[发明专利]一种基于组合预测的风电机组状态参数异常辨识方法

权利要求书

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=1nΣi=1n(ri-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：

minw,b,e[12wTw+12γΣk=1Nek2]---(8)]]>

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：

01T1Ω+γ-1Ibα=0y---(11)]]>

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(x)=Σk=1NαkK(xk,x)+b---(13)]]>

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：

et=xt-x^t=l1(x1t-x^1t)+l2(x2t-x^2t)+...+lm(xmt-x^mt)=l1e1t+l2e2t+...+lmemt=Σi=1mlieit---(2)]]>

记J₁为组合预测方法的预测误差平方和，则有：

J1=Σt=1Net2=Σt=1N(l1e1t+l2e2t+...+lmemt)2=Σt=1N(l1l1e1te1t+l1l2e2te1t+l1lmemte1t+...+lmlmemtemt)=Σt=1NΣi=1mΣj=1mliljeitejt---(3)]]>

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 J1=Σt=1NΣi=1mΣj=1mliljeitejt---(4)]]>

s.t.Σi=1mli=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

Eij=eiTej=Σt=1Neitej,i,j=1,2,...,m,E=(Eij)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.RTL=1L≥0---(6)]]>

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：

F^=l1·f^1+l2·f^2+l3·f^3---(15)]]>

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：

Hd=-Σi=1N(niTd)ln(niTd)---(16)]]>

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。