基于深度置信網絡的雙饋風機變換器開路故障診斷

夏候凱順， 李波

(1. 華南理工大學電力學院,廣東 廣州 510641； 2. 國網江蘇省電力有限公司電力科學研究院，江蘇 南京 211103)

0 引言

雙饋風機(doubly-fed induction generator-based wind turbine,DFIG-WT)通過控制轉子側變換器(rotor-side converter,RSC)和網側變換器(grid-side converter,GSC)實現變速恒頻運行和風能最大功率跟蹤[1—3]。變換器故障是DFIG-WT的常見故障，占比達25%[4]，而開路故障是電力電子開關管的主要故障類型，故國內外學者針對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計狀態觀測器[5—6]或提取特征參數[7—8]，實現三相變換器單個和雙個開關管的故障診斷。國內外學者采用快速傅里葉變換[9]、小波分析[10]、帕克變換[11]等信號處理算法，從風機輸出的電壓、電流、轉速等測量信號中提取故障特征信息，檢測并識別變換器的開路故障。但上述模型驅動和信號驅動算法，依賴于模型或者信號模式等先驗知識，當DFIG-WT系統運行點變化以及故障類型復雜時，診斷邏輯的設計變得極其困難。而數據驅動方法只需要大量的歷史數據，通過人工智能算法從歷史數據中提取出故障特征，能夠實現多類型復雜故障的識別與分類。

研究人員采用貝葉斯網絡[12]、人工神經網絡[13]、模糊邏輯[14]分別對永磁同步電機逆變器、全功率變換器、光伏逆變器的開路故障進行診斷。但上述數據驅動方法的故障特征提取和模式識別能力不足，都需要對信號進行預處理，選擇對故障敏感的信號進行分析，提取特征量，降低了信息的完整性，不是一種完全數據驅動法，且算法的數據處理能力有限，最終的故障診斷結果準確性不高。此外，上述研究單獨考慮GSC或RSC，而沒有考慮2個變換器同時故障的相互影響，未能全面系統地考慮DFIG-WT系統的多類型開關開路故障。

針對目前研究的不足，提出了一種基于深度置信網絡(deep belief network,DBN)的完全數據驅動的故障診斷方法，應用于DFIG-WT的RSC和GSC開關管開路故障診斷。通過仿真測試與比較，驗證了該開路故障診斷算法的有效性和優越性。

1 DFIG-WT系統模型與變換器故障

1.1 系統模型

DFIG-WT整體結構如圖1所示，系統由風機葉片、齒輪箱、雙饋感應發電機DFIG、GSC和RSC組成，風機的定子和電網連接，轉子通過RSC和GSC與電網交換功率。GSC包括6個電力電子IGBT開關器件T1,T2,…,T6，RSC包括6個開關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分別為轉子三相電壓和轉子三相電流；vga,vgb,vgc，iga,igb,igc分別為網側三相電壓和網側三相電流；vdc為直流電容電壓。

圖1 雙饋風機系統結構Fig.1 Structure of DFIG-WT system

在同步旋轉dq軸下，雙饋感應發電機DFIG的磁鏈表達式為：

(1)

(2)

磁鏈動態方程為：

(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分別為轉子電流dq軸分量；Rs，Rr分別為定子、轉子電阻；Ls，Lls，Lr，Llr，Lm分別為定子自電感、定子漏電感、轉子自電感、轉子漏電感、互電感，且Ls=Lls+Lm,Lr=Llr+Lm；ωs，ωr，ωsl分別為同步轉速、轉子轉速、轉速差，且ωsl=ωs-ωr。

DFIG-WT的機械傳動系統采用單質量塊模型：

(5)

式中：H為慣性常數；D為阻尼系數；Tm為機械轉矩；Te為電磁轉矩。

1.2 矢量控制

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

圖2 雙饋風機矢量控制策略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器件故障類型，由于短路故障會觸發保護裝置，導致變換器立刻關斷，故只考慮開路故障。以GSC的a相橋臂為例，開關管T1,T2開路故障如圖3所示。g1,g2分別為開關T1,T2的驅動信號，idc為直流電流。定義開關狀態為S，則開關管的正常運行狀態為：當S=1時，g1=1,g2=0，T1導通，T2關斷，此時vga=vdc,idc=iga；當S=0時，g1=0,g2=1，T1關斷，T2導通，此時vga=0,idc=0，故存在以下關系：

(6)

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

由圖3可以看出，在g1=1,g2=0的驅動信號下，當開關管T1開路時，若網側電流iga>0，有vga=0,idc=0，即開關狀態S由正常值1變化為故障值0。同時，在g1=0,g2=1的驅動信號下，當開關管T2開路故障時，若網側電流iga<0，有vga=vdc,idc=iga，即開關狀態S由正常值0變化為故障值1時。根據上述分析，當開關管T1或T2發生開路故障時，會導致開關狀態由正常值變為故障值。由式(6)可知，開關狀態S的變化影響網側電流iga的輸出，并進一步導致b相和c相網側電流的畸變。同理，轉子側變換器開關開路故障也影響轉子三相電流的輸出。

考慮GSC和RSC總共12個IGBT器件的單開關和雙開關故障，統計可得78種故障類型f1,f2,…,f78，正常狀態記為f79，詳細描述見表1。

表1 雙饋風機變換器故障類型Table 1 Fault types of DFIG-WT converters

2 基于DBN的故障診斷方法

2.1 數據預處理

GSC的開關開路故障直接影響網側三相電流iga,igb,igc的變化，而RSC的開關開路故障影響轉子三相電流ira,irb,irc的響應。因此，選擇網側電流iga,igb,igc和轉子電流ira,irb,irc作為故障診斷網絡的輸入信號。定義一維向量表示每個電流傳感器的采樣數據，表達式為：

Xi=[xi(1),xi(2),…,xi(n)]

(7)

(8)

使用滑動窗口從數據X中提取出m個數據集作為訓練樣本，定義樣本對應的標簽為Y=[Y1,Y2,…,Ym]T，其中Yi(i=1,2,…,m)對應變換器開關開路故障類型fi，取值為1到79。因此，故障診斷網絡的數據集可表示為D(X,Y)。

2.2 深度置信網絡

DBN采用分層結構，包括輸入層、隱藏層和輸出層，是一種完全數據驅動的機器學習算法。其具有優異的特征學習和數據處理能力，能實現多種復雜故障的識別和分類，包括齒輪箱機械故障[15]、汽輪機傳感器故障[16]及配電網故障[17]。

DBN由多個受限玻爾茲曼機(restricted Boltz-mann machine, RBM)堆疊組合而成，結構如圖4(a)所示。受限玻爾茲曼機RBM是一個2層神經網絡，結構如圖4(b)所示，包括可見層和隱藏層，可見層神經元和隱藏層神經元的聯合組態能量函數定義見式(9)。

圖4 DBN和RBM的結構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；權重矩陣W=(wij)表示第j個隱藏層神經元和第i個可見層神經元之間的聯系。向量A=(ai)和B=(bj)分別為可見層神經元和隱藏層神經元的偏置權重。

在一般的玻爾茲曼機中，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。可見向量的概率是所有可能的隱藏層組態的總和，即：

(12)

由于RBM沒有層內連接，隱藏層和可見層的各個神經元之間相互獨立，故條件概率可表示為：

(13)

(14)

而隱藏層和可見層神經元的激活概率分別為：

(15)

(16)

式中：σ(x)=(1+e-x)-1，為Logistic函數。

可知，概率P(v)是分配給可見層神經元v的概率。故目標函數是負對數似然函數，表達式為：

(17)

式中：θ=(A,B,W)；D為數據集。通過估計優化參數來訓練RBM，使得負對數似然函數L(θ,D)最小化，采用經典的對比散度算法進行訓練[18]。

2.3 故障診斷網絡

使用邏輯回歸(logistic regression，LR)作為DBN的頂層輸出層，同時也作為故障診斷的決策方法。LR是一個概率類型的線性分類器，通過Softmax函數實現數據的分類，故障的概率密度分布為：

(18)

式中：pi為開關故障類型fi發生的概率，i=1,2,…,79；Sk為隱藏層輸出量。因此，故障診斷結果為：

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系統的詳細模型，設置各種類型的變換器開關開路故障，采集網側電流和轉子電流信號進行預處理，生成訓練數據集和測試數據集。訓練數據集用于對DBN進行訓練，得到網絡的輸出模型并對測試數據進行分類，輸出最終的故障診斷結果。

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 仿真設置

表2 雙饋風機參數Table 2 Parameters of DFIG-WT

設計圖4所示的DBN，包括3層隱藏層，每層隱藏層由1 500個神經元組成。設置風速在6 m/s(切入風速)到20 m/s(切出風速)之間變化，同時在雙饋風機系統中設置表1中的78種變換器開關故障狀態和正常工作狀態，以0.9 kHz的采樣頻率進行采樣，總共得到79 000組數據，數據長度為150。在79 000組數據中隨機抽取70 000組作為訓練數據，剩下的9 000組作為測試數據。

3.2 變換器開路故障特征

以GSC的開關T1和RSC的開關T7發生故障為例，仿真結果如圖6所示。在t=0.25 s時，風速從15 m/s階躍變化為10 m/s，同時設置RSC的開關T7故障。由圖6可見，三相轉子電流ira,irb,irc的頻率和幅值都隨風速變化而發生變化，開關T7故障后a相轉子電流ira的上半波被削去，且T7故障導致轉子電流irb,irc畸變和網側電流iga,igb,igc發生波動。在t=0.5 s時，GSC的開關T1發生故障，削去了a相網側電流的一半波形，并進一步加劇了轉子電流ira,irb,irc的畸變和網側電流igb,igc的波動。

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

針對表1中的變換器開關開路故障，采用DBN網絡進行診斷。進行100次仿真后，計算出準確度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(同時考慮準確度和漏檢率，取值0～1，越高越好)作為算法的評價指標[19]。將DBN與人工神經網絡(back propagation artificial neural network,BPANN)、最小二乘-支持向量機(least-squares support vector machine,LS-SVM)等數據類方法進行對比，3種方法對于部分故障類型的診斷結果見表3，加粗部分表示3種方法中性能指標的最好結果。

從表3中可以看出，對于GSC的開關T1開路故障，DBN的準確度Prec，漏檢率Reca和綜合性能F1指標均為1，能夠做到對該類型故障的完全精確識別，算法的性能優于BPANN和LS-SVM。其次，對于GSC的開關T1和T4同時故障，DBN的綜合性能指標F1=0.93，高于BPANN算法的F1=0.89和LS-SVM算法的F1=0.91。

此外，對于GSC開關T4和RSC開關T10同時故障，由于GSC和RSC的相互影響，故障信號特征復雜，導致BPANN的綜合指標F1=0.90和LS-SVM算法的綜合指標F1=0.80較低。而DBN算法的深度結構能夠提取該類型故障下的特征信息，故障診斷的性能指標值高達F1=0.97，遠優于另外2種算法。最后，BPANN、LS-SVM、DBN故障診斷的綜合性能指標F1的平均值分別為0.93，0.88，0.96。結果表明，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對于雙饋風機變換器的單個和雙個開關管開路故障的診斷性能都優于BPANN和LS-SVM算法。

表3 故障診斷結果Table 3 Fault diagnosis results

4 結語

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

仿真結果表明，DFIG-WT的RSC和GSC開路故障相互影響，導致故障特征復雜，且故障下DFIG-WT輸出信號都受風速變化影響。其次，DBN網絡采用了多層的RBM，能夠提取變換器開關各種故障信號的深度信息，用于DFIG-WT的RSC和GSC單個和雙個開關管的復雜故障識別和分類。最后，對于DFIG-WT在風速變化下的單個和雙個開關管開路故障，文中所提基于DBN的故障診斷方法，與傳統的BPANN和LS-SVM方法相比，具有更高的準確度和更優的診斷性能。