基于改進SVM的新能源電站故障診斷方法

曹瑞峰，劉子華，袁 婷，羅揚帆，茹傳紅，秦 建，邢海軍

（1. 國網浙江省電力有限公司，杭州 310007；2. 國網浙江省電力有限公司臺州供電公司，浙江 臺州 318000；3. 上海電力大學 電氣工程學院，上海 200090）

0 引言

自從經濟社會步入新時代，能源需求呈現增長迅速、需求剛性的特征，我國面臨著經濟發展需求與環境質量提升的雙重壓力。截至2021年底，我國可再生能源發電累計裝機容量為10.6 億kW，占全部電力裝機容量的44.8%，其中水電裝機3.91 億kW，風電裝機3.28 億kW，太陽能發電裝機3.06億kW［1］。向高滲透率可再生能源轉變已成為我國電力系統發展的必然趨勢，而大量可再生能源接入對電力系統的運行和管理帶來了巨大的挑戰，新能源消納問題將會成為未來電力系統主要任務之一。

新能源電站是以綠色電力［2］為主體的發電站，其二氧化碳排放量為零或趨近于零，主要包括：風力發電站、光伏電站、生物質能發電站、地熱能發電站等。十三五期間新能源電站的規模迅速增長，但其發電小時數并沒有同步增長。因為環境、氣候、電網消納等復雜因素的影響，許多新能源電站的發電時間明顯低于理論值，這就需要研究新能源電站發電效益的提升技術，充分發揮存量綠色能源項目的效能［3-4］。但是，可再生能源發電機組具有模型多參數非線性、運行數據量龐大、運行工況多變的特性，這為研究帶來了很大的挑戰。文獻［5］考慮到光伏陣列的非線性輸出特性，提出了一種基于決策樹的故障檢測和分類方法，簡化了發電模型多參數非線性導致的復雜診斷過程；文獻［6］提出了一種基于k均值聚類和Apriori 算法的卷積神經網絡故障診斷模型，并應用于風電機組的故障診斷，降低了對專家經驗的依賴性；文獻［7］提出了一種基于結合主成分分析法和支持向量機的風電機組齒輪箱故障診斷方法，解決了因數據量龐大引起的故障特征維度過高的問題；文獻［8］提出了一種結合傳統電壓、電流定位法、時間跟蹤描述和光伏電池參數估計模型的光伏組件故障診斷方法，用以判斷熱斑故障的發生位置和嚴重程度，綜合考慮了多種故障特征，以適應實際運行中的復雜工況。

但以上文獻僅側重于某一問題的研究，未全面考慮新能源發電模型復雜度、數據量大小和多變工況的問題。本文從以上3個方面出發，提出了一種基于改進SVM（支持向量機）算法的新能源電站故障診斷模型。

SVM理論通過結構風險最小化原理和統計學習來提高分類能力［9］，目前已廣泛應用于故障診斷領域［10-11］。本文首先分析了SVM 的概念和原理，并提出了一種基于決策級融合的改進SVM算法；然后，對光伏電站和風電站兩類新能源電站的故障信號提取以及故障特征進行了研究，并在此基礎上提出了新能源電站故障診斷模型；最后，利用MATLAB 仿真模擬，構建基于決策級融合的改進SVM故障診斷模型，并將新能源電站故障特征向量輸入模型進行訓練并驗證。

1 新能源電站故障診斷方法

1.1 SVM

1995 年，Corinna Cortes 和Vapnik 提出了SVM的基本理論，用以處理二元分類問題，SVM主要是通過監督學習的方法實現對兩類數據樣本的分類，在數據樣本較少的情況下，該方法也可以獲得較好的效果［12］。SVM具有理論完備、分類識別能力強且結構簡單的優點，因而在多個領域得到了廣泛應用。

SVM的基本原理是利用事先選擇的非線性映射將數據變換到一個高維特征空間中，這將線性不可分的數據樣本在另一個高維空間中實現線性可分。這一過程的關鍵環節是要找到一個最優超平面，該超平面的主要作用是用來劃分將要處理的數據樣本［13］。針對一個二元分類的問題，其基本原理如圖1所示，圓形和正方形分別代表兩種不同類型的數據樣本，L為兩類樣本的分界線，即超平面，超平面與最近的數據點之間的間隔為分離邊緣，即圖1 中的L1、L2。SVM 的最終目標就是要尋找一個特殊的超平面，使該超平面L 的分離邊緣L1、L2最大，這個特殊超平面就是最優超平面。

圖1 SVM最優超平面Fig.1 SVM optimal hyperplane

1.2 改進SVM

SVM是一種常用于解決具有少量數據樣本的分類問題的技術。它最初是為了解決二元分類問題而提出的。然而，新能源電站故障類型識別是一個多類分類問題，故障類型不止兩種。假設總共有k（k>2）種可能的故障類型，并定義所有可能的故障類型的集合。那么，光伏電站故障診斷就是一個k類分類問題。為解決這一問題，可以使用k（k-1）/2二元SVM分類器和一對一方法設計一個多類SVM。每個二元SVM 分類器都經過訓練，通過使用分別表征兩種故障類型的兩類數據對兩種故障類型進行分類。然后，k（k-1）/2二元SVM分類器的輸出被一對一的方法用于生成k種故障類型的最終故障分類結果。

每個二進制SVM的輸出是代表兩種故障類型之一的類標簽。這種方法有一定的局限性，即只能將輸入故障特征確定性地映射到相應的故障類型，但不能提供概率信息融合所需的貝葉斯概率。為了實現所提出的故障診斷方法的概率信息融合，本文提出每個二進制SVM 使用如下Sigmoid 函數輸出其分類的兩種故障類型之一的貝葉斯概率，而不是故障類型的確定性類標簽：

式中：μij表示當SVM對故障類型Fi和Fj進行分類時故障類型的概率；x是SVM 的輸入特征向量，f(x)=ωT?(x)+b；ω和b是核函數的參數；φ（·）是SVM的核函數；參數G和H是通過最小化訓練數據的負對數似然來獲取的。輸入特征屬于k個故障類型中的每一個的概率pi（i=1，…，k）可以通過基于pairwise求解優化問題來確定耦合原則，多分類SVM的概率輸出為式（2）的解。

式中：p=[p1，p2，...，pk]T。

基礎多類分類器根據是否需要訓練，有兩種類型的組合器：不可訓練組合器和可訓練組合器。在單獨訓練基本分類器后，不可訓練的組合器不需要訓練。使用固定的組合規則，融合來自不同分類器的信息，并且假設所有分類器在確定最終結果時的權重都是相同的，所以不可訓練組合器的主要限制是缺乏靈活性。但是，它比可訓練組合器需要更少的訓練數據。本文使用Dempster-Shafer理論［14］來設計不可訓練的組合器。

可訓練組合器，分類器的輸出可以作為另一種學習算法的輸入特征，該算法訓練學習分類器輸出的聚合函數數據而不是使用固定的組合規則。與使用不可訓練組合器的信息融合相比，該方法能夠從訓練數據中提取更多信息。本文采用基于softmax回歸方法［15］的簡單可訓練組合器。與不可訓練組合器相比，可訓練組合器的參數是從訓練過程中學習的，通過該過程，可訓練組合器可以學習最終診斷結果與分類器診斷結果之間的復雜關系。然而，可訓練組合器的訓練通常需要大量的訓練數據集。

在實際的工作中，可根據不同的新能源電站所能獲取到的歷史數據的多少來選擇具體的組合器，如果數據較少可以選擇不可訓練的組合器，若歷史數據豐富則優先考慮可訓練組合器。

2 新能源電站故障特征分析

2.1 光伏組件故障特征分析

影響光伏發電機組正常運行的因素很多，例如光照強度、入射角度等光照特征，安裝角度、表面溫度、電池已使用時間等光伏陣列特征，經緯度、海拔高度等位置特征以及氣壓、溫度、相對濕度等天氣特征［16］。在對光伏機組故障特征進行分析時，通常是把其中某些有較大影響的因素作為系統的修正特征來進行研究。其中，基于IV輸出特性曲線的光伏組件故障診斷方法具有獲取故障特征參數方便，判定容易的優點。因此，本文選擇典型的I-V特征曲線作為光伏發電機組的故障特征。圖2為處于正常狀態下和某種故障狀態下的光伏組件I-V輸出特性曲線。

圖2 光伏組件的I-V輸出特性Fig.2 I-V output characteristics of PV modules

對光伏系統I-V輸出特性曲線進行分析，可得到以下幾種情況：

1）短路電流小于預期值。可能是因為封裝材料變色發黃而導致透明度下降、惡劣天氣使光伏板損壞而導致組件吸光能力不足等。以上現象使I-V曲線發生的變化與太陽輻照度減小類似。

2）開路電壓小于預期值。引起開路電壓減小的故障通常源于元件之間的互連關系，可能是由元件短路或旁路二極管發生故障造成，也可能是由于晶體硅組件的光致性能退化或電勢誘發衰減效應［17］。

3）I-V曲線在開路電壓側切線斜率的絕對值變大。這一現象通常是因為光伏組件中的串聯電阻增加而導致的。串聯電阻增加的原因通常有元件之間的互連電阻增加、接線盒或連接器損壞、連接不良。

4）I-V曲線在接近短路電流側切線斜率的絕對值變大。這一現象通常是因為光伏組件中的并聯電阻下降導致，造成這一問題的原因通常是光伏組件或元件之間構成了并聯回路、輕微的元件不匹配或者元件輕度變色［18］。

5）I-V曲線呈現出階梯狀。通常是由于旁路二極管的故障、元件損壞或者嚴重的元件失配而造成的。

通過以上分析可以發現，當光伏組件發生故障時，主要發生變化的輸出參數有最大工作點電壓Um和電流Im、開路電壓Uoc以及短路電流Isc，因此，可以引入斜率k1、k2對組件故障狀態進行識別。

式中：k1為最大功率點與開路點的斜率；k2為短路點到最大功率點的斜率。如圖3所示。

圖3 斜率k1、k2示意圖Fig.3 Diagram of slopes k1 and k2

通過分析k1和k2的變化可以對光伏組件的故障狀態進行判別。當k1和k2的值偏離正常范圍時，即可認為光伏組件發生了相應的故障。即可依次通過比較最大功率點、開路點和短路點與其理論值的大小來判定故障類型。其中，第5種故障類型可由I-V特性曲線的形狀直接診斷。根據以上原則判定組件所處的運行工況后，可進一步診斷故障的嚴重程度并進行定量分析。

2.2 風電機組故障特征分析

對于風力發電機來說，通常選用振動信號和電流信號來診斷齒輪箱和電機中發生的故障［19］。

2.2.1 振動信號中的故障特征

當齒輪出現故障時，會改變齒的剛度或改變其幾何參數，從而導致振動信號的變化。這些變化調制了振動信號，可以表示為：

式中：m為嚙合諧波數；fm為第m齒嚙合諧波頻率；Vm和θm分別為第m次嚙合諧波的幅值和初始相位；am（t）和bm（t）分別為第m次嚙合諧波的幅度和相位調制函數。

式中：fi（i=1，…，I）為第i個軸的旋轉頻率，I為齒輪箱的軸數；Amn和Bmn為幅度；αmn和βmn分別為第m嚙合諧波的幅度和相位調制函數的第n諧波的初始相位。

振動信號中的故障特征可以在時域和頻域中提取。本研究使用常用的時域特征為峰度和波峰因數。

峰度K為一個無量綱參數，定義如下：

式中：M4為第4個中心矩；σ4為信號的標準偏差。峰度表征信號的概率分布。如果信號服從正態分布，其峰度等于3，故障可能導致峰度增加。

波峰因數C定義為信號的最大絕對值與均方根值之比：

波峰因數說明信號有多“尖峰”。波峰因數越高，信號越尖。除了峰度和波峰因子之外，還有許多其他時域特征，例如形狀因子和間隙因子。變速箱的不健康狀態通?？梢酝ㄟ^振動信號的時域特征與健康狀態進行區分。然而，只使用時域特征通常難以診斷齒輪箱的故障類型。為了實現準確的故障診斷，需要對振動信號進行頻域分析。齒輪箱振動信號頻譜中的主要成分是齒輪嚙合頻率及其由軸旋轉頻率調制引起的邊帶。通常，邊帶數量和幅度的增加可能表明故障情況。因此，振動信號頻譜中每個齒輪嚙合頻率fm及其邊帶fm±fi（i=1，…，I）處的能量可以作為故障特征。

2.2.2 電流信號中的故障特征

由于風力渦輪機傳動系統中齒輪箱和發電機之間的機電耦合，發電機電流信號受到齒輪箱振動的調制。齒輪箱振動和發電機電流之間的關系可以從電機的轉矩和電流關系推導出來［20］。如果齒輪箱以頻率振動，發電機定子電流信號將包含基頻分量f及其頻率為f±fi的邊帶，當故障發生時，其幅度會發生變化。因此，可以選擇f±fi處的能量作為電流信號中的故障特征。此外，由于齒輪箱的故障會在電流信號中激發更多的噪聲，因此式（10）中定義的NSR（噪聲信號比）也可以作為電流信號的故障特征。

3 基于改進SVM的故障診斷模型

3.1 光伏電站故障診斷模型

對于光伏電站的診斷模型，因其故障特征并不復雜，只需作出I-V曲線就可以明顯的判斷出故障類型。所以為了提高故障診斷的效率，增強故障診斷的實時性，用所提出的多類SVM分類器來構建其故障診斷模型。首先從光伏電站獲取歷史數據，然后從中提取出光伏電站歷史運行過程中的I-V特征，將故障診斷作為SVM 分類器的輸入，可以直接實現光伏電站多故障分類的目標，并且具有較高的準確率。但是這種診斷方法具有一定的局限性，所以在實際工作中需要根據各個電站的具體情況，考慮將其他的環境因素加入到診斷模型當中，經過適當改進后的診斷模型可以為電站運維人員提供較為準確的故障信息，以便工作人員及時修復電站中的各種故障及潛在故障，從而提高電站的發電效率。所提出的多類SVM模型用于設計光伏電站的故障診斷模型中，如圖4所示。

圖4 光伏電站的故障診斷模型Fig.4 Fault diagnosis model of PV power plant

3.2 風電機組故障診斷模型

傳統故障診斷方法的準確性、可靠性和魯棒性可以通過增加傳感器的數量來提高。然而，這將增加系統的硬件成本和布線復雜性。本節提出的方法利用發電機電流信號和振動信號來進行故障診斷，這些信號可以在發電機控制系統中可獲取，因此不需要安裝任何額外的硬件。

將本文所提出的多類SVM模型用于基于電流SVM和振動SVM的風力發電機的診斷模型的中，如圖5所示。診斷模型由4個功能模塊組成。第一個功能模塊是特征提取，它將齒輪箱振動信號和發電機電流信號中的故障特征分別提取到所提出的模型中。在第二個功能模塊中，設計和訓練一個電流SVM和一個振動SVM，分別根據從振動信號和電流信號中提取故障特征并輸出每種可能的故障類型的概率。第三個功能模塊是信息融合，它使用一個組合器來融合電流支持向量機和振動支持向量機的輸出信息，即可能的故障類型的概率。最后一個功能模塊將故障診斷為組合器輸出中概率最大的故障。與傳統方法相比，該方法可通過結合來自發電機電流信號和振動信號的信息以實現更高的故障診斷精度。此外，即使振動傳感器或相關數據采集設備發生故障，所提出的方法也是有效的，因此可以提高診斷的可靠性和魯棒性。

圖5 風電機組的故障診斷模型Fig.5 Fault diagnosis model of the wind turbines

4 算例驗證

4.1 光伏電站故障特征提取與診斷

1）故障樣本分類

影響光伏發電系統正常運行的因素很多，關系十分復雜。因此，本文選擇光照強度、環境溫度、輸出電流、輸出電壓及光伏組件溫度作為光伏組件的特征選擇參數，如表1所示。

表1 特征選擇參數Table 1 Feature selection parameters

2）實例結果分析

光伏發電機組在光照強度不足的情況下無法正常運行，因此本文只提取每天07：00—18：00 的數據，并從中提取500組數據標記故障類型，部分基礎數據和故障標記后的數據如表2所示。

表2 數據樣本（部分）Table 2 Data samples （selected）

本節提出的SVM光伏組件故障診斷模型經過200組故障訓練數據訓練后，再對剩余測試數據進行準確率預測。訓練過程如圖6所示，平均準確率為99.43%。

圖6 光伏電站診斷模型訓練過程Fig.6 Training process of the diagnosis model of PV power plant

測試組數據共300組，正確分類291組，準確率為98.5%。診斷模型對故障狀態類別對應的遮陰、短路、開路故障以及正常狀態均能準確識別，但在識別老化故障時出現誤判，有4組數據被誤分到遮陰故障。這是因為發生老化故障時，光伏組件的開路電壓與短路電流均不會改變，但最大功率點的電流、電壓會有所減小，這一變化與遮陰故障特征類似，容易發生誤判。

為了進一步驗證本節提出的改進SVM算法在光伏組件故障診斷中的準確性，對同樣的數據集又分別使用SVM 算法、PSO-SVM（粒子群優化支持向量機）和改進SVM 算法進行正確率對比驗證，對比結果如表3所示。

表3 光伏診斷準確率比較Table 3 Comparison of PV diagnostic accuracy %

4.2 風力發電機故障特征提取與診斷

1）基礎數據及特征信號提取

從齒輪箱和電機中提取的基本特征頻率如表4所示。需要特征提取的一些參數如下：

表4 齒輪箱和電機的特征頻率Table 4 Characteristic frequencies of the gearbox and motor

a）振動信號：波峰因數；峰度；f3，2f3，3f3，fm1±f1以及fm1±f2處的能量。

b）電流信號：NSR；f±f3，f±f2處的能量。

本文研究了4種不同的齒輪箱健康狀況：齒輪箱健康、缺一齒故障、齒面剝落故障、裂紋故障。

2）實例結果分析

從具有4種不同齒輪健康狀況的變速箱中提取信號數據。在每一個健康條件下，分別獲取40 個齒輪箱振動信號和電流信號數據集。在40 個數據集中，28個用于訓練兩個多類SVM和可訓練組合器，其余12 個用于測試所提出的方法。電流改進SVM 和振動改進SVM 輸入分別是從齒輪箱振動和雙饋定子電流信號中提取的故障特征，如圖7、圖8所示。

圖7 齒輪箱的振動信號及其功率譜密度Fig.7 Vibration signals of the gearbox and its power spectral density （PSD）

圖8 雙饋電機的電流信號及其功率譜密度Fig.8 Current signals of the doubly-fed motor and its power spectral density （PSD）

圖7（a）顯示了齒輪健康時振動信號的PSD（功率譜密度）。在這種情況下，由于傳動平穩，因此只有嚙合頻率fm1和輸出軸旋轉頻率f3占主導地位。圖7（b）顯示了被測齒輪齒面剝落時振動信號的PSD，fm1和f3處的能量增加。此外，邊帶fm1+f1以及f3的二次和三次諧波變得更加明顯。圖7（c）顯示了裂紋情況下的結果，與健康情況相比，fm1處的能量高且邊帶fm1+f1以及諧波2f3更明顯。對于圖7（d）所示的缺齒情況，與健康狀態相比，除了f3和2f3處的能量增加外，fm1-f2和一些未知頻率分量也被激發?？傊?，齒輪故障會引起額外的振動或改變現有振動的幅度，然而并沒有清楚地顯示出不同故障類型之間的差異。

圖8（a）顯示了齒輪健康時電流信號的PSD。在齒面剝落和齒面裂紋的案例中，f±f3分量很明顯，并且振幅在f-f3處增加，分別如圖8（b）和（c）所示，f-f2分量也在齒面裂紋的情況下被激發。在圖中有一個非常明顯的頻率分量，被標注為fu，但其與任何齒輪箱故障無關。再次，不同齒輪故障類型之間沒有明確的差異。因此，故障類型不能直接通過振動或電流信號的PSD頻譜來判斷。

為了應對這一挑戰，將所提出的方法應用于齒輪故障的診斷。該方法使用兩個具有概率輸出的多類SVM，分別根據從齒輪箱振動信號和雙饋定子電流信號中提取的特征，自動計算每種故障類型的可能性，然后融合兩個SVM 的概率輸出，得到最終的故障診斷結果。基于此診斷模型的訓練過程如圖9所示，基于可訓練組合器與不可訓練組合器模型的樣本集的平均準確率分別為99.76%和97.53%。

圖9 風電站診斷模型訓練過程Fig.9 Training process of the diagnosis model of wind farm

訓練結束后，輸入測試數據集進行診斷。在特征級融合方法中，振動信號和電流信號中提取的特征直接由SVM分類器用于輸出每種故障類型的概率。每種健康狀況都有12個數據集用于測試。因此，總共有48 個測試數據集。將所提出的基于改進SVM的信息融合方法的故障診斷準確性與僅考慮振動信號的改進SVM、僅考慮電流信號的改進SVM的故障診斷準確性進行了比較。振動改進SVM 和電流改進SVM 的故障診斷準確率分別為93.75%和91.67%；當使用特征級融合和提出的決策級融合下的可訓練和不可訓練融合方法時，準確率分別提高到97.92%、96.63%和99.54%。這些結果表明，與使用單一類型信號的方法相比，特征級融合和所提出的基于決策級融合的故障診斷方法都可以提高診斷準確性并降低錯誤故障診斷率。

為了進一步驗證改進SVM算法在風電機組故障診斷中的準確性，對同樣的數據集又使用PSOSVM算法和改進SVM算法進行正確率對比驗證，對比結果如表5所示。結果表明，本文提出的改進SVM算法具有較優的故障診斷效果。

表5 風機故障診斷準確性比較Table 5 Comparison of fault diagnosis accuracy of wind turbines %

5 結語

本文針對新能源電站在實際運行中可能出現的幾種故障，采用多元SVM 分類算法對SVM 進行優化，提出了基于改進SVM算法的新能源電站故障診斷模型并輸入故障特征向量，獲得對新能源電站正常工作狀態以及各種典型故障狀態的分類識別。實驗結果表明，改進后算法的分類效果得到明顯提高，光伏電站的故障診斷準確率由96.5%提高到98.5%；對于風電站的故障診斷，僅使用單一振動信號或電流信號時準確率僅有93.75%和91.67%，采用所提出的決策級融合下的可訓練和不可訓練融合方法時，準確率提高到96.63%和99.54%。本文所提診斷方法和模型對新能源電站故障能夠得到較優的診斷效果，診斷準確率有所提高。