论文部分内容阅读
随着现代社会的快速发展,工业用电和生活用电的需求与日俱增,合理利用可再生能源发电有利于调整能源结构,保证经济可持续发展。风能作为一种高效清洁的新能源也日益受到重视,我国风电并网装机容量及新增装机容量也逐年上升。我国各大风电场主要集中在纬度较高的地区,但这些地区的冬季往往气温极低且持续时间长,充足的风能伴随着极低的气温极易导致风机叶片结冰,而风机叶片作为将风能转化为电能的重要装置,其结冰会带来风机风能效率降低、叶片结构性能改变、寿命缩短等严重问题。因此,如何通过风机工况和环境数据及时准确的检测出风机叶片覆冰情况,对提高风机风能利用率,设备安全性有重要意义。本文针对风机叶片覆冰检测问题进行了研究,针对传统统计学习模型和时间序列深度学习模型的缺陷,本文结合结冰物理的机理建模提出了融合基于自注意力网络的独立循环神经网络的数据驱动建模方法,得到风力发电机叶片覆冰检测模型,最后使用了工业现场采集的风机工况数据集来验证本文所提出模型的可行性与有效性。对本文的主要研究内容可以概括为以下几个方面:1)针对实验数据集样本不平衡、特征冗余、存在数据误差等问题,对数据进行了相同时间粒度的下采样并采用代价敏感学习减少样本不平衡的影响。利用皮尔逊相关度和树模型进行特征筛选,并基于Makkonen物体表面覆冰机理模型和Rahimi风能综合利用率机理模型进行特征构建,引入基于机理模型的先验知识。最终对不同的模型采用适合的归一化方法,为后续数据驱动模型建模时序数据打下基础。2)针对实验数据是时序数据且工业时序数据步长较长的特点,本文首先介绍了较为传统的循环神经网络RNN和长短时记忆网络LSTM时序模型,因为风机叶片的覆冰检测问题是一个渐进的过程,在时间维度上前后存在关联,因此时序模型比统计学习模型更适合该问题。考虑到传统时序深度学习模型在超长序列任务中容易出现梯度消失,而无法一次完全学习整个叶片结冰过程。本文采用了多层独立循环神经网络Multi-layer IndRNN模型。其独特的网络结构设计以及采用了残差网络和ReLU激活函数,结合良好的初始化和梯度矫正,能够避免梯度消失,非常适合工业数据建模,在本文实验数据集上也验证了该模型的有效性。3)时序问题中,每个时刻应对最后结果的贡献不同,同样在风机叶片覆冰过程中,每个时刻的工况也对最终的结果有不同的贡献。而当前时序模型无法区别不同时刻的重要程度,因此本文提出了基于自注意力网络(Self Attention Network)的独立循环神经网络。同时当前时序模型仅仅利用最后一个时刻输出无法对时序信息的前后时刻建立起直接的依赖关系,而自注意力网络能利用每个时刻的信息并为每个时刻分配不同的权重系数,使得模型能够重点关注输入序列中对结果影响更大的时刻,可以很好的提升模型的预测效果。4)考虑到单向时序模型在学习输入序列末端信息时因序列过长而遗忘输入序列头部的信息,本文提出了双向独立循环神经网络模型(Bi-IndRNN)捕捉时序数据双向的特征信息,避免在长序列任务中因模型参数更新而丢失了序列头部信息,更好的提高模型的预测精度,最终在独立循环神经网络的基础上提出了基于Self Attention的Bi-IndRNN模型,与传统时序模型LSTM相比结果提升4.7%,验证了该模型的有效性。