基于GWKNN 算法的風力發電機組內部短路故障辨識系統

趙海亮

（中廣核新能源安徽有限公司，合肥 230031）

風能資源豐富，而且擁有較大的開發潛力，是促進風電產業發展、實現能源結構多元化、改善環境的強有力助推劑[1-2]。目前，我國風力發電機組正處于大力開發階段，且已經發展為覆蓋式的裝機規模，成為了第三大電能供應資源[3]。然而，隨著風力發電基地的陸續投入，即使故障非常微小，由各元件之間耦合性所引發的負面“鏈式效應”仍可能造成不可預估的災難性危害和損失。例如，機組大范圍停機或切除、風電場脫網、電網電壓暫降等情況[4]，都會進一步加劇電網發生事故的嚴峻程度。

當前電力領域的專家與學者紛紛對風力發電機組故障展開了深入探索與研究，以確保風電場安全高效運行。文獻[5-6]分別采用系統數據圖形化手段與支持向量機分類技術來預測風力發電機組故障，其方法不僅能夠預見故障，而且能夠識別故障類型；文獻[7-8]分別采用孿生深度神經網絡與卷積神經網絡-集成學習來對風力發電機組故障進行診斷，其方法能根據提取到的故障特征，給出準確的故障診斷結果。當前對于風力發電機組故障的研究主要分為診斷和預測兩方面，鮮有對某個故障類型進行針對性的研究。

短路故障是風力發電機組易發生的故障類型，其中內部短路故障造成的破壞最為嚴重，故提出基于GWKNN（improve weighted K-nearest neighbors，改進加權K-最近鄰）算法設計的一款機組內部短路故障辨識系統。

1 風力發電機組內部短路故障辨識系統硬件設計

由電源模塊、顯示模塊、通信模塊、控制模塊、采集模塊、存儲模塊搭建系統硬件架構，以保證系統控制、數據采集、供電、存儲、顯示、通信功能的實現，以此為后續風力發電機組內部短路故障辨識算法的設計與實現奠定堅實的基礎。整體結構如圖1所示。

圖1 系統硬件物理架構圖Fig.1 Physical architecture of system hardware

各模塊設計思路如下所述：

（1）控制模塊：考慮到計算精度、速度、系統功耗等方面的因素，該模塊選用TMS320F28335 的高性能32 位浮點數字信號處理器，憑借數據與程序分離式的哈佛結構，實現機組內部工況數據采集、信號處理、故障分析及系統控制等功能的獨立執行。

（2）采集模塊：采用32 通道12 位的AD2014-ICJ采樣器、6222S-100A 型加速度傳感器、AS-TE 型溫度傳感器等組件，采集機組各設備信號，該模塊與控制模塊的并行連接接口為EMIO 接口。

（3）電源模塊：作為系統各個元件的電力提供源，該模塊選用TPS6735IDR 芯片為控制模塊提供內核正常工作電壓1.5 V，I/O 端口電壓2.8 V 和2.1 V，為DDR2 存儲器提供正常工作電壓2 V，為采集模塊提供單電源供電電壓7 V。選用XRP7714ILB-F 芯片為其他模塊提供正常工作電壓3.6 V。由于電壓會因外界因素不在允許波動范圍內或消失，故利用變壓器[9]轉換直流電源與電壓，保護電路，避免控制模塊受損。

（4）存儲模塊：采用基恩士研發的KV-M128C型號多媒體卡，為采集到的機組工況數據提供大容量、易讀取、可移動的儲存容器，能夠保證數據存儲的安全性和可靠性。

（5）顯示模塊：選用像素為320×240 的5.7 寸LMBGAT032G27CK 數字液晶屏作為系統顯示界面，實時呈現機組工作時各設備參數變化及短路故障辨識結果，該模塊與控制模塊通過視頻圖形陣列輸出接口連接。

（6）通信模塊：該模塊分為有線與無線2 種通信模式。有線通信采用TL16C451 異步通信元件，在FIFO 模式下，接收、發送16 個字節的外設信號，該元件不受傳輸字符和處理器接收緩沖的限制，通過RS-485 標準串口的單電源電平轉換芯片，與上位機串口完成通信；無線通信采用型號為CC2540-F256RHAR 的無線射頻收發器，有效應對機組惡劣、偏遠的工作環境，確保數據傳輸的可靠性。

2 機組內部短路故障辨識系統軟件設計

采用GWKNN 算法獲取內部短路故障特征值的異常搜索因子以及特征模式，從而實現風力發電機組內部短路故障辨識算法設計。

基于GWKNN 算法的短路故障辨識算法實現流程如下所述：

（1）按照移動時間窗的寬度m，得到由m 個子時序f（mi）構成的時序集f（m1），f（m2），…，f（mi）。

（2）為簡化序列且保證時序趨勢的完整性，利用下式變異操作時序中各序列點的極值編碼M，得到從鄰近的一個極值點到達另一個極值點的子時序集：

該式說明，當第i 個檢測窗f（mi）max最大值同鄰近窗f（mi±1）max最大值異或結果是0 時，編碼取值為Mi′；當第i 個檢測窗f（mi）min最小值同鄰近窗f（mi±1）min最小值異或結果是0 時，編碼取值為Mj″；其他情況下，編碼取值為Mi。

（3）分析時域信號，提取出短路故障的特征值，并通過下式進行標準化處理：

所得短路故障的特征序列F′如下：

式中：K 表示特征值集的類別個數。

（5）將距離DPWK代入式（2）完成標準化處理，對于標準化處理過后的DPWK利用高斯核函數將其變為的同類概率，結果用下式表示：

3 機組內部短路故障辨識系統測試

3.1 功能實現效果分析

在研究對象的監測計算機中加入機組內部短路故障辨識系統并運行，系統各模塊功能的實現結果如表1 所示。

表1 系統模塊功能Tab.1 System module functions

由表1 可以看出，系統的主要模塊功能均達到預期設計目標。控制模塊通過采用TMS320F28335高性能32 位浮點數字信號處理器，有效實現了機組內部工況數據采集、信號處理、故障分析及系統控制等功能的獨立執行；采集模塊通過使用AD2014-ICJ 采樣器與多個傳感器，準確采集到機組各設備的信號；電源模塊分別選用了TPS6735IDR 芯片與XRP7714ILB-F 芯片，確保了準確供電；存儲模塊將KV-M128C 型號多媒體卡作為機組工況數據的可移動儲存容器；顯示模塊通過視頻圖形陣列輸出接口，實時呈現出機組工作時各設備參數變化及短路故障辨識結果；通信模塊分別采用TL16C451 異步通信元件與CC2540F256RHAR 無線射頻收發器，保證了數據的可靠傳輸。

3.2 故障辨識效果分析

3.2.1 短路故障信號辨識精度

不同短路故障下，目標機組單位時間運行過程中各相上的實際輸出與期望輸出如表2 所示。

由表2 可以看出，所建系統采用32 通道12 位的AD2014-ICJ 采樣器、6222S-100A 型加速度傳感器、AS-TE 型溫度傳感器等組件，為基于GWKNN 算法的短路故障辨識提供了可靠數據，準確辨識出風力發電機組內部的短路故障信號。期望輸出與實際輸出出現最大差值的故障為AB 兩相短路，僅0.0328 A；出現最小差值的故障為AC 兩相短路接地，僅0.0011 A。

3.2.2 短路故障類型辨識精度

利用所建系統在目標機組中運行一段時間，得到10 種不同短路故障類型的辨識結果。若運行過程中，故障類型始終辨識正確，則標記為“√”；若出現一次錯誤辨識，則標記為“×”。具體如表3 所示。

表3 不同短路故障類型辨識Tab.3 Identification of different short circuit fault types

由表3 中的辨識結果可以看出，該系統憑借Visual Basic 語言強大的獨立性與靈活性，充分發揮了數據通用化環境的優勢，打破了信號辨識時的局限性，準確辨識出不同的短路故障。由于AB 兩相短路與AB 兩相短路接地的故障信號極為相似，故所建系統混淆了這2 種短路故障。其中，將AB 兩相短路故障錯誤辨識為AB 兩相短路接地故障3 次，反相錯誤辨識4 次。但總體該系統的短路故障類型辨識準確度較高，具備較大的推廣潛力。

3.2.3 故障辨識時間

本實驗環節從辨識時間入手，檢驗系統是否具備較高的故障辨識效率。單位運行時間內各個短路故障的平均辨識時間如表4 所示。

表4 不同短路故障辨識時間Tab.4 Different short circuit fault identification times

由表4 可以看出，系統所采用的基于GWKNN算法的短路故障辨識算法對10 種短路故障的平均辨識時間僅需3.99 s，AC 兩相短路接地故障的辨識時間最長，但也只花費了5.06 s，說明該系統的短路故障辨識效率較高，能夠滿足實際應用中的時效需求。

4 結語

隨著風電能源在電力能源供應中比重的增加，風電產業迅猛發展，風力發電機組裝機規模與日俱增，對機組安全性的關注也越來越高。通過總結各地機組運行工況發現，即使是機組內部的微小故障，也有可能引發嚴重的電力事故，給企業帶來巨大的經濟損失。故構建出內部短路故障辨識系統來加強機組安全屏障，并為故障后續維修提供依據是非常必要的，今后仍將以此為目標，從其他方面做進一步探討。