Professional Documents
Culture Documents
2023 年 9 月 水力发电
基于 Informer 的风电机组叶根载荷预测
1 1 2
王 伟 ,王海云 ,黄晓芳
( 1. 新疆大学电气工程学院,新疆 乌鲁木齐 830046;
2. 新疆金风科技股份有限公司,新疆 乌鲁木齐 830026)
摘 要: 为了保障风电机组的安全经济运行,需要对风机关键部位的实时载荷进行监测和预测。因此,提出了一种
基于 Informer 模型的风机叶根实时载荷预测方法。首先使用 OpenFAST 软件对风机进行仿真计算,然后利用仿真数
据搭建 Informer 预测模型对风机叶根实时载荷进行预测,最后给出了模型预测数据与实际数据的曲线并对预测结果
进行了评估,证明了该方法的可行性。通过与 LSTM 和 GRU 两种常规模型的预测结果进行对比,证明了 Informer 模
型有更优的预测性能。
关键词: 风电机组; 叶根; 载荷预测; Informer 模型; LSTM; GRU
[9]
律,有很强的处理非线性问题的能力 。因此,机
0 引 言
器学习算法也被用于风电机组的载荷分析和预测中。
[10]
为实现我们国家制定的双碳目标,近年来风力 付德义等 基于 GH Bladed 的仿真数据,将 BP 神
发电产业蓬勃发展,电 网 中 的 认 可 度 也 越 来 越 高, 经网络应用于风电机组的载荷适应性评估,完成了
[1-3]
这一切都离不开风电技术的更新迭代 。风电技术 在不同风况条件下对风电机组叶根和轮毂等关键部
的进步也在不断提升风电机组运行的安全性和经济 位的极 限 载 荷 以 及 等 效 疲 劳 载 荷 的 预 测。周 士 栋
[4-6] [11]
性 。风电机组所处的运行环境十分复杂多变,而 等 则是基于风机运行的 SCADA 数据搭建了 BP 神
且过去的十几年间风机轮毂的高度越来越高,叶片 经网络模型,实现了 对 风 机 关 键 部 位 载 荷 的 预 测。
[12]
也越来越大,风电机组的各个关键部位( 例如叶根和 许扬等 结合多因素权重法和 BP 神经网络有效预
偏航) 更容易受到载荷的影响,这就给风电机组的结 测并分析了各种环境参数对风机关键部位平均载荷
[7-8]
构安全以及风场的运维带来了不小的压力 。为此
需要采用优秀的预测手段对风电机组的载荷进行监 收稿日期: 2023-03-15
测和预测,以保障风电机组安全经济的运行。 基金项目: 自治区重点研发计划资助项目( 2022B03031)
近年来,随着大数据技术和人工智能技术的发 作者简介: 王伟( 1995—) ,男,湖北荆州人,硕士研究生,主
展,机器 学 习 方 法 能 够 从 数 据 中“学 习”总 结 出 规 要从事风电机组载荷分析相关研究.
[13]
和极限载荷的影响。章培成等 采用多元线性回归 动量理论是指基于动量守恒定律,获得作用于
的算法搭建了风机载荷预测模型,该模型在对风场 叶轮上的力、力矩和动量、角动量之间的关系。同
多机位点评估时有着较高的准确性。上述文献都对 样,与叶根距离为 r、厚度为 dr 的叶素上受到的轴
风电机组的疲劳载荷、平均载荷以及极限载荷进行 向推力 dT 和 dM 分别由如下公式计算得到
了预测方法的研究,但是未涉及风电机组实时载荷 dT = 4πρv 21 a( 1-a) rdr ( 3)
的预测,而为了提升风机运行的效率,掌握风机的 dM = 4πρΩv 1 b( 1-a) r dr 3
( 4)
[14-15] [16]
实时运行状态是最有效的途径 。卢晓光等 利 式中,v 1 为无穷远处来流风速; a 和 b 分别是轴向和
用数字孪生技术创新性地对风电机组的载荷进行了 切向诱导因子; Ω 为风轮转速。
实时预测,虽然总体预测效果良好,但是由于一次 结合叶素理论和动量理论便可以求得作用在风
性预测的数据点过多即预测的是超长序列,难免会 机叶轮上的力、力矩和功率。
出现局部数据段的实际值和预测值的误差较大的问 1. 2 灰色关联度分析
题。因此,本文采用序列预测工具对风电机组载荷 灰色关联度分析法的基本思想是若影响因素与
较长序列的预测。Informer 模型由北京航空航天大学 目标变量的变化趋势一致,该影响因素与目标变量
于 2021 年提出,专门设计用于长序列的预测。目前 关联度较高; 反之,则关联度较低。将灰色关联度
已经有学者将 Informer 模型应用于不同领域的工程 分析法与深度学习模型相结合,通过该分析方法筛
[17]
研 究 中, 例 如 董 浩 等 将 Informer 模 型 应 用 于 选出与目标变量强相关的影响因素作为模型的输入,
PM2. 5 浓度的预测; 刘洪笑等[18] 和贺春光等[19] 使用 从而避免模型因无效输入太多导致其训练效率过低
[20]
Informer 模型对用电量进行了预测; 张友等 则在 的问题。灰色关联度分析法的计算公式如下
数据不完备的情况下使用 Informer 模型完成了对离 Δ( min) + ρΔ( max)
ξ i( k) = ( 5)
心鼓风机故障趋势的预测。 Δ i( k) + ρΔ( max)
基于上 述 研 究 现 状,本 文 创 新 性 地 将 Informer 1 N
ξ i( k) ( 6)
N∑
ri =
模型应用于风电机组叶根载荷的实时预测,并对预 k=1
注意力机制的 计 算 主 要 由 查 询 向 量 矩 阵 Query
×d ×d 2 Informer 预测模型搭建
( Q∈R LQ ) 、键向量矩阵 Key( K∈R LK ) 和值向量矩
×d
阵 Value( V∈R ) 3 个向量组成,其中 L Q 为查询向
LV
2. 1 原始数据获取
量矩阵序列维度; L K 为键向量矩阵序列维度; L V 是 本文以某 4. 5 MW 的服役直驱风电机组为实验
值向量矩阵序列维度; d 为输入维度。第 i 个 Query 对象,该风电机组的额定风速为 10. 8 m / s; 叶轮直
的注意力系数的概率形式 A 表为 径为 155 m。通 过 基 于 BEM 的 风 机 载 荷 计 算 软 件
k( q i ,k j ) OpenFAST 对该机组进行仿真得到叶根的载荷数据。
A( q i ,K,V) = ∑ v j = E p( k q i) [V j] ( 7)
∑ k( q ,k ) 2. 2 数据分析
j
j
i l
j
1
LK q ik j
T
有较强相关性的影响因素,以此作为模型预测的输
M( q i ,K) = ln ∑ e■ - ( 8)
LK ∑
d
e■ d
j=1 j=1
入。筛选出 的 影 响 因 素 及 其 相 应 的 关 联 度 由 表 1
最终得到稀疏自注意力公式为 给出。
QK T 由表 1 可知,这些影响因素与叶根载荷的关联
A( Q,K,V) = softmax( )V ( 9)
■d
度都高于 0. 5,说明对叶根载荷的影响较大,因此将
表中 10 个影响因素作为输入到 Informer 预测模型中
式中,Q 矩阵由查询向量矩阵 Q 概率稀疏化得到。
的决策变量。
Encoder 主要用于捕获长序列的远期依赖关系,
2. 3 数据预处理
将输入送至多头稀疏自注意力模块,并且中间会通
首先是标准化处理,因为不同的变量在量纲上
过蒸馏层进行蒸馏操作以减少网络参数,突出特征,
有较大的差异,导致有些变量的方差很大,从而影
蒸馏原理可表示为
响到模型的收敛和预测精度,所以需要对原始数据
X j+1 = MaxPool {σ [ Conv1d( [ X j ] AB )]} ( 10)
进行标准化处理,消除量纲差异。标准化的计算公
式中,MaxPool 为 最 大 池 化 操 作; σ 为 激 活 函 数;
式为
Conv1d 表示的是序列上的一维卷积操作。
x i -u
Decoder 的作用是进行前向计算并预测长序列输 x *i = ( 14)
β
出。此外,由于 Informer 使用的是生成式结构,能 *
式中,x i 为某一变量的第 i 个点标准化后的数值;
够一次性生成全部的预测序列,极大地提高了预测
x i 为该变量的第 i 个点标准化以前的数值; u 为标准
解码的效率。Decoder 的输入格式为
化前该变量所有数据点的平均值; β 为该变量的标
X feed_ de = Concat( X token ,X 0 ) ∈R ( L
+L y) ×d
token
( 11)
准差。
式中,X token 为开始字符; X 0 为占位字符; Concat 则
然后将标准化处理过的数据按照 7 ∶ 1 ∶ 2 的比
表示将 X token 和 X 0 连接合并。
例划分为训练集( 21 000 组) 、验证集( 3 000 组) 和
同时,对于序列预测问题,数据间的顺序非常
测试集( 6 000 组) ,供预测模型使用。
重要,为了使数据输入模型之后的顺序结构不发生
改变,需要对每个输入数据的位置信息进行位置嵌
2. 4 模型实现
入,嵌入原理由下式表示 本文使用深度学习框架 Pytorch 搭建 Informer 模
pos 型,模型的编码器输入、输出长度和预测长度分别
PE ( pos,2j) = sin ( 12) 为 800、400 和 300; Batch-size 为 32; 迭 代 次 数 为
( 2L x ) 2j / d
表1 影响因素与叶根载荷关联度
图2 Informer 预测结果
1 n y i,pre - y i,real
( 16)
n∑
MAPE = 4 结 语
i=1 y i,real
1 n 本文创新性地将长序列预测工具 Informer 模型
( y i,pre - y i,real ) 2
( 17)
n∑
RMSE =
■ i=1 应 用 于 风 电 机 组 叶 根 实 时 载 荷 的 预 测, 基 于
1 n OpenFAST 的仿真数据,通过灰色关联度分析法筛选
MAE = ∑ y i,pre - y i,real ( 18)
n i=1 出对风机叶根载荷影响较大的因素作为模型的输入,
式中,y i,pre 为第 i 条数据的模型预测值; y i,real 为第 i 给出了模型预测值和实际值的对比结果,并通过对
条数据的实际值; y mean 为实际数据的均值。这些误差 结果的分析证明了该方法的 可 行 性; 通 过 与 LSTM
2
的数值越小,模型的准确度越高; R 的范围是0 ~ 1, 和 GRU 两 种 常 规 模 型 预 测 结 果 的 对 比, 验 证 了
R 2 的值越大,模型预测的预测效果越好。 Informer 模型在载荷实时预测中更优的性能。
3. 2 模型预测结果分析
通过 Informer 模型对风电机组叶根 M x 弯矩、叶 参考文献:
根 M y 弯矩和 M z 弯矩未来 300 个数据点的预测,得 [1] 曹晓冬,杨世海,支亚薇,等. 基于预测虚拟转矩控制的 DFIG 并
到图 2 的预测值与实际值的对比曲线。由图 2 可知, 网逆变方法[J]. 电力工程技术,2019,38( 2) : 32-37,98.
Informer 模型的预测值和实际 值 之 间 有 较 好 的 一 致 [2] 张露江,汤会增,张利,等. 大型风机风向补偿算法研究[J]. 电
■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■
( 上接第 5 页) 结合,形成氢能制储加一体化示范, 化技术,2022,29( 9) : 188-190.