基于改進融合的大型風力發電機組運行狀態檢測研究

鄧森 胡從星 梁太陽 楊朋雨 馬先松

摘 要：為解決傳統的大型風力發電機設備運行狀態檢測方法效果不佳的問題，設計了基于多特征融合的大型風力發電機設備運行狀態檢測方法。通過計算提取出的運行狀態數據集的多個數據特征，并計算不同特征的權重值，實現數據的多特征融合，并對其進行特征分類。通過計算運行狀態數據的偏離閾值和檢測閾值，完成對設備運行狀態的檢測。實驗結果表明，和以往的大型風力發電機設備運行狀態檢測方法相比，設計的基于多特征融合的大型風力發電機設備運行狀態檢測方法在實際應用中ROC曲線面積較大，檢測效果較好。

關鍵詞：多特征融合；大型風力發電機設備；運行狀態；檢測方法

中圖分類號：TM614

文獻標志碼：A文章編號：1001-5922（2024）03-0169-04

Research on the detection of the operating state of large-scale wind turbines based on improved fusion

DENG Sen，HU Congxing，LIANG Taiyang，YANG Pengyu，MA Xiansong （State Power Investment Corporation Jiangsu Electric Power Co.，Ltd.，Nanjing 210000，China）

Abstract：In order to solve the problem of poor effect of traditional large-scale wind turbine equipment operation state detection methods，a large-scale wind turbine equipment operation state detection method based on multi-feature fusion was designed.By calculating the multiple data features of the extracted running state dataset and calculating the weight values of different features，the multi-feature fusion of the data is realized and the features are classified.By calculating the deviation threshold and detection threshold of the operating status data，the detection of the device's operating status was completed.The experimental results showed that compared with previous methods for detecting the operating status of large wind turbine equipment，the designed method based on multi feature fusion for detecting the operating status of large wind turbine equipment had a larger ROC curve area and better detection effect in practical applications.

Key words：Multi feature fusion;large scale wind turbine equipment;equipment operating status;status detection;detection method

大型風力發電機組設備常用的狀態檢測方法往往基于單一特征，難以全面、準確地反映設備的工作狀態。因此，不少學者針對此展開了研究，如對醫療設備的運行數據進行收集，并從中提取多個數據特征，將多個數據進行融合，從中篩選出異常的狀態數據，從而實現對異常狀態數據的檢測［1］。對獲取的工控設備運行數據進行標準化計算，并利用數據挖掘和關聯分析，確定其關鍵特征，由此實現對異常數據的檢測［2］。將獲取的光伏電站電氣設備運行數據作為基礎，構建數據集，利用數據融合技術整合多種特征數據，以便對運行數據進行異常檢測［3］。

在上述研究的基礎上，研究設計了基于多特征融合的大型風力發電機設備運行狀態檢測方法。由此實現對大型風力發電機設備運行狀態的檢測。

1 大型風力發電機組設備運行狀態檢測方法設計

1.1 構建大型風力發電機組設備運行狀態數據集

為實現對大型風力發電機組設備運行狀態的檢測，需要先對大型風力發電機組設備的運行狀態進行數據采集，并由此構建相應的數據集。在進行數據采集的過程中，利用傳感器和設備監控系統實時監測大型風力發電機組設備的運行狀態，并收集必要的數據，如風速、風向、溫度、壓力等多種類型的運行狀態數據。將采集的多種運行狀態數據作為基礎，針對不同類型運行狀態數據出現的問題，對其進行數據預處理，進一步提高數據的質量［6］。在進行數據預處理的過程中，需要先對其進行數據清洗。在數據清洗的過程中，需要根據實際情況，篩選出和風力發電機組設備運行狀態相關的數據，并對其中不相關的數據進行刪除和忽略。同時，檢查數據的完整性，對于缺失數據需要進行填充［7］。其具體填充過程如下所示：

a=xa－1+xa+12×xa－1+xa+1（1）

式中：a表示計算出的數據填充值；xa－1、xa+1分別表示缺失值前后的數據值。

通過上述公式，計算出對應的數據填充值，將該填充值作為基礎，對缺失的數據進行填充。同時在上述基礎上，還需要修正異常值來提高數據質量，其修正處理的具體計算過程如下所示：

x′=x1×γ1+x2×γ2+…+xn×γnγ1+γ2+…+γn（2）

式中：x′表示數據的修正結果；x1、x2、…、xn表示數據的原始值；γ1、γ2、…、γn分別表示對應原始值的權重值。

考慮到采集的大型風力發電機設備運行狀態數據類型不一致，所處的維度也不一樣，這會給后續的計算帶來較大的壓力，因此，對其進行歸一化處理，將不同維度的數據轉換成統一維度，以便更好地進行數據優化和處理［9］。數據歸一化處理的具體過程如下所示：

y=（ymax－ymin）×（xmax－xmin）xmax－xmin+ymin（3）

式中：y表示數據歸一化處理的結果；xmin表示采集的運行狀態數據的最小值；xmax表示采集的運行狀態數據最大值；ymin表示同一維度下運行狀態數據的最小值；ymax表示同一維度下運行狀態數據的最大值。

通過上述對運行狀態數據的填充、修正和歸一化處理，提高了數據的質量，并將處理結果作為基礎，構建大型風力發電機組設備運行狀態數據集，為后續進行設備運行狀態評估奠定基礎［10］。

1.2 基于多特征融合的設備運行狀態特征分類

將上述構建的運行狀態數據集作為基礎，在多特征融合的基礎上，對設備運行狀態進行特征分類。多特征融合作為一種有效的識別方法，能夠綜合利用多種數據特征，實現對不同特征的優勢互補，從而更好實現對目標的檢測［11］。在設計中，利用多特征融合的特征分類的具體過程如圖1所示。

如圖1所示，在上述分類器的設計過程中，將構建的風力發電機組設備運行狀態數據集作為基礎，首先對其進行特征提取，提取的數據特征包括但不限于設備的風速和風向、設備溫度、設備振動和聲音、電力參數等多個特征。然后將提取的數據特征作為基礎，通過計算不同數據特征的權重值，將多個數據特征進行融合，根據融合，對其進行分類，由此實現對運行狀態特征的分類處理［12］。在上述過程中，提取風力發電機組設備運行狀態數據特征的具體過程如下所示：

g=exp（－（pΔr）22σ2（qΔφ））

Δr=2πL

Δφ=πL（4）

式中：g表示提取出的設備運行狀態特征；p、q分別表示特征參數；Δr、Δφ分別表示數據的特征值；σ表示運行狀態數據的方差；L表示數據模態值。

利用上述公式，提取出風力發電機組多個數據特征，將提取的數據特征作為基礎，計算對應特征的權重值，由此對多個特征進行融合［13］。其多特征融合的計算過程如下所示：

w（t，d）=w1（t，d）×w2（t）

w（t+1）=w（t）+α×（y－y^）×x×g

G=∑ni=1w（i）×g（i）n

（5）

式中：w（t，d）表示計算出的初始特征權重值；w1（t，d）表示當前特征出現的頻率；w2（t）表示當前特征的激活函數；w（t+1）表示當前計算出的特征權重值；w（t）表示上一次迭代中計算出的特征權重值；α表示特征權重值更新的速度；y表示實際的輸出結果；y^表示預測的輸出結果；x表示輸入的特征值；G表示多特征融合的結果；n表示風力發電機設備運行狀態數據的特征。

在上述的基礎上，對融合后的特征進行分類處理。在分類過程中，根據上述計算出的特征融合結果的特征值來進行分類。依據特征值的大小，將運行狀態數據劃分為多個類別，為后續檢測大型風力發電機設備運行狀態奠定基礎［14］。

1.3 檢測大型風力發電機設備運行狀態

在檢測過程中，需要根據大型風力發電機設備的實際運行情況，計算風力發電機組設備運行過程中的的偏離閾值［15］。其具體計算過程如下：

Xi=∑Ni=1εiN

λ=±kiXi（6）

式中：Xi表示風力發電機組設備運行過程中的殘差均值；εi表示風力發電機組設備運行狀態評估值；N表示風力發電機組設備運行狀態數據的數量；λ表示計算的偏離閾值；ki表示偏離系數。

在上述基礎上，計算對風力發電機組設備運行狀態的檢測閾值，其具體計算過程如下所示：

Sn=∑Ni=0aiyn－1－yn－1^212λ（7）

式中：Sn表示計算出的檢測閾值；ai表示對應的檢測參數；yn－1表示實際的檢測誤差；yn－1^表示預測的檢測誤差。

根據檢測閾值的大小，判斷當前風力發電機組設備的運行狀態。若檢測閾值的大小遠超標準值，則說明當前風力發電機組設備的運行狀態出現了異常，需要及時采取對應的措施，保證風力發電機組設備的正常運行，由此，實現對風力發電機組設備運行狀態的檢測。

2 實驗測試

為提高實驗結果的可信度，將本文設計的方法與以往的檢測方法進行對比。所設計的基于多特征融合的大型風力發電機組設備運行狀態檢測方法為方法1，基于決策樹算法的大型風力發電機組設備運行狀態檢測方法為方法2，基于可視化技術和機器學習的大型風力發電機組設備運行狀態檢測方法為方法3。為對比上述三種方法在實際應用中的效果，設計的實驗具體如下。

2.1 實驗準備

實驗中，以某大型風力發電場作為實驗場地，以該場地中的風力發電機組設備為實驗對象，利用相關設備構建對應的實驗環境，實驗環境如圖2所示。

由圖2可知，在上述實驗環境中，利用多個傳感器和監測器實時監測風力發電機組設備的運行狀態，這些設備能夠準確采集設備在運行過程中的風速、振動、噪聲等多種參數的變化。再利用數據存儲器將采集到的運行狀態數據存儲起來，用于后續實驗測試。同時，數據存儲器還能對存儲的數據進行預處理，去除數據中的干擾，提高數據的質量，保證實驗效果。在上述過程中，采集的大型風力發電機組設備運行狀態數據具體如圖3所示。

由圖3可以觀察到，風力發電機設備的風速和轉速基本保持不變，波動較小。由此可見，風力發電機設備的運行狀態較為穩定。同時，從風力發電機設備的溫度變化來看，風力發電機設備所處的環境溫度會對設備本身的溫度變化造成一定影響。從上述采集的噪聲數據來看，其噪聲變化基本維持在同一范圍內。對上述數據進行預處理，并將處理后的數據用于后續實驗測試。

2.2 實驗結果討論

為驗證上述3種方法在實際應用中的效果，以方法的ROC曲線為評價指標，對比3種方法的性能。ROC曲線的面積越大，方法的檢測效果越好。實驗中，利用3種方法分別對某風力發電場的多個風力發電機組設備的運行狀態進行檢測，統計其檢測結果。其具體檢測結果如圖4所示。

由圖4可知，在上述檢測結果中可以看出，方法1的ROC曲線面積遠大于方法2和方法3。由此可見，方法1的檢測效果較好。

為進一步驗證上述3種方法在實際應用中的效果，以方法檢測閾值與實際值之間的擬合度為評價指標，對比3種方法的性能。其具體的統計結果如表1所示。

由表1的結果可知，方法1的擬合度高于方法2和方法3。由此可知，相對于方法2和方法3，方法1的檢測閾值和實際結果更為貼近，能夠更為真實地反映風力發電機組設備的運行狀態。

3 結語

綜上所述，基于多特征融合的大型風力發電機組設備運行狀態檢測方法是一種有效的手段，通過對風速、溫度、濕度、振動、噪聲和轉速等特征的融合和分析，具備精準檢測設備運行狀態的能力，能夠及時識別潛在故障和異常情況，為設備的維護和管理提供有力的支持。同時，該方法還具有實時性強、可解釋性好、魯棒性高等優點，能夠滿足實際應用的需求。

【參考文獻】

［1］

吳昊，林建陽.基于可視化和數據融合的醫療設備異常運行狀態檢測方法［J］.科技通報，2022，38（11）：37-40+45.

［2］ 趙明明，司紅星，劉潮.基于數據挖掘與關聯分析的工控設備異常運行狀態自動化檢測方法分析［J］.信息安全與通信保密，2022（4）：2-10.

［3］ 吳悅，張忠會，游志剛，等.基于可視化和數據融合的光伏電站電氣設備異常運行狀態檢測方法［J］.制造業自動化，2021，43（9）：16-19+55.

［4］ 王碩，謝遠森，張群安，等.Impala快速查詢技術在配電網設備運行狀態檢測中的應用［J］.自動化技術與應用，2022，41（8）：122-125.

［5］ 劉立，豐洪才，黃清.基于多特征融合的水果病蟲害知識視頻鏡頭檢測算法［J］.湖北農業科學，2022，61（20）：195-203.

［6］ 李卓，覃啟銘，林其友，等.基于分層聚類算法的避雷器運行狀態檢測方法［J］.電子設計工程，2022，30（21）：122-126.

［7］ 王方順，張崟.基于能量累積多特征融合的機場跑道異物檢測算法研究［J］.新技術新工藝，2021（11）：71-74.

［8］ 羅思洋，龍華，邵玉斌，等.噪聲環境下多特征融合的語音端點檢測方法［J］.云南大學學報（自然科學版），2021，43（4）：671-680.

［9］ 梁元輝，吳清樂，曹立佳.基于多特征融合的眼睛狀態檢測算法研究［J］.計算機技術與發展，2021，31（2）：97-100.

［10］ 黃鶴鳴.基于兩階段數據驅動模型的雙饋發電機異常運行狀態檢測方法［J］.直升機技術，2023（2）：11-21.

［11］ 楊鵬舉，王濤云，楊恒，等.基于多模型融合的分布式光電儀器突變狀態智能檢測方法模型［J］.自動化與儀器儀表，2023（5）：106-109.

［12］ 朱振宇，高德欣.基于CNN-BiLSTM網絡的鋰離子電池健康狀態檢測方法［J］.電子測量技術，2023，46（3）：128-133.

［13］ 盛劍橋，方圓，張亮，等.粒子群算法優化SVM的無線網絡安全狀態檢測方法［J］.自動化技術與應用，2022，41（12）：55-58.

［14］ 王定發.基于線纜狀態數據的特征集成及異常信息自動檢測技術［J］.粘接，2023，50（5）：188-192.

［15］ 杜濤，王朝龍，朱靖，等.基于聚類算法的變壓設備運行數據監測與異常檢測技術［J］.粘接，2022，49（12）：137-140.

收稿日期：2023-11-29；修回日期：2024-02-25

作者簡介：鄧 森（1969-），男，碩士，高級工程師，主要從事電力系統通訊與電氣工程自動化研究；E-mail：913397092@qq.com。

基金項目：浙江省科技廳“尖兵”“領雁”研發攻關計劃項目（項目編號：2022C01SA371625）。

引文格式：

鄧 森，胡從星，梁太陽，等.

基于改進融合的大型風力發電機組運行狀態檢測研究［J］.粘接，2024，51（3）：169-172.