基于小波神經網絡的風電變流器故障診斷系統

褚召偉 李春茂 何 登 嚴 肅

（西南交通大學電氣工程學院，成都 610031）

近年來，隨著日益加劇的化石能源危機、環境污染和溫室效應等問題，風力發電受到世界各國越來越多的重視，已成為當今世界增長最快的可再生能源[1]。

隨著風力發電系統的容量不斷地增大，大功率變流器的拓撲結構也越來越復雜。由于受惡劣的自然環境和復雜的發電機組和電力電子裝置等因素影響，風力發電機設備很容易損壞和發生故障，影響生產[2]。變流器功率開關的開路故障是一種常見的故障，雖然短時間內不會導致系統崩潰的故障，但是如果長時間帶這種故障運行，將會使系統部件產生不可逆轉的損壞[3]。因此，風電變流器的狀態監測和故障診斷對于提高系統穩定性來說至關重要[4]。

對于變流器的故障診斷技術，文獻[5-6]提出了仿真分析診斷法，通過對變流器進行故障后的系統仿真，利用獲取的故障電流、電壓波形與正常波形的對比實現變流器的故障診斷。文獻[7-8]提出基于模型的故障診斷方法，通過建立系統的狀態空間模型，然后利用狀態空間模型的狀態估計與真實的輸出比較，來確定系統的故障。此方法的缺點若建立的系統的數學模型不準確，則會影響診斷的準確性。文獻[9]則利用逆變器元件故障后的電流軌跡分析提出了一種基于知識的故障診斷方法。雖然可以實現故障的檢測與診斷，由于當外界電磁干擾時，會嚴重影響電流軌跡，不利于故障分離。文獻[10]提出了基于波形直接分析的BP神經網絡故障診斷方法?；谝陨衔墨I本文提出一種基于小波神經網絡的風電變流器故障診斷系統。不需要建模，運用具有良好時頻局域化特性的小波分析的Mallat算法對故障信號進行分解，提取故障特征，構造故障特征向量，輸入到具有自學習功能的BP神經網絡進行識別，建立的風電變流器故障診斷系統，具有診斷、監視的功能。

1 永磁直驅風電系統的建模

本文的永磁直驅風電變流器使用是二極管整流器+升壓斬波器+電壓源型PWM逆變器的拓撲結構，根據文獻[11-12]，機側整流器采用最大功率跟蹤控制、網側逆變器采用電壓定向控制，其整體結構圖如圖1所示。

風電變流器的控制思路為，機側整流器和網側逆變器之間接有升壓斬波器，udc1為前級不可控整流輸出的電壓，是隨著發電機的轉速而不斷變化的，通過升壓斬波器能將電壓穩定在一個相對穩定的值。通過速度外環和電流內環控制升壓斬波器，即調節給定電流來控制輸入電流idc，調節輸入電流來跟蹤最優的參考電流，從而跟蹤風力機的最大功率點。網側 PWM 逆變器采用d-q軸同步參考坐標系，通過q軸電流控制無功功率，通過d軸電流控制有功功率，通過鎖相環PLL對電網電壓相位角進行檢測。

2 風電變流器的故障設置與分析

本文只考慮風電變流器的內部故障主要是電氣元件的開路故障，如功率開關管的故障或控制信號故障。根據風電變流器的拓撲結構，可以設定常出現故障的地方進行仿真，本文就Boost斬波器和逆變器中的元件進行故障設置。主要故障點如圖2所示，具體定義為B1、B2、B3、B4和C1、C2、C3、C4、C5、C6。

圖1 永磁直驅風電系統的整體結構圖

圖2 風電變流器主電路故障分布圖

本文只考慮單個元器件故障，對10個具體故障進行仿真，得到具體的三相輸出電流波形，并對波形進行分析。

3 基于小波分析的故障特征提取

小波分析的多分辨率特性可以把一個信號逐次分解為低頻逼近部分和高頻細節部分，而每一次再分解都只是對上一次分解的低頻部分進行，分解的結果保留了信號的時間特征。根據這一特點，可以把多分辨率特性應用到信號的功率譜特征的提取。應用Mallat算法，即小波分解與重構的快速算法，可以實現功率譜特征的提取。

本文將風電變流器的 A相輸出電流信號采用dB3小波基，進行6層分解，提取一個低頻系數和6個高頻系數，然后對各個系數求出其能量值，按照順序排成一列，構成一個向量，該向量就是與某一故障相對應的特征向量。根據文獻[13]提供的特征能量提取的方法，提取出故障特征能量。并將所有的故障特征向量列表，見表1。

從表1中可看出，小波分解后高頻能量值相對低頻能量十分小，高頻能量值無法表征故障特征。并且故障T2，T3，T4，T5的能量值幾乎完全相近，無法表征故障特征。這是因為變流器逆變環節故障時會引起三相輸出電流波形的畸變，不僅僅是在單相上有不同體現。因此提取單相進行故障特征，無法表征故障現象。要將三相輸出故障電流信號進行小波分解，只需提取其三相電流的各相低頻能量值作為特征值，將變流器的三相低頻能量值處理得到3個特征向量 Ea、Eb、Ec。風電變流器的輸出電流低頻能量值見表2。

表1 A相小波系數能量向量值

表2 風電變流器輸出電流低頻能量值

由表2發現T1故障和T4故障、T3故障和T6故障、T5故障和T2故障的小波能量特征值很接近，用神經網絡很難進行識別，這會導致神經網絡的誤差無法收斂到目標值。但是由三相故障電流波形可以看出，電流中前后半個周期的波形不同，這里引入3個波形參數A、B、C作為特征值。這3個波形參數的規定如下：波形主要分布在 0以下為 0；對稱0分布為0.5；主要分布在0以上為1。這樣故障的特征表示如表3所示。

表3 風電變流器的故障特征值

通過小波變換提取的故障特征向量，它和故障之間的對應關系是一種復雜的非線性映射，很難用規則推理、統計分析等常規方法來識別。由于人工神經網絡的非線性映射特性，本文選取神經網絡作為分類器來識別故障。

4 基于BP神經網絡的故障定位

在風電變流器的故障診斷中，由于故障的種類眾多，故需要選擇的神經網絡的樣本記憶容量比較大。而且，我們希望當某種故障信號輸入到神經網絡中時，神經網絡能輸出對應的故障類型代碼，也就是要求神經網絡采用有導師監督的學習方式。BP神經網絡由于結構簡單、可調參數多，訓練算法多，可操控性好，獲得了廣泛的實際應用。據統計，80%～90%的神經網絡模型采用了BP網絡或者它的變化形式[14]。

本文利用BP神經網絡良好的分類性能對故障進行分類，輸入為三相輸出電流小波分解后得到的低頻能量值，輸入層神經元數為6；輸出故障代碼為6位，因此輸出層神經元為6。網絡選用具有一個隱含層的BP網絡，隱含層采用正切傳遞函數（tansig），輸出層采用對數S型傳遞函數（logsig）[13]，訓練函數采用Levenberg- Marquardt規則訓練的trainlm函數，對輸出結果進行四舍五入取整，使其成為0或1，通過這6位代碼可查到風電變流器的故障位置。表4表示實際輸出結果與目標輸出量的關系。

模擬風電變流器的故障并考慮一定的電磁干擾，依次采用上面的方法得到各故障時的故障特征向量分別如下：T1故障[0.65300.74110.709500.50000.5000]；T6故障[0.7526 0.6332 0.72410.50001.00000.5000]；C故障[0.50050.49210.48220.5000.50000.5000]。

將上面的3個故障特征輸入到已經訓練好的BP神經網絡進行識別，得到結果如表5所示。

表4 實際輸出結果與目標輸出量

表5 模擬故障的診斷輸出結果與期望值

由上表可以看出本風電變流器故障診斷仿真系統，基本上滿足要求，具有較強的穩定性。

5 結論

仿真結果驗證了本文所建立的風電變流器的主電路故障診斷系統的正確性，且對故障的診斷精確性好。沒有將盡可能多的故障特征羅列出來，構成更強大的故障特征表。

[1]方創琳.中國風電發展目標分析與展望[J].中國能源,2007,29(12)：30-34.

[2]王之華,王志新.大型風力發電機組狀態監測與控制技術研究[J].機電一體化,2008(11):41-43,50.

[3]榮先亮,姚鵬,段其昌.風電變流器的開路故障診斷[J].電機與控制應用,2009,36 (12).47-51.

[4]榮先亮.雙饋風電變流器的控制與開路故障診斷研究[D]. 重慶大學碩士學位論文,2010.4.

[5]WALLCAE A K,SPEE R.The simulation of brushless dc driver failures [A].PESC Record-IEEE Power Electronics Specialists Conference[C].1988:199-206.

[6]SPEE R,WALLACE A K. Remedial strategies for brushless DC drive failures[J]. IEEE Transactions on Industry Applications,1990,26 (2) : 259-266.

[7]CATELLANI S,SAADI J,CHAM PENOIS G.Monitoring of astatic converter fed machine using average reference models [A].IFAC Safe Process’91[C].Baden-Baden,Germany,1991.

[8]BERENDSEN C S,CHAMPENOIS G,DAVOINE J.How to detect and to localize and to localize a fault in a dc/ dc converter[A]. IEEE –IECON’92 [C]. 1992.

[9]PEUGET R,COURTINE S,ROGNON J P. Fault detection and isolation on a PWM inverter by know ledge- based model[J]. IE EE Transaction on Industry Application,1998,35(6):1318-1326.

[10]于輝,鄧英.變速風力發電機變流器故障診斷方法[J].可再生能源,2010,28(3):89-92.

[11]孫延昭.永磁直驅風電變流系統控制策略研究[D].湖南大學碩士學位論文,2009.

[12]陳瑤. 直驅型風力發電系統全功率并網變流技術的研究[D].北京：北京交通大學,2008.

[13]張洪濤.基于小波變換和神經網絡的逆變電路故障診斷方法[J].計算機測量與控制.2010.18(6):1273-1276.

[14]葛哲學,孫志強.神經網絡理論與 Matlab R2007實現[M]. 北京:電子工業出版社,2007.