CN107632258A - 一种基于小波变换和dbn的风机变流器故障诊断方法 - Google Patents

Abstract

本发明属于基于小波变换和DBN的风机变流器故障诊断领域。随着风机的装机容量不断上升，风电在电网中的比重越来越高，因此，快速发现确定风机故障的位置对风机和电网的稳定运行变得至关重要。本发明提出了一种基于深度学习的风机变流器的故障诊断方法。首先使用小波变换对信号进行多尺度分析，提取出故障信号特征向量，最后利用DBN对特征向量进行监督学习得到故障识别模型。该方法对变流器故障具有良好的识别能力。

Description

一种基于小波变换和DBN的风机变流器故障诊断方法

技术领域

本发明属于电力系统领域，涉及一种基于小波变换和DBN的风机变流器故障诊断方法。

背景技术：

近年来，随着人类社会快速发展，人们对能源的需求快速上升。传统化石能源的快速大量消耗导致了全球日益严峻的环境污染和温室效应等问题。同时由于化石能源本身不可再生的特性，绿色可再生的风能必将成为各国优先发展的选择。事实也证明，风能已成为当今世界增长最快的可再生能源。

随着风力发电系统的装机容量快速增大，风力发电系统的故障发生率也越来越高。由于工作在高温、灰尘、油污等恶劣条件下，变流器成为整个发电系统中最易发生故障的部件之一。因此，快速、准确确定变流器的故障类型和故障位置是保证风电系统稳定运行的必要手段。

风电系统中的变流器开关通常使用IGBT，因此变流器故障主要考虑由IGBT短路和短路引起的故障。对于IGBT短路故障，现已通过驱动模块集成的保护电路实现监控，但对IGBT的开路故障诊断技术尚处于研究之中。典型仿真分析诊断法，通过对变流器进行故障后的系统仿真，利用获取的故障电流、电压波形与正常波形的对比实现变流器的故障诊断。基于模型的故障诊断方法，通过建立系统的状态空间模型，然后利用状态空间模型的状态估计与真实的输出比较，来确定系统的故障。此方法的缺点若建立的系统的数学模型不准确，则会影响诊断的准确性。也有学者利用逆变器元件故障后的电流轨迹分析提出了一种基于知识的故障诊断方法。虽然可以实现故障的检测与诊断，由于当外界电磁干扰时，会严重影响电流轨迹，不利于故障分离。

由上述可知，变流器的故障诊断方法分为两类，一类是基于模型的方法，一类是基于无模型的方法，基于模型的方法依赖于被诊断对象的数学模型。随着技术的发展，系统越来越复杂，对系统数学模型的建立变得越来越困难，这使得基于模型方法的应用受到很大限制。而基于无模型的方法可以很好地克服这一缺点，特别是随着深度学习的发展，基于无模型的方法正越来越广泛地应用于故障诊断领域。

发明内容：

有鉴于此，本发明的目的在于针对变流器中IGBT元件的开路故障，运用小波分析方法和深度信念网络实现对IGBT元件开路故障的诊断。分析整流器的三相电流信号，采用小波分析法提取该信号在不同尺度下的信息作为DBN的数据样本，最终实现变流器的开路故障诊断。

附图说明：

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明所述风电变流器结构图过程示意图。

图2为本发明所述基于小波变换和DBN的风电变流器故障诊断流程图。

具体实施方式：

为达到上述目的，本发明提供如下技术方案：下面将结合附图，对本发明的优选实施例进行详细的描述。

步骤一，在不同的故障下运行模型如图1所示，测量得到机侧三相电的电流。

步骤二，利用小波变换将三相电的电流信号在各个尺度下分解得到各个尺度下相应的能量系数。

通过适当地选择尺度因子和平移因子,可以得到一个伸缩窗,适当地选择基本小波,就可以使小波变换在时域和频域上都具有表征信号局部特征的能力。根据这一特点，可以把多分辨率特性应用到信号的功率谱特征的提取。应用Mallat算法，即小波分解与重构的快速算法，可以实现功率谱特征的有效提取。

将风电变流器的三相电流信号采用dB3小波基，进行5层分解，在各个细节层进行信号重构，然后求出每层的能量值。故障信号在不同尺度分解下的能量值大小反映了其在该尺度对应频率下的特征，将能量值按顺序排成一列，构成一个向量，该向量就可以表示故障信号在各个频率下的特征。虽然大多数故障信号在各个尺度下的特征存在明显的区别，但是如下图所示的不同故障信号的频率特征并没有差别，这是因为其故障信号是相同的，只是发生的位置不同。

步骤三，用能量系数构造特征向量，并将其归一化。

借助小波分析的时频特性可以准确判断出故障发生的位置，因此引入位置特征变量，当故障发生位置为正半周期是该变量为1，在负半周期发生时该变量为-1，否则为0。此时，该向量可以看作是与某一故障相对应的特征向量。

步骤四，利用得到的特征向量训练深度信念网络，得到模型参数

预训练完成之后，每层RBM可以得到初始化的参数，组成了DBN的初步框架，接下来需要对DBN作调优训练，进一步优化网络各层的参数，以使得网络的判别性能更好。调优过程是有监督学习过程，即采用标签数据进行训练，利用BP算法对网络参数进行微调，最终使网络达到全局最优。这个性能会比单纯BP算法训练效果要好，因为它只需要对网络的参数空间进行一个局部的搜索，相比BP神经网络，训练速度要快，而且收敛时间短。

步骤五，输入测试集测试得到的深度信念网络，得到分类准确率

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (2)

1.一种基于小波变换和DBN的风机变流器故障诊断方法，其特征在于：包括以下步骤：

步骤一，在不同的故障下运行，测量得到机侧三相电的电流。

步骤二，利用小波变换将三相电的电流信号在各个尺度下分解得到各个尺度下相应的能量系数。

通过适当地选择尺度因子和平移因子,可以得到一个伸缩窗，适当地选择基本小波，就可以使小波变换在时域和频域上都具有表征信号局部特征的能力。根据这一特点，可以把多分辨率特性应用到信号的功率谱特征的提取。应用Mallat算法，即小波分解与重构的快速算法，可以实现功率谱特征的有效提取。

将风电变流器的三相电流信号采用dB3小波基，进行5层分解，在各个细节层进行信号重构，然后求出每层的能量值。故障信号在不同尺度分解下的能量值大小反映了其在该尺度对应频率下的特征，将能量值按顺序排成一列，构成一个向量，该向量就可以表示故障信号在各个频率下的特征。虽然大多数故障信号在各个尺度下的特征存在明显的区别，但是如下图所示的不同故障信号的频率特征并没有差别，这是因为其故障信号是相同的，只是发生的位置不同。

步骤三，用能量系数构造特征向量，并将其归一化。

借助小波分析的时频特性可以准确判断出故障发生的位置，因此引入位置特征变量，当故障发生位置为正半周期是该变量为1，在负半周期发生时该变量为-1，否则为0。此时，该向量可以看作是与某一故障相对应的特征向量。

步骤四，利用得到的特征向量训练深度信念网络，得到模型参数

预训练完成之后，每层RBM可以得到初始化的参数，组成了DBN的初步框架，接下来需要对DBN作调优训练，进一步优化网络各层的参数，以使得网络的判别性能更好。调优过程是有监督学习过程，即采用标签数据进行训练，利用BP算法对网络参数进行微调，最终使网络达到全局最优。这个性能会比单纯BP算法训练效果要好，因为它只需要对网络的参数空间进行一个局部的搜索，相比BP神经网络，训练速度要快，而且收敛时间短。

步骤五，输入测试集测试得到的深度信念网络，得到分类准确率。

2.根据权利要求1所述的一种基于小波变换和DBN的风机变流器故障诊断方法，其特征在于将小波变换与DBN相结合，小波变换获得风机变流器三相电流的能量系数，从不同尺度刻画变流器的运行工况。采用DBN表达变流器故障特征，从而描述特征的变化流形，从而提高变流器故障的诊断准确性。