基于神经网络的风力发电机组状态监测的研究

基于神经网络的风力发电机组状态监测的研究姓名：宋谷月导师：2013.3.151研究背景1研究内容2基于粗糙集和遗传算法的属性约简3基于BP神经网络的风机状态监测模型4本课题创新点5工作展望6答辩内容2研究背景风电机组状态监测的必要性风力发电厂检修、运维费用的增加，使得风场总体收入下滑，直接影响了世界各国对风力发电行业的投资比例。因此，实时了解风电机组各部件的运行状态，及时发现各部件的异常情况和故障隐患具有重要意义。对风电机组进行状态监测，一方面可以预知机组故障，另一方面，使机组发电功率达到最优化。因此，大力发展风电机组状态监测技术显得尤为重要。3研究内容一、基于粗糙集和遗传算法的属性约简由于在建立机组各部件重要测量参数的预测模型时，该测量参数预测模型的输入变量集的确定，是建立其准确模型的关键，因此，预测模型输入变量集的确定是影响预测模型精度的重要因素。本文首先采用改进的贪心算法将连续属性进行离散化处理，在离散化的过程中，可以约简掉部分对预测量不发生影响的属性。然后再利用遗传算法与粗糙集理论相结合的方法进行属性约简，最终得到对预测量影响较大的属性集。4研究内容二、基于BP神经网络的风机状态监测模型采用BP神经网络模型来对发电机的温度进行预测，并利用滑动窗口对残差进行分析。在风力发电机组非参数预测模型的残差统计方法中，合适的滑动窗口能够消除由于测量误差，机组启停等偶然因素造成的孤立的较大残差的影响。本文详细分析了滑动窗口残差统计的方法及原理，指出了滑动窗口具有能够抑制孤立异常残差的作用，并利用BP预测模型加以验证。5

基于粗糙集和遗传算法的属性约简

连续属性离散化连续属性的离散化是知识获取中数据预处理的一项重要内容。粗糙集理论处理的对象必须是离散的，如车的重量分为超重、中等、轻，可以分别用三个值或符号来表示，它不能直接处理连续属性，如浮点型数据。连续属性离散化的根本出发点是在保证离散化前后决策信息未丢失的前提下，用尽可能少的断点将属性空间划分成尽可能少的子空间，这也是离散化算法追求的目标。6

基于粗糙集和遗传算法的属性约简

基于改进贪心算法的离散化方法

在求取断点时，通常情况下，我们都希望求得的断点集数目越少越好，但是，最小数目断点集的求取是NP难问题，因此我们只能近似地求取最小断点集，所采用的算法也是近似最优算法。对NguyenH.S和Skowron提出的贪心算法来改进后为：7第一步：用原始信息表构造出信息表第二步：令最佳断点集合第三步：把信息表中所有列中的1加和，选取和最大的列的断点加入到CUT中，把该断点所在的列删除，并删除掉在此断点上值为1的所有行；如果有多个列中的1的个数相同，则把列对应的断点所在的列值为1的行的

的数目相加，哪个和最小就取哪个作为断点。

基于粗糙集和遗传算法的属性约简

构造信息表

8的过程

基于粗糙集和遗传算法的属性约简

遗传粗糙集属性约简属性约简是粗糙集的核心内容之一，为了有效获取最优或次优约简，将遗传算法与粗糙集相结合来进行属性约简，约简过程需要以下步骤：9（1）二进制编码个体表示：遗传算法解空间的个体采用二进制串表示，其中每一个位对应一个条件属性，如果在某个位置上其值为0，则表示其对应的条件属性可以去掉，如果在某个位置上其值为l，则表示其对应的条件属性被选中。由于选取的个体中可能包含核属性，因此只对个体中除核属性以外的其它属性进行随机编码。比如某个决策表有6个条件属性

，其核属性为则其对应的编码都始终为“l”。其它条件属性由“0”或“1”随机产生。

基于粗糙集和遗传算法的属性约简

遗传粗糙集属性约简（2）确定适应度函数适应度函数定义如下：10上式中表示有多少个条件属性；表示r染色体有多少个基因位1，

k是依赖度，表示决策属性对该染色体所含条件属性的依赖程度。该适应度函数能够诱导染色体向着最小约简的方向发展进化：如果k很大，说明决策属性D对条件属性C的依赖程度很强；可以用来控制染色体中条件属性的个数。通过上述两点，可以找到条件属性的最小约简，而且能够保证决策属性对整体条件属性依赖度不变。

基于粗糙集和遗传算法的属性约简

遗传粗糙集属性约简（3）选择操作在本文中选择操作采用轮盘赌方法。主要分为以下三步：①求得所有个体适应度的累加和。②然后计算每个个体被遗传到下一代的概率，也叫相对适应度，如下：11③模拟赌盘(0~1之间取随机数）操作，再与上一步计算的相对适应度结合起来，最终确定每个个体被选中的次数。

基于粗糙集和遗传算法的属性约简

遗传粗糙集属性约简（4）交叉操作采用单点交叉方式。过程如下：在种群中不重复地随机选取个体，并两两进行配对，对于配对的每个个体，随机设置某一位作为交叉点，交叉的概率为，所谓交叉就是在交叉点处交换两个个体余下部分染色体，得到新的个体。12

基于粗糙集和遗传算法的属性约简

遗传粗糙集属性约简（5）变异操作采用基本位变异方式，具体执行过程如下：按照变异概率

对个体的每个基因位指定变异点，对于指定的变异点，除了核属性对应的基因位不变异外，别的属性对应基因位都做取反操作，这样就可以得到新的个体。13

基于粗糙集和遗传算法的属性约简

遗传粗糙集属性约简（6）最优保存策略得到下一代个体以后，如果这一代中适应值最小的个体的适应值比上一代适应值最大的个体的适应值小，则用上一代中最好的个体代替新一代中最坏的这个个体。这样能够确保算法收敛。14

基于粗糙集和遗传算法的属性约简

基于遗传算法和粗糙集的属性约简算法由如下六个步骤组成：1）先求出决策表的可分辨矩阵，接下来由可辨识矩阵可以得到决策表的核属性集和无效属性集。2）随机产生由m个个体组成的初始种群，用一个二进制串表示，其长度为

。计算种群中每个个体的适应度值，对于核属性其对应位取值为l，其余属性对应位随机取值0或l。3）按照轮盘赌方法在每一代中选择个体，依交叉概率

进行交叉操作，依变异概率

进行变异操作，变异时保持核属性和无效属性对应的基因位不发生改变。4）计算新一代种群中各个体的适应度值。5）按照最优保存策略把最优个体保存下来。6）如果在连续t代内，每一代最优个体的适应值都不变，就停止计算并输出最优个体，否则转步骤3）。15

基于粗糙集和遗传算法的属性约简

实验数据集本文研究的机组在2006年4月份SCADA记录和运行日志中未发现发电机故障和维修的记录。4月份的10

min记录共计4626个。其中有效记录即机组输出功率大于0的记录共计3800个。通过对机组SCADA记录的47个参数的观察与分析，发现明显存在许多冗余属性，例如属性为设备的位置坐标信息或单一值等，这些属性对发电机温度不会产生影响，因此可以去掉。对于两个以上意义相近，且数值和变化趋势基本相同的属性，只保留其中之一即可。经过人工去除冗余属性，最终得到可能与发电机温度相关的属性有19个。16

基于粗糙集和遗传算法的属性约简

改进贪心算法离散化结果17

基于粗糙集和遗传算法的属性约简

遗传约简的计算过程18遗传约简所得到的最优个体为：即：，(1)功率(2)风速(3)发电机轴承A温度(4)环境温度(5)发电机冷却空气温度。这五个属性就是最终得到的约简结果。

基于BP神经网络的风机状态监测模型

BP神经网络工作原理图19BP神经网络算法实现步骤20

基于BP神经网络的风机状态监测模型

BP神经网络的训练样本集对于神经网络来说，它的泛化能力与训练样本的选择关系最密切，因此，我们需要采取合适的方法来得到训练样本集，以提高神经网络的整体学习质量，也就是使BP模型对发电机整个正常工作空间的覆盖能力大大增强。本文首先将数据归一化到[0,1]，然后采用构造过程记忆矩阵的方式来得到训练样本集，这种方法能够得到发电机在正常工作时的不同状态。21

基于BP神经网络的风机状态监测模型

过程记忆矩阵的构造构造过程记忆矩阵需要两个步骤。这两步用于提取正常工作区间的观测向量。第一步找到极点的工作状态，即正常工况下每个变量的最小值和最大值。把包含这些信息的向量添加到记忆矩阵中。计算剩余观测向量的欧几里德距离，n维的向量x的欧几里德距离：22

基于BP神经网络的风机状态监测模型

过程记忆矩阵的构造

23

将向量按欧几里德距离从小到大排序，以一定步距添加到记忆矩阵中。这种方法非常简单，但是存在一些问题，欧几里德距离可能相似或相等，但是观测向量值可能不同，例如，和这样选择一个相似欧几里德距离的向量就会导致其他向量的丢失，为了减少这种影响，我们采用另一种方法继续添加新的观测向量到记忆矩阵中。

基于BP神经网络的风机状态监测模型

24

对每一个变量，将[01]之间等分为100份，以0.01为步距从集合K中查找出若干个观测向量加入矩阵D中。以机组功率x1为例，向过向过程矩阵D中添加观测向量的方法如下图所示

基于BP神经网络的风机状态监测模型

BP模型验证结果

25

基于BP神经网络的风机状态监测模型

基于滑动窗口的残差均值与标准差计算在某一时间段内，BP网络模型对发电机温度预测的残差序列用下式表示：

26

对如上序列，首先制定一个宽度为N的窗口，通过不断向后滑动，每次都求得窗口内的N个残差的均值和标准差：

基于BP神经网络的风机状态监测模型

基于滑动窗口的残差均值与标准差计算滑动窗口对残差的统计过程

27

基于BP神经网络的风机状态监测模型

报警阈值的确定把验证集中的数据输入BP预测模型，得到预测值与实际值之间的残差，再用滑动窗口统计方法计算出残差的均值和标准差，把残差标准差的绝对值的最大值记为，残差均值的绝对值最大值记为，那么用来判定发电机出现故障征兆的阈值标准规定如下：

28

上式中和可工作人员根据经验来确定。

基于BP神经网络的风机状态监测模型

报警阈值的确定本课题中滑动窗口的宽度设定为N=100。采用滑动窗口方法对验证序列残差的均值和标准差进行统计，如下图所示29

基于BP神经网络的风机状态监测模型

加入偏移后BP预测模型残差统计为验证BP神经网络预测模型对发电机状态监测的有效性，对4月份验证集中的720个记录中的发电机温度属性人为加入步长为0.001的累积温度偏移。加入温度偏移后的BP神经网络预测模型残差统计结果如下图所示

30

基于BP神经网络的风机状态监测模型