论文部分内容阅读
摘 要：故障预警问题是信息网络环境下保障电力风电机组安全运行的关键。针对风电机组的参数信息和运行信息的数据特征，提出了一种基于混合EEMD技术的多步时间序列预测模型。该模型在云计算中利用了集合经验模态分解EEMD技术结合极限学习机ELM算法，克服了算法中存在异或的问题。通过该模型，实现了对访问风电机组运行信息多步预测，结合安全范围包络线，进而提前发现是否有故障。验证结果表明，EEMD-ELM模型比传统时间序列预测方法的准度与精度得到了极大提高，泛化能力增强，说明了该方法的有效性、可行性。
关键词：电力信息化 风力机组 云计算 智能电网 时间预测
中图分类号：TM315 文献标识码：A 文章编号：1674-098X（2017）05（c）-0083-03
电力系统作为经济发展和人类生活依赖的能量供给系统，也具有大数据的典型特征[1]。风电产业已经成为我国电力产业的重要组成部分。我国累积安装风电机组92981台，累积装机容量145 362 MW，随着风电机组装机容量越来越大，系统越来越复杂，设备故障率也随之提高，导致风电机组的运行、维护成本增加。
目前，风电机组的运行、维护主要借鉴火电机组的保障策略，采用定期维护和事后维护的方式。但是，由于风电机组和火电机组在结构、运行环境和运行方式之间的差异，从而导致风电机组运维无法准确、有效地监控设备的运行状况，容易出现各种设备故障。
随着国网信息化的不断建设，风力发电机组产生了海量存储的运行信息和机组参数数据。如何充分利用和分析这些数据，采用云計算的手段，快速实现对风电机组的故障预警是急需突破的难点。该文通过基于混合EEMD-ELM算法的云计算技术，对机组参数和运行数据进行预测，从而实现风电设备的故障预警，为风电机组安全可靠性提供科学的参考依据。
1 EEMD-ELM时间序列预测方法
该节使用EEMD的混合建模技术策略，针对风电机组的运行时间信息序列。采用EEMD混合模型技术进行不同特征尺度的分解，使用EEMD-ELM混合模型进行时间序列预测。
1.1 集合经验模态分解
经验模态分解（Empirical Mode Decomposition， EMD）[2]是Hilbert-Huang变换（HHT）的核心算法，是一种实现数据局部特征自适应的分解技术。EMD通过对繁杂的参数信息和风电机组运行信息进行平稳化预处理，进而将复杂的运行信息分解成一组性能较好、特征尺度差异较大的本征模函数（Intrinsic Mode Function，IMF）。
（1）确定运行信息记录序列P（t）的所有极大值和极小值点，用核密度函数拟合成上下包络线，序列P（t）与上下包络线的平均值m1的差记为h1。
（2）把h1视为新序列，重复以上过程，直到h1满足IMF的上述两个条件，则其成为从原始序列筛选出的第一个IMF分量c1，代表原始序列最高频的分量。其他剩余量可以表示为r1=P（t）-c1。
（3）对r1继续上述分解，直到第n阶段的残余序列为单调函数或其值小于预先给定的值，分解结束。
运行信息序列可以写为[3]：P
式中，n为本征模函数的个数，为网络入侵操作记录序列P（t）的主要趋势项。
由于在EMD分解过程中存在一个IMF分量包含了尺度差异较大的信号，针对这个问题采用了集合经验模态分解（Ensemble Empirical Mode Decomposition， EEMD）[4]，通過在机组运行信息序列中加入一系列低信噪比的白噪声，再进行上述的经验模态分解，经过迭代计算，最终进行集合平均使得加入的白噪声相互抵消，实现克服模式混合的问题。
1.2 极限学习机算法原理
该文研究采用的极限学习机神经网络（Extreme Learning Machine，ELM）[5]。假定输入层有个输入变量，隐含层有一个神经元，输出层有个输出变量。假定个样本其训练集输入矩阵与输出矩阵分别为：
，
设输入层同隐含层之间连接权值以及隐含层和输出层间连接权值β为：
，
其中为输入层第i个神经元与隐含层第j个神经元间的连接权值，βjk为隐含层第j个神经元与输出层第k个神经元间的连接权值。
设隐含层神经元的阈值为，隐含层神经元的激活函数为，该文隐含层激活函数取：
那么极限学习机的神经网络输出为：
，
整体算法的架构流程图如图1所示。
2 实例分析
该文为了验证时间预测算法模型性能，使用EEMD-ELM对风电机组故障预警。电力公司耗费3个月时间从信息系统数据库中获取到20台分布式服务器运行参数数据。详细过程如下。
（1）通过实时机组参数记录仪获得运行参数：弯矩扭矩载荷数据作为原始数据，并进行标准化处理。
（2）将安全运行的数据进行核密度估计得到正常运行的安全阈值范围。
（3）采用交叉验证法，将载荷数据等分为五组数据，前四组作为训练集，最后一组作为验证集，用训练集来训练算法模型网络。
（4）将验证集数据代入该文建立的EEMD-ELM模型，进行时间序列预测。把实际的结果与预测的结果进行对比。全局流程如图2所示。
采用均方根误差RMSE[6]作为模型评价性能指标，对风电机组的弯矩、扭矩载荷信息进行预测，并同时和ARIMA算法进行对比。如图3、图4所示。
从图3和图4中可以明显看出该文提出的基于云计算的EEMD-ELM算法模型在时间序列预测相比传统的时间预测ARIMA算法模型误差较小、精度更高。
3 结论 該文提出了結合云计算技术的EEMD-ELM算法模型，使用风电机组信息根据其运行载荷数据进行时间序列预测。此方法仅凭借对历史海量的安全运行风电机组载荷数据，即可得到风电机组运行的安全范围包络线，再根据风电机组实时运行载荷数据进行下一步时间预测，一旦超出安全范围，则进行故障预警。根据该文分析可以得到以下结论。
（1）创新性的运用EEMD技术，对复杂多样的运行载荷时间序列数据进行分解，然后运用ELM对分解得到的子时间序列进实现分布式预测，从而实现对复杂多样的时间序列预测。
（2）预测的载荷数据能够有效地提前发现风电机组下一步的运行情况，根据下一步载荷数据，一旦超过安全范围就会及时发送故障预警信息。根据验证结果表明实现多步预测的误差控制在4.3%以内，满足工程精度要求。
参考文献
[1] 张东霞，苗新，刘丽萍，等.智能电网大数据技术发展研究[J].中国电机工程学报，2015，35（1）：2-12.
[2] 王立国，宛宇美，路婷婷，等.结合经验模态分解和Gabor滤波的高光谱图像分类[J].哈尔滨工程大学学报：英文版，2016，37（2）：284-290.
[3] 孙文文，刘纯，何国庆，等.基于长时间序列仿真的分布式新能源发电优化规划[J].电网技术，2015，39（2）：457-463.
[4] Zhang Y，Xie Z.Ensemble empirical mode decomposition of impact-echo data for testing concrete structures[J].Ndt & E International，2012， 51（10）：74-84.
[5] Iosifidis A，Tefas A，Pitas I.Graph Embedded Extreme Learning Machine[J].IEEE Transactions on Cybernetics，2015，46（1）：311-324.
[6] Li Y，Ryu D，Western A W，et al.An integrated error parameter estimation and lag-aware data assimilation scheme for real-time flood forecasting[J]. Journal of Hydrology，2014（519）：2722-2736.
关键词：电力信息化 风力机组 云计算 智能电网 时间预测
中图分类号：TM315 文献标识码：A 文章编号：1674-098X（2017）05（c）-0083-03
电力系统作为经济发展和人类生活依赖的能量供给系统，也具有大数据的典型特征[1]。风电产业已经成为我国电力产业的重要组成部分。我国累积安装风电机组92981台，累积装机容量145 362 MW，随着风电机组装机容量越来越大，系统越来越复杂，设备故障率也随之提高，导致风电机组的运行、维护成本增加。
目前，风电机组的运行、维护主要借鉴火电机组的保障策略，采用定期维护和事后维护的方式。但是，由于风电机组和火电机组在结构、运行环境和运行方式之间的差异，从而导致风电机组运维无法准确、有效地监控设备的运行状况，容易出现各种设备故障。
随着国网信息化的不断建设，风力发电机组产生了海量存储的运行信息和机组参数数据。如何充分利用和分析这些数据，采用云計算的手段，快速实现对风电机组的故障预警是急需突破的难点。该文通过基于混合EEMD-ELM算法的云计算技术，对机组参数和运行数据进行预测，从而实现风电设备的故障预警，为风电机组安全可靠性提供科学的参考依据。
1 EEMD-ELM时间序列预测方法
该节使用EEMD的混合建模技术策略，针对风电机组的运行时间信息序列。采用EEMD混合模型技术进行不同特征尺度的分解，使用EEMD-ELM混合模型进行时间序列预测。
1.1 集合经验模态分解
经验模态分解（Empirical Mode Decomposition， EMD）[2]是Hilbert-Huang变换（HHT）的核心算法，是一种实现数据局部特征自适应的分解技术。EMD通过对繁杂的参数信息和风电机组运行信息进行平稳化预处理，进而将复杂的运行信息分解成一组性能较好、特征尺度差异较大的本征模函数（Intrinsic Mode Function，IMF）。
（1）确定运行信息记录序列P（t）的所有极大值和极小值点，用核密度函数拟合成上下包络线，序列P（t）与上下包络线的平均值m1的差记为h1。
（2）把h1视为新序列，重复以上过程，直到h1满足IMF的上述两个条件，则其成为从原始序列筛选出的第一个IMF分量c1，代表原始序列最高频的分量。其他剩余量可以表示为r1=P（t）-c1。
（3）对r1继续上述分解，直到第n阶段的残余序列为单调函数或其值小于预先给定的值，分解结束。
运行信息序列可以写为[3]：P
式中，n为本征模函数的个数，为网络入侵操作记录序列P（t）的主要趋势项。
由于在EMD分解过程中存在一个IMF分量包含了尺度差异较大的信号，针对这个问题采用了集合经验模态分解（Ensemble Empirical Mode Decomposition， EEMD）[4]，通過在机组运行信息序列中加入一系列低信噪比的白噪声，再进行上述的经验模态分解，经过迭代计算，最终进行集合平均使得加入的白噪声相互抵消，实现克服模式混合的问题。
1.2 极限学习机算法原理
该文研究采用的极限学习机神经网络（Extreme Learning Machine，ELM）[5]。假定输入层有个输入变量，隐含层有一个神经元，输出层有个输出变量。假定个样本其训练集输入矩阵与输出矩阵分别为：
，
设输入层同隐含层之间连接权值以及隐含层和输出层间连接权值β为：
，
其中为输入层第i个神经元与隐含层第j个神经元间的连接权值，βjk为隐含层第j个神经元与输出层第k个神经元间的连接权值。
设隐含层神经元的阈值为，隐含层神经元的激活函数为，该文隐含层激活函数取：
那么极限学习机的神经网络输出为：
，
整体算法的架构流程图如图1所示。
2 实例分析
该文为了验证时间预测算法模型性能，使用EEMD-ELM对风电机组故障预警。电力公司耗费3个月时间从信息系统数据库中获取到20台分布式服务器运行参数数据。详细过程如下。
（1）通过实时机组参数记录仪获得运行参数：弯矩扭矩载荷数据作为原始数据，并进行标准化处理。
（2）将安全运行的数据进行核密度估计得到正常运行的安全阈值范围。
（3）采用交叉验证法，将载荷数据等分为五组数据，前四组作为训练集，最后一组作为验证集，用训练集来训练算法模型网络。
（4）将验证集数据代入该文建立的EEMD-ELM模型，进行时间序列预测。把实际的结果与预测的结果进行对比。全局流程如图2所示。
采用均方根误差RMSE[6]作为模型评价性能指标，对风电机组的弯矩、扭矩载荷信息进行预测，并同时和ARIMA算法进行对比。如图3、图4所示。
从图3和图4中可以明显看出该文提出的基于云计算的EEMD-ELM算法模型在时间序列预测相比传统的时间预测ARIMA算法模型误差较小、精度更高。
3 结论 該文提出了結合云计算技术的EEMD-ELM算法模型，使用风电机组信息根据其运行载荷数据进行时间序列预测。此方法仅凭借对历史海量的安全运行风电机组载荷数据，即可得到风电机组运行的安全范围包络线，再根据风电机组实时运行载荷数据进行下一步时间预测，一旦超出安全范围，则进行故障预警。根据该文分析可以得到以下结论。
（1）创新性的运用EEMD技术，对复杂多样的运行载荷时间序列数据进行分解，然后运用ELM对分解得到的子时间序列进实现分布式预测，从而实现对复杂多样的时间序列预测。
（2）预测的载荷数据能够有效地提前发现风电机组下一步的运行情况，根据下一步载荷数据，一旦超过安全范围就会及时发送故障预警信息。根据验证结果表明实现多步预测的误差控制在4.3%以内，满足工程精度要求。
参考文献
[1] 张东霞，苗新，刘丽萍，等.智能电网大数据技术发展研究[J].中国电机工程学报，2015，35（1）：2-12.
[2] 王立国，宛宇美，路婷婷，等.结合经验模态分解和Gabor滤波的高光谱图像分类[J].哈尔滨工程大学学报：英文版，2016，37（2）：284-290.
[3] 孙文文，刘纯，何国庆，等.基于长时间序列仿真的分布式新能源发电优化规划[J].电网技术，2015，39（2）：457-463.
[4] Zhang Y，Xie Z.Ensemble empirical mode decomposition of impact-echo data for testing concrete structures[J].Ndt & E International，2012， 51（10）：74-84.
[5] Iosifidis A，Tefas A，Pitas I.Graph Embedded Extreme Learning Machine[J].IEEE Transactions on Cybernetics，2015，46（1）：311-324.
[6] Li Y，Ryu D，Western A W，et al.An integrated error parameter estimation and lag-aware data assimilation scheme for real-time flood forecasting[J]. Journal of Hydrology，2014（519）：2722-2736.