摘 要： 為提高風(fēng)電機(jī)組發(fā)電效率，增加經(jīng)濟(jì)收益，實(shí)現(xiàn)風(fēng)電機(jī)組運(yùn)行狀態(tài)的在線(xiàn)監(jiān)測(cè)，提出一種基于麻雀搜索算法優(yōu)化高斯過(guò)程回歸（SSA-GPR）模型的風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)新方法。首先對(duì)數(shù)據(jù)采集與監(jiān)視控制（SCADA）系統(tǒng)采集到的數(shù)據(jù)進(jìn)行預(yù)處理分析，利用相關(guān)性分析完成模型的輸入量選擇;然后利用機(jī)組正常運(yùn)行狀態(tài)下的參數(shù)建立常態(tài)回歸模型，實(shí)時(shí)計(jì)算重構(gòu)誤差，通過(guò)實(shí)時(shí)監(jiān)測(cè)功率殘差值是否超過(guò)動(dòng)態(tài)故障閾值來(lái)判斷機(jī)組狀態(tài)。實(shí)例結(jié)果表明，所提方法的預(yù)測(cè)誤差更小，并可以提前120 min實(shí)現(xiàn)機(jī)組異常運(yùn)行狀態(tài)預(yù)警。

關(guān)鍵詞： SCADA數(shù)據(jù); 麻雀搜索算法; 高斯過(guò)程回歸; 狀態(tài)監(jiān)測(cè); 風(fēng)電機(jī)組

中圖分類(lèi)號(hào)： TM614

文獻(xiàn)標(biāo)志碼： A

文章編號(hào)： 2095-8188（2024）04-0065-09

DOI： 10.16628/j.cnki.2095-8188.2024.04.009

Wind Turbine Operation Status Monitoring Based on SSA-GPR Model

ZHANG Jie REN Kang MA Tian WANG Weilu XING Zuoxia3， HAN Guangming2

（1. School of Electrical Engineering， Shenyang University of Technology， Shenyang 110870， China ;

2. China Datang Group New Energy Co.， Ltd.， Beijing 100000， China ;

3. Liaoning Key Laboratory of Wind Power Technology， Shenyang 110870， China）

Abstract： In order to improve the power generation efficiency and economic benefits of wind turbines， the online monitoring of the operating status of wind turbines is particularly important. A new method for monitoring the status of wind turbines based on sparrow search algorithm optimized Gaussian process（SSA-GPR） model is proposed. Firstly， the data collected from data collection and monitoring is preprocessed and analyzed. The correlation analysis is used to select the input of the model. A normal regression model using the parameters of the unit under normal operating conditions is established to calculate the reconstruction error in real-time. The unit status is determined by monitoring whether the predicted power residual exceeds the dynamic fault threshold in real-time. Through examples， it is shown that the proposed SSA-GPR model smaller prediction error and can achieve abnormal operation status warning of the unit 120 minutes in advance.

Key words： SCADA data; sparrow search algorithm（SSA）; Gaussian process regression（GPR）; status monitoring; wind turbine

0 引 言

隨著世界能源結(jié)構(gòu)的轉(zhuǎn)型，作為新能源領(lǐng)域“雙子星”之一的風(fēng)力發(fā)電技術(shù)已成為當(dāng)今時(shí)代的重點(diǎn)關(guān)注對(duì)象。風(fēng)電機(jī)組長(zhǎng)期工作在惡劣條件下，機(jī)組維修大多屬于高空作業(yè)，人員存在安全隱患，運(yùn)維成本可達(dá)到風(fēng)電收入的10%～15%。目前風(fēng)場(chǎng)使用的數(shù)據(jù)采集與監(jiān)視控制（SCADA）系統(tǒng)只是記錄了機(jī)組運(yùn)行過(guò)程中的各項(xiàng)運(yùn)行參數(shù)，大量運(yùn)行數(shù)據(jù)未得到充分發(fā)掘利用［1］，故基于風(fēng)場(chǎng)SCADA數(shù)據(jù)分析的風(fēng)電機(jī)組狀態(tài)評(píng)判具有一定的研究?jī)r(jià)值和工程意義。

文獻(xiàn)［2］提出一種基于SCADA數(shù)據(jù)的零點(diǎn)漂移故障檢測(cè)方法，通過(guò)分析不同偏航角條件下的功率性能，檢測(cè)了風(fēng)機(jī)偏航角傳感器的零點(diǎn)偏移故障。將SCADA數(shù)據(jù)根據(jù)風(fēng)速和偏航角劃分為不同的箱體，提出各偏航角下的功率性能評(píng)價(jià)指標(biāo)，如果偏航角測(cè)量誤差大于預(yù)定的閾值就會(huì)觸發(fā)警報(bào)，讓風(fēng)電場(chǎng)操作人員實(shí)現(xiàn)及時(shí)調(diào)整。文獻(xiàn)［3］提出一種以Copula函數(shù)為基礎(chǔ)的風(fēng)力發(fā)電機(jī)異常識(shí)別方法，這種方法通過(guò)對(duì)機(jī)組功率實(shí)際運(yùn)行數(shù)據(jù)構(gòu)建功率曲線(xiàn)并與其時(shí)間序列特征相融合，判定風(fēng)電機(jī)組的故障，從而對(duì)傳統(tǒng)算法進(jìn)行了補(bǔ)充。文獻(xiàn)［4］首次將深度森林算法引入對(duì)風(fēng)電機(jī)組狀態(tài)的監(jiān)測(cè)，同時(shí)為了彌補(bǔ)普通算法的不足對(duì)其進(jìn)行了改進(jìn)，使之適用于變速變載荷工況下的機(jī)組故障診斷。文獻(xiàn)［5］提出一種基于運(yùn)行數(shù)據(jù)的偏航校正分析方法，依據(jù)貝茲理論建立基于分風(fēng)向夾角區(qū)間的模型，可以分析得到偏航誤差值，不足之處在于診斷結(jié)果會(huì)受到所建立功率曲線(xiàn)模型精度的影響。文獻(xiàn)［6］提出基于改進(jìn)DS證據(jù)理論完成對(duì)風(fēng)電機(jī)組變槳系統(tǒng)的健康狀態(tài)評(píng)估，該方法可以較好地解決證據(jù)沖突問(wèn)題，且不需要考慮評(píng)估指標(biāo)中權(quán)重賦值問(wèn)題。為從SCADA系統(tǒng)中提取到更多的故障信息，文獻(xiàn)［7］建立了3種網(wǎng)絡(luò)模型：多核融合卷積神經(jīng)網(wǎng)絡(luò)（MKFCNN）模型、時(shí)空融合神經(jīng)網(wǎng)絡(luò)（STFNN）模型、時(shí)空多尺度神經(jīng)網(wǎng)絡(luò)（STMNN）模型。提出的模型可以有效提取機(jī)組故障特征并進(jìn)行狀態(tài)識(shí)別評(píng)估，但是其目前只應(yīng)用在直驅(qū)式風(fēng)機(jī)中。文獻(xiàn)［8］為了對(duì)海上風(fēng)電機(jī)組部件展開(kāi)狀態(tài)監(jiān)測(cè)評(píng)估，利用基于徑向基函數(shù)的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)經(jīng)過(guò)處理的高維SCADA數(shù)據(jù)的故障特征并對(duì)故障標(biāo)簽進(jìn)行擬合，從而實(shí)現(xiàn)故障提前預(yù)警，最終達(dá)到監(jiān)控的目的。文獻(xiàn)［9］利用基于激光雷達(dá)的偏航誤差故障診斷方法，利用仿真模型獲取偏航誤差并反饋到偏航系統(tǒng)。

在風(fēng)電行業(yè)中，如何更好地利用大數(shù)據(jù)技術(shù)實(shí)現(xiàn)風(fēng)電機(jī)組的檢測(cè)和應(yīng)用仍然需要深入研究。為挖掘隱藏在SCADA數(shù)據(jù)中的有效信息并及時(shí)準(zhǔn)確地發(fā)現(xiàn)機(jī)組潛在的早期故障，本文提出一種基于麻雀搜索算法優(yōu)化高斯過(guò)程回歸（SSA-GPR）模型的風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)方法，并以某風(fēng)電場(chǎng)實(shí)際數(shù)據(jù)為例進(jìn)行驗(yàn)證分析。

1 SSA-GPR模型

1.1 高斯過(guò)程回歸模型

高斯過(guò)程在研究回歸問(wèn)題時(shí)一般被稱(chēng)為高斯過(guò)程回歸（GPR）［10］。GPR是機(jī)器學(xué)習(xí)算法中的一種非參數(shù)回歸模型，常被用來(lái)處理回歸問(wèn)題和分類(lèi)問(wèn)題，其基本思想是將數(shù)據(jù)看作一個(gè)隨機(jī)函數(shù)，并假設(shè)這個(gè)隨機(jī)函數(shù)服從高斯分布。這個(gè)隨機(jī)函數(shù)可以看作是從一個(gè)無(wú)限維的高斯分布中采樣得到的。通過(guò)給定一組輸入數(shù)據(jù)和對(duì)應(yīng)的輸出數(shù)據(jù)，GPR可以對(duì)這個(gè)隨機(jī)函數(shù)進(jìn)行建模，從而對(duì)給定的輸入數(shù)據(jù)預(yù)測(cè)其對(duì)應(yīng)的輸出數(shù)據(jù)。

數(shù)據(jù)集D=xi，yini=1，xi∈Rd，yi∈R，存在著具有聯(lián)合高斯分布的集合，即

f（x）～GP［m（x），k（x，x′）］（1）

由于目標(biāo)值訓(xùn)練樣本中存在著相互獨(dú)立的高斯白噪聲ε，故GPR的一般模型表示為

y=f（x）+ε （2）

式中： y——輸出變量;

f——描述變量的潛在函數(shù)。

其中，ε～N0，σ2，fx和ε相互獨(dú)立。

從式（2）可以得到，若fx服從高斯分布，則y也服從高斯分布。因此，關(guān)于有限觀(guān)測(cè)值y的聯(lián)合分布的集合就是一個(gè)高斯過(guò)程，即

C（X，X）=K（X，X）+σ2nE（3）

式中：" E——單位矩陣;

CX，X——N×N的協(xié)方差矩陣;

KX，X——N×N的核矩陣。

在給定數(shù)據(jù)集D內(nèi)，訓(xùn)練數(shù)據(jù)的輸入、輸出為X和f，測(cè)試數(shù)據(jù)的輸入、輸出為X˙和f˙，則其聯(lián)合高斯分布可寫(xiě)為

yf˙～N0，K（X，X）K（X，X·）K（X·，X）K（X·，X·） （4）

式中： K（X·，X）——n×1維協(xié)方差函數(shù);

K（X·，X·）——測(cè)試輸入數(shù)據(jù)的自協(xié)方差函數(shù)。

其中，K（X·，X）=KT（X，X·）=［k（x1，x˙），kx2，x˙，…，kxn，x˙］T。

可得到高斯過(guò)程回歸方程，即

f˙X，y，X*～N（m˙，cov（f˙））（5）

m˙=E［f˙X，y，X］=

K（X˙，X）［K（X，X）+σ2nI］-1y （6）

cov（f˙）=K（X·，X·）-［K（X，X）+σ2nE］-1K（X，X·）（7）

式中： f˙——模型的預(yù)測(cè)值。

GPR模型由式（7）可以得到模型預(yù)測(cè)的置信水平或不確定性［11］。

GPR預(yù)測(cè)結(jié)果的準(zhǔn)確性主要由核函數(shù)決定，均值函數(shù)和協(xié)方差函數(shù)構(gòu)成核函數(shù)，其可以用來(lái)衡量各采樣點(diǎn)間的相似性和關(guān)聯(lián)性［12］。在高斯過(guò)程模型預(yù)測(cè)中，預(yù)測(cè)結(jié)果的精度可以由協(xié)方差函數(shù)決定，因此要根據(jù)數(shù)據(jù)特點(diǎn)選擇適應(yīng)性較高的核函數(shù)，不同核函數(shù)的選取會(huì)導(dǎo)致最后的結(jié)果也不同。樣本間的相關(guān)性用協(xié)方差矩陣反映。常用核函數(shù)中的一些參數(shù)被稱(chēng)為超參數(shù)，GPR建模的難點(diǎn)在于其超參數(shù)的選?。?3-14］。

1.2 麻雀搜索算法

麻雀搜索算法（SSA）是一種優(yōu)化算法［15］。SSA的原理與模型相對(duì)簡(jiǎn)單易懂，需調(diào)整的參數(shù)較少，魯棒性強(qiáng)、速度快、效果好［16］，而且容易出現(xiàn)局部最優(yōu)的狀況［17］。

相關(guān)研究表明，在麻雀種群中，麻雀的行為不是全都相同的，按照麻雀的不同行為可將其分為發(fā)現(xiàn)者和跟隨者2類(lèi)，在覓食行為中，麻雀是相當(dāng)警惕的，會(huì)根據(jù)環(huán)境調(diào)整自身位置。為了讓SSA容易理解，將某些行為進(jìn)行理想的描述，建立相應(yīng)規(guī)則并構(gòu)建數(shù)學(xué)模型。制定相關(guān)規(guī)則如下：

（1）發(fā)現(xiàn)者活力強(qiáng)，用來(lái)尋找食物來(lái)源和指出食物較多的方向。在數(shù)學(xué)模型中，能量的高低對(duì)應(yīng)著個(gè)體適應(yīng)度，適應(yīng)度決定著發(fā)現(xiàn)者的位置，通常來(lái)說(shuō)，適應(yīng)度值越小說(shuō)明該發(fā)現(xiàn)者位置越好。

（2）當(dāng)種群中的任意個(gè)體遇到危險(xiǎn)或受到驚嚇時(shí)，便會(huì)發(fā)出警報(bào)以警示其他個(gè)體。當(dāng)警報(bào)值超過(guò)安全閾值時(shí)，發(fā)現(xiàn)者將會(huì)帶領(lǐng)其他麻雀前往相對(duì)安全地方。

（3）發(fā)現(xiàn)者與跟隨者的身份可以相互轉(zhuǎn)換，但是二者比例通常保持不變。

（4）發(fā)現(xiàn)者的適應(yīng)度往往高于跟隨者，部分跟隨者會(huì)為了更高的適應(yīng)度選擇離開(kāi)。

（5）跟隨者通常跟隨著發(fā)現(xiàn)者，從后者或其附近獲得食物，而且跟隨者有一定掠奪性，會(huì)前去掠奪發(fā)現(xiàn)者食物。

（6）當(dāng)種群中的個(gè)體察覺(jué)危險(xiǎn)來(lái)臨時(shí)，種群邊緣個(gè)體會(huì)轉(zhuǎn)移到安全區(qū)域，而位于種群中間的個(gè)體會(huì)隨機(jī)移動(dòng)。

通過(guò)模擬麻雀的覓食過(guò)程［18］可以得到優(yōu)化問(wèn)題的解，可以將每只麻雀看成是在D維空間內(nèi)飛行的麻雀粒子，每只麻雀的位置可用一個(gè)D維向量表示，則第i個(gè)麻雀的位置可以表示成Xi=xi1，…，xid，…，xiD，其中i=1，2，…，N，xid表示第i個(gè)麻雀在第d維中的位置。

發(fā)現(xiàn)者的位置更新為

Xt+1i，j=Xti，j·exp－ia·imax，R2＜STXti，j+QI，R2≥ST（8）

式中： i、j——第i只麻雀和維數(shù);

X——麻雀粒子所在位置；

T、t——迭代次數(shù)和當(dāng)前迭代次數(shù);

a——0，1的隨機(jī)數(shù);

imax——常數(shù);

Q——正態(tài)分布的隨機(jī)數(shù);

R2——預(yù)警值，取值范圍為［0，1］;

ST——安全閾值，取值范圍為［0.5，1］;

I——d列矩陣，其中所有元素都為1。

跟隨者的位置為

Xt+1i，j=Q·expXtW-Xti，jR2i，m＞n2Xt+1p+Xti，j-Xt+1p·A，其他（9）

式中： Xp——發(fā)現(xiàn)者的最好位置;

XtW——第t次迭代時(shí)最差位置;

A——1×d的矩陣，滿(mǎn)足A+=ATAAT－1;

m、n——剩余麻雀數(shù)量和麻雀總數(shù)量。

當(dāng)m＞n2時(shí)，適應(yīng)度低的跟隨者將移至其他區(qū)域?qū)ふ沂澄铩?/p>

警戒者的位置為

Xt+1i，j=Xtb+β·Xti，j－Xtb，fi＞fgXti，j+K·Xti，j－Xtwfi－fw+ε0，fi=fg （10）

式中： β——標(biāo)準(zhǔn)正態(tài)分布的隨機(jī)數(shù);

fi——適應(yīng)度值;

fw、fg——最差和最好的適應(yīng)度值;

Xb——全局最優(yōu)位置;

ε0——最小常量;

K——參數(shù)，取值范圍為［-1，1］。

麻雀搜索算法流程為

（1）將種群初始化，將種群劃分為發(fā)現(xiàn)者和跟隨者，并設(shè)置迭代次數(shù)和安全閾值;

（2）更新發(fā)現(xiàn)者位置，并求解出最優(yōu)值;

（3）更新跟隨者位置;

（4）更新警戒者位置;

（5）判斷是否滿(mǎn)足停止條件，若滿(mǎn)足則停止迭代，輸出適應(yīng)度值最低的麻雀，否則，重復(fù)執(zhí)行步驟（2）～步驟（5）。

1.3 優(yōu)化GPR模型

本文利用具有優(yōu)秀全局探索能力的SSA求解GPR中的超參數(shù)，彌補(bǔ)了共軛梯度算法的不足，建立SSA-GPR模型，從而提高模型精度。

第1步，進(jìn)行數(shù)據(jù)預(yù)處理，將數(shù)據(jù)按照一定比例（本文中比例設(shè)定為4∶1）劃分為訓(xùn)練樣本和測(cè)試樣本;

第2步，對(duì)GPR模型進(jìn)行初始化;

第3步，對(duì)麻雀種群和相關(guān)參數(shù)進(jìn)行初始化，利用SSA尋找GPR中的最佳超參數(shù);

第4步，運(yùn)行優(yōu)化的GPR模型，并對(duì)其判斷精度，輸出結(jié)果即可。

優(yōu)化GPR模型流程如圖1所示。

通過(guò)模型得到預(yù)測(cè)結(jié)果后，需要對(duì)模型的精度進(jìn)行評(píng)價(jià)，采用均方根誤差eMSE、平均絕對(duì)誤差eMAE和決定系數(shù)R2對(duì)優(yōu)化高斯過(guò)程模型的精度進(jìn)行判斷。

均方根誤差可以準(zhǔn)確地顯示出模型預(yù)測(cè)值和真實(shí)值的偏離程度，計(jì)算公式為

eMSE=1n∑ni=1（yi-y′i）2（11）

式中： yi——預(yù)測(cè)值;

y′i——真實(shí)值;

n——樣本總個(gè)數(shù)。

平均絕對(duì)誤差可以很好地反映模型的整體預(yù)測(cè)性能，計(jì)算公式為

eMAE=∑ni=1（yi-y′i）n（12）

決定系數(shù)可反映模型預(yù)測(cè)值和真實(shí)值的波動(dòng)情況，其越接近于1，則模型的預(yù)測(cè)性能越優(yōu)，計(jì)算公式為

R2=1-∑ni=1（yi-y′i）2∑ni=1（yi-y—i）2（13）

2 異常狀態(tài)檢測(cè)方法

利用SCADA系統(tǒng)監(jiān)測(cè)得到的數(shù)據(jù)對(duì)風(fēng)電機(jī)組的工作狀況進(jìn)行監(jiān)控，并通過(guò)對(duì)數(shù)據(jù)的分析判斷機(jī)組是否存在故障。風(fēng)電機(jī)組功率曲線(xiàn)反映風(fēng)速和功率之間的關(guān)系，可以利用其對(duì)風(fēng)電機(jī)組的運(yùn)行狀態(tài)進(jìn)行監(jiān)測(cè)和性能評(píng)估。風(fēng)電機(jī)組異常狀態(tài)種類(lèi)如表1所示。

2.1 動(dòng)態(tài)閾值的設(shè)定

在風(fēng)電機(jī)組的異常狀態(tài)識(shí)別中，設(shè)定閾值是目前較為常用的一種手段。閾值的設(shè)定會(huì)直接影響對(duì)風(fēng)電機(jī)組狀態(tài)識(shí)別的準(zhǔn)確性，甚至?xí)?dǎo)致風(fēng)電機(jī)組發(fā)生誤報(bào)和漏報(bào)。常用的閾值設(shè)定方式是設(shè)定固定的閾值，但是風(fēng)電機(jī)組運(yùn)行前后相互影響，固定的閾值并無(wú)法準(zhǔn)確地衡量風(fēng)電機(jī)組的運(yùn)行狀態(tài)。故采用滑動(dòng)窗口設(shè)定動(dòng)態(tài)閾值，合理選擇滑動(dòng)窗口的寬度，既可以反映狀態(tài)指標(biāo)的變化趨勢(shì)，又可以消除偶然誤差帶來(lái)的影響，提高模型的準(zhǔn)確率。風(fēng)電機(jī)組閾值設(shè)計(jì)方案如圖2所示。

圖2中，l表示滑動(dòng)窗口的長(zhǎng)度，d表示滑動(dòng)窗口的每次移動(dòng)量，tk表示滑動(dòng)窗口的時(shí)間序列。

狀態(tài)評(píng)估閾值的具體設(shè)定可以分為以下5步。

（1）設(shè)置窗口大小l。根據(jù)K-S檢驗(yàn)原則，如果2個(gè)數(shù)據(jù)集檢驗(yàn)的k＞0.05，則認(rèn)為2個(gè)數(shù)據(jù)集分布規(guī)律相同。首先，按照時(shí)間序列從數(shù)據(jù)集中框選的長(zhǎng)度為N，然后向右不斷增大Ｎ的長(zhǎng)度，直到k＞0.05時(shí)，選取的滑動(dòng)窗口的大小N就是最終設(shè)置的窗口l。

（2）設(shè)置滑動(dòng)窗口的增量d。在設(shè)置滑動(dòng)窗口增量時(shí)，d值過(guò)大會(huì)降低故障預(yù)警的靈敏度，d值過(guò)小會(huì)導(dǎo)致頻繁計(jì)算浪費(fèi)系統(tǒng)的資源，同時(shí)可能會(huì)產(chǎn)生誤報(bào)的情況。本章的SCADA系統(tǒng)的采樣間隔為10 min，經(jīng)過(guò)實(shí)驗(yàn)設(shè)置其滑動(dòng)窗口的增量為10，即每100 min向后滑動(dòng)窗口。

（3）閾值的設(shè)定。根據(jù)確定的滑動(dòng)窗口l，框選出在i時(shí)刻的數(shù)據(jù)集為zk－1，zK－l+1，…，zK。由于風(fēng)電機(jī)組前后運(yùn)行狀態(tài)相互關(guān)聯(lián)，在設(shè)置動(dòng)態(tài)閾值時(shí)要充分考慮前一段時(shí)間殘差的變化情況。本文所設(shè)定0閾值為

∑it=i－lΔyl+K（14）

式中： Δy——t時(shí)刻的殘差值;

K——通過(guò)核概率密度估計(jì)法得到的異常狀態(tài)閾值。

選用核密度估計(jì)法對(duì)狀態(tài)指標(biāo)的分布特征進(jìn)行分析確定固定閾值K。

（4）按照滑動(dòng)窗口的增量d移動(dòng)滑動(dòng)窗口，根據(jù)步驟（3）設(shè)置新的閾值。

（5）重復(fù)步驟（3）得到所有時(shí)刻的閾值，連接起來(lái)擬合出動(dòng)態(tài)閾值圖。

2.2 建立基于SSA-GPR的風(fēng)電機(jī)組運(yùn)行狀態(tài)監(jiān)測(cè)模型

（1）數(shù)據(jù)選擇。從SCADA數(shù)據(jù)中選取風(fēng)電機(jī)組的原始運(yùn)行數(shù)據(jù)。

（2）數(shù)據(jù)預(yù)處理。對(duì)機(jī)組異常狀態(tài)下的數(shù)據(jù)進(jìn)行識(shí)別并清除。

（3）模型參數(shù)確定。確定狀態(tài)監(jiān)測(cè)模型的輸入輸出，對(duì)步驟（2）得到的數(shù)據(jù)進(jìn)行相關(guān)性分析，選取相關(guān)性大的參數(shù)作為模型的輸入。

（4）數(shù)據(jù)處理。根據(jù)風(fēng)速大小將樣本劃分為12個(gè)區(qū)間，得到樣本數(shù)據(jù)總共為2 846×7組。其中數(shù)字7表示模型的6維輸入量和1維輸出量。按照一定比例（4∶1）將數(shù)據(jù)劃分為訓(xùn)練樣本和測(cè)試樣本。

（5）GPR參數(shù)優(yōu)化。通過(guò)SSA優(yōu)化GPR中的最佳超參數(shù);

（6）模型訓(xùn)練。根據(jù)SCADA機(jī)組常態(tài)數(shù)據(jù)進(jìn)行模型訓(xùn)練，得到固定閾值。

（7）預(yù)測(cè)模型應(yīng)用。利用實(shí)際SCADA數(shù)據(jù)對(duì)模型進(jìn)行驗(yàn)證。

3 實(shí)例分析與驗(yàn)證

3.1 數(shù)據(jù)預(yù)處理及參數(shù)確定

依托于某風(fēng)電場(chǎng)指定機(jī)型24臺(tái)風(fēng)電機(jī)組，選取其中1臺(tái)機(jī)組2021年1月1日00∶00至12月31日24∶00的SCADA系統(tǒng)儲(chǔ)存目錄下所記錄的10 min平均風(fēng)速輸出功率數(shù)據(jù)。16號(hào)機(jī)組原始數(shù)據(jù)散點(diǎn)圖如圖3所示。為了確保功率曲線(xiàn)可以準(zhǔn)確地反映風(fēng)電機(jī)組運(yùn)行工作特性，先對(duì)SCADA數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理。異常數(shù)據(jù)識(shí)別后的散點(diǎn)圖如圖4所示。

如果將風(fēng)電機(jī)組SCADA數(shù)據(jù)中的所有參量都作為輸入量，不但會(huì)大大提高模型的復(fù)雜程度，增加計(jì)算時(shí)間，而且會(huì)導(dǎo)致部分參數(shù)與輸出參數(shù)之間相關(guān)度較低，可能呈現(xiàn)不相關(guān)甚至是負(fù)相關(guān)的關(guān)系，導(dǎo)致模型的精度不夠，從而對(duì)機(jī)組的狀態(tài)檢測(cè)結(jié)果產(chǎn)生偏差，因此需要選取機(jī)組數(shù)據(jù)的特征。

3.1.1 皮爾遜相關(guān)系數(shù)

19世紀(jì)80年代，Karl Person提出的皮爾遜相關(guān)系數(shù)r被廣泛用于衡量變量間的線(xiàn)性相關(guān)程度，其基本公式為

r=∑Ni=1（Xi-X—）（Yi-Y—）∑Ni=1（Xi-X）2∑Ni=1（Yi-Y—）2 （15）

式中： N——數(shù)據(jù)長(zhǎng)度。

其中，X={X1，X2，…，XN}，Y={Y1，Y2，…，YN}。

3.1.2 斯皮爾曼相關(guān)系數(shù)

1904年，Charles Spearman提出斯皮爾曼等級(jí)相關(guān)系數(shù)，是等級(jí)變量之間的皮爾遜相關(guān)系數(shù)。需要先將原始數(shù)據(jù)按照數(shù)據(jù)大小排列為等級(jí)數(shù)據(jù)，然后計(jì)算等級(jí)數(shù)據(jù)的皮爾遜相關(guān)系數(shù)，即可得到斯皮爾曼等級(jí)相關(guān)系數(shù)ρx，y，數(shù)學(xué)計(jì)算公式為

ρx，y=∑Ni=1（x-x—）（y-y—）∑Ni=1（x-x—）2∑Ni=1（y-y—）2（16）

式中： x、y——X和Y的等級(jí)數(shù)據(jù);

x—、y———數(shù)據(jù)等級(jí)的均值。

皮爾遜相關(guān)系數(shù)僅適用于連續(xù)、正態(tài)分布且具有線(xiàn)性關(guān)系的數(shù)據(jù)集。斯皮爾曼相關(guān)系數(shù)的適用范圍比皮爾遜相關(guān)系數(shù)要大，其不用考慮變量的總體分布形態(tài)、樣本容量，只要滿(mǎn)足單調(diào)關(guān)系即可使用。二者的取值范圍都為［-1，1］，絕對(duì)值越接近1說(shuō)明參數(shù)間的相關(guān)性越大［19］。

該機(jī)組歷史SCADA數(shù)據(jù)經(jīng)過(guò)預(yù)處理后分析得到機(jī)組狀態(tài)參數(shù)間的相關(guān)系數(shù)。相關(guān)系數(shù)如表2所示。由表2可知，選取發(fā)電機(jī)轉(zhuǎn)速、槳距角、風(fēng)速、葉尖速比、風(fēng)能利用系數(shù)作為模型的輸入?yún)⒘浚?0-21］。此外，偏航誤差在實(shí)際運(yùn)行中也會(huì)影響到機(jī)組發(fā)電量，故將其也作為模型的輸入量。

選擇機(jī)組在2022年7月正常狀態(tài)運(yùn)行下的SCADA數(shù)據(jù)，建立機(jī)組常態(tài)狀態(tài)下GPR模型。首先將機(jī)組運(yùn)行數(shù)據(jù)按上述異常數(shù)據(jù)識(shí)別方法進(jìn)行預(yù)處理，得到機(jī)組實(shí)際功率曲線(xiàn)，其中風(fēng)速波動(dòng)為3～15 m/s，根據(jù)風(fēng)速大小將樣本劃分為12個(gè)區(qū)間，得到樣本數(shù)據(jù)總共為2 846×7組。其中數(shù)字7表示模型的6維輸入量和1維輸出量。按照一定比例（4∶1）將數(shù)據(jù)劃分為訓(xùn)練樣本和測(cè)試樣本，最終選取訓(xùn)練樣本為2 277×7組，測(cè)試樣本為570×7組。采用GPR模型和SSA-GPR模型對(duì)功率進(jìn)行預(yù)測(cè)。預(yù)測(cè)結(jié)果如圖5所示。

將GPR模型和SSA-GPR的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，預(yù)測(cè)結(jié)果對(duì)比分析如表3所示。由表3可知，SSA-GPR模型的均方根誤差和平均絕對(duì)誤差均小于GPR模型，決定系數(shù)也更加接近于1，說(shuō)明優(yōu)化后的模型預(yù)測(cè)的準(zhǔn)確度更高。

設(shè)定95%的置信區(qū)間，誤差直方圖和概率密度圖如圖6所示。由圖6可知，概率密度為95%時(shí)對(duì)應(yīng)狀態(tài)指標(biāo)的K值為1.216。

3.2 風(fēng)電機(jī)組運(yùn)行狀態(tài)監(jiān)測(cè)

為驗(yàn)證提出的風(fēng)電機(jī)組異常狀態(tài)監(jiān)測(cè)模型的有效性，選取機(jī)組異常運(yùn)行狀態(tài)下數(shù)據(jù)進(jìn)行驗(yàn)證。查閱風(fēng)場(chǎng)運(yùn)維日志發(fā)現(xiàn)，該臺(tái)機(jī)組在2022年8月28日06∶40由于偏航潤(rùn)滑系統(tǒng)油位低報(bào)警停機(jī)檢修，經(jīng)維修后于90 min后即恢復(fù)運(yùn)行。提取機(jī)組的數(shù)據(jù)進(jìn)行分析，為直觀(guān)地體現(xiàn)機(jī)組運(yùn)行狀態(tài)的變化，選取風(fēng)速、功率繪制時(shí)序圖。風(fēng)速、功率時(shí)序圖如圖7所示。當(dāng)機(jī)組正常運(yùn)行情況下，風(fēng)速小于切入風(fēng)速時(shí)機(jī)組處于停機(jī)階段，而在圖7中放大區(qū)域，風(fēng)速均在切入風(fēng)速以上，但由于機(jī)組出現(xiàn)問(wèn)題導(dǎo)致機(jī)組停機(jī)。

將故障發(fā)生前后2天數(shù)據(jù)作為樣本，輸入已經(jīng)訓(xùn)練好的優(yōu)化GPR模型中，得到相關(guān)結(jié)果圖。模型擬合程度如圖8所示;SSA適應(yīng)度曲線(xiàn)如圖9所示;輸出功率實(shí)際值與預(yù)測(cè)值如圖10所示;測(cè)試數(shù)據(jù)的殘差值如圖11所示;狀態(tài)監(jiān)測(cè)圖如圖12所示。

由圖8可知，本文提出的模型輸出值與目標(biāo)值擬合程度R為0.996 31，幾乎接近于1，表明該狀態(tài)模型可以得到較好的預(yù)測(cè)結(jié)果，預(yù)測(cè)精度較為理想。

由圖9可知，對(duì)于輸入的數(shù)據(jù)集，從第8次迭代開(kāi)始適應(yīng)度便穩(wěn)定，說(shuō)明優(yōu)化高斯過(guò)程模型的麻雀搜索算法非常容易收斂。

由圖12可知，當(dāng)殘差值低于閾值時(shí)結(jié)合風(fēng)速、功率時(shí)序圖得知機(jī)組狀態(tài)良好，在第172個(gè)樣本點(diǎn)即8月28日04：40開(kāi)始，狀態(tài)指標(biāo)快速上升，于第173個(gè)樣本點(diǎn)后功率殘差值持續(xù)超過(guò)閾值上限，表明該風(fēng)電機(jī)組出現(xiàn)了異常。通過(guò)與實(shí)際運(yùn)行情況進(jìn)行對(duì)比發(fā)現(xiàn)，風(fēng)電機(jī)組于2022年8月28日06：40出現(xiàn)異常狀況，該模型的預(yù)測(cè)結(jié)果比實(shí)際情況提前120 min，從而實(shí)現(xiàn)了對(duì)風(fēng)電機(jī)組異常狀態(tài)的識(shí)別，并且發(fā)現(xiàn)狀態(tài)時(shí)間早于記錄時(shí)間，更有利于工作人員盡早做出判斷，減少損失。

4 結(jié) 語(yǔ)

為提升復(fù)雜環(huán)境下風(fēng)電機(jī)組的穩(wěn)定性和安全性，本文開(kāi)展了基于SCADA數(shù)據(jù)對(duì)風(fēng)機(jī)運(yùn)行狀態(tài)識(shí)別技術(shù)的研究，提出基于SSA-GPR模型的風(fēng)電機(jī)組狀態(tài)識(shí)別方法。取得的主要結(jié)論如下。

（1）為了實(shí)現(xiàn)對(duì)輸出功率的預(yù)測(cè)，本文提出基于GPR模型的方法，利用具有優(yōu)秀全局探索能力的SSA求解GPR中的超參數(shù)，彌補(bǔ)了共軛梯度算法的不足，從而提高模型精度。實(shí)例表明，SSA-GPR模型可以有效預(yù)測(cè)機(jī)組輸出功率。

（2）本文利用皮爾遜相關(guān)系數(shù)和斯皮爾曼相關(guān)系數(shù)綜合考量得到與機(jī)組輸出功率較為相關(guān)的狀態(tài)參數(shù)，將發(fā)電機(jī)轉(zhuǎn)速、槳距角、風(fēng)速、葉尖速比、風(fēng)能利用系數(shù)作為模型輸入量。利用機(jī)組正常運(yùn)行狀態(tài)下的參數(shù)，建立常態(tài)回歸模型，實(shí)時(shí)計(jì)算重構(gòu)誤差，通過(guò)實(shí)時(shí)監(jiān)測(cè)預(yù)測(cè)功率殘差值是否超過(guò)故障閾值來(lái)判斷機(jī)組狀態(tài)。在設(shè)定閾值時(shí)，針對(duì)固定閾值的模型主觀(guān)性強(qiáng)、泛化能力弱等問(wèn)題設(shè)計(jì)了動(dòng)態(tài)閾值的方案。實(shí)例分析表明，本文所提的方法可以有效分析與預(yù)警機(jī)組狀態(tài)。

【參 考 文 獻(xiàn)】

［1］ CHEN X， YAN R， LIU Y， et al. Wind turbine condition monitoring and fault diagnosis in China［J］. IEEE Instrumentation amp; Measurement Magazine，2016，19（2）：22-28.

［2］ PEI Y， QIAN Z， JING B， et al. Data-driven method for wind turbine yaw angle sensor zero-point shifting fault detection［J］. Energies，2018，11（2）：553-567.

［3］ 楊天玥，趙麗軍，徐健，等.基于混合Copula函數(shù)的風(fēng)電機(jī)組異常識(shí)別方法［J］.電氣開(kāi)關(guān)，2021，59（2）：26-31.

［4］ 郭瑩瑩，張磊，肖成，等.基于改進(jìn)深度森林算法的風(fēng)電機(jī)組故障診斷技術(shù)研究［J］.可再生能源，2019，37（11）：1720-1725.

［5］ WANG Y， HU Q， LI L， et al.Approaches to wind power curve modeling：a review and discussion［J］.Renewable and Sustainable Energy Reviews，2019（116）：109422.

［6］ 饒雷，何璇，吳沁，等.基于改進(jìn)DS證據(jù)理論的海上風(fēng)電機(jī)組變槳系統(tǒng)健康狀態(tài)評(píng)估方法［J］.船舶工程，2022，44（S2）：20-26.

［7］ 龐艷華.基于SCADA數(shù)據(jù)時(shí)空特征挖掘的直驅(qū)風(fēng)電機(jī)組故障診斷［D］.秦皇島：燕山大學(xué)，2021.

［8］ 周全.基于RBF神經(jīng)網(wǎng)絡(luò)的海上風(fēng)電機(jī)組多部件狀態(tài)預(yù)警研究［D］.上海：上海電力大學(xué)，2022.

［9］ MICHAEL D， VERHOEF J M， FUENTES C， et al. A linear mixed model formulation for spatio-temporal random processes with computational advances for the product-sum and product-sum covariance functions［J］.Spatial Statistics，2021，43（5）：100510-100530.

［10］ DUAN G， MIAO J， HUANG T， et al. A relational adaptive neural model for joint entity and relation extraction［J］. Frontiers in Neurorobotics，2021，15（1）：635480-635492.

［11］ 李軍，杜雪.稀疏高斯過(guò)程在短期風(fēng)電功率概率預(yù)測(cè)中的應(yīng)用［J］.電機(jī)與控制學(xué)報(bào)，2019，23（8）：67-77.

［12］ 李超然，肖飛，樊亞翔，等.基于高斯過(guò)程回歸的鋰電池SOC估算方法［J］.海軍工程大學(xué)學(xué)報(bào)，2021，33（1）：55-59.

［13］ 朱亞玲.基于改進(jìn)高斯過(guò)程回歸的負(fù)荷預(yù)測(cè)模型研究［D］.淄博：山東理工大學(xué)，2022.

［14］ CHEN Z， WANG B. How priors of initial hyperparameters affect Gaussian process regression model［J］. Neurocomputing，2018（275）：1702-1710.

［15］ 姚之琳.基于高斯過(guò)程回歸的分層注水量預(yù)測(cè)研究［D］.哈爾濱：哈爾濱理工大學(xué)，2020.

［16］ XUE J K， SHEN B. A novel swarm intelligence optimization approach： sparrow search algorithm［J］. System Science and Control Engineering，2020，8（1）：22-34.

［17］ 薛建凱.一種新型的群智能優(yōu)化技術(shù)的研究與應(yīng)用［D］.上海：東華大學(xué)，2020.

［18］ 徐鵬飛.基于麻雀搜索算法的改進(jìn)研究與應(yīng)用［D］.重慶：西南大學(xué)，2022.

［19］ 贠濤，張金倩楠，李?yuàn)檴?，?基于斯皮爾曼系數(shù)和多層感知機(jī)的專(zhuān)家評(píng)審行為分析評(píng)估方法探究［J］.科技通報(bào)，2022，38（5）：107-112.

［20］ 田艷豐，王順，王哲，等.基于粒子群算法改進(jìn)極限學(xué)習(xí)機(jī)的風(fēng)電功率短期預(yù)測(cè)［J］.電器與能效管理技術(shù)，2022（3）：39-44.

［21］ 張留生，謝震，許可寶，等.基于超速和變槳優(yōu)化協(xié)調(diào)的雙饋風(fēng)電機(jī)組一次調(diào)頻控制［J］.電器與能效管理技術(shù)，2021（10）：18-27.

收稿日期： 20231025