基于PSO优化核主元分析的海上风电机组运行工况分类.pdf

第４４卷第１６期２０１６年８月１６日电力系统保护与控制ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｖ０１．４４Ｎｏ．１６Ａｕｇ．１６，２０１６ＤＯＩ：１０．７６６７／ＰＳＰＣ１５１４５０基于ＰＳＯ优化核主元分析的海上风电机组运行工况分类郑小霞，李美娜，王靖，任浩翰，符杨（１．上海电力学院自动化工程学院，上海２０００９０；２．上海东海风力发电有限公司，上海２０００９０）摘要：海上风电机组运行环境复杂多变，对其工况进行分类可以提高机组运行健康状态评价的准确性，为制定合理的运行维护策略提供可靠依据。提出～种基于ＰＳＯ优化核主元分析（ＫＰｃＡ）的多参数工况分类方法。针对核函数参数难以确定的问题，综合考虑类内散度和类问散度构建优化核参数的适应度函数，应用ＰＳＯ算法对其进行寻优，将优化后的ＫＰＣＡ用于数据的特征提取，在此基础上采用模糊Ｃ．均值聚类（ＦＣＭ）建立分类模型。通过对ＵＣＩ数据库中的三组实验数据进行分类验证了该方法的有效性。最后，应用该方法对某海上风电场实测数据进行工况分类，并与ＰＣＡ＋ＦＣＭ、ＫＰＣＡ＋ＦＣＭ两种方法进行比较。结果表明，提出方法的分类结果优于其他两种，能够得到清晰准确的分类结果，利于分工况建立准确的机组运行健康状态评价模型。关键词：海上风电机组；工况分类；ＰＳＯ；核主元分析；类别可分性；模糊Ｃ－均值聚类ＯｐｅｒａｔｉｏｎａｌｃｏｎｄｉｔｉｏｎｓｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｏｆｆｓｈｏｒｅｗｉｎｄｔｕｒｂｉｎｅｓｂａｓｅｄｏｎｋｅｒｎｅｌｐｒｉｎｃｉｐａｌａｎａｌｙｓｉｓｏｐｔｉｍｉｚｅｄｂｙＰＳＯＺＨＥＮＧＸｉａｏｘｉａ，ＬＩＭｅｉｎａ，ＷＡＮＧＪｉｎｇ，ＲＥＮＨａｏｈａｎ，ＦＵＹａｎｇ（１．ＳｃｈｏｏｌｏｆＡｕｔｏｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＳｈａｎｇｈａｉＵｎｉｖｅｒｓｉｔｙｏｆＥｌｅｃｔｒｉｃＰｏｗｅｒ，Ｓｈａｎｇｈａｉ２０００９０，Ｃｈｉｎａ；２．ＳｈａｎｇｈａｉＤｏｎｇｈａｉＷｉｎｄＰｏｗｅｒＣｏ．，Ｌｔｄ．，Ｓｈａｎｇｈａｉ２０００９０，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ａｓｃｏｎｓｉｄｅｒｉｎｇｔｈｅｃｏｍｐｌｅｘｏｐｅｒａｔｉｏｎａｌｃｏｎｄｉｔｉｏｎｓｏｆｏｆｆｓｈｏｒｅｗｉｎｄｔｕｒｂｉｎｅｓ，ｃｌａｓｓｉｆｙｉｎｇｔｈｅｏｐｅｒａｔｉｏｎａｌｃｏｎｄｉｔｉｏｎｓｃａｎｉｍｐｒｏｖｅｔｈｅａｃｃｕｒａｃｙｏｆｈｅａｌｔｈｃｏｎｄｉｔｉｏｎｅｖａｌｕａｔｉｏｎｏｆｗｉｎｄｔｕｒｂｉｎｅｓａｎｄｐｒｏｖｉｄｅａｒｅｌｉａｂｌｅｂａｓｉｓｆｏｒｔｈｅｒｅａｓｏｎａｂｌｅｏｐｅｒａｔｉｏｎｍａｉｎｔｅｎａｎｃｅｓｔｒａｔｅｇｉｅｓ．Ａｎｏｐｅｒａｔｉｏｎａｌｃｏｎｄｉｔｉｏｎｓｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｋｅｒｎｅｌｐｒｉｎｃｉｐａｌａｎａｌｙｓｉｓ（ＫＰＣＡ）ｏｐｔｉｍｉｚｅｄｂｙｐａｒｔｉｃｌｅｓｗａｒｌＴｌｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ（ＰＳＯ）ｉｓｐｒｏｐｏｓｅｄ．Ｔｈｅｆｉｔｎｅｓｓｆｕｎｃｔｉｏｎｏｆｋｅｒｎｅｌｆｕｎｃｔｉｏｎｐａｒａｍｅｔｅｒｏｐｔｉｍｉｚａｔｉｏｎｓｉｓｃｏｎｓｔｒｕｃｔｅｄｂｙｃｏｎｓｉｄｅｒｉｎｇｗｉｔｈｉｎｃｌａｓｓｓｃａｔｔｅｒａｎｄｂｅｔｗｅｅｎ－ｃｌａｓｓｓｃａｔｔｅｒｏｆｄａｔａｔｏａｖｏｉｄｔｈｅｐｒｏｂｌｅｍｔｈａｔｃｈｏｏｓｉｎｇａｐｒｏｐｅｒｋｅｒｎｅｌｆｕｎｃｔｉｏｎｐａｒａｍｅｔｅｒｉｓｄｉｆｆｉｃｕｌｔ．ＴｈｅＫＰＣＡｏｐｔｉｍｉｚｅｄｂｙＰＳＯｉｓａｐｐｌｉｅｄｔｏ—ｄａｔａｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎａｎｄａｃｌａｓｓｉｆｉｃａｔｉｏｎｍｏｄｅｌｉｓｂｕｉｌｔｂｙｕｓｉｎｇｆｕｚｚｙＣｍｅａｎｓｒＦＣＭ）ｃｌｕｓｔｅｒｉｎｇａｌｇｏｒｉｔｈｍ．Ｔｈｅ’ｓｉｍｕｌａｔｉｏｎｓｏｎｔｈｒｅｅｇｒｏｕｐｓｄａｔａｏｆＵＣＩｄａｔａｂａｓｅｐｒｏｖｅｔｈｅｍｅｔｈｏｄＳｖａｌｉｄｉｔｙ．Ｆｉｎａｌｌｙ，ｔｈｅｍｅｔｈｏｄｉｓｕｓｅｄｔｏｃｌａｓｓｉｆｙｔｈｅｏｐｅｒａｔｉｏｎａｌｃｏｎｄｉｔｉｏｎｓｏｆｏｆｆｓｈｏｒｅｗｉｎｄｔｕｒｂｉｎｅｓ，ａｎｄｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄＣａｎｇｅｔｍｕｃｈｂｅ￣ｅｒｃｌａｓｓｉｆｉｃａｔｉｏｎｅｆｆｅｃｔｔｈａｎＰＣＡ＋ＦＣＭａｎｄＫＰＣＡ＋ＦＣＭ．Ｉｔｉｓｈｅｌｐｆｕｌｆｏｒｅｓｔａｂｌｉｓｈｉｎｇｈｅａｌｔｈｃｏｎｄｉｔｉｏｎｅｖａｌｕａｔｉｏｎｍｏｄｅｌｆｏｒｅａｃｈｃｏｎｄｉｔｉｏｎ．ＴｈｉｓｗｏｒｋｉｓｓｕｐｐｏｓｅｄｂｙＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａｆｒｏ．５１５０７０９８）．Ｋｅｙｗｏｒｄｓ：ｏｆｆｓｈｏｒｅｗｉｎｄｔｕｒｂｉｎｅｓ；ｏｐｅｒａｔｉｏｎａｌｃｏｎｄｉｔｉｏｎｓｃｌａｓｓｉｆｉｃａｔｉｏｎ；ＰＳＯ；ｋｅｒｎｅｌｐｒｉｎｃｉｐａｌａｎａｌｙｓｉｓ；ｓｏｒｔｓｅｐａｒａｂｉｌｉｔｙｃｒｉｔｅｒｉｏｎ；ｆｕｚｚｙＣ－ｍｅａｎｓｃｌｕｓｔｅｒｉｎｇ０引言随着风电资源的大规模开发，海上风电因具有风能资源能量效益高，海上风湍流强度小，不占用基金项目：国家自然科学基金项目（５１５０７０９８）；上海绿色能源并网工程技术研究中心（１３ＤＺ２２５１９００）；上海市科委重点科技攻关项目（１４ＤＺ１２００９０５）；上海市电站自动化技术重点实验室项目（１３ＤＺ２２７３８００）宝贵的土地资源等优势在全球范围内得到大力发展。风电机组运行状态具有复杂多变的特点，而海上风电机组面临着强风载荷、海水腐蚀和波浪冲击等更加恶劣的运行环境Ｌ１Ｊ，机组的运行工况更加复杂多变，并且风机故障率较高，一旦故障停运时间更长，因此机组的运行维护成本更大、难度更高。通常，运行维护成本约占海上风电场总投资的１５％～３０％。对机组运行工况进行分类，有利于针对郑小霞，等基于ＰＳＯ优化核主元分析的海上风电机组运行工况分类．２９．不同工况做出相应的客观评价，制定合理的运行维护策略，降低运行维护成本。目前，关于风电机组工况分类的研究文献很少，文献［２】考虑单一参数根据风速划分风电机组运行工况，文献［３】克服了单一参数的缺陷，针对机组振动监测阈值的设定进行工况划分的研究，提出了基于数据采集与监控系统（Ｓｕｐｅｒｖｉｓｏｒｙｃｏｎｔｒｏｌａｎｄｄａｔａａｃｑｕｉｓｉｔｉｏｎ，ＳＣＡＤＡ）数据和支持向量机的多运行参数运行工况划分方法，文献［４】考虑机组运行工况提出一种基于工况辨识的机组健康状态实时评价方法，由于文献中主要研究评价方法，并没有过多考虑工况划分的效果，且以上都是对陆上风电机组的研究，对海上风电机组的研究更少。核主元分析（Ｋｅｒｎｅｌｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ，ＫＰＣＡ）Ｎ用非线性变换将输入数据空间映射到高维特征空间，然后在高维空间使用主元分析（Ｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ，ＰＣＡ）方法提取非线性主元Ｌ５】，该方法已在处理实际的非线性问题中取得了较好的效果。核主元分析应用中的关键问题是核参数的选择，但目前还没有太多的理论作指导，研究如何针对实际问题选择客观合理的核参数具有重要意义。传统的ＫＰＣＡ在选取主元时考虑的是尽可能保留原始信息，但对于分类问题并没有充分考虑到类别信息的最大化，数据降维后不一定能够得到较适于分类的成分。粒子群算法（Ｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）是基于群体智能理论的优化算法，目前已广泛应用于函数优化、数据挖掘等领域【ｏＪ。为此，本文提出了一种基于ＰＳＯ优化核主元分析的海上风电机组运行工况分类方法，ＰＳＯ优化核参数时，不仅考虑保留大量原始信息，而且尽量使所选主元的类别信息最大化，将核主元分析提取的特征集作为模糊Ｃ．均值聚类算法的输入，建立海上风电机组运行工况分类模型。１核主元分析的基本原理核主元分析是主元分析的非线性推广，其基本思想是通过一个非线性变换，将输入数据空间中…的个样本ｘ￣ｋ＝ｌ，２，，，映射到高维特征空间Ｆ中，得到高维空间的样本点１），…），，，样本中心化得到（霹），再利用主元分析提取主元，实现非线性数据降维。中心化后数据的协方差矩阵为１Ｍ∑ｃ＝（ｆ）（ｆ）（１）‘－一、ｉ、ｉ、ｒ』＝１对应的特征方程为２ｖ＝Ｃ（２）求解式（２）中的特征值（０）和特征向量，每个样本与式（２）做内积，进而有’…【（）・＇，］＝（）・ｃ，，ｋ＝１，２，，（３）上式中＇，可由（毫）线性表出，即＝∑Ｉ（量）（４）、其中，为相关系数。从而可得：’善［ｃ。Ｍｃ，］。［ｃ・量，］５∑【（）・（定义Ｍ×Ｍ核矩阵：＝（，Ｘｊ）＝（暑）・（，）（６）由于为对称阵，则上式可简化为Ｍ２Ｋｅｔ＝Ｋ（７）Ｍ２ｃｒ＝Ｋｏｃ（８）通过对上式的求解，即可得到要求的特征值和特征向量，归一化特征向量后，可得样本在Ｆ空间中第ｋ个主成分，即在向量上的投影。・∑（）＝（毫）・（）】（９）上述过程假设数据已中心化，但一般情况下中心化是不成立的，因此用詹代替：——霞＝ＫＩＫＫＩ＋删（１０）其中，Ｉ＝ｌ÷Ｉ。核主元分析是利用核函数内积运算实现数据的非线性映射，而无需关注具体映射形式。常用核函数如下。多项式函数：Ｋ（ｘ，）＝（＜，＞＋，），，＞０（１１）高斯径向基核函数：ｌ】Ｘ－－ＺｉｌＫ（ｘ，ｚ）＝ｅｘｐ（一－），＞０（１２）Ｏ－Ｓｉｇｍｏｉｄ函数：Ｋ（ｘ，ｚ）＝ｔａｎｈ（＜Ｘ，Ｚ＞＋ｃ）（１３）研究表明，Ｓｉｇｍｏｉｄ核函数在特定参数下与径向基核函数具有类似的特性，且径向基核函数预测速度和精度在处理大多实际问题中优于其他函数，故本文采用高斯径向基核函数。对于高斯径向基核函数，影响其应用结果的重要因素是核参数。－３０－电力系统保护与控制２基于ＰＳＯ优化的核主元分析粒子群算法是一种有效的全局寻优算法，由Ｋｅｎｎｅｄｙ和Ｅｂｅｒｈａｒｔ于１９９５年提出们。本文采用带收缩因子和惯性权重线性递减的ＰＳＯ算法进行核参数优化，加快收敛速度并防止陷入局部最优，其数学表达式为＝Ｋ［（ｃ＋ｃｌ（ｐ）一）＋ｃ２（ｇｄ＋）］（１４）ｘｔｇ＝＋（１５）缈＝一（１６）』ｒｎａｘ式中：为收缩因子，一般取０．７２９；、分别是惯性权重的最大值和最小值；ｆ是迭代次数；为最大迭代次数。本文将核主元分析特征提取的结果作为工况分类模型的输入，因此在优化核参数时，不仅考虑提取的特征向量集保留的原始信息量，同时考虑该向量集所具有的类别信息，选取出既能够反映原信息又有利于分类的核参数和特征向量集。２．１类别可分性判据传统的ＫＰＣＡ进行特征提取时，通常选取累积贡献率大于８５％的前ｍ个主元构成特征向量集，认为能够与原数据有较高的一致性，即只考虑提取的主元是否保留了大量的原始信息，但是保留的信息量多并不一定是最有利于实际问题分析，对于模式分类数据还应尽可能的提取出类别信息大的特征向量集。类别可分性判据可以衡量提取的特征向量对分类的贡献大小，即具有的类别信息的大小。基于类内类间距离的可分性判据是一种常用的类别可分性判据。对于分类结果，我们希望类内距离越小越好，类间距离越大越好，可以用类内离散度和类问离散度用来度量类内距离和类问距离，为此构造能反映类内距离和类问距离的准则函数。……对于ｃ类样本，（，Ｘ２，，Ｘ），ｉ＝１，２，，Ｃ，第ｉ类的类内离散度矩阵为１ｎｉ．＝÷—…（）（ｘ一ｍ）ｉ＝ｌ，２，，ｃ（１７）ｉｊ＝ｌ总的类内离散度矩阵为＝∑（１８）ｉ＝１』Ｖ类间离散度矩阵为∑Ｓｂ＝（；一Ｊ，１）（ｘ；一）ｉ＝１２一，ｃ（１９）Ｊ：ＩＶⅣ式中：是样本总数；ｎ是ｉ类的样本个数；ｍ是ｉ于目标函数的模糊Ｃ一均值聚类算法【１１－１２１。设Ｃ个聚类，得到最优的模糊分类【ｌ２］：ｍｉｎＪ（Ｕ）＝砉甜ｍＸｊＪＩ（２２）ｌ三ｊ０＜≤＜，ｚ，１ｉｃ（２３１ｌ二户ｌｌ，≤１Ｊ，２≤ｇｂ。ｓ【＇如果ｇｂ。ｔ，更新种群最优解ｇｂ。。ｔ＝Ｐｉｄ。郑小霞，等基于ＰＳＯ优化核主元分析的海上风电机组运行工况分类．３１．（７）判断迭代次数是否达到终止条件，如果，返回步骤（３），否则将当前解作为最优解输出，算法终止。从以上步骤可以看出，ＰＳＯ在优化核参数时，只考虑累积贡献率达到８５％以上的粒子，保留了大量的原始信息，同时以聚类后可分性判据作为ＰＳＯ优化的适应度函数，考虑了聚类后提取的各主元对分类的贡献大小，选取有利于分类的主元。因此，ＰＳＯ优化后可以得到既保留了大量的原信息又有利于工况分类的核参数。基于粒子群优化核参数的流程图如图１所示。开始初始化粒子群各粒子进行ＫＰＣＡ计算累积贡献率是进行ＦＣＭ￣ｆ算及粒子适应度更新粒子自身最优解和全局最优解更新粒子速度位置三ｌＩ＿是输出最优解图１ＰＳＯ优化核参数流程图Ｆｉｇ．１ＦｌｏｗｃｈａｒｔｏｆｋｅｒｎｅｌｐａｒａｍｅｔｅｒｏｐｔｉｍｉｚａｔｉｏｎｂａｓｅｄｏｎＰＳＯ将ＰＳＯ优化后的核主元分析提取得到的特征向量集作为模糊Ｃ一均值聚类的输入，可以实现数据的分类，为了验证方法的有效性，本文采用３组实验数据进行了分类实验，数据来源于ＵＣＩ的ＳｅｅｄｓＤａｔａＳｅｔ，ＧｅｓｔｕｒｅＳｅｇｍｅｎｔａｔｉｏｎＤａｔａＳｅｔ，ＬｅａｆＤａｔａＳｅｔ，为了便于观察将数据统一降到３维，这３组数据都是可以用来聚类的，降维的目标是提取有效的类别信息得到类别分明的数据，在图中表现即为类别清晰。３组数据的维数分别是７维、１８维、ｌ６维，得到的分类结果如图２～图４所示。由上面的分类图可以看到，ＰＳＯ优化后的核主元分析提取不同维数数据的特征向量集后，通过模图２ＳｅｅｄｓＤａｔａＳｅｔ分类图Ｆｉｇ．２ＣｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｏｆＳｅｅｄｓＤａｔａＳｅｔ图３ＧｅｓｔｕｒｅＳｅｇｍｅｎｔａｔｉｏｎＤａｔａＳｅｔ分类图Ｆｉｇ．３ＣｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｏｆＧｅｓｔｕｒｅＳｅｇｍｅｎｔａｔｉｏｎＤａｔａＳｅｔ图４ＬｅａｆＤａｔａＳｅｔ分类图Ｆｉｇ．４ＣｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｏｆＬｅａｆＤａｔａＳｅｔ糊Ｃ．均值聚类算法进行分类基本都可以得到类别清晰的分类结果，这主要是因为ＰＳＯ优化核参数时考虑了类别可分性，提取出既保留大量的原始信息又同时得到具有最大类别信息的数据。３海上风电机组运行工况分类建模３．１运行工况特征参数选取合理的工况分类对机组运行健康状态评价结果有重要的影响，而正确选择机组运行状态特征参数是得到合理工况分类的必要条件。通常情况下海上风电场均采用远程监测系统（ＳＣＡＤＡ系统）对风电场的情况进行实时监测，ＳＣＡＤＡ系统采集包括风速、有功功率、齿轮箱温度等几十个与风机运行状态相关的参数，根据各因素对风电机组运行状态的影响可将这些参数分为机组性能特征参数和外界环境特征参数ｌｌ引。其中，反映机组性能的参数主要包括齿轮箱、发电机、控制柜、机舱等相关参数，外界环境因素参数主要包括风速、环境温度等参数。通过对历史运行数据的关联分析可以看到，环境温度、风速和转速对机舱温度、绕组温度等参数具有明显的影响，其相互关系曲线如图５～图７所示。图５中可以看到反映机组性能的机舱温度和塔筒柜温度受环境温度影响明显，呈现近似线性关系，均随着环境温度的增大而增大，因此在工况分类时需要考虑环境温度的影响。～．３２．电力系统保护与控制ｐ赠速应该作为工况分类的特征参数。另外，齿轮箱和发电机轴承是风电机组中故障高发的部件，因此，本文选取齿轮箱油温、发电机轴承温度、环境温度、有功功率、风速和发电机转速６个关键参数建立机组工况分类模型。３．２建立运行工况分类模型本文提出的基于ＰＳＯ优化核主元析的海上风＋平均机舱温度。塔筒柜平均温度图５机舱温度和塔筒柜温度与环境温度的关系Ｆｉｇ．５Ｒｅｌａｔｉｏｎｓｈｉｐａｍｏｎｇｎａｃｅｌｌｅｔｅｍｐｅｒａｔｕｒｅ，ｔｏｗｅｒｔｅｍｐｅｒａｔｕｒｅａｎｄｅｎｖｉｒｏｎｍｅｎｔｔｅｍｐｅｒａｔｕｒｅ蟾疆图６绕组最高温度与发电机转速的关系’Ｆｉｇ．６ＲｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎｗｉｎｄｉｎｇＳｍａｘｉｍｕｍｔｅｍｐｅｒａｔｕｒｅａｎｄｇｅｎｅｒａｔｏｒｒｏｔａｔｉｏｎａｌｓｐｅｅｄ图６中绕组最高温度随着发电机转速的增大而有所升高，可以看出实测的绕组最高温度分布是一条宽带。耋褂督－图７发电机有功功率与风速的关系Ｆｉｇ．７Ｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎａｃｔｉｖｅｐｏｗｅｒａｎｄｗｉｎｄｓｐｅｅｄ图７是机组的功率特性曲线，由图中看到当风速低于额定风速时，风机处于功率增加阶段，有功率随风速增大而增大；当风速在额定风速至切出风速之间时，风机保持输出功率恒定。该曲线是考核机组性能、评估机组发电能力的一项重要指标，通过比较实测的功率特性曲线与制造商提供的功率特性曲线可以评估机组的实际运行性能。综上，环境温度、有功功率、风速和发电机转图８海上风电机组运行工况分类框图Ｆｉｇ．８Ｆｒａｍｅｗｏｒｋｏｆｏｐｅｒａｔｉｏｎａｌｃｏｎｄｉｔｉｏｎｓｃｌａｓｓｉｆｉｃａｔｉｏｎｆｏｒｏｆｆｓｈｏｒｅｗｉｎｄｔｕｒｂｉｎｅｓ具体实现步骤如下：（１）数据的预处理，采集ＳＣＡＤＡ历史数据，合理选取数据，进行标准化处理；ｆ２）运行工况参数特征提取，利用ＰＳＯ优化高斯核函数参数，得到最优的核参数，进行核主元分析提取特征向量，得到新的主元变量集；（３）工况分类，将得到的主元变量集作为模糊Ｃ．均值聚类的输入，得出工况分类结果。４实例分析为了验证工况分类模型的有效性，本文采用某海上风电场ＳＣＡＤＡ系统采集的机组运行数据进行分类实验。该风电场采集的数据包含风速、环境温度、机舱温度、有功功率、发电机轴承温度、绕组温度、齿轮箱油温等３１个运行参数，本文选取某一台３ＭＷ风电机组２０１２年１月至１２月的正常运行数据，该机组的额定参数如表１所示。表１风电机组额定参数Ｔａｂｌｅ１Ｒａｔｅｄｐａｒａｍｅｔｅｒｓｏｆｗｉｎｄｔｕｒｂｉｎｅ从中选取由齿轮箱油温、发电机轴承温度、环境温度、有功功率、风速和发电机转速６个参数构成的特征参数集，选取２０８组数据（去除坏点），在选取数据时参考ＩＥＣ标准中风电机组功率特性测试要求【Ｊ，选取风速范围为低于切入风速１ｍ／ｓ至切出风速，得到所选数据的风速范围为２．６４～２４．３６ｒｎ／ｓ，几乎覆盖了此台机组的绝大多数运行工。郑小霞，等基于ＰＳＯ优化核主元分析的海上风电机组运行工况分类．３３－将选取的数据按４中步骤实现工况分类。其中，ＰＳＯ优化核函数参数时各参数设定如表２所示。表２粒子群算法（ＰＳＯ）参数设定表１１ａｂｌｅ２ＰａｒａｍｅｔｅｒｓｓｅｔｏｆＰＳＯ参数名称设定值种群规模ｎ惯性权重，学习因子ｃ１，收缩因子核参数范围（２）最大迭代次数粒子最大速度ｖｍ其中，核参数范围是经过多次试验，将范围由大到小逐渐缩小，以保证能够寻得最优解。图９是ＰＳＯ优化核参数时适应度函数随迭代次数进化过程，图１０是ＫＰＣＡ的累积贡献率随迭代次数变化曲线，由图中看出优化时只考虑了累积贡献率达到８５％以上的核参数值，得到最优的核参数１．８６２１：刨辎蒹求图９ＰＳＯ优化核参数时适应度变化曲线Ｆｉｇ．９ＰＳＯｆｉｔｎｅｓｓｃｈａｎｇｅｃｕｒｖｅｄｕｒｉｎｇｐｒｏｃｅｓｓｏｆｋｅｒｎｅｌｐａｒａｍｅｔｅｒｏｐｔｉｍｉｚａｔｉｏｎ僻轾嘴８８０８７５８７０８６５８６０８５５８５０图１０ＰＳＯ优化核参数时累积贡献率变化曲线Ｆｉｇ．１０Ｃｕｍｕｌａｔｉｖｅｃｏｎｔｒｉｂｕｔｉｏｎｒａｔｅｃｈａｎｇｅｃｕｒｖｅｄｕｒｉｎｇｐｒｏｃｅｓｓｏｆｋｅｒｎｅｌｐａｒａｍｅｔｅｒｏｐｔｉｍｉｚａｔｉｏｎ表３给出ＰＳＯ优化的核主元分析结果，可以看到，前３个主元的累积贡献率达到了８７．２４％，选取新主元保留了原数据的大部分信息，可以代替原始的３１维数据。为体现本文所提方法的优越性，分别采用三种方法进行分类试验。分别是ＰＣＡ＋ＦＣＭ、ＫＰＣＡ＋ＦＣＭ及ＰＳＯ．ＫＰＣＡ＋ＦＣＭ，采用ＫＰＣＡ＋ＦＣＭ时核参数分别取１、３和３．５，实验得到的分类结果如图１１～图１５所示。表４是各方法进行降维时得到累积贡献率。表３核主元分析结果Ｔａｂｌｅ３Ｋｅｍｅｌｐｒｉｎｃｉｐａｌａｎａｌｙｓｉｓｒｅｓｕｌｔ△・工况１工况２ｏｌｌ『．况３。工况４图１１ＰＣＡ＋ＦＣＭ工况分类结果图Ｆｉｇ．１１ＣｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｏｆＰＣＡ＋ＦＣＭ△＋工况１工况２ｏ工况３。工况４图１２ｏ－＝１时ＫＰＣＡ＋ＦＣＭ工况分类结果图Ｆｉｇ．１２Ｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔ０ｆＫＰＣＡ＋ＦＣＭｗｈｉｌｅｏ－＝１８・０雇ｏ－ｓ。１・。第＋工况ｌＡ工况２。工况３Ｃ１工况４图１３＝３时ＫＰＣＡ＋ＦＣＭ工况分类结果图Ｆｉｇ．１３ＣｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｏｆＫＰＣＡ＋ＦＣＭｗｈｉｌｅｏ－＝３４ｍ们ｃ主：㈣们：一叫㈣Ｏ．．３４．．电力系统保护与控制△＋１二况１Ｉ况２ｏ１二况３＿１：况４图１４盯＝３．５时ＫＰＣＡ＋ＦＣＭ工况分类结果图Ｆｉｇ．１４ＣｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｏｆＫＰＣＡ＋ＦＣＭｗｈｉｌｅｏ－＝３．５・Ｉ＿况１ＡＩ＿况２ｏｌ＿况３０Ｉ一况４图１５ＰＳＯ．ＫＰＣＡ＋ＦＣＭ工况分类结果图Ｆｉｇ．１５ＣｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｏｆＰＳＯ．ＫＰＣＡ＋ＦＣＭ表４不同方法进行特征提取时的累积贡献率ｎｌｅ４Ｃｕｍｕｌａｔｉｖｅｃｏｎｔｒｉｂｕｔｉｏｎｒａｔｅｏｆｄｉｆｆｅｒｅｎｔｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｍｅｔｈｏｄｓ特征提取方法累积贡献率／％ＰＣＡＫＰＣＡ＝１ＫＰＣＡ＝１．８６２１ＫＰＣＡ＝３ＫＰＣＡ＝３．５从以上实验结果可以看出，ＰＳＯ．ＫＰＣＡ＋ＦＣＭ的分类效果要好于其他方法，能够清晰地划分出各个工况。对于ＫＰＣＡ方法，选择不同的核参数。对分类结果影响很大，当选取最优核参数的邻近值１、３和３．５时得到的分类效果并不好。如果选择不当ＫＰＣＡ＋ＦＣＭ的分类效果可能没有ＰＣＡ＋ＦＣＭ的效果好，如图１３所示，当ｏ－＝３时得到的分类结果明显没有图１１所示的ＰＣＡ＋ＦＣＭ的效果好。结合表４与各方法分类结果图，可以看出，对于分类问题在特征提取时，不能仅考虑保留原始信息，还要尽量保留数据的分类信息，因为并不是保留信息量越多、累积贡献率越大就能够得到好的分类效果。如表４所示，ＰＣＡ以及ＫＰＣＡ中选取３和３．５时得到的累积贡献率都在９０％以上，高于本文所提方法优化所得值１．８６２１的８７．２４％，但是图１１、图１３及图１４表明这三种方法提取的数据分类效果并不理想，分类结果图中都有明显不同程度的工况特征点混杂在一起的情况，类别划分不清晰，边界不明显。而对于图１５，由于本文所提方法在选取ＫＰＣＡ核参数时，同时考虑了保留数据的原始信息和类别信息，在聚类后得到了清晰明确的类别划分结果。综上，本文所提方法能够对海上机组运行工况空间进行清晰准确的划分。其中的核参数优化方法，在考虑保留原始信息量的同时兼顾数据的类别信息，能提取出更有效、更利于分类的非线性主元，很适用于解决分类问题中ＫＰＣＡ核参数的选择问题。同时，得到的机组运行工况划分结果，可以用来将ＳＣＡＤＡ历史数据进行相应的划分，生成相应个数的健康状态评价模型的训练样本集，通过高斯混合模型（ＧＭＭ）或隐马尔科夫（ＨＭＭ）等模型进行训练，建立各运行工况子空间下的健康状态评价模型，实现根据不同工况准确的建立机组的运行健康状态评价模型，并为合理制定运行维修策略提供依据。５结论本文提出了一种基于ＰＳＯ优化核主元分析的海上风电机组运行工况分类方法。在分类模型的特征提取部分，综合考虑了原始信息和数据的类别信息，提取出利于分类的特征参数。用本文所提的方法对某海上风电机组的ＳＣＡＤＡ历史数据进行工况空间划分，得到了优于其他方法的分类结果，验证了该方法的有效性和优越性，为更客观合理地实现分工况评价机组运行健康状态提供了基本保证，有利于及时制定合理的机组运行维护策略。参考文献［１］黄玲玲，符杨，胡荣，等．基于运行维护的海上风电机组可用性评估方法［ＪＪ．电力系统自动化，２０１３，３７（１６）：—１３１７．ＨＵＡＮＧＬｉｎｇｌｉｎｇ，ＦＵＹａｎｇ，ＨＵＲｏｎｇ，ｅｔａ１．Ａｖａｉｌａｂｉｌｉｔｙｅｖａｌｕａｔｉｏｎｏｆｏｆｆｓｈｏｒｅｗｉｎｄｔｕｒｂｉｎｅｃｏｎｓｉｄｅｒｉｎｇｏｐｅｒａｔｉｏｎａｎｄｍａｉｎｔｅｎａｎｃｅ［Ｊ］．ＡｕｔｏｍａｔｉｏｎｏｆＥｌｅｃｔｒｉｃＰｏｗｅｒＳｙｓｔｅｍｓ，２０１３，３７（１６）：１３－１７．［２］ＢＥＣＫＥＲＥ，ＰＯＳＴＥＰＡＵＬ，ＲＥＳＬＥＲＪ．Ｋｅｅｐｉｎｇｔｈｅｂｌａｄｅｓｔｕｒｎｉｎｇ：ｃｏｎｄｉｔｉｏｎｍｏｎｉｔｏｒｉｎｇｏｆｗｉｎｄｔｕｒｂｉｎｅ—ｇｅａｒｓ［Ｊ］．ＷｉｎｄＥｎｅｒｇｙ，２００６，７（２）：２６３２．［３］刘永前，王飞，时文刚，等．基于支持向量机的风电机组运行工况分类方法［Ｊ］．太阳能学报，２０１０，３１（９）：１１９１．１１９７．ＬＩＵＹｏｎｇｑｉａｎ，ＷＡＮＧＦｅｉ，ＳＨＩＷｅｎｇａｎｇ，ｅｔａ１．Ｏｐｅｒａｔｉｏｎ２勰９郑小霞，等基于ＰＳＯ优化核主元分析的海上风电机组运行工况分类．３５一ｃｏｎｄｉｔｉｏｎｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｆｏｒｗｉｎｄｔｕｒｂｉｎｅｂａｓｅｄｏｎｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ［Ｊ］．ＡｃｔａＥｎｅｒｇｉａｅＳｏｌａｒｉｓＳｉｎｉｃａ，２０１０，３１（９）：１１９１－１１９７．［４］董玉亮，李亚琼，曹海斌，等．基于运行工况辨识的风电机组健康状态实时评价方法［Ｊ］．中国电机工程学报，２０１３，３３（１１）：８８－９５．—ＤＯＮＧＹｕｌｉａｎｇ，ＬＩＹａｑｉｏｎｇ，ＣＡＯＨａｉｂｉｎ，ｅｔａ１．Ｒｅａｌｔｉｍｅｈｅａｌｔｈｃｏｎｄｉｔｉｏｎｅｖａｌｕａｔｉｏｎｏｎｗｉｎｄｔｕｒｂｉｎｅｓｂａｓｅｄｏｎｏｐｅｒａｔｉｏｎａｌｃｏｎｄｉｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥ，２０１３，３３（１１）：８８－９５．【５］ＳＥＨＯＬＫＯＰＦＢ，ＳＭＯＬＡＡ，ＭＵＬＬＥＲＫＲ．Ｎｏｎｌｉｎｅａｒｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓａｓａｋｅｒｎｅｌｅｉｇｅｎｖａｌｕｅｐｒｏｂｌｅｍ［Ｊ］．ＮｅｕｒａｌＣｏｍｐｕｔａｔｉｏｎ，１９９８，１０（５）：１２９９－１３１９．［６］吴忠强，贾文静，吴昌韩，等．基于ＰＳＯ－ＢＳＮＮ的短期风速预测［Ｊ］．电力系统保护与控制，２０１５，４３（１５）：３６．４１．—ｗＵＺｈｏｎｇｑｉａｎｇ，ＪＩＡＷｅｎｊｉｎｇ，ＷＵＣｈａｎｇｈａｎ，ｅｔａ１．ＳｈｏｒｔｔｅｒｍｗｉｎｄｓｐｅｅｄｆｏｒｅｃａｓｔｉｎｇｂａｓｅｄｏｎＰＳＯ－ＢＳＮＮ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１５，４３（１５）：３６．４１．［７］刘欢。刘志刚．基于改进粒子群算法的牵引变电所维修优化研究［Ｊ】．电力系统保护与控制，２０１５，４３（１１）：８７．９４．ＬＩＵＨｕａｎ，ＬＩＵＺｈｉｇａｎｇ．Ａｎｉｍｐｒｏｖｅｄｐａｒｔｉｃｌｅｓｗａｒｍａｌｇｏｒｉｔｈｍｓｔｕｄｙｏｎｏｐｔｉｍｉｚａｔｉｏｎｍｏｄｅｌｏｆｍａｉｎｔｅｎａｎｃｅｓｃｈｅｄｕｌｅｓｆｏｒｒａｉｌｗａｙｔｒａｃｔｉｏｎｓｕｂｓｔａｔｉｏｎｓ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１５，４３（１１）：８７・９４．［８］卢锦玲，苗雨阳，张成相，等．基于改进多目标粒子群算法的含风电场电力系统优化调度［Ｊ］．电力系统保护与控制，２０１３，４１（１７）：２５－３１．ＬＵＪｉｎｌｉｎｇ，ＭＩＡＯＹｕｙａｎｇ，ＺＨＡＮＧＣｈｅｎｇｘｉａｎｇ，ｅｔａ１．Ｐｏｗｅｒｓｙｓｔｅｍｏｐｔｉｍａｌｄｉｓｐａｔｃｈｃｏｎｓｉｄｅｒｉｎｇｗｉｎｄｆａｒｍｓｂａｓｅｄｏｎｉｍｐｒｏｖｅｄｍｕｌｔｉ－ｏｂｊｅｃｔｉｖｅｐａｒｔｉｃｌｅｓｗａｒｍａｌｇｏｒｉｔｈｍ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１３，—４１（１７）：２５３１．［９］ＥＢＥＲＨＡＲＴＲ＇ＫＥＮＮＥＤＹＪ．Ａｎｅｗｏｐｔｉｍｉｚｅｒｕｓｉｎｇｐａｒｔｉｃｌｅｓｗａｒｍｔｈｅｏｒｙ［Ｃ】／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＳｉｘｔｈｌｍｅｒｎａｔｉｏｎａｌＳｙｍｐｏｓｉｕｍｏｎＭｉｃｒｏＭａｃｈｉｎｅａｎｄＨｕｍａｎ—Ｓｃｉｅｎｃｅ，ＮａｇｏｙａＪａｐａｎ，１９９５：３９４３．［１０］ＫＥＮＮＥＤＹＪ，ＥＢＥＩＨＡＲＴＲ．Ｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＮｅｕｒａｌＮｅｔｗｏｒｋｓ，１９９５：１９４２・１９４８．［１１］孟安波，卢海明，李海亮，等．纵横交叉算法优化ＦＣＭ在电力客户分类中的应用［Ｊ］．电力系统保护与控制，２０１５，４３（２０）：１５０．１５４．ＭＥＮＧＡｎｂｏ，ＬＵＨａｎｍｉｎｇ，ＬＩＨａｉｌｉａｎｇ，ｅｔａ１．ＥｌｅｃｔｒｉｃｉｔｙｃｕｓｔｏｍｅｒｃｌａｓｓｉｆｉｃａｔｉｏｎｂａｓｅｄｏｎｏｐｔｉｍｉｚｅｄＦＣＭｃｌｕｓｔｅｒｉｎｇｂｙｈｙｂｒｉｄＣＳＯ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１５，４３（２ｏ）：１５０－１５４．［１２］杨茂，熊吴，严干贵，等．基于数据挖掘和模糊聚类的风电功率实时预测研究［Ｊ］．电力系统保护与控制，２０１３，４１（１）：１－６．ＹＡＮＧＭａｏ，ＸＩＯＮＧＨａｏ，ＹＡＮＧａｎｇｕｉ，ｅｔａ１．Ｒｅａｌ－ｔｉｍｅｐｒｅｄｉｃｔｉｏｎｏｆｗｉｎｄｐｏｗｅｒｂａｓｅｄｏｎｄａｔａｍｉｎｉｎｇａｎｄｆｕｚｚｙｃｌｕｓｔｅｒｉｎｇ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１３，４ｌ（１）：１－６．［１３］胡姚刚，唐显虎，刘志详．并网风电机组在线运行状态评估方法［Ｊ］．中国电机工程学报，２０１０，３０（３３）：—１０３１０９．ＨＵＹａｏｇａｎｇ，ＴＡＮＧＸｉａｎｈｕ，ＬＩＵＺｈｉｘｉａｎｇ．Ｍｅｔｈｏｄｆｏｒｏｎ．１ｉｎｅｏｐｅｒａｔｉｏｎｃｏｎｄｉｔｉｏｎｓａｓｓｅｓｓｍｅｎｔｆｏｒａｇｒｉｄ－ｃｏｎｎｅｃｔｅｄｗｉｎｄｔｕｒｂｉｎｅｇｅｎｅｒａｔｏｒｓｙｓｔｅｍ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥ，２０１０，３０（３３）：１０３－１０９．—［１４］ＩＥＣ６１４００－１２１Ｅｄ．１ｐｏｗｅｒｐｅｒｆｏｒｍａｎｃｅｍｅａｓｕｒｅｍｅｎｔｓｏｆｅｌｅｃｔｒｉｃｉｔｙｐｒｏｄｕｃｉｎｇｗｉｎｄｔｕｒｂｉｎｅｓ［Ｓ］．２００５．收稿日期：２０１５－０８－１７：修回Ｅｌ期：２０１５－１１一Ｏ７作者简介：郑小霞（１９７８一），女，博士，副教授，主要研究方向为风力发电故障诊断与运行维护等；Ｅ－ｍａｉｌ：ｚｈｅｎｇｘｉａｏｘｉａ＠ｓｈｉｅｐ．ｅｄｕ．ｃｎ李美娜（１９８７一），女，通信作者，硕士研究生，主要研—究方向为海上风电机组运行维护。Ｅｍａｉｌ：ｘｉａｏｌｉｍｇｎａ＠１６３．ｃｏｍ（编辑姜新丽）