智能风电预警平台的设计与实现研究

徐刚

（远景能源有限公司，上海 200051）

风电是现阶段技术成熟度较高的一种清洁能源，在风电技术推广过程中，如何解决风电系统的运行维护难题，是目前行业研究的重点。以人工为主的维护和检修不仅费时费力，而且很难及时发现潜在故障，错过了最佳维修时机，影响了风力发电的持续性，不利于电力能源的持续供给。为此，依托人工智能、大数据等技术搭建可以实现工况自动巡检、故障实时预警的智能风电预警平台，就显得尤为必要。

1 智能风电预警平台的设计

1.1 平台的结构组成

该预警平台从组织架构上来看，共分为3 部分，即表示层、业务逻辑层和数据访问层。各部分的设计功能如下：（1）表示层。利用人机交互界面展示智能风电预警平台的前端页面，并且支持管理员进行操作和下达指令。数据调度则采用有线连接的方式，利用通信串口连接数据库，根据管理员需要从数据库中调用相关数据，方便管理员随时掌握风机系统各个部位的运行状况。（2）业务逻辑层。作为中间的数据转换层，一方面会接收表示层下达的指令，实现对应的功能。例如管理员通过人机交互界面下达历史查询指令，则业务逻辑层会调用特定时间段内的所有数据，方便管理员查看。除了历史查询外，像实时预警、数据展示等，也都是本层可以实现的功能。另一方面业务逻辑层也会向下层传递信息，或发送数据请求。（3）数据访问层。有数据存储和调用两项功能。除了存储风机系统运行产生的海量数据外，还会通过数据接口，向业务逻辑层提供需要的数据。整个结构如图1 所示。

图1 智能风机预警平台的组织架构

1.2 平台各功能模块的设计

1.2.1 数据调度模块

该模块可支持实现的功能有Web 数据读取、故障实时预测、数据库更新。具体来说，Web 数据通过专门的数据接口实现传递，采用用线连接的方式，接口的一端连接风场，用于采集风电系统的运行参数；接口的另一端连接数据库，将采集到的数据分类存储到数据库内。利用编写好的数据调度程序，启用预警模型，以接受的海量参数作为分析素材，依托大数据、云计算技术，采用匹配算法，将风电系统运行参数与数据库内存储的标准工况进行对比。若两者匹配不成功，则说明有异常运行情况，即可进行故障预测和预警。

1.2.2 预警信息管理模块

该模块管理的预警信息，包括实时预警信息和历史预警信息两类。除此之外，还支持预警模型的阈值调节、预警偏差值与预警状态设置等功能。在常规状态下，Web 页面显示实时预警信息，并且根据系统默认或管理员预设的频率，每隔一段时间刷新一次显示信息。管理员想要了解以往的预警信息，可通过历史预警信息中调取，还能够通过历史曲线图，掌握近段时间预警变化趋势。系统默认的信息保留时限为24 小时，超过24 小时的即为历史信息，不再Web 页面上显示。

1.2.3 预警模块

该模块提供了预警规则设置、预警模型训练和预警信息计算3 种功能。管理员可根据该平台的功能设计和运行需要，设置预警规则。例如预警的阈值、预警的周期等。在构建预警模型之后，基于人工智能的深度学习技术，对预警模型进行大量的、反复的训练，训练次数越多，则对故障识别的准确率越高，预警信息也会更加准确。管理员也可通过预警规则设置的方式，确定模型训练的起始时间，以便于实现自动化训练。预警信息计算则是借助了大数据、云计算等技术，实现了对海量数据的快速处理，以便于满足即时预警的需求。

1.2.4 数据库模块

为了兼顾存储容量和隐私安全，选择Oracle 关系型数据库。在数据库内，管理员可划分处Region 表、Province 表、Wind-Plants 等多种形式的表格，分别存储不同的数据，如表1、表2 所示。

表1 Region 表

表2 Province 表

2 智能风电预警平台的功能实现

2.1 构建基于LSTM 的风机故障预警模型

为验证该平台对风机故障的监测和预警效果，设计了基于LSTM 的风机故障预警模型，以绕组温度作为监测对象，将风机运行期间绕组实时温度作为输入变量，记为y。在模型运行时，输入层输入（input_size）的y 为2，代表每个时间节点下输入的都是二维向量。时间切片（timestep_size）为2，代表每次预测前，都需要先输入2 行。要预测第n 个值，就需要把n 前的2 个值输入。选择sigmoid 和tanh 作为激活参数。其中sigmoid 的函数定义为：

2.2 模型训练

完成函数定义和模型构建后，还要基于深度学习技术对模型进行必要的训练，以保证预警的准确性和及时性。训练所用数据通常由风力发电厂日常运行产生的基础数据作为来源。在条件允许的情况下，训练次数越多越好，对提高模型预测结果的准确率有一定帮助。经过一段时间的训练后，采用回归类损失函数进行预警效果检查。损失函数越小，则说明预警效果越理想。基于线性回归预测的损失函数如下：

2.3 仿真实验

仿真实验主要以风机绕组温度作为故障识别和预警对象。结合风机运行特点，影响绕组温度的因素主要有两个，即绕组电流和冷却风温度。因此，在仿真实验中分别在绕组处和冷却风机处，安装了数据采集装置。采用24h 不间断收集数据的方式，每10s 采集一次数据，将所得数据通过内置的无线传输模块，反馈至智能风机预警平台上。然后以前端传输的海量数据作为参考，依托建立起来的预警模型对数据进行处理，最终得到预测值。将预测值与目标值进行对照，根据两者的匹配度得出正确率。正确率越高，则预测结果的准确度越理想。

2.4 结果分析

基于仿真模型的风机预警结果如图2 所示。图中蓝色曲线代表目标值，红色曲线代表预测值。X 轴表示训练次数，y 轴表示参数的数值。

图2 仿真实验中风机绕组温度预警结果

结合图2 可以发现，在训练次数不足250 次的情况下，蓝色和红色曲线的重合度较差。说明模型训练不足导致预测结果的失真性比较严重。而随着训练次数增加，两条曲线的拟合度也变得越来越好，说明该模型对于风机绕组异常温度引起的故障预测结果变得越来越准确。

结束语

在风电事业成熟发展背景下，构建智能风机预警平台将有助于实现对风机系统运行工况的实时采集、动态监督和智能预警。这就使得一些潜在的故障，能够被第一时间发现并进行准确预警，以便于管理人员第一时间发现问题所在，进而采取相应的处理措施，保障了风机系统的稳定运行。本文提出的一种智能风电预警平台，主要包含了数据调度模块、预警信息管理模块、数据库模块等，通过仿真实验可以发现，随着模型训练次数的增加，对于风机异常工况的识别准确率明显提升，为管理人员加强风机的维护、管理提供了极大的帮助。