基于SOM網的風電變流器故障診斷

王占霞，張曉波

（1.艾默生科技資源（西安）有限公司，陜西西安，710075;2.西安交通大學電氣工程學院電力設備電氣絕緣國家重點實驗室，陜西西安，710049）

1 風機變流器結構與故障機理

目前各大風電場的主力機型大體有3類：鼠籠式風力發電機，直驅式風力發電機和雙饋感應式風力發電機。除鼠籠式以外，其余兩種形式的風力發電機并網時都不可避免地要經過一個電力電子變流器，只不過由于風機結構不同，同樣額定功率的機組中，流過雙饋式風機變流器的能量大約只有直驅式風機的1/3。

變頻器所處現場往往環境惡劣，高溫發熱、油水臟污、灰塵以及交變的電磁干擾等都無法估計，既影響變頻器性能，又極易導致變頻器故障。目前風力發電機中電力電子開關大量使用了絕緣柵雙極晶體管(IGBT)，當其兩端電壓過高或過電流導致溫度過高，亦或其運行功率超過了在正常工作溫度下允許的最大耗散功率（最大集電極功耗）等，都可能導致開關管超過耐受極限而擊穿或燒毀[1-3]，有時甚至是永久性損壞。導致變頻器中開關管過電壓和過電流的原因是多方面的，常見的有變頻器本身的質量問題、元件接觸不良、型號參數不匹配等，此外，風力發電機在運行過程中遭遇電網故障，功率無法饋送入電網，導致功率直流側和輸出側電壓升高，發電機在運行過程中由于負載突變產生過高的沖擊電流，發電機及傳輸電纜絕緣老化導致匝間或相間短路形成短路電流等，如最終超過元件的耐受限度，都會導致變頻器元件故障[4-5]。

2 用SOM神經網對變頻器故障波形進行診斷

由文獻[6-9]可以得到風機變流器的不同故障類型，以及不同故障位置的各種波形，經處理后可用于對神經網進行訓練，以獲得可以智能診斷實際運行中風機變流器故障的神經網絡。由文獻[9]知，風力發電機變頻器故障診斷中，光變頻器整流側的故障類型就有8種，其中每種故障類型又對應不同的故障發生位置，這還不包括逆變側故障和整流逆變側混合故障等。事實上故障信息種類總數是故障類型的總數與各故障位置總數的排列組合，其數目是相當龐大的。如果用BP網做故障診斷時，需采用窮舉法羅列全部故障信息以建立目標向量來訓練網絡，這樣建立的網絡在數據全面的情況下是完全可以滿足故障智能診斷任務的。然而在現實中，每一種故障類型及故障位置對應的實際故障波形都得到幾乎是不可能的，這是因為現實中提供數據的風電場的同一機型的變頻器不可能發生的故障都恰好覆蓋所有的故障類型和故障位置，并且風電場裝設智能故障診斷系統的目的就是為了在所有故障都發生前就采取措施拯救風力發電機系統以減少損失，如果該風電場的各臺風機已經大面積故障,再安裝該故障診斷系統減少損失的意義就不大了，因此實地采集的信息總是不全面的，即使能夠全面采集到所有種類和位置的數據，其數據總量也是相當龐大的，其數據處理過程及最后程序運算所耗費的時間將很漫長，嚴重影響程序效率。

現實中的情況往往是：一個打算安裝風力發電故障智能診斷系統的風電場，往往手頭只有某種風力機變頻器某幾種故障類型及故障位置所對應的波形，而這幾種故障類型及故障位置恰恰就是該風電場所裝設的風力機變頻器最高發的那幾種故障，所要設計的診斷系統能夠清楚地診斷這幾種故障類型及故障位置就足夠了，這樣，診斷系統設計者在設計時只需考慮這幾種信息就夠了，程序數據量大大減少，運行效率也大幅提高。但是，當診斷系統安裝在風電場之后，風電場運行人員在使用中又遇到了少數新的故障類型及故障位置的波形，想添加進原診斷系統中增強診斷效果，卻又不可能每遇到一個這樣的新故障就把診斷系統設計人員叫回風電場重新設計網絡結構。為解決這個難題，可以考慮采用自組織特征映射人工神經網絡（簡稱SOM的網絡結構）。

SOM網絡在輸入層和輸出層中間有一個競爭層，是一個二維網絡，這里暫且設定為[8 8]大小的二維網絡，其每個輸入元素的最大值和最小值定義為P向量的最大值和最小值，定義訓練循環次數上限為100次。在具體現實應用中采用多大的競爭層結構應由設計者根據實際風機變頻器可能具有的所有故障類型、位置組合數、計算效率來綜合考慮。

圖1是SOM網絡訓練的結果圖，圖1中第一欄顯示SOM網絡的結構包含一個輸入層、一個輸出層和一個競爭層，其中競爭層形象地畫出了網絡訓練后競爭層訓練值最大的神經元顯示最大值，其余神經元都顯示為0的結構。第二欄顯示采用的算法是Random Order Weight/Bias Learning Rules。第三欄顯示參數為：訓練步數100步、時間2 s、誤差為0。第四欄是6個按鈕，按先后分別顯示為SOM網絡拓撲（見圖2）、SOM鄰域神經元互聯情況（見圖3）、SOM鄰域神經元距離權值（見圖4）、SOM網權值平面（見圖5）、SOM樣本命中點（見圖6）、訓練后神經元位置（見圖7）。

圖1 SOM網絡訓練結果

圖2 SOM網絡拓撲

圖3 SOM鄰域神經元互聯情況

圖4 SOM鄰域神經元距離權值

圖5 SOM網權值平面

圖6 SOM樣本命中點圖

圖7 SOM訓練后神經元位置

程序聚類結果為

這里用第一、第四、第七種故障類型處理所得的向量Ptest作為測試向量來檢驗網絡訓練結果，理想的輸出結果應該被分類到第一、第四、第七種故障所對應的神經元處，查上述結果分類表可知，其對應的神經元應該為

第一類：(8,1) 1

第四類：(44,4) 1

第七類：(26,7) 1

用Y=sim(net,Ptest)命令檢測訓練后的SOM網，輸出結果為

由此可見，結果完全符合預期，該SOM網成功實現了故障診斷。

3 結語

用SOM神經網絡可以在已獲得已知故障類型和故障位置的若干種故障庫進行訓練的前提下，很好地滿足風力機變流器故障智能診斷的要求，如果故障類型庫不完整，需要增加新的故障類型數據或者位置數據時，不需要對原有的整個庫陣列進行修改增加故障類型編碼長度，重新進行訓練，效率比較高，是較適合用于風力機變頻器故障診斷的神經網絡類型。

[1] 朱濤.風電接入系統的相關問題研究綜述[J].南方電網技術,2009,3(5):58-68.

[2] 趙海嶺,王維慶,王海云等.并網永磁直驅風電機組故障穿越能力仿真研究[J].電網與清潔能源,2010,26(7):15-18.

[3] 曾杰.風電配套電池儲能電站的仿真研究[J].南方電網技術,2010,4(1):126-129.

[4] 張如通,翟慶志,王曉港.籠型異步發電機在小風電系統中的勵磁運用[J].電網與清潔能源,2009,25(9):37-40.

[5] 張謙,李琥,高松.風電對調峰的影響及其合理利用模式研究[J].南方電網技術,2010,4(6):18-22.

[6] 張曉波,張新燕,王維慶.用神經網絡對風力發電中電力電子故障分析[J].華東電力,2008,36(7):16-18.

[7] 張曉波,常喜強,王占霞，等.基于風電模型的新疆電網頻率穩定性研究[J].華東電力,2009,37(12):93—96.

[8] 王兆安,黃俊.電力電子技術[M]．北京：機械工業出版社，2000.

[9] 張曉波,王占霞,張新燕,等.基于PSIM和Matlab的變頻器故障仿真分析[J].電網技術,2010,34(3):79-84.