夏候凱順， 李波

(1. 華南理工大學(xué)電力學(xué)院,廣東 廣州 510641； 2. 國(guó)網(wǎng)江蘇省電力有限公司電力科學(xué)研究院，江蘇 南京 211103)

0 引言

雙饋風(fēng)機(jī)(doubly-fed induction generator-based wind turbine,DFIG-WT)通過(guò)控制轉(zhuǎn)子側(cè)變換器(rotor-side converter,RSC)和網(wǎng)側(cè)變換器(grid-side converter,GSC)實(shí)現(xiàn)變速恒頻運(yùn)行和風(fēng)能最大功率跟蹤[1—3]。變換器故障是DFIG-WT的常見故障，占比達(dá)25%[4]，而開路故障是電力電子開關(guān)管的主要故障類型，故國(guó)內(nèi)外學(xué)者針對(duì)變換器開路故障展開了大量研究。

研究人員基于變換器模型設(shè)計(jì)狀態(tài)觀測(cè)器[5—6]或提取特征參數(shù)[7—8]，實(shí)現(xiàn)三相變換器單個(gè)和雙個(gè)開關(guān)管的故障診斷。國(guó)內(nèi)外學(xué)者采用快速傅里葉變換[9]、小波分析[10]、帕克變換[11]等信號(hào)處理算法，從風(fēng)機(jī)輸出的電壓、電流、轉(zhuǎn)速等測(cè)量信號(hào)中提取故障特征信息，檢測(cè)并識(shí)別變換器的開路故障。但上述模型驅(qū)動(dòng)和信號(hào)驅(qū)動(dòng)算法，依賴于模型或者信號(hào)模式等先驗(yàn)知識(shí)，當(dāng)DFIG-WT系統(tǒng)運(yùn)行點(diǎn)變化以及故障類型復(fù)雜時(shí)，診斷邏輯的設(shè)計(jì)變得極其困難。而數(shù)據(jù)驅(qū)動(dòng)方法只需要大量的歷史數(shù)據(jù)，通過(guò)人工智能算法從歷史數(shù)據(jù)中提取出故障特征，能夠?qū)崿F(xiàn)多類型復(fù)雜故障的識(shí)別與分類。

研究人員采用貝葉斯網(wǎng)絡(luò)[12]、人工神經(jīng)網(wǎng)絡(luò)[13]、模糊邏輯[14]分別對(duì)永磁同步電機(jī)逆變器、全功率變換器、光伏逆變器的開路故障進(jìn)行診斷。但上述數(shù)據(jù)驅(qū)動(dòng)方法的故障特征提取和模式識(shí)別能力不足，都需要對(duì)信號(hào)進(jìn)行預(yù)處理，選擇對(duì)故障敏感的信號(hào)進(jìn)行分析，提取特征量，降低了信息的完整性，不是一種完全數(shù)據(jù)驅(qū)動(dòng)法，且算法的數(shù)據(jù)處理能力有限，最終的故障診斷結(jié)果準(zhǔn)確性不高。此外，上述研究單獨(dú)考慮GSC或RSC，而沒(méi)有考慮2個(gè)變換器同時(shí)故障的相互影響，未能全面系統(tǒng)地考慮DFIG-WT系統(tǒng)的多類型開關(guān)開路故障。

針對(duì)目前研究的不足，提出了一種基于深度置信網(wǎng)絡(luò)(deep belief network,DBN)的完全數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法，應(yīng)用于DFIG-WT的RSC和GSC開關(guān)管開路故障診斷。通過(guò)仿真測(cè)試與比較，驗(yàn)證了該開路故障診斷算法的有效性和優(yōu)越性。

1 DFIG-WT系統(tǒng)模型與變換器故障

1.1 系統(tǒng)模型

DFIG-WT整體結(jié)構(gòu)如圖1所示，系統(tǒng)由風(fēng)機(jī)葉片、齒輪箱、雙饋感應(yīng)發(fā)電機(jī)DFIG、GSC和RSC組成，風(fēng)機(jī)的定子和電網(wǎng)連接，轉(zhuǎn)子通過(guò)RSC和GSC與電網(wǎng)交換功率。GSC包括6個(gè)電力電子IGBT開關(guān)器件T1,T2,…,T6，RSC包括6個(gè)開關(guān)T7,T8,…,T12。其中，vsa,vsb,vsc，isa,isb,isc分別為定子三相電壓和定子三相電流；vra,vrb,vrc，ira,irb,irc分別為轉(zhuǎn)子三相電壓和轉(zhuǎn)子三相電流；vga,vgb,vgc，iga,igb,igc分別為網(wǎng)側(cè)三相電壓和網(wǎng)側(cè)三相電流；vdc為直流電容電壓。

圖1 雙饋風(fēng)機(jī)系統(tǒng)結(jié)構(gòu)Fig.1 Structure of DFIG-WT system

在同步旋轉(zhuǎn)dq軸下，雙饋感應(yīng)發(fā)電機(jī)DFIG的磁鏈表達(dá)式為：

(1)

(2)

磁鏈動(dòng)態(tài)方程為：

(3)

(4)

式中：λsd,λsq分別為定子磁鏈dq軸分量；λrd,λrq分別為轉(zhuǎn)子磁鏈dq軸分量；vsd,vsq分別為定子電壓dq軸分量；vrd,vrq分別為轉(zhuǎn)子電壓dq軸分量；isd,isq分別為定子電壓dq軸分量；ird,irq分別為轉(zhuǎn)子電流dq軸分量；Rs，Rr分別為定子、轉(zhuǎn)子電阻；Ls，Lls，Lr，Llr，Lm分別為定子自電感、定子漏電感、轉(zhuǎn)子自電感、轉(zhuǎn)子漏電感、互電感，且Ls=Lls+Lm,Lr=Llr+Lm；ωs，ωr，ωsl分別為同步轉(zhuǎn)速、轉(zhuǎn)子轉(zhuǎn)速、轉(zhuǎn)速差，且ωsl=ωs-ωr。

DFIG-WT的機(jī)械傳動(dòng)系統(tǒng)采用單質(zhì)量塊模型：

(5)

式中：H為慣性常數(shù)；D為阻尼系數(shù)；Tm為機(jī)械轉(zhuǎn)矩；Te為電磁轉(zhuǎn)矩。

1.2 矢量控制

DFIG-WT采用經(jīng)典的基于比例積分(pro-por-tional-integral,PI)的雙閉環(huán)矢量控制策略，如圖2所示。

圖2 雙饋風(fēng)機(jī)矢量控制策略Fig.2 Vector control scheme for DFIG-WT

1.3 變換器故障類型

開路和短路是2種常見的變換器開關(guān)器件故障類型，由于短路故障會(huì)觸發(fā)保護(hù)裝置，導(dǎo)致變換器立刻關(guān)斷，故只考慮開路故障。以GSC的a相橋臂為例，開關(guān)管T1,T2開路故障如圖3所示。g1,g2分別為開關(guān)T1,T2的驅(qū)動(dòng)信號(hào)，idc為直流電流。定義開關(guān)狀態(tài)為S，則開關(guān)管的正常運(yùn)行狀態(tài)為：當(dāng)S=1時(shí)，g1=1,g2=0，T1導(dǎo)通，T2關(guān)斷，此時(shí)vga=vdc,idc=iga；當(dāng)S=0時(shí)，g1=0,g2=1，T1關(guān)斷，T2導(dǎo)通，此時(shí)vga=0,idc=0，故存在以下關(guān)系：

(6)

圖3 GSC開關(guān)開路故障示意Fig.3 Schematic diagram of open-switch faults on GSC

由圖3可以看出，在g1=1,g2=0的驅(qū)動(dòng)信號(hào)下，當(dāng)開關(guān)管T1開路時(shí)，若網(wǎng)側(cè)電流iga>0，有vga=0,idc=0，即開關(guān)狀態(tài)S由正常值1變化為故障值0。同時(shí)，在g1=0,g2=1的驅(qū)動(dòng)信號(hào)下，當(dāng)開關(guān)管T2開路故障時(shí)，若網(wǎng)側(cè)電流iga<0，有vga=vdc,idc=iga，即開關(guān)狀態(tài)S由正常值0變化為故障值1時(shí)。根據(jù)上述分析，當(dāng)開關(guān)管T1或T2發(fā)生開路故障時(shí)，會(huì)導(dǎo)致開關(guān)狀態(tài)由正常值變?yōu)楣收现?。由?6)可知，開關(guān)狀態(tài)S的變化影響網(wǎng)側(cè)電流iga的輸出，并進(jìn)一步導(dǎo)致b相和c相網(wǎng)側(cè)電流的畸變。同理，轉(zhuǎn)子側(cè)變換器開關(guān)開路故障也影響轉(zhuǎn)子三相電流的輸出。

考慮GSC和RSC總共12個(gè)IGBT器件的單開關(guān)和雙開關(guān)故障，統(tǒng)計(jì)可得78種故障類型f1,f2,…,f78，正常狀態(tài)記為f79，詳細(xì)描述見表1。

表1 雙饋風(fēng)機(jī)變換器故障類型Table 1 Fault types of DFIG-WT converters

2 基于DBN的故障診斷方法

2.1 數(shù)據(jù)預(yù)處理

GSC的開關(guān)開路故障直接影響網(wǎng)側(cè)三相電流iga,igb,igc的變化，而RSC的開關(guān)開路故障影響轉(zhuǎn)子三相電流ira,irb,irc的響應(yīng)。因此，選擇網(wǎng)側(cè)電流iga,igb,igc和轉(zhuǎn)子電流ira,irb,irc作為故障診斷網(wǎng)絡(luò)的輸入信號(hào)。定義一維向量表示每個(gè)電流傳感器的采樣數(shù)據(jù)，表達(dá)式為：

Xi=[xi(1),xi(2),…,xi(n)]

(7)

(8)

使用滑動(dòng)窗口從數(shù)據(jù)X中提取出m個(gè)數(shù)據(jù)集作為訓(xùn)練樣本，定義樣本對(duì)應(yīng)的標(biāo)簽為Y=[Y1,Y2,…,Ym]T，其中Yi(i=1,2,…,m)對(duì)應(yīng)變換器開關(guān)開路故障類型fi，取值為1到79。因此，故障診斷網(wǎng)絡(luò)的數(shù)據(jù)集可表示為D(X,Y)。

2.2 深度置信網(wǎng)絡(luò)

DBN采用分層結(jié)構(gòu)，包括輸入層、隱藏層和輸出層，是一種完全數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)算法。其具有優(yōu)異的特征學(xué)習(xí)和數(shù)據(jù)處理能力，能實(shí)現(xiàn)多種復(fù)雜故障的識(shí)別和分類，包括齒輪箱機(jī)械故障[15]、汽輪機(jī)傳感器故障[16]及配電網(wǎng)故障[17]。

DBN由多個(gè)受限玻爾茲曼機(jī)(restricted Boltz-mann machine, RBM)堆疊組合而成，結(jié)構(gòu)如圖4(a)所示。受限玻爾茲曼機(jī)RBM是一個(gè)2層神經(jīng)網(wǎng)絡(luò)，結(jié)構(gòu)如圖4(b)所示，包括可見層和隱藏層，可見層神經(jīng)元和隱藏層神經(jīng)元的聯(lián)合組態(tài)能量函數(shù)定義見式(9)。

圖4 DBN和RBM的結(jié)構(gòu)Fig.4 Structure of DBN and RBM

(9)

式中：v=(vi),i=1,2,…,m，為可見向量；h=(hj),j=1,2,…,n，為隱藏向量；權(quán)重矩陣W=(wij)表示第j個(gè)隱藏層神經(jīng)元和第i個(gè)可見層神經(jīng)元之間的聯(lián)系。向量A=(ai)和B=(bj)分別為可見層神經(jīng)元和隱藏層神經(jīng)元的偏置權(quán)重。

在一般的玻爾茲曼機(jī)中，隱藏向量和可見向量的概率分布為：

(10)

(11)

式中：Λ為歸一化因子，保證概率之和為1?？梢娤蛄康母怕适撬锌赡艿碾[藏層組態(tài)的總和，即：

(12)

由于RBM沒(méi)有層內(nèi)連接，隱藏層和可見層的各個(gè)神經(jīng)元之間相互獨(dú)立，故條件概率可表示為：

(13)

(14)

而隱藏層和可見層神經(jīng)元的激活概率分別為：

(15)

(16)

式中：σ(x)=(1+e-x)-1，為L(zhǎng)ogistic函數(shù)。

可知，概率P(v)是分配給可見層神經(jīng)元v的概率。故目標(biāo)函數(shù)是負(fù)對(duì)數(shù)似然函數(shù)，表達(dá)式為：

(17)

式中：θ=(A,B,W)；D為數(shù)據(jù)集。通過(guò)估計(jì)優(yōu)化參數(shù)來(lái)訓(xùn)練RBM，使得負(fù)對(duì)數(shù)似然函數(shù)L(θ,D)最小化，采用經(jīng)典的對(duì)比散度算法進(jìn)行訓(xùn)練[18]。

2.3 故障診斷網(wǎng)絡(luò)

使用邏輯回歸(logistic regression，LR)作為DBN的頂層輸出層，同時(shí)也作為故障診斷的決策方法。LR是一個(gè)概率類型的線性分類器，通過(guò)Softmax函數(shù)實(shí)現(xiàn)數(shù)據(jù)的分類，故障的概率密度分布為：

(18)

式中：pi為開關(guān)故障類型fi發(fā)生的概率，i=1,2,…,79；Sk為隱藏層輸出量。因此，故障診斷結(jié)果為：

P=argmax(p1,p2,…,p79)

(19)

綜合以上分析，基于DBN的故障診斷方法如圖5所示。首先，建立DFIG-WT系統(tǒng)的詳細(xì)模型，設(shè)置各種類型的變換器開關(guān)開路故障，采集網(wǎng)側(cè)電流和轉(zhuǎn)子電流信號(hào)進(jìn)行預(yù)處理，生成訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集。訓(xùn)練數(shù)據(jù)集用于對(duì)DBN進(jìn)行訓(xùn)練，得到網(wǎng)絡(luò)的輸出模型并對(duì)測(cè)試數(shù)據(jù)進(jìn)行分類，輸出最終的故障診斷結(jié)果。

圖5 基于DBN的故障診斷方法Fig.5 DBN based fault diagnosis method

3 故障仿真與算法性能分析

3.1 仿真設(shè)置

表2 雙饋風(fēng)機(jī)參數(shù)Table 2 Parameters of DFIG-WT

設(shè)計(jì)圖4所示的DBN，包括3層隱藏層，每層隱藏層由1 500個(gè)神經(jīng)元組成。設(shè)置風(fēng)速在6 m/s(切入風(fēng)速)到20 m/s(切出風(fēng)速)之間變化，同時(shí)在雙饋風(fēng)機(jī)系統(tǒng)中設(shè)置表1中的78種變換器開關(guān)故障狀態(tài)和正常工作狀態(tài)，以0.9 kHz的采樣頻率進(jìn)行采樣，總共得到79 000組數(shù)據(jù)，數(shù)據(jù)長(zhǎng)度為150。在79 000組數(shù)據(jù)中隨機(jī)抽取70 000組作為訓(xùn)練數(shù)據(jù)，剩下的9 000組作為測(cè)試數(shù)據(jù)。

3.2 變換器開路故障特征

以GSC的開關(guān)T1和RSC的開關(guān)T7發(fā)生故障為例，仿真結(jié)果如圖6所示。在t=0.25 s時(shí)，風(fēng)速?gòu)?5 m/s階躍變化為10 m/s，同時(shí)設(shè)置RSC的開關(guān)T7故障。由圖6可見，三相轉(zhuǎn)子電流ira,irb,irc的頻率和幅值都隨風(fēng)速變化而發(fā)生變化，開關(guān)T7故障后a相轉(zhuǎn)子電流ira的上半波被削去，且T7故障導(dǎo)致轉(zhuǎn)子電流irb,irc畸變和網(wǎng)側(cè)電流iga,igb,igc發(fā)生波動(dòng)。在t=0.5 s時(shí)，GSC的開關(guān)T1發(fā)生故障，削去了a相網(wǎng)側(cè)電流的一半波形，并進(jìn)一步加劇了轉(zhuǎn)子電流ira,irb,irc的畸變和網(wǎng)側(cè)電流igb,igc的波動(dòng)。

圖6 開關(guān)T1和T7開路故障仿真波形Fig.6 Current waveforms obtained underopen-switch faults of T1 and T7

針對(duì)表1中的變換器開關(guān)開路故障，采用DBN網(wǎng)絡(luò)進(jìn)行診斷。進(jìn)行100次仿真后，計(jì)算出準(zhǔn)確度Prec(取值0～1，越高越好)、漏檢率Reca(取值0～1，越高越好)和綜合性能F1(同時(shí)考慮準(zhǔn)確度和漏檢率，取值0～1，越高越好)作為算法的評(píng)價(jià)指標(biāo)[19]。將DBN與人工神經(jīng)網(wǎng)絡(luò)(back propagation artificial neural network,BPANN)、最小二乘-支持向量機(jī)(least-squares support vector machine,LS-SVM)等數(shù)據(jù)類方法進(jìn)行對(duì)比，3種方法對(duì)于部分故障類型的診斷結(jié)果見表3，加粗部分表示3種方法中性能指標(biāo)的最好結(jié)果。

從表3中可以看出，對(duì)于GSC的開關(guān)T1開路故障，DBN的準(zhǔn)確度Prec，漏檢率Reca和綜合性能F1指標(biāo)均為1，能夠做到對(duì)該類型故障的完全精確識(shí)別，算法的性能優(yōu)于BPANN和LS-SVM。其次，對(duì)于GSC的開關(guān)T1和T4同時(shí)故障，DBN的綜合性能指標(biāo)F1=0.93，高于BPANN算法的F1=0.89和LS-SVM算法的F1=0.91。

此外，對(duì)于GSC開關(guān)T4和RSC開關(guān)T10同時(shí)故障，由于GSC和RSC的相互影響，故障信號(hào)特征復(fù)雜，導(dǎo)致BPANN的綜合指標(biāo)F1=0.90和LS-SVM算法的綜合指標(biāo)F1=0.80較低。而DBN算法的深度結(jié)構(gòu)能夠提取該類型故障下的特征信息，故障診斷的性能指標(biāo)值高達(dá)F1=0.97，遠(yuǎn)優(yōu)于另外2種算法。最后，BPANN、LS-SVM、DBN故障診斷的綜合性能指標(biāo)F1的平均值分別為0.93，0.88，0.96。結(jié)果表明，與BPANN、LS-SVM算法相比，DBN算法在絕大部分故障情形下，都具有更好的綜合診斷性能。綜合以上分析可知，DBN對(duì)于雙饋風(fēng)機(jī)變換器的單個(gè)和雙個(gè)開關(guān)管開路故障的診斷性能都優(yōu)于BPANN和LS-SVM算法。

表3 故障診斷結(jié)果Table 3 Fault diagnosis results

4 結(jié)語(yǔ)

文中基于DBN提出了一種適用于DFIG-WT系統(tǒng)RSC和GSC的電力電子開關(guān)管開路的故障診斷方法。

仿真結(jié)果表明，DFIG-WT的RSC和GSC開路故障相互影響，導(dǎo)致故障特征復(fù)雜，且故障下DFIG-WT輸出信號(hào)都受風(fēng)速變化影響。其次，DBN網(wǎng)絡(luò)采用了多層的RBM，能夠提取變換器開關(guān)各種故障信號(hào)的深度信息，用于DFIG-WT的RSC和GSC單個(gè)和雙個(gè)開關(guān)管的復(fù)雜故障識(shí)別和分類。最后，對(duì)于DFIG-WT在風(fēng)速變化下的單個(gè)和雙個(gè)開關(guān)管開路故障，文中所提基于DBN的故障診斷方法，與傳統(tǒng)的BPANN和LS-SVM方法相比，具有更高的準(zhǔn)確度和更優(yōu)的診斷性能。