基于GAWOA優(yōu)化ELM的風(fēng)機(jī)變流器故障診斷?

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].變流器開關(guān)管的故障會導(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源，對電壓信號進(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)，通過非線性觀測器合成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，但沒有考慮大量隨機(jī)噪聲對模型診斷準(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)對故障電壓信號重構(gòu)的特征向量進(jìn)行分類，提高了故障分類精度；文獻(xiàn)[12]通過計(jì)算電壓信號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]利用電流信號與振動信號的關(guān)聯(lián)機(jī)制，融合電流和振動信號作為故障特征向量，此方法只適用于單個(gè)IGBT模塊開路故障診斷.

本文以網(wǎng)側(cè)變流器線電壓為信號源，對故障電壓信號進(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，通過全局自適應(yīng)鯨魚算法（Global Adaptive Whale Optimization Algorithm,GAWOA）對極限學(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無耦合關(guān)系，則參考電壓信號可作為控制有功、無功功率的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，通過轉(zhuǎn)子電壓控制有功、無功功率.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模塊為研究對象.考慮同一橋臂和不同橋臂上的IGBT故障，對變流器的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)），故障編碼見表1.

表1 IGBT故障編碼

2 基于自適應(yīng)鯨魚算法優(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 鯨魚優(yōu)化算法

鯨魚算法具有搜索能力強(qiáng)、參數(shù)設(shè)置少、操作簡單的特點(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，每條鯨魚位置更新依據(jù)如下：

（2）包圍攻擊階段

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

2.3 全局自適應(yīng)鯨魚優(yōu)化算法

由式（15）可知，WOA在包圍攻擊過程中的權(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，引入鄰域擾動機(jī)制可以對最優(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，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種故障線電壓信號并對其進(jìn)行FFT變換，得到其頻譜圖.針對每一種故障，對Uab-g線電壓信號頻譜的頻率幅值進(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Ubc-g、Uca-g線電壓信號頻譜進(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）針對故障特征向量維度太高、存在冗余特征的問題，利用NPE對特征向量進(jìn)行降維，得到長度為300的故障特征向量.對于每種故障，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-無窮大系統(tǒng)模型，風(fēng)電系統(tǒng)仿真參數(shù)見表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 開路故障對發(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開路故障會導(dǎo)致雙饋發(fā)電機(jī)電流發(fā)生畸變，也會造成電磁轉(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)練集和測試集，使用5種神經(jīng)網(wǎng)絡(luò)模型對IGBT模塊進(jìn)行故障診斷和對比分析.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22種故障診斷結(jié)果

為了檢測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中，使用不同方法對不同信噪比下的故障電壓信號進(jìn)行診斷，對數(shù)據(jù)集運(yùn)行30次，取算法的平均值，結(jié)果見表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，為解決時(shí)域信號的周期性干擾，將時(shí)域信號轉(zhuǎn)換成頻域信號，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)引入鄰域擾動機(jī)制，提高了算法的穩(wěn)定性.最后通過與SVM、ELM、PSOELM、WOA-ELM對比，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.