CN102253338A - 一种风电机组变频器智能故障诊断方法 - Google Patents

Abstract

本发明公开了风电机组变频器智能故障诊断方法，包括以下步骤：A1、风力发电机变频器模型建立，进行变频器各种故障仿真，得到故障仿真结果；A2、建立基于SOM神经网的风机变频器故障智能诊断模型，采用步骤(1)的故障仿真结果训练所述智能诊断模型；A3、采集实际风力发电机变频器故障运行数据，输入到该故障诊断模型中，得出故障诊断结论，告知最为可能的故障类型和部位。本发明的风电机组变频器智能故障诊断方法能够得出具体的故障类型种类，以及发电机变频器故障发生的较为准确的部位；节约维护成本，同时为风电机组前期设计提供参考，可以有效提高经济效益。

Description

一种风电机组变频器智能故障诊断方法

技术领域

本发明涉及一种风电机组变频器智能故障诊断方法，属于风力发电技术领域。

背景技术

随着国家加大对风电产业的投入，风能在不久的将来会成为重要的原始能源之一，因此对风力发电机本身能够在受到外界干扰或自身故障时能够及早采取补救措施以达到不间断运行的能力要求也在增加，能够自动维护和甚至修复的风力发电系统对未来风电场的监控和管理有积极作用。新疆是多风的地区，风次数多，持续的时间长，每年风能理论蕴藏量约为3万亿千万小时。新疆九大风能区的总面积可达15万平方公里，风能资源约占全国总量的37％，可装机容量在8000万千瓦以上，本研究立足新疆风电场，研究对象是变速恒频风力发电机，主要是对双馈感应风力发电机变频器运行中的故障进行诊断、评估与分类，找出故障的类型和位置，在风力发电机运行过程中能够弥补一些由于故障对其性能造成的影响，为风力发电机系统的维护、监控及管理做好前期准备。

风力发电机有很多种，而并网风力发电机主要有双馈式和直驱式以及鼠笼式。其中，除鼠笼式以外，其余两种都需要通过变频器接入电网，所不同的是：直驱式风力发电机是定子侧通过变频器接入电网的，双馈式是转子侧通过变频器接入电网的。交-直-交变频器主要是由电力电子整流电路，逆变电路和斩波电路这些通用的电力电子电路组成。

国内学者在变频器故障方面也得出了很多研究成果。变频器所处现场往往环境恶劣，高温发热，油水脏污，灰尘，以及交变的电磁干扰等都无法估计，既影响变频器性能也极易导致变频器故障，如文献(孙丰涛，张承慧，崔那信，杜春水.变频器故障诊断技术研究与分析[J].电机与控制学报2005，9(3)：272-279.)就对变频器受到环境温度、载波频率、泵升电压、电源电压的影响作了研究。此外，由于目前变速恒频式风力发电机，尤其是双馈式风力发电机在应对电网故障能力方而存在较大缺陷。电网发生故障容易导致风力发电机机端电压跌落，造成发电机定子电流增加。由于转子与定子之间的强耦合，快速增加的定子电流会导致转子电流急剧上升。此外，由于风机的调节速度较慢，故障前期风机吸收的风能不会明显减少，而发电机由于机端电压降低，不能正常向电网输送电能，即有一部分能量无法输入电网，这些能量由系统内部消化，将导致直流侧电容充电、直流电压快速升高、电机转子加速、电磁转矩突变等一系列问题。上述问题容易导致系统元器件的损坏。目前国内外单对通用电力电子电路的智能诊断方法已有很多研究，使用的方法也多种多样，如文献(郑连清，邹涛，娄洪立.电力电子主电路故障诊断方法研究[J].高电压技术，2006，32(3)：84-98.)从介绍故障诊断的定义开始，介绍了变频器的故障分类及国内外变频器故障研究的现状，从理论上介绍了几种常见的变频器故障诊断方法，特别是基于信号处理技术、故障树技术和神经网技术的变频器故障诊断方法，并预测了其它有可行性的新的变频器故障诊断方法。至于单个的整流电路的故障诊断，国内外已有相当数量的研究，如文献(肖岚，李睿.逆变器并联系统功率管开路故障诊断研究.中国电机工程学报Vol.26 No.4 Feb.2006)提出了该文通过仿真和实验，对无输出隔离变压器的逆变器并联系统功率管开路故障诊断进行了研究。以半桥逆变器为例，分析了逆变器并联系统在功率管开路故障下的等效电路和故障表现形式，提出了几种故障识别方案。通过检测并联系统各模块电感电流，在两台并联实验样机上实现了故障识别和故障模块的在线切除，验证了方案的可行性。关于这方面甚至已经有人大胆将神经网络技术和小波分析技术用于整流电路研究，并取得了一定进展，如文献(张晓波，王占霞，张新燕，王维庆.基于PSIM和Matlab的变频器故障仿真分析[J].电网技术，2010，34(3)：79-84.)对电力电子整流电路进行了分类。引入了多尺度分析的小波变换，通过检测模的极大值来检测信号突变，并考虑控制角，形成故障的定位特征向量。并以该特征向量对BP神经网进行训练，实现最终的故障诊断网络。

但关于风力发电系统专用变频器的故障诊断研究(包括直驱和双馈机型所用的变频器)，以及结合新疆本地特殊的地理气候环境如干燥、风沙、昼夜温差大、极端气温等条件下的变频器故障诊断的研究还鲜有报导。由于火力发电成本(煤的价格)的上涨及环保要求的提高(一台脱硫装置的价格相当于一台锅炉的价格)，风能发电将有较大的发展，电站的规模也将不断大型化。随着我国的大型风力机制造技术及风力机运行经验的积累，风力发电技术和设备生产能力进步很快。其中电力电子装置的运用也相当多，如直驱式风力发电机中可以用到的全功率因数变流装置和双馈式风力发电机中用到的变频器。随着生产设备自动化水平提高，风力发电机都采用远程遥测集中控制。大量现场采集来的电压和电流等数据可供分析判断风机电力电子装置运行状态是否正常，这些数据全靠人工识别效率相当低下，而且由于开关管故障机理的复杂性，光凭某一时刻的电压或者电流值无法准确判断此时开关管是否有故障不准确。而且现有技术直接用于风力发电机变频器不能反映其真实情况，造成误判；主要是因为现有技术条件、工况和参数范围与风电机组中的变频器不同。

发明内容

本发明所要解决的问题是针对现有技术的不足提供一种风电机组变频器智能故障诊断方法。

一种风电机组变频器智能故障诊断方法，包括以下步骤：A1、风力发电机变频器模型建立，进行变频器各种故障仿真，得到故障仿真结果；A2、建立基于SOM神经网的风机变频器故障智能诊断模型，采用步骤(1)的故障仿真结果训练所述智能诊断模型；A3、采集实际风力发电机变频器故障运行数据，输入到该故障诊断模型中，得出故障诊断结论，告知最为可能的故障类型和部位。

所述的智能故障诊断方法，所述故障仿真结果为变频器对应故障的电压波形曲线。

所述的智能故障诊断方法，所述步骤A1中还包括将所述故障仿真结果进行预处理步骤和归一化步骤。

利用该智能诊断方法，能够从风机变频器畸变的输出波形中自动诊断出其发生的故障类型和故障位置。

附图说明

图1为PSIM下的主电路模型；

图2为Matlab下的电路模型；

图3为SPWM控制电路；

图4为含高次谐波的输出线电压；

图5为加电感滤波后的输出线电压；

图6为无电感及滤波器时的输出线电压；

图7为仅用强电感滤波时的输出线电压；

图8为有滤波器和弱电感时的输出线电压；

图9为有滤波器及强电感时的输出线电压；

图10为整流侧单管短路时的输出电压；

图11为同一管开路时的输出电压；

图12为整流侧另一单管短路及开路时的输出电压；

图13为同一桥臂两管短路及开路时的输出电压；

图14为不同桥臂两管短路及开路时的输出电压；

图15为正常情况下的输出电压FFT分析；

图16为单管短路下的输出电压FFT分析；

图17为同一管开路下的输出电压FFT分析；

图18为另一桥臂单管短路下的输出电压FFT分析；

图19为故障组合时的输出电压FFT分析；

图20为单管短路输出电压；

图21为单管开路输出电压；

图22为混合短路输出电压；

图23为预处理采样程序流程图；

图24为BP网训练流程图。

具体实施方式

以下结合具体实施例，对本发明进行详细说明。

实施例1

风电机组变频器智能故障诊断方法包括以下步骤：1、风力发电机变频器模型建立，进行变频器各种故障仿真，得到故障仿真结果；2、建立基于SOM神经网的风机变频器故障智能诊断模型，采用步骤(1)的故障仿真结果训练该诊断模型；3、采集实际风力发电机变频器故障运行数据(例如电压、电流)，输入到该故障诊断模型中，得出故障诊断结论，告知最为可能的故障类型和部位。

SOM网比起BP网诊断有明显的优势，主要体现在：网络灵活性强，无需制定目标向量，随时可以添加数据；训练速度快，计算精度高，只要训练正确就没有误差。

本发明的风电机组变频器智能故障诊断方法能够得出具体的故障类型种类，以及发电机变频器故障发生的较为准确的部位；节约维护成本，同时为风电机组前期设计提供参考，可以有效提高经济效益。

实施例2变频器故障仿真

用神经网进行故障诊断的前提是获得故障数据对神经网进行训练。因为风电场通常很难获得所有风机变频器的故障数据，又不可能对风机变频器实施人为破坏来获得故障数据，故需要采用仿真的方法来获得风机变频器的故障信息，本实施例将在PSIM和MATLAB等仿真平台基础上进行风机变频器故障仿真。

1.1仿真结构

1.1.1一次侧仿真结构

典型的交-直-交变频器一次侧电路实际上是由一个三相桥式AC/DC整流器和一个三相桥式DC/AC逆变器组成的，通过改变整流侧和逆变侧的控制波形来实现对输入波形频率和电压的变换。本实施例中一次侧电路由2组6管的H桥整流逆变器组合而成。

图1是在PSIM下搭建的变频器一次侧模型，其中ia、ib、ic分别对应A、B、C相的上桥臂驱动电流入口，ia2、ib2、ic2分别对应A、B、C相的下桥臂驱动电流入口。VP4、VP5、VP6测量的分别是AB、BC、AC间的线电压，V10测量的是A相对地电压。

图2是在Matlab中搭建的类似结构的变频器模型。

1.1.2控制波形的产生

本实施例中变频器开关管的控制波形采用的是正弦脉宽调制(sinusoidal pulse widthmodulation，SPWM)控制波形。具体产生方式是将3个电压幅值、频率相同，相位各自相差120°的正弦工频信号与一个5kHz的三角波载波信号进行比较，然后经过处理形成开关管所用的PWM波信号。

图3给出了在PSIM软件下产生SPWM控制波形的电路图。其中：ia、ib、ic以及ia2、ib2、ic2分别对应图1-1中的桥臂驱动输出电流；U1、U2、U3分别为三相50Hz交流输入中的A、B、C相发生源；UC为5kHz三角波发生源；V1、V11、V9、V13分别为对应连接点的电压测量模块。Matlab下有专门的PWM波形产生模块，不用另外搭建，Matlab中PWM控制波形的产生见图2。

1.1.3滤除高次谐波方法研究

仅使用PWM波形控制H桥式变频器是无法直接输出三相正弦波形的，由于PWM产生于高频载波与工频信号的叠加，其输出波形中也必然包含高次谐波。因此，在变频器的末端到输出端之前必须加入滤波器环节。

在PSIM软件下直接用三相电感滤波就能得到比较理想的三相正弦输出波形，见图4～图5；

但在Matlab软件下，由于采用算法的不同，必须加入一个专门的对地滤波器模块，再通过电感滤波，才能得到接近满意的输出波形，见图6～图9。

1.2故障产生方法及其仿真

在软件中，故障模块无法直接产生故障。在实际故障中，单只IGBT的对外故障总体来说只有开关管击穿和开关管断路2种。开关管击穿表现为不受控短路现象，而开关管断路一般是由开关管发热过大导致的，其余介于这2种极端故障之间的对外表现现象与此类似。因此，对于单只开关管的2种故障，本实施例直接以在模型中接导线旁路开关管和将开关管直接切除来仿真其短路故障和开路故障。

1.3仿真结果

1.3.1PSIM环境下的故障波形仿真

本实施例变频器模型中共有12只IGBT，每只都对应有短路及断路2种故障现象，组合起来故障种类很多。图10～图14是用PSIM仿真的部分故障波形。

图10与图11是整流侧同一开关管上分别发生短路及开路故障时的仿真波形，可以看出，在同一位置发生短路及开路故障时，所对应的输出电压波形是不同的。

图12中2组波形分别是整流侧另一只开关管上发生短路及开路故障时的输出电压。对比图10、图11可以看出，在变频器中不同位置发生同一故障时，输出电压波形是不同的，由此可通过记录输出波形来定位故障发生位置。

图13中的2组波形分别代表了同一桥臂的两IGBT发生短路及开路故障时的波形。

图14中的2组波形分别代表了不同桥臂的两IGBT发生短路及开路故障时的波形。对比图13可以看出，在同时发生2个及以上单IGBT故障时，不同的故障位置组合对应的输出波形也是不同的，由此认为：通过分析输出波形不但可以分类组合故障类型，还可以分类组合故障位置。

1.3.2FFT分析结果

图15-图19是在PSIM下对输出电压波形进行快速傅里叶变换(fast Fouriertransform，FFT)得到的图形。

由正常运行状态下的变频器FFT图(图15)可以看出，三相波形都比较均衡，且高次谐波很少，绝大部分能量都分布在工频50Hz处，变频效果比较理想。

当变频器发生单管短路时(图16)，三相波形分布不再均衡，在工频分量的整数倍处如100、150、200Hz处明显出现了高次谐波，特别是在工频分量的1倍频(100Hz)处，BC线电压的分量VP5明显大于其他两相分支，而基波分量也出现了明显的衰减，从150降到了82左右，呈现出故障态。

图17是同一管开路的FFT图，从中不难发现三相波形也是明显不平衡，但基波分量的衰减却没有短路时严重，大部分仍能达到120左右，而且100Hz和150Hz处的分量也明显与短路时不同。

图18、图19分别是不同单管发生短路时的电压FFT和发生不同桥臂短路组合时的电压FFT，对比图16可以看出，在不同故障以及同一故障的不同位置，对应FFT波形的形状、分布和大小都是不同的。由此可知，根据输出电压的FFT变换波形也可以判断变频器故障的类型和发生位置。

1.3.3Matlab仿真结果

用Matlab也可以进行故障波形的生成和判断分析。图9给出了正常状态时的输出电压波形。

图20～图22分别是在Matlab软件下实现的单管短路、单管开路、混合桥臂短路故障的输出电压波形。

实施例3数据预处理方法

上述实施例得出风力发电系统变频器对应故障的电压波形曲线，该波形曲线实际上是由大量二维数据组成的点连成的，理论上可以直接搭建适当结构的神经网络，然后将这些点数据输入神经网络进行分类训练便可进行故障智能诊断。然而，实际得到的每幅故障曲线图是由10000个时间点所对应的30000个电压数据组成的，仅此一张图就有40000个数据，仅以按整流侧划分的正常、整流单管短路、整流单管断路、整流交叉短路、整流交叉断路、整流同臂短路、整流同侧全短路、整流同侧全断路这八种典型曲线，就有320000个数据之多。要用如此庞大的数据量训练神经网进行故障分类，以目前常用的台式电脑，计算量太过庞大，所耗费的时间也无法承受。解决计算量的一个办法是采用巨型计算机或采用云计算技术等提供庞大的计算能力，加快运算速度。这个方法很精确，但不经济，缺乏实用价值，可能在未来随着计算机硬件技术飞速发展以及制造成本降低后得到应用。另一个解决计算量的办法就是在故障曲线诊断精度的允许范围内，通过采用过滤方法，适当减少采样点数，加快神经网训练步骤。这就需要在用采样数据对神经网训练前先对数据进行预处理。

2.1用神经网络对故障波形图象分类前的数据预处理

由前面分析可知，数据预处理的目标是不丧失曲线特征的前提下尽可能减少采样点数。先打开数据处理前的文件，然后手动输入指定的列数(m)和每多少数据(t)保留一个数据，程序对原数据文件的第m列数据开始，每t行保留下一个数据发送到目标文件中，这样目标文件中最后留下的就是均匀筛选后留下的有效数据。图23为预处理采样程序流程图。

2.2用神经网络对故障波形图象分类前的数据归一化

各种故障波形点的数据经过预处理后，得到了数量相对减少但仍包含故障特征信息的一组点数据，由于这些数据波动范围较大，实际使用中需要对其先进行归一化将其取值范围限制在[-1，1]之间以便于神经网进行运算。

下面以20个采样点的正常状态数据为例说明数据归一化的过程。

从上一节分析中，得到20个采样点时分别对应此时电压VP4、VP5、VP6的3组列向量aa1，aa2和aa3，如表5-1所列：

表5-1预处理后20个采样点时正常状态数据的3组列向量

由于归一化命令默认是对行向量归一化，这里先把3个20个数据的列向量aa1，aa2和aa3转化成对应的行向量aa4，aa5和aa6，然后合并成一个60个数据的行向量作为一组状态参数进行归一化，具体命令如下：

aa4＝aa1′；aa5＝aa2′；aa6＝aa3′；

％转化成对应的行向量

aa7＝[aa4，aa5，aa6]；

％合并成一个行向量

[y1，PS]＝mapminmax(aa7)

％归一化

最后得到归一化后的正常状态数据为

y1＝

0.0385132191292330 -0.397472450318996 -0.726859239237517

-0.948766334858706 -0.817093983887842 -0.414442110287527 0.179570360955629

0.686942380858557  0.981212657729035  0.861661888891047  0.450592064914846

-0.121354575702999 -0.540217955371043 -0.822621958157231 -0.731826645835010

-0.356811313476657 0.218523153942428  0.7147432072796091

0.874360689220728  0.104586942103350  0.624944151364372  0.730144942819323

0.514345814751810  -0.00833469775134665 -0.514010029166169

-0.827606015279632 -0.851216459598889 -0.549342443020516 0.000700987098618322

0.588891879816511  0.952290695964191    0.951413768319046  0.663392988463962

0.0924111902627731 -0.445914377450749   -0.781578414259510 -0.820102178721184

-0.528312830061968 0.0137117072615716   0.0715500806162914

0.155921620429084  -0.0682610469295045  -0.505973375810672

-0.896977652220486-1 -0.719582959852809 -0.235820274234145

0.360318469039737  0.790808355233399  0.967936639202551  0.759388814732385

0.339644622296718  -0.230782935432039 -0.710963538125540 -0.874277436596189

-0.634604230898379 -0.176906276970381 0.400136534304244  0.816522315866008

其余各故障状态及其位置状态可用类似方法处理得到y2、y3、y4、y5、y6、y7、y8等等，至此，神经网诊断前的数据预处理工作结束，以后除感知器外的各种诊断方法皆可引用此处生成的数据作为输入向量。

实施例4用BP神经网对变频器故障波形进行诊断

3.2.1BP网设计思路

已经得出风机变频器各种不同故障所对应的波形，并对其进行数据预处理和归一化后得到了每种故障对应的1*60的行向量。即所用到的BP网输入层应该具有60个神经元。而网络的输出层应该由故障类型及其位置信息所决定，经过对风机变频器故障机理分析可知，故障类型总共有：标准无故障、单管短路、单管断路、交叉短路、交叉断路、同臂短路、同臂断路、混合故障八种。如果要加上故障位置信息，以单管短路为例，则可分为整流侧a管短路、整流侧b管短路、整流侧c管短路、整流侧a2管短路、整流侧b2管短路、整流侧c2管短路、逆变侧a管短路、逆变侧b管短路、逆变侧c管短路、逆变侧a2管短路、逆变侧b2管短路、逆变侧c2管短路共12种故障模式，其余故障类型则是各自对应故障位置的排列组合数，限于篇幅，这里不再一一列举。因此，如果只计及故障类型而不计及故障位置信息，则总共有八种输出模式，用二进制表示为：标准无故障[0 0 0]、单管短路[0 0 1]、单管断路[0 1 0]、交叉短路[0 1 1]、交叉断路[1 0 0]、同臂短路[1 0 1]、同臂断路[1 1 0]、混合故障[1 1 1]，因为8＝23，用三个输出层神经元就可以表示。计及位置信息后故障模式总数为各种故障类型对应的位置组合数的总数之和，虽然数目提升了不少，但选择输出层的神经元个数的方法依然是将总数先转化为二进制数，看总共需要多少个二进制位。由于涉及到的数据庞杂，本实施例仅以八种不含位置信息的故障类型选择三个输出层神经元为例进行训练，含位置信息的数据处理方法与此完全雷同，这里不再赘述。

3.2.2程序结构

首先，用数据处理及归一化后最终得到的八个60列的行向量y1、y2、y3、y4、y5、y6、y7、y8组合成一个8*60的向量并转置作为输入向量P用以训练神经网。然后定义一个3*8的目标向量T＝[0 0 0；0 0 1；0 1 0；0 1 1；1 0 0；1 0 1；1 1 0；1 1 1]′，用threshold变量定义各输入层神经元的输入上、下限，由于前文归一化时处理出的数据在(-1，1)之间，所以，此处应该定义60组[-1，1]的上下限。用newff创建一个前向型网络，网络结构暂且定义为包含一个输入层，一个输出层，一个隐层的三层网络。由于输入网络的数据是在(-1，1)之间的，而输出网络的八种二进制模式不包含负号，是在(0，1)之间的，因此，各隐层的传递函数可以定义为tansig或者purelin，而输出层的传递函数则必须定义为logsig才能保证输出值在(0，1)之间。至于训练函数、学习函数和性能函数暂且都取默认的trainlm、learngdm、mse即可。后面设定训练次数为1000，训练目标为0.01，学习速率为0.01，即可开始对所定义网络进行训练。图24为所使用程序的流程图。

3.2.3网络训练效果测试

现在用y1(0 0 0)、y4(0 1 1)、y7(1 1 0)对应的三种故障状态的每个数据加上一个(0～0.05)之间的小随机数的方法，生成三种对应的测试数据。如下表所示：

表3-1测试数据生成

网络训练完毕后，使用

P_test＝[c1 c4 c7]；

Y＝sim(net，P_test)

来测试网络结果，如果训练出的是理想的网络，所得的结果预期应该为Yt＝[0 0 0；01 1；1 1 0]′。上述训练后实际测试的结果为：

Y＝

0.0232  0.0703  0.9486

0.0038  0.9183  0.9820

0.0075  0.9236  0.0132

用ydet＝Yt-Y求训练结果与目标的偏差可得

ydet＝

-0.0232  -0.0703  0.0514

-0.0038  0.0817   0.0180

-0.0075  0.0764  -0.0132

可以看出各数据与目标的偏差的绝对值都小于0.1，可以认为训练结果是满足要求的，该网络实现了故障模式的智能诊断。

实施例5SOM网风机变频器故障诊断

本实施例采用自组织特征映射人工神经网络，简称SOM的网络结构。

SOM网络同样有归一化的要求，这在实施例3数据处理部分已有介绍，为对比新增故障类型的情况，这里分别用P＝[y1；y2；y3；y4；y5；y6；y7；y8]′和P2＝[y1；y2；y3；y4；y5；y6；y7；y8；y9]′来训练同一个SOM网络进行对比。其中新增的y9经过数据处理后的向量为：

y9＝-0.872177862832690  -0.872065266115363  -0.879428515463286

-0.913052658269528 -0.971579591863712 -0.999327043190008 -0.972351208948884

-0.939598641348269 -0.916977678863809 -0.901693868342009 -0.891292960330999

-0.884078899379137 -0.886771291422144 -0.917262964482902 -0.973675972497697 -1

-0.972061837520587 -0.938662270015508 -0.915607010046885 -0.900032746559058

-0.872178659658703 -0.812562541421393 -0.682310308797048 -0.394277583868744 1

0.621918443643172  -0.706446625812580 -0.878459085127234 -0.878424788364096

-0.872179715002791 -0.866590001664366 -0.818774653802777 -0.688514730243460

-0.400473593355032 0.993811200765248  0.615741661494313  -0.712618601127083

-0.884622756635384 -0.884581057347337 -0.872179807257959 -0.871573821259066

-0.815182626658583 -0.780561642543368 -0.780934893231196 -0.816159976254238

-0.872781907315822 -0.929173098311179 -0.963794082426394 -0.963420831738566

-0.928195748715524 -0.871573812847106 -0.815182506487724 -0.780561522372509

-0.780934893231196 -0.816159976254238 -0.872781916929490 -0.929173218482038

-0.963794202597253 -0.963420831738566 -0.928195748715524

该向量所对应的故障类型为整流侧异臂混合故障。

3.3.1SOM网络结构设计

SOM网络在输入层和输出层中间有一个竞争层，是一个二维网络，这里暂且设定为[8 8]大小的二维网络，其每个输入元素的最大值和最小值定义为P向量的最大值和最小值，定义训练循环次数上限为100次。在具体现实应用中采用多大的竞争层结构应有设计者根据实际风机变频器可能具有的所有故障类型及位置组合数以及计算效率来综合考虑。主要部分程序如下：

P＝[y1；y2；y3；y4；y5；y6；y7；y8]′；

％建立SOM网络，竞争层大小为8*8，其每个输入元素的最大值和最小值定义为P向量的最大值和最小值

net＝newsom(minmax(P)，[8 8])；

％定义训练循环次数上限为100次

net.trainParam.epochs＝100；

net＝train(net，P)；

y＝sim(net，P)

yc＝vec2ind(y)；

％输出聚类结果

yc_88＝y；

程序结果，即对应神经元的结果分类表为：

y＝

(8，1)     1

(13，2)    1

(9，3)     1

(44，4)    1

(1，5)     1

(57，6)    1

(26，7)    1

(56，8)    1

6.3.2网络训练效果测试

这里仍然用P_test＝[c1 c4 c7]作为测试向量来检验网络训练结果，P_test向量采用的是第一、第四、第七种故障类型处理所得，理想的输出结果应该被分类到第一、第四、第七种故障所对应的神经元处，查上述结果分类表可知，其对应的神经元应该为：

第一类：(8，1)     1

第四类：(44，4)    1

第七类：(26，7)    1

用Y＝sim(net，P_test)命令检测训练后的SOM网，输出结果为：

Y＝

(8，1)     1

(44，2)    1

(26，3)    1

由此可见，结果完全符合预期，该SOM网成功实现了故障诊断。

3.3.3SOM网扩充故障类型训练

下面开始增加一种新故障类型，用60*9的新向量P2＝[y1；y2；y3；y4；y5；y6；y7；y8；y9]′来训练上述同一SOM网络。程序如下：

P2＝[y1；y2；y3；y4；y5；y6；y7；y8；y9]′；

％建立SOM网络，竞争层大小为8*8，其每个输入元素的最大值和最小值定义为P向量的最大值和最小值

net＝newsom(minmax(P)，[8 8])；

％定义训练循环次数上限为100次

net.trainParam.epochs＝100；

net＝train(net，P)；

y＝sim(net，P)

yc＝vec2ind(y)；

％输出聚类结果

yc_88＝y；

对比3.3.1中的程序可以发现除了输入向量多了一维以外整个程序完全一样。

输出结果，即对应神经元的结果分类表为：

y＝

(60，1)    1

(49，2)    1

(16，3)    1

(26，4)    1

(8，5)     1

(1，6)     1

(29，7)    1

(56，8)    1

(4，9)     1

6.3.4扩充训练后网络训练效果测试

用Y＝sim(net，P_test)命令检测训练后的SOM网，

查上述结果分类表可知，其对应的神经元应该为：

第一类：(60，1)    1

第四类：(26，4)    1

第七类：(29，7)    1

输出结果为：

Y＝

(60，1)    1

(26，2)    1

(29，3)    1

可见，用增加了新数据类型的向量进行训练后，新训练的网络仍然能够正确诊断故障种类和位置。由此可见，SOM网既可以实现BP网诊断的全部功能，又可以随时添加新的故障类型和位置进行诊断，训练时间也最短，因此是最适合构建风机变频器故障诊断系统的诊断工具。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (3)

1.一种风电机组变频器智能故障诊断方法，其特征在于，包括以下步骤：A1、风力发电机变频器模型建立，进行变频器各种故障仿真，得到故障仿真结果；A2、建立基于SOM神经网的风机变频器故障智能诊断模型，采用步骤(1)的故障仿真结果训练所述智能诊断模型；A3、采集实际风力发电机变频器故障运行数据，输入到该故障诊断模型中，得出故障诊断结论，告知最为可能的故障类型和部位。

2.根据权利要求1所述的智能故障诊断方法，其特征在于，所述故障仿真结果为变频器对应故障的电压波形曲线。

3.根据权利要求2所述的智能故障诊断方法，其特征在于，所述步骤A1中还包括将所述故障仿真结果进行预处理步骤和归一化步骤。

Images