晉高建

（國能投（ 河南） 清潔能源有限責(zé)任公司）

0 引言

風(fēng)力發(fā)電機(jī)組是利用風(fēng)能轉(zhuǎn)換成電能的裝置， 其主要組成部分包括風(fēng)輪、 發(fā)電機(jī)和塔筒。塔筒作為機(jī)組的支撐結(jié)構(gòu)， 承載著風(fēng)輪和發(fā)電機(jī)的重量， 同時(shí)還需能夠抵抗來自風(fēng)力和地震等外部力的作用[1］。風(fēng)電機(jī)組塔筒傾斜是指風(fēng)力發(fā)電機(jī)組塔筒在運(yùn)行過程中出現(xiàn)的不均勻傾斜現(xiàn)象。塔筒傾斜可能會(huì)對(duì)風(fēng)力發(fā)電機(jī)組的運(yùn)行和壽命產(chǎn)生重大影響。塔筒傾斜可能導(dǎo)致機(jī)組結(jié)構(gòu)不穩(wěn)定， 增加風(fēng)力發(fā)電機(jī)組的風(fēng)險(xiǎn)， 傾斜程度過大時(shí)， 可能會(huì)導(dǎo)致機(jī)組的傾覆和倒塌， 對(duì)周圍環(huán)境和人身造成嚴(yán)重威脅。塔筒傾斜會(huì)導(dǎo)致機(jī)組的風(fēng)向和風(fēng)速測(cè)量誤差， 從而影響機(jī)組的控制和風(fēng)能利用效率， 傾斜還會(huì)引起機(jī)組的振動(dòng)和共振現(xiàn)象， 導(dǎo)致機(jī)組損耗和運(yùn)行不穩(wěn)定。塔筒傾斜需要及時(shí)修復(fù)和調(diào)整，需要投入大量的維護(hù)成本和人力物力資源， 研究塔筒傾斜可以幫助提高風(fēng)力發(fā)電機(jī)組的整體壽命和穩(wěn)定性， 減少機(jī)組的故障率和運(yùn)行維護(hù)成本。

本文以風(fēng)電機(jī)組塔筒傾斜的狀態(tài)， 提高風(fēng)力發(fā)電機(jī)組的可靠性、 經(jīng)濟(jì)性和環(huán)境友好性， 為風(fēng)力發(fā)電技術(shù)的進(jìn)一步發(fā)展和推廣提供技術(shù)支持和理論依據(jù)。這有助于推動(dòng)風(fēng)電的發(fā)展和應(yīng)用， 降低對(duì)傳統(tǒng)能源的依賴， 減少溫室氣體排放。

1 風(fēng)電機(jī)組塔筒傾斜機(jī)理

風(fēng)電機(jī)組塔筒傾斜是指風(fēng)力發(fā)電機(jī)組的塔筒在使用過程中出現(xiàn)了傾斜的現(xiàn)象。塔筒傾斜會(huì)導(dǎo)致風(fēng)葉與機(jī)組之間的間隙變大或變小， 影響風(fēng)能的轉(zhuǎn)化效率，同時(shí)還有可能影響機(jī)組的安全穩(wěn)定運(yùn)行。 塔筒傾斜的機(jī)理分析主要涉及以下幾個(gè)方面：

（1） 地基問題： 風(fēng)力發(fā)電機(jī)組的塔筒需要安裝在地基上， 地基的穩(wěn)定性直接影響塔筒的傾斜情況[2］。地基的不均勻沉降、 地基材料的不合理選擇等都可能導(dǎo)致塔筒傾斜。

（2） 設(shè)計(jì)問題： 風(fēng)力發(fā)電機(jī)組的塔筒設(shè)計(jì)不合理也是導(dǎo)致塔筒傾斜的原因之一。例如， 塔筒的結(jié)構(gòu)設(shè)計(jì)不合理、 材料的選擇不當(dāng)?shù)榷伎赡軐?dǎo)致塔筒在使用過程中出現(xiàn)傾斜。

（3） 自然災(zāi)害： 自然災(zāi)害如地震、 風(fēng)暴等也可能引起塔筒的傾斜。這些自然災(zāi)害會(huì)給塔筒施加巨大的外力， 導(dǎo)致其發(fā)生變形甚至傾斜。

為了研究塔筒傾斜的機(jī)理， 可以通過現(xiàn)場(chǎng)觀測(cè)、數(shù)值模擬、 實(shí)驗(yàn)驗(yàn)證等方法進(jìn)行分析[3］。通過實(shí)際測(cè)量塔筒傾斜的情況， 結(jié)合工程設(shè)計(jì)參數(shù)和自然環(huán)境因素， 進(jìn)行數(shù)值模擬和分析， 以了解塔筒傾斜的原因和可能的影響。此外， 還可以進(jìn)行實(shí)驗(yàn)驗(yàn)證， 在仿真環(huán)境中對(duì)不同因素進(jìn)行控制和調(diào)整[4］， 觀察傾斜的變化情況?？傊?， 風(fēng)電機(jī)組塔筒傾斜研究的機(jī)理分析需要綜合考慮地基問題、 設(shè)計(jì)問題和自然災(zāi)害等因素， 通過實(shí)際觀測(cè)、 數(shù)值模擬和實(shí)驗(yàn)驗(yàn)證等手段進(jìn)行分析，以便找出誘發(fā)塔筒傾斜的原因， 并提出相應(yīng)的解決方案。

2 BAS-BP神經(jīng)網(wǎng)絡(luò)模型

2.1 反向傳播神經(jīng)網(wǎng)絡(luò)模型

BP 神經(jīng)網(wǎng)絡(luò)是一種全連接層結(jié)構(gòu)的前饋型神經(jīng)網(wǎng)絡(luò)， 由輸入層、 隱藏層、 輸出層組成[5］。具體的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

BP 神經(jīng)網(wǎng)絡(luò)的核心在于求解各層的權(quán)值參數(shù)偏導(dǎo)數(shù)， 不斷進(jìn)行迭代并更新權(quán)值， 直至達(dá)到設(shè)定的訓(xùn)練次數(shù)或者滿足設(shè)定的學(xué)習(xí)率。

2.2 天牛須搜索優(yōu)化算法

天 牛 須 搜 索 算 法 （BAS） 由Jiang 和Li 等 人 在2017年提出， 通過模仿長(zhǎng)須天牛尋找食物的行為模式來實(shí)現(xiàn)檢測(cè)與搜索功能[6］。該算法在解決多目標(biāo)函數(shù)優(yōu)化問題方面具有較強(qiáng)的普適性， 同時(shí)可以避免出現(xiàn)局部最優(yōu)問題。

BAS 算法維護(hù)兩個(gè)隨機(jī)方向向量去探測(cè)附近空間的信息濃度， 當(dāng)一側(cè)的信息濃度高于另一側(cè)時(shí)， 算法將向濃度高的一側(cè)迭代， 如此循環(huán)直至尋找到目標(biāo)參數(shù)。

（1） 創(chuàng)建表示搜索行為的隨機(jī)方向向量。假設(shè)隨機(jī)函數(shù)為rand， 參數(shù)空間的維度為k， 則方向向量--- →----計(jì)算公式如式 （1） 所示。

（2） 計(jì)算出天牛的左右觸須位置。假設(shè)xt為天牛的質(zhì)心坐標(biāo)，dt為天牛須長(zhǎng)， 第t次尋找目標(biāo)時(shí)天牛左右須坐標(biāo)xlt、xrt可由式 （5） 、 （6） 計(jì)算。

（3） 確定天牛質(zhì)心的移動(dòng)方向。當(dāng)前天牛的質(zhì)心位置與前一時(shí)刻的質(zhì)心位置相關(guān)。假設(shè)移動(dòng)步長(zhǎng)為δt， 符號(hào)函數(shù)用sign表示， 天牛的質(zhì)心位置xt+1 計(jì)算過程如式 （7） 所示。

2.3 BAS算法優(yōu)化BPNN模型

為了解決BP 神經(jīng)網(wǎng)絡(luò)存在的問題， 本文將天牛須搜索算法與BP 神經(jīng)網(wǎng)絡(luò)相結(jié)合， 在訓(xùn)練前對(duì)其初始權(quán)值進(jìn)行尋優(yōu)， 以此加速BP 神經(jīng)網(wǎng)絡(luò)的收斂時(shí)間，避免陷入局部最優(yōu)情況。BAS 算法優(yōu)化后， BP 神經(jīng)網(wǎng)絡(luò)發(fā)電量預(yù)測(cè)模型的具體工作流程如圖2所示。

圖2 傾角監(jiān)測(cè)設(shè)備安裝部署圖

圖2 BAS-BP預(yù)測(cè)模型流程圖

3 實(shí)驗(yàn)驗(yàn)證

3.1 數(shù)據(jù)來源

使用高精度傾角傳感器對(duì)塔筒傾斜進(jìn)行實(shí)時(shí)監(jiān)測(cè)[7］， 通過傾角傳感器識(shí)別機(jī)組待機(jī)狀態(tài)， 分析待機(jī)狀態(tài)下塔基傾角大小和變化趨勢(shì)是否超出設(shè)定閾值來實(shí)現(xiàn)塔筒傾斜的監(jiān)測(cè)， 達(dá)到監(jiān)測(cè)目的。高精度傾角傳感器在風(fēng)電機(jī)組的安裝位置如圖2所示。

根據(jù)高精度傾角傳感器得到的數(shù)據(jù)， 選取每分鐘5 次風(fēng)機(jī)塔筒傾斜角數(shù)據(jù)為一個(gè)有效樣本， 共15000 個(gè)樣本， 構(gòu)建傾斜角預(yù)測(cè)原始數(shù)據(jù)序列A={a1，a2， …，a15000}。按照一般要求對(duì)原始序列進(jìn)行劃分， 其中前80%劃分為訓(xùn)練集， 其余為測(cè)試集，可得訓(xùn) 練集數(shù)據(jù)序列B={a1，a2， …，a12000}， 測(cè)試集數(shù)據(jù)序列C={a12001，a12002， …，a15000}。樣本數(shù)據(jù)變化趨勢(shì)如圖3 所示。

圖3 樣本數(shù)據(jù)變化趨勢(shì)

3.2 模型參數(shù)設(shè)置

針對(duì)基于BAS-BP 神經(jīng)網(wǎng)絡(luò)建立的發(fā)電量預(yù)測(cè)模型， 分別設(shè)置模型參數(shù)。其中， BP神經(jīng)網(wǎng)絡(luò)模型的輸入層單元數(shù)nin=5， 輸出層單元數(shù)nout=1， 隱藏層單元數(shù)nhidden=11， 學(xué)習(xí)率lr=0.01， 迭代次數(shù)epochs=1000。BAS 算法的搜索空間維度dim=136， 確定天牛在搜索空間中的初始位置為[-0.5， 0.5］之間的隨機(jī)數(shù)， 同時(shí)設(shè)置當(dāng)BAS 算法針對(duì)于BP 神經(jīng)網(wǎng)絡(luò)權(quán)重及閾值構(gòu)建的目標(biāo)函數(shù)求解結(jié)果的MSE 小于設(shè)定精度或者達(dá)到最高迭代次數(shù)時(shí)停止搜索， 并將獲得的最優(yōu)解輸入到BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型當(dāng)中， 實(shí)現(xiàn)對(duì)基于BP 神經(jīng)網(wǎng)絡(luò)建立的發(fā)電量預(yù)測(cè)模型精度的優(yōu)化。

3.3 模型對(duì)比及分析

利用基于BAS-BP 神經(jīng)網(wǎng)絡(luò)建立的發(fā)電量預(yù)測(cè)模型， 結(jié)合訓(xùn)練集數(shù)據(jù)序列B 進(jìn)行訓(xùn)練擬合， 并利用測(cè)試集數(shù)據(jù)序列C對(duì)擬合模型預(yù)測(cè)效果進(jìn)行測(cè)試。同時(shí)將預(yù)測(cè)擬合效果與BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比， 得到的對(duì)比結(jié)果如圖4、 圖5所示。

圖4 訓(xùn)練集預(yù)測(cè)效果對(duì)比曲線

圖5 訓(xùn)練集預(yù)測(cè)結(jié)果對(duì)比曲線

通過圖4、 圖5 可以發(fā)現(xiàn)， BAS-BP 模型的預(yù)測(cè)曲線與實(shí)際期望值的曲線擬合度更高， 但差距較小。為了進(jìn)一步驗(yàn)證BAS-BP 模型相較于BPNN 模型的精準(zhǔn)性， 引入MAE、 MAPE、 RMSE 性能評(píng)估指標(biāo)進(jìn)行對(duì)比分析， 各指標(biāo)計(jì)算方法如式 （8）-（10） 所示。

表1 模型預(yù)測(cè)性能指標(biāo)數(shù)據(jù)

由表1 可以發(fā)現(xiàn)， 使用BAS-BP 優(yōu)化原BP 模型之后， 精確度有了明顯的提升， 達(dá)到了模型優(yōu)化的需求。由此可見， BAS-BP 模型可以有效提取時(shí)間序列的數(shù)據(jù)的特征。相比于BP 基礎(chǔ)神經(jīng)模型對(duì)于風(fēng)機(jī)塔筒傾斜度的預(yù)測(cè)效果更好、 精度更好， 說明其更適用于對(duì)風(fēng)機(jī)塔筒傾斜度的預(yù)測(cè)。

4 結(jié)束語

本文通過引入BAS 算法對(duì)BP 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化， 構(gòu)建了一種基于BAS-BP 神經(jīng)網(wǎng)絡(luò)的時(shí)間序列數(shù)據(jù)預(yù)測(cè)模型， 并利用某風(fēng)機(jī)塔筒傾斜采集數(shù)據(jù)進(jìn)行實(shí)證研究。研究結(jié)果表明， 基于BAS-BPNN模型的風(fēng)電機(jī)組塔筒傾斜度預(yù)測(cè)模型相較于BPNN模型預(yù)測(cè)精度及穩(wěn)定性具有較大提升， 擁有更加優(yōu)良的預(yù)測(cè)效果， 能夠準(zhǔn)確預(yù)測(cè)風(fēng)電機(jī)組塔筒傾斜情況， 能夠在實(shí)際應(yīng)用中提供有效的風(fēng)電機(jī)組塔筒傾斜預(yù)警， 為維護(hù)人員提供決策支持。