碩士研究生論文風力發(fā)電機組非參數(shù)模型狀態(tài)監(jiān)測關(guān)鍵問題研究

1、I / 47碩士學位論文碩士學位論文風力發(fā)電機組非參數(shù)模型狀態(tài)監(jiān)測關(guān)鍵問題研究ResearchResearch onon Non-parameterNon-parameter ModelModel ConditionCondition MonitoringMonitoring ofof WindWind PowerPower UnitUnitII / 47工學碩士學位論文風力發(fā)電機組非參數(shù)模型狀態(tài)監(jiān)測關(guān)鍵問題研究碩士研究生：導 師 ：申請學位：工學碩士學科：控制科學與工程專業(yè)：檢測技術(shù)與自動化裝置所 在 學 院：控制與計算機學院答 辯 日 期：授予學位單位 ：華北電力大學Classified

2、Index: TM614 U.D.C: 621.3 III / 47Dissertation for the Master Degree in EngineeringResearchResearch onon Non-parameterNon-parameter ModelModel ConditionCondition MonitoringMonitoring ofof WindWind PowerPower UnitUnitCandidateCandidate：SupervisorSupervisor：ProfAcademicAcademic DegreeDegree AppliedApp

3、lied forfor：Master of EngineeringSpecialitySpeciality：Detection technology and automation equipmentS Sc ch ho oo ol l：School of Control and Computer EngineeringDateDate ofof DefenceDefence：March， 2013IV / 47Degree-Conferring-Degree-Conferring-InstitutionInstitution：NorthChinaElectricPowerUniversity華

4、北電力大學碩士學位論文原創(chuàng)性聲明本人重聲明：此處所提交的碩士學位論文風力發(fā)電機組非參數(shù)模型狀態(tài)監(jiān)測關(guān)鍵問題研究 ，是本人在導師指導下，在華北電力大學攻讀碩士學位期間獨立進行研究工作所取得的成果。據(jù)本人所知，論文中除已注明部分外不包含他人已發(fā)表或撰寫過的研究成果。對本文的研究工作做出重要貢獻的個人和集體，均已在文中以明確方式注明。本聲明的法律結(jié)果將完全由本人承擔。作者簽名： 日期： 年 月 日華北電力大學碩士學位論文使用授權(quán)書風力發(fā)電機組非參數(shù)模型狀態(tài)監(jiān)測關(guān)鍵問題研究 系本人在華北電力大學攻讀碩士學位期間在導師指導下完成的碩士學位論文。本論文的研究成果歸華北電力大學所有，本論文的研究容不得以其它

5、單位的名義發(fā)表。本人完全了解華北電力大學關(guān)于保存、使用學位論文的規(guī)定，同意學校保留并向有關(guān)部門送交論文的復印件和電子版本，允許論文被查閱和借閱，學?？梢詾榇嬖陴^際合作關(guān)系的兄弟高校用戶提供文獻傳遞服務(wù)和交換服務(wù)。本人授權(quán)華北電力大學，可以采用影印、縮印或其他復制手段保存論文，可以公布論文的全部或部分容。本學位論文屬于(請在以上相應(yīng)方框打“”)：，在 年解密后適用本授權(quán)書不作者簽名： 日期： 年 月 日V / 47導師簽名： 日期： 年 月 日I / 47摘 要風力發(fā)電作為一種清潔的可再生能源利用方式，近年來在世界圍獲得了飛速的發(fā)展，其中風力發(fā)電機組大型設(shè)備狀態(tài)監(jiān)測成為風電研究領(lǐng)域的重要組成部分

6、。本文在近幾年國外關(guān)于風電機組狀態(tài)監(jiān)測研究成果的基礎(chǔ)上，針對風力發(fā)電機組控制、風力發(fā)電機組的運行以與風電機組仿真的需要，展開對狀態(tài)監(jiān)測關(guān)鍵問題的研究，主要工作容和創(chuàng)新成果如下:1. 詳細分析了風力發(fā)電機組狀態(tài)監(jiān)測的現(xiàn)狀，提出基于非參數(shù)建模狀態(tài)監(jiān)測方法的兩個關(guān)鍵問題：輸入變量集選取與殘差處理。2. 由于在建立機組各部件重要測量參數(shù)的預(yù)測模型時，該測量參數(shù)預(yù)測模型的輸入變量集的確定，是建立其準確模型的關(guān)鍵，因此，預(yù)測模型輸入變量集的確定是影響預(yù)測模型精度的重要因素。本文詳細分析了變量集之間的相關(guān)關(guān)系與判斷變量參數(shù)相關(guān)關(guān)系的方法，建立風電機組齒輪箱溫度的 IPSO-BP 狀態(tài)監(jiān)測模型，并依據(jù)相關(guān)關(guān)系

7、定量分析的結(jié)果來選取 IPSO-BP 模型的輸入變量集，通過對比分析殘差結(jié)果，總結(jié)出非參數(shù)模型輸入樣本集選取的方法。3. 在風力發(fā)電機組非參數(shù)預(yù)測模型的殘差統(tǒng)計方法中，合適的滑動窗口能夠消除由于測量誤差，機組啟停等偶然因素造成的孤立的較大殘差的影響。本文詳細分析了雙滑動窗口殘差統(tǒng)計的方法與原理，指出了雙滑動窗口具有能夠抑制孤立異常殘差的作用，并利用 IPSO-BP 預(yù)測模型加以驗證。關(guān)鍵詞：狀態(tài)檢測、相關(guān)性分析、殘差統(tǒng)計方法、雙滑動窗口、IPSO-BP 模型II / 47AbstractAs a clean and renewableutilize way, the wind power ha

8、s been developed worldwide in recent years, and the condition monitoring of the large equipment of the wind power units has become the important part. On the bases of the research achievement of condition monitoring on the wind power units in recent years, this article aims at the requirements on th

9、e control, operation and the simulation of the wind power unit, and research on the main issues of condition monitoring, the main content of work and the innovateachievement are as follows:1. It analysis the current situation of the condition monitoring on the wind power unit in details, and come up

10、 with two issues in the field of condition monitoring, one is regarding the selection of input variable and another one is regarding the dispose of residual.2. The key point of establishing accuracy model is determined by the measure parameter of input variable sets when the forecase models of the m

11、ain measure parameters of each component is established. The article analysis the judge method and the relativerelationship among the variable sets, establish the IPSO-BP condition monitoring model regarding the temperature of bearings of wind power units. It will selected the input variable sets of

12、 the IPSO-BP models according to the analysis results of the relative relationships, and it will refine the selection ways of non-parameter model input samples in contrast to the results of residual.3. In the statistical methods of residual regarding non-parameter forecase models of the wind power u

13、nits, the suitable of the slipping windows can eliminate the impacts caused by measure errors and occasional reasons, for example the shut down of the units. The article analysis the mothed and principle of the duplex slipping windows in details, it indicates the suppression fuction on the abnormal

14、residual by using the duplex slipping windows, then, confirms it by using the IPSO-BP forcase models.III / 47KeywordsKeywords: condition monitoring,relativity analysis, statistical methods of residual, double slipping windows, IPSO-BP models I / 47目 錄摘摘 要要 IABSTRACTABSTRACTIIII目錄目錄 I I第第 1 1 章緒論章緒論

15、1 11.1 本文研究的目的和意義 11.2 風力發(fā)電機組狀態(tài)監(jiān)測的研究 21.2.1 風力發(fā)電機組狀態(tài)監(jiān)測的必要性 31.2.2 國外研究現(xiàn)狀 31.3 本課題的主要研究容 5第第 2 2 章基于章基于 IPSO-BPIPSO-BP 模型狀態(tài)監(jiān)測的研究模型狀態(tài)監(jiān)測的研究 6 62.1 引言 62.2 IPSO-BP 神經(jīng)網(wǎng)絡(luò)基本原理 72.3 基于 IPSO-BP 模型狀態(tài)監(jiān)測 82.3.1 IPSO-BP 網(wǎng)絡(luò)結(jié)構(gòu)與訓練樣本的選擇 82.3.2 IPSO-BP 網(wǎng)絡(luò)的訓練與驗證過程 102.4 齒輪箱溫度 IPSO-BP 神經(jīng)網(wǎng)絡(luò)模型預(yù)測殘差統(tǒng)計分析 122.4.1 滑動窗口殘差均值與標準

16、差統(tǒng)計 122.4.2 齒輪箱工作異常時溫度殘差統(tǒng)計特性分析 132.4.3 齒輪箱預(yù)測殘差分析 142.5 本章小結(jié) 16第第 3 3 章章 關(guān)鍵問題一：非參數(shù)模型輸入變量集選取關(guān)鍵問題一：非參數(shù)模型輸入變量集選取 17173.1 引言 173.2 相關(guān)性分析的概述 183.3 基于 IPSO-BP 模型輸入變量集選取的比較分析 193.3.1 作散點圖 193.3.2 從物理和能量轉(zhuǎn)換的角度分析參數(shù)與齒輪箱溫度的相關(guān)關(guān)系 223.3.3 基于 IPSO-BP 模型輸入變量集選取的比較分析 233.4 本章小結(jié) 26II / 47第第 4 4 章章 關(guān)鍵問題二：基于萊特準則的雙滑動窗口殘差統(tǒng)

17、計方法關(guān)鍵問題二：基于萊特準則的雙滑動窗口殘差統(tǒng)計方法 27274.1 引言 274.2 基于萊特準則的雙滑動窗口殘差統(tǒng)計方法 284.2.1 萊特準則判別方法 284.2.2 雙滑動窗口殘差統(tǒng)計方法概述 294.3 基于 IPSO-BP 模型雙滑動窗口殘差統(tǒng)計方法 304.4 本章小結(jié) 31第第 5 5 章結(jié)論與展望章結(jié)論與展望 3333參考文獻參考文獻 3535攻讀碩士學位期間發(fā)表的論文與其它成果攻讀碩士學位期間發(fā)表的論文與其它成果 3838致致 39391 / 47第 1 章 緒 論1.1 本文研究的目的和意義能源，是現(xiàn)代文明發(fā)展不可或缺的因素，在推動社會經(jīng)濟飛躍發(fā)展中起著至關(guān)重要的作用

18、?；谀茉垂?yīng)的可靠性、安全性和能源利用的高效性、清潔性，能源在世界各國經(jīng)濟可持續(xù)發(fā)展的道路上扮演著越來越重要的角色1。長期以來，化石能源作為世界能源的主要供應(yīng)方式倍受各國關(guān)注，化石能源的形成過程極其漫長，其儲量有限，屬于非可再生能源。在工業(yè)化逐步實現(xiàn)的過程中，地球上大量豐富的自然資源被過度開發(fā)和使用，其中能源資源占很大比例。傳統(tǒng)能源緊缺己經(jīng)成為一個焦點問題，世界各國都在積極采取應(yīng)對的措施。我國同樣也面臨著嚴重的能源問題，文獻2中截至 2009 年底，我國的可探明能源儲量情況如表 1-1所示： 表 1-11-1 2009 年底我國能源儲備序號名稱儲量（億噸）可供開采時間（年）1石油22142煤

19、炭9001003天然氣6310100 kM i1 A0.01i k1 ii1 kk1 1( )NxkA 添加 XN(k)到 D 結(jié)束 N N N Y Y Y 圖 2-1 根據(jù)功率變量x1構(gòu)造訓練樣本集圖中為 0.001。對剩余的 4 個變量，均采用與圖 2-1 一樣的流程以 0.005 為步距從集合K K中選擇觀測向量添加到訓練樣本集中。采用此方法構(gòu)造訓練樣本集，能夠?qū)⒔M成觀測向量的 5 個變量的不同測量值對應(yīng)的歷史記錄選入訓練樣本集中，從而使其能較好地覆蓋齒輪箱正常工作空間。最后，構(gòu)造驗證樣本集選取 SCADA 歷史數(shù)據(jù)中從 4 月 1 日 0 時到 4 月 6 日 0 時的 720 個歷史

20、記錄作為驗證集。在此時段，該機組共發(fā)生 3 次停機，各次停機的 SCADA 記錄如表 2-2所示。表 2-2 4 月 1 日至 6 日機組停機記錄序號日期時間狀態(tài)號停機原因12006/04/022:28:4377齒輪箱油超溫22006/04/027:42:1377齒輪箱油超溫32006/04/0311:14:35147指令停機需注意的是，對于實際風電機組，報警停機與設(shè)備故障之間沒有必然聯(lián)系。如表 2-2 中雖然發(fā)生了 2 次齒輪箱油超溫報警停機，但在該機組 4 月份與后續(xù)月份的 SCADA 記錄和運行日志中未發(fā)現(xiàn)齒輪箱故障和維修的記錄。部分報警停機屬于機組自身的保護功能。在 4 月份，齒輪箱工

21、作正常，無超溫或其他故障。2.3.2IPSO-BP 網(wǎng)絡(luò)的訓練與驗證過程通過對樣本對的反復學習，IPSO-BP 網(wǎng)絡(luò)的誤差達到了系統(tǒng)平均誤差的要求(0.02)，網(wǎng)絡(luò)的權(quán)值調(diào)整完畢。為了檢驗?zāi)Ｐ偷挠行?，將測試樣本作為網(wǎng)絡(luò)的10 / 47輸入。在 4 月份的歷史記錄中，齒輪箱溫度的最大值為 74.1，最小值為 50.2。環(huán)境溫度的最大值為 20，最小值為13。記齒輪箱溫度的 BP 神經(jīng)網(wǎng)絡(luò)模型預(yù)測殘差為 (2-9)55GTxx式中：為齒輪箱溫度實際測量值；為 IPSO-BP 網(wǎng)絡(luò)對該實測溫度的估計5x5 x值。驗證結(jié)果見圖 2-2。圖中各變量的值均為歸一化后的結(jié)果。當功率為 0 時即機組停機時，

22、IPSO-BP 模型對齒輪箱溫度不進行預(yù)測，對應(yīng)的齒輪箱溫度預(yù)測值為 0，對應(yīng)的殘差為 0。預(yù)測值為 0，對應(yīng)的殘差為 0。 圖 2-2 某機組 4 月 1 日至 6 日的 IPSO-BP 模型驗證結(jié)果在圖 2-2 中，某些孤立時刻的齒輪箱溫度的預(yù)測殘差明顯大于其他時刻。且這些預(yù)測殘差大的點是成對出現(xiàn)的，共 3 對，其位置和出現(xiàn)原因如表 2-3 所示，與表 2-2 中的機組的 3 次停機時刻完全對應(yīng)。表 2-3 驗證結(jié)果中殘差大的位置與原因序號位置時刻殘差值原因1第 160 點04/02 2:300.092022006/04/02 2:28:43 發(fā)生齒輪箱油超溫停機11 / 47第 182

23、點04/02 6:100.10232006/04/02 5:58:56 System OK 機組重啟第 192 點04/02 7:500.095672006/04/02 7:42:13 發(fā)生齒輪箱油超溫停機2第 205 點04/02 10:00-0.20292006/04/02 9:56:56 System OK 機組重啟第 357 點04/03 11:200.095632006/04/03 11:14:35指令停機3第 366 點04/03 12:500.13692006/04/03 12:43:03 System OK 機組重啟在表 2-3 中這些時刻出現(xiàn)預(yù)測殘差大的原因如下：由于在這些時

24、刻即機組停機和重新啟動時，觀測向量中各變量之間的關(guān)系與風電機組和齒輪箱正常運行時的狀態(tài)差別很大（如當風速很高時功率低或為零） ，觀測向量偏離正常工作空間，通過訓練樣本集中的歷史觀測向量的組合無法給出精確的預(yù)測值，導致殘差增大。這種由于啟停機造成的孤立殘差較大的點不應(yīng)視為齒輪箱故障的出現(xiàn) 。去除以上由于停機導致的殘差很大的 6 點后，IPSO-BP 神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度很高，預(yù)測殘差絕大多數(shù)情況下在 0.05 以下。驗證結(jié)果表明齒輪箱 IPSO-BP 神經(jīng)網(wǎng)絡(luò)溫度模型對齒輪箱正常工作時的動態(tài)特性具有很高的建模精度。2.4 齒輪箱溫度 IPSO-BP 神經(jīng)網(wǎng)絡(luò)模型預(yù)測殘差統(tǒng)計分析2.4.1 滑動

25、窗口殘差均值與標準差統(tǒng)計本文方法選擇的訓練樣本能夠較好地覆蓋齒輪箱的正常工作空間。當齒輪箱工作正常時，IPSO-BP 網(wǎng)絡(luò)模型的輸入觀測向量位于正常工作空間，能夠被訓練樣本覆蓋，或者說輸入與訓練樣本中的某些向量距離很近，此時 IPSO-BP 網(wǎng)絡(luò)模型對齒輪箱溫度具有很好的預(yù)測效果。當齒輪箱出現(xiàn)異常時，其動態(tài)特性發(fā)生改變，觀測向量中的 5 個變量之間的關(guān)系發(fā)生異常變化，偏離正常工作狀態(tài)空間，無法被訓練樣本覆蓋，其齒輪箱溫度的預(yù)測殘差增大且殘差分布會顯著區(qū)別于正常工作狀態(tài)下的殘差分布。殘差的均值和標準差可以直觀地反映其大小和分布情況。為實時連續(xù)地反映殘差分布特性的變化，本文采用滑動窗口殘差統(tǒng)計的方

26、法。某段時間，記 IPSO-BP 神經(jīng)網(wǎng)絡(luò)模型的齒輪箱溫度預(yù)測殘差序列為 (2-10)12NGT對該序列，取一個寬度為的滑動窗口。對窗口的連續(xù)個殘差計算其均值和標NN準差：12 / 47 (2-11)12111()1NiiNiiXNSXN殘差滑動窗口如圖 2-3 所示。圖 2-3 3 殘差滑動窗口統(tǒng)計采用滑動窗口殘差統(tǒng)計方法的原因如下：1)該殘差統(tǒng)計方法能夠連續(xù)實時地檢測殘差統(tǒng)計特性的變化，算法簡單，適合在線實時分析。2) IPSO-BP 網(wǎng)絡(luò)模型采用訓練樣本中合理選擇的有限個歷史觀測向量代表整個齒輪箱溫度特性的正常工作空間。其對整個正常工作空間覆蓋能力較好，如2.3 節(jié)驗證結(jié)果所示。但對正常

27、工作空間的不同區(qū)域，其覆蓋能力是有差異的。對某些特定的局部的工作空間，IPSO-BP 網(wǎng)絡(luò)模型的覆蓋能力比其他區(qū)域稍差。當IPSO-BP 神經(jīng)網(wǎng)絡(luò)模型的輸入觀測向量位于這些區(qū)域時，其預(yù)測精度會有所下降，即在殘差序列中會出現(xiàn)一些孤立的殘差相對較大的點。這些孤立的殘差相對較大的點并不是齒輪箱故障的征兆?；瑒哟翱跉埐罱y(tǒng)計方法計算滑動窗口多個殘差的統(tǒng)計特性，對上述情況下的孤立較大殘差的不利影響具有很好的抑制作用。3)通過合理選擇滑動窗口的寬度，既能與時迅速地反映殘差統(tǒng)計特性的連N續(xù)變化，又能消除隨機因素的影響，提高齒輪箱狀態(tài)監(jiān)測的可靠性，降低誤報警的幾率。2.4.2 齒輪箱工作異常時溫度殘差統(tǒng)計特性分

28、析當齒輪箱工作正常時，IPSO-BP 網(wǎng)絡(luò)溫度模型預(yù)測精度很高，預(yù)測殘差的均值接近 0，且標準差較小。當齒輪箱出現(xiàn)故障隱患時，其工作特性會發(fā)生改變。齒輪箱的常見故障主要有潤滑不良、偏心、齒面點蝕膠合等，這些故障都會導致齒輪箱溫度特性發(fā)生改變，使新的觀測向量偏離正常工作狀態(tài)空間。IPSO-BP 網(wǎng)絡(luò)溫度模型預(yù)測殘差增大，統(tǒng)計特性改變，主要表現(xiàn)為以下 3 種形式：1)殘差的均值仍接近 0，但殘差的標準差明顯增大，表現(xiàn)為殘差的散布圍增大；2)殘差的均值以較大幅度偏離 0，但殘差的標準差變化不大，表現(xiàn)為預(yù)測殘差出現(xiàn)系統(tǒng)偏差；3)以上兩種情況的組合。為了根據(jù)殘差的統(tǒng)計特性變化檢測齒輪箱的故障隱患，需要確

29、定殘差均值和13 / 47標準差的故障閾值，記其分別為和。當 IPSO-BP 網(wǎng)絡(luò)模型預(yù)測的齒輪箱溫度YEYS殘差滑動窗口統(tǒng)計特性超過其中某一設(shè)定閾值時，發(fā)出故障隱患報警，提醒操作人員密切關(guān)注齒輪箱的運行狀態(tài)，與時采取相應(yīng)的處理措施。殘差均值和標準差閾值可以由運行人員根據(jù)經(jīng)驗確定，也可以根據(jù) 2.3 節(jié)中 IPSO-BP 網(wǎng)絡(luò)溫度模型的驗證結(jié)果確定。將驗證集合作為 IPSO-BP 網(wǎng)絡(luò)模型的輸入，計算驗證集合的預(yù)測輸出和殘差序列，對該殘差序列采用滑動窗口統(tǒng)計方法計算殘差的連續(xù)實時均值和標準差。記驗證序列的殘差均值絕對值最大值為，標準差的最大值為，則齒輪箱故障vEvS征兆診斷的閾值標準為 (2-

30、12)12YVYVEk ESk S 式中和可以由現(xiàn)場運行人員根據(jù)運行經(jīng)驗參與確定。如 2.3 節(jié)所述，在1k2k機組停機和啟動的前后時刻，會造成殘差異常增大，在進行殘差分析時，可以根據(jù)功率是否為 0 確定這些異常殘差的位置并用 0 替代，使其不影響齒輪箱的監(jiān)測。2.4.3 齒輪箱預(yù)測殘差分析對 2.3.2 節(jié)中的驗證集合殘差序列采用滑動窗口統(tǒng)計方法確定齒輪箱工作異常監(jiān)測時所需的均值和標準差的閾值，本文中滑動窗口寬度 N=100。驗證序列滑動窗口均值與標準差的變化趨勢如圖 2-4 所示 圖 2-4 驗證集合的殘差滑動窗口統(tǒng)計特性由圖 2-4 得，。本文取，則齒輪箱0.016vE 46.3442

31、10vS13k 23k 14 / 47故障報警的閾值為，。該機組的 2006 年的 SCADA0.0404YE 31.26884 10YS數(shù)據(jù)中，沒有出現(xiàn)齒輪箱故障的記錄。為了驗證 IPSO-BP 網(wǎng)絡(luò)模型監(jiān)測齒輪箱故障的有效性，人為模擬當齒輪箱故障時導致齒輪箱溫度升高的情況。對 4 月 1 日0 時到 4 月 6 日 0 時的 720 個歷史數(shù)據(jù)從第 501 點開始對齒輪箱溫度變量人為加入步距為 0.001 的累積溫度偏移。故障模擬的 IPSO-BP 網(wǎng)絡(luò)模型殘差如圖 2-5 所示。圖 2-5 齒輪箱溫度偏移后的 IPSO-BP 模型預(yù)測殘差結(jié)果齒輪箱溫度偏移后對應(yīng)的殘差滑動窗口統(tǒng)計特性和報

32、警閾值如圖 2-6 所示。圖 2-6 溫度偏移后的殘差滑動窗口統(tǒng)計特性從圖 2-6 中可以看出，標準差曲線在第 440 個滑動窗口超出了預(yù)先設(shè)定的均值閾值，距離開始偏離的第 501 點的位置為 440+100-500=40，100 為滑動窗口的寬度。在第 541 點處，檢測出了齒輪箱溫度的異常變化。該點人為偏移后的齒輪箱溫度與對應(yīng)的原始正常齒輪箱溫度間的偏差可以根據(jù)溫度偏移步距和齒輪箱溫度變化區(qū)間求出，即 400.001(74.1-50.2)=0.96()?？梢?，當齒輪箱出現(xiàn)故障隱患導致其溫度異常變化時，本文提出的基于 IPSO-BP 網(wǎng)絡(luò)溫度模型狀態(tài)監(jiān)測方法能夠與時發(fā)現(xiàn)并發(fā)出報警信息，實現(xiàn)齒

33、輪箱狀態(tài)的在線監(jiān)測。2.5 本章小結(jié)本章采用 IPSO-BP 網(wǎng)絡(luò)，合理選擇與齒輪箱溫度密切相關(guān)的過程變量，并給出了選擇訓練樣本的有效方法，建立了齒輪箱溫度 IPSO-BP 預(yù)測模型。該建模方法具有很小的訓練誤差和檢驗誤差，不僅能更快的收斂于最優(yōu)解，而且能夠顯著提高建模精度。當齒輪箱出現(xiàn)故障隱患時， IPSO-BP 模型預(yù)測的殘差的分布特性15 / 47發(fā)生改變。本章采用滑動窗口連續(xù)實時地計算殘差均值和標準差的變化趨勢，并和設(shè)定閾值比較，得出齒輪箱當前的運行狀態(tài)。通過對某機組齒輪箱溫度 SCADA數(shù)據(jù)與人為模擬的齒輪箱故障的分析，IPSO-BP 模型能夠與時檢測出齒輪箱工作狀態(tài)的異常變化，驗證

34、了 IPSO-BP 模型的有效性。第 3 章 關(guān)鍵問題一：非參數(shù)模型輸入變量集選取3.1 引言風電機組狀態(tài)監(jiān)測技術(shù)是采用先進的監(jiān)測儀器和統(tǒng)計軟件對機組的重要部件進行在線監(jiān)測和分析、評估其運行狀態(tài)、診斷和預(yù)測故障，大大延長了檢修周期，提高了故障檢修的成功率，減少了備品備件的存儲，達到大幅降低維護成本的目的。目前國外學者對時間序列建模與預(yù)測進行了大量的研究，并取得了一定的成果。如 CAO 等24采用小波網(wǎng)絡(luò)、SHI 等25采用回聲狀態(tài)向量機、 HAN 等26來用遞歸神經(jīng)網(wǎng)絡(luò)進行混沌時間序列預(yù)測等。這些預(yù)測方法大都是針對單變量的研究，其基本原理是對觀測數(shù)據(jù)進行相空間重構(gòu)，利用合適的非線性數(shù)學模型來完

35、成系統(tǒng)的動態(tài)特性擬合，具有較高的精度。在時間序列分析中，嵌入理論對于時間序列的建模具有十分重要的作用。理論分析認為，通過選擇合適的時間延遲和嵌入維數(shù)，單變量序列能夠?qū)崿F(xiàn)復雜系統(tǒng)的重構(gòu)。但是在實際分析中，單變量時間序列不能夠完全反映系統(tǒng)的全部動力學特性27，使預(yù)測結(jié)果不夠精確。在解決實際問題的建模中，復雜系統(tǒng)通常需要多個變量進行描述，得到的觀測序列往往為多變量時間序列。理論上，多變量時間序列與單變量序列相比，其包含了更多的系統(tǒng)信息。因此，采用多變量時間序列建立的預(yù)測模型更能充分反映復雜系統(tǒng)的動力學特性。此外，如果只有少量的觀測數(shù)據(jù)，多變量序列還能夠補充原單變量時間序列的信息。因此，在分析復雜系統(tǒng)

36、時，采用多變量時間序列的預(yù)測模型具有更高的實際意義。對于復雜系統(tǒng)的建模，變量間的相關(guān)分析也逐漸引起人們的關(guān)注，如Wojcik 等28通過對荷蘭 Maastricht 地區(qū)的降雨和氣溫進行相關(guān)分析，選取二者的聯(lián)合信息估計月均降雨量和月均溫度。 Liu 等29則收集澳大利亞全國 39個觀測點的降雨和氣溫觀測值，結(jié)合二者信息估計太陽日輻射大小。相關(guān)性分析作為一個焦點問題被人們普遍關(guān)注，在進行時間序列的狀態(tài)預(yù)測建模中，如果忽略了變量之間的相互關(guān)系，將可能會對建模的結(jié)果產(chǎn)生影響，嚴重時將產(chǎn)生錯誤的分析結(jié)果。通常將相關(guān)系數(shù)作為度量相關(guān)關(guān)系的尺度，因其只是一個線性的r16 / 47度量，對于非線性的情況和非

37、正態(tài)分布并不適用，而且相關(guān)系數(shù)容易受其他因素的影響，其反映的往往是表面的、非本質(zhì)的聯(lián)系。通過對獲取的多變量時間序列中各變量之間進行相關(guān)性分析（包括線性相關(guān)、非線性相關(guān)和不相關(guān)） ，尋找能夠反應(yīng)動力系統(tǒng)演化特征的數(shù)據(jù)，剔除其中的冗余數(shù)據(jù)，是多變量時間序列建模需要首要解決的一個問題。在建立機組各部件重要測量參數(shù)的 IPSO-BP 模型時，該預(yù)測模型的輸入變量集的確定是準確建立該模型的關(guān)鍵。文獻30對集中變量的確定方法主要是根據(jù)風電機組的工作原理與 SCADA 數(shù)據(jù)趨勢分析得到的。但 SCADA 數(shù)據(jù)中測量變量對IPSO-BP 建模變量的影響是多種形式的，最簡單的相關(guān)關(guān)系為正線性相關(guān)，如齒輪箱軸承溫

38、度與齒輪箱潤滑油溫度，其之間變化趨勢基本一致。建模變量也可能與SCADA 其他變量之間存在負線性相關(guān)，甚至非線性相關(guān)關(guān)系。此時，簡單的趨勢分析和比較確定觀測向量的方法難以適用。本文做出了 SCADA 中各參數(shù)與齒輪箱潤滑油溫度之間的散點圖，量化分析了它們之間的關(guān)系，利用 IPSO-BP 方法建立齒輪箱潤滑油溫度預(yù)測模型，并對其進行溫度預(yù)測，通過對殘差進行分析比較，選出最優(yōu)建模輸入變量集，從而更精確的建立風電機組各部件的非參數(shù)測量變量模型。3.2 相關(guān)性分析的概述統(tǒng)計學中用一個統(tǒng)計量描述相關(guān)的密切程度，這個統(tǒng)計量稱相關(guān)系數(shù)或相關(guān)指數(shù)，分別記為 或。相關(guān)系數(shù)的絕對值必然在 0 到 1 之間，即，而

39、r2R11r 相關(guān)指數(shù)小于等于 1，即。對于相關(guān)關(guān)系的分析我們可以借助于若干分析指21R 標（如相關(guān)系數(shù)或相關(guān)指數(shù)）對變量之間的密切程度進行測定。相關(guān)系數(shù)是反映兩個變量線性相關(guān)關(guān)系的一個重要統(tǒng)計指標，用 表示。其數(shù)r學計算公式為：(3-1)22222xyxynxyxyrnxxnyy 相關(guān)系數(shù) 沒有單位，其絕對值。，說明變量和之間為正相關(guān)，即r1r 0r xy和的變化趨勢方向一樣；，說明變量和為負相關(guān)關(guān)系，表明和之xy0r xyxy間反向變化，如增大則減小。越接近于 1，線性關(guān)系越密切；為完全xyr1r 相關(guān)。相關(guān)指數(shù)是反映兩個變量非線性相關(guān)關(guān)系的一個重要統(tǒng)計指標31，用表示，2R其數(shù)學計算公式

40、為17 / 47(3-2)221-ttyyRyy其中是對的數(shù)學期望；是的算數(shù)平均值。，越接近于 1，非線yyx_yy21R2R性關(guān)系越密切。3.3 基于 IPSO-BP 模型輸入變量集選取的比較分析本章研究的風電機組的額定功率為1.5MW。切入風速為3m/s，額定風速為12m/s。葉輪的額定轉(zhuǎn)速為20r/min，雙饋發(fā)電機的額定轉(zhuǎn)速為1800r/min，齒輪箱的變速比為 190。該機組的 SCADA 系統(tǒng)記錄一次參數(shù)的間隔時間為 10min。記錄的容包括有功功率、無功功率、發(fā)電機轉(zhuǎn)速、風速、環(huán)境溫度、機艙溫度、齒輪箱潤滑油和軸承溫度等共計 47 個參數(shù)。3.3.1 作散點圖在直角坐標系中分別作

41、出 SCADA 系統(tǒng)中其他 46 個變量與齒輪箱潤滑油溫度的散點圖，其中部分散點圖如圖 3-1：a)齒輪箱溫度與齒輪軸承溫度關(guān)系圖 d)齒輪箱溫度與齒輪箱轉(zhuǎn)速關(guān)系圖18 / 47b)齒輪箱溫度與發(fā)電機溫度關(guān)系圖 e)齒輪箱溫度與無功功率關(guān)系圖c)齒輪箱溫度與功率關(guān)系圖 f)齒輪箱溫度與風差 10 秒關(guān)系圖圖 3-1 SCADA 中部分參數(shù)與齒輪箱潤滑油溫度的散點圖由散點圖可以清楚的看到部分 SCADA 中以下參數(shù)與齒輪箱潤滑油溫度呈線性關(guān)系，其相關(guān)系數(shù)列于表 3-1。表 3-1 齒輪箱潤滑油溫度與其呈線性關(guān)系的變量與其相關(guān)系數(shù)齒輪箱軸承溫度發(fā)電機冷空氣溫度發(fā)電機定子線圈溫度 2發(fā)電機定子線圈溫

42、度 1發(fā)電機軸承溫度 A發(fā)電機軸承溫度 B機艙溫度齒輪箱溫度0.8597080.7070320.6908540.6916680.700380.6734910.5334231由散點圖中可以看到 SCADA 中以下參數(shù)與齒輪箱潤滑油溫度呈非線性關(guān)系，且明顯看出呈 S 型曲線關(guān)系，S 型曲線是兩變量之間非線性關(guān)系中的一種，其方程式如下：(3-3)-1LYbxae, ,0L a b S 型曲線具有以下性質(zhì)：是的非減函數(shù)，開始時隨著的增加，的增YXXY長速度也逐漸加快，但是達到一定水平之后，其增長速度又逐漸放慢。最后無Y論如何增加，只會趨近于，而永遠不會超過。本文相關(guān)指數(shù)的求解步驟XYLL19 / 47

43、如下：(a) 將 SCADA 中與齒輪箱潤滑油溫度呈 S 型曲線關(guān)系的參數(shù)歸一化后，令=1。L(b) 將 S 型曲線方程變?yōu)橹本€方程，其變換過程如下：首先，(3-3)式兩邊同時取倒數(shù)，可得：(3-4)-111bxaeY 進而又有： (3-5)-1-1bxaeY上式兩邊取對數(shù)，可得： (3-6)1(-1)-InIna bxY令；代入式(3-6)，可得1Y(-1)InY1bIna2-bb (3-7)12Ybb x(c) 計算回歸系數(shù)、常數(shù)與曲線回歸方程322b1b (3-8)2xYbSSxx其中 (3-9)-xYSxxYY (3-10)2Sxxxx (3-11)12-bYb x將所求的，帶入式(3

44、-3)中可求出曲線回歸方程1b2b (3-12)12-11b b xye(d) 求相關(guān)指數(shù)將和由式(3-12)計算得出得代入式(3-2)可以算出相關(guān)指數(shù)。Yy2R其相關(guān)指數(shù)列于表 3-2。表 3-2 齒輪箱潤滑油溫度與其呈 S 型曲線關(guān)系的變量與其相關(guān)指數(shù)功率轉(zhuǎn)子轉(zhuǎn)速變速箱轉(zhuǎn)速發(fā)電機轉(zhuǎn)速風速轉(zhuǎn)矩設(shè)定值齒輪箱溫度0.3001290.147210.1469350.1470890.3702660.3101811由散點圖 e)、f)可以看出，齒輪箱溫度與機組無功功率和風差 10 秒等參數(shù)幾乎沒有關(guān)系，即不管齒輪箱溫度如何變化，機組無功功率和風差 10 秒等參數(shù)不會變化。20 / 473.3.2 從物理

45、和能量轉(zhuǎn)換的角度分析參數(shù)與齒輪箱溫度的相關(guān)關(guān)系由 3.3.1 節(jié)可知，通過相關(guān)性分析，SCADA 數(shù)據(jù)中測量變量對齒輪箱潤滑油溫度的影響是多種形式的，有正線性相關(guān)，非線性相關(guān)甚至是不相關(guān)。本小節(jié)從物理和能量轉(zhuǎn)換的角度分析 SCADA 數(shù)據(jù)中各參數(shù)與齒輪箱溫度的相關(guān)關(guān)系，具體分析如下：a) 由于風電齒輪箱屬于閉式硬齒面齒輪傳動，根據(jù)熱平衡態(tài)原理，與齒輪箱潤滑油溫度呈線性關(guān)系的參數(shù)的變化會直接影響齒輪箱潤滑油溫度，它們之間呈比例關(guān)系。即前者隨后者的增加而增加，隨后者的減小而減小。b)變速風力發(fā)電機組可分以下三個不同的狀態(tài)33： 第一種狀態(tài)是啟動狀態(tài)，齒輪箱轉(zhuǎn)速從靜止上升到切入速度。此時由于齒輪箱齒

46、面以與軸承的摩擦產(chǎn)生熱量，導致齒輪箱溫度隨著轉(zhuǎn)速的不斷增大而不斷升高。 第二種狀態(tài)是風機并入電網(wǎng)后運行在額定風速以下的區(qū)域，風力發(fā)電機組開始獲得能量并轉(zhuǎn)換成電能。從理論上說，為了最大限度的獲取能量，根據(jù)風速的變化，風輪可在限定的任何轉(zhuǎn)速下運行，但由于受到運行轉(zhuǎn)速的限制，不得不將該階段分成兩個運行區(qū)域；即恒速運行區(qū)域和變速運行區(qū)域。此時齒輪箱轉(zhuǎn)速與齒輪箱潤滑油溫度的關(guān)系也分為兩個階段：即后者隨前者增加而升高和齒輪箱轉(zhuǎn)速增大但齒輪箱潤滑油溫度升高的很慢。 第三種狀態(tài)是功率恒定區(qū)。輸出功率維持額定功率保持不變，轉(zhuǎn)速保持恒定。此時齒輪箱由于齒面之間以與和軸承之間等機械摩擦導致熱量增加，齒輪箱潤滑油溫度

47、升高。分析發(fā)電機的三種運行狀態(tài)可以得出齒輪箱轉(zhuǎn)速和齒輪箱潤滑油溫度呈 S 型曲線函數(shù)關(guān)系。c) 根據(jù)熱力學第一定律分析溫度和功率、轉(zhuǎn)矩、電流之間的非線性關(guān)系33。風輪的輸出功率為 (3-13)1PM式中 風輪的輸出轉(zhuǎn)矩，風輪的輸出角速度。， M2 風速發(fā)電機的輸出功率為 (3-14)31212PPMAC21 / 47式中 發(fā)電機的輸出功率，主傳動系統(tǒng)的總效率，發(fā)電P12機系統(tǒng)的總效率，空氣密度，面積，風能利用系數(shù)， APC風速。可以看出發(fā)電機輸出功率與風速的三次方呈正比，發(fā)電機功率的增加與風速的三次方呈正比。轉(zhuǎn)矩公式為 (3-15)24PACM可以看出風輪轉(zhuǎn)矩與風速的二次方成正比。發(fā)電機的輸出

48、功率為 (3-16)3cosNNNPU I定子三相繞組上的線電壓，流過定子繞組的線電流， NUNIcosN功率因數(shù)。保持不變，功率與電流成線性關(guān)系。NU3.3.3 基于 IPSO-BP 模型輸入變量集選取的比較分析為建立齒輪箱 IPSO-BP 溫度模型，需確定觀測向量中的建模變量，即與齒輪箱潤滑油溫度密切相關(guān)的風電機組參數(shù)。通過對機組 SCADA 記錄的 47 個參數(shù)的相關(guān)性分析，選擇與齒輪箱潤滑油溫度密切相關(guān)的以下幾組變量組成觀測向量。第一組，與齒輪箱潤滑油溫度成線性相關(guān)的變量。選擇相關(guān)系數(shù)最大的前四個作為輸入變量，選擇結(jié)果為：1) 齒輪箱軸承溫度（Tz） （0.859708）2) 發(fā)電機冷

49、空氣溫度（Tl） （0.707032）3) 發(fā)電機軸承 A 溫度（Tfz） （0.70038）4) 機艙溫度 （Tj） （0.533423）第二組，與齒輪箱潤滑油溫度成非線性關(guān)系的變量。選擇相關(guān)指數(shù)最大的四個作為輸入變量，選擇結(jié)果為：1）功率 （） （0.300129）P2）風速 （V） （0.370266）3）轉(zhuǎn)矩實際值（T） （0.31019）4）電流 （I） （0.302493）第三組，從第一組選擇前兩個變量和從第二組中選擇前兩個變量組成，選擇結(jié)果為1） 功率 （） （0.300129）P2） 風速 （V） （0.370266）22 / 473） 齒輪箱軸承溫度（Tz） （0.85970

50、8)4） 發(fā)電機冷空氣溫度（Tl） （0.707032）選取 SCADA 歷史數(shù)據(jù)中從 4 月 6 日 0 時4 月 23 日 2 時 50 分的有效歷史記錄建立齒輪箱 IPSO-BP 潤滑油溫度模型。選取 SCADA 歷史數(shù)據(jù)中從 4 月 1 日 0 時4 月 5 日 23 時 50 分的 720 個歷史記錄作為驗證集。驗證結(jié)果見圖 3-2。圖中各變量的值均為歸一化后的結(jié)果。(a)第一組輸入變量集 IPSO-BP 預(yù)測結(jié)果23 / 47(b)第二組輸入變量集 IPSO-BP 預(yù)測結(jié)果(c)第三組輸入變量集 IPSO-BP 預(yù)測結(jié)果圖圖 3-2 某機組 4 月 23 日至 5 月 3 日的 I

51、PSO-BP 模型驗證結(jié)果從圖中可以看出，圖（b）的 IPSO-BP 模型預(yù)測精度最高，誤差絕對值在0.004 以下。圖（b）中預(yù)測精度高的原因如下：由于（b）中所選相關(guān)變量與齒輪24 / 47箱潤滑油溫度差異大，構(gòu)造的過程記憶矩陣能很好地覆蓋齒輪箱正常工作空間，更有利于非線性運算。而圖（a）中所選變量與齒輪箱潤滑油溫度成比例關(guān)系，不利于 NSET 模型的訓練學習，導致 IPSO-BP 模型精度下降。3.4 本章小結(jié)本章分析了 SCADA 中各變量與齒輪箱潤滑油溫度之間的線性或非線性關(guān)系，并求出各變量與齒輪箱潤滑油溫度的相關(guān)密切程度（相關(guān)系數(shù)，相關(guān)指數(shù)） 。建立了齒輪箱 IPSO-BP 潤滑油

52、溫度的預(yù)測模型，該模型根據(jù)各變量與潤滑油溫度的相關(guān)系數(shù)或相關(guān)指數(shù)選擇建模輸入變量。改變了以往預(yù)測模型中根據(jù)經(jīng)驗或機理選擇建模變量的方法，避免了 IPSO-BP 模型由于選擇建模變量不當而導致預(yù)測精度降低的問題。仿真結(jié)果表明，考慮與潤滑油成非線性相關(guān)的變量作為 IPSO-BP 預(yù)測模型的建模變量，預(yù)測精度顯著提高，對齒輪箱潤滑油溫度有良好的預(yù)測效果。25 / 47第 4 章 關(guān)鍵問題二：基于萊特準則的雙滑動窗口殘差統(tǒng)計方法4.1 引言殘差作為一個重要的概念被用在預(yù)測模型的構(gòu)建和分析過程中，它是變量實際觀察樣本值和估計值的差，用公式表示為:， 它表明不可能觀測的概ttteyy率誤差項的估計值。在預(yù)

53、測模型分析過程中，方程擬合優(yōu)度的計算，誤差方差項的估計以與回歸模型對與錯的判斷都是以殘差序列為基礎(chǔ)進行的。因此，殘差的分析在構(gòu)建預(yù)測模型中具有重要的意義?，F(xiàn)今文獻中較多關(guān)注的是系統(tǒng)誤差的估計與估計的穩(wěn)定性，而對殘差的分析與處理則較少有人研究。兆庭等34對殘差分析作了詳細的描述，他根據(jù)模型的擬合程度把殘差分為偏殘差、預(yù)測殘差、學生化殘差、普通殘差四種，并利用殘差分析進行數(shù)據(jù)集中異常值點的診斷。杜雄杰等35先分析殘差的特點，進而提出殘差的數(shù)學模型。在此模型的基礎(chǔ)上，提出殘差補償算法，算法將殘差擴展至目標狀態(tài)向量，進行實時估計。在估計目標狀態(tài)的同時完成殘差補償。并總結(jié)出殘差過程具備如下特點：時間相關(guān)

54、，二階矩平穩(wěn)。協(xié)方差增加算法36將殘差考慮成觀測噪聲，通過增加觀測噪聲的協(xié)方差來補償殘差的影響，該算法沒有考慮到殘差的時間相關(guān)性。速度融合算法37認為殘差只影響觀測的位置分量，而對速度分量影響較少，于是提取出從站的速度分量，與主站的觀測進行融合。這種算法沒有抓住殘差的本質(zhì)特征，對于從站的觀測數(shù)據(jù)使用不夠，存在信息損失。國外不少學者對殘差分析也做了一定的研究：運用殘差分析進行自回歸，確定回歸系數(shù)38；利用殘差分析證明，漸近測試有良好的動力特性與精確的測試圍39；將殘差統(tǒng)計作為擬合優(yōu)度用來檢驗統(tǒng)計量40。IPSO-BP 是建立機組正常工作模型的有效方法。當用其建立機組正常運行時段重要部件參數(shù)的模型

55、后，需要將 SCADA 實時采集的數(shù)據(jù)作為模型的輸入，計算并分析模型輸出與相關(guān)統(tǒng)計特性。設(shè)將實時采集的 SCADA 數(shù)據(jù)作為 IPSO-BP 模型的輸入，由模型產(chǎn)生的相關(guān)統(tǒng)計量為（其可以為殘差或其他形式統(tǒng)計量） ，對該統(tǒng)計量的分析可以得到機組異常狀態(tài)的信息。但對該統(tǒng)計量，需注意以下事項：a) 由于風電機組所處環(huán)境條件惡劣，偶發(fā)的傳感器等測量誤差會混雜在SCADA 測量數(shù)據(jù)中。但對于 SCADA 測量數(shù)據(jù)，只有當其超過傳感器測量上下限時，才允許作為錯誤數(shù)據(jù)從 SCADA 記錄中去除。26 / 47b) 由于風速變化的隨機性，導致機組運行狀態(tài)變化快且隨機，機組的各測量參數(shù)變化快且隨機性大。在此前提

56、下，對原始 SCADA 數(shù)據(jù)采用某些濾波算法來平滑數(shù)據(jù)的處理是不合適的。濾波算法數(shù)據(jù)預(yù)處理固然能夠過濾某些如由于傳感器異常導致的突變數(shù)據(jù)，但其也會將風速突變導致的一些有用數(shù)據(jù)過濾掉。c) 單個異常變化（如幅值突然增大）的統(tǒng)計量 并不能表明機組的運行狀態(tài)發(fā)生異常。單個異常變化的統(tǒng)計量產(chǎn)生的原因可能如下：傳感器在測量上下限間的異常變化、風速的突然改變、機組運行狀態(tài)的轉(zhuǎn)化（如啟機，停機等） 。如采用簡單的單個統(tǒng)計量閾值比較方法，會導致誤報警頻發(fā)。機組的異常和故障通常是持續(xù)發(fā)展的。多次異常統(tǒng)計量的變化才能反映機組運行狀態(tài)的異常。因此，采用滑動窗口統(tǒng)計方法是檢驗機組異常的有效方法。在IPSO-BP 模型

57、的殘差統(tǒng)計方法中，合適的滑動窗口既能夠消除由于測量誤差，機組啟停等偶然因素造成的孤立的較大殘差的影響。本文采用“基于萊特準則的雙滑動窗口殘差統(tǒng)計方法”來根據(jù)殘差的特性動態(tài)確定 SCADA 測量數(shù)據(jù)中由于傳感器異?；蝻L速突然變化引起的異常點，降低誤報警幾率。4.2 基于萊特準則的雙滑動窗口殘差統(tǒng)計方法4.2.1 萊特準則判別方法假設(shè)某段時間，記 IPSO-BP 神經(jīng)網(wǎng)絡(luò)模型的齒輪箱溫度預(yù)測殘差序列為。在殘差序列中存在異常點，利用萊特準則剔除異常點首12N先要計算該殘差序列的算數(shù)平均值 (4-1)11NiiXN再計算出其標準差 (4-2)211()1NiiXN將殘差逐一與3倍標準差進行比較，進行異

58、常點檢驗。如果，則與對i3ii應(yīng)的觀測數(shù)據(jù)為異常點，應(yīng)排除。IPSO-BP 模型的估計殘差近似服從正態(tài)分布。根據(jù)誤差理論，當測量值服從正態(tài)分布時，殘差落在三倍方差即區(qū)間的概率超過 99.7%，落在此區(qū)間外3 ,3的概率只有不到 0.3%。因此，當 IPSO-BP 模型某孤立較大殘差落在該區(qū)域之外時，可以認為該殘差是由于測量誤差等偶然因素導致的，這就是萊特準則判別方法，也稱為準則。327 / 474.2.2 雙滑動窗口殘差統(tǒng)計方法概述對于 IPSO-BP 預(yù)測模型估計殘差序列，設(shè)計兩個滑動窗口：快速檢測窗口和備用平均窗口?？焖贆z測窗口的寬度窄，為。設(shè)快速檢測窗口的最新殘差為quickW時刻，窗口

59、的殘差序列為：k (4-3)12GTN其迅速實時計算自己窗口殘差的統(tǒng)計特性，即均值和標準差：(4-4)12111()1NiiNiiXNSXN同時檢測本窗口的殘差有無落在區(qū)域之外的殘差。如沒有，3,3XSXS快速檢測窗口滑動到下一時刻；如有，說明該窗口存在偶然因素導致的孤立1k 較大殘差，在此時刻即時刻，立即啟動備用平均窗口替代快速檢測窗口。在k時刻依舊使用快速檢測窗口檢測殘差。備用平均窗口的寬度為，1k backupW，即備用平均窗口的寬度遠大于快速檢測窗口。 quickbackupWkW5 . 1k計算備用平均窗口的殘差均值與標準差和，雙滑動窗口殘差統(tǒng)計backupXbackupS的原理如圖

60、 4-1 所示：圖 4-1 雙滑動窗口殘差統(tǒng)計方法原理圖雙滑動窗口的各自的作用歸納如下：快速檢測窗口：始終實時作用于殘差序列，計算寬度為窗口的殘差均值quickW和標準差，同時檢測孤立異常殘差的出現(xiàn)。由于快速檢測窗口的寬度窄，其能迅速反應(yīng)滑動窗口均值與標準差的變化，能夠與早發(fā)現(xiàn)殘差統(tǒng)計特性的異常變化。當設(shè)備存在故障隱患時，殘差的持續(xù)異常變化與偶然性孤立異常殘差不同，不會28 / 47觸發(fā)備用平均窗口。備用平均窗口：當快速檢測窗口在某時刻根據(jù)萊特準則發(fā)現(xiàn)本窗口存在孤立異常殘差時，備用平均窗口被觸發(fā)，用來替代該時刻的快速檢測窗口。由于備用平均窗口的寬度遠大于快速檢測窗口，其具有更強的平均效應(yīng)，抑制