基于神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電機(jī)組狀態(tài)監(jiān)測(cè)的研究

基于神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電機(jī)組狀態(tài)監(jiān)測(cè)的研究姓名：宋谷月導(dǎo)師：2013.3.151研究背景1研究?jī)?nèi)容2基于粗糙集和遺傳算法的屬性約簡(jiǎn)3基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)狀態(tài)監(jiān)測(cè)模型4本課題創(chuàng)新點(diǎn)5工作展望6答辯內(nèi)容2研究背景風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)的必要性風(fēng)力發(fā)電廠檢修、運(yùn)維費(fèi)用的增加，使得風(fēng)場(chǎng)總體收入下滑，直接影響了世界各國(guó)對(duì)風(fēng)力發(fā)電行業(yè)的投資比例。因此，實(shí)時(shí)了解風(fēng)電機(jī)組各部件的運(yùn)行狀態(tài)，及時(shí)發(fā)現(xiàn)各部件的異常情況和故障隱患具有重要意義。對(duì)風(fēng)電機(jī)組進(jìn)行狀態(tài)監(jiān)測(cè)，一方面可以預(yù)知機(jī)組故障，另一方面，使機(jī)組發(fā)電功率達(dá)到最優(yōu)化。因此，大力發(fā)展風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)技術(shù)顯得尤為重要。3研究?jī)?nèi)容一、基于粗糙集和遺傳算法的屬性約簡(jiǎn)由于在建立機(jī)組各部件重要測(cè)量參數(shù)的預(yù)測(cè)模型時(shí)，該測(cè)量參數(shù)預(yù)測(cè)模型的輸入變量集的確定，是建立其準(zhǔn)確模型的關(guān)鍵，因此，預(yù)測(cè)模型輸入變量集的確定是影響預(yù)測(cè)模型精度的重要因素。本文首先采用改進(jìn)的貪心算法將連續(xù)屬性進(jìn)行離散化處理，在離散化的過(guò)程中，可以約簡(jiǎn)掉部分對(duì)預(yù)測(cè)量不發(fā)生影響的屬性。然后再利用遺傳算法與粗糙集理論相結(jié)合的方法進(jìn)行屬性約簡(jiǎn)，最終得到對(duì)預(yù)測(cè)量影響較大的屬性集。4研究?jī)?nèi)容二、基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)狀態(tài)監(jiān)測(cè)模型采用BP神經(jīng)網(wǎng)絡(luò)模型來(lái)對(duì)發(fā)電機(jī)的溫度進(jìn)行預(yù)測(cè)，并利用滑動(dòng)窗口對(duì)殘差進(jìn)行分析。在風(fēng)力發(fā)電機(jī)組非參數(shù)預(yù)測(cè)模型的殘差統(tǒng)計(jì)方法中，合適的滑動(dòng)窗口能夠消除由于測(cè)量誤差，機(jī)組啟停等偶然因素造成的孤立的較大殘差的影響。本文詳細(xì)分析了滑動(dòng)窗口殘差統(tǒng)計(jì)的方法及原理，指出了滑動(dòng)窗口具有能夠抑制孤立異常殘差的作用，并利用BP預(yù)測(cè)模型加以驗(yàn)證。5

基于粗糙集和遺傳算法的屬性約簡(jiǎn)

連續(xù)屬性離散化連續(xù)屬性的離散化是知識(shí)獲取中數(shù)據(jù)預(yù)處理的一項(xiàng)重要內(nèi)容。粗糙集理論處理的對(duì)象必須是離散的，如車的重量分為超重、中等、輕，可以分別用三個(gè)值或符號(hào)來(lái)表示，它不能直接處理連續(xù)屬性，如浮點(diǎn)型數(shù)據(jù)。連續(xù)屬性離散化的根本出發(fā)點(diǎn)是在保證離散化前后決策信息未丟失的前提下，用盡可能少的斷點(diǎn)將屬性空間劃分成盡可能少的子空間，這也是離散化算法追求的目標(biāo)。6

基于粗糙集和遺傳算法的屬性約簡(jiǎn)

基于改進(jìn)貪心算法的離散化方法

在求取斷點(diǎn)時(shí)，通常情況下，我們都希望求得的斷點(diǎn)集數(shù)目越少越好，但是，最小數(shù)目斷點(diǎn)集的求取是NP難問(wèn)題，因此我們只能近似地求取最小斷點(diǎn)集，所采用的算法也是近似最優(yōu)算法。對(duì)NguyenH.S和Skowron提出的貪心算法來(lái)改進(jìn)后為：7第一步：用原始信息表構(gòu)造出信息表第二步：令最佳斷點(diǎn)集合第三步：把信息表中所有列中的1加和，選取和最大的列的斷點(diǎn)加入到CUT中，把該斷點(diǎn)所在的列刪除，并刪除掉在此斷點(diǎn)上值為1的所有行；如果有多個(gè)列中的1的個(gè)數(shù)相同，則把列對(duì)應(yīng)的斷點(diǎn)所在的列值為1的行的

的數(shù)目相加，哪個(gè)和最小就取哪個(gè)作為斷點(diǎn)。

基于粗糙集和遺傳算法的屬性約簡(jiǎn)

構(gòu)造信息表

8的過(guò)程

基于粗糙集和遺傳算法的屬性約簡(jiǎn)

遺傳粗糙集屬性約簡(jiǎn)屬性約簡(jiǎn)是粗糙集的核心內(nèi)容之一，為了有效獲取最優(yōu)或次優(yōu)約簡(jiǎn)，將遺傳算法與粗糙集相結(jié)合來(lái)進(jìn)行屬性約簡(jiǎn)，約簡(jiǎn)過(guò)程需要以下步驟：9（1）二進(jìn)制編碼個(gè)體表示：遺傳算法解空間的個(gè)體采用二進(jìn)制串表示，其中每一個(gè)位對(duì)應(yīng)一個(gè)條件屬性，如果在某個(gè)位置上其值為0，則表示其對(duì)應(yīng)的條件屬性可以去掉，如果在某個(gè)位置上其值為l，則表示其對(duì)應(yīng)的條件屬性被選中。由于選取的個(gè)體中可能包含核屬性，因此只對(duì)個(gè)體中除核屬性以外的其它屬性進(jìn)行隨機(jī)編碼。比如某個(gè)決策表有6個(gè)條件屬性

，其核屬性為則其對(duì)應(yīng)的編碼都始終為“l(fā)”。其它條件屬性由“0”或“1”隨機(jī)產(chǎn)生。

基于粗糙集和遺傳算法的屬性約簡(jiǎn)

遺傳粗糙集屬性約簡(jiǎn)（2）確定適應(yīng)度函數(shù)適應(yīng)度函數(shù)定義如下：10上式中表示有多少個(gè)條件屬性；表示r染色體有多少個(gè)基因位1，

k是依賴度，表示決策屬性對(duì)該染色體所含條件屬性的依賴程度。該適應(yīng)度函數(shù)能夠誘導(dǎo)染色體向著最小約簡(jiǎn)的方向發(fā)展進(jìn)化：如果k很大，說(shuō)明決策屬性D對(duì)條件屬性C的依賴程度很強(qiáng)；可以用來(lái)控制染色體中條件屬性的個(gè)數(shù)。通過(guò)上述兩點(diǎn)，可以找到條件屬性的最小約簡(jiǎn)，而且能夠保證決策屬性對(duì)整體條件屬性依賴度不變。

基于粗糙集和遺傳算法的屬性約簡(jiǎn)

遺傳粗糙集屬性約簡(jiǎn)（3）選擇操作在本文中選擇操作采用輪盤賭方法。主要分為以下三步：①求得所有個(gè)體適應(yīng)度的累加和。②然后計(jì)算每個(gè)個(gè)體被遺傳到下一代的概率，也叫相對(duì)適應(yīng)度，如下：11③模擬賭盤(0~1之間取隨機(jī)數(shù)）操作，再與上一步計(jì)算的相對(duì)適應(yīng)度結(jié)合起來(lái)，最終確定每個(gè)個(gè)體被選中的次數(shù)。

基于粗糙集和遺傳算法的屬性約簡(jiǎn)

遺傳粗糙集屬性約簡(jiǎn)（4）交叉操作采用單點(diǎn)交叉方式。過(guò)程如下：在種群中不重復(fù)地隨機(jī)選取個(gè)體，并兩兩進(jìn)行配對(duì)，對(duì)于配對(duì)的每個(gè)個(gè)體，隨機(jī)設(shè)置某一位作為交叉點(diǎn)，交叉的概率為，所謂交叉就是在交叉點(diǎn)處交換兩個(gè)個(gè)體余下部分染色體，得到新的個(gè)體。12

基于粗糙集和遺傳算法的屬性約簡(jiǎn)

遺傳粗糙集屬性約簡(jiǎn)（5）變異操作采用基本位變異方式，具體執(zhí)行過(guò)程如下：按照變異概率

對(duì)個(gè)體的每個(gè)基因位指定變異點(diǎn)，對(duì)于指定的變異點(diǎn)，除了核屬性對(duì)應(yīng)的基因位不變異外，別的屬性對(duì)應(yīng)基因位都做取反操作，這樣就可以得到新的個(gè)體。13

基于粗糙集和遺傳算法的屬性約簡(jiǎn)

遺傳粗糙集屬性約簡(jiǎn)（6）最優(yōu)保存策略得到下一代個(gè)體以后，如果這一代中適應(yīng)值最小的個(gè)體的適應(yīng)值比上一代適應(yīng)值最大的個(gè)體的適應(yīng)值小，則用上一代中最好的個(gè)體代替新一代中最壞的這個(gè)個(gè)體。這樣能夠確保算法收斂。14

基于粗糙集和遺傳算法的屬性約簡(jiǎn)

基于遺傳算法和粗糙集的屬性約簡(jiǎn)算法由如下六個(gè)步驟組成：1）先求出決策表的可分辨矩陣，接下來(lái)由可辨識(shí)矩陣可以得到?jīng)Q策表的核屬性集和無(wú)效屬性集。2）隨機(jī)產(chǎn)生由m個(gè)個(gè)體組成的初始種群，用一個(gè)二進(jìn)制串表示，其長(zhǎng)度為

。計(jì)算種群中每個(gè)個(gè)體的適應(yīng)度值，對(duì)于核屬性其對(duì)應(yīng)位取值為l，其余屬性對(duì)應(yīng)位隨機(jī)取值0或l。3）按照輪盤賭方法在每一代中選擇個(gè)體，依交叉概率

進(jìn)行交叉操作，依變異概率

進(jìn)行變異操作，變異時(shí)保持核屬性和無(wú)效屬性對(duì)應(yīng)的基因位不發(fā)生改變。4）計(jì)算新一代種群中各個(gè)體的適應(yīng)度值。5）按照最優(yōu)保存策略把最優(yōu)個(gè)體保存下來(lái)。6）如果在連續(xù)t代內(nèi)，每一代最優(yōu)個(gè)體的適應(yīng)值都不變，就停止計(jì)算并輸出最優(yōu)個(gè)體，否則轉(zhuǎn)步驟3）。15

基于粗糙集和遺傳算法的屬性約簡(jiǎn)

實(shí)驗(yàn)數(shù)據(jù)集本文研究的機(jī)組在2006年4月份SCADA記錄和運(yùn)行日志中未發(fā)現(xiàn)發(fā)電機(jī)故障和維修的記錄。4月份的10

min記錄共計(jì)4626個(gè)。其中有效記錄即機(jī)組輸出功率大于0的記錄共計(jì)3800個(gè)。通過(guò)對(duì)機(jī)組SCADA記錄的47個(gè)參數(shù)的觀察與分析，發(fā)現(xiàn)明顯存在許多冗余屬性，例如屬性為設(shè)備的位置坐標(biāo)信息或單一值等，這些屬性對(duì)發(fā)電機(jī)溫度不會(huì)產(chǎn)生影響，因此可以去掉。對(duì)于兩個(gè)以上意義相近，且數(shù)值和變化趨勢(shì)基本相同的屬性，只保留其中之一即可。經(jīng)過(guò)人工去除冗余屬性，最終得到可能與發(fā)電機(jī)溫度相關(guān)的屬性有19個(gè)。16

基于粗糙集和遺傳算法的屬性約簡(jiǎn)

改進(jìn)貪心算法離散化結(jié)果17

基于粗糙集和遺傳算法的屬性約簡(jiǎn)

遺傳約簡(jiǎn)的計(jì)算過(guò)程18遺傳約簡(jiǎn)所得到的最優(yōu)個(gè)體為：即：，(1)功率(2)風(fēng)速(3)發(fā)電機(jī)軸承A溫度(4)環(huán)境溫度(5)發(fā)電機(jī)冷卻空氣溫度。這五個(gè)屬性就是最終得到的約簡(jiǎn)結(jié)果。

基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)狀態(tài)監(jiān)測(cè)模型

BP神經(jīng)網(wǎng)絡(luò)工作原理圖19BP神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)步驟20

基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)狀態(tài)監(jiān)測(cè)模型

BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本集對(duì)于神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō)，它的泛化能力與訓(xùn)練樣本的選擇關(guān)系最密切，因此，我們需要采取合適的方法來(lái)得到訓(xùn)練樣本集，以提高神經(jīng)網(wǎng)絡(luò)的整體學(xué)習(xí)質(zhì)量，也就是使BP模型對(duì)發(fā)電機(jī)整個(gè)正常工作空間的覆蓋能力大大增強(qiáng)。本文首先將數(shù)據(jù)歸一化到[0,1]，然后采用構(gòu)造過(guò)程記憶矩陣的方式來(lái)得到訓(xùn)練樣本集，這種方法能夠得到發(fā)電機(jī)在正常工作時(shí)的不同狀態(tài)。21

基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)狀態(tài)監(jiān)測(cè)模型

過(guò)程記憶矩陣的構(gòu)造構(gòu)造過(guò)程記憶矩陣需要兩個(gè)步驟。這兩步用于提取正常工作區(qū)間的觀測(cè)向量。第一步找到極點(diǎn)的工作狀態(tài)，即正常工況下每個(gè)變量的最小值和最大值。把包含這些信息的向量添加到記憶矩陣中。計(jì)算剩余觀測(cè)向量的歐幾里德距離，n維的向量x的歐幾里德距離：22

基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)狀態(tài)監(jiān)測(cè)模型

過(guò)程記憶矩陣的構(gòu)造

23

將向量按歐幾里德距離從小到大排序，以一定步距添加到記憶矩陣中。這種方法非常簡(jiǎn)單，但是存在一些問(wèn)題，歐幾里德距離可能相似或相等，但是觀測(cè)向量值可能不同，例如，和這樣選擇一個(gè)相似歐幾里德距離的向量就會(huì)導(dǎo)致其他向量的丟失，為了減少這種影響，我們采用另一種方法繼續(xù)添加新的觀測(cè)向量到記憶矩陣中。

基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)狀態(tài)監(jiān)測(cè)模型

24

對(duì)每一個(gè)變量，將[01]之間等分為100份，以0.01為步距從集合K中查找出若干個(gè)觀測(cè)向量加入矩陣D中。以機(jī)組功率x1為例，向過(guò)向過(guò)程矩陣D中添加觀測(cè)向量的方法如下圖所示

基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)狀態(tài)監(jiān)測(cè)模型

BP模型驗(yàn)證結(jié)果

25

基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)狀態(tài)監(jiān)測(cè)模型

基于滑動(dòng)窗口的殘差均值與標(biāo)準(zhǔn)差計(jì)算在某一時(shí)間段內(nèi)，BP網(wǎng)絡(luò)模型對(duì)發(fā)電機(jī)溫度預(yù)測(cè)的殘差序列用下式表示：

26

對(duì)如上序列，首先制定一個(gè)寬度為N的窗口，通過(guò)不斷向后滑動(dòng)，每次都求得窗口內(nèi)的N個(gè)殘差的均值和標(biāo)準(zhǔn)差：

基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)狀態(tài)監(jiān)測(cè)模型

基于滑動(dòng)窗口的殘差均值與標(biāo)準(zhǔn)差計(jì)算滑動(dòng)窗口對(duì)殘差的統(tǒng)計(jì)過(guò)程

27

基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)狀態(tài)監(jiān)測(cè)模型

報(bào)警閾值的確定把驗(yàn)證集中的數(shù)據(jù)輸入BP預(yù)測(cè)模型，得到預(yù)測(cè)值與實(shí)際值之間的殘差，再用滑動(dòng)窗口統(tǒng)計(jì)方法計(jì)算出殘差的均值和標(biāo)準(zhǔn)差，把殘差標(biāo)準(zhǔn)差的絕對(duì)值的最大值記為，殘差均值的絕對(duì)值最大值記為，那么用來(lái)判定發(fā)電機(jī)出現(xiàn)故障征兆的閾值標(biāo)準(zhǔn)規(guī)定如下：

28

上式中和可工作人員根據(jù)經(jīng)驗(yàn)來(lái)確定。

基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)狀態(tài)監(jiān)測(cè)模型

報(bào)警閾值的確定本課題中滑動(dòng)窗口的寬度設(shè)定為N=100。采用滑動(dòng)窗口方法對(duì)驗(yàn)證序列殘差的均值和標(biāo)準(zhǔn)差進(jìn)行統(tǒng)計(jì)，如下圖所示29

基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)狀態(tài)監(jiān)測(cè)模型

加入偏移后BP預(yù)測(cè)模型殘差統(tǒng)計(jì)為驗(yàn)證BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)發(fā)電機(jī)狀態(tài)監(jiān)測(cè)的有效性，對(duì)4月份驗(yàn)證集中的720個(gè)記錄中的發(fā)電機(jī)溫度屬性人為加入步長(zhǎng)為0.001的累積溫度偏移。加入溫度偏移后的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型殘差統(tǒng)計(jì)結(jié)果如下圖所示

30

基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)狀態(tài)監(jiān)測(cè)模型