基于改进融合的大型风力发电机组运行状态检测研究

邓森 胡从星 梁太阳 杨朋雨 马先松

摘 要：为解决传统的大型风力发电机设备运行状态检测方法效果不佳的问题，设计了基于多特征融合的大型风力发电机设备运行状态检测方法。通过计算提取出的运行状态数据集的多个数据特征，并计算不同特征的权重值，实现数据的多特征融合，并对其进行特征分类。通过计算运行状态数据的偏离阈值和检测阈值，完成对设备运行状态的检测。实验结果表明，和以往的大型风力发电机设备运行状态检测方法相比，设计的基于多特征融合的大型风力发电机设备运行状态检测方法在实际应用中ROC曲线面积较大，检测效果较好。

关键词：多特征融合；大型风力发电机设备；运行状态；检测方法

中图分类号：TM614

文献标志码：A文章编号：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

大型風力发电机组设备常用的状态检测方法往往基于单一特征，难以全面、准确地反映设备的工作状态。因此，不少学者针对此展开了研究，如对医疗设备的运行数据进行收集，并从中提取多个数据特征，将多个数据进行融合，从中筛选出异常的状态数据，从而实现对异常状态数据的检测［1］。对获取的工控设备运行数据进行标准化计算，并利用数据挖掘和关联分析，确定其关键特征，由此实现对异常数据的检测［2］。将获取的光伏电站电气设备运行数据作为基础，构建数据集，利用数据融合技术整合多种特征数据，以便对运行数据进行异常检测［3］。

在上述研究的基础上，研究设计了基于多特征融合的大型风力发电机设备运行状态检测方法。由此实现对大型风力发电机设备运行状态的检测。

1 大型风力发电机组设备运行状态检测方法设计

1.1 构建大型风力发电机组设备运行状态数据集

为实现对大型风力发电机组设备运行状态的检测，需要先对大型风力发电机组设备的运行状态进行数据采集，并由此构建相应的数据集。在进行数据采集的过程中，利用传感器和设备监控系统实时监测大型风力发电机组设备的运行状态，并收集必要的数据，如风速、风向、温度、压力等多种类型的运行状态数据。将采集的多种运行状态数据作为基础，针对不同类型运行状态数据出现的问题，对其进行数据预处理，进一步提高数据的质量［6］。在进行数据预处理的过程中，需要先对其进行数据清洗。在数据清洗的过程中，需要根据实际情况，筛选出和风力发电机组设备运行状态相关的数据，并对其中不相关的数据进行删除和忽略。同时，检查数据的完整性，对于缺失数据需要进行填充［7］。其具体填充过程如下所示：

a=xa－1+xa+12×xa－1+xa+1（1）

式中：a表示计算出的数据填充值；xa－1、xa+1分别表示缺失值前后的数据值。

通过上述公式，计算出对应的数据填充值，将该填充值作为基础，对缺失的数据进行填充。同时在上述基础上，还需要修正异常值来提高数据质量，其修正处理的具体计算过程如下所示：

x′=x1×γ1+x2×γ2+…+xn×γnγ1+γ2+…+γn（2）

式中：x′表示数据的修正结果；x1、x2、…、xn表示数据的原始值；γ1、γ2、…、γn分别表示对应原始值的权重值。

考虑到采集的大型风力发电机设备运行状态数据类型不一致，所处的维度也不一样，這会给后续的计算带来较大的压力，因此，对其进行归一化处理，将不同维度的数据转换成统一维度，以便更好地进行数据优化和处理［9］。数据归一化处理的具体过程如下所示：

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

式中：y表示数据归一化处理的结果；xmin表示采集的运行状态数据的最小值；xmax表示采集的运行状态数据最大值；ymin表示同一维度下运行状态数据的最小值；ymax表示同一维度下运行状态数据的最大值。

通过上述对运行状态数据的填充、修正和归一化处理，提高了数据的质量，并将处理结果作为基础，构建大型风力发电机组设备运行状态数据集，为后续进行设备运行状态评估奠定基础［10］。

1.2 基于多特征融合的设备运行状态特征分类

将上述构建的运行状态数据集作为基础，在多特征融合的基础上，对设备运行状态进行特征分类。多特征融合作为一种有效的识别方法，能够综合利用多种数据特征，实现对不同特征的优势互补，从而更好实现对目标的检测［11］。在设计中，利用多特征融合的特征分类的具体过程如图1所示。

如图1所示，在上述分类器的设计过程中，将构建的风力发电机组设备运行状态数据集作为基础，首先对其进行特征提取，提取的数据特征包括但不限于设备的风速和风向、设备温度、设备振动和声音、电力参数等多个特征。然后将提取的数据特征作为基础，通过计算不同数据特征的权重值，将多个数据特征进行融合，根据融合，对其进行分类，由此实现对运行状态特征的分类处理［12］。在上述过程中，提取风力发电机组设备运行状态数据特征的具体过程如下所示：

g=exp（－（pΔr）22σ2（qΔφ））

Δr=2πL

Δφ=πL（4）

式中：g表示提取出的设备运行状态特征；p、q分别表示特征参数；Δr、Δφ分别表示数据的特征值；σ表示运行状态数据的方差；L表示数据模态值。

利用上述公式，提取出风力发电机组多个数据特征，将提取的数据特征作为基础，计算对应特征的权重值，由此对多个特征进行融合［13］。其多特征融合的计算过程如下所示：

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）表示计算出的初始特征权重值；w1（t，d）表示当前特征出现的频率；w2（t）表示当前特征的激活函数；w（t+1）表示当前计算出的特征权重值；w（t）表示上一次迭代中计算出的特征权重值；α表示特征权重值更新的速度；y表示实际的输出结果；y^表示预测的输出结果；x表示输入的特征值；G表示多特征融合的结果；n表示风力发电机设备运行状态数据的特征。

在上述的基础上，对融合后的特征进行分类处理。在分类过程中，根据上述计算出的特征融合结果的特征值来进行分类。依据特征值的大小，将运行状态数据划分为多个类别，为后续检测大型风力发电机设备运行状态奠定基础［14］。

1.3 检测大型风力发电机设备运行状态

在检测过程中，需要根据大型风力发电机设备的实际运行情况，计算风力发电机组设备运行过程中的的偏离阈值［15］。其具体计算过程如下：

Xi=∑Ni=1εiN

λ=±kiXi（6）

式中：Xi表示风力发电机组设备运行过程中的残差均值；εi表示风力发电机组设备运行状态评估值；N表示风力发电机组设备运行状态数据的数量；λ表示计算的偏离阈值；ki表示偏离系数。

在上述基础上，计算对风力发电机组设备运行状态的检测阈值，其具体计算过程如下所示：

Sn=∑Ni=0aiyn－1－yn－1^212λ（7）

式中：Sn表示计算出的检测阈值；ai表示对应的检测参数；yn－1表示实际的检测误差；yn－1^表示预测的检测误差。

根据检测阈值的大小，判断当前风力发电机组设备的运行状态。若检测阈值的大小远超标准值，则说明当前风力发电机组设备的运行状态出现了异常，需要及时采取对应的措施，保证风力发电机组设备的正常运行，由此，实现对风力发电机组设备运行状态的检测。

2 实验测试

为提高实验结果的可信度，将本文设计的方法与以往的检测方法进行对比。所设计的基于多特征融合的大型风力发电机组设备运行状态检测方法为方法1，基于决策树算法的大型风力发电机组设备运行状态检测方法为方法2，基于可视化技术和机器学习的大型风力发电机组设备运行状态检测方法为方法3。为对比上述三种方法在实际应用中的效果，设计的实验具体如下。

2.1 实验准备

实验中，以某大型风力发电场作为实验场地，以该场地中的风力发电机组设备为实验对象，利用相关设备构建对应的实验环境，实验环境如图2所示。

由图2可知，在上述实验环境中，利用多个传感器和监测器实时监测风力发电机组设备的运行状态，这些设备能够准确采集设备在运行过程中的风速、振动、噪声等多种参数的变化。再利用数据存储器将采集到的运行状态数据存储起来，用于后续实验测试。同时，数据存储器还能对存储的数据进行预处理，去除数据中的干扰，提高数据的质量，保证实验效果。在上述过程中，采集的大型风力发电机组设备运行状态数据具体如图3所示。

由图3可以观察到，风力发电机设备的风速和转速基本保持不变，波动较小。由此可见，风力发电机设备的运行状态较为稳定。同时，从风力发电机设备的温度变化来看，风力发电机设备所处的环境温度会对设备本身的温度变化造成一定影响。从上述采集的噪声数据来看，其噪声变化基本维持在同一范围内。对上述数据进行预处理，并将处理后的数据用于后续实验测试。

2.2 实验结果讨论

为验证上述3种方法在实际应用中的效果，以方法的ROC曲线为评价指标，对比3种方法的性能。ROC曲线的面积越大，方法的检测效果越好。实验中，利用3种方法分别对某风力发电场的多个风力发电机组设备的运行状态进行检测，统计其检测结果。其具体检测结果如图4所示。

由图4可知，在上述检测结果中可以看出，方法1的ROC曲线面积远大于方法2和方法3。由此可见，方法1的检测效果较好。

为进一步验证上述3种方法在实际应用中的效果，以方法检测阈值与实际值之间的拟合度为评价指标，对比3种方法的性能。其具体的统计结果如表1所示。

由表1的结果可知，方法1的拟合度高于方法2和方法3。由此可知，相对于方法2和方法3，方法1的检测阈值和实际结果更为贴近，能够更为真实地反映风力发电机组设备的运行状态。

3 结语

综上所述，基于多特征融合的大型风力发电机组设备运行状态检测方法是一种有效的手段，通过对风速、温度、湿度、振动、噪声和转速等特征的融合和分析，具备精准检测设备运行状态的能力，能够及时识别潜在故障和异常情况，为设备的维护和管理提供有力的支持。同时，该方法还具有实时性强、可解释性好、鲁棒性高等优点，能够满足实际应用的需求。

【参考文献】

［1］

吴昊，林建阳.基于可视化和数据融合的医疗设备异常运行状态检测方法［J］.科技通报，2022，38（11）：37-40+45.

［2］ 赵明明，司红星，刘潮.基于数据挖掘与关联分析的工控设备异常运行状态自动化检测方法分析［J］.信息安全与通信保密，2022（4）：2-10.

［3］ 吴悦，张忠会，游志刚，等.基于可视化和数据融合的光伏电站电气设备异常运行状态检测方法［J］.制造业自动化，2021，43（9）：16-19+55.

［4］ 王硕，谢远森，张群安，等.Impala快速查询技术在配电网设备运行状态检测中的应用［J］.自动化技术与应用，2022，41（8）：122-125.

［5］ 刘立，丰洪才，黄清.基于多特征融合的水果病虫害知识视频镜头检测算法［J］.湖北农业科学，2022，61（20）：195-203.

［6］ 李卓，覃启铭，林其友，等.基于分层聚类算法的避雷器运行状态检测方法［J］.电子设计工程，2022，30（21）：122-126.

［7］ 王方顺，张崟.基于能量累积多特征融合的机场跑道异物检测算法研究［J］.新技术新工艺，2021（11）：71-74.

［8］ 罗思洋，龙华，邵玉斌，等.噪声环境下多特征融合的语音端点检测方法［J］.云南大学学报（自然科学版），2021，43（4）：671-680.

［9］ 梁元辉，吴清乐，曹立佳.基于多特征融合的眼睛状态检测算法研究［J］.计算机技术与发展，2021，31（2）：97-100.

［10］ 黄鹤鸣.基于两阶段数据驱动模型的双馈发电机异常运行状态检测方法［J］.直升机技术，2023（2）：11-21.

［11］ 杨鹏举，王涛云，杨恒，等.基于多模型融合的分布式光电仪器突变状态智能检测方法模型［J］.自动化与仪器仪表，2023（5）：106-109.

［12］ 朱振宇，高德欣.基于CNN-BiLSTM網络的锂离子电池健康状态检测方法［J］.电子测量技术，2023，46（3）：128-133.

［13］ 盛剑桥，方圆，张亮，等.粒子群算法优化SVM的无线网络安全状态检测方法［J］.自动化技术与应用，2022，41（12）：55-58.

［14］ 王定发.基于线缆状态数据的特征集成及异常信息自动检测技术［J］.粘接，2023，50（5）：188-192.

［15］ 杜涛，王朝龙，朱靖，等.基于聚类算法的变压设备运行数据监测与异常检测技术［J］.粘接，2022，49（12）：137-140.

收稿日期：2023-11-29；修回日期：2024-02-25

作者简介：邓 森（1969-），男，硕士，高级工程师，主要从事电力系统通讯与电气工程自动化研究；E-mail：913397092@qq.com。

基金项目：浙江省科技厅“尖兵”“领雁”研发攻关计划项目（项目编号：2022C01SA371625）。

引文格式：

邓 森，胡从星，梁太阳，等.

基于改进融合的大型风力发电机组运行状态检测研究［J］.粘接，2024，51（3）：169-172.