韋古強杜冠洲凌俊斌

（1.都城偉業(yè)集團有限公司，北京 100020；2.國網(wǎng)江蘇省電力公司經(jīng)濟技術研究院，江蘇 南京 210008）

基于隨機森林算法的風電機組故障智能診斷預警模型

韋古強1杜冠洲1凌俊斌2

（1.都城偉業(yè)集團有限公司，北京 100020；2.國網(wǎng)江蘇省電力公司經(jīng)濟技術研究院，江蘇 南京 210008）

文章針對清潔能源企業(yè)中風電機組頻發(fā)問題，在行業(yè)內(nèi)風電機組常見故障以及故障診斷技術進行分析的基礎上，對某集團風電機組企業(yè)進行實地調(diào)研，獲取影響故障發(fā)生的關鍵因素，構建故障識別指標體系，采用隨機森林算法構建了風電機組故障智能診斷預警模型。

隨機森林算法；風電機組；故障診斷；預警模型；故障識別指標體系

風力發(fā)電作為新能源產(chǎn)業(yè)技術之一，其不污染環(huán)境、不消耗化石燃料的特點，在當今世界大力發(fā)展保護環(huán)境和走可持續(xù)發(fā)展道路的強大背景之下，已得到社會各方面的全面認可，在過去的幾年里，風力發(fā)電年增長率都保持穩(wěn)定上升的勢頭，已然成為世界公認的增長最快的可再生能源。在我國，大部分風力發(fā)電機組主要安裝在西部偏遠、沿海等風能充足地區(qū)，由于自然環(huán)境和負荷不穩(wěn)定等因素，使得風電機組運行故障頻出，而機組故障會直接影響風力發(fā)電的安全性和經(jīng)濟性。為了實現(xiàn)風力發(fā)電的長期穩(wěn)定發(fā)展和提高自身的能源競爭力，就必須實現(xiàn)對風力發(fā)電機組故障的提早預判和快速診斷，提高發(fā)機組效率，實現(xiàn)企業(yè)的經(jīng)濟利益最大化。

1 風電機組故障診斷技術綜述

在風電機組故障診斷過程中，想要通過診斷分析達到預定的目標，還必須對風電機組的設備故障診斷方法有所了解。風電機組故障診斷方法大體可以分為傳統(tǒng)診斷方法、數(shù)學診斷方法和智能故障診斷方法等。所謂的傳統(tǒng)診斷方法是指在狀態(tài)監(jiān)測技術之上，對其數(shù)據(jù)進行分析，結合數(shù)據(jù)挖掘方法對風電機組設備故障進行診斷；數(shù)學診斷方法主要是采用一些數(shù)據(jù)理論基于數(shù)學公式，數(shù)學模型對機組故障進行診斷，主要包括故障樹分析、小波分析、模糊診斷、灰色系統(tǒng)診斷以及分形幾何與混沌分析等；智能診斷方法主要是基于數(shù)據(jù)挖掘的算法，通過算法建立模型實現(xiàn)對風電機組的故障診斷，主要的算法包括神經(jīng)網(wǎng)絡、隨機森林、遺傳算法、蟻群算法、粒子群算法等。而本文就使用智能故障診斷方法中的隨機森林算法實現(xiàn)對風電機組的故障智能診斷。

2 風電機組故障評價指標構建

通過對風電機組常見故障進行分析，可以得知風電機組故障來源是多方面的，每個部件的性能都直接影響風電機組的正常運行，另外，各部件運行參數(shù)的采集技術也是受多種因素影響的。通過實際調(diào)研，我們選取了影響風電機組故障發(fā)生的14個關鍵因素，涉及風電機組的風輪、齒輪箱、發(fā)電機、電氣系統(tǒng)、變槳系統(tǒng)等各個部件。具體如表1所示：

表1 風電機組故障評價指標

3 基于隨機森林算法的風電機組故障智能診斷預警

3.1 模型概述

隨機森林（RF）是一種分類性能良好的組合分類算法，它以決策樹回歸樹作為基分類器，通過裝袋（Bagging）的方法生成不同的訓練樣本集。在決策樹的構建過程中，采用隨機的方法劃分節(jié)點樣本集。隨機森林（RF）可以看作是樹分類器的集合，其中x是輸入向量，是服從獨立、同分布的隨機向量。關于分類問題，隨機森林的輸出為簡單多數(shù)投票方法的結果；關于回歸問題，隨機森林的輸出為決策樹輸出結果的簡單平均。隨機森林算法的具體實現(xiàn)步驟如下：

首先，通過裝袋（Bagging）的方法生成k個不同的訓練樣本集。當樣本數(shù)據(jù)容量很大時，全樣本數(shù)據(jù)中有接近37%的樣本未被抽中，這些樣本數(shù)據(jù)被稱之為袋外數(shù)據(jù)（Out Of Bag，OOB），袋外數(shù)據(jù)用來評價隨機森林算法的性能。

其次，每個訓練樣本集構建一棵分類決策樹，k個訓練樣本集產(chǎn)生了k個分類決策樹。設樣本的特征數(shù)為M，在每棵樹的劃分節(jié)點上，從M個特征變量中隨機地選取m（m＜M）個特征變量，然后從m個特征變量中選出一個最優(yōu)的特征變量，依此作為分類決策樹節(jié)點分裂時的內(nèi)部節(jié)點。每棵決策樹的生長都不進行剪枝。

最后，基于構建好的多個分類決策樹，對新的未知樣本進行預測，依據(jù)每個樹分類器投票結果的簡單多數(shù)投票法來決定未知樣本的分類結果。

信息熵與信息增益：

信息熵：表示了信息的不確定性（混亂程度），熵越大，信息越混亂，越難預測，則該指標提供的信息量越小，該指標的權重越小，越不重要。對分類系統(tǒng)來說，類別C是變量，它可能的取值是，而每一個類別出現(xiàn)的概率是，因此n就是類別的總數(shù)。此時分類系統(tǒng)的熵就可以表示為：

信息增益是針對一個一個的特征而言的，就是看一個特征t，系統(tǒng)有它和沒它的時候信息量各是多少，兩者的差值就是這個特征給系統(tǒng)帶來的信息量，即增益。系統(tǒng)含有特征t的時候信息量很好計算，就是剛才的式子，它表示的是包含所有特征時系統(tǒng)的信息量。

在分類系統(tǒng)中，屬性的選擇以及決策樹的分裂根據(jù)信息增益來進行選擇，針對根節(jié)點以及子節(jié)點選擇信息增益最大的屬性變量，然后采用遞歸的方法構建整個決策樹和隨機森林。針對風電機組故障診斷問題，結合上節(jié)監(jiān)測數(shù)據(jù)指標，構建基于隨機森林算法的風電機組故障智能診斷預警模型。其構建流程如圖1所示：

圖1 建模流程

3.2 實例分析

為了驗證算法的有效性和準確性，本文選取了風電機組故障數(shù)據(jù)，使用RStudio軟件進行診斷應用分析，依據(jù)前文構建的指標體系，樣本輸入屬性為13個，風電機組是否正常運行作為輸出屬性，然后對數(shù)據(jù)進行分析處理及模型求解。相關參數(shù)設置為：隨即森林算法選取500棵樹，訓練樣本和測試樣本占比為（0.8，0.2），節(jié)點隨機分裂特征數(shù)量設置為5，通過分析，模型結果如下：

表2 模型輸出結果

圖2 隨機森林OOB錯判率和決策樹棵數(shù)

從表2可以看出，針對風電機組是否正常運行，包外數(shù)據(jù)誤差率OOB為2.7%，說明模型的整體分類效果非常理想。隨機森林錯判率隨著決策樹棵數(shù)的增加不斷的減小，最終收斂為一個較小的定值。模型診斷結果分析：

表3 數(shù)據(jù)診斷結果

通過對測試集的8條數(shù)據(jù)進行診斷分析，預測全部正確，說明模型的診斷效果比較理想。可以得知：根據(jù)測試結果，第1、4、6、8個風電機組正常運行，第2、3、5、7個風電機組發(fā)出預警信息，并且應該馬上啟動相應的預案措施，防止發(fā)生更大的安全事故及經(jīng)濟損失。為了提高模型的性能，在實際應用中，應該盡可能收集風電機組更多的歷史故障和正常數(shù)據(jù)，使得模型盡可能覆蓋所有情況的特征，并且可以定期一個月對模型訓練一次，及時更新模型，不斷提高模型的準確性。

4 結論與展望

本文針對新能源風電機組故障頻發(fā)問題進行分析，構建了風電機組故障智能診斷預警模型，采用隨機森林算法對風電機組歷史數(shù)據(jù)進行訓練學習，挖掘出影響風電機組故障發(fā)生的各因素的特征模式，確定出發(fā)生故障各指標的閾值，根據(jù)設備實時運行對風電機組進行在線故障診斷預警，為風電機組故障的監(jiān)測起到一定的技術支撐，從而有效地降低風電機組維修成本，提高風電機組的利用效率。

[1]龍泉，劉永前，楊勇平．狀態(tài)監(jiān)測與故障診斷在風電機組上的應用[J]．現(xiàn)代電力，2008，25（6）.

[2]程洪機，呂振．設備狀態(tài)監(jiān)測與故障診斷技術的基本原理與方法[J]．山東建材，2000，（4）.

[3]楊偉，賈石峰．基于RBF神經(jīng)網(wǎng)絡的風力發(fā)電機組故障診斷研究[J]．電氣傳動自動化，2009，31（2）.

[4]李永東．中國風力發(fā)電的發(fā)展現(xiàn)狀和前景[J]．電氣時代，2006，（3）.

[5]陳建華，李華，蔣錦峰．電力市場條件下發(fā)電設備可靠性與經(jīng)濟性關系探討[J]．中國電力，2001，34（7）.

（責任編輯：小 燕）

TH862

1009-2374（2017）07-0197-02

10.13535/j.cnki.11-4406/n.2017.07.093

韋古強（1986-），男，都城偉業(yè)集團有限公司副主管，高級工程師，碩士，研究方向：房地產(chǎn)、公共建筑。

A