基于预报产品的四川暴雨预警指数研究

基于预报产品的四川暴雨预警指数研究

1.基于预报产品的四川暴雨预警指数研究 篇一

随着风力发电机组的单机容量越来越大,装机量也逐年增加,相关的第三产业即风电机组运行维护、监测、故障诊断等将成为行业新的增长点[1,2]。

风场处在荒原等恶劣环境中,人工巡检困难,大批风机即将超过保修期。近年来,因为维修不及时,风机倒塌、着火事故频频发生[3]。对风电机组状态的监测预警可为检修提供依据,利于工程人员进行状态检修,减小故障状态下的损失,并为以后风电机组传感器数据的进一步研究和预测提供可靠的理论参考和价值性的经验。

1 监测预警系统原理结构

由于风电场的机组数量多且分布广泛,非常适合采用物联网技术对杆塔的倾斜沉降等状态进行远程监测预警。基于物联网的预警系统结构如图1 所示。用于采集风电机杆塔工作状态数据的无线传感器节点通过无线通信方式形成为多跳的自组织网络。数据采集传输过程是由作业现场的传感器节点协作感知,采集数据,并通过无线信道进行数据传输[4,5]。传输过程中监测数据可能被多节点处理,经过多跳后汇总到汇聚节点,由汇聚节点经底层协议将数据传送到网关节点,再由网关将采集到的监测数据通过网桥和智能网络连接进行数据传输,最终发送到监测中心。用户的手持终端有WSN(无线传感网络)和RFID(射频)功能,用于人工巡检、调试时识别风机号,便于准确定位。

2 数据处理模型及其改进

2.1 传感器数据预处理

2.1.1 坏值预处理

因为风电机组工作环境恶劣,多处于海边、山地等偏远地区。由于外界振动、电磁干扰、仪器故障等引起了传感器的测量值异常,从而传感器的输出值带有粗大误差,所以采集并输出的数据带有一定坏值[6,7]。

常用的克服随机误差的方法有限幅滤波、中值滤波和基于拉依达准则的奇异数据滤波法。风机所用传感器采集并传输的是大量的重复测量值,考虑到大量动态测量数据的事实,选取拉依达准则剔除坏值。

拉依达准则(3σ 准则):

设对被测量进行等精度测量,得到独立测量值xi,算出其算术平均值及剩余误差vi:

并按贝塞尔公式算出标准误差 σ,若某个测量值xk的剩余误差vk(1 ≤k ≤n )满足

则认为xk是含有粗大误差值的坏值,应予剔除。

在对位移传感器的数据预处理问题上,为了精确测量值,在对总体数据运用拉依达准则剔除坏值后,又对余下数据进行二次拉依达准则滤波,重新计算了数据的平均值和标准误差,进一步提高数据可信度。

2.1.2 缺省值预处理

原始数据在剔除坏值后,若直接忽略掉缺省数据将影响数据量的大小,且数据容易受到缺省值的影响,影响其平滑度和预测准确度。针对缺省数据问题,运用平均值填充法处理缺失数据。若第K个数据缺失,则有

xk∗作为第K个数据的替代值。在缺失值不频发的条件下,用平均值填补缺失值可以降低跳变处对数据的影响。

2.2 传感器数据分析与处理

传感器正常工作时由于自身器件和电路元件的振动等原因,会产生一定的系统误差,修正系统误差这种小幅度高频噪声可以选择算术平均滤波法、滑动平均滤波法和指数平滑法[8]。

根据应用背景可知,去噪后获得的多传感器数据为大量动态数据,且整体数据为有下降趋势的时间序列。算术滤波法的效果主要取决于采样值个数N,N越大效果越好,但是随着N的增加系统灵敏度将下降[9]。针对应用数据的特点,选取二次曲线指数平滑法处理数据。

2.2.1 二次曲线指数平滑滤波法

对于非线性增长的时间序列,采用二次曲线指数平滑法比线性指数平滑法更为有效。它的特点是不但考虑了线性增长的因素,而且也考虑了二次抛物线的增长因素。其公式为

式中:st1,st2,st3分别为t时刻xt的一次、二次、三次指数平滑数值;At为t时刻的水平值;Bt为t时刻的线性增量;Ct为t时刻的抛物线增量。

则可得到时间序列超前m步预测模型为

由于无线位移传感器数据值特点为:递减时间序列,历史数据平稳,数值小。为确保预测精度,使用预测误差的标准差,即SDE来衡量预测精度高低。

2.2.2 平滑参数a的改进

平滑系数a反映了模型对系统变化的反映速度,又反映了预测模型对数据的平滑能力。由此模型可知,平滑系数a的选择直接决定了未来时刻数据值预测的准确度[10,11]。若历史数据相对平稳,a的取值区间一般为(0.1~0.3):若历史数据波动较大,a的取值区间一般为(0.6~0.8)。但仅凭人工经验选取a值,导致预测随机性过大,预测结果不合理[12,13,14,15]。

典型的一维非线性优选法为黄金分割优选法,它的优点是提高了模型的收敛速度和逼近能力并减少了工作数量。但当时间序列呈递减趋势,并且有凸函数性质时,该方法对未来时刻的预测有偏差。

改进的0.618 法为:将(0.1, 0.3]平分为5 个等距区间, 即a1∈(0.1, 0.14] , a2∈(0.14, 0.18] ,…,a5∈ (0.26, 0.3] ,并设定a的精度η =0.001。试点ai∈(b0,c0],i=1,2,,5。

1)令试点1 为

2)令试点2 为

3)若|ai-ai′|>η ,则分别求出SDE (ai)和S D E(ai′)。

a)若SD E (ai)

b)若SD E (ai)>SD E (ai′) ,说明ai′ 较为精确,令c0不变,b0=ai′ ,可得ai′=ai,从而SDE (ai)=SDE (ai′) ,转入步骤2)。

4 ) |ai-ai′| ≤η , 则取二者平均值, 即代入式(4)~式(10)和式(11),求出提前m步预测值yt+m和误差值SDE (ai*),并转入下一个子区间进行迭代。

5)求出并选取对应SDE (ai*)值最小的ai*,即为平滑系数的改进值。

3 仿真分析

采用某风电机场的110 个无线位移传感器数据样本,对比改进前后预测数据的平滑度和准确性,来验证改进参数选取范围后的二次曲线指数平滑法是否提高了该项目预测的精度。

由于位移传感器采集到的是大量实时动态数据,取提前预测步长m=3。在未改进的二次曲线指数平滑模型中,基于最小拟合误差的经验性前提,选取平滑系数a=0.15,通过Matlab仿真得到图2。而改进平滑系数选取后, 得到最优平滑系数a=0.2996,通过二次曲线指数平滑模型的Matlab仿真,得到图3。

图4 和图5 分别为改进平滑系数前后的时间序列预测值的放大图,可直观看出改进平滑系数后的二次曲线指数平滑在预测的信度和平滑度上有明显提高。

按照改进平滑系数后的算法得出原始数据预测数据如表1 所示。

4 结论

改进平滑系数选取值的二次曲线指数平滑法,避免了经验性选取平滑系数对数据预测造成的错误干扰,直接有效地减少了预测误差。