基于神經(jīng)網(wǎng)絡(luò)的風力發(fā)電機組狀態(tài)監(jiān)測的研究

基于神經(jīng)網(wǎng)絡(luò)的風力發(fā)電機組狀態(tài)監(jiān)測的研究姓名：宋谷月導師：2013.3.151研究背景1研究內(nèi)容2基于粗糙集和遺傳算法的屬性約簡3基于BP神經(jīng)網(wǎng)絡(luò)的風機狀態(tài)監(jiān)測模型4本課題創(chuàng)新點5工作展望6答辯內(nèi)容2研究背景風電機組狀態(tài)監(jiān)測的必要性風力發(fā)電廠檢修、運維費用的增加，使得風場總體收入下滑，直接影響了世界各國對風力發(fā)電行業(yè)的投資比例。因此，實時了解風電機組各部件的運行狀態(tài)，及時發(fā)現(xiàn)各部件的異常情況和故障隱患具有重要意義。對風電機組進行狀態(tài)監(jiān)測，一方面可以預(yù)知機組故障，另一方面，使機組發(fā)電功率達到最優(yōu)化。因此，大力發(fā)展風電機組狀態(tài)監(jiān)測技術(shù)顯得尤為重要。3研究內(nèi)容一、基于粗糙集和遺傳算法的屬性約簡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。本文首先采用改進的貪心算法將連續(xù)屬性進行離散化處理，在離散化的過程中，可以約簡掉部分對預(yù)測量不發(fā)生影響的屬性。然后再利用遺傳算法與粗糙集理論相結(jié)合的方法進行屬性約簡，最終得到對預(yù)測量影響較大的屬性集。4研究內(nèi)容二、基于BP神經(jīng)網(wǎng)絡(luò)的風機狀態(tài)監(jiān)測模型采用BP神經(jīng)網(wǎng)絡(luò)模型來對發(fā)電機的溫度進行預(yù)測，并利用滑動窗口對殘差進行分析。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。本文詳細分析了滑動窗口殘差統(tǒng)計的方法及原理，指出了滑動窗口具有能夠抑制孤立異常殘差的作用，并利用BP預(yù)測模型加以驗證。5

基于粗糙集和遺傳算法的屬性約簡

連續(xù)屬性離散化連續(xù)屬性的離散化是知識獲取中數(shù)據(jù)預(yù)處理的一項重要內(nèi)容。粗糙集理論處理的對象必須是離散的，如車的重量分為超重、中等、輕，可以分別用三個值或符號來表示，它不能直接處理連續(xù)屬性，如浮點型數(shù)據(jù)。連續(xù)屬性離散化的根本出發(fā)點是在保證離散化前后決策信息未丟失的前提下，用盡可能少的斷點將屬性空間劃分成盡可能少的子空間，這也是離散化算法追求的目標。6

基于粗糙集和遺傳算法的屬性約簡

基于改進貪心算法的離散化方法

在求取斷點時，通常情況下，我們都希望求得的斷點集數(shù)目越少越好，但是，最小數(shù)目斷點集的求取是NP難問題，因此我們只能近似地求取最小斷點集，所采用的算法也是近似最優(yōu)算法。對NguyenH.S和Skowron提出的貪心算法來改進后為：7第一步：用原始信息表構(gòu)造出信息表第二步：令最佳斷點集合第三步：把信息表中所有列中的1加和，選取和最大的列的斷點加入到CUT中，把該斷點所在的列刪除，并刪除掉在此斷點上值為1的所有行；如果有多個列中的1的個數(shù)相同，則把列對應(yīng)的斷點所在的列值為1的行的

的數(shù)目相加，哪個和最小就取哪個作為斷點。

基于粗糙集和遺傳算法的屬性約簡

構(gòu)造信息表

8的過程

基于粗糙集和遺傳算法的屬性約簡

遺傳粗糙集屬性約簡屬性約簡是粗糙集的核心內(nèi)容之一，為了有效獲取最優(yōu)或次優(yōu)約簡，將遺傳算法與粗糙集相結(jié)合來進行屬性約簡，約簡過程需要以下步驟：9（1）二進制編碼個體表示：遺傳算法解空間的個體采用二進制串表示，其中每一個位對應(yīng)一個條件屬性，如果在某個位置上其值為0，則表示其對應(yīng)的條件屬性可以去掉，如果在某個位置上其值為l，則表示其對應(yīng)的條件屬性被選中。由于選取的個體中可能包含核屬性，因此只對個體中除核屬性以外的其它屬性進行隨機編碼。比如某個決策表有6個條件屬性

，其核屬性為則其對應(yīng)的編碼都始終為“l(fā)”。其它條件屬性由“0”或“1”隨機產(chǎn)生。

基于粗糙集和遺傳算法的屬性約簡

遺傳粗糙集屬性約簡（2）確定適應(yīng)度函數(shù)適應(yīng)度函數(shù)定義如下：10上式中表示有多少個條件屬性；表示r染色體有多少個基因位1，

k是依賴度，表示決策屬性對該染色體所含條件屬性的依賴程度。該適應(yīng)度函數(shù)能夠誘導染色體向著最小約簡的方向發(fā)展進化：如果k很大，說明決策屬性D對條件屬性C的依賴程度很強；可以用來控制染色體中條件屬性的個數(shù)。通過上述兩點，可以找到條件屬性的最小約簡，而且能夠保證決策屬性對整體條件屬性依賴度不變。

基于粗糙集和遺傳算法的屬性約簡

遺傳粗糙集屬性約簡（3）選擇操作在本文中選擇操作采用輪盤賭方法。主要分為以下三步：①求得所有個體適應(yīng)度的累加和。②然后計算每個個體被遺傳到下一代的概率，也叫相對適應(yīng)度，如下：11③模擬賭盤(0~1之間取隨機數(shù)）操作，再與上一步計算的相對適應(yīng)度結(jié)合起來，最終確定每個個體被選中的次數(shù)。

基于粗糙集和遺傳算法的屬性約簡

遺傳粗糙集屬性約簡（4）交叉操作采用單點交叉方式。過程如下：在種群中不重復地隨機選取個體，并兩兩進行配對，對于配對的每個個體，隨機設(shè)置某一位作為交叉點，交叉的概率為，所謂交叉就是在交叉點處交換兩個個體余下部分染色體，得到新的個體。12

基于粗糙集和遺傳算法的屬性約簡

遺傳粗糙集屬性約簡（5）變異操作采用基本位變異方式，具體執(zhí)行過程如下：按照變異概率

對個體的每個基因位指定變異點，對于指定的變異點，除了核屬性對應(yīng)的基因位不變異外，別的屬性對應(yīng)基因位都做取反操作，這樣就可以得到新的個體。13

基于粗糙集和遺傳算法的屬性約簡

遺傳粗糙集屬性約簡（6）最優(yōu)保存策略得到下一代個體以后，如果這一代中適應(yīng)值最小的個體的適應(yīng)值比上一代適應(yīng)值最大的個體的適應(yīng)值小，則用上一代中最好的個體代替新一代中最壞的這個個體。這樣能夠確保算法收斂。14

基于粗糙集和遺傳算法的屬性約簡

基于遺傳算法和粗糙集的屬性約簡算法由如下六個步驟組成：1）先求出決策表的可分辨矩陣，接下來由可辨識矩陣可以得到?jīng)Q策表的核屬性集和無效屬性集。2）隨機產(chǎn)生由m個個體組成的初始種群，用一個二進制串表示，其長度為

。計算種群中每個個體的適應(yīng)度值，對于核屬性其對應(yīng)位取值為l，其余屬性對應(yīng)位隨機取值0或l。3）按照輪盤賭方法在每一代中選擇個體，依交叉概率

進行交叉操作，依變異概率

進行變異操作，變異時保持核屬性和無效屬性對應(yīng)的基因位不發(fā)生改變。4）計算新一代種群中各個體的適應(yīng)度值。5）按照最優(yōu)保存策略把最優(yōu)個體保存下來。6）如果在連續(xù)t代內(nèi)，每一代最優(yōu)個體的適應(yīng)值都不變，就停止計算并輸出最優(yōu)個體，否則轉(zhuǎn)步驟3）。15

基于粗糙集和遺傳算法的屬性約簡

實驗數(shù)據(jù)集本文研究的機組在2006年4月份SCADA記錄和運行日志中未發(fā)現(xiàn)發(fā)電機故障和維修的記錄。4月份的10

min記錄共計4626個。其中有效記錄即機組輸出功率大于0的記錄共計3800個。通過對機組SCADA記錄的47個參數(shù)的觀察與分析，發(fā)現(xiàn)明顯存在許多冗余屬性，例如屬性為設(shè)備的位置坐標信息或單一值等，這些屬性對發(fā)電機溫度不會產(chǎn)生影響，因此可以去掉。對于兩個以上意義相近，且數(shù)值和變化趨勢基本相同的屬性，只保留其中之一即可。經(jīng)過人工去除冗余屬性，最終得到可能與發(fā)電機溫度相關(guān)的屬性有19個。16

基于粗糙集和遺傳算法的屬性約簡

改進貪心算法離散化結(jié)果17

基于粗糙集和遺傳算法的屬性約簡

遺傳約簡的計算過程18遺傳約簡所得到的最優(yōu)個體為：即：，(1)功率(2)風速(3)發(fā)電機軸承A溫度(4)環(huán)境溫度(5)發(fā)電機冷卻空氣溫度。這五個屬性就是最終得到的約簡結(jié)果。

基于BP神經(jīng)網(wǎng)絡(luò)的風機狀態(tài)監(jiān)測模型

BP神經(jīng)網(wǎng)絡(luò)工作原理圖19BP神經(jīng)網(wǎng)絡(luò)算法實現(xiàn)步驟20

基于BP神經(jīng)網(wǎng)絡(luò)的風機狀態(tài)監(jiān)測模型

BP神經(jīng)網(wǎng)絡(luò)的訓練樣本集對于神經(jīng)網(wǎng)絡(luò)來說，它的泛化能力與訓練樣本的選擇關(guān)系最密切，因此，我們需要采取合適的方法來得到訓練樣本集，以提高神經(jīng)網(wǎng)絡(luò)的整體學習質(zhì)量，也就是使BP模型對發(fā)電機整個正常工作空間的覆蓋能力大大增強。本文首先將數(shù)據(jù)歸一化到[0,1]，然后采用構(gòu)造過程記憶矩陣的方式來得到訓練樣本集，這種方法能夠得到發(fā)電機在正常工作時的不同狀態(tài)。21

基于BP神經(jīng)網(wǎng)絡(luò)的風機狀態(tài)監(jiān)測模型

過程記憶矩陣的構(gòu)造構(gòu)造過程記憶矩陣需要兩個步驟。這兩步用于提取正常工作區(qū)間的觀測向量。第一步找到極點的工作狀態(tài)，即正常工況下每個變量的最小值和最大值。把包含這些信息的向量添加到記憶矩陣中。計算剩余觀測向量的歐幾里德距離，n維的向量x的歐幾里德距離：22

基于BP神經(jīng)網(wǎng)絡(luò)的風機狀態(tài)監(jiān)測模型

過程記憶矩陣的構(gòu)造

23

將向量按歐幾里德距離從小到大排序，以一定步距添加到記憶矩陣中。這種方法非常簡單，但是存在一些問題，歐幾里德距離可能相似或相等，但是觀測向量值可能不同，例如，和這樣選擇一個相似歐幾里德距離的向量就會導致其他向量的丟失，為了減少這種影響，我們采用另一種方法繼續(xù)添加新的觀測向量到記憶矩陣中。

基于BP神經(jīng)網(wǎng)絡(luò)的風機狀態(tài)監(jiān)測模型

24

對每一個變量，將[01]之間等分為100份，以0.01為步距從集合K中查找出若干個觀測向量加入矩陣D中。以機組功率x1為例，向過向過程矩陣D中添加觀測向量的方法如下圖所示

基于BP神經(jīng)網(wǎng)絡(luò)的風機狀態(tài)監(jiān)測模型

BP模型驗證結(jié)果

25

基于BP神經(jīng)網(wǎng)絡(luò)的風機狀態(tài)監(jiān)測模型

基于滑動窗口的殘差均值與標準差計算在某一時間段內(nèi)，BP網(wǎng)絡(luò)模型對發(fā)電機溫度預(yù)測的殘差序列用下式表示：

26

對如上序列，首先制定一個寬度為N的窗口，通過不斷向后滑動，每次都求得窗口內(nèi)的N個殘差的均值和標準差：

基于BP神經(jīng)網(wǎng)絡(luò)的風機狀態(tài)監(jiān)測模型

基于滑動窗口的殘差均值與標準差計算滑動窗口對殘差的統(tǒng)計過程

27

基于BP神經(jīng)網(wǎng)絡(luò)的風機狀態(tài)監(jiān)測模型

報警閾值的確定把驗證集中的數(shù)據(jù)輸入BP預(yù)測模型，得到預(yù)測值與實際值之間的殘差，再用滑動窗口統(tǒng)計方法計算出殘差的均值和標準差，把殘差標準差的絕對值的最大值記為，殘差均值的絕對值最大值記為，那么用來判定發(fā)電機出現(xiàn)故障征兆的閾值標準規(guī)定如下：

28

上式中和可工作人員根據(jù)經(jīng)驗來確定。

基于BP神經(jīng)網(wǎng)絡(luò)的風機狀態(tài)監(jiān)測模型

報警閾值的確定本課題中滑動窗口的寬度設(shè)定為N=100。采用滑動窗口方法對驗證序列殘差的均值和標準差進行統(tǒng)計，如下圖所示29

基于BP神經(jīng)網(wǎng)絡(luò)的風機狀態(tài)監(jiān)測模型

加入偏移后BP預(yù)測模型殘差統(tǒng)計為驗證BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型對發(fā)電機狀態(tài)監(jiān)測的有效性，對4月份驗證集中的720個記錄中的發(fā)電機溫度屬性人為加入步長為0.001的累積溫度偏移。加入溫度偏移后的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型殘差統(tǒng)計結(jié)果如下圖所示

30

基于BP神經(jīng)網(wǎng)絡(luò)的風機狀態(tài)監(jiān)測模型