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】
[0001] 本发明属于新能源电力设备安全评估技术领域，设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】
[0002] 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。
[0003] 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W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W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阔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W 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。
[0004] 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W 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W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W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W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】
[0005] 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 二乘支持向量机化S-SVM)和径向基函数神经网络(RBF順)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，提出基于信息赌的风电机组状态参数异常辨识方法。
[0006] 为达到上述目的，本发明提供如下技术方案：
[0007] -种基于组合预测的风电机组状态参数异常辨识方法，包括W下步骤：
[000引Sl:选取合适的风电场SCADA数据，得到训练数据和测试数据；
[0009] S2:建立目标参数的单项预测模型（包括BP順和LSSVM)，对组合模型进行优化，选 择合适的权重；
[0010] 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；
[0011] S4:根据W下公式计算均方根误差(RISE)，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；
[0012]
[OOK]式中，S为均方根误差，n为样本数，ri为实际值，为根据模型得到的预测值；
[0014] S5:若RMSE小于阔值，判定状态参数正常；
[0015] S6:若RMSE大于阔值，采用相同的残差数据计算赌值；
[0016] S7:若赌值小于阔值，判定状态参数正常，虽然此时RMSE大于阔值，但是残差数据 变化不大，不能判定为出现异常；
[0017] S8:若赌值大于阔值，则判定状态参数出现异常。
[0018] 进一步，在步骤Sl中，建立基于BPr^N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：
[0019] ①基于BP順的参数选择模型
[0020] 建立基于BP順的输入参数选择模型；在确定了BP順网络结构的情况下，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 BP順模型中隐层和输出层的传递函数;二是BP順中采用的梯度下降算法，采用Le venberg-Ma巧uar化迭代算法优化BPNN模型的权值；
[0021] ②状态参数选择的评价方法
[0022] 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W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W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；
[0023] ③模型输入参数的确定
[0024] 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W风电机组 的发电机轴承的盘度为目标参数，其余19个状态参数为BP順的输入参数；
[0025] 状态参数预测模型的输入参数确定过程步骤如下：
[0026] 1)选取3个RMSE较大的参数作为输入参数建立BP順模型；根据训练数据得到最优 的状态参数预测模型；
[0027] 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；
[00%] 3)当两个模型的RMSE之差的绝对值大于阔值时，增加表中的下一个参数为输入参 数，建立新的基于BP順的状态参数预测模型，并返回步骤2);
[0029] 4)当两个模型的RMSE之差的绝对值小于阔值时，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。
[0030] 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：
[0031 ] ①状态参数组合预测模型
[0032] 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W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S个分别为基于BPNN、RBFr^N和LS-SVM的单项预测模型构成：
[0033] 1)单项模型
[0034] a)基于LS-SVM的状态参数预测模型
[0035] 设非线性回归函数为：
[0036]
(7)
[0037] 式中，b为阔值，W为权向量，种；?)是将原始空间映射到一个高维化化ert特征空间 的核空间映射函数；
[0038] LS-SVM回归对函数进行估计问题转化为如下优化问题：
[0039]
城
[0040] 式中，W为权向量，ekER为误差变量，丫为规则化参数，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；
[0041 ] 相廊的扮惚卽円化井责.
[0042]
城
[0043]式中，W为权向量，ekER为误差变量；丫 >0为规则化参数;Qk为拉格朗日算子，ak> 0，例）是将原始空间映射到一个高维化化ert特征空间的核空间映射函数；
[0044] 由邸T 化a;rush-kuhn-1:ucke;r)条件，分别对W，b，ek，Qk求偏导，可得：
[0045]打巧
[0046] 消除ek和W，得到矩阵方程
：
[0047](11)
[004引 式中，1 = [1;
I;; 1]，y = [yi;y2;... ;yN]，a = [口1;口2;... ;aN]，幻y =與(xJ.T與的.），' k，l = l，2，...，N;
[0049]
(巧)
[0050] 求解得到LS-SVM的回归函数为：
[005。 （诚
[0052] .......-..........函数，化为拉格朗日算子，b为阔值；
[0053] 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；
[0054] b)基于R邸順的状态参数预测模型
[0055] RBF順为S层