Page 127 - 201806
P. 127
第 37 卷 第 6 期 张智勇等： 基于数据融合的风电机组噪声预测 957
变量间的相对线性关系，由此得到变量间的预测模
1 引言
型 [14] 。
随着全球范围内可再生能源的大力推广与发 在得到回归方程后，方程中回归系数的绝对值
展，我国作为能源大国对可再生能源的发展和提倡 大小是判定自变量对因变量影响的重要指标。但如
不断加强。风能作为清洁可再生能源被大力应用于 果自变量间存在较严重的共线性时，得到的回归方
风力发电，我国在风力发电发面也投入巨大。随着 程的准确性和有效性将受到严重的影响。为此，可
风电机组发展的大型化、大量化，其叶片转动产生 通过多元线性回归诊断的方法对共线性进行判定
的噪声也日益增大。国内外学者通过研究发现，风 和处理。常用的方法有变量筛选法、岭回归估计、主
电机组辐射出的噪声信号中夹杂有机组运行时大 成分回归和偏最小二乘回归，其中只有变量筛选法
量信息，因此，对风电机组噪声信号的研究已成为国 具有降维处理的效果 [15] 。
内外学者研究的热点 [1−3] 。同时，风电机组所辐射 在实测数据中，也可以应用多元线性回归异常
出的噪声对周边居民也产生了影响 [4] ，因此，进行 点诊断的方法，对数据进行优化处理以实现样本数
风电机组噪声信号的预测研究就具有很大的现实 据的优化。较常用的判定指标有计算样本点的学生
意义。 化残差和COOKD统计量 [16] 。
目前，在噪声预测及分析研究方面的方法有多
2.2 信息熵
元回归预测 [5−6] 、小波分析预测 [7−8] 、神经网络预
设 M 是由可被观察的集合 H 所构成的勒贝
测 [9−10] 和支持向量机回归预测 [11−12] 等。但是，对
格空间 (Lebesgue space)，并设空间测度为 µ，且
于风电机组噪声信号的预测方法应用较少。通过
研究发现风电机组噪声信号具有非线性、非平稳、 有 µ(M) = 1。设空间 M 可被 A = (A i ) 有限划分
n
∪
复杂时变的特点，因此利用信息熵理论对风机噪声 表示为其互不相容的集合，即 M = A i ，且有
i=1
信号进行特征提取，再应用多元线性回归、多源数 A i ∩ A j = 0，∀i ̸= j，其中 A i /M 是划分后任意子
据融合理论、改进的基于遗传算法的支持向量机回 集A i 所得配额。由此条件，即得出M的信息熵：
归(Support vector regression of genetic algorithm, n
∑
GA-SVR)三者结合的方法，对风电机组噪声信号进 S(A) = − µ(A i ) lg µ(A i ), (1)
行声压级预测。以回归分析为基础，对预测样本进 i=1
行回归分析，诊断输入变量中存在的共线性问题，并 式 (1) 中，µ(A i ) = A i /M 是任意子集 A i 的测度，
实现完成变量的筛选和降维提高预测精度。通过实 i = 1, 2, · · · , n。
测数据验证比较后表明，应用多源数据融合理论与 通过研究表明，利用奇异谱熵、功率谱熵、小波
改进的 GA-SVR 相结合的模型，得到的预测结果更 能谱熵和小波空间谱熵四种信息熵对噪声进行特
为精确。 征量提取，可以较完整地保留信号信息 [17] 。
奇异谱熵可以对风机噪声信号进行时域的特
2 噪声预测方法 征提取。设有空间 A 为 M × N 的矩阵，对其完成
奇异分解可得对应的奇异值谱 {σ i }，1 6 i 6 M，
风电机组噪声检测技术标准 IEC 61400-11 中
对这些值进行一定方式的比例划分，遵循 p i =
规定用于测量评估的非声学参数有轮毂风速、变桨 / M
角度、输出功率等，同时标准中也规范了风机噪声 σ i ∑ σ i ，则可定义得奇异谱熵H t ：
声压级的检测 [13] 。在风机噪声检测过程中，需要用 i=1
M
测量仪进行反复、长期地采样收集，在这个周期里 ∑
H t = − p i lg p i . (2)
的噪声采样数据极易受外界干扰，从而影响数据有
i=1
效性。为了有效地进行风电机组运行分析，研究噪
功率谱熵可以对风机噪声信号进行频域的特
声的实时预测就十分重要。
征提取。设 S = {S 1 , S 2 , · · · , S N } 为信号在频域空
2.1 多元线性回归诊断 间的能量划分，并对在此划分下的功率谱概率进行
多元线性回归是一种最基本的回归预测方法， / N
∑
q i = S i S i 的计算。最后，对这些划分进行功率
该法通过数理统计算法估算出单一因变量与多自
i=1
