规划问题，在可行域内或可行域的边界上存在着唯一的最优解，本专利采用非负权重最优组合预测的迭代算法，对模型进行求解；

3)组合模型建模过程

BPNN模型、RBFNN模型和LS-SVM模型为独立的参数模型，采用以预测误差平方和最小为目标的线性组合预测模型，建立风电机组状态参数的组合预测模型；假设以风电机组轴承B温度参数为目标参数进行建模，具体建模方法如下：

a)分析SCADA数据，选择风电机组正常运行状态下的数据，并将数据分为训练数据和测试数据；为了更好地对模型结果进行对比分析选取运行状态数据作为参数模型的样本数据，从近年的运行数据中随机选择30000个数据建立单项模型和组合模型的样本数据；

b)选择合适的单项模型。对BPNN模型、RBFNN模型和LS-SVM模型进行训练和测试，选择精度较好的BPNN模型、RBFNN模型和LS-SVM模型；

c)选择组合模型；从30000个数据中随机选择3000个数据作为一个数据集，并重复N次，获得N个数据集，分别对BPNN模型、RBFNN模型和LS-SVM模型进行测试，记录每组数据集对应的两个模型的残差序列；采用非负权重最优组合预测的迭代算法，得到各单项模型的权重分布，最终获得组合模型；

选择15次的平均权重为组合模型的权重，建立组合模型如下：

$\hat{F}=l_1\·{\hat{f}}_1+l_2\·{\hat{f}}_2+l_3\·{\hat{f}}_3---\left(15\right)$

式中，为组合模型的预测值，与l₁分别为BPNN预测值及其权重，l₁取值为0.645，与l₂分别为RBFNN的预测值及其权重，l₂取值为0.2018，与l₃分别为LS-SVM模型的预测值及其权重，l₃取值为0.1532；

②状态参数异常分析

风电机组状态参数异常辨识的主要步骤如下：

首先，将风电机组的工作状态分为正常运行状态和异常状态；其次，根据正常运行状态下数据样本对运行参数建模，称所建模型为参数的正常行为模型(简称参数模型)；然后，通过参数模型对状态参数进行预测，得到参数预测值与实际值的残差，当状态参数出现异常时，参数模型的预测值将偏离实际值，异常越严重，相应将偏离的越严重；最后，通过分析残差的数据判定风电机组状态参数是否出现异常；

通过风电机组状态参数预测模型，得到目标状态参数的残差数据，进而可对状态参数的异常情况进行判断分析；根据所建立的参数正常状态预测模型，计算得到状态参数的预测残差，当状态参数出现异常时，其预测值将偏离实际值，与正常状态相比，异常状态下残差的幅值更大且变化剧烈，表征残差的这种特征将有助于异常状态的分析；信息熵是对系统的有序化程度或者信号的复杂程度的量化，采用信息熵表征残差变化的剧烈程度；针对风电场SCADA数据，以某参数1天采用的数据量计算参数预测残差的熵值：

$H_d=-\underset{i=1}{\overset{N}{\Σ}}\left(\frac{n_i}{T_d}\right)ln\left(\frac{n_i}{T_d}\right)---\left(16\right)$

式中，H_d为某参数以1天采集数据量的预测残差位的信息熵，N为统计区间的数目，n_i为每个区间内残差的数目(以温度参数为例，可取[-1℃，0℃]、[0℃，1℃]、[1℃，2℃]等间隔均为1℃的区间，统计每个区间的残差数目)；T_d为1天的残差数目。仅计算n_i≠0时的熵值。