龍雄輝，蘇丹

（廣州鐵路職業(yè)技術(shù)學(xué)院，廣東 廣州 510000）

隨著世界不可再生能源的緊缺，傳統(tǒng)的火力發(fā)電無法滿足節(jié)能環(huán)保的需求，風(fēng)能作為一種清潔的可再生能源，采用風(fēng)力發(fā)電成為新趨勢(shì)。風(fēng)力發(fā)電是將風(fēng)的動(dòng)能轉(zhuǎn)化為電力動(dòng)能，通過分離發(fā)電機(jī)組，利用風(fēng)力帶動(dòng)風(fēng)車葉片旋轉(zhuǎn)，實(shí)現(xiàn)電力發(fā)電。風(fēng)力發(fā)電網(wǎng)絡(luò)構(gòu)成復(fù)雜，風(fēng)力電網(wǎng)通常工作在惡劣的自然環(huán)境中，容易產(chǎn)生故障，在風(fēng)力電網(wǎng)故障下，對(duì)風(fēng)力電機(jī)的機(jī)械載荷產(chǎn)生連貫性作用和影響，可以通過對(duì)機(jī)械載荷的優(yōu)化測(cè)試和分析，實(shí)現(xiàn)對(duì)風(fēng)力電網(wǎng)的故障檢測(cè)和診斷，研究風(fēng)力電網(wǎng)的故障診斷和機(jī)械載荷優(yōu)化測(cè)試分析方法，在提高故障檢測(cè)和診斷能力方面具有重要價(jià)值[1]。

傳統(tǒng)方法中，對(duì)風(fēng)力電網(wǎng)故障診斷方法主要采用數(shù)據(jù)聚類方法、神經(jīng)網(wǎng)絡(luò)模糊控制方法、模式識(shí)別方法等等，但這些方法的基礎(chǔ)是需要對(duì)電網(wǎng)故障下的載荷相關(guān)數(shù)據(jù)進(jìn)行特征分析和信號(hào)采集，采用信號(hào)處理的方法進(jìn)行數(shù)據(jù)分析和處理，實(shí)現(xiàn)對(duì)故障的診斷。風(fēng)力電網(wǎng)系統(tǒng)各子系統(tǒng)通過電機(jī)轉(zhuǎn)動(dòng)和數(shù)據(jù)傳輸，進(jìn)行故障數(shù)據(jù)的提取和傳遞。但是，由于信號(hào)數(shù)據(jù)分析的時(shí)間與判斷的依據(jù)非常模糊，所以故障排查的數(shù)據(jù)較多，準(zhǔn)確性也相對(duì)較低[2]。從而造成工作人員對(duì)風(fēng)力電網(wǎng)電氣系統(tǒng)異常故障排查的準(zhǔn)確度不高，致使工作量增多，浪費(fèi)資源，降低了效率。文獻(xiàn)[3]的電網(wǎng)故障檢測(cè)系統(tǒng)采用遺傳進(jìn)化系統(tǒng)，由于信號(hào)數(shù)據(jù)分析的時(shí)間與判斷的依據(jù)非常模糊，導(dǎo)致檢測(cè)性能不好。文獻(xiàn)[4]設(shè)計(jì)的風(fēng)力電網(wǎng)故障檢測(cè)可靠性分析系統(tǒng)中，系統(tǒng)的軟件設(shè)計(jì)方法很難及時(shí)地捕獲機(jī)械載荷數(shù)據(jù)，使得信號(hào)分析過程中，非線性故障信號(hào)與其他故障信號(hào)失聯(lián)，對(duì)電力設(shè)備可靠性分析出現(xiàn)較大偏差。為了解決傳統(tǒng)系統(tǒng)軟件存在的缺陷，提高對(duì)風(fēng)力電網(wǎng)的故障診斷和分析性能，本文從機(jī)械載荷數(shù)據(jù)采集和信號(hào)處理著手，提出一種基于機(jī)械載荷線性反饋和諧波抑制的風(fēng)力電網(wǎng)故障診斷方法，實(shí)現(xiàn)對(duì)故障下機(jī)械載荷優(yōu)化測(cè)試。首先構(gòu)建了風(fēng)力電網(wǎng)故障下的機(jī)械載荷數(shù)據(jù)采集和信號(hào)生成模型，對(duì)采集的機(jī)械載荷數(shù)據(jù)進(jìn)行特征提取處理，以此為基礎(chǔ)，采用機(jī)械載荷線性反饋和諧波抑制方法，實(shí)現(xiàn)對(duì)風(fēng)力電網(wǎng)故障下機(jī)械載荷數(shù)據(jù)的干擾濾波和特征優(yōu)化測(cè)試，提高故障診斷性能，仿真實(shí)驗(yàn)進(jìn)行了性能驗(yàn)證，展示了本文算法在提高風(fēng)力電網(wǎng)的故障診斷性能方面的優(yōu)越性。

1 風(fēng)力電網(wǎng)故障下的機(jī)械載荷數(shù)據(jù)采集與信號(hào)提取

為了實(shí)現(xiàn)對(duì)風(fēng)力電網(wǎng)的故障診斷和分析，本文從故障模式下的風(fēng)力電機(jī)的機(jī)械載荷數(shù)據(jù)分析著手，進(jìn)行故障信號(hào)特征的提取和數(shù)據(jù)分析，實(shí)現(xiàn)對(duì)故障的優(yōu)化檢測(cè)和診斷，其中數(shù)據(jù)采集和信號(hào)模型構(gòu)建是基礎(chǔ)。傳統(tǒng)的電氣故障檢測(cè)系統(tǒng)采用遺傳進(jìn)化系統(tǒng)，由于信號(hào)數(shù)據(jù)分析的時(shí)間與判斷的依據(jù)非常模糊，導(dǎo)致檢測(cè)性能不好[5-7]。本文采用雙曲調(diào)頻信號(hào)的自連續(xù)小波變換來分析信號(hào)的特性，首先提取風(fēng)力電網(wǎng)正常工作時(shí)的數(shù)據(jù)特征，采用壓力傳感器對(duì)電機(jī)的機(jī)械載荷數(shù)據(jù)進(jìn)行采集，電機(jī)上的載荷壓力傳感器接收信號(hào)為r（t）：

式中：A（t）為包絡(luò)；θ（t）為電機(jī)的閉環(huán)控制相位；參數(shù)t0，K為數(shù)據(jù)采樣時(shí)間和采樣周期，確定如下：

式中：f0為中心頻率；B為帶寬。計(jì)算風(fēng)力電網(wǎng)在故障狀態(tài)下機(jī)組承受額外的機(jī)械載荷：

當(dāng)電機(jī)運(yùn)行在風(fēng)速ω下，機(jī)械載荷輸出功率頻外電場(chǎng)矢量空間，構(gòu)建雙曲調(diào)頻信號(hào)描述電機(jī)轉(zhuǎn)動(dòng)的瞬時(shí)頻率，為：

通過上述處理，實(shí)現(xiàn)風(fēng)力電網(wǎng)故障下的機(jī)械載荷數(shù)據(jù)采集與信號(hào)提取，為故障診斷提供數(shù)據(jù)基礎(chǔ)。

2 機(jī)械載荷故障信號(hào)模型

在上述故障數(shù)據(jù)采集和特征分析的基礎(chǔ)上，構(gòu)建故障信號(hào)模型，在典型的風(fēng)力電網(wǎng)組組網(wǎng)系統(tǒng)中，風(fēng)力電網(wǎng)的陣列分布構(gòu)建是進(jìn)行信號(hào)采集的關(guān)鍵，采用平面陣列模擬構(gòu)建風(fēng)力電網(wǎng)機(jī)械載荷陣列分布模型，如圖1所示。

圖1中，假定由N=2P個(gè)陣元組成的間距為d均勻線陣，在電網(wǎng)故障下，機(jī)械載荷接收到I個(gè)近場(chǎng)窄帶信號(hào)源，以此描述故障信號(hào)。圖1中，陣列中心處的陣元坐標(biāo)為O，接收到的機(jī)械載荷壓力信號(hào)模型為：

圖1 故障信號(hào)采集陣列模型Fig. 1 Fault signal acquisition array model

式中：si（t）為第i個(gè)電網(wǎng)數(shù)據(jù)采集節(jié)點(diǎn)的復(fù)包絡(luò)；xm（t）為陣元m接收的陣列輸出數(shù)據(jù)矢量號(hào)；nm（t）為陣元m上的諧波生，電網(wǎng)故障下的機(jī)械載荷數(shù)據(jù)集合中含有n個(gè)電流信號(hào)、振動(dòng)信號(hào)、差壓信號(hào)，取雙曲調(diào)頻信號(hào)為母小波，進(jìn)行特征提取，母小波稱為雙曲調(diào)頻小波，小波函數(shù)為：

通過信號(hào)包絡(luò)幅度調(diào)制，對(duì)機(jī)械載荷線性反饋和諧波抑制，通過采集故障數(shù)據(jù)，與正常工作時(shí)的數(shù)據(jù)特征進(jìn)行比較，得到了電氣故障信號(hào)的第二特征函數(shù)，定義為：

風(fēng)力電網(wǎng)每個(gè)節(jié)點(diǎn)bi，在簇頭生成過程中形成Kb個(gè)幀，時(shí)間間隔為Tb，數(shù)據(jù)采集系統(tǒng)在1.5～2.7 GHz工作頻段內(nèi)具有一定的中頻干擾抑制性能，需要進(jìn)行諧波抑制，故障狀態(tài)下電機(jī)載荷的瞬時(shí)頻率為：

式中：m為權(quán)重指數(shù)；（dik）2為機(jī)組最大功率運(yùn)轉(zhuǎn)下的電流信號(hào)，分別乘上權(quán)重值w1j，w2j，…，wnj得到系統(tǒng)穩(wěn)態(tài)輸出，為：

對(duì)故障信號(hào)進(jìn)行寬頻帶數(shù)據(jù)解調(diào)，得到故障信號(hào)的頻域特性為：

為了反映出數(shù)據(jù)類群的多樣性特征，在轉(zhuǎn)子磁場(chǎng)坐標(biāo)系中利用仿射變換方法替代傳統(tǒng)的微分運(yùn)算計(jì)算電流矢量導(dǎo)數(shù)，基于風(fēng)力電網(wǎng)機(jī)械載荷線性反饋和諧波抑制方法，實(shí)現(xiàn)對(duì)高頻噪聲能有效抑制，提高故障診斷能力。

3 機(jī)械載荷測(cè)試和故障診斷實(shí)現(xiàn)

在上述進(jìn)行故障信號(hào)模型構(gòu)建和特征提取的基礎(chǔ)上，通過對(duì)故障狀態(tài)下的電機(jī)機(jī)械載荷測(cè)試，實(shí)現(xiàn)故障診斷，先對(duì)機(jī)械載荷測(cè)試系統(tǒng)作如下說明：fx（X，t），fθ（X，t）是風(fēng)力電網(wǎng)接收端和發(fā)送端數(shù)據(jù)分配函數(shù)，其傳遞向量函數(shù)分別為f贊x（X，t），f贊θ（X，t）且有如下關(guān)系：

同時(shí)滿足:

為了提高測(cè)試過程中的抗干擾能力，給出風(fēng)力電網(wǎng)機(jī)械載荷線性反饋指向性增益為：

從而得到諧波抑制方法，得到故障信號(hào)子空間以及與信號(hào)分量相正交的噪聲子空間為：

假設(shè)故障路由節(jié)點(diǎn)存在系統(tǒng)功率衰減，得到風(fēng)力電網(wǎng)通信信道功率衰減系數(shù)為：

通過可分離譜加權(quán)得到風(fēng)力電網(wǎng)機(jī)械載荷測(cè)試節(jié)點(diǎn)的多載波調(diào)制向量，考慮風(fēng)力電網(wǎng)路由節(jié)點(diǎn)子載波同步誤差為：

式中：k為子載波衰減系數(shù)；R為風(fēng)力電網(wǎng)網(wǎng)格覆蓋面積；p2D為故障路由節(jié)點(diǎn)生成概率？通過上述算法設(shè)計(jì)，實(shí)現(xiàn)了風(fēng)力電網(wǎng)故障下的機(jī)械載荷優(yōu)化測(cè)試。根據(jù)測(cè)試結(jié)果，輸入到風(fēng)力電網(wǎng)故障診斷專家系統(tǒng)中，比對(duì)故障數(shù)據(jù)庫和數(shù)據(jù)庫中的可用知識(shí)，實(shí)現(xiàn)對(duì)風(fēng)力電網(wǎng)故障的準(zhǔn)確診斷。這一過程描述如圖2所示。

圖2 風(fēng)力電網(wǎng)故障診斷過程Fig. 2 Wind power grid fault diagnosis process

4 仿真實(shí)驗(yàn)和性能分析

為了測(cè)試本文算法在實(shí)現(xiàn)對(duì)風(fēng)力電網(wǎng)故障下的機(jī)械載荷數(shù)據(jù)采集測(cè)試和故障診斷的性能，進(jìn)行仿真實(shí)驗(yàn)。仿真實(shí)驗(yàn)建立在Matlab 7仿真軟件基礎(chǔ)上，計(jì)算機(jī)型號(hào)Lenovo KM400，處理器為AMD Athlon 1.83 GHz，2 G內(nèi)存。利用abaqus在計(jì)算機(jī)上建立風(fēng)力電網(wǎng)故障下機(jī)械載荷測(cè)試數(shù)字樣機(jī)，實(shí)現(xiàn)故障診斷在線模型仿真，了解風(fēng)力電網(wǎng)故障下的電機(jī)載荷運(yùn)行性能。本文把a(bǔ)baqus軟件引用到故障診斷系統(tǒng)模型分析中，構(gòu)建模糊數(shù)據(jù)庫、模糊知識(shí)庫、模糊推理機(jī)，設(shè)計(jì)專家系統(tǒng)。在5種工況模式下測(cè)試風(fēng)力電網(wǎng)故障機(jī)械載荷，根據(jù)規(guī)則庫和事實(shí)庫，程序完成模式匹配，將其放入議程，最終完成推理和專家故障診斷。在故障工況模式下，每種工況采集信號(hào)樣本為50，共計(jì)2 500個(gè)樣本。為了實(shí)現(xiàn)對(duì)風(fēng)力電網(wǎng)的故障診斷和分析，本文從故障模式下的風(fēng)力電機(jī)的機(jī)械載荷數(shù)據(jù)分析著手，進(jìn)行故障信號(hào)特征的提取和數(shù)據(jù)分析，首先進(jìn)行數(shù)據(jù)采集和信號(hào)模型構(gòu)建，得到某一故障工況下風(fēng)力電網(wǎng)中電機(jī)的機(jī)械載荷數(shù)據(jù)采集時(shí)域波形，如圖3所示。

以上述采集的數(shù)據(jù)為樣本，故障接收信號(hào)的頻率則分別為32 kHz和20 kHz，頻率設(shè)置為倍頻。對(duì)樣本按4∶1分成訓(xùn)練集和測(cè)試集兩狀態(tài)兩部分，進(jìn)行故障特征提取和故障診斷，得到故障節(jié)點(diǎn)的統(tǒng)計(jì)結(jié)果如圖4所示。

從圖可見，采用本文方法，通過對(duì)風(fēng)力電網(wǎng)故障下的機(jī)械載荷優(yōu)化測(cè)試，實(shí)現(xiàn)對(duì)風(fēng)力電網(wǎng)中故障節(jié)點(diǎn)的準(zhǔn)確統(tǒng)計(jì)和測(cè)試。為了對(duì)比算法性能，采用本文方法和傳統(tǒng)方法，以故障準(zhǔn)確診斷率為測(cè)試指標(biāo)，得到不同方法下對(duì)風(fēng)力電網(wǎng)故障診斷概率如圖5所示，從圖可見，采用本文方法，在不同信噪比SNR的諧波干擾下，準(zhǔn)確診斷概率比傳統(tǒng)方法有大幅度的提高，展示了本文方法優(yōu)越性能。

圖3 機(jī)械載荷數(shù)據(jù)采集時(shí)域波形Fig. 3 Mechanical load data acquisition time domain waveform

圖4 風(fēng)力電網(wǎng)故障節(jié)點(diǎn)的統(tǒng)計(jì)結(jié)果Fig. 4 The statistical results of wind power grid fault node

圖5 性能對(duì)比Fig. 5 Comparison of performances

5 結(jié)語

風(fēng)力發(fā)電網(wǎng)絡(luò)構(gòu)成復(fù)雜，風(fēng)力電網(wǎng)通常工作在惡劣的自然環(huán)境中，容易產(chǎn)生故障。在風(fēng)力電網(wǎng)故障下，可以通過對(duì)機(jī)械載荷的優(yōu)化測(cè)試和分析，實(shí)現(xiàn)對(duì)風(fēng)力電網(wǎng)的故障檢測(cè)和診斷。本文提出一種基于機(jī)械載荷線性反饋和諧波抑制的風(fēng)力電網(wǎng)故障診斷方法，首先構(gòu)建了風(fēng)力電網(wǎng)故障下的機(jī)械載荷數(shù)據(jù)采集和信號(hào)生成模型，對(duì)采集的機(jī)械載荷數(shù)據(jù)進(jìn)行特征提取處理，采用機(jī)械載荷線性反饋和諧波抑制方法，實(shí)現(xiàn)對(duì)風(fēng)力電網(wǎng)故障下機(jī)械載荷數(shù)據(jù)的干擾濾波和特征優(yōu)化測(cè)試。仿真結(jié)果表明，采用本文方法能實(shí)現(xiàn)對(duì)載荷數(shù)據(jù)的準(zhǔn)確采集和測(cè)試，實(shí)現(xiàn)風(fēng)力電網(wǎng)中故障節(jié)點(diǎn)的準(zhǔn)確統(tǒng)計(jì)，提高風(fēng)力電網(wǎng)的故障診斷準(zhǔn)確度。

[1] 張少敏，李曉強(qiáng)，王保義. 基于Hadoop的智能電網(wǎng)數(shù)據(jù)安全存儲(chǔ)設(shè)計(jì)[J]. 電力系統(tǒng)保護(hù)與控制，2013，41（14）:136-140.ZHANG Shaomin，LI Xiaoqiang，WANG Baoyi. Security of smart grid based on Hadoop data storage design[J].Power System Protection and Control，2013，41（14）: 136-140（in Chinese）.

[2] 曹軍威，萬宇鑫，涂國煜，等. 智能電網(wǎng)信息系統(tǒng)體系結(jié)構(gòu)研究[J]. 計(jì)算機(jī)學(xué)報(bào)，2013，36（1）: 143-166.CAO Junwei，WAN Yuxin，TU Guoyu，et al. The smart grid information system architecture research[J]. Journal of Computers，2013，36（1）: 143-166（in Chinese）.

[3] 胡學(xué)坤，李金霞，宋淑娜，等. 基于粗糙集與模糊支持向量機(jī)的模式分類方法研究[J]. 科技通報(bào)，2010，26（2）: 249-252.HU Xuekun，LI Jinxia，SONG Shuna，et al. Based on rough sets and fuzzy pattern classification method of SVM research[J]. Science and Technology，2010，26（2）: 249-252（in Chinese）.

[4] 郭曉利，曲朝陽，李曉棟，等. 基于SOM聚類的電網(wǎng)可視化數(shù)據(jù)挖掘模型[J]. 情報(bào)科學(xué)，2012，30（2）: 207-209.GUO Xiaoli，QU Chaoyang，LI Xiaodong，et al. The grid visual data mining model based on SOM clustering[J].Journal of Intelligence Science，2012，30（2）:207-209（in Chinese）.

[5] 周濤. 基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)中長期負(fù)荷預(yù)測(cè)研究[J]. 電氣應(yīng)用，2013，32（4）: 26-29.ZHOU Tao. Based on the improved neural network medium and long-term load forecasting of power system research[J].Electric Applications，2013，32（4）: 26-29（in Chinese）.

[6] 韓曉冬. 基于小波遺傳進(jìn)化的電網(wǎng)故障定位技術(shù)研究[J].科技通報(bào)，2013，29（6）: 59-61.HAN Xiaodong. Fault location based on wavelet genetic evolution power grid technology research[J].Science，2013，29（6）: 59-61（in Chinese）.

[7] 邱世卉. 小波遺傳進(jìn)化在模擬電路故障診斷中的應(yīng)用研究[J]. 科學(xué)技術(shù)與工程，2012，12（30）: 8042-8046.QIU Shihui. Wavelet genetic evolution in the application of analog circuit fault diagnosis research[J]. Science，Technology and Engineering，2012，12（30）: 8042-8046（in Chinese）.