考慮變流器容錯特性的海上雙饋風電機組繞組短路故障辨識

米志偉,常 彬,寇龍澤,張 鑫,魏書榮

（1.全球能源互聯網研究院有限公司 先進輸電技術國家重點實驗室，北京102209；2.全球能源互聯網研究院有限公司 直流電網技術與仿真北京市重點實驗室，北京102209；3.上海電力大學 電氣工程學院，上海200090）

0 引言

近年，海上風電成為研究的熱點，海上風電機組的安全穩定運行也得到了廣泛的關注[1]～[5]。雙饋感應發電機（DFIG）是海上風力發電機的主流機型之一，海上雙饋風力發電機組面臨故障率高、故障維修困難、故障停運損失大等特點[6]，[7]，因此，海上DFIG及其變流器須要具有一定的容錯能力。由于變流器的容錯控制通常以抑制故障特征放大作為控制目標，這與故障辨識須要放大故障特征的理念矛盾[8]～[10]。

現有海上DFIG故障診斷更多關注于容錯控制算法，而較少考慮容錯控制的影響。文獻[11]通過抑制負序電流來改善電機運行情況，這與故障辨識須要放大故障特征的理念沖突，可能導致直接或間接應用負序電流的故障診斷技術出現誤判或漏判。本文重點分析基于定子負序電流抑制的容錯算法，對海上雙饋風電機組故障辨識結果的影響。首先給出3種由定子電流衍生出的故障特征；然后從理論和仿真結果上分析系統在添加定子負序電流抑制算法后，3種故障特征相對于未添加該算法時的量化變化規律；并提出以RBF神經網絡融合擬序阻抗的故障辨識方法來診斷定子匝間短路故障。最后，實驗驗證了所提故障辨識方法可有效解決匝間短路故障在變流器具備容錯特性時易被誤判、漏判的問題。

1 定子負序電流抑制算法

本文采用定子負序電流抑制算法來減小定子匝間短路的負序電流[12]，其結構如圖1所示。

圖1 雙饋風力發電系統并網控制框圖Fig.1 Grid-connected control block diagram of doubly-fed wind power generation system

當雙饋電機發生定子匝間短路故障時，其網側保持原有的控制策略不變，而轉子側由負序電流反饋控制環和原有的PQ解耦控制策略共同控制，由此實現DFIG在故障狀態下的穩定運行。采用控制策略前后的功率以及電流波形的仿真結果已在文獻[12]中給出，故本文不再贅述。結果表明該控制策略能夠在輕微故障狀態下，降低定子側輸出功率的脈動，實現DFIG的穩定運行。本文重點分析的是海上雙饋風力發電系統容錯控制算法對故障辨識結果的影響。

2 基于定子負序電流抑制容錯算法對故障辨識結果的影響分析

本文分別采用定子負序電流、Park′s矢量軌跡、Park′s矢量軌跡橢圓度為故障辨識方法，在Matlab/Simulink仿真平臺進行試驗。仿真模型的控制策略皆采用工程上常用的控制策略。

2.1 以定子負序電流為故障特征量的故障辨識方法

正常情況下，DFIG定子三相繞組磁動勢為一旋轉圓形磁動勢，在三相對稱繞組中只有正序電流。當DFIG發生定子匝間短路故障后，其定子繞組在短路附加回路上會產生一個附加電流[14]，此電流將產生一個以附加回路為軸線的脈振磁場，由此磁場產生的磁動勢可以分解為兩個幅值相等、轉速相同、旋轉方向相反的圓形旋轉磁動勢，分別在定子繞組上感應出對應的正序電流分量和負序電流分量。其中，負序電流的大小會隨著定子繞組匝間短路故障的嚴重程度而變化，因此可以用定子負序電流作為故障特征量。

定義Isn為故障特征量定子負序電流，仿真分析正常狀態下、不同匝間短路故障狀態下采用負序電流抑制算法、以及不同匝間短路故障狀態下采用負序電流抑制算法的定子負序電流的大小。仿真時認為電機為理想模型，即電機繞組、磁路、電路對稱，氣隙分布均勻，定子負序仿真結果如圖2所示。

圖2 定子負序電流Fig.2 Stator negative sequence current

由圖2（a）可以看出，由于仿真過程中存在干擾誤差等不確定因素，正常狀態下DFIG定子負序電流接近零。當DFIG定子繞組發生匝間短路故障，但未采用負序電流抑制策略時，定子負序電流經過一個過渡狀態到達穩態，最終幅值達到0.039 A左右，可得定子繞組發生匝間短路時，定子負序電流發生躍變。因此在未添加負序電流抑制算法時，定子負序電流幅值大小能夠較精確地反應定子繞組故障的情況，能夠實現故障辨識。當雙饋電機定子繞組匝間短路故障的嚴重程度不變，采用負序電流抑制算法后可知，經過一個短暫的過渡狀態，系統穩定后，定子負序電流減少到0.015 A左右。若此時將故障預警閾值的定子負序電流幅值設置為0.02 A，則在加入負序電流擬制算法時將會出現故障辨識的漏判。由圖2（b）可知，采用負序電流抑制算法將會導致故障辨識出的故障嚴重程度小于實際的故障嚴重程度，從而無法及時、精確地處理故障。綜上所述，容錯控制算法將會影響以定子負序電流為故障特征量的故障辨識方法辨識結果的精確性。

2.2 以Park′s矢量軌跡為特征量的故障辨識方法

Park′s矢量法廣泛應用于電機繞組匝間短路故障診斷中，當DFIG定子繞組發生匝間短路故障時，三相電流中含有正序分量外和負序分量，經3 s/2 s變換得到Park′s矢量軌跡為橢圓形，這是以Park′s矢量軌跡為特征量的故障辨識方法的原理。本文分別仿真分析DFIG分別在正常狀態、故障狀態以及故障容錯狀態下的Park′s矢量軌跡圖，結果如圖3所示。

圖3 不同工況下的Park′s矢量軌跡Fig.3 Park′s Vector Trajectory under Different Conditions

由圖3（a）可知，雙饋電機在定子繞組未發生匝間短路故障時Park′s矢量軌跡為規則圓形；當雙饋電機定子繞組發生匝間短路，且未采用容錯控制算法時，Park′s矢量軌跡為為橢圓形。因此，未采用容錯控制算法時，以Park′s矢量軌跡為特征量的故障辨識方法能夠實現對定子繞組匝間短路故障的辨識。當在故障狀態下，采用容錯控制算法時，Park′s矢量軌跡接近正圓，這與正常時的仿真結果相似，而實際上其故障嚴重程度卻與圖（b）相同，此時若利用Park′s矢量軌跡辨識故障，很大可能會出現誤判。綜上所述，以Park′s矢量軌跡為特征量的故障辨識方法也會受到容錯控制算法的影響。

2.3 Park′s矢量軌跡橢圓度的故障辨識方法

定義Park′s矢量軌跡橢圓度Fs為

式中：Isp，Isn分別為定子電流的正、負序分量模值。

由式（3）可知，Fs受定子負序電流的影響。而定子電流的負序分量抑制算法是為了減少因故障而引起的定子電流分量。故從理論上可得，負序電流抑制算法將會影響以Fs為故障特征量的辨識方法的精確度。

本文以仿真的方法具體分析容錯控制算法對該故障辨識方法的影響，具體仿真結果如圖4所示。

圖4 Park′s矢量軌跡橢圓度Fig.4 Park′s Vector trajectory ellipticity

由圖4可知，故障特征Park′s矢量軌跡橢圓度的變化和定子負序電流的仿真結果相似，都會受到容錯控制算法的影響，但二者的變化幅度稍有不同，在加入容錯控制算法后，Park′s矢量軌跡橢圓度幅值下降了58%，而定子負序電流下降了70%。該容錯算法對負序電流特征影響更加明顯，符合理論分析結果。

2.4 RBF神經網絡融合擬序阻抗的故障辨識方法

負序電流特征量在負序電流抑制算法中不具有魯棒性，而擬序阻抗[15]在電機不同運行工況和負序電流波動中具有魯棒性。因此，本文采用徑向基神經網絡融合擬序阻抗的辨識方法診斷定子匝間短路故障，其擬序阻抗表達式為

徑向基神經網絡（Radial Basis Function Neural Network，RBF）是對已知的故障樣本數據進行網絡層學習，以建立起故障征兆和故障類別之間的映射關系，然后將測試樣本數據輸入訓練好的網絡進行故障判別。RBF與BP神經網絡一樣具有良好的非線性處理能力和自學能力，但RBF神經網絡在逼近能力、分類能力和學習速率等方面都優于BP神經網絡。其中，RBF神經網絡核函數選取Gauss分布函數：?（r）=e-r2/σ2。r為平方歐式距離；σ為帶寬，用于控制徑向作用范圍。

本文實驗平臺如圖7所示，雙饋異步電機參數如表1所示。

圖7 實驗平臺Fig.7 Experimental platform

表1 雙饋異步電機參數Table 1 Parameters of doubly-fed asynchronous motor

基于RBF神經網絡的故障診斷流程如圖8所示。

圖8 診斷流程圖Fig.8 Diagnostic flowchart

診斷流程分為3個階段：①數據處理：對采集到的數據求解擬序阻抗并劃分訓練集和測試集。②建模過程：通過第一步劃分的訓練樣本對RBF神經網絡進行訓練。③參數尋優過程：對于第二步模型訓練中的參數進行調整優化，以達到故障診斷所需的精度。針對上述負序電流對抑制算法不具有魯棒性的情況，下面以RBF神經網絡融合擬序阻抗的辨識方法來具體分析有、無定子負序電流抑制算法對該故障辨識方法辨識結果的影響。測試樣本集如表2所示。

表2 測試集Table 2 Test set

診斷結果如圖9所示。其中，縱坐標‘1.0'表示故障狀態，‘0'表示正常狀態；‘*'代表發生實際的運行狀態，‘○'代表RBF神經網絡診斷的結果。

圖9 徑向基神經網絡診斷結果Fig.9 Radial basis neural network diagnosis

由圖9可知，在誤差允許的范圍內，發生匝間短路故障的雙饋機在有、無負序電流抑制算法下都能準確的判斷出故障。本文所提的方法有效地濾除了容錯算法對故障診斷的影響，即采用RBF神經網絡融合擬序阻抗的故障辨識方法對負序電流容錯控制算法具有魯棒性。

3 結論

本文首先分析了海上雙饋風力發電系統故障容錯運行的必要性，介紹了一種定子負序電流抑制算法，使得海上雙饋機組在發生定子繞組輕微短路故障后仍然能夠容錯運行。以定子負序電流抑制算法為例，仿真分析了故障容錯控制算法對以定子負序電流、Park′s矢量軌跡以及Park′s矢量軌跡橢圓度為故障特征量的故障辨識方法的辨識結果的影響，得出了定子負序電流抑制算法會對與電流相關的故障特征辨識方法產生不同程度影響的結論。在此基礎上以RBF神經網絡融合擬序阻抗的故障辨識方法來診斷負序電流抑制算法后的定子匝間短路故障。仿真與實驗結果表明，本文提出的方法可以實現考慮變流器容錯特性的海上雙饋風電機組繞組短路故障辨識，有效解決了匝間短路故障在變流器具備容錯特性時易被誤判、漏判的情況。