基于GRU-CNN 的雙饋風力發電機電刷滑環電弧故障診斷

張博文，莫英東，王晗鈺，袁帥,2

(1.200093 上海市 上海理工大學 機械工程學院;2.230601 安徽省 合肥市 高節能電機及控制技術國家地方聯合工程實驗室)

0 引言

據全球風能理事會（Global Wind Energy Council，GWEC）發布的分析報告顯示，風電總裝機規模已增長到8.37 億kW，據估計全球未來10 年內將以當前的3 倍速度安裝和發展風力發電設施[1]。該報告表明風電將成為世界各國實現能源生產清潔化的關鍵途徑之一[2]。風能作為近年發展最快的能源類型，具有很強的競爭力和經濟效益。雙饋風力發電機（Doubly-Fed Induction Generator，DFIG）憑借其轉速靈敏、功率變換雙向、變頻控制靈活等特點廣泛應用于風電事業[3]。風力發電機組是一個涉及空氣動力、機械、電子、電氣、控制等諸多技術領域的復雜能量轉換系統[4]。由于直流串聯故障電弧會使回路電流下降，傳統的保護裝置無法對其進行有效檢測，直流電流無過零點的特性使得故障電弧在無人為處理情況下持續燃燒，從而對系統線路及人身財產安全造成巨大威脅，因此需要對直流故障電弧進行有效檢測，從而及時切除故障回路，減小故障電弧危害性[5-6]。

作為發電機的動靜轉換器件，運行中的電刷滑環系統發生故障會導致發電機無法穩定運行，甚至出現發電機電刷過熱損壞造成機組減負荷后停機的問題[7]。在故障電弧檢測層面，目前研究成果主要集中于故障電弧的弧聲特性、弧光特性、電氣特性及電磁特性[8-10]。DFIG 的電刷滑環系統的故障會影響電力設備的穩定運行，因此對電刷滑環的故障檢測系統的研究至關重要。

目前，國內外對DFIG 電刷滑環系統中的電弧故障研究尚不充分[11]。Amirat 等[12]提出一種將電流信號與振動信號結合起來，通過檢測電流信號和振動信號來判斷故障的檢測方法；詹輝[13]提出一種利用時域分析與頻譜分析相結合的方法進行故障判斷，但是當信號的頻率和采樣的頻率不一致時，就會產生頻譜泄露以及柵欄效應，影響結果的精確性；盧其威等[14]提出一種基于小波變換與奇異值分解的電弧故障檢測方法，但是該方法會忽略一部分比較微弱的故障信息；馬征等[15]在FFT 變換以及數學形態濾波的基礎上提出了一種基于高頻電流頻譜分析的故障電弧檢測方法，但并未給出準確的檢測率；焦治杰等[16]利用短時傅里葉變換對光伏直流故障電弧的電流信號進行分析，再采用卷積神經網絡檢測故障電弧；張婷等[17]通過對故障電弧的時域分析，引用歸一化卷積神經網絡，優化了傳統神經網絡在電弧故障識別上的不足，提高了一定的檢測精度，但仍有不小提升空間；鄧佳康[18]提出一種基于BP 神經網絡的電弧檢測算法，但是該網絡的訓練速率較低，會導致訓練時間過長，并且該網絡可以使權值收斂到某個值，但并不保證其為誤差平面的全局最小值。上述方法的不足表明，電弧故障檢測的精確性和可靠性仍需改進。

綜上所述，目前對于直流故障電弧檢測特征的挖掘主要通過不同類別、不同角度的方法進行研究，從中選擇最為適合的方法構建相關的檢測特征量，最終形成故障電弧檢測算法[19-20]。本文提出一種基于GRU-CNN 融合網絡模型的雙饋風力發電機電刷滑環系統電弧故障的檢測方法，該模型使用CNN提取數據的輸入特征，構建特征向量，減小原始數據規模，然后利用GRU 神經網絡學習數據的內部動態變化規律，實現預測。搭建實驗平臺，將采集到的電弧信號濾波后形成訓練數據集，再使用上述模型進行機械學習，提取電弧特征數據集，實現高效率高精度的負載分類識別和串聯電弧故障檢測。

1 DFIG 電弧故障診斷試驗平臺搭建

DFIG 電刷滑環系統串聯電弧檢測平臺由電弧發生裝置和檢測裝置組成，電弧生成裝置包括變頻器、濾波器、變壓器、電機及電刷滑環裝置，一端通過變頻器控制三相異步電動機啟動進而帶動滑環轉動，另一端通過變壓器、正弦濾波器以及變頻器并入電網。電弧檢測裝置包括磁環和數據采集模塊，用于收集電弧數據并對電刷滑環進行電弧故障檢測；電流鉗、羅氏線圈和示波器為輔助驗證手段。DFIG 的電刷滑環系統串聯電弧檢測平臺示意圖如圖1 所示。其中，電刷滑環系統使用2.2 MW的DFIG。內部包含三相勵磁滑環和6 個均勻分布的電刷。

圖1 DFIG 電刷滑環系統串聯電弧檢測平臺Fig.1 DFIG brush ring system series arc detection platform

為了實現DFIG電刷滑環系統的電弧故障模擬，選擇3 組厚度約為1 mm，耐久溫度可達1 000 ℃的高溫絕緣帶均勻粘貼在滑環表面，能使電刷和滑環之間的接觸不均勻，從而產生電弧。在工況環境下，電刷滑環的磨損問題無法及時解決，電弧會隨著時間不斷產生，加劇電刷滑環表面的磨損程度，因此需要及時發現故障并對其進行診斷，這對檢測系統的實時性、精確性以及可靠性都有更高要求。

2 GRU-CNN 模型構建原理

2.1 CNN 結構

卷積神經網絡（Convolutional Neural Network，CNN）在計算機視覺、自然語言處理等領域已被廣泛應用[21]。CNN 是一類包含卷積計算且具有深度結構的前饋神經網絡[22]。一般而言，CNN 由3 部分構成：卷積層、池化層和全連接網絡，如圖2 所示。

圖2 CNN 網絡結構圖Fig.2 Neural network architecture of CNN

2.2 GRU 工作原理及結構

門控循環單元（Gate Recurrent Unit，GRU）是常用的循環神經網絡的一種[23]。GRU 網絡采用了門機制，將激活函數導數的連積變成了加法，同時只有長時記憶函數參與反向傳播，解決了梯度消失的問題，因此能有效簡化調參復雜度，并且門機制提供了特征過濾功能，能夠有效保存長期記憶。

門控循環單元網絡與長短期記憶（Long and Short-Term Memory model，LSTM）網絡具有相似的單元內的數據流。LSTM 網絡和GRU 網絡的結構如圖3 和圖4 所示。

圖3 LSTM 網絡結構圖Fig.3 Neural network architecture of LSTM

圖4 GRU 網絡結構圖Fig.4 Neural network architecture of GRU

圖4 中：Ht——GRU內部記憶狀態向量；Ht-1——上一時刻的隱藏狀態，包括之前節點所見過數據的信息；ht——傳遞到下一時刻的隱藏狀態；——候選隱藏狀態；Rt、Zt——重置門和更新門；σ——Sigmoid 函數；Xt——當前節點的輸入。

在生成當前時刻全局信息時，由于LSTM 中遺忘門和輸入門代表的前t-1 個時刻的全局門控信息和當前隱藏狀態門控信息是一種此消彼長的耦合關系，在GRU 中使用更新門來替代這種復雜的耦合關系，而GRU 中的復位門直接應用于LSTM 中的隱藏狀態，故LSTM 復位門的任務在GRU 中被分開由重置門和更新門來完成，大大簡化了計算過程。由于存在長期記憶，上下文狀態信息會有所多余，所以相對LSTM，GRU 中不存在上下文狀態信息。

重置門控制遺忘多少過去的信息，更新門就控制前邊記憶信息繼續保留到當前時刻的數據量。首先，通過ht-1和xt獲取重置門和更新門的狀態。

式中：Wxr，Wxz，Whr，Whz——權重參數，Wxr，Wxz∈Rd×h，Whr，Whz∈Rh×h；br，bz——偏差參數，br,bz ∈R1×h。

然后將當前時間步重置門的輸出與上一時間步的隱藏狀態作按元素乘法，若重置門中元素值接近于0，則丟棄上一時間步的隱藏狀態。若重置門中元素值接近于1，則會保留上一時間步的隱藏狀態。然后將按元素乘法的結果與當前時間步的輸入聯結，再通過激活函數tanh 的全連接層計算出候選隱藏狀態。可見重置門能夠控制上一時間步的隱藏狀態流入當前時間步候選隱藏狀態的方式，因此重置門可以丟棄無關的信息。

式中：Wxh，Whh——權重參數，Wxh∈Rd×h，Whh∈Rh×h；bh——偏差參數，bh∈R1×h。

最后，時間步t 的隱藏狀態Ht∈Rn×h的計算使用當前時間步的更新門zt來對上一時間步的隱藏狀態Ht-1和當前時間步的候選隱藏狀態做組合。

更新門可以通過控制包含當前時間步信息的候選隱藏狀態是否更新上一時間步的隱藏狀態，這種設計能夠更好地捕捉時間序列中的關系。

3 電弧故障檢測控制系統設計

3.1 GRU-CNN 網絡模型模型構建

GRU模型能夠學習數據內部的動態變化規律，CNN 模型可以提取數據的隱藏特征，為使檢測模型的效果更加優秀，將GRU 模型與CNN 模型結合，其網絡結構圖如圖5 所示。

圖5 GRU-CNN 電弧故障檢測模型網絡結構圖Fig.5 Network structure diagram of arc fault detection model based on GRU-CNN

前2 層為GRU 層，第1 層和第2 層的內存向量長度均為6，第2 層的內存向量長度為6。第1層CNN 定義了60 個卷積核大小為100 的濾波器（神經元），設置步長為2 來對權重參數降維，第2 層CNN 定義了120 個卷積核大小為50 的濾波器。第1 次卷積和第2 次卷積之間增加一個BN 層，加快網絡的收斂速度。第1 層和第2 層卷積層都采用ReLU 函數作為激活函數，可以使稀疏后的模型能夠更好地挖掘相關特征，擬合訓練數據，并且可以降低計算的復雜度。第2 層卷積運算結束后接入一個大小為2，步長為2 的GAP 層和一個BN 層。最后一個全局平均值池化層選取網絡參數的平均值采樣，能使卷積結構更簡單，并且不需要進行參數優化，能夠可以避免過擬合。

全連接層將卷積層和全局平均值池化層計算得到的分布式特征空間映射到樣本標記空間的特征，在模型中起到組合特征和分類的功能，大大減少了特征位置對分類帶來的影響，提高了整個網絡的魯棒性。

為全面分析電弧檢測模型效果，需選擇更有表達力的評估指標。故障電弧檢測本質上是二分類問題，采用混淆矩陣中的精確率（precision）和召回率（recall）2 個指標對二分類模型進行性能評估。

3.2 電弧故障檢測流程

首先搭建電弧故障檢測平臺，平臺由電弧發生裝置和檢測裝置組成，再通過數據歸一化處理獲取一維電弧數據集；其次設計合適的檢測模型對電弧進行識別；然后使用合適的神經網絡模型訓練電弧檢測模型；最后通過電弧的各項數據指標來判斷是否產生電弧。系統的整體架構如圖6 所示。

圖6 DFIG 電刷滑環電弧檢測系統的整體架構Fig.6 DFIG brush ring arc detection system

電弧檢測的具體流程：首先使用羅氏線圈和磁環作為信號采集工具進行電弧檢測。羅氏線圈內的電流隨時間變化，會在線圈內感應出變化的磁場，其輸出信號是電流對時間的微分。積分放大電路可以還原輸入電流信號，通過數據采集模塊將信號轉換為數字信號。磁環通過檢測電磁輻射的變化來識別故障電弧，再將ADC 采樣卡通過BNC 接頭與磁環連接，通過串口將數據傳輸到上位機進行數據處理和保存，并使用PyQt5 編寫上位機GUI 來實現人機交互，檢測到故障信號后會通過微信小程序提示。上位機GUI 如圖7 所示。

圖7 上位機GUIFig.7 Upper computer GUI

4 實驗分析

4.1 數據預處理

利用小波變換分析方式和小波軟閾值法[24]對數據進行預處理，將分解層數設為4。基于db4 正交小波對原始信號處理得到去噪信號如圖8 所示。

圖8 故障電弧去噪的時域波形Fig.8 Time domain waveforms of fault arc denoising

DFIG 電刷滑環系統檢測平臺正常運行時參數設置如表1 所示。

表1 電刷滑環檢測平臺正常運行參數設置Tab.1 Parameter settings for normal operation of brush ring detection platform

由于DFIG 在實際運行中的轉差率不能一直為0.2，所以為了實現DFIG 在實際運行中的饋電參數，需要設置不同的運行參數，并在正常與故障條件下進行數據采集。

將磁環、電壓傳感器及電流傳感器的信號經過小波去噪后作為原始數據，每個傳感器一個周期的輸入小波去噪后的磁環、電壓傳感器及電流傳感器的信號記為一維向量，其輸入數據的范圍需要根據交流信號的特征設置，并且，為了解決數據之間的差異以及加快網絡收斂，需要采用數據歸一化的方式來去除量綱。

4.2 模型訓練

本文基于Keras 框架建立組合網絡模型，設置的超參數包括學習率、迭代次數等如表2 所示。

表2 基于GRU-CNN 電弧檢測模型超參數設置Tab.2 Hyperparameter setting of arc detection model based on GRU-CNN

電刷滑環電弧檢測系統得到的GRU-CNN 的模型訓練曲線如圖9 所示。在測試集上對模型進行檢驗，獲得模型的檢測效果以及混淆矩陣如圖10 和圖11 所示。

圖10 基于GRU-CNN 電弧檢測模型的測試效果Fig.10 Test effect diagram of arc detection model based on GRU-CNN

圖11 基于GRU-CNN 的電弧檢測模型的混淆矩陣Fig.11 Confusion matrix of arc detection model based on GRU-CNN

4.3 檢測模型結果對比分析

在相同訓練數據參數及歷史數據下，分別對GRU 網絡、CNN 網絡和GRU-CNN 網絡進行訓練，迭代次數為100 次，學習率為0.001，訓練結果數據對比如表3 所示，訓練結果對比圖如圖12 所示。

表3 模型的訓練結果對比Tab.3 Comparison of training results of models

圖12 模型的訓練曲線對比圖Fig.12 Comparison chart of model training curve

可以看出，在訓練過程中，基于GRU-CNN 的訓練速度和收斂速度相較單獨基于CNN 的電弧檢測模型較慢，但是精確率有明顯提升，相較于單獨基于GRU 的電弧檢測模型，不論是訓練速度、收斂速度抑或是精確率，都有比較明顯的提升。

5 結論

本文主要對DFIG 電刷滑環系統的電弧故障診斷方法進行了研究。首先搭建電弧故障診斷試驗平臺；其次設計電弧故障檢測模型，構建GRU-CNN的電弧檢測模型；最后，將處理后的一維向量數據作為檢測算法輸入，調節模型訓練的相關參數，優化檢測模型，得到相關檢測結果。結果表明，基于GRU-CNN 的電弧檢測模型具有較高的精確度和較快的訓練速度，可以實現DFIG 電刷滑環故障電弧的高效檢測，具有實際的工程研究意義。