許如遠(yuǎn)，馬 萍

(新疆大學(xué) 電氣工程學(xué)院，新疆 烏魯木齊 830017)

0 引言

變流器是雙饋異步風(fēng)力發(fā)電機(jī)組的關(guān)鍵部件，極易發(fā)生故障[1?2].變流器開(kāi)關(guān)管的故障會(huì)導(dǎo)致系統(tǒng)不能正常工作，甚至?xí)鹌渌O(shè)備故障進(jìn)而發(fā)生二次故障，導(dǎo)致機(jī)組停機(jī).有效的診斷方法可以及時(shí)發(fā)現(xiàn)變流器故障，避免二次故障的發(fā)生，減少風(fēng)電機(jī)組運(yùn)行成本[3].

目前，國(guó)內(nèi)外學(xué)者已經(jīng)提出了一些變流器IGBT模塊故障的診斷方法，對(duì)IGBT模塊進(jìn)行了有效診斷[4?6].文獻(xiàn)[7]采集故障狀態(tài)下的網(wǎng)側(cè)變流器三相線電壓作為信號(hào)源，對(duì)電壓信號(hào)進(jìn)行集合經(jīng)驗(yàn)?zāi)B(tài)分解，將不同模態(tài)函數(shù)的范數(shù)熵作為故障特征，利用支持向量機(jī)（Support Vector Machine,SVM）對(duì)不同故障模式進(jìn)行分類，該方法能有效診斷不同故障模式下的變流器故障；文獻(xiàn)[8]以電機(jī)定子電流和機(jī)械轉(zhuǎn)速為輸出，構(gòu)建遞歸解耦結(jié)構(gòu)，通過(guò)非線性觀測(cè)器合成dq軸方向的殘差，實(shí)現(xiàn)了隔離多個(gè)同時(shí)發(fā)生的故障的目的，但系統(tǒng)變化易影響模型結(jié)構(gòu)，對(duì)模型準(zhǔn)確性有很大影響；文獻(xiàn)[9]利用變流器歸一化的相電流平均值和歸一化電流作為故障特征向量，對(duì)變流器進(jìn)行故障診斷，該方法具有較強(qiáng)的魯棒性和實(shí)時(shí)診斷能力，但沒(méi)有考慮大量隨機(jī)噪聲對(duì)模型診斷準(zhǔn)確性的影響；文獻(xiàn)[10]利用電機(jī)相電流和參考相電流信號(hào)偏差，實(shí)現(xiàn)了變流器故障診斷；文獻(xiàn)[11]利用BP（Back-Propagation）神經(jīng)網(wǎng)絡(luò)對(duì)故障電壓信號(hào)重構(gòu)的特征向量進(jìn)行分類，提高了故障分類精度；文獻(xiàn)[12]通過(guò)計(jì)算電壓信號(hào)小波變換的總能量和總熵確定故障類型，該方法能同時(shí)檢測(cè)變換器轉(zhuǎn)子側(cè)和電網(wǎng)側(cè)的故障；文獻(xiàn)[13]利用電流信號(hào)與振動(dòng)信號(hào)的關(guān)聯(lián)機(jī)制，融合電流和振動(dòng)信號(hào)作為故障特征向量，此方法只適用于單個(gè)IGBT模塊開(kāi)路故障診斷.

本文以網(wǎng)側(cè)變流器線電壓為信號(hào)源，對(duì)故障電壓信號(hào)進(jìn)行快速傅里葉變換（Fast Fourier Transform,FFT），將頻譜中直流分量幅值和諧波分量頻率幅值重構(gòu)成故障特征向量.利用鄰域保持投影（Neighborhood Preserving Embedding,NPE）對(duì)數(shù)據(jù)進(jìn)行處理，使得到的故障特征向量保留原始數(shù)據(jù)特征且去除數(shù)據(jù)中的冗余信息，通過(guò)全局自適應(yīng)鯨魚(yú)算法（Global Adaptive Whale Optimization Algorithm,GAWOA）對(duì)極限學(xué)習(xí)機(jī)（Extreme Learning Machine,ELM）的權(quán)值和閾值進(jìn)行優(yōu)化，得到較為精確的故障診斷模型.實(shí)驗(yàn)結(jié)果表明：GAWOA-ELM模型能有效診斷單IGBT模塊和雙IGBT模塊開(kāi)路故障，且具有較好的魯棒性.

1 雙饋風(fēng)電機(jī)組模型建立

1.1 雙饋風(fēng)力發(fā)電機(jī)組模型建立

雙饋風(fēng)電機(jī)組由3個(gè)部分組成：雙饋風(fēng)力發(fā)電機(jī)（Doubly-Fed Induction Generator,DFIG）、轉(zhuǎn)子側(cè)變流器（Rotor Side Converter,RSC）、網(wǎng)側(cè)變流器（Grid Side Converter,GSC），其拓?fù)淙鐖D1所示.RSC跟蹤最大風(fēng)能，實(shí)現(xiàn)變速恒頻，GSC保持直流側(cè)電壓恒定，防止電網(wǎng)諧波.

圖1 雙饋風(fēng)力發(fā)電系統(tǒng)的拓?fù)浣Y(jié)構(gòu)

忽略發(fā)電機(jī)的高次諧波分量、磁路飽和，各物理量按照發(fā)電機(jī)慣例選取，電機(jī)在d-q坐標(biāo)系下的電壓方程、磁鏈方程、發(fā)電機(jī)功率方程[14?16]可表示為：

式中：Rs、Rr為定、轉(zhuǎn)子繞組等效電阻；Ls、Lr、Lm為d、q軸定、轉(zhuǎn)子繞組自感和互感；uds、uqs、udr、uqr分別為定、轉(zhuǎn)子d、q軸電壓；ids、iqs、idr、iqr分別為定、轉(zhuǎn)子d、q軸電流；ψds、ψqs、ψdr、ψqr分別為定、轉(zhuǎn)子d、q軸磁鏈；ω1、ωs為同步轉(zhuǎn)速和滑差角速度；Ps、Qs為發(fā)電機(jī)有功功率和無(wú)功功率.以d軸為定子磁鏈方向，根據(jù)定子總磁鏈與端電壓矢量垂直的關(guān)系，則ψds=ψs、ψqs=0.此時(shí)式（2）可表示為：

將式（4）帶入式（1）得：

再將式（4）、式（5）帶入式（3），式（3）即可轉(zhuǎn)化為：

由式（6）可知，Ps與iqr成線性關(guān)系，Qs與idr成線性關(guān)系，且idr和iqr無(wú)耦合關(guān)系，則參考電壓信號(hào)可作為控制有功、無(wú)功功率的PWM矢量控制量.將式（4）帶入式（2）得：

將式（7）帶入式（1）得轉(zhuǎn)子電壓方程如下：

由式（8）可知，通過(guò)轉(zhuǎn)子電壓控制有功、無(wú)功功率.設(shè)電網(wǎng)電壓矢量us的參考方向?yàn)閐軸方向，則us滿足：

網(wǎng)側(cè)變流器功率方程為：

式中：Pg、Qg為網(wǎng)側(cè)變流器有功功率和無(wú)功功率.由于電網(wǎng)電壓基本保持不變，所以Pg與id成線性關(guān)系，Qg與iq成線性關(guān)系，通過(guò)id、iq控制有功功率和交流側(cè)電壓、電流.

1.2 網(wǎng)側(cè)變流器IGBT模塊故障類型

以電網(wǎng)側(cè)變流器的IGBT模塊為研究對(duì)象.考慮同一橋臂和不同橋臂上的IGBT故障，對(duì)變流器的6只IGBT（IGBT用Ti表示）模塊進(jìn)行分析，單IGBT模塊故障6種，雙IGBT模塊故障15種（三個(gè)IGBT模塊故障較少），共計(jì)22種模式（1種正常運(yùn)行狀態(tài)，21種故障狀態(tài)），故障編碼見(jiàn)表1.

表1 IGBT故障編碼

2 基于自適應(yīng)鯨魚(yú)算法優(yōu)化的改進(jìn)極限學(xué)習(xí)機(jī)

2.1 極限學(xué)習(xí)機(jī)

ELM是一種單隱層神經(jīng)網(wǎng)絡(luò)，具有求解速度更快、學(xué)習(xí)效率更高、適應(yīng)能力更強(qiáng)的特點(diǎn)[17?18].設(shè)有n個(gè)不同樣本(xi,ti)，對(duì)于l個(gè)節(jié)點(diǎn)的隱含層，ELM網(wǎng)絡(luò)模型可表示為：

式中：wk為輸入權(quán)值向量，bk為隱含層的閾值向量，βk為輸出權(quán)值向量.當(dāng)激活函數(shù)f逼近任意n個(gè)樣本時(shí)，有：

2.2 鯨魚(yú)優(yōu)化算法

鯨魚(yú)算法具有搜索能力強(qiáng)、參數(shù)設(shè)置少、操作簡(jiǎn)單的特點(diǎn)[19?20]，主要包括兩個(gè)階段，具體描述如下：

（1）初始搜索階段

初始階段，每條鯨魚(yú)位置更新依據(jù)如下：

（2）包圍攻擊階段

鯨魚(yú)進(jìn)入包圍攻擊階段時(shí)，鯨魚(yú)個(gè)體位置更新公式如下：

2.3 全局自適應(yīng)鯨魚(yú)優(yōu)化算法

由式（15）可知，WOA在包圍攻擊過(guò)程中的權(quán)重為1，這種權(quán)重恒定不變的搜索速度降低了算法的效率，為了提高WOA的全局搜索能力，GAWOA在WOA的基礎(chǔ)上引入自適應(yīng)權(quán)重ω，其計(jì)算公式為：

式中：t為當(dāng)前迭代次數(shù)，tmax為最大迭代次數(shù).由式（16）可知，ω會(huì)隨著迭代次數(shù)的增大而減小，提高算法前期的搜索速度和后期尋優(yōu)精度.雖然引入自適應(yīng)權(quán)值能提高算法的全局搜索能力，但算法的最優(yōu)解只是隨著迭代過(guò)程而更新，容易忽略當(dāng)前最優(yōu)解的鄰域部分的可能最優(yōu)解，引入鄰域擾動(dòng)機(jī)制可以對(duì)最優(yōu)解的鄰域部分進(jìn)行搜索，避免算法進(jìn)入早熟，尋找到更好的全局值.鄰域擾動(dòng)公式如下：

3 風(fēng)電機(jī)組變流器故障特征提取

本文選取故障狀態(tài)下的網(wǎng)側(cè)變流器三相線電壓Uab-g、Ubc-g、Uca-g為故障信號(hào)，采樣頻率設(shè)置為5 000 Hz，采樣點(diǎn)數(shù)為2 500.每類故障三相線電壓信號(hào)構(gòu)成一個(gè)3*2 500的矩陣樣本，樣本數(shù)據(jù)集大小為80，故障特征提取步驟如下：

（1）采集22種故障線電壓信號(hào)并對(duì)其進(jìn)行FFT變換，得到其頻譜圖.針對(duì)每一種故障，對(duì)Uab-g線電壓信號(hào)頻譜的頻率幅值進(jìn)行等間隔采樣.采樣間隔為5，得到500個(gè)頻率幅值.同理，可對(duì)Ubc-g、Uca-g線電壓信號(hào)頻譜進(jìn)行提取，將提取到的三相線電壓頻率幅值進(jìn)行重構(gòu)，構(gòu)成長(zhǎng)度為1 500的初始故障特征向量.

（2）步驟1中的初始故障特征向量由故障三相線電壓信號(hào)頻譜圖中諧波分量頻率幅值構(gòu)成.不同IGBT模塊故障時(shí)的直流分量的相位角有明顯差異，其相角差為π.當(dāng)T1故障時(shí)，三相線電壓信號(hào)中直流分量幅值分別為0、-31.42、9.50，如圖2（a）所示；當(dāng)T1、T2同時(shí)故障時(shí)，直流分量幅值分別為0、-37.7、-47.12，如圖2（b）所示.因此，三相線電壓信號(hào)中直流分量的幅值可作為故障特征添加到故障特征向量中，得到長(zhǎng)度為1 503的特征向量.

圖2 故障時(shí)三相線電壓諧波幅值

（3）針對(duì)故障特征向量維度太高、存在冗余特征的問(wèn)題，利用NPE對(duì)特征向量進(jìn)行降維，得到長(zhǎng)度為300的故障特征向量.對(duì)于每種故障，采集80個(gè)樣本，其最終的故障特征樣本維度為80*300.

根據(jù)以上故障特征處理和診斷過(guò)程，提取22類初始故障特征，將降維后的特征向量輸入GAWOA-ELM模型中進(jìn)行分類，變流器故障診斷流程如圖3所示.

圖3 風(fēng)機(jī)變流器故障診斷流程框圖

4 實(shí)驗(yàn)分析

本文利用MATLAB/Simulink環(huán)境搭建了DFIG-無(wú)窮大系統(tǒng)模型，風(fēng)電系統(tǒng)仿真參數(shù)見(jiàn)表2.模擬實(shí)驗(yàn)的采樣頻率為5 kHz，采樣時(shí)間為0.5 s，風(fēng)速間隔為0.062 5 m·s?1.

表2 風(fēng)電系統(tǒng)仿真參數(shù)

當(dāng)變流器正常運(yùn)行時(shí)，變流器側(cè)的電壓、電流波形如圖4（a）所示.當(dāng)T1發(fā)生開(kāi)路故障時(shí)，變流器相電流ia正半周期幅值丟失，并網(wǎng)電壓Uab-g、Ubc-g、Uca-g出現(xiàn)失真，如圖4（b）所示.

圖4 開(kāi)路故障對(duì)發(fā)電系統(tǒng)的影響

當(dāng)同一橋臂上T1和T2同時(shí)故障時(shí)，相電流ib和ic發(fā)生偏移，相電流ia=0，且并網(wǎng)電壓Uab-g、Ubc-g、Uca-g亦失真，嚴(yán)重影響電網(wǎng)安全，如圖4（c）所示.如圖4（d）所示，IGBT開(kāi)路故障會(huì)導(dǎo)致雙饋發(fā)電機(jī)電流發(fā)生畸變，也會(huì)造成電磁轉(zhuǎn)矩Te、直流端電壓Udc的振蕩發(fā)生畸變，甚至?xí)绊懫渌M件、降低電能質(zhì)量、污染電網(wǎng).

為了驗(yàn)證本文所提方法的有效性，將數(shù)據(jù)集按照7∶3的比例劃分為訓(xùn)練集和測(cè)試集，使用5種神經(jīng)網(wǎng)絡(luò)模型對(duì)IGBT模塊進(jìn)行故障診斷和對(duì)比分析.5種神經(jīng)網(wǎng)絡(luò)迭代次數(shù)均為100，其中SVM的懲罰系數(shù)為0.1，線性核函數(shù)半徑為0.000 3，其余4種神經(jīng)網(wǎng)絡(luò)ELM網(wǎng)絡(luò)結(jié)構(gòu)相同.PSO的參數(shù)設(shè)置如下：慣性權(quán)重為0.8，自我學(xué)習(xí)因子和群體學(xué)習(xí)因子均為0.4，粒子位置和速度區(qū)間分別為[-2,2]、[-0.5,0.5].GAWOA-ELM、WOA-ELM、PSO-ELM算法中鯨魚(yú)種群和粒子群規(guī)模大小均為50.5種方法均運(yùn)行30次，準(zhǔn)確率見(jiàn)表3.由表3可知，5種模型的平均診斷精度均在90%以上，標(biāo)準(zhǔn)差分別為0.49%、0.34%、0.67%、0.43%、0.22%.SVM模型和ELM模型對(duì)IGBT模塊故障診斷精度較低，PSO-ELM模型的標(biāo)準(zhǔn)差最高.GAWOA-ELM模型相比WOA-ELM模型，可以自適應(yīng)地改變算法在不同時(shí)期的尋優(yōu)速度，提高了算法搜索效率，GAWOA-ELM模型的平均診斷精度在98.99%至99.43%之間.鄰域擾動(dòng)機(jī)制的引入提高了GAWOA-ELM模型的穩(wěn)定性，與其他4種神經(jīng)網(wǎng)絡(luò)模型相比，GAWOAELM模型標(biāo)準(zhǔn)差最小.圖5是GAWOA-ELM模型對(duì)IGBT模塊故障診斷結(jié)果，實(shí)驗(yàn)證明該模型能夠滿足變流器單IGBT模塊和雙IGBT模塊故障模式下的故障診斷要求.

表3 多種算法故障診斷精度

圖5 GAWOA-ELM模型對(duì)22種故障診斷結(jié)果

為了檢測(cè)所提出的故障診斷方法的魯棒性，將不同的白噪聲分別添加到原始故障電壓信號(hào)中，使用不同方法對(duì)不同信噪比下的故障電壓信號(hào)進(jìn)行診斷，對(duì)數(shù)據(jù)集運(yùn)行30次，取算法的平均值，結(jié)果見(jiàn)表4.由表4可知，當(dāng)信噪比逐漸增大時(shí)，不同模型的故障診斷精度整體都在降低，且算法穩(wěn)定性隨之下降.本文所提出的診斷方法在信噪比小于20 dB以下的變流器故障診斷中，準(zhǔn)確率均能保持在91.24%以上.

表4 不同信噪比下各診斷算法準(zhǔn)確率對(duì)比

5 結(jié)論

本文以不同故障狀態(tài)下網(wǎng)側(cè)變流器三相線電壓作為故障信號(hào)，為解決時(shí)域信號(hào)的周期性干擾，將時(shí)域信號(hào)轉(zhuǎn)換成頻域信號(hào)，利用三相線電壓的諧波分量頻率幅值和直流分量幅值的差異，有效提取了不同故障類型的故障特征，提高了對(duì)變流器故障診斷的準(zhǔn)確率.

GAWOA在WOA的基礎(chǔ)上引入全局自適應(yīng)權(quán)重，大大提高了WOA前期搜索速度和后期局部搜索精度，為ELM尋找到最優(yōu)權(quán)值和閾值，同時(shí)引入鄰域擾動(dòng)機(jī)制，提高了算法的穩(wěn)定性.最后通過(guò)與SVM、ELM、PSOELM、WOA-ELM對(duì)比，證明GAWOA-ELM的準(zhǔn)確率和魯棒性優(yōu)于其他算法，在信噪比20 dB以下的變流器IGBT開(kāi)路故障中，具有較高的準(zhǔn)確率，結(jié)果表明GAWOA-ELM在風(fēng)機(jī)變流器故障診斷方面具有很強(qiáng)的實(shí)用性.