基于风电运维人员紧张程度的运维操作方法与流程

本发明涉及风电领域，特别涉及一种基于风电运维人员紧张程度的运维操作方法。

背景技术：

随着风电技术的迅速发展，风电在电力能源中占据着不可小觑的地位。风电装机容量的爆发式增长，短短十年间数以万计的风电机组伫立在野外或海上。风电机组频繁地遭受大风、雷击、冰雪等恶劣环境的冲击与影响，机组的运行与维护(简称运维)的需求十分突出。据统计，风电机组的运维成本约占其全寿命周期度电成本的53％，风电机组的运维成了风电行业的难题。

由于风电机组处于野外或海上，恶劣的环境使得风电机组的运维难度升高，同时也给运维人员带来了巨大的挑战。近年来，由运维人员人为失误导致的风电事故频发。比如：2019年4月12日甘肃民勤某风电场，由于运维人员的心理素质不高、安全意识不强，在风机变桨控制手动模式下开桨后，发现风机转动，运维人员未有效地进行收桨操作，导致动力失衡，最终风机倒塔，致4人死亡，1人重伤，1人轻伤。风电场在运维过程中应尽量避免人为失误，要提高人员的可靠性，防止人员的误操作带来的严重后果。减少人为失误，不仅仅是要加强运维人员上岗前的能力与素质的培训，还应该重视运维人员在进行运维作业时的状态，针对不同的状态给出及时的指导意见。监测运维人员的状态就是对运维人员的情感状态进行分析。

运维人员的情感状态对于提升运维的安全性和可靠性至关重要。负面的情感可能会降低运维人员的安全操作意识，增加人为失误的概率。风电运维中的人为失误不但影响风电场的正常运行，而且还会带来一系列的安全事故，甚至危及运维人员的生命。因此在运维过程中将运维人员的情感状态考虑在内，对风电场的安全可靠运行与风电运维行业具有重大的意义。情感状态分析就是情感计算。当前，情感计算在远程教育、医疗保健、智能驾驶等方面的研究较多，在工程实践领域研究较少。

技术实现要素：

为了解决上述技术问题，本发明提供一种算法简单、安全性强的基于风电运维人员紧张程度的运维操作方法。

本发明解决上述问题的技术方案是：一种基于风电运维人员紧张程度的运维操作方法，包括以下步骤：

步骤一：提取运维人员的生理信号特征，组成特征向量x，将特征向量x与紧张程度的标签y组成数据样本s＝(x,y)；

步骤二：随机划分数据样本中的70％作为训练集strain，30％作为测试集stest；

步骤三：初始化随机森林模型，随机森林中的树模型的数量设置为50，衡量不纯度的指标选择基尼系数，不限制树的最大深度，关于树节点的分割不做限制；

步骤四：将训练集代入随机森林模型中训练；

步骤五：查看随机森林模型对训练集分类的准确率，判断准确率是否低于预设阈值，若是，则增加随机森林模型中的树模型的数量，然后返回步骤四重新训练；若否，则进入步骤六；

步骤六：将测试集代入训练后的随机森林模型，查看随机森林模型是否存在对训练集的过拟合，如果出现过拟合，则继续限制超参数，树模型的最大深度、叶节点的最小分割数量，然后返回步骤四重新训练，直至不出现过拟合；如果没有出现过拟合，则得到训练好的随机森林模型并保存；

步骤七：实时获取运维人员的生理信号特征，再提取特征，代入训练好的随机森林模型中，得到运维人员操作结果。

上述基于风电运维人员紧张程度的运维操作方法，所述步骤一中，运维人员的生理信号特征包括肌电图emg信号、呼吸作用rsp信号、皮肤电导sc信号；紧张程度分为4个等级：高度紧张h、中度紧张m、低度紧张l、正常n。

上述基于风电运维人员紧张程度的运维操作方法，所述步骤四中，随机森林模型训练的过程为：

3-1)样本选择：从训练集strain采取有放回地随机抽取与strain同数量级的子样本，抽取的子样本个数与随机森林中树模型数量相同；

3-2)特征选择：将抽取的子样本集训练一棵决策树，假设某个子样本中含有k个输入特征，则随机挑取k个输入特征作为训练决策树的输入特征；

3-3)最优分割点分割：选择最优特征进行特征分割；以基尼系数为分割原则，节点分裂时选择基尼系数最小的特征参数进行分裂；

假定随机森林中的某棵决策树的训练集为s，假设s被分割成s1和s2，特征参数划分的基尼系数的计算公式为：

其中p1i和p2i分别为某个分类结果在训练样本集s1和s2中出现的概率，g为分类结果的数量；

3-4)重复步骤3-2)至3-3)，让决策树分支，使决策树以最大化方式生长；

3-5)重复步骤3-2)至3-4)，直到训练出n棵决策树，构成随机森林；

3-6)分类阶段：即投票阶段，分类标签是由所有分类树的结果综合而成，即：

其中，yp是分类的结果，n为随机森林中决策树的数量，i(*)是显性函数，nhi,y是树hi对类y的分类结果，nhi是决策树的叶子节点数。

上述基于风电运维人员紧张程度的运维操作方法，所述步骤六中，将测试集代入训练后的随机森林模型，查看测试集分类的准确率，如果测试集分类的准确率与训练集分类的准确率的偏差超过5％，就说明出现了过拟合。

上述基于风电运维人员紧张程度的运维操作方法，所述步骤七中，运维人员操作结果为：

当检测到运维人员的紧张程度为n时，不给运维人员反馈通知，让运维人员正常运维，允许运维人员根据自己的经验与能力进行运维；

当检测到运维人员的紧张程度为l时，给运维人员反馈依照操作规程顺序运维的通知，禁止运维人员根据自己的经验与能力进行运维；

当检测到运维人员的紧张程度为m时，给运维人员反馈依照操作规程审核运维的通知，即运维过程中运维人员依照操作流程每操作一步，进行审核复查之后，再进行下一步操作；

当检测到运维人员的紧张程度为h时，给运维人员反馈禁止运维的通知，禁止运维人员操作。

本发明的有益效果在于：本发明以肌电图、呼吸作用、皮肤电导信号作为运维人员紧张程度的评估参数，采用随机森林(randomforest，rf)算法对运维人员的紧张程度进行分类与预测，将运维人员的情感状态划分为四个等级，分别为高度紧张、中度紧张、低度紧张和正常，并针对相应的状态等级给出了对应的运维操作模式，最后用实验验证了基于运维人员紧张程度的运维操作模式的可行性，能够有效地降低运维人员的人为失误，减少因运维人员失误导致的事故，提高运维效率，减少运维成本。

附图说明

图1为本发明的流程图。

图2为风电运维的操作模型图。

图3为本发明基于生理信号的紧张程度分级运维流程图。

图4为随机森林算法结构示意图。

具体实施方式

下面结合附图和实施例对本发明做进一步的说明。

如图1所示，一种基于风电运维人员紧张程度的运维操作方法，包括以下步骤：

步骤一：提取运维人员的生理信号特征，组成特征向量x，将特征向量x与紧张程度的标签y组成数据样本s＝(x,y)。

常见的情感计算主要集中在语音、文本、面部表情、姿态、生理信号等方面。由于基于生理信号的情感计算可以实时获取当前情感状态，且被测人员不易伪装，可获得更加客观有效的结果，因此基于生理信号的情感计算具有很大的研究与应用前景。

当前，用于情感计算的生理信号包括心电图(electrocardiogram，ecg)，肌电图(electromyogram，emg)，脑电图(electroencephalography，eeg)，呼吸作用(respiration，rsp)，皮肤电导(skinconductivity，sc)，血压(bloodpressure，bp)，皮肤温度(skintemperature，skt)等信号。生理信号的变化能够体现人的实时情感状态的变化。本发明中运维人员的生理信号特征包括肌电图emg信号、呼吸作用rsp信号、皮肤电导sc信号。

风电运维是一个复杂的过程，如图2所示，在运维过程中包括感知、推理、决策和执行这4个阶段。在运维操作过程中，运维人员首先需要对当前设备的状态进行感知，其次进行推理，然后再经过决策，最后才执行操作。运维人员在感知、推理、决策和执行阶段易受到各种因素的影响出现人为失误。导致运维人员人为失误的因素有技能经验、工作强度、环境因素、心理状态、身体因素等。影响运维人员的当前状态的因素可能是单一的，也可能是多因素共同作用的结果，通过分析各种因素确定运维人员的当前状态比较困难。而生理信号作为人类最真实的情感体现，携带着丰富的情感信息，且情感在人类的感知、推理和决策过程中扮演着极其重要的角色。因此可以通过感知运维人员的生理信号的变化，推理计算出当前运维人员的情感状态，从而给出合理的运维建议，能够有效地减少风电运维人员的人为失误，提高运维人员的可靠性。在情感计算的应用方面，通常将情感划分为几类状态，针对不同状态进行智能辅助。

风电场一般位于环境恶劣的偏远地区，机舱一般在50m以上，这加重了环境因素对运维人员的影响，增大了出现人为失误的概率。由于风电运维的特殊性，对运维人员的情感状态进行持续、实时的监控，针对不同的状态给出指导意见，对减少运维人员的人为失误有很大的意义。考虑到风电运维的运维要求与实际操作流程，本发明基于运维人员的紧张程度，将紧张程度分为4个等级：高度紧张h、中度紧张m、低度紧张l、正常n。

步骤二：随机划分数据样本中的70％作为训练集，30％作为测试集。

步骤三：初始化随机森林模型，随机森林中的树模型的数量设置为50，衡量不纯度的指标选择基尼系数，不限制树的最大深度，关于树节点的分割不做限制。

情感计算常用的算法包括：支持向量机(svm)、隐马尔科夫模型(hmm)、决策树(dt)、神经网络等。各种算法都有自己的优劣，考虑到随机森林具有能够处理高维度的数据、不需要做特征选择等优点，因此本发明选取rf模型对运维人员的紧张程度进行分类识别。rf模型是由breiman在2001年提出的一种基于装袋法(bagging)的集成学习模型。如图4所示，rf算法主要包括决策树的生成和投票法。决策树的生成过程主要包括样本选择、特征选择、最优分割点分割和树生长。

随机森林模型训练的过程为：

3-1)样本选择：从训练集strain采取有放回地随机抽取与strain同数量级的子样本，抽取的子样本个数与随机森林中树模型数量相同；

3-2)特征选择：将抽取的子样本集训练一棵决策树，假设含有k个输入特征，则随机挑取k个特征作为训练决策树的输入特征；

3-3)最优分割点分割：选择最优特征进行特征分割。rf构建决策树的方法主要有id3、c4.5和cart算法，其中前两个算法是基于信息熵原则分类特征，cart算法可以基于信息熵和基尼系数原则进行节点分割。由于cart算法采用基尼系数进行分割时，泛化能力较好，因此本发明选取基尼系数为分割原则，节点分裂时选择基尼系数最小的特征参数进行分裂；

假定随机森林中的某棵决策树的训练集为s，假设s被分割成s1和s2，特征参数划分的基尼系数的计算公式为：

其中p1i和p2i分别为某个分类结果在训练样本集s1和s2中出现的概率，g为分类结果的数量；

3-4)重复步骤3-2)至3-3)，让决策树分支，使决策树以最大化方式生长；

3-5)重复步骤3-2)至3-4)，直到训练出n棵决策树，构成随机森林；

3-6)分类阶段：即投票阶段，分类标签是由所有分类树的结果综合而成，即：

其中，yp是分类的结果，n为随机森林中决策树的数量，i(*)是显性函数，nhi,y是树hi对类y的分类结果，nhi是决策树的叶子节点数。

步骤五：查看随机森林模型对训练集分类的准确率，判断准确率是否低于预设阈值，若是，则增加随机森林模型中的树模型的数量，然后返回步骤四重新训练；若否，则进入步骤六。

评价分类器性能的指标一般是分类准确率(accuracy)，其定义是：对给定的测试数据集，分类器正确分类的样本数与总样本之比。

步骤六：将测试集代入训练后的随机森林模型，查看随机森林模型是否存在对训练集的过拟合，查看测试集分类的准确率，如果测试集分类的准确率与训练集分类的准确率的偏差超过5％，就说明出现了过拟合；如果出现过拟合，则继续限制超参数，树模型的最大深度、叶节点的最小分割数量，然后返回步骤四重新训练，直至不出现过拟合；如果没有出现过拟合，则得到训练好的随机森林模型并保存。

步骤七：实时获取运维人员的生理信号特征，再提取特征，代入训练好的随机森林模型中，得到运维人员操作结果。

在运维人员的操作过程中对运维人员的情感状态进行实时监测并给出指导维修策略，能够有效地减少运维人员人为失误。图3展示了基于运维人员生理信号的紧张状态分级运维流程，当运维人员在运维时，通过可穿戴设备实时测量运维人员的emg，rsp与sc信号，然后采用随机森林算法对运维人员的情感进行识别，最后根据不同的紧张程度采取相对应的操作模式。

运维人员操作结果为：

当检测到运维人员的紧张程度为n时，不给运维人员反馈通知，让运维人员正常运维，允许运维人员根据自己的经验与能力进行运维；

当检测到运维人员的紧张程度为l时，给运维人员反馈依照操作规程顺序运维的通知，禁止运维人员根据自己的经验与能力进行运维；

当检测到运维人员的紧张程度为m时，给运维人员反馈依照操作规程审核运维的通知，即运维过程中运维人员依照操作流程每操作一步，进行审核复查之后，再进行下一步操作；

当检测到运维人员的紧张程度为h时，给运维人员反馈禁止运维的通知，禁止运维人员操作。

实施例

选取某风电场的10名运维人员作为实验对象，在他们运维时，采用多通道生理信号测量仪跟踪测量其emg，rsp与sc信号。emg，rsp与sc信号的采样频率均为32hz，每120s为一个数据记录周期。经过长期跟踪测量，并对测量的结果进行分析，结合医学专家意见，最终整理得到200组有效的不同紧张状态下的生理数据。

实验得到的不同状态下的每一个生理信号都是由3840维离散的数据构成的一维时序信号。在基于生理信号的情感计算中，通常采用时域的常用统计量作为情感计算的特征。本发明参考文献“wagnerj,kimj,elisabethandré.fromphysiologicalsignalstoemotions:implementingandcomparingselectedmethodsforfeatureextractionandclassification[c]//ieeeinternationalconferenceonmultimedia&expo.ieee,2005:940-943”中的生理信号处理方式与特征提取方法，从emg信号中提取出21维特征，rsp信号中提取出65维特征，sc信号中提取出21维特征，将各类生理信号的特征组合，最终得到一个107维的特征向量。采用统计量进行情感计算时，通常需要进行特征选择以提高情感计算的准确率。由于本发明采用的是rf算法，其特征子集是随机选择的，能够处理高维度的数据，且样本特征维度很高时仍然高效。因此本发明直接以提取的107维的特征向量作为输入特征对模型进行训练。

通过python实现rf算法。将获取的实验数据随机划分其中的70％作为训练集，代入rf模型进行训练，当决策树的规模为100时，且采用基尼系数作为叶节点的分割指标时，模型对测试集的分类效果最好，达到了91.25％。

将划分好的验证集代入训练好的rf模型中预测，得到的验证集混淆矩阵如表1所示。训练的模型对n和m状态下的预测效果较好。n状态下有5％的数据预测到了l状态，l状态下有1％的数据预测到了m状态，m状态下有15％的数据预测到了h状态，h状态下有5％的数据预测到了m状态。虽然训练的rf模型对运维人员的紧张程度的辨识存在误差，但是没有出现将h状态预测到n状态的情况，只有将低程度的紧张状态划分到高程度的紧张状态，因此训练的模型能够对运维人员的紧张程度进行预测，能有效的减少运维人员的人为失误。

表1

为了说明不同紧张程度下的运维操作模式，以风力发电机u1绕组温度超限故障为例，阐述运维人员在不同的紧张程度下的运维操作模式。运维人员处理发电机u1绕组温度超限故障的常规步骤为：

step1：检查风扇的实际转向是否正确、工作电压是否正常。

step2：检查传感器线路是否短路或者断路。

step3：检查发电机u1绕组pt100电阻阻值，判断是否损坏。

step4：更换发电机u1绕组的pt100电阻。

step5：如果pt100电阻和接线都没有问题，但是主控显示u1绕组温度值不正确，则可判定为卡件问题，应更换kl3204。

在处理发电机绕组温度超限故障时，一般按照上述的5个步骤顺序操作。然而运维人员在按照上述步骤操作时，很容易受到外界因素的影响而导致在处理某一步骤时，出现对设备状态的判断失误或处理不到位，最终导致运维失败，甚至损坏发电机。根据运维人员的紧张程度，处理风力发电机u1绕组温度超限故障的操作模式如下：

当检测到运维人员的紧张程度为n时，允许运维人员根据自己的经验和能力直接处理该故障。

当检测到运维人员的紧张程度为l时，此时运维人员必须依照操作规程顺序维修，即运维人员必须按照上诉的5个步骤依次顺序的操作。

当检测到运维人员的紧张程度为m时，此时依照操作规程审核维修，即运维人员必须按照操作顺序，每执行一步操作必须进行严格的审核复查后才能进行下一步操作。

当检测到运维人员的紧张程度为h时，此时禁止运维人员维修，即给运维人员发出禁止维修的指令，此时运维人员不能进行任何运维操作。

本发明基于运维人员的emg、rsp、sc信号，将运维人员的紧张程度划分为4个等级，通过构建的rf模型对运维人员的紧张程度进行预测，并且给处于不同紧张程度状态下的运维人员提供了一种指导运维操作模式，提出的基于运维人员的紧张状态的运维操作模式能够有效地降低运维人员的人为失误，减少因运维人员失误导致的事故；能够提高运维效率，减少运维成本。