基于改進(jìn)SVM的新能源電站故障診斷方法

曹瑞峰，劉子華，袁 婷，羅揚(yáng)帆，茹傳紅，秦 建，邢海軍

（1. 國(guó)網(wǎng)浙江省電力有限公司，杭州 310007；2. 國(guó)網(wǎng)浙江省電力有限公司臺(tái)州供電公司，浙江 臺(tái)州 318000；3. 上海電力大學(xué) 電氣工程學(xué)院，上海 200090）

0 引言

自從經(jīng)濟(jì)社會(huì)步入新時(shí)代，能源需求呈現(xiàn)增長(zhǎng)迅速、需求剛性的特征，我國(guó)面臨著經(jīng)濟(jì)發(fā)展需求與環(huán)境質(zhì)量提升的雙重壓力。截至2021年底，我國(guó)可再生能源發(fā)電累計(jì)裝機(jī)容量為10.6 億kW，占全部電力裝機(jī)容量的44.8%，其中水電裝機(jī)3.91 億kW，風(fēng)電裝機(jī)3.28 億kW，太陽(yáng)能發(fā)電裝機(jī)3.06億kW［1］。向高滲透率可再生能源轉(zhuǎn)變已成為我國(guó)電力系統(tǒng)發(fā)展的必然趨勢(shì)，而大量可再生能源接入對(duì)電力系統(tǒng)的運(yùn)行和管理帶來(lái)了巨大的挑戰(zhàn)，新能源消納問(wèn)題將會(huì)成為未來(lái)電力系統(tǒng)主要任務(wù)之一。

新能源電站是以綠色電力［2］為主體的發(fā)電站，其二氧化碳排放量為零或趨近于零，主要包括：風(fēng)力發(fā)電站、光伏電站、生物質(zhì)能發(fā)電站、地?zé)崮馨l(fā)電站等。十三五期間新能源電站的規(guī)模迅速增長(zhǎng)，但其發(fā)電小時(shí)數(shù)并沒(méi)有同步增長(zhǎng)。因?yàn)榄h(huán)境、氣候、電網(wǎng)消納等復(fù)雜因素的影響，許多新能源電站的發(fā)電時(shí)間明顯低于理論值，這就需要研究新能源電站發(fā)電效益的提升技術(shù)，充分發(fā)揮存量綠色能源項(xiàng)目的效能［3-4］。但是，可再生能源發(fā)電機(jī)組具有模型多參數(shù)非線性、運(yùn)行數(shù)據(jù)量龐大、運(yùn)行工況多變的特性，這為研究帶來(lái)了很大的挑戰(zhàn)。文獻(xiàn)［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(shù)的故障檢測(cè)和分類方法，簡(jiǎn)化了發(fā)電模型多參數(shù)非線性導(dǎo)致的復(fù)雜診斷過(guò)程；文獻(xiàn)［6］提出了一種基于k均值聚類和Apriori 算法的卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型，并應(yīng)用于風(fēng)電機(jī)組的故障診斷，降低了對(duì)專家經(jīng)驗(yàn)的依賴性；文獻(xiàn)［7］提出了一種基于結(jié)合主成分分析法和支持向量機(jī)的風(fēng)電機(jī)組齒輪箱故障診斷方法，解決了因數(shù)據(jù)量龐大引起的故障特征維度過(guò)高的問(wèn)題；文獻(xiàn)［8］提出了一種結(jié)合傳統(tǒng)電壓、電流定位法、時(shí)間跟蹤描述和光伏電池參數(shù)估計(jì)模型的光伏組件故障診斷方法，用以判斷熱斑故障的發(fā)生位置和嚴(yán)重程度，綜合考慮了多種故障特征，以適應(yīng)實(shí)際運(yùn)行中的復(fù)雜工況。

但以上文獻(xiàn)僅側(cè)重于某一問(wèn)題的研究，未全面考慮新能源發(fā)電模型復(fù)雜度、數(shù)據(jù)量大小和多變工況的問(wèn)題。本文從以上3個(gè)方面出發(fā)，提出了一種基于改進(jìn)SVM（支持向量機(jī)）算法的新能源電站故障診斷模型。

SVM理論通過(guò)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理和統(tǒng)計(jì)學(xué)習(xí)來(lái)提高分類能力［9］，目前已廣泛應(yīng)用于故障診斷領(lǐng)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(jí)融合的改進(jìn)SVM算法；然后，對(duì)光伏電站和風(fēng)電站兩類新能源電站的故障信號(hào)提取以及故障特征進(jìn)行了研究，并在此基礎(chǔ)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(gòu)建基于決策級(jí)融合的改進(jìn)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(jìn)行訓(xùn)練并驗(yàn)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(wèn)題，SVM主要是通過(guò)監(jiān)督學(xué)習(xí)的方法實(shí)現(xiàn)對(duì)兩類數(shù)據(jù)樣本的分類，在數(shù)據(jù)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(shí)別能力強(qiáng)且結(jié)構(gòu)簡(jiǎn)單的優(yōu)點(diǎn)，因而在多個(gè)領(lǐng)域得到了廣泛應(yīng)用。

SVM的基本原理是利用事先選擇的非線性映射將數(shù)據(jù)變換到一個(gè)高維特征空間中，這將線性不可分的數(shù)據(jù)樣本在另一個(gè)高維空間中實(shí)現(xiàn)線性可分。這一過(guò)程的關(guān)鍵環(huán)節(jié)是要找到一個(gè)最優(yōu)超平面，該超平面的主要作用是用來(lái)劃分將要處理的數(shù)據(jù)樣本［13］。針對(duì)一個(gè)二元分類的問(wèn)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(shù)據(jù)樣本，L為兩類樣本的分界線，即超平面，超平面與最近的數(shù)據(jù)點(diǎn)之間的間隔為分離邊緣，即圖1 中的L1、L2。SVM 的最終目標(biāo)就是要尋找一個(gè)特殊的超平面，使該超平面L 的分離邊緣L1、L2最大，這個(gè)特殊超平面就是最優(yōu)超平面。

圖1 SVM最優(yōu)超平面Fig.1 SVM optimal hyperplane

1.2 改進(jìn)SVM

SVM是一種常用于解決具有少量數(shù)據(jù)樣本的分類問(wèn)題的技術(shù)。它最初是為了解決二元分類問(wèn)題而提出的。然而，新能源電站故障類型識(shí)別是一個(gè)多類分類問(wèn)題，故障類型不止兩種。假設(shè)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(gè)k類分類問(wèn)題。為解決這一問(wèn)題，可以使用k（k-1）/2二元SVM分類器和一對(duì)一方法設(shè)計(jì)一個(gè)多類SVM。每個(gè)二元SVM 分類器都經(jīng)過(guò)訓(xùn)練，通過(guò)使用分別表征兩種故障類型的兩類數(shù)據(jù)對(duì)兩種故障類型進(jìn)行分類。然后，k（k-1）/2二元SVM分類器的輸出被一對(duì)一的方法用于生成k種故障類型的最終故障分類結(jié)果。

每個(gè)二進(jìn)制SVM的輸出是代表兩種故障類型之一的類標(biāo)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(yīng)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(shí)現(xiàn)所提出的故障診斷方法的概率信息融合，本文提出每個(gè)二進(jìn)制SVM 使用如下Sigmoid 函數(shù)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(biāo)簽：

式中：μij表示當(dāng)SVM對(duì)故障類型Fi和Fj進(jìn)行分類時(shí)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(shù)的參數(shù)；φ（·）是SVM的核函數(shù)；參數(shù)G和H是通過(guò)最小化訓(xùn)練數(shù)據(jù)的負(fù)對(duì)數(shù)似然來(lái)獲取的。輸入特征屬于k個(gè)故障類型中的每一個(gè)的概率pi（i=1，…，k）可以通過(guò)基于pairwise求解優(yōu)化問(wèn)題來(lái)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(chǔ)多類分類器根據(jù)是否需要訓(xùn)練，有兩種類型的組合器：不可訓(xùn)練組合器和可訓(xùn)練組合器。在單獨(dú)訓(xùn)練基本分類器后，不可訓(xùn)練的組合器不需要訓(xùn)練。使用固定的組合規(guī)則，融合來(lái)自不同分類器的信息，并且假設(shè)所有分類器在確定最終結(jié)果時(shí)的權(quán)重都是相同的，所以不可訓(xùn)練組合器的主要限制是缺乏靈活性。但是，它比可訓(xùn)練組合器需要更少的訓(xùn)練數(shù)據(jù)。本文使用Dempster-Shafer理論［14］來(lái)設(shè)計(jì)不可訓(xùn)練的組合器。

可訓(xùn)練組合器，分類器的輸出可以作為另一種學(xué)習(xí)算法的輸入特征，該算法訓(xùn)練學(xué)習(xí)分類器輸出的聚合函數(shù)數(shù)據(jù)而不是使用固定的組合規(guī)則。與使用不可訓(xùn)練組合器的信息融合相比，該方法能夠從訓(xùn)練數(shù)據(jù)中提取更多信息。本文采用基于softmax回歸方法［15］的簡(jiǎn)單可訓(xùn)練組合器。與不可訓(xùn)練組合器相比，可訓(xùn)練組合器的參數(shù)是從訓(xùn)練過(guò)程中學(xué)習(xí)的，通過(guò)該過(guò)程，可訓(xùn)練組合器可以學(xué)習(xí)最終診斷結(jié)果與分類器診斷結(jié)果之間的復(fù)雜關(guān)系。然而，可訓(xùn)練組合器的訓(xùn)練通常需要大量的訓(xùn)練數(shù)據(jù)集。

在實(shí)際的工作中，可根據(jù)不同的新能源電站所能獲取到的歷史數(shù)據(jù)的多少來(lái)選擇具體的組合器，如果數(shù)據(jù)較少可以選擇不可訓(xùn)練的組合器，若歷史數(shù)據(jù)豐富則優(yōu)先考慮可訓(xùn)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(fā)電機(jī)組正常運(yùn)行的因素很多，例如光照強(qiáng)度、入射角度等光照特征，安裝角度、表面溫度、電池已使用時(shí)間等光伏陣列特征，經(jīng)緯度、海拔高度等位置特征以及氣壓、溫度、相對(duì)濕度等天氣特征［16］。在對(duì)光伏機(jī)組故障特征進(jìn)行分析時(shí)，通常是把其中某些有較大影響的因素作為系統(tǒng)的修正特征來(lái)進(jìn)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(shù)方便，判定容易的優(yōu)點(diǎn)。因此，本文選擇典型的I-V特征曲線作為光伏發(fā)電機(jī)組的故障特征。圖2為處于正常狀態(tài)下和某種故障狀態(tài)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(duì)光伏系統(tǒng)I-V輸出特性曲線進(jìn)行分析，可得到以下幾種情況：

1）短路電流小于預(yù)期值?？赡苁且?yàn)榉庋b材料變色發(fā)黃而導(dǎo)致透明度下降、惡劣天氣使光伏板損壞而導(dǎo)致組件吸光能力不足等。以上現(xiàn)象使I-V曲線發(fā)生的變化與太陽(yáng)輻照度減小類似。

2）開(kāi)路電壓小于預(yù)期值。引起開(kāi)路電壓減小的故障通常源于元件之間的互連關(guān)系，可能是由元件短路或旁路二極管發(fā)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(shì)誘發(fā)衰減效應(yīng)［17］。

3）I-V曲線在開(kāi)路電壓側(cè)切線斜率的絕對(duì)值變大。這一現(xiàn)象通常是因?yàn)楣夥M件中的串聯(lián)電阻增加而導(dǎo)致的。串聯(lián)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(cè)切線斜率的絕對(duì)值變大。這一現(xiàn)象通常是因?yàn)楣夥M件中的并聯(lián)電阻下降導(dǎo)致，造成這一問(wèn)題的原因通常是光伏組件或元件之間構(gòu)成了并聯(lián)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(xiàn)出階梯狀。通常是由于旁路二極管的故障、元件損壞或者嚴(yán)重的元件失配而造成的。

通過(guò)以上分析可以發(fā)現(xiàn)，當(dāng)光伏組件發(fā)生故障時(shí)，主要發(fā)生變化的輸出參數(shù)有最大工作點(diǎn)電壓Um和電流Im、開(kāi)路電壓Uoc以及短路電流Isc，因此，可以引入斜率k1、k2對(duì)組件故障狀態(tài)進(jìn)行識(shí)別。

式中：k1為最大功率點(diǎn)與開(kāi)路點(diǎn)的斜率；k2為短路點(diǎn)到最大功率點(diǎn)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(guò)分析k1和k2的變化可以對(duì)光伏組件的故障狀態(tài)進(jìn)行判別。當(dāng)k1和k2的值偏離正常范圍時(shí)，即可認(rèn)為光伏組件發(fā)生了相應(yīng)的故障。即可依次通過(guò)比較最大功率點(diǎn)、開(kāi)路點(diǎn)和短路點(diǎn)與其理論值的大小來(lái)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(jù)以上原則判定組件所處的運(yùn)行工況后，可進(jìn)一步診斷故障的嚴(yán)重程度并進(jìn)行定量分析。

2.2 風(fēng)電機(jī)組故障特征分析

對(duì)于風(fēng)力發(fā)電機(jī)來(lái)說(shuō)，通常選用振動(dòng)信號(hào)和電流信號(hào)來(lái)診斷齒輪箱和電機(jī)中發(fā)生的故障［19］。

2.2.1 振動(dòng)信號(hào)中的故障特征

當(dāng)齒輪出現(xiàn)故障時(shí)，會(huì)改變齒的剛度或改變其幾何參數(shù)，從而導(dǎo)致振動(dòng)信號(hào)的變化。這些變化調(diào)制了振動(dòng)信號(hào)，可以表示為：

式中：m為嚙合諧波數(shù)；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(diào)制函數(shù)。

式中：fi（i=1，…，I）為第i個(gè)軸的旋轉(zhuǎn)頻率，I為齒輪箱的軸數(shù)；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(diào)制函數(shù)的第n諧波的初始相位。

振動(dòng)信號(hào)中的故障特征可以在時(shí)域和頻域中提取。本研究使用常用的時(shí)域特征為峰度和波峰因數(shù)。

峰度K為一個(gè)無(wú)量綱參數(shù)，定義如下：

式中：M4為第4個(gè)中心矩；σ4為信號(hào)的標(biāo)準(zhǔn)偏差。峰度表征信號(hào)的概率分布。如果信號(hào)服從正態(tài)分布，其峰度等于3，故障可能導(dǎo)致峰度增加。

波峰因數(shù)C定義為信號(hào)的最大絕對(duì)值與均方根值之比：

波峰因數(shù)說(shuō)明信號(hào)有多“尖峰”。波峰因數(shù)越高，信號(hào)越尖。除了峰度和波峰因子之外，還有許多其他時(shí)域特征，例如形狀因子和間隙因子。變速箱的不健康狀態(tài)通?？梢酝ㄟ^(guò)振動(dòng)信號(hào)的時(shí)域特征與健康狀態(tài)進(jìn)行區(qū)分。然而，只使用時(shí)域特征通常難以診斷齒輪箱的故障類型。為了實(shí)現(xiàn)準(zhǔn)確的故障診斷，需要對(duì)振動(dòng)信號(hào)進(jìn)行頻域分析。齒輪箱振動(dòng)信號(hào)頻譜中的主要成分是齒輪嚙合頻率及其由軸旋轉(zhuǎn)頻率調(diào)制引起的邊帶。通常，邊帶數(shù)量和幅度的增加可能表明故障情況。因此，振動(dòng)信號(hào)頻譜中每個(gè)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(hào)中的故障特征

由于風(fēng)力渦輪機(jī)傳動(dòng)系統(tǒng)中齒輪箱和發(fā)電機(jī)之間的機(jī)電耦合，發(fā)電機(jī)電流信號(hào)受到齒輪箱振動(dòng)的調(diào)制。齒輪箱振動(dòng)和發(fā)電機(jī)電流之間的關(guān)系可以從電機(jī)的轉(zhuǎn)矩和電流關(guān)系推導(dǎo)出來(lái)［20］。如果齒輪箱以頻率振動(dòng)，發(fā)電機(jī)定子電流信號(hào)將包含基頻分量f及其頻率為f±fi的邊帶，當(dāng)故障發(fā)生時(shí)，其幅度會(huì)發(fā)生變化。因此，可以選擇f±fi處的能量作為電流信號(hào)中的故障特征。此外，由于齒輪箱的故障會(huì)在電流信號(hào)中激發(fā)更多的噪聲，因此式（10）中定義的NSR（噪聲信號(hào)比）也可以作為電流信號(hào)的故障特征。

3 基于改進(jìn)SVM的故障診斷模型

3.1 光伏電站故障診斷模型

對(duì)于光伏電站的診斷模型，因其故障特征并不復(fù)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(qiáng)故障診斷的實(shí)時(shí)性，用所提出的多類SVM分類器來(lái)構(gòu)建其故障診斷模型。首先從光伏電站獲取歷史數(shù)據(jù)，然后從中提取出光伏電站歷史運(yùn)行過(guò)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(shí)現(xiàn)光伏電站多故障分類的目標(biāo)，并且具有較高的準(zhǔn)確率。但是這種診斷方法具有一定的局限性，所以在實(shí)際工作中需要根據(jù)各個(gè)電站的具體情況，考慮將其他的環(huán)境因素加入到診斷模型當(dāng)中，經(jīng)過(guò)適當(dāng)改進(jìn)后的診斷模型可以為電站運(yùn)維人員提供較為準(zhǔn)確的故障信息，以便工作人員及時(shí)修復(fù)電站中的各種故障及潛在故障，從而提高電站的發(fā)電效率。所提出的多類SVM模型用于設(shè)計(jì)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(fēng)電機(jī)組故障診斷模型

傳統(tǒng)故障診斷方法的準(zhǔn)確性、可靠性和魯棒性可以通過(guò)增加傳感器的數(shù)量來(lái)提高。然而，這將增加系統(tǒng)的硬件成本和布線復(fù)雜性。本節(jié)提出的方法利用發(fā)電機(jī)電流信號(hào)和振動(dòng)信號(hào)來(lái)進(jìn)行故障診斷，這些信號(hào)可以在發(fā)電機(jī)控制系統(tǒng)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(dòng)SVM的風(fēng)力發(fā)電機(jī)的診斷模型的中，如圖5所示。診斷模型由4個(gè)功能模塊組成。第一個(gè)功能模塊是特征提取，它將齒輪箱振動(dòng)信號(hào)和發(fā)電機(jī)電流信號(hào)中的故障特征分別提取到所提出的模型中。在第二個(gè)功能模塊中，設(shè)計(jì)和訓(xùn)練一個(gè)電流SVM和一個(gè)振動(dòng)SVM，分別根據(jù)從振動(dòng)信號(hào)和電流信號(hào)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(gè)功能模塊是信息融合，它使用一個(gè)組合器來(lái)融合電流支持向量機(jī)和振動(dòng)支持向量機(jī)的輸出信息，即可能的故障類型的概率。最后一個(gè)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(tǒng)方法相比，該方法可通過(guò)結(jié)合來(lái)自發(fā)電機(jī)電流信號(hào)和振動(dòng)信號(hào)的信息以實(shí)現(xiàn)更高的故障診斷精度。此外，即使振動(dòng)傳感器或相關(guān)數(shù)據(jù)采集設(shè)備發(fā)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(fēng)電機(jī)組的故障診斷模型Fig.5 Fault diagnosis model of the wind turbines

4 算例驗(yàn)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(fā)電系統(tǒng)正常運(yùn)行的因素很多，關(guān)系十分復(fù)雜。因此，本文選擇光照強(qiáng)度、環(huán)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(shù)，如表1所示。

表1 特征選擇參數(shù)Table 1 Feature selection parameters

2）實(shí)例結(jié)果分析

光伏發(fā)電機(jī)組在光照強(qiáng)度不足的情況下無(wú)法正常運(yùn)行，因此本文只提取每天07：00—18：00 的數(shù)據(jù)，并從中提取500組數(shù)據(jù)標(biāo)記故障類型，部分基礎(chǔ)數(shù)據(jù)和故障標(biāo)記后的數(shù)據(jù)如表2所示。

表2 數(shù)據(jù)樣本（部分）Table 2 Data samples （selected）

本節(jié)提出的SVM光伏組件故障診斷模型經(jīng)過(guò)200組故障訓(xùn)練數(shù)據(jù)訓(xùn)練后，再對(duì)剩余測(cè)試數(shù)據(jù)進(jìn)行準(zhǔn)確率預(yù)測(cè)。訓(xùn)練過(guò)程如圖6所示，平均準(zhǔn)確率為99.43%。

圖6 光伏電站診斷模型訓(xùn)練過(guò)程Fig.6 Training process of the diagnosis model of PV power plant

測(cè)試組數(shù)據(jù)共300組，正確分類291組，準(zhǔn)確率為98.5%。診斷模型對(duì)故障狀態(tài)類別對(duì)應(yīng)的遮陰、短路、開(kāi)路故障以及正常狀態(tài)均能準(zhǔn)確識(shí)別，但在識(shí)別老化故障時(shí)出現(xiàn)誤判，有4組數(shù)據(jù)被誤分到遮陰故障。這是因?yàn)榘l(fā)生老化故障時(shí)，光伏組件的開(kāi)路電壓與短路電流均不會(huì)改變，但最大功率點(diǎn)的電流、電壓會(huì)有所減小，這一變化與遮陰故障特征類似，容易發(fā)生誤判。

為了進(jìn)一步驗(yàn)證本節(jié)提出的改進(jìn)SVM算法在光伏組件故障診斷中的準(zhǔn)確性，對(duì)同樣的數(shù)據(jù)集又分別使用SVM 算法、PSO-SVM（粒子群優(yōu)化支持向量機(jī)）和改進(jìn)SVM 算法進(jìn)行正確率對(duì)比驗(yàn)證，對(duì)比結(jié)果如表3所示。

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

4.2 風(fēng)力發(fā)電機(jī)故障特征提取與診斷

1）基礎(chǔ)數(shù)據(jù)及特征信號(hào)提取

從齒輪箱和電機(jī)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(shù)如下：

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

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

b）電流信號(hào)：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(shí)例結(jié)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(hào)數(shù)據(jù)。在每一個(gè)健康條件下，分別獲取40 個(gè)齒輪箱振動(dòng)信號(hào)和電流信號(hào)數(shù)據(jù)集。在40 個(gè)數(shù)據(jù)集中，28個(gè)用于訓(xùn)練兩個(gè)多類SVM和可訓(xùn)練組合器，其余12 個(gè)用于測(cè)試所提出的方法。電流改進(jìn)SVM 和振動(dòng)改進(jìn)SVM 輸入分別是從齒輪箱振動(dòng)和雙饋定子電流信號(hào)中提取的故障特征，如圖7、圖8所示。

圖7 齒輪箱的振動(dòng)信號(hào)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(jī)的電流信號(hào)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(shí)振動(dòng)信號(hào)的PSD（功率譜密度）。在這種情況下，由于傳動(dòng)平穩(wěn)，因此只有嚙合頻率fm1和輸出軸旋轉(zhuǎn)頻率f3占主導(dǎo)地位。圖7（b）顯示了被測(cè)齒輪齒面剝落時(shí)振動(dòng)信號(hào)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(jié)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(duì)于圖7（d）所示的缺齒情況，與健康狀態(tài)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(fā)?？傊?，齒輪故障會(huì)引起額外的振動(dòng)或改變現(xiàn)有振動(dòng)的幅度，然而并沒(méi)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(shí)電流信號(hào)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(fā)。在圖中有一個(gè)非常明顯的頻率分量，被標(biāo)注為fu，但其與任何齒輪箱故障無(wú)關(guān)。再次，不同齒輪故障類型之間沒(méi)有明確的差異。因此，故障類型不能直接通過(guò)振動(dòng)或電流信號(hào)的PSD頻譜來(lái)判斷。

為了應(yīng)對(duì)這一挑戰(zhàn)，將所提出的方法應(yīng)用于齒輪故障的診斷。該方法使用兩個(gè)具有概率輸出的多類SVM，分別根據(jù)從齒輪箱振動(dòng)信號(hào)和雙饋定子電流信號(hào)中提取的特征，自動(dòng)計(jì)算每種故障類型的可能性，然后融合兩個(gè)SVM 的概率輸出，得到最終的故障診斷結(jié)果?；诖嗽\斷模型的訓(xùn)練過(guò)程如圖9所示，基于可訓(xùn)練組合器與不可訓(xùn)練組合器模型的樣本集的平均準(zhǔn)確率分別為99.76%和97.53%。

圖9 風(fēng)電站診斷模型訓(xùn)練過(guò)程Fig.9 Training process of the diagnosis model of wind farm

訓(xùn)練結(jié)束后，輸入測(cè)試數(shù)據(jù)集進(jìn)行診斷。在特征級(jí)融合方法中，振動(dòng)信號(hào)和電流信號(hào)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(gè)數(shù)據(jù)集用于測(cè)試。因此，總共有48 個(gè)測(cè)試數(shù)據(jù)集。將所提出的基于改進(jìn)SVM的信息融合方法的故障診斷準(zhǔn)確性與僅考慮振動(dòng)信號(hào)的改進(jìn)SVM、僅考慮電流信號(hào)的改進(jìn)SVM的故障診斷準(zhǔn)確性進(jìn)行了比較。振動(dòng)改進(jìn)SVM 和電流改進(jìn)SVM 的故障診斷準(zhǔn)確率分別為93.75%和91.67%；當(dāng)使用特征級(jí)融合和提出的決策級(jí)融合下的可訓(xùn)練和不可訓(xùn)練融合方法時(shí)，準(zhǔn)確率分別提高到97.92%、96.63%和99.54%。這些結(jié)果表明，與使用單一類型信號(hào)的方法相比，特征級(jí)融合和所提出的基于決策級(jí)融合的故障診斷方法都可以提高診斷準(zhǔn)確性并降低錯(cuò)誤故障診斷率。

為了進(jìn)一步驗(yàn)證改進(jìn)SVM算法在風(fēng)電機(jī)組故障診斷中的準(zhǔn)確性，對(duì)同樣的數(shù)據(jù)集又使用PSOSVM算法和改進(jìn)SVM算法進(jìn)行正確率對(duì)比驗(yàn)證，對(duì)比結(jié)果如表5所示。結(jié)果表明，本文提出的改進(jìn)SVM算法具有較優(yōu)的故障診斷效果。

表5 風(fēng)機(jī)故障診斷準(zhǔn)確性比較Table 5 Comparison of fault diagnosis accuracy of wind turbines %

5 結(jié)語(yǔ)

本文針對(duì)新能源電站在實(shí)際運(yùn)行中可能出現(xiàn)的幾種故障，采用多元SVM 分類算法對(duì)SVM 進(jìn)行優(yōu)化，提出了基于改進(jìn)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(duì)新能源電站正常工作狀態(tài)以及各種典型故障狀態(tài)的分類識(shí)別。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后算法的分類效果得到明顯提高，光伏電站的故障診斷準(zhǔn)確率由96.5%提高到98.5%；對(duì)于風(fēng)電站的故障診斷，僅使用單一振動(dòng)信號(hào)或電流信號(hào)時(shí)準(zhǔn)確率僅有93.75%和91.67%，采用所提出的決策級(jí)融合下的可訓(xùn)練和不可訓(xùn)練融合方法時(shí)，準(zhǔn)確率提高到96.63%和99.54%。本文所提診斷方法和模型對(duì)新能源電站故障能夠得到較優(yōu)的診斷效果，診斷準(zhǔn)確率有所提高。