上海綠色環(huán)保能源有限公司■張智偉 陳云巧

上海電力學(xué)院電氣工程學(xué)院■王棟悅＊符揚(yáng)

0 引言

由于海上雙饋風(fēng)力發(fā)電機(jī)(DFIG)運(yùn)行環(huán)境惡劣、故障率高[1]，風(fēng)電場(chǎng)經(jīng)年累月運(yùn)行，數(shù)據(jù)龐大，從龐大的數(shù)據(jù)中可以提取出多個(gè)可用于故障診斷的數(shù)據(jù)信息[2-4]。由于特征量眾多，且特征量與發(fā)電機(jī)故障之間存在非線性關(guān)系，僅依靠設(shè)置故障報(bào)警閾值的辨識(shí)方法已很難及時(shí)地對(duì)故障做出正確的判斷，因此，迫切需要一種智能方案及時(shí)、有效地解決這一問題。

基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法包括統(tǒng)計(jì)分析法、信號(hào)處理法及人工智能法[5]。統(tǒng)計(jì)分析法主要是通過歷史數(shù)據(jù)分析當(dāng)前樣本運(yùn)行狀態(tài)，能較好地利用變量之間的耦合性，此方法適合高維系統(tǒng)的故障檢測(cè)與診斷。信號(hào)處理法主要是利用專家知識(shí)與系統(tǒng)運(yùn)行參數(shù)進(jìn)行分析，從而得到綜合評(píng)價(jià)，是典型的信號(hào)分析處理過程，依賴于信號(hào)的提取。人工智能法主要是通過利用正常運(yùn)行數(shù)據(jù)及故障數(shù)據(jù)來訓(xùn)練各種智能算法，進(jìn)而診斷故障，當(dāng)故障類型與故障表象之間不是簡(jiǎn)單地線性關(guān)系時(shí)，該方法較為適用[6]。

近年來，隨著人工神經(jīng)網(wǎng)絡(luò)和模式識(shí)別的引入，海上DFIG故障診斷技術(shù)有了快速的發(fā)展，神經(jīng)網(wǎng)絡(luò)能逼近任意非線性函數(shù)，并擁有高度的自組織、自學(xué)習(xí)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(huì)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(huán)。當(dāng)DFIG匝間短路時(shí)，由于短路破壞了原三相繞組的電氣平衡，使得繞組內(nèi)部定子電流不對(duì)稱，導(dǎo)致定子、轉(zhuǎn)子之間的氣隙磁場(chǎng)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(shì)可看做兩個(gè)互相獨(dú)立導(dǎo)體磁勢(shì)的合成，且兩個(gè)互相獨(dú)立的導(dǎo)體中流過的電流幅值相同、方向互逆，則可得一匝線圈磁勢(shì)的傅里葉級(jí)數(shù)展開式為：

式中，kyf為線圈節(jié)距因數(shù)，α為兩個(gè)導(dǎo)體相隔的空間電角度；P為極對(duì)數(shù)；v為諧波次數(shù)；整距線圈中v=1/P,2/P,3/P,…，且v不為偶數(shù)；短距線圈中v=1/P,2/P,3/P,…。

在理想工況條件下，DFIG正常運(yùn)行，假設(shè)定子三相繞組產(chǎn)生的磁勢(shì)為一正向旋轉(zhuǎn)(以順時(shí)針為正向)的圓形磁勢(shì)，根據(jù)法拉第電磁感應(yīng)定律，其可在三相繞組中感應(yīng)出正序電流。當(dāng)DFIG某相定子繞組發(fā)生匝間短路時(shí)，則有一個(gè)與正常電流相同的短路電流疊加在短路線圈上，同時(shí)建立了一個(gè)因故障而產(chǎn)生的非正常磁場(chǎng)，將之與正常情況下的發(fā)電機(jī)磁場(chǎng)疊加，從而形成了故障狀態(tài)下的電機(jī)磁場(chǎng)。

電機(jī)定子繞組發(fā)生匝間短路故障時(shí)，因繞組內(nèi)部結(jié)構(gòu)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(duì)稱，導(dǎo)致工作電流也隨之不對(duì)稱，因而由工作電流建立的磁勢(shì)中包含了大量的諧波分量。若在發(fā)生匝間短路故障的短路線圈上疊加一個(gè)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(jù)式(1)，其磁動(dòng)勢(shì)可以表示為：

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

因此，將F(θ,t)變換到轉(zhuǎn)子坐標(biāo)系中可得：

磁勢(shì)F(φ,t)于轉(zhuǎn)子側(cè)產(chǎn)生的電流分量為：

式中，IRf為轉(zhuǎn)子側(cè)的電流幅值。

若定子繞組發(fā)生匝間短路故障時(shí)，由于發(fā)電機(jī)的定轉(zhuǎn)子在空間中相互獨(dú)立，所以發(fā)電機(jī)轉(zhuǎn)子繞組對(duì)稱性不受影響，則轉(zhuǎn)子側(cè)電流IR產(chǎn)生的磁動(dòng)勢(shì)在轉(zhuǎn)子坐標(biāo)系中可表示為：

式中，F(xiàn)v,n為n次諧波磁勢(shì)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(shì)FR(φ,t)在定子坐標(biāo)系中的表達(dá)式為：

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

因此，DFIG定子繞組發(fā)生匝間短路后，定子、轉(zhuǎn)子側(cè)電流都將感應(yīng)出特定頻次的諧波分量。其中，定子側(cè)感應(yīng)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(zhuǎn)子側(cè)感應(yīng)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(jīng)網(wǎng)絡(luò)

2.1 適用于DFIG故障診斷的BP神經(jīng)網(wǎng)絡(luò)拓?fù)浼八惴?/h3>

BP神經(jīng)網(wǎng)絡(luò)是眾多應(yīng)用廣泛的神經(jīng)網(wǎng)絡(luò)中的一種，屬于多層前饋神經(jīng)網(wǎng)絡(luò)，其信息前向傳送，誤差逆向傳送。當(dāng)數(shù)據(jù)信號(hào)進(jìn)行前向傳遞時(shí)，輸入的樣本信息通過輸入層進(jìn)入隱含層(單層或多層)，通過隱含層數(shù)據(jù)處理后，再進(jìn)入輸出層，對(duì)于任意神經(jīng)單元，其只會(huì)影響與之連接的后一個(gè)神經(jīng)元。如果輸出信息達(dá)不到設(shè)定要求，那么就進(jìn)入誤差的逆向傳送，根據(jù)修正誤差修改各個(gè)神經(jīng)元之間的權(quán)值和閾值，從而使BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出不斷接近設(shè)定預(yù)期輸出。BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

由圖1可知，X1,X2,…,Xn為BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)信息輸入值，ωij與ωjk分別是BP神經(jīng)網(wǎng)絡(luò)的權(quán)值，Y1,Y2,…,Ym是BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值。本神經(jīng)網(wǎng)絡(luò)中輸入層節(jié)點(diǎn)有n個(gè)，輸出層節(jié)點(diǎn)有m個(gè)，表示了從n個(gè)自變量X1,X2,…,Xn到m個(gè)因變量Y1,Y2,…,Ym的函數(shù)非線性映射關(guān)系。

BP神經(jīng)網(wǎng)絡(luò)用于故障診斷時(shí)首先應(yīng)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行一定的訓(xùn)練，將信息前向傳送和誤差逆向傳送時(shí)神經(jīng)網(wǎng)路的每層權(quán)值和閾值不停調(diào)節(jié)的過程稱之為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程，通過一定次數(shù)的訓(xùn)練，使神經(jīng)網(wǎng)絡(luò)初步具有聯(lián)想記憶能力和預(yù)測(cè)輸出能力，BP神經(jīng)網(wǎng)絡(luò)完成設(shè)定的訓(xùn)練次數(shù)之后，經(jīng)檢驗(yàn)輸出符合預(yù)期，則其就可以投入到實(shí)際應(yīng)用中。在對(duì)DFIG進(jìn)行故障診斷時(shí)，只需經(jīng)過信息前向傳送的過程，并不需要逆向傳送。具體的訓(xùn)練流程如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程圖

由圖2可知，BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的具體步驟為：

1)步驟1：網(wǎng)絡(luò)初始化。根據(jù)診斷系統(tǒng)的信號(hào)相量維數(shù)（輸入X，輸出Y）進(jìn)一步確定網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)n、輸出層節(jié)點(diǎn)數(shù)m，隱含層節(jié)點(diǎn)數(shù)l。對(duì)神經(jīng)網(wǎng)絡(luò)各層神經(jīng)元之間的連接權(quán)值ωij、ωjk，隱含層閾值a，輸出層閾值b進(jìn)行初始化處理，并且給定神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速率和神經(jīng)元激勵(lì)函數(shù)。

2)步驟2：輸入P個(gè)樣本相量。

3)步驟3：計(jì)算隱含層輸出Hj。

式中，j為隱含層節(jié)點(diǎn)數(shù)，j=1,2,…,l；f為隱含層激勵(lì)函數(shù)；xi為輸入值，aj為隱含層閾值。

4)步驟4：計(jì)算輸出層預(yù)測(cè)輸出Ok。

式中，k=1,2,…,m。

5)步驟5：計(jì)算網(wǎng)絡(luò)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(jié)束；若不滿足，則執(zhí)行步驟7。

7)步驟7：權(quán)值更新。

權(quán)值ωij的更新式為：

式中，i=1,2,…,n；j=1,2,…,l；η為學(xué)習(xí)速率。

權(quán)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(gè)學(xué)習(xí)的過程中，步驟7與步驟8至關(guān)重要，如何調(diào)節(jié)權(quán)值，使預(yù)測(cè)誤差持續(xù)變小，是BP訓(xùn)練算法的核心問題。

2.2 樣本獲取及數(shù)據(jù)的歸一化處理

由錄波儀可以直接得到DFIG的定子、轉(zhuǎn)子電流，再經(jīng)過對(duì)數(shù)據(jù)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(shù)據(jù)一般情況下不允許直接作為輸入量傳入輸入層。因?yàn)樵紨?shù)據(jù)量綱、數(shù)量級(jí)不統(tǒng)一，直接輸入原始數(shù)據(jù)往往會(huì)導(dǎo)致BP網(wǎng)絡(luò)連接權(quán)值相差過大，進(jìn)而導(dǎo)致性能不穩(wěn)定，故原始數(shù)據(jù)信息在輸入神經(jīng)網(wǎng)絡(luò)系統(tǒng)之前必須要經(jīng)過數(shù)據(jù)預(yù)處理。

本文采用數(shù)據(jù)歸一化作為數(shù)據(jù)預(yù)處理的方法。數(shù)據(jù)歸一化處理是將所有輸入的數(shù)據(jù)經(jīng)處理轉(zhuǎn)換到[0,1]范圍，為的是消除數(shù)據(jù)間的量綱、數(shù)量級(jí)大小的差異，從而避免神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差過大。輸入數(shù)據(jù)歸一化的具體方法為：

式中，x′k為歸一化后的輸入數(shù)據(jù)；xk為某維數(shù)據(jù)中的第k個(gè)數(shù)據(jù)；xmin為某維數(shù)據(jù)中的最小值；xmax為某維數(shù)據(jù)中的最大值。

通過式(14)可得到樣本歸一化之后的數(shù)據(jù)，如表1、表2所示。

正常運(yùn)行樣本的各參數(shù)如表1所示。定子匝間短路故障樣本的各參數(shù)如表2所示。

表1 正常運(yùn)行時(shí)DFIG定子、轉(zhuǎn)子側(cè)電流各頻率含量諧波幅值

表2 定子匝間短路故障時(shí)DFIG定子、轉(zhuǎn)子側(cè)電流各頻率含量諧波幅值

2.3 針對(duì)海上DFIG故障診斷的BP神經(jīng)網(wǎng)絡(luò)模型的建立

基于故障診斷的BP神經(jīng)網(wǎng)絡(luò)的建模過程包括建立BP神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練和使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分類3步，具體算法詳細(xì)流程如圖3所示。

圖3 算法流程

從工程中的應(yīng)用來看，僅單層隱含層的BP神經(jīng)網(wǎng)絡(luò)就能解決任何實(shí)際問題，而且隨著神經(jīng)網(wǎng)絡(luò)隱含層數(shù)目的提升，對(duì)其進(jìn)行訓(xùn)練的時(shí)間將大幅變長(zhǎng)，由此產(chǎn)生的局部最小誤差值也會(huì)相應(yīng)增大。因此，本文將以DFIG定子繞組匝間短路故障作為研究對(duì)象建立的BP網(wǎng)絡(luò)隱層數(shù)目設(shè)置為1。BP神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)的選取是建立BP神經(jīng)網(wǎng)絡(luò)的關(guān)鍵步驟，其數(shù)目會(huì)影響預(yù)測(cè)精度。隱含層節(jié)點(diǎn)數(shù)目太少會(huì)使訓(xùn)練次數(shù)激增，使神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力降低、精度變差；隱含層節(jié)點(diǎn)數(shù)過多，神經(jīng)網(wǎng)絡(luò)將會(huì)過擬合，導(dǎo)致訓(xùn)練時(shí)間的延長(zhǎng)。根據(jù)經(jīng)驗(yàn)，最優(yōu)化隱含層節(jié)點(diǎn)數(shù)目可以用經(jīng)驗(yàn)公式確定：

式中，m為輸出層節(jié)點(diǎn)數(shù)；n為輸入層節(jié)點(diǎn)數(shù)；a為隱含層閾值，其取值為1～10的整數(shù)。

在實(shí)際工程中，首先是根據(jù)經(jīng)驗(yàn)公式確定隱含層節(jié)點(diǎn)數(shù)目的大概范圍，然后通過不斷湊試，選擇使網(wǎng)絡(luò)性能最佳的隱含層節(jié)點(diǎn)數(shù)目。由前文可知，以定子側(cè)感應(yīng)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(zhuǎn)子側(cè)感應(yīng)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(tǒng)輸入，數(shù)據(jù)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(jù)式(4)～式(14)，隱含層節(jié)點(diǎn)個(gè)數(shù)分別取5、6、7、8、9、10、11、12、13。本案例中隱含層節(jié)點(diǎn)數(shù)與網(wǎng)絡(luò)訓(xùn)練誤差對(duì)應(yīng)關(guān)系如圖4所示。

圖4 隱含層節(jié)點(diǎn)數(shù)與網(wǎng)絡(luò)訓(xùn)練誤差對(duì)應(yīng)關(guān)系

從圖4中可以看出，本文中BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差隨著隱含層節(jié)點(diǎn)數(shù)目的增多大體上呈現(xiàn)先減小后增長(zhǎng)的趨勢(shì)。

綜上所述，通過故障診斷系統(tǒng)信號(hào)維數(shù)特性構(gòu)造BP神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)為12-9-2，即輸入層設(shè)置12個(gè)節(jié)點(diǎn)，隱含層設(shè)置9個(gè)節(jié)點(diǎn)，輸出層設(shè)置2個(gè)節(jié)點(diǎn)。

3 建立融合遺傳算法的BP神經(jīng)網(wǎng)絡(luò)

從前文分析可知，BP神經(jīng)網(wǎng)絡(luò)雖然可以較為準(zhǔn)確地診斷出定子繞組匝間短路故障，但是傳統(tǒng)的BP算法卻存在一些影響B(tài)P神經(jīng)網(wǎng)絡(luò)性能的因素。由于BP神經(jīng)網(wǎng)絡(luò)是通過誤差逆向傳送算法進(jìn)行訓(xùn)練的，導(dǎo)致了訓(xùn)練速度緩慢，且有時(shí)算法會(huì)因逼近局部極小值點(diǎn)而造成誤差，因此需要對(duì)算法進(jìn)行改進(jìn)，從而解決此實(shí)際問題。但是傳統(tǒng)神經(jīng)網(wǎng)絡(luò)在建模過程中隱含層節(jié)點(diǎn)數(shù)目通常由經(jīng)驗(yàn)公式得出，還需要反復(fù)的測(cè)試和訓(xùn)練。因此，本文針對(duì)以上3個(gè)缺陷，結(jié)合遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)。

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法流程如圖7所示。

由圖5可知，本文優(yōu)化之后的算法分為3個(gè)模塊，分別為結(jié)構(gòu)模塊、優(yōu)化模塊和預(yù)測(cè)模塊。其中，結(jié)構(gòu)模塊是根據(jù)部分故障特征量與需辨識(shí)故障類型的維數(shù)特性來確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，進(jìn)而確定族群中個(gè)體的長(zhǎng)度。優(yōu)化模塊優(yōu)化了權(quán)值和閾值，族群中的所有個(gè)體均含有所有網(wǎng)絡(luò)參數(shù)，每個(gè)個(gè)體經(jīng)適應(yīng)度函數(shù)計(jì)算適應(yīng)度值，選擇算子尋找最優(yōu)個(gè)體。預(yù)測(cè)模塊利用優(yōu)化模塊的結(jié)果對(duì)網(wǎng)絡(luò)初始值和閾值賦值，網(wǎng)絡(luò)經(jīng)訓(xùn)練后預(yù)測(cè)函數(shù)輸出。

圖5 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法流程

優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差如圖6所示。

圖6 優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差

從圖6中可以看出，迭代次數(shù)為27時(shí)達(dá)到最佳訓(xùn)練結(jié)果，誤差為4.327×10-8。BP神經(jīng)網(wǎng)絡(luò)在經(jīng)遺傳算法優(yōu)化之后的訓(xùn)練誤差較未作優(yōu)化前(10-5)降低了3個(gè)數(shù)量級(jí)，并可以降低網(wǎng)絡(luò)訓(xùn)練次數(shù)進(jìn)而節(jié)省訓(xùn)練時(shí)間。

從圖7仿真結(jié)果可以看出分類的效果，綠色區(qū)域表示分類結(jié)果與測(cè)試數(shù)據(jù)的實(shí)際情況一致；紅色區(qū)域表示兩者結(jié)果不一致，紅色區(qū)域內(nèi)的百分?jǐn)?shù)越小，說明誤差越小。因此，本網(wǎng)絡(luò)的正確率達(dá)到了100%，說明本神經(jīng)網(wǎng)絡(luò)能夠精確的反映DFIG定子匝間短路故障。

圖7 仿真結(jié)果

4 總結(jié)

本文分析了大數(shù)據(jù)背景下海上DFIG故障診斷系統(tǒng)的研究現(xiàn)狀，得出在當(dāng)前形勢(shì)下，從大量冗雜數(shù)據(jù)中提取分析出眾多的故障特征很難用傳統(tǒng)的設(shè)置報(bào)警閾值去辨識(shí)故障，需要引入人工智能領(lǐng)域的先進(jìn)方法。通過對(duì)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(tǒng)的BP神經(jīng)網(wǎng)絡(luò)雖然可以診斷出故障，但是存在一些問題，如訓(xùn)練速度緩慢、有時(shí)會(huì)逼近局部極小值點(diǎn)、隱含層節(jié)點(diǎn)數(shù)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(tǒng)的BP神經(jīng)網(wǎng)絡(luò)，經(jīng)仿真和實(shí)驗(yàn)驗(yàn)證，優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度快、訓(xùn)練誤差小、診斷結(jié)果精確，完全可以勝任大數(shù)據(jù)背景下的海上DFIG定子繞組匝間短路故障診斷任務(wù)。此方法具有通用性，可推廣應(yīng)用至陸上風(fēng)電場(chǎng)等其他DFIG中。