CN115659133A

CN115659133A - 一种风电变流器故障诊断方法

Info

Publication number: CN115659133A
Application number: CN202211315838.0A
Authority: CN
Inventors: 杨荣昆; 朱尤成; 何章周; 樊瑞; 杨志奇; 浦绍防; 张雷
Original assignee: Guodian Power Yunnan New Energy Development Co ltd
Current assignee: Guodian Power Yunnan New Energy Development Co ltd
Priority date: 2022-10-26
Filing date: 2022-10-26
Publication date: 2023-01-31

Abstract

本发明公开了一种风电变流器故障诊断方法，该风电变流器故障诊断方法以风电变流器的三相输出电流为诊断信号，通过变分模态分解算法对获取的正常状态和故障状态下的电流信号进行分解、提取数据特征，并构建随机森林网络模型对特征向量进行训练、识别和分类，获得故障诊断结果。本发明针对风电变流器IGBT模块的单一开路和双开路故障诊断，能进行远程状态监测，并于故障之后，快速获得故障相关信息，帮助故障排除，减小维修和停机所带来的对生产效率的影响。

Description

一种风电变流器故障诊断方法

技术领域

本发明涉及风电机组故障诊断，具体涉及一种针对风电变流器IGBT模块的开路故障诊断。

背景技术

风电变流器是风力发电机不可缺少的核心单元，负责能量的变换。风能的一大特点是稳定性较差，风电变流器可以实现最佳风能捕获和变速恒频，它能够将自然状况下产生的频率、幅值不稳定的电能转化为可以被电网接受的恒幅恒频的电能，从而保证了机组能够安全的并入电网。

然而，风电机组受环境影响导致系统各个部件故障频发，由故障引起的长时间停机，将严重影响发电量，同时花费大量成本进行维护检修，因此故障诊断技术成为保障风电机组可靠性运行的关键。

发明内容

本发明的目的是为了解决现有技术中存在的缺陷，提供一种针对风电变流器IGBT模块的单一开路和双开路故障诊断，能进行远程状态监测，并于故障之后，快速获得故障相关信息，帮助故障排除，减小维修和停机所带来的对生产效率的影响。

为了达到上述目的，本发明提供了一种风电变流器故障诊断方法，该风电变流器故障诊断方法以风电变流器的三相输出电流为诊断信号，通过变分模态分解算法对获取的正常状态和故障状态下的电流信号进行分解、提取数据特征，并构建随机森林网络模型对特征向量进行训练、识别和分类，获得故障诊断结果。

更为具体的，本发明风电变流器故障诊断方法通过TCP通讯从风电机组取得故障状态和正常状态下的报文数据，以三相输出电流为诊断信号，利用变分模态分解算法对正常状态和所有故障状态下的电流信号进行分解、数据降维以提取数据特征，构建随机森林网络模型对特征向量进行训练、识别和分类，从而实现风电变流器IGBT模块的单一开路和双开路故障诊断。

其中，报文数据的获取采用如下方法：通过TCP通讯，向风电机组查询故障报文ErrorLog，检查故障报文是否出现风电变流器开路故障，如果出现故障，再通过TCP通讯获得故障样本SnapLog；同时采用平时风电机组正常运行时的实时数据作为正常样本。

上述变分模态分解算法的具体步骤如下：利用变分模态分解将三相电流信号从时域分解到频域；将变分模态分解的各个分量进行数据降维，求取数据特征。

根据风电变流器三相电流数据的特性以及试验，确定模态分量个数n为4，惩罚因子α为2000。

数据降维采用各个模态函数分量的峰度、均值、方差来进行。经数据降维处理后每组网侧三相电流特征向量的特征数共有36个。

本发明风电变流器故障诊断针对开路故障；按照发生故障的位置和元件个数，开路故障共21种情况。具体类型如下：

上述随机森林算法流程如下：

(1)首先对采用上述方法进行数据降维后获得的样本总集采用Bagging重采样方法进行采样，即进行有放回采样获得每棵决策树的样本集；

(2)根据各样本集，采用CART算法生成决策树；

(3)重复步骤(1)、(2)，直到每棵树的叶节点里的样本类别相同或者特征属性已经用完，之后将全部的决策树集中起来就是最后的随机森林模型；

(4)模型最终的输出结果为各决策树的投票结果进行综合计算。

根据故障种类和数据特征个数，随机森林设800棵树，树的最大深度为8。

本发明相比现有技术具有以下优点：

本发明针对双馈式风电变流器IGBT模块的单一开路和双开路故障诊断问题进行研究，提出基于变分模态分解和随机森林算法的风电变流器开路故障诊断方法。将变分模态分解和随机森林算法相结合，通过变分模态分解算法对于风电变流器的故障数据进行特征提取，提高了采样和噪声方面鲁棒性，同时利用随机森林算法获得更高的诊断准确率。

本发明基于变分模态分解和随机森林算法的风电变流器开路故障诊断方法，能有效实现风电变流器IGBT模块的单一开路和双开路故障诊断。为了保证风电设备的安全，提升风电场的生产效率，开发功能完备、稳定性强的风电变流器故障诊断研究具有十分重要的意义。该方法可以对风电变流器进行远程的状态监测，发生故障之后，也能够及时利用相关数据进行故障分析，快速得出故障的相关信息，帮助故障排除，减小维修和停机所带来的对生产效率的影响。

附图说明

图1为本发明风电变流器故障诊断方法的流程图；

图2为原始数据；

图3为图1中变分模态分解的结果图；

图4为数据处理流程图；

图5为图1中随机森林算法流程图；

图6为故障诊断结果示意图。

具体实施方式

下面结合具体实施例和附图对本发明进行详细说明。

本实施例基于变分模态分解和随机森林算法的风电变流器开路故障诊断方法：首先通过TCP通讯从风电机组取得故障时和正常的报文数据，以三相输出电流为诊断信号，利用变分模态分解算法对正常状态和21种故障状态下的电流信号进行分解，并利用各个模态函数分量的峰度、均值、方差来进行数据降维以提取数据特征，构建随机森林网络模型对特征向量进行训练、识别和分类，并实现风电变流器IGBT模块的单一开路和双开路故障诊断。如图1所示。

具体步骤如下。

S1、风电机组数据获取：针对变流器各个正常状态、各类故障状态的三相电流信号进行采样，并标注，组成数据集。

通过TCP通讯，向风电机组查询故障报文ErrorLog，检查故障报文是否出现风电变流器开路故障，如果出现故障，再通过TCP通讯获得故障样本SnapLog。用平时风电机组正常运行时的实时数据作为正常样本。

获得的故障样本SnapLog总共有40种数据，产生的原始信号是3000的采样频率，共采样2100个点，时间长度大约是0.7秒。因此每个样本共有84000个数据，数据量太大，根据风电变流器的故障特点，采用系统侧三相电流数据作为样本，即每个样本共6300个数据，图2所示为其中一相电流数据。

S2、利用变分模态分解将三相电流信号从时域分解到频域：对各个电流信号进行变分模态分解，每种状态得到若干模态分量IMF。如图3所示。

风电变流器数据是系统按照时间先后采集的，单个变量本质上是时间序列，所以数据具有时间前后的相关性，即存在一定的趋势性特征。并且由于风电系统的复杂，提取到的风电变流器数据复杂度高、非线性强，非平稳特征明显，仅仅通过信号的时域信息进行分析，往往只能抽象地判别故障是否发生，无法确定故障部位及故障类型。

变分模态分解(Variational Mode Decompositon，VMD)，是一种对信号信号进行分解的方法。VMD可以根据实际情况确定所给序列的模态分解个数，在随后的搜索和求解过程中可以自适应地匹配每种模态的最佳中心频率和有限带宽，可以实现固有模态分量(IMF)的有效分离和时域信号的频域划分。VMD通过迭代寻优的方式进行求解，能够克服模态混叠现象和端点效应问题，并且具有噪声抑制的能力。

将待分解信号分解成预设分量个数后可得其原有模态分量(IMF)，以各原有模态分量相加等于原始信号作为其约束条件，经过迭代来求出分解后各IMF的最优中心频率以及带宽，最终完成对信号进行不同频率的有效分离。VMD算法由变分问题构造及求解两部分组成。首先是要构造变分问题，在确保原模态函数的预计的带宽和达到最小的前提下，对原始信号进行分解。

具体地，对采集的原始信号(系统侧三相电流数据)，将其分解为K个原有模态函数分量，根据希尔伯特变换原理对各原有模态函数分量进行解析，获得原有模态函数的单边频谱：

其中δ(t)为单位脉冲；j为虚数单位；u_k(t)为第k个模态函数分量；*表明为卷积运算。

然后运用指数调整方法将各原有模态函数分量的频谱将其移到估算的中心频率：

最后，在进一步地进行信号解调的同时进行各原有模态函数分量的带宽估计，退出带有约束条件的变分方程：

其中为f(t)原始信号，u_k为分解后的个原有模态函数信号，ω_k为各原有模态函数的频率中心。

构造变分问题之后就是求解该问题，构造出的边分问题是有约束的，可以使用拉格朗日常数法，在此问题的基础上添加两个参数分别是拉格朗日乘法算子和惩罚因子将问题进行转化，转化为无约束问题进行求解，其中的可让约束条件保持严格性，可确保信号即使高斯噪声比较严重的情况下也能进行高精度重构。下面是扩展拉格朗日方程：

为让公式可以达到最优，运用了乘法算子交替方向法不断交替更新、从而找到“鞍点”。

变分模态分解算法本质上是在频域中进行各模态的更新，之后采用傅里叶逆变换将其变换回时域，下面为具体步骤：

(1)初始化λ¹、u_k ¹、ω_k ¹、模态分量个数n和惩罚因子α。

(2)根据公式更新u_k、ω_k。

(3)根据下式对拉格朗日乘法算子进行更新：

(4)针对指定精度e>0，如果

则返回步骤2继续迭代操作，否则停止输出结果。

经过变分模态分解之后，原有的三相电流信号分解出4个模态分量，每个模态分量的长度和时间和原始信号相同，所以原始信号虽然分解之后特征被凸显了，但是数据量却增加了4倍，每个样本共有25200个数据，这给之后对各个模态的进一步利用增加了难度，所以要经过降维处理。

S3、将变分模态分解的各个分量进行数据降维，求取数据特征。

为了取得更好的故障分类效果，需要将每个模态函数分量进行进一步地数据压缩，也就是降维，同时也不能对原有的数据特征过多的损失，让降维后的数据仍旧可以表达状态。

在实际中，经过不断地实验探索，最终选择采用各个模态函数分量的峰度、均值、方差来进行数据降维。

首先是均值，均值本质上是描述的模态分量的中心变化趋势，

然后是方差，其说明了模态分量的相对于其均值的离散程度:

最后是峰度，峰度表明模态分量数据的分布是否平坦:

变分模态分解分解模态个数为4，则经过降维处理后每组网侧三相电流特征向量的特征数共有36个，每个样本的数据量从25200变为36个。如图4所示。

S4、利用降维数据，训练随机森林网络。

IGBT作为风电变流器的关键元件，时刻承受着较高的工作压力，其故障最常见的是的短路和开路故，短路故障的原因是IGBT承受电压较大，IGBT被击穿，无法起到关断电路的作用；开路故障则是IGBT过热导致元件烧毁。但是当元件发生短路故障的时候电路上电流瞬间增加，大电流会烧毁IGBT，所以短路故障最后也会变为开路故障。

最常见的开路故障是只有一个元件发生故障，或者是两个同时发生故障，因为两个以上同时发生故障的情况比较罕见。按照发生故障的位置和元件个数，包括正常运行一共22种情况。

随机森林本质上是由决策树组成的，决策树的理论在与Bagging(BootstrapAggregating)重采样方法相结合的情况下所建立的算法，这也就说明了其算法的输出结果为大量子决策树输出结果的综合产物，具有泛化能力强、鲁棒性好、速度快、精度高等优势，同时其不具备层次结构日益复杂的大型回归树必然具有的过度拟合和数据敏感问题，对于“随机森林”中的“随机”，主要是体现在其训练过程中的两点：

首先，对训练样本进行的随机选择。对训练样本集合进行有放回的随机选择，同时还要让子集中的容量和原样本集保持一致，在不同的子集中允许存在相同样本，这是有放回决定的。然后在已建立的子集上进行决策树的生成，由于每个存在的子树都会根据样本进行判断，所以其结果会出现不止一种，虽然存在众多的中间输出，但是最终较好的判断结果会随着模型中的众多决策树结果投票出被选出。

然后，是对特征进行的随机选择，这是为了提升模型的多样化程度，使生成的决策树具有各自的特点，所以在某棵决策树的正式生成之前只对所有的特征随机选择特定个作为此树的特征选择库，通过该方法可以有效提升模型的丰富度，进而更加高效率地进行分类。

如图5所示，随机森林算法流程如下：

(1)首先对系统侧三相电流数据经以上分解降维后获得的样本总集采用Bagging重采样方法进行采样，即进行有放回采样获得每棵决策树的样本集。

(2)根据各样本集，采用CART算法生成决策树。设样本集一共有M个特征属性，从中任选个作为本决策树进行构造的候选特征属性。计算各个节点的Gini系数并根据此值来选择最优的特征属性。根据选出的最优特征将该节点的样本分为两类，该节点生成两个子节点，然后再对子节点进行(2)操作，确保每棵树可以充分生长，生长完成后不进行剪枝操作。

(3)重复步骤(1)、(2)，直到每棵树的叶节点里的样本类别相同或者特征属性已经用完，之后将全部的决策树集中起来就是最后的随机森林模型。

(4)模型最终的输出结果通常为各决策树的投票结果进行综合计算，具体公式如下：

其中I(.)为指示器函数，c为得票最多的类别。

S5：从现场对要进行故障诊断的三相电流信号进行采样，并通过变分模态分解，每种状态得到若干模态分量IMF，再进行数据降维得到特征向量。

S6：将要进行故障诊断的特征向量输入随机森林分类器，得到故障诊断结果，如图6所示。

Claims

1.一种风电变流器故障诊断方法，其特征在于，所述风电变流器故障诊断方法以风电变流器的三相输出电流为诊断信号，通过变分模态分解算法对获取的正常状态和故障状态下的电流信号进行分解、提取数据特征，并构建随机森林网络模型对特征向量进行训练、识别和分类，获得故障诊断结果。

2.根据权利要求1所述的风电变流器故障诊断方法，其特征在于，所述风电变流器故障诊断方法通过TCP通讯从风电机组取得故障状态和正常状态下的报文数据，以三相输出电流为诊断信号，利用变分模态分解算法对正常状态和所有故障状态下的电流信号进行分解、数据降维以提取数据特征，构建随机森林网络模型对特征向量进行训练、识别和分类，从而实现风电变流器 IGBT 模块的单一开路和双开路故障诊断。

3.根据权利要求2所述的风电变流器故障诊断方法，其特征在于，所述报文数据的获取采用如下方法：通过TCP通讯，向风电机组查询故障报文ErrorLog，检查故障报文是否出现风电变流器开路故障，如果出现故障，再通过TCP通讯获得故障样本SnapLog；同时采用平时风电机组正常运行时的实时数据作为正常样本。

4.根据权利要求3所述的风电变流器故障诊断方法，其特征在于，所述变分模态分解算法的具体步骤如下：利用变分模态分解将三相电流信号从时域分解到频域；将变分模态分解的各个分量进行数据降维，求取数据特征。

5.根据权利要求4所述的风电变流器故障诊断方法，其特征在于，所述变分模态分解的模态分量个数n为4，惩罚因子α为2000。

6.根据权利要求5所述的风电变流器故障诊断方法，其特征在于，所述数据降维采用各个模态函数分量的峰度、均值、方差来进行。

7.根据权利要求6所述的风电变流器故障诊断方法，其特征在于，经数据降维处理后每组网侧三相电流特征向量的特征数共有36个。

8.根据权利要求7所述的风电变流器故障诊断方法，其特征在于，所述风电变流器故障诊断针对开路故障；按照发生故障的位置和元件个数，所述开路故障共21种情况。

9.根据权利要求8所述的风电变流器故障诊断方法，其特征在于，所述随机森林算法流程如下：

（1）首先对样本总集采用Bagging重采样方法进行采样，即进行有放回采样获得每棵决策树的样本集；

（2）根据各样本集，采用CART算法生成决策树；

（3）重复步骤（1）、（2），直到每棵树的叶节点里的样本类别相同或者特征属性已经用完，之后将全部的决策树集中起来就是最后的随机森林模型；

（4）模型最终的输出结果为各决策树的投票结果进行综合计算。

10.根据权利要求9所述的风电变流器故障诊断方法，其特征在于，根据故障种类和数据特征个数，随机森林设800棵树，树的最大深度为8。