基于CNN-GRU的風力發電變流器故障診斷技術

吳一斐，黃 偉，李曉鋒，許凌飛

（浙江海得新能源有限公司，浙江 嘉興 314500）

隨著全球各地環境污染的日益嚴峻和能源危機的不斷加劇，風能作為一種取之不盡、用之不竭的可再生能源，其影響力在逐年攀升。國家統計局公開的數據顯示，在2020年末全國發電裝機容量中，并網風電裝機容量約占總體的12.8%，同時并網風電裝機增長率排名第一[1]，由此可見，在2020年度中，風電行業發展最為迅猛。

風力發電產業在裝機容量每年爆發式增長的同時，也面臨一些新的問題和挑戰。由于受風資源地理分布、自然環境差異以及風電機組本身的影響和其他多種不同因素的制約，風力發電機組面臨著極端環境因素的考驗，且在此類情況下，還會承受電網的影響。因此，高效準確實現對風力發電機組的故障診斷，并提前預判處置此類故障，對于提升風力發電機組的可靠性和經濟性具有顯著的現實意義。

本文提出一種基于深度學習（CNN和GRU）的風電機組故障診斷方法，以風力發電變流器為研究對象，將表征變流器運行狀態的SCADA數據預處理并壓縮成多維矩陣，重組為運行數據圖；訓練卷積神經網絡CNN模型，從矩陣數據中提取相應的故障特征，將多幀故障特征整合為連續的時序故障特征；采用門控循環單元GRU為主體模型，從時序故障特征中獲取故障診斷結果；同時引入微調（Fine-tuning）進行繼續訓練，結合部署實施后的風電機組型號、地理位置等信息，將變流器是否發生故障視為一個二分類問題，在全連接層通過Softmax函數，獲得是否發生故障的診斷結果。

1 風電變流器故障診斷的必要性

1.1 風電變流器運行原理

風電變流器由功率部分、配電部分以及智能控制器組成。以雙饋式變流器為例，其工作原理是：網側功率模塊用以調節網側的功率因素，同時，還具有穩定直流母線電壓的作用。機側功率模塊對雙饋發電機的轉子進行勵磁，動態調節勵磁電壓的頻率、幅值和相位，以保證定子電壓的穩定輸出；之所以稱為雙饋式變流器，是指能量的雙向流動，雙饋電機的轉子和定子都可以和前端電網進行能量的交互。此外，為了應對低電壓穿越和高電壓穿越，雙饋式變流器一般都會配備有Chopper單元和Crowbar單元，用以實現母線過壓時的能量泄放。一種典型的雙饋式變流器原理如圖1所示。

圖1 雙饋式變流器原理圖

風電變流器的控制核心為智能控制器，其主要功能是：完成對輸入的數字信號和模擬信號的處理，以及對外層執行部件發出控制指令，以實現對變流器系統的綜合控制功能；記錄并保存設備的運行數據和故障時刻的波形；實現與PC機的實時通信，保障變流器本身以及整個風機系統的安全運行，是變流器控制系統的核心。

1.2 風電變流器故障概述

由于風電變流器所處的特殊環境，往往容易受到溫度、濕度、灰塵、鹽霧、霉菌等的各種環境因素制約，這些因素會影響變流器的輸出性能，且容易導致變流器故障的產生，進而影響整個機組的并網發電，直接影響風電場業主的經濟效益，造成一定的損失，尤其是在風況良好的情況下。變流器常見的故障類型有功率模塊故障、電網故障、單板故障等。

1.3 故障診斷建模方法

目前針對風力發電機組的故障診斷建模方法，主要分為3類：基于數學模型的診斷方法、基于知識的診斷方法和基于數據的診斷方法[2]。

基于數學模型的故障診斷方法，是在已知設備數學模型的情況下，綜合分析風力發電機組當前的運行狀態，再此基礎上進行故障診斷的方法。

基于知識的故障診斷方法，是根據相關各領域專家的經驗，并導入風電機組實際運行的工況，再進行故障診斷的方法。

基于數據的故障診斷方法，是利用龐大的歷史運行數據進行診斷的方法，大部分數據來源于數據采集與監視控制系統（Supervisory Control And Data Acquisition，SCADA）。該故障診斷方法，以一定方式提取故障特征作為輸入條件，采用人工智能模型訓練的方法，實現風力發電機組故障的有效診斷。

SCADA系統是風力發電場自動化控制管理的核心，該系統主要實現對場區內所有風力發電機組的運行狀態進行實時監控，對機組的各個子部件參數進行信息采集和存儲，并實時分析相應的運行狀況，針對發現的異常狀態或者故障狀態，及時主動發出聲光報警，以便風場運維人員能夠及時準確地作出響應[3]。

2 基于深度學習的變流器故障診斷

2.1 CNN

卷積神經網絡（CNN）是一種用于深度學習的網絡體系結構，可直接從數據中學習，而無需人工進行特征的提取[4]。其具有數十或數百層，每個層都學會檢測SCADA數據的不同特征。

正如其他神經網絡一樣，典型的CNN由輸入層、輸出層以及它們之間的多層隱藏層構成，如圖2所示。這些層執行更改數據的操作，目的為學習特定數據的功能。最常見的3個層是卷積層、ReLU層和池化層。

圖2 CNN典型模型

卷積層將輸入數據通過一組卷積過濾器，每個卷積過濾器都會激活這些數據中的某些特征；ReLU層通過將負值映射到零并保持正值，可以更快、更高效地進行訓練；池化層通過執行非線性下采樣來簡化輸出，從而降低需要學習的網絡參數量。

2.2 GRU

門控循環單元（GRU）旨在解決循環神經網絡（RNN）附帶的消失梯度問題。GRU也可以視為LSTM的一種變體，因為兩者的設計相似，并且在某種情況下，產生的效果也相當優異[5]。典型的GRU模型如圖3所示。

圖3 GRU典型模型

門控循環單元使用了所謂的更新門和復位門。這是2個向量，它們決定應將哪些信息進行輸出。對模型進行訓練，可以保留較長時間范圍的信息，不會隨著時間的流逝而丟失與預測無關的相關信息。

2.3 數據預處理

使用SCADA系統對風電變流器的相關數據進行實時采集，所采集到的訓練數據按指定的時間間隔進行重組，以此作為故障診斷模型的輸入，對所采集的SCADA數據采用歸一化處理，并將這些數據，通過一定的方式映射至[0，1]區間，同時，將歸一化處理完成后的數據，按照時間順序進行排列重組。

這里需要注意一點，需將SCADA系統采集到的數據分為3類，分別為訓練集、測試集和驗證集。訓練集用于訓練所需要的模型，測試集用于最終的模型評估，評估故障診斷方法的有效性，驗證集用于評估模型的執行效果，同時為了調整超參數而服務，使得提高模型的實際使用效果。這里的SCADA數據來源于正常工況下獲取的數據，同時也包括有故障工況下獲得的數據。

2.4 故障特征提取

當有變流器故障發生時，各個參數指標之間存在著一定的關聯性，雖然每一次的故障發生情況并不一致，但是在一定程度下，變流器故障的產生伴隨著相關共性的發生，采用深度學習模型訓練，就可以很好地提取到這些故障特征。

將接收到的重組后的數據作為卷積神經網絡的輸入，并通過卷積神經網絡對這些數據進行故障特征的提取，進而轉化為高維的故障特征輸出。

這些故障特征包含變流器的電壓、電流、溫度等參數信息，可以實現將低維的數據信息轉化為高維的故障特征。

2.5 故障診斷

將上述提取得到的故障特征作為門控循環單元的輸入，并將零散時間片段的故障特征采用整合的方式，形成統一時序的故障特征，同時在CNN和GRU模型訓練階段，結合部署實施后的風電機組型號、地理位置等信息，引入微調（Fine-tuning）進行繼續訓練，將變流器是否發生故障視為一個二分類問題，最后在全連接層，通過Softmax函數，獲得變流器是否存在故障的診斷結果。本文所提出的風電變流器故障診斷方法，整體實施流程如圖4所示。

圖4 故障診斷流程圖

首先，利用CNN神經網絡對高維特征較好的表征能力，將一定區間范圍內的運行數據，提取轉化為高維的故障特征；其次，由于GRU模型的內部減少了一個“門控”，其參數少于LSTM模型，更易于計算，進而從一定程度上提高模型訓練效率，而且能夠達到的功能不亞于LSTM模型，但是結合計算機硬件能力和時間成本等客觀因素，GRU模型更加貼合工程實際的應用。此外，本文提出引入微調（Fine-tuning）進行繼續訓練，同時作用于CNN和GRU模型階段，從而能夠進一步提高風力發電變流器故障診斷的準確率。

3 結論

本文提出一種基于深度學習（CNN和GRU）的風力發電變流器故障診斷方法，將CNN與GRU兩種模型進行了整合設計。CNN作為特征提取模塊，利用CNN網絡的卷積核，處理高維數據無壓力特點，實效高效的故障特征提取；再者采用GRU為主體模型，將提取到的時序故障特征，整合為統一時序的故障特征；并在模型訓練階段，引入微調（Fine-tuning）方法，將CNN和GRU模型在所構建的數據集上進行反復訓練并調參，最終獲得風力發電變流器是否發生故障的診斷結果。最后，通過中國西北某風場的SCADA數據集上的實驗，證明了筆者所提出方法的有效性。