基于遺傳算法優化BP神經網絡的海上DFIG定子繞組故障診斷

上海綠色環保能源有限公司■張智偉 陳云巧

上海電力學院電氣工程學院■王棟悅＊符揚

0 引言

由于海上雙饋風力發電機(DFIG)運行環境惡劣、故障率高[1]，風電場經年累月運行，數據龐大，從龐大的數據中可以提取出多個可用于故障診斷的數據信息[2-4]。由于特征量眾多，且特征量與發電機故障之間存在非線性關系，僅依靠設置故障報警閾值的辨識方法已很難及時地對故障做出正確的判斷，因此，迫切需要一種智能方案及時、有效地解決這一問題。

基于數據驅動的故障診斷方法包括統計分析法、信號處理法及人工智能法[5]。統計分析法主要是通過歷史數據分析當前樣本運行狀態，能較好地利用變量之間的耦合性，此方法適合高維系統的故障檢測與診斷。信號處理法主要是利用專家知識與系統運行參數進行分析，從而得到綜合評價，是典型的信號分析處理過程，依賴于信號的提取。人工智能法主要是通過利用正常運行數據及故障數據來訓練各種智能算法，進而診斷故障，當故障類型與故障表象之間不是簡單地線性關系時，該方法較為適用[6]。

近年來，隨著人工神經網絡和模式識別的引入，海上DFIG故障診斷技術有了快速的發展，神經網絡能逼近任意非線性函數，并擁有高度的自組織、自學習的能力，其逐漸成為智能診斷的一種有效方案[7]。

1 定子繞組短路診斷原理

定子繞組匝間短路故障特征量的提取會直接影響故障診斷的效果，是所有診斷定子繞組匝間短路方法中最重要的一環。當DFIG匝間短路時，由于短路破壞了原三相繞組的電氣平衡，使得繞組內部定子電流不對稱，導致定子、轉子之間的氣隙磁場中含有大量幅值較大的空間諧波分量[8]。

若DFIG某一繞組的一匝線圈中有電流i1，則其磁勢可看做兩個互相獨立導體磁勢的合成，且兩個互相獨立的導體中流過的電流幅值相同、方向互逆，則可得一匝線圈磁勢的傅里葉級數展開式為：

式中，kyf為線圈節距因數，α為兩個導體相隔的空間電角度；P為極對數；v為諧波次數；整距線圈中v=1/P,2/P,3/P,…，且v不為偶數；短距線圈中v=1/P,2/P,3/P,…。

在理想工況條件下，DFIG正常運行，假設定子三相繞組產生的磁勢為一正向旋轉(以順時針為正向)的圓形磁勢，根據法拉第電磁感應定律，其可在三相繞組中感應出正序電流。當DFIG某相定子繞組發生匝間短路時，則有一個與正常電流相同的短路電流疊加在短路線圈上，同時建立了一個因故障而產生的非正常磁場，將之與正常情況下的發電機磁場疊加，從而形成了故障狀態下的電機磁場。

電機定子繞組發生匝間短路故障時，因繞組內部結構異常，定子繞組自身的平衡性遭到破壞，三相繞組于空間上不再對稱，導致工作電流也隨之不對稱，因而由工作電流建立的磁勢中包含了大量的諧波分量。若在發生匝間短路故障的短路線圈上疊加一個電流if=Icos(ωt)，故障短路匝沿氣隙方向分布的空間電角度為α=Pθ，根據式(1)，其磁動勢可以表示為：

式中，t為時間，I為短路電流幅值，ω為電源角頻率；θ為以定子坐標為參照坐標的機械角度，θ=φ+(1-s)ωt/P；φ為以轉子坐標為參考表示的機械角度；s為轉差率。

因此，將F(θ,t)變換到轉子坐標系中可得：

磁勢F(φ,t)于轉子側產生的電流分量為：

式中，IRf為轉子側的電流幅值。

若定子繞組發生匝間短路故障時，由于發電機的定轉子在空間中相互獨立，所以發電機轉子繞組對稱性不受影響，則轉子側電流IR產生的磁動勢在轉子坐標系中可表示為：

式中，Fv,n為n次諧波磁勢的幅值，n=6p+1，p=0,1,…。

以θ代替式(5)中的φ，則可以得到磁勢FR(φ,t)在定子坐標系中的表達式為：

通過分析式(4)可得，磁勢F(φ,t)于轉子側感應出頻率為[1±v(1-s)]f1的電流分量，磁勢FR(φ,t)于定子側感應出頻率為[1+(n±v)(1-s)]f1的電流分量。

因此，DFIG定子繞組發生匝間短路后，定子、轉子側電流都將感應出特定頻次的諧波分量。其中，定子側感應出sf1、(0.5+0.5s)f1、(1.5-0.5s)f1、(2-s)f1、(2.5-1.5s)f1、(3-2s)f1、(4-3s)f1等頻次的諧波分量，轉子側感應出(0.5+0.5s)f1、(1.5-0.5s)f1、(2-s)f1、(2.5-1.5s)f1、(3-2s)f1等頻次的諧波分量。

2 不同諧波分量故障樣本的BP神經網絡

2.1 適用于DFIG故障診斷的BP神經網絡拓撲及算法

BP神經網絡是眾多應用廣泛的神經網絡中的一種，屬于多層前饋神經網絡，其信息前向傳送，誤差逆向傳送。當數據信號進行前向傳遞時，輸入的樣本信息通過輸入層進入隱含層(單層或多層)，通過隱含層數據處理后，再進入輸出層，對于任意神經單元，其只會影響與之連接的后一個神經元。如果輸出信息達不到設定要求，那么就進入誤差的逆向傳送，根據修正誤差修改各個神經元之間的權值和閾值，從而使BP神經網絡預測輸出不斷接近設定預期輸出。BP神經網絡的拓撲結構如圖1所示。

圖1 BP神經網絡拓撲結構圖

由圖1可知，X1,X2,…,Xn為BP神經網絡的數據信息輸入值，ωij與ωjk分別是BP神經網絡的權值，Y1,Y2,…,Ym是BP神經網絡的預測值。本神經網絡中輸入層節點有n個，輸出層節點有m個，表示了從n個自變量X1,X2,…,Xn到m個因變量Y1,Y2,…,Ym的函數非線性映射關系。

BP神經網絡用于故障診斷時首先應對神經網絡進行一定的訓練，將信息前向傳送和誤差逆向傳送時神經網路的每層權值和閾值不停調節的過程稱之為神經網絡的訓練過程，通過一定次數的訓練，使神經網絡初步具有聯想記憶能力和預測輸出能力，BP神經網絡完成設定的訓練次數之后，經檢驗輸出符合預期，則其就可以投入到實際應用中。在對DFIG進行故障診斷時，只需經過信息前向傳送的過程，并不需要逆向傳送。具體的訓練流程如圖2所示。

圖2 BP神經網絡訓練流程圖

由圖2可知，BP神經網絡訓練的具體步驟為：

1)步驟1：網絡初始化。根據診斷系統的信號相量維數（輸入X，輸出Y）進一步確定網絡輸入層節點數n、輸出層節點數m，隱含層節點數l。對神經網絡各層神經元之間的連接權值ωij、ωjk，隱含層閾值a，輸出層閾值b進行初始化處理，并且給定神經網絡學習速率和神經元激勵函數。

2)步驟2：輸入P個樣本相量。

3)步驟3：計算隱含層輸出Hj。

式中，j為隱含層節點數，j=1,2,…,l；f為隱含層激勵函數；xi為輸入值，aj為隱含層閾值。

4)步驟4：計算輸出層預測輸出Ok。

式中，k=1,2,…,m。

5)步驟5：計算網絡誤差ek。

式中，Yk為理想輸出；k=1,2,…,m。

6)步驟6：判斷誤差是否滿足故障診斷要求的條件，若滿足，則程序結束；若不滿足，則執行步驟7。

7)步驟7：權值更新。

權值ωij的更新式為：

式中，i=1,2,…,n；j=1,2,…,l；η為學習速率。

權值ωjk的更新式為：

式中，j=1,2,…,l；k=1,2,…,m。

8)步驟8：閾值更新。

閾值aj的更新式為：

式中，j=1,2,…,l。

閾值bk的更新式為：

式中，k=1,2,…,m。

9)步驟9：返回步驟3。

在整個學習的過程中，步驟7與步驟8至關重要，如何調節權值，使預測誤差持續變小，是BP訓練算法的核心問題。

2.2 樣本獲取及數據的歸一化處理

由錄波儀可以直接得到DFIG的定子、轉子電流，再經過對數據的頻譜分析之后可得到各頻率含量諧波的幅值。但是原始數據一般情況下不允許直接作為輸入量傳入輸入層。因為原始數據量綱、數量級不統一，直接輸入原始數據往往會導致BP網絡連接權值相差過大，進而導致性能不穩定，故原始數據信息在輸入神經網絡系統之前必須要經過數據預處理。

本文采用數據歸一化作為數據預處理的方法。數據歸一化處理是將所有輸入的數據經處理轉換到[0,1]范圍，為的是消除數據間的量綱、數量級大小的差異，從而避免神經網絡預測誤差過大。輸入數據歸一化的具體方法為：

式中，x′k為歸一化后的輸入數據；xk為某維數據中的第k個數據；xmin為某維數據中的最小值；xmax為某維數據中的最大值。

通過式(14)可得到樣本歸一化之后的數據，如表1、表2所示。

正常運行樣本的各參數如表1所示。定子匝間短路故障樣本的各參數如表2所示。

表1 正常運行時DFIG定子、轉子側電流各頻率含量諧波幅值

表2 定子匝間短路故障時DFIG定子、轉子側電流各頻率含量諧波幅值

2.3 針對海上DFIG故障診斷的BP神經網絡模型的建立

基于故障診斷的BP神經網絡的建模過程包括建立BP神經網絡、BP神經網絡訓練和使用BP神經網絡進行分類3步，具體算法詳細流程如圖3所示。

圖3 算法流程

從工程中的應用來看，僅單層隱含層的BP神經網絡就能解決任何實際問題，而且隨著神經網絡隱含層數目的提升，對其進行訓練的時間將大幅變長，由此產生的局部最小誤差值也會相應增大。因此，本文將以DFIG定子繞組匝間短路故障作為研究對象建立的BP網絡隱層數目設置為1。BP神經網絡的隱含層節點數的選取是建立BP神經網絡的關鍵步驟，其數目會影響預測精度。隱含層節點數目太少會使訓練次數激增，使神經網絡的學習能力降低、精度變差；隱含層節點數過多，神經網絡將會過擬合，導致訓練時間的延長。根據經驗，最優化隱含層節點數目可以用經驗公式確定：

式中，m為輸出層節點數；n為輸入層節點數；a為隱含層閾值，其取值為1～10的整數。

在實際工程中，首先是根據經驗公式確定隱含層節點數目的大概范圍，然后通過不斷湊試，選擇使網絡性能最佳的隱含層節點數目。由前文可知，以定子側感應出的sf1、(0.5+0.5s)f1、(1.5-0.5s)f1、(2-s)f1、(2.5-1.5s)f1、(3-2s)f1、(4-3s)f1頻次的諧波分量和轉子側感應出的(0.5+0.5s)f1、(1.5-0.5s)f1、(2-s)f1、(2.5-1.5s)f1、(3-2s)f1頻次的諧波分量作為系統輸入，數據共12維，輸出為兩類，即正常工況(0,1)、匝間短路工況(1,0)，因此，n=12，m=2。根據式(4)～式(14)，隱含層節點個數分別取5、6、7、8、9、10、11、12、13。本案例中隱含層節點數與網絡訓練誤差對應關系如圖4所示。

圖4 隱含層節點數與網絡訓練誤差對應關系

從圖4中可以看出，本文中BP神經網絡的訓練誤差隨著隱含層節點數目的增多大體上呈現先減小后增長的趨勢。

綜上所述，通過故障診斷系統信號維數特性構造BP神經網絡，其結構為12-9-2，即輸入層設置12個節點，隱含層設置9個節點，輸出層設置2個節點。

3 建立融合遺傳算法的BP神經網絡

從前文分析可知，BP神經網絡雖然可以較為準確地診斷出定子繞組匝間短路故障，但是傳統的BP算法卻存在一些影響BP神經網絡性能的因素。由于BP神經網絡是通過誤差逆向傳送算法進行訓練的，導致了訓練速度緩慢，且有時算法會因逼近局部極小值點而造成誤差，因此需要對算法進行改進，從而解決此實際問題。但是傳統神經網絡在建模過程中隱含層節點數目通常由經驗公式得出，還需要反復的測試和訓練。因此，本文針對以上3個缺陷，結合遺傳算法優化BP神經網絡。

遺傳算法優化BP神經網絡算法流程如圖7所示。

由圖5可知，本文優化之后的算法分為3個模塊，分別為結構模塊、優化模塊和預測模塊。其中，結構模塊是根據部分故障特征量與需辨識故障類型的維數特性來確定BP神經網絡結構，進而確定族群中個體的長度。優化模塊優化了權值和閾值，族群中的所有個體均含有所有網絡參數，每個個體經適應度函數計算適應度值，選擇算子尋找最優個體。預測模塊利用優化模塊的結果對網絡初始值和閾值賦值，網絡經訓練后預測函數輸出。

圖5 遺傳算法優化BP神經網絡算法流程

優化后的BP神經網絡訓練誤差如圖6所示。

圖6 優化后的BP神經網絡訓練誤差

從圖6中可以看出，迭代次數為27時達到最佳訓練結果，誤差為4.327×10-8。BP神經網絡在經遺傳算法優化之后的訓練誤差較未作優化前(10-5)降低了3個數量級，并可以降低網絡訓練次數進而節省訓練時間。

從圖7仿真結果可以看出分類的效果，綠色區域表示分類結果與測試數據的實際情況一致；紅色區域表示兩者結果不一致，紅色區域內的百分數越小，說明誤差越小。因此，本網絡的正確率達到了100%，說明本神經網絡能夠精確的反映DFIG定子匝間短路故障。

圖7 仿真結果

4 總結

本文分析了大數據背景下海上DFIG故障診斷系統的研究現狀，得出在當前形勢下，從大量冗雜數據中提取分析出眾多的故障特征很難用傳統的設置報警閾值去辨識故障，需要引入人工智能領域的先進方法。通過對定子繞組短路診斷原理的分析，提取電流中某些特定頻次的諧波分量。使用傳統的BP神經網絡雖然可以診斷出故障，但是存在一些問題，如訓練速度緩慢、有時會逼近局部極小值點、隱含層節點數目選擇困難等。為了克服這些因素的影響，本文將遺傳算法融入傳統的BP神經網絡，經仿真和實驗驗證，優化后的BP神經網絡訓練速度快、訓練誤差小、診斷結果精確，完全可以勝任大數據背景下的海上DFIG定子繞組匝間短路故障診斷任務。此方法具有通用性，可推廣應用至陸上風電場等其他DFIG中。