基于LMD能量熵和定位分析的風(fēng)電變流器開(kāi)路故障診斷

收稿日期：2022-03-06

基金項(xiàng)目：河北省重點(diǎn)研發(fā)計(jì)劃（20314502D）；河北省教育廳科學(xué)技術(shù)研究項(xiàng)目（ZD2021332；JQN2020020；JQN2022001）；唐山市科技計(jì)劃

（21130219C）

通信作者：張靖軒（1982—），男，博士、副教授，主要從事多能源耦合制氫方面的研究。jingxuan.zhang@ncst.edu.cn

DOI：10.19912/j.0254-0096.tynxb.2022-0257 文章編號(hào)：0254-0096（2023）06-0484-11

摘 要：為提高風(fēng)電變流器的故障診斷準(zhǔn)確率，針對(duì)永磁同步風(fēng)電機(jī)組網(wǎng)側(cè)變流器IGBT模塊的單一開(kāi)路和雙開(kāi)路故障問(wèn)題，提出一種基于局部均值分解（LMD）能量熵和定位分析的風(fēng)電變流器開(kāi)路故障診斷方法。首先，采集網(wǎng)側(cè)變流器三相輸出電流作為原始信號(hào)，利用LMD將其自適應(yīng)分解為多層乘積函數(shù)（PF）分量，并求取各狀態(tài)下PF分量的能量熵特征。然后，根據(jù)開(kāi)路故障造成的三相電流時(shí)間序列的畸變特性進(jìn)行定位分析。最后，將融合能量熵特征和定位參數(shù)的特征向量輸入棧式稀疏自編碼（SSAE）網(wǎng)絡(luò)進(jìn)行訓(xùn)練和故障識(shí)別。仿真與實(shí)驗(yàn)結(jié)果表明，融合能量熵特征和定位分析的特征提取方法使故障特征更為明顯，相較于其他特征提取方法可有效提高風(fēng)電變流器故障診斷準(zhǔn)確率。

關(guān)鍵詞：風(fēng)電機(jī)組；變流器；故障診斷；能量熵；定位分析；棧式稀疏自編碼網(wǎng)絡(luò)

中圖分類(lèi)號(hào)：TM464 "" """"""" 文獻(xiàn)標(biāo)志碼：A

0 引 言

近年來(lái)，可再生能源發(fā)電技術(shù)在世界范圍內(nèi)發(fā)展迅猛。風(fēng)能以其儲(chǔ)量大、資源豐富等特點(diǎn)成為可再生能源領(lǐng)域關(guān)注的焦點(diǎn)［1-3］。然而，風(fēng)電機(jī)組受環(huán)境影響導(dǎo)致系統(tǒng)各部件故障頻發(fā)，由故障引起的長(zhǎng)時(shí)間停機(jī)將嚴(yán)重影響發(fā)電量，同時(shí)需花費(fèi)大量成本進(jìn)行維護(hù)檢修，因此故障診斷技術(shù)成為保障風(fēng)電機(jī)組可靠性運(yùn)行的關(guān)鍵［4］。

永磁同步風(fēng)電機(jī)組由于其體積小、質(zhì)量輕、故障率低且運(yùn)行效率較高等特點(diǎn)，成為繼雙饋風(fēng)電機(jī)組后又一重要的風(fēng)電機(jī)組類(lèi)型，被廣泛關(guān)注。在永磁同步風(fēng)電機(jī)組中，變流器作為核心部件之一，在風(fēng)電系統(tǒng)中可對(duì)發(fā)電機(jī)轉(zhuǎn)矩進(jìn)行控制，并將電能進(jìn)行變換。在實(shí)際生產(chǎn)運(yùn)行中，由于風(fēng)速的不穩(wěn)定性以及周?chē)鷲毫迎h(huán)境的影響，風(fēng)電變流器已成為風(fēng)電機(jī)組中故障率較高的部件之一［5］。為實(shí)現(xiàn)風(fēng)電系統(tǒng)的可靠性運(yùn)行，降低因變流器故障造成的安全隱患和經(jīng)濟(jì)損失，風(fēng)電變流器故障診斷問(wèn)題得到國(guó)內(nèi)外專(zhuān)家學(xué)者的廣泛重視［6］。故障包括短路和開(kāi)路故障兩大類(lèi)，短路故障目前已有成熟的檢測(cè)方法，因此本文的研究重點(diǎn)為IGBT模塊的開(kāi)路故障診斷［7］。

風(fēng)電變流器的開(kāi)路故障會(huì)導(dǎo)致系統(tǒng)運(yùn)行參數(shù)發(fā)生畸變，降低電能質(zhì)量，嚴(yán)重時(shí)還會(huì)對(duì)電網(wǎng)的穩(wěn)定性構(gòu)成威脅。國(guó)內(nèi)外學(xué)者做了大量研究，提出許多故障診斷方法，可分為：基于解析模型、基于信號(hào)和基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法3大類(lèi)［8］。在基于解析模型方面，文獻(xiàn)［9］提出一種基于滑模觀測(cè)器和半橋切換模型的模塊化多電平變換器故障檢測(cè)方法，該類(lèi)方法雖然可反映系統(tǒng)本質(zhì)，但依賴(lài)于設(shè)置精確的數(shù)學(xué)模型，系統(tǒng)誤差對(duì)診斷準(zhǔn)確率有較大影響。在基于信號(hào)的故障診斷方法中，文獻(xiàn)［10］根據(jù)變流器的電流變化特征，使用歸一化的相電流平均值進(jìn)行故障診斷。然而基于信號(hào)的故障診斷方法雖然可消除系統(tǒng)建模精度對(duì)故障診斷的影響，但由于閾值的設(shè)定依賴(lài)于系統(tǒng)的先驗(yàn)知識(shí)，當(dāng)負(fù)荷突變時(shí)，故障診斷的可靠性會(huì)受到影響。

相較于基于解析模型和基于信號(hào)的故障診斷方法，基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法可有效避免復(fù)雜的數(shù)學(xué)解析建模和閾值設(shè)定等問(wèn)題。文獻(xiàn)［11］采用快速傅里葉變換（fast Fourier transform， FFT）和主成分分析對(duì)輸出電壓信號(hào)提取信號(hào)特征，利用支持向量機(jī)進(jìn)行分類(lèi)和決策，該方法具有較高的稀疏性和較短的診斷時(shí)間，但缺少信號(hào)時(shí)域特征，且參數(shù)選擇較難。文獻(xiàn)［12］使用小波變換計(jì)算Park歸一化電流系數(shù)，提取故障特征，并將其輸入進(jìn)人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)分類(lèi)，得到較好的故障診斷效果，但該方法計(jì)算過(guò)程較為復(fù)雜，且需選擇合適的小波基函數(shù)，否則會(huì)造成特征提取的泛化能力較差的結(jié)果。文獻(xiàn)［13］將電壓信號(hào)進(jìn)行集合經(jīng)驗(yàn)?zāi)B(tài)分解并提取范數(shù)熵特征，利用支持向量機(jī)實(shí)現(xiàn)對(duì)開(kāi)路故障的分類(lèi)和診斷，取得了較好的效果。以上方法通過(guò)利用數(shù)據(jù)分析和人工智能的算法，建立故障數(shù)據(jù)與故障類(lèi)別之間的映射關(guān)系，具有較好的故障識(shí)別和分類(lèi)能力。由于電力電子器件特殊的拓?fù)浣Y(jié)構(gòu)，部分故障電流波形相似度較高，對(duì)系統(tǒng)故障信息進(jìn)行有效的特征提取，是影響該類(lèi)故障診斷方法準(zhǔn)確率的重要環(huán)節(jié)之一［14］。

為此，本文提出一種基于LMD能量熵和定位分析的開(kāi)路故障診斷方法。首先，以永磁同步風(fēng)力發(fā)電機(jī)網(wǎng)側(cè)變流器三相輸出電流為診斷信號(hào)，利用LMD分解算法對(duì)正常狀態(tài)和21種故障狀態(tài)下的電流信號(hào)進(jìn)行自適應(yīng)時(shí)頻分解，并將能量熵融入LMD分解提取故障特征；然后，根據(jù)三相電流時(shí)間序列的畸變特性對(duì)IGBT故障模塊進(jìn)行定位分析，融合能量熵特征和定位參數(shù)形成的故障特征向量，具有更優(yōu)的故障特征表示和辨別能力；最后，構(gòu)建SSAE網(wǎng)絡(luò)模型對(duì)特征向量進(jìn)行訓(xùn)練、識(shí)別和分類(lèi)，并實(shí)現(xiàn)風(fēng)電變流器IGBT模塊的單一開(kāi)路和雙開(kāi)路故障診斷。

1 永磁同步風(fēng)電變流器開(kāi)路故障分析

如圖1所示，永磁同步風(fēng)電機(jī)組主要由永磁同步發(fā)電機(jī)、機(jī)側(cè)變流器、直流鏈路、網(wǎng)側(cè)變流器和濾波器組成。風(fēng)電系統(tǒng)中，變流器通常采用雙PWM背靠背結(jié)構(gòu)組合。機(jī)側(cè)變流器負(fù)責(zé)將發(fā)電機(jī)發(fā)出的頻率和電壓幅值變化無(wú)序的交流電整流為直流電；直流鏈路中支撐電容C廣泛用于直流連接，減少電壓變化和平衡功率暫態(tài)；網(wǎng)側(cè)變流器拓?fù)浣Y(jié)構(gòu)如圖2所示，由6個(gè)IGBT模塊組成，負(fù)責(zé)將直流電變換為與電網(wǎng)頻率相同的交流電，其次通過(guò)濾波器過(guò)濾諧波減小對(duì)電網(wǎng)污染，最后輸入變壓器升壓實(shí)現(xiàn)并網(wǎng)。

在風(fēng)電變流器IGBT模塊故障中，本文的研究重點(diǎn)為在單一開(kāi)路和雙開(kāi)路故障下的診斷問(wèn)題。將IGBT模塊發(fā)生開(kāi)路故障的情況（包括正常狀態(tài)）可分為5類(lèi)：1）變流器正常運(yùn)行，無(wú)故障產(chǎn)生；2）IGBT模塊發(fā)生單一開(kāi)路故障，例如：T1故障；3）同一相的兩個(gè)IGBT模塊同時(shí)發(fā)生雙開(kāi)路故障，例如：T1和T4故障；4）異相同一橋臂的兩個(gè)IGBT模塊發(fā)生雙開(kāi)路故障，例如：T1和T3故障；5）異相異橋臂的兩個(gè)IGBT模塊發(fā)生雙開(kāi)路故障，例如：T1和T2故障。針對(duì)風(fēng)電變流器運(yùn)行的正常狀態(tài)、單一開(kāi)路故障狀態(tài)和雙開(kāi)路故障狀態(tài)，表1列出22種狀態(tài)類(lèi)型和二進(jìn)制編碼［15］。

變流器正常運(yùn)行時(shí)，電流處于平衡狀態(tài)，三相正弦電流表示為：

[iA=Imsin（ωt+θ）iB=Imsin（ωt+θ+2π/3）iC=Imsin（ωt+θ-2π/3）iA+iB+iC=0]""" （1）

式中：[iA、iB、iC]——三相輸出電流，三相輸出電流[iA、iB、iC]呈現(xiàn)幅值頻率相等，相位角相差120°的三相對(duì)稱(chēng)電流波形；[Im]——電流幅值；[ω]——角頻率；[θ]——初始相位角。

變流器中IGBT模塊發(fā)生開(kāi)路故障時(shí)，三相電流中出現(xiàn)直流分量，正弦特性消失造成電流波形畸變，且不同位置的IGBT模塊開(kāi)路故障導(dǎo)致三相輸出電流發(fā)生差異變化。因此，對(duì)變流器三相輸出電流進(jìn)行信號(hào)分解和特征提取進(jìn)而完成故障診斷。

2 故障診斷方法

2.1 LMD局部均值分解

局部均值分解LMD（local mean decomposition， LMD）是Smith［16］提出的一種針對(duì)非平穩(wěn)信號(hào)的自適應(yīng)分析算法。LMD依據(jù)原始信號(hào)本身特征，將原始信號(hào)中分離出的純調(diào)頻信號(hào)和包絡(luò)信號(hào)相乘，得到瞬時(shí)頻率具有物理意義的多層乘積函數(shù)（product function， PF）分量［17］。其過(guò)程解決了FFT中只針對(duì)信號(hào)的頻域處理，缺乏時(shí)域描述；同時(shí)，避免了小波分析中不同類(lèi)型的故障數(shù)據(jù)適用于不同的小波基函數(shù)，造成信號(hào)分析的泛化局限性；LMD信號(hào)處理算法在局部均值函數(shù)和包絡(luò)估計(jì)函數(shù)中使用滑動(dòng)平均法進(jìn)行平滑處理，也可有效抑制經(jīng)驗(yàn)?zāi)B(tài)分解（empirical mode decomposition， EMD）算法中的模態(tài)混疊和端點(diǎn)效應(yīng)問(wèn)題。因此，本文使用LMD分解算法對(duì)三相電流信號(hào)進(jìn)行自適應(yīng)時(shí)頻分解。

LMD分解算法可將原始信號(hào)分解為不同時(shí)頻分布的子信號(hào)，由此能準(zhǔn)確分析出信號(hào)在不同尺度的時(shí)頻分布特征。對(duì)22種狀態(tài)下網(wǎng)側(cè)三相輸出電流信號(hào)[iAx、iBx、iCx]進(jìn)行LMD分解后，將復(fù)雜信號(hào)分解成[k]層[FPFf（t）]分量信號(hào)和一個(gè)剩余分量["uk（t）]。

[iAxt=f=1kFPFf（t）"+"uk（t）]""" （2）

[iBxt=f=1kFPFf（t）"+"uk（t）]""" （3）

[iCxt=f=1kFPFf（t）"+"uk（t）]""" （4）

式中：[x=1，2，…，22]種狀態(tài)編碼；[f=1，2，…，k]自適應(yīng)為分解[k]層PF分量。

2.2 能量熵特征提取

變流器三相輸出電流信號(hào)經(jīng)過(guò)LMD分解后，各PF分量中包含不同時(shí)域、頻域特征［18］。為獲得各PF分量中的特征信息，將非線性方法中“熵”原理引入故障診斷研究中。不同故障狀態(tài)下，各頻段PF分量之間存在差異，能量值隨之變化，信息論中“熵”可表達(dá)系統(tǒng)的混亂程度，使用能量熵描述電流信號(hào)在不同故障狀態(tài)之間的差異性。能量熵特征提取針對(duì)每層PF分量進(jìn)行，將每層PF分量分割為[s]個(gè)分量片段記為[pf]。求解[pf]能量值[E]在其所在PF分量能量[g=1sEPFg（t）]中的占比[p]，同時(shí)為防止在同相雙開(kāi)路故障電流為零時(shí)出現(xiàn)誤報(bào)、漏報(bào)問(wèn)題影響診斷準(zhǔn)確率，增加不影響診斷結(jié)果的極小正實(shí)數(shù)[σ]［19］。代入能量熵公式[S]：

[SxβFPFf=-g=1spxβFPFfpfglgpxβPFfpfg] （5）

[pxβPFfpfg=ExβFPFfpfgg=1sExβFPFfpfg+σ]" （6）

[ExβFPFfpfg=-∞+∞pfg（t）2dt]"" （7）

式中：[x=1，2，…，22]種狀態(tài)編碼；[β]——[A、B、C]三相中的某一相；[pfg]——分量片段，其中[g=1，…，s]。

經(jīng)能量熵特征提取后，能量熵特征表達(dá)式[Sx]：

[Sx=SxAFPF1，…，SxAFPFf，SxBFPF1，…，SxBFPFf，SxCFPF1，…，SxCFPFf]" （8）

2.3 定位分析

能量熵可作為特征輸入對(duì)部分故障類(lèi)別和故障相進(jìn)行診斷，但由于變流器采用對(duì)稱(chēng)的拓?fù)浣Y(jié)構(gòu)，部分故障狀態(tài)下的電流波形相似度較高。如果單一使用能量熵作為特征輸入，較難區(qū)分同一相上、下橋臂的IGBT模塊開(kāi)路故障。例如，變流器A相上橋臂的T1發(fā)生開(kāi)路故障時(shí)的能量熵，和A相下橋臂的T4發(fā)生開(kāi)路故障時(shí)的能量熵?cái)?shù)值相近。兩種故障下的A相電流信號(hào)經(jīng)LMD分解，前5層PF分量的能量熵對(duì)比如表2所示。

由表2可看出，兩種故障下，相同層級(jí)的PF分量的能量熵?cái)?shù)值相近。如果將兩種故障下的能量熵作為特征輸入，將會(huì)降低后續(xù)對(duì)兩種故障的診斷準(zhǔn)確率。

為了提高故障診斷準(zhǔn)確率，根據(jù)開(kāi)路故障狀態(tài)下三相輸出電流時(shí)間序列的畸變特性，提出針對(duì)變流器故障相和故障橋臂中IGBT模塊的定位分析方法。設(shè)[λA、][λB、][λC]為三相定位參數(shù)。

[λAx=-d=1tiAxtd=1tiAxt+σ] （9）

[λBx=-d=1tiBxtd=1tiBxt+σ] （10）

[λCx=-d=1tiCxtd=1tiCxt+σ] （11）

式中：[λAx、λBx、λCx]——不同故障類(lèi)型狀態(tài)下三相定位參數(shù)；[d]——一個(gè)周期內(nèi)計(jì)算的樣本點(diǎn)數(shù)量；[iAxt、][iBxt、iCxt]——三相輸出電流時(shí)間序列；[σ]——極小正實(shí)數(shù)。

從式（9）～式（11）可知，當(dāng)變流器正常運(yùn)行時(shí)，由于三相輸出電流呈對(duì)稱(chēng)正弦波形，定位參數(shù)[λA、][λB、][λC]約等于零。當(dāng)變流器發(fā)生不同狀態(tài)的開(kāi)路故障時(shí)，故障導(dǎo)致三相輸出電流波形發(fā)生不同程度畸變。如變流器A相T1模塊發(fā)生上橋臂單開(kāi)路故障時(shí)，波形呈現(xiàn)負(fù)半周期運(yùn)行，且故障導(dǎo)致正半周期波形消失；變流器A相T4模塊發(fā)生下橋臂單開(kāi)路故障時(shí)，波形呈現(xiàn)正半周期運(yùn)行，且故障導(dǎo)致負(fù)半周期波形消失；當(dāng)變流器發(fā)生兩個(gè)IGBT模塊的雙開(kāi)路故障時(shí)，故障引起電流波形畸變程度較大，由于不同橋臂、不同故障類(lèi)型定位參數(shù)存在正負(fù)性和數(shù)值差異。因此，[λA、λB、λC]可作為定位參數(shù)對(duì)故障相和故障橋臂中的IGBT模塊進(jìn)行定位分析。表3所示為一組22種IGBT模塊開(kāi)路故障的定位參數(shù)。

融合能量熵特征[Sx]和定位參數(shù)特征[λA、λB、λC]，得到不同狀態(tài)下總的特征向量[Tx]。

[Tx=Sx，λAx，λBx，λCx]" （12）

2.4 棧式稀疏自編碼網(wǎng)絡(luò)

自編碼器（auto encoder， AE）是一種由編碼器、隱含層、解碼器3部分組成的無(wú)監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)。假設(shè)[N]個(gè)無(wú)標(biāo)簽向量樣本[X=[x1 ， x2 ， …，xN]]。每個(gè)樣本[x]有[n]維特征，通過(guò)編碼器[h（x）=f（W1x+b1）]將[n]維特征轉(zhuǎn)換為[m]維的編碼向量[h]；再通過(guò)解碼器[x（h）=f（W2h+b2）]進(jìn)行重構(gòu)，其過(guò)程以重構(gòu)最小均方誤差為學(xué)習(xí)目標(biāo)，將隱含層編碼矩陣[H=[h1，h2，…，hN]]重構(gòu)為輸出層矩陣[X=[x1，x2，…，xN]]。

稀疏自編碼（sparse auto encoder， SAE）網(wǎng)絡(luò)是自編碼網(wǎng)絡(luò)的一種延伸，將稀疏懲罰項(xiàng)加入到自編碼網(wǎng)絡(luò)損失函數(shù)中，對(duì)隱含層輸出進(jìn)行稀疏約束，從而實(shí)現(xiàn)數(shù)據(jù)更深層次特征表達(dá)［20］。因此，稀疏自編碼器代價(jià)函數(shù)為：

[Lsparse=12Ni=1Nxi-xi2+λ2W2+ηρ（H）]"" （13）

式中：[Lsparse]——代價(jià)函數(shù)由重構(gòu)均方誤差、權(quán)重正則化項(xiàng)、稀疏正則化項(xiàng)組成；[N]——訓(xùn)練樣本數(shù)量；[λ]——權(quán)重正則化系數(shù)；[||W||2]——權(quán)重正則化項(xiàng)；[η]——稀疏正則化權(quán)值系數(shù)；[ρ（H）]——稀疏性度量函數(shù)。

稀疏性度量函數(shù)[ρ（H）]定義為：

[ρ（H）=j=1mρρj]"" （14）

[KLρρj=ρlnρρj+（1-ρ）ln1-ρ1-ρj]"" （15）

[ρj=1Ni=1NHji] （16）

式中：[KLρρj]——[KL]散度，評(píng)判[ρ]和[ρj]的差異；[ρ]——稀疏常數(shù)；[ρj]——隱含層第[j]個(gè)神經(jīng)元平均激活程度。

在稀疏自編碼網(wǎng)絡(luò)訓(xùn)練過(guò)程中，利用反向傳播算法，求得最小化代價(jià)函數(shù)[Lsparse]為：

[Wlij=Wlij-α?Lsparse（W，b）?Wlijbli=bli-α?Lsparse（W，b）?bli]" （17）

式中：[l]——網(wǎng)絡(luò)層數(shù)量；[α]——學(xué)習(xí)率，通過(guò)梯度下降更新網(wǎng)絡(luò)權(quán)值[W]和偏置[b]，進(jìn)而得到較好的隱含層稀疏表示。

SSAE是一種由多個(gè)SAE堆疊構(gòu)成的深度學(xué)習(xí)網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，其中前一個(gè)稀疏自編碼模型的隱含層輸出特征用作后一個(gè)稀疏自編碼模型的輸入數(shù)據(jù)，既能保留前一層故障特征本質(zhì)，又能去除高維特征干擾。同時(shí)，SSAE通過(guò)無(wú)監(jiān)督逐層預(yù)訓(xùn)練更新網(wǎng)絡(luò)參數(shù)和反向傳播算法的有監(jiān)督全局微調(diào)將網(wǎng)絡(luò)框架連接。最后，加入Sigmoid分類(lèi)器實(shí)現(xiàn)故障特征向量的識(shí)別和分類(lèi)。

2.5 故障診斷流程圖

結(jié)合前文論述的研究現(xiàn)狀和理論基礎(chǔ)，本文提出一種基于LMD-能量熵-定位分析-SSAE的風(fēng)電變流器開(kāi)路故障診斷方法，故障診斷流程如圖4所示，具體流程為：

1）以風(fēng)電網(wǎng)側(cè)變流器作為故障診斷對(duì)象，基于實(shí)驗(yàn)平臺(tái)去除相應(yīng)IGBT模塊制造22種狀態(tài)現(xiàn)象，并采集網(wǎng)側(cè)三相輸出電流[iAx、][iBx、][iCx]作為原始信號(hào)。

2）將[iAx、][iBx、][iCx]進(jìn)行LMD分解，得到一系列具有不同頻段特征的PF分量，進(jìn)行能量熵特征提取，得到能量熵特征[Sx]。

3）為加強(qiáng)特征向量的定位表達(dá)和診斷能力，根據(jù)三相輸出電流[iAx、][iBx、][iCx]故障狀態(tài)下時(shí)間序列畸變特性進(jìn)行定位分析，增加定位參數(shù)[λA、][λB、][λC]。最后融合能量熵特征和定位參數(shù)構(gòu)成18維特征向量[Tx]。

4）構(gòu)造22種狀態(tài)特征向量數(shù)據(jù)集，輸入SSAE網(wǎng)絡(luò)進(jìn)行訓(xùn)練、識(shí)別和分類(lèi)，實(shí)現(xiàn)風(fēng)電變流器IGBT模塊的單一開(kāi)路和雙開(kāi)路的故障診斷。

3 仿真分析與實(shí)驗(yàn)驗(yàn)證

為驗(yàn)證LMD-能量熵-定位分析-SSAE故障診斷方法的有效性。在Matlab/Simulink環(huán)境中，建立永磁同步風(fēng)力發(fā)電機(jī)網(wǎng)側(cè)變流器仿真模型，表4所示為系統(tǒng)主要仿真參數(shù)。實(shí)驗(yàn)過(guò)程中，采集22種狀態(tài)下的網(wǎng)側(cè)三相輸出電流信號(hào)[iAx、][iBx、][iCx，]每種狀態(tài)100個(gè)樣本，22種狀態(tài)樣本共2200個(gè)。

3.1 三相電流信號(hào)的LMD分解

LMD分解算法可將原始電流信號(hào)自適應(yīng)地分解為不同頻段的PF分量，各PF分量包含不同頻段的故障能量信息。以正常狀態(tài)、T1故障、T3T6故障、T1T3故障和T1T2故障5類(lèi)狀態(tài)下的A相電流分解為例，經(jīng)LMD分解后，各PF分量的能量與PF分量總能量占比如圖5所示。

由圖5可知，正常狀態(tài)和T3T6故障狀態(tài)下，前5層PF分量能量和占總能量的95%以上；T1故障、T1T3故障和T1T2故障狀態(tài)下，前5層PF分量能量和占總能量的85%以上；在上述5類(lèi)狀態(tài)下，從第6層PF分量開(kāi)始，各PF分量的能量占比均小于5%，即表現(xiàn)為低頻干擾分量的性質(zhì)。綜上，原始三相電流信號(hào)[iAx、][iBx、][iCx]經(jīng)LMD分解后，PF分量的主要能量信息存在于第1～5層當(dāng)中。前5層的PF分量信息能充分反映故障特征。因此，選擇前5層PF分量對(duì)22種狀態(tài)進(jìn)行能量熵特征提取。

正常狀態(tài)下，如圖6所示，為A、B、C三相電流原始信號(hào)和5層分解圖。以圖6a所示為例，由原始電流信號(hào)和第1～5層信號(hào)分解圖組成。

為說(shuō)明開(kāi)路故障對(duì)變流器三相輸出電流的影響，在仿真模型中移除IGBT模塊模擬故障運(yùn)行狀態(tài)。當(dāng)T1模塊發(fā)生開(kāi)路時(shí)，A相上橋臂缺失，造成A相電流波形呈現(xiàn)半周期運(yùn)行。當(dāng)T1發(fā)生單一開(kāi)路故障時(shí)，原始信號(hào)和三相電流信號(hào)LMD分解圖如圖7所示。

雙開(kāi)路故障以異相異橋臂的T1T2故障為例，T1和T2模塊發(fā)生雙開(kāi)路故障下原始信號(hào)和三相電流信號(hào)LMD分解圖如圖8所示。

3.2 能量熵特征與定位分析

選取每種故障狀態(tài)下前5層PF分量進(jìn)行能量熵特征提取，表5列出了5類(lèi)開(kāi)路故障狀態(tài)下的特征向量。從表5看出，正常狀態(tài)下能量熵值大于故障狀態(tài)下能量熵值，在單一開(kāi)路和雙開(kāi)路故障中不同故障狀態(tài)展現(xiàn)出不同的能量熵特征。其中每相電流信號(hào)包含5維能量熵特征，三相電流共15維特征[Sx]。

由于變流器部分故障電流信號(hào)之間存在相似性，單一使用能量熵進(jìn)行特征提取無(wú)法準(zhǔn)確定位，因此需增加定位參數(shù)提高故障診斷準(zhǔn)確率。根據(jù)表5中定位參數(shù)[λA、][λB、][λC]。

1）正常狀態(tài)下，由于三相輸出電流為正弦波形，[λA，λB，λC]數(shù)值約為0。

2） IGBT模塊發(fā)生單一開(kāi)路故障狀態(tài)下，以T1為例，開(kāi)路故障導(dǎo)致故障相負(fù)半周期運(yùn)行，因此故障相[λA]數(shù)值約為1，非故障B、C相定位參數(shù)[λB、][λC]同約為0。

3）同相2個(gè)IGBT模塊發(fā)生的雙開(kāi)路故障下，以T3T6為例，故障造成B相缺失，電流時(shí)間序列中每一個(gè)元素皆為0，A、C相呈現(xiàn)非故障正弦運(yùn)行波形，因此[λA、][λB、][λC]約為0，雖然與正常狀態(tài)下定位參數(shù)相似，但能量熵可完成對(duì)同相雙開(kāi)路的故障診斷。

4）異相同一橋臂2個(gè)IGBT模塊發(fā)生的雙開(kāi)路故障下，以T1T3為例，由于發(fā)生在上橋臂雙開(kāi)路故障，故障相定位參數(shù)[λA、][λB]數(shù)值約為1，故障同時(shí)導(dǎo)致非故障相電流發(fā)生畸變，非故障C相定位參數(shù)[λC]約為[-1]。

5）異相異橋臂2個(gè)IGBT模塊發(fā)生的雙開(kāi)路故障下，以T1T2為例，A、B、C定位參數(shù)[λA、][λB、][λC]約為0.5、0、-0.5。

將15維能量熵特征與3維定位參數(shù)融合，構(gòu)成描述不同變流器故障狀態(tài)的18維特征向量[Tx]。

3.3 SSAE網(wǎng)絡(luò)訓(xùn)練與對(duì)比實(shí)驗(yàn)分析

特征提取為分類(lèi)網(wǎng)絡(luò)提供了更細(xì)節(jié)的特征向量，為避免定位閾值的設(shè)定，同時(shí)實(shí)現(xiàn)故障特征的智能診斷，構(gòu)建SSAE網(wǎng)絡(luò)模型。每種開(kāi)路故障狀態(tài)下SSAE網(wǎng)絡(luò)輸入18維特征向量，包括三相電流15維能量熵特征和3維定位參數(shù)。構(gòu)建數(shù)據(jù)集包括每種故障狀態(tài)下的100個(gè)樣本，共2200個(gè)，其中按訓(xùn)練集與測(cè)試集7∶3比例分配，訓(xùn)練集數(shù)量總和1540個(gè)，測(cè)試集數(shù)量總和660個(gè)，輸入SSAE網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試。

根據(jù)輸入維度18，設(shè)置2層SSAE堆疊模型，網(wǎng)絡(luò)結(jié)構(gòu)為13-9。其中，正則化系數(shù)[λ=0.001]，稀疏正則化權(quán)值系數(shù)[η=4]，稀疏性參數(shù)[ρ=0.05]，訓(xùn)練的最大輪數(shù)100；反向傳播超參數(shù)學(xué)習(xí)率[lr=0.01]。由表1中22種二進(jìn)制狀態(tài)編碼，經(jīng)過(guò)Sigmoid分類(lèi)器后輸出6維真實(shí)標(biāo)簽結(jié)果進(jìn)行判定，1表示故障IGBT模塊，0表示正常IGBT模塊。圖9表示測(cè)試集經(jīng)過(guò)20次測(cè)試后準(zhǔn)確率折線圖，平均準(zhǔn)確率為99.94%。

表6給出了SSAE、SAE、BP中3種分類(lèi)算法對(duì)比仿真結(jié)果，表明SSAE相較于SAE、BP有較好的識(shí)別和分類(lèi)性能。其中，SAE單層隱含層結(jié)構(gòu)為13，其他超參數(shù)與SSAE網(wǎng)絡(luò)相同。BP神經(jīng)網(wǎng)絡(luò)最訓(xùn)練的最大輪數(shù)100，學(xué)習(xí)率[lr=0.01]，誤差目標(biāo)0.001。

在3種分類(lèi)算法中，SSAE網(wǎng)絡(luò)準(zhǔn)確率較高，為了進(jìn)一步驗(yàn)證能量熵-定位分析相結(jié)合的特征提取方法在故障診斷中的作用，6種故障診斷方法的仿真對(duì)比結(jié)果如表7所示。由表7可知，LMD-能量熵-定位分析-SSAE方法的準(zhǔn)確率額最高，在仿真中準(zhǔn)確率達(dá)到99.94%。對(duì)比文獻(xiàn)［21］提出的基于小波包-能量熵-PCA-貝葉斯網(wǎng)絡(luò)的逆變器故障診斷方法，雖然該方法可有效進(jìn)行故障診斷，但小波包和PCA中參數(shù)的選擇和實(shí)現(xiàn)較難。LMD分解方法對(duì)故障信號(hào)進(jìn)行自適應(yīng)分解，避免小波基函數(shù)選擇對(duì)診斷精度的影響，能量熵和定位參數(shù)從多維度描述故障特征，相較于使用能量熵-PCA的特征提取算法提升了特征提取精度，進(jìn)而平均準(zhǔn)確率提升了5.62%。LMD-能量值歸一化-定位分析-SSAE，對(duì)比能量熵特征提取表明能量熵特征在發(fā)生故障時(shí)更能表現(xiàn)不同故障之間的特征差異。使用EMD-能量熵-定位分析-SSAE方法準(zhǔn)確率98.96%，說(shuō)明本文中提出的特征提取方法同時(shí)適于EMD信號(hào)分解，但由于其包絡(luò)擬合、模態(tài)混疊和端點(diǎn)效應(yīng)等問(wèn)題，EMD-能量熵特征相較于LMD-能量熵特征區(qū)分度較小，因此在本實(shí)驗(yàn)中準(zhǔn)確率低于LMD的信號(hào)分解結(jié)果，表明LMD在信號(hào)分解性能優(yōu)于EMD，這與文獻(xiàn)［17］中結(jié)論一致。在缺少定位分析或能量熵特征提取的對(duì)比實(shí)驗(yàn)中，表明能量熵和定位分析相融合的特征提取方法使故障特征更為明顯，可有效提升特征提取精度，提高故障診斷準(zhǔn)確率。

3.4 實(shí)驗(yàn)驗(yàn)證

為驗(yàn)證LMD-能量熵-定位分析-SSAE的故障診斷方法在實(shí)驗(yàn)中的有效性，搭建風(fēng)力發(fā)電機(jī)網(wǎng)側(cè)變流器故障模擬實(shí)驗(yàn)平臺(tái)，進(jìn)行網(wǎng)側(cè)變流器IGBT模塊的開(kāi)路故障實(shí)驗(yàn)。系統(tǒng)中由三相AC380 V 50 Hz電源模擬變流器輸入，變流器參數(shù)如表8所示。

為得到22種故障狀態(tài)下變流器三相電流實(shí)驗(yàn)數(shù)據(jù)。在實(shí)驗(yàn)中，去除單個(gè)或兩個(gè)IGBT模塊，并相應(yīng)去除變流器驅(qū)動(dòng)保護(hù)。采集變流器22種運(yùn)行狀態(tài)下實(shí)驗(yàn)數(shù)據(jù)。變流器正常運(yùn)行下三相輸出電流波形如圖10a所示。變流器T1模塊開(kāi)路故障下三相輸出電流波形如圖10b所示。

對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行10 kSa/s采樣率處理，得到每個(gè)電流周期2000個(gè)樣本點(diǎn)。為防止故障樣本發(fā)生重復(fù)，每種狀態(tài)在兩個(gè)周期內(nèi)通過(guò)建立步長(zhǎng)為20的滑動(dòng)窗口截取100個(gè)故障樣本，22種狀態(tài)共2200個(gè)實(shí)驗(yàn)數(shù)據(jù)樣本。采用與仿真分析中相同的特征提取算法對(duì)2200個(gè)實(shí)驗(yàn)數(shù)據(jù)樣本構(gòu)造故障特征向量數(shù)據(jù)集。輸入SSAE進(jìn)行分類(lèi)和識(shí)別，驗(yàn)證實(shí)驗(yàn)數(shù)據(jù)下本文所提方法的有效性。

5種故障診斷方法的實(shí)驗(yàn)對(duì)比結(jié)果如表9所示。其中，LMD-能量熵-定位分析-SSAE的故障診斷方法準(zhǔn)確率最高，但由于實(shí)驗(yàn)數(shù)據(jù)中包含一定量的噪聲，經(jīng)過(guò)LMD分解后混入PF分量中，使部分能量熵特征趨勢(shì)發(fā)生改變，造成診斷準(zhǔn)確率較低于仿真分析。但在實(shí)驗(yàn)數(shù)據(jù)中準(zhǔn)確率97.86%，表明

LMD能量熵和定位分析相結(jié)合的特征提取方法可有效提高故障診斷準(zhǔn)確率，實(shí)驗(yàn)結(jié)果與仿真分析結(jié)論一致。

4 結(jié) 論

本文針對(duì)永磁同步風(fēng)電機(jī)組網(wǎng)側(cè)變流器IGBT模塊的單一開(kāi)路和雙開(kāi)路故障診斷問(wèn)題進(jìn)行研究，提出基于LMD能量熵和定位分析的故障診斷方法，通過(guò)仿真分析與實(shí)驗(yàn)驗(yàn)證得到以下主要結(jié)論：

1）根據(jù)網(wǎng)側(cè)三相輸出電流經(jīng)LMD分解后的分量特點(diǎn)，分析各PF分量能量占比，確定前5層PF分量包含主要故障信息。

2）根據(jù)變流器開(kāi)路故障造成的三相電流時(shí)間序列的畸變特性，進(jìn)行定位分析，將三相定位參數(shù)與能量熵特征相融合，所組成的特征向量，較好地避免了單一使用能量熵特征對(duì)部分故障類(lèi)型的漏判、誤判等問(wèn)題。

3）根據(jù)仿真與實(shí)驗(yàn)分析，本文所提故障診斷方法與其他的故障診斷方法相比，對(duì)22種故障狀態(tài)之間有較強(qiáng)的區(qū)分能力。利用SSAE網(wǎng)絡(luò)避免了傳統(tǒng)診斷中定位閾值的設(shè)定，同時(shí)診斷效果優(yōu)于SAE、BP網(wǎng)絡(luò)。

綜上，基于LMD能量熵和定位分析的故障診斷方法在仿真中準(zhǔn)確率達(dá)到99.94%，實(shí)驗(yàn)中準(zhǔn)確率達(dá)到97.86%。本文所提故障診斷方法，較好地實(shí)現(xiàn)了風(fēng)電機(jī)組網(wǎng)側(cè)變流器的開(kāi)路故障診斷，可為實(shí)際應(yīng)用提供一定的參考。

［參考文獻(xiàn)］

［1］" 黨建， 羅燚， 田錄林， 等. 基于優(yōu)化的 VMD 融合信息熵和 FA_PNN的風(fēng)電機(jī)組齒輪箱故障診斷［J］. 太陽(yáng)能學(xué)報(bào)， 2021， 42（1）： 198-204.

DANG J， LUO Y， TIAN L L， et al. Fault diagnosis of wind turbine gearbox based on optimized vmd fusion information entropy and FA_PNN［J］. Acta energiae solaris sinica， 2021， 42（1）： 198-204.

［2］" LI P， XIONG L， MA M， et al. Energy-shaping L2-gain controller for PMSG wind turbine to mitigate subsynchronous" interaction［J］." International" journal" of electrical power amp; energy systems， 2022， 135： 107571.

［3］" 蘇連成， 邢美玲， 張慧. 基于組合預(yù)測(cè)模型的風(fēng)電機(jī)組關(guān)鍵部位故障檢測(cè)［J］. 太陽(yáng)能學(xué)報(bào)， 2021， 42（10）： 220-225.

SU L C， XING M L， ZHANG H. Fault detection of key components of wind turbine based on combination prediction modeL［J］. Acta energiae solaris sinica， 2021， 42（10）： 220-225.

［4］" 唐明珠， 匡子杰， 吳華偉， 等. 基于mcODM-STA的風(fēng)電機(jī)組變槳系統(tǒng)故障診斷［J］. 湖南大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2021， 48（6）： 119-125.

TANG M Z， KUANG Z J， WU H W， et al. Fault diagnosis of wind power pitch system based on multi-class optimal margin distribution machine optimized by state transition algorithm［J］." Journal"" of"" Hunan"" University（natural science edition）， 2021， 48（6）：119-125.

［5］" 沈艷霞， 周文晶， 紀(jì)志成， 等. 基于小波包與SVM的風(fēng)電變流器故障診斷［J］. 太陽(yáng)能學(xué)報(bào)， 2015， 36（4）： 785-791.

SHEN Y X， ZHOU W J， JI Z C， et al. Fault diagnosis of converter used in wind power generation based on wavelet packet analysis and SVM［J］. Acta energiae solaris sinica， 2015， 36（4）： 785-791.

［6］" DUAN H， LU M， SUN Y T， et. Fault diagnosis of PMSG wind power generation system based on LMD and MSE［J］. Complexity， 2020， （24）： 1-11.

［7］" 李兵， 崔介兵， 何怡剛， 等. 基于能量譜熵及小波神經(jīng)網(wǎng)絡(luò)的有源中性點(diǎn)鉗位三電平逆變器故障診斷［J］. 電工技術(shù)學(xué)報(bào)， 2020， 35（10）： 2216-2225.

LI B， CUI J B， HE Y G， et al. Fault diagnosis of active neutral point clamped three-level inverter based on energy spectrum""" entropy""" and""" wavelet""" neural"" network［J］. Transactions of China Electrotechnical Society， 2020， 35（10）： 2216-2225.

［8］" XIAO C， LIU Z J， ZHANG T L， et al. Deep learning method for fault detection of wind turbine converter［J］. Applied sciences， 2021， 11（3）： 1280.

［9］" SHAO S， WHEELER P W， CLARE J C， et al. Fault detection for modular multilevel converters based on sliding" mode" observer［J］." IEEE" transactions" on" power electronics， 2013， 28（11）： 4867-4872.

［10］" ZHAO H S， CHENG L L . Open switch fault diagnostic method for back to back converters of doubly fed wind power generation system［J］. IEEE transactions on power electronics， 2017， 33（4）： 3452-3461.

［11］" WANG T Z， XU H， HAN J G， et al. Cascaded H-bridge multilevel inverter system fault diagnosis using a PCA and multiclass relevance vector machine approach［J］. IEEE transactions on power electronics， 2015， 30（12）： 7006-7018.

［12］" DHUMALE R B， LOKHANDE S D. Neural network fault diagnosis of voltage source inverter under variable load conditions"" at"" different""" frequencies［J］."" Measurement， 2016， 91： 565-575.

［13］" LIANG J P， ZHANG K， AL-DURRA A， et al. A novel fault diagnostic method in power converters for wind power generation"" system［J］."" Applied"" energy，" 2020，"" 266： 114851.

［14］" SHEN Y F， WANG T Z， AMIRAT Y， et al. IGBT open-circuit fault diagnosis for MMC submodules based on weighted-amplitude permutation entropy and DS evidence fusion theory［J］. Machines， 2021， 9（12）： 317.

［15］" ZHANG J X， SUN H X， SUN Z X， et al. Open-circuit fault diagnosis of wind power converter using variational mode decomposition， trend feature analysis and deep belief network［J］. Applied sciences， 2020， 10（6）： 2146.

［16］" SMITH J S. The local mean decomposition and its application" to" EEG" perception" data［J］." Journal" of" the Royal Society Interface， 2005， 2（5）： 443-454.

［17］" 張超， 楊立東， 李建軍. 局部均值分解和經(jīng)驗(yàn)?zāi)B(tài)分解的性能對(duì)比研究［J］. 機(jī)械設(shè)計(jì)與研究， 2012， 28（3）： 38-40.

ZHANG C， YANG L D， LI J J. The performance contrast between local mean decomposition and empirical mode decomposition［J］. Machine design and research， 2012， 28（3）： 38-40.

［18］" 徐樂(lè)， 邢邦圣， 郎超男， 等. LMD能量熵和SVM相結(jié)合的滾動(dòng)軸承故障診斷［J］. 機(jī)械科學(xué)與技術(shù)， 2017， 36（6）： 915-918.

XU L， XING B S， LANG C N， et al. Fault diagnosis of rolling bearing combined lmd energy entropy and SVM［J］. Mechanical science and technology for aerospace engineering， 2017， 36（6）： 915-918.

［19］" 張靖軒， 孫鶴旭， 孫澤賢， 等. 小波神經(jīng)網(wǎng)絡(luò)對(duì)風(fēng)力發(fā)電機(jī)組功率變流器的故障診斷［J］. 現(xiàn)代電子技術(shù)， 2021， 44（1）： 162-166.

ZHANG J X， SUN H X， SUN Z X， et al. Fault diagnosis of power converter of wind generator set by wavelet neural network［J］. Modern electronics technique， 2021， 44（1）： 162-166.

［20］" 高佳程， 朱永利， 鄭艷艷， 等. 基于VMD-WVD分布與堆棧稀疏自編碼網(wǎng)絡(luò)的局放類(lèi)型識(shí)別［J］. 中國(guó)電機(jī)工程學(xué)報(bào)， 2019， 39（14）： 4118-4129.

GAO J C， ZHU Y L， ZHENG Y Y， et al. Pattern recognition of partial discharge based on VMD-WVD and SSAE［J］. Proceedings of the CSEE， 2019， 39（14）： 4118-4129.

［21］" 張國(guó)恒， 高鋒陽(yáng)， 石巖， 等. 基于貝葉斯網(wǎng)絡(luò)的牽引逆變器開(kāi)路故障多特征融合診斷方法［J］. 鐵道科學(xué)與工程學(xué)報(bào)， 2020， 17（3）： 732-740.

ZHANG G H， GAO F Y， SHI Y， et al. Multi-feature fusion diagnosis method of open circuit fault for traction inverter based on Bayesian network［J］. Journal of railway science and engineering， 2020， 17（3）： 732-740.

OPEN-CIRCUIT FAULT DIAGNOSIS OF WIND POWER CONVERTER BASED ON LMD ENERGY ENTROY AND LOCATION ANALYSIS

Zhang Ruicheng1，Bai Xiaoze1，Dong Yan2，Di Zhigang1，Sun Hexu3，Zhang Jingxuan1，4

（1. College of Electrical Engineering， North China University of Science and Technology， Tangshan 063210， China；

2. School of Electrical Engineering， Hebei University of Technology， Tianjin 300130， China；

3. School of Electrical Engineering， Hebei University of Science and Technology， Shijiazhuang 050018， China；

4. Green Intelligent Mining Technology Innovation Center of Hebei Province， Tangshan 063210， China）

Keywords：wind turbines； converter； fault diagnosis； energy entropy； location analysis； SSAE