吳一斐，黃 偉，李曉鋒，許凌飛

（浙江海得新能源有限公司，浙江 嘉興 314500）

隨著全球各地環(huán)境污染的日益嚴峻和能源危機的不斷加劇，風能作為一種取之不盡、用之不竭的可再生能源，其影響力在逐年攀升。國家統(tǒng)計局公開的數(shù)據顯示，在2020年末全國發(fā)電裝機容量中，并網風電裝機容量約占總體的12.8%，同時并網風電裝機增長率排名第一[1]，由此可見，在2020年度中，風電行業(yè)發(fā)展最為迅猛。

風力發(fā)電產業(yè)在裝機容量每年爆發(fā)式增長的同時，也面臨一些新的問題和挑戰(zhàn)。由于受風資源地理分布、自然環(huán)境差異以及風電機組本身的影響和其他多種不同因素的制約，風力發(fā)電機組面臨著極端環(huán)境因素的考驗，且在此類情況下，還會承受電網的影響。因此，高效準確實現(xiàn)對風力發(fā)電機組的故障診斷，并提前預判處置此類故障，對于提升風力發(fā)電機組的可靠性和經濟性具有顯著的現(xiàn)實意義。

本文提出一種基于深度學習（CNN和GRU）的風電機組故障診斷方法，以風力發(fā)電變流器為研究對象，將表征變流器運行狀態(tài)的SCADA數(shù)據預處理并壓縮成多維矩陣，重組為運行數(shù)據圖；訓練卷積神經網絡CNN模型，從矩陣數(shù)據中提取相應的故障特征，將多幀故障特征整合為連續(xù)的時序故障特征；采用門控循環(huán)單元GRU為主體模型，從時序故障特征中獲取故障診斷結果；同時引入微調（Fine-tuning）進行繼續(xù)訓練，結合部署實施后的風電機組型號、地理位置等信息，將變流器是否發(fā)生故障視為一個二分類問題，在全連接層通過Softmax函數(shù)，獲得是否發(fā)生故障的診斷結果。

1 風電變流器故障診斷的必要性

1.1 風電變流器運行原理

風電變流器由功率部分、配電部分以及智能控制器組成。以雙饋式變流器為例，其工作原理是：網側功率模塊用以調節(jié)網側的功率因素，同時，還具有穩(wěn)定直流母線電壓的作用。機側功率模塊對雙饋發(fā)電機的轉子進行勵磁，動態(tài)調節(jié)勵磁電壓的頻率、幅值和相位，以保證定子電壓的穩(wěn)定輸出；之所以稱為雙饋式變流器，是指能量的雙向流動，雙饋電機的轉子和定子都可以和前端電網進行能量的交互。此外，為了應對低電壓穿越和高電壓穿越，雙饋式變流器一般都會配備有Chopper單元和Crowbar單元，用以實現(xiàn)母線過壓時的能量泄放。一種典型的雙饋式變流器原理如圖1所示。

圖1 雙饋式變流器原理圖

風電變流器的控制核心為智能控制器，其主要功能是：完成對輸入的數(shù)字信號和模擬信號的處理，以及對外層執(zhí)行部件發(fā)出控制指令，以實現(xiàn)對變流器系統(tǒng)的綜合控制功能；記錄并保存設備的運行數(shù)據和故障時刻的波形；實現(xiàn)與PC機的實時通信，保障變流器本身以及整個風機系統(tǒng)的安全運行，是變流器控制系統(tǒng)的核心。

1.2 風電變流器故障概述

由于風電變流器所處的特殊環(huán)境，往往容易受到溫度、濕度、灰塵、鹽霧、霉菌等的各種環(huán)境因素制約，這些因素會影響變流器的輸出性能，且容易導致變流器故障的產生，進而影響整個機組的并網發(fā)電，直接影響風電場業(yè)主的經濟效益，造成一定的損失，尤其是在風況良好的情況下。變流器常見的故障類型有功率模塊故障、電網故障、單板故障等。

1.3 故障診斷建模方法

目前針對風力發(fā)電機組的故障診斷建模方法，主要分為3類：基于數(shù)學模型的診斷方法、基于知識的診斷方法和基于數(shù)據的診斷方法[2]。

基于數(shù)學模型的故障診斷方法，是在已知設備數(shù)學模型的情況下，綜合分析風力發(fā)電機組當前的運行狀態(tài)，再此基礎上進行故障診斷的方法。

基于知識的故障診斷方法，是根據相關各領域專家的經驗，并導入風電機組實際運行的工況，再進行故障診斷的方法。

基于數(shù)據的故障診斷方法，是利用龐大的歷史運行數(shù)據進行診斷的方法，大部分數(shù)據來源于數(shù)據采集與監(jiān)視控制系統(tǒng)（Supervisory Control And Data Acquisition，SCADA）。該故障診斷方法，以一定方式提取故障特征作為輸入條件，采用人工智能模型訓練的方法，實現(xiàn)風力發(fā)電機組故障的有效診斷。

SCADA系統(tǒng)是風力發(fā)電場自動化控制管理的核心，該系統(tǒng)主要實現(xiàn)對場區(qū)內所有風力發(fā)電機組的運行狀態(tài)進行實時監(jiān)控，對機組的各個子部件參數(shù)進行信息采集和存儲，并實時分析相應的運行狀況，針對發(fā)現(xiàn)的異常狀態(tài)或者故障狀態(tài)，及時主動發(fā)出聲光報警，以便風場運維人員能夠及時準確地作出響應[3]。

2 基于深度學習的變流器故障診斷

2.1 CNN

卷積神經網絡（CNN）是一種用于深度學習的網絡體系結構，可直接從數(shù)據中學習，而無需人工進行特征的提取[4]。其具有數(shù)十或數(shù)百層，每個層都學會檢測SCADA數(shù)據的不同特征。

正如其他神經網絡一樣，典型的CNN由輸入層、輸出層以及它們之間的多層隱藏層構成，如圖2所示。這些層執(zhí)行更改數(shù)據的操作，目的為學習特定數(shù)據的功能。最常見的3個層是卷積層、ReLU層和池化層。

圖2 CNN典型模型

卷積層將輸入數(shù)據通過一組卷積過濾器，每個卷積過濾器都會激活這些數(shù)據中的某些特征；ReLU層通過將負值映射到零并保持正值，可以更快、更高效地進行訓練；池化層通過執(zhí)行非線性下采樣來簡化輸出，從而降低需要學習的網絡參數(shù)量。

2.2 GRU

門控循環(huán)單元（GRU）旨在解決循環(huán)神經網絡（RNN）附帶的消失梯度問題。GRU也可以視為LSTM的一種變體，因為兩者的設計相似，并且在某種情況下，產生的效果也相當優(yōu)異[5]。典型的GRU模型如圖3所示。

圖3 GRU典型模型

門控循環(huán)單元使用了所謂的更新門和復位門。這是2個向量，它們決定應將哪些信息進行輸出。對模型進行訓練，可以保留較長時間范圍的信息，不會隨著時間的流逝而丟失與預測無關的相關信息。

2.3 數(shù)據預處理

使用SCADA系統(tǒng)對風電變流器的相關數(shù)據進行實時采集，所采集到的訓練數(shù)據按指定的時間間隔進行重組，以此作為故障診斷模型的輸入，對所采集的SCADA數(shù)據采用歸一化處理，并將這些數(shù)據，通過一定的方式映射至[0，1]區(qū)間，同時，將歸一化處理完成后的數(shù)據，按照時間順序進行排列重組。

這里需要注意一點，需將SCADA系統(tǒng)采集到的數(shù)據分為3類，分別為訓練集、測試集和驗證集。訓練集用于訓練所需要的模型，測試集用于最終的模型評估，評估故障診斷方法的有效性，驗證集用于評估模型的執(zhí)行效果，同時為了調整超參數(shù)而服務，使得提高模型的實際使用效果。這里的SCADA數(shù)據來源于正常工況下獲取的數(shù)據，同時也包括有故障工況下獲得的數(shù)據。

2.4 故障特征提取

當有變流器故障發(fā)生時，各個參數(shù)指標之間存在著一定的關聯(lián)性，雖然每一次的故障發(fā)生情況并不一致，但是在一定程度下，變流器故障的產生伴隨著相關共性的發(fā)生，采用深度學習模型訓練，就可以很好地提取到這些故障特征。

將接收到的重組后的數(shù)據作為卷積神經網絡的輸入，并通過卷積神經網絡對這些數(shù)據進行故障特征的提取，進而轉化為高維的故障特征輸出。

這些故障特征包含變流器的電壓、電流、溫度等參數(shù)信息，可以實現(xiàn)將低維的數(shù)據信息轉化為高維的故障特征。

2.5 故障診斷

將上述提取得到的故障特征作為門控循環(huán)單元的輸入，并將零散時間片段的故障特征采用整合的方式，形成統(tǒng)一時序的故障特征，同時在CNN和GRU模型訓練階段，結合部署實施后的風電機組型號、地理位置等信息，引入微調（Fine-tuning）進行繼續(xù)訓練，將變流器是否發(fā)生故障視為一個二分類問題，最后在全連接層，通過Softmax函數(shù)，獲得變流器是否存在故障的診斷結果。本文所提出的風電變流器故障診斷方法，整體實施流程如圖4所示。

圖4 故障診斷流程圖

首先，利用CNN神經網絡對高維特征較好的表征能力，將一定區(qū)間范圍內的運行數(shù)據，提取轉化為高維的故障特征；其次，由于GRU模型的內部減少了一個“門控”，其參數(shù)少于LSTM模型，更易于計算，進而從一定程度上提高模型訓練效率，而且能夠達到的功能不亞于LSTM模型，但是結合計算機硬件能力和時間成本等客觀因素，GRU模型更加貼合工程實際的應用。此外，本文提出引入微調（Fine-tuning）進行繼續(xù)訓練，同時作用于CNN和GRU模型階段，從而能夠進一步提高風力發(fā)電變流器故障診斷的準確率。

3 結論

本文提出一種基于深度學習（CNN和GRU）的風力發(fā)電變流器故障診斷方法，將CNN與GRU兩種模型進行了整合設計。CNN作為特征提取模塊，利用CNN網絡的卷積核，處理高維數(shù)據無壓力特點，實效高效的故障特征提取；再者采用GRU為主體模型，將提取到的時序故障特征，整合為統(tǒng)一時序的故障特征；并在模型訓練階段，引入微調（Fine-tuning）方法，將CNN和GRU模型在所構建的數(shù)據集上進行反復訓練并調參，最終獲得風力發(fā)電變流器是否發(fā)生故障的診斷結果。最后，通過中國西北某風場的SCADA數(shù)據集上的實驗，證明了筆者所提出方法的有效性。