基于SOM网的风电变流器故障诊断

王占霞，张晓波

（1.艾默生科技资源（西安）有限公司，陕西西安，710075;2.西安交通大学电气工程学院电力设备电气绝缘国家重点实验室，陕西西安，710049）

1 风机变流器结构与故障机理

目前各大风电场的主力机型大体有3类：鼠笼式风力发电机，直驱式风力发电机和双馈感应式风力发电机。除鼠笼式以外，其余两种形式的风力发电机并网时都不可避免地要经过一个电力电子变流器，只不过由于风机结构不同，同样额定功率的机组中，流过双馈式风机变流器的能量大约只有直驱式风机的1/3。

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，又极易导致变频器故障。目前风力发电机中电力电子开关大量使用了绝缘栅双极晶体管(IGBT)，当其两端电压过高或过电流导致温度过高，亦或其运行功率超过了在正常工作温度下允许的最大耗散功率（最大集电极功耗）等，都可能导致开关管超过耐受极限而击穿或烧毁[1-3]，有时甚至是永久性损坏。导致变频器中开关管过电压和过电流的原因是多方面的，常见的有变频器本身的质量问题、元件接触不良、型号参数不匹配等，此外，风力发电机在运行过程中遭遇电网故障，功率无法馈送入电网，导致功率直流侧和输出侧电压升高，发电机在运行过程中由于负载突变产生过高的冲击电流，发电机及传输电缆绝缘老化导致匝间或相间短路形成短路电流等，如最终超过元件的耐受限度，都会导致变频器元件故障[4-5]。

2 用SOM神经网对变频器故障波形进行诊断

由文献[6-9]可以得到风机变流器的不同故障类型，以及不同故障位置的各种波形，经处理后可用于对神经网进行训练，以获得可以智能诊断实际运行中风机变流器故障的神经网络。由文献[9]知，风力发电机变频器故障诊断中，光变频器整流侧的故障类型就有8种，其中每种故障类型又对应不同的故障发生位置，这还不包括逆变侧故障和整流逆变侧混合故障等。事实上故障信息种类总数是故障类型的总数与各故障位置总数的排列组合，其数目是相当庞大的。如果用BP网做故障诊断时，需采用穷举法罗列全部故障信息以建立目标向量来训练网络，这样建立的网络在数据全面的情况下是完全可以满足故障智能诊断任务的。然而在现实中，每一种故障类型及故障位置对应的实际故障波形都得到几乎是不可能的，这是因为现实中提供数据的风电场的同一机型的变频器不可能发生的故障都恰好覆盖所有的故障类型和故障位置，并且风电场装设智能故障诊断系统的目的就是为了在所有故障都发生前就采取措施拯救风力发电机系统以减少损失，如果该风电场的各台风机已经大面积故障,再安装该故障诊断系统减少损失的意义就不大了，因此实地采集的信息总是不全面的，即使能够全面采集到所有种类和位置的数据，其数据总量也是相当庞大的，其数据处理过程及最后程序运算所耗费的时间将很漫长，严重影响程序效率。

现实中的情况往往是：一个打算安装风力发电故障智能诊断系统的风电场，往往手头只有某种风力机变频器某几种故障类型及故障位置所对应的波形，而这几种故障类型及故障位置恰恰就是该风电场所装设的风力机变频器最高发的那几种故障，所要设计的诊断系统能够清楚地诊断这几种故障类型及故障位置就足够了，这样，诊断系统设计者在设计时只需考虑这几种信息就够了，程序数据量大大减少，运行效率也大幅提高。但是，当诊断系统安装在风电场之后，风电场运行人员在使用中又遇到了少数新的故障类型及故障位置的波形，想添加进原诊断系统中增强诊断效果，却又不可能每遇到一个这样的新故障就把诊断系统设计人员叫回风电场重新设计网络结构。为解决这个难题，可以考虑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由设计者根据实际风机变频器可能具有的所有故障类型、位置组合数、计算效率来综合考虑。

图1是SOM网络训练的结果图，图1中第一栏显示SOM网络的结构包含一个输入层、一个输出层和一个竞争层，其中竞争层形象地画出了网络训练后竞争层训练值最大的神经元显示最大值，其余神经元都显示为0的结构。第二栏显示采用的算法是Random Order Weight/Bias Learning Rules。第三栏显示参数为：训练步数100步、时间2 s、误差为0。第四栏是6个按钮，按先后分别显示为SOM网络拓扑（见图2）、SOM邻域神经元互联情况（见图3）、SOM邻域神经元距离权值（见图4）、SOM网权值平面（见图5）、SOM样本命中点（见图6）、训练后神经元位置（见图7）。

图1 SOM网络训练结果

图2 SOM网络拓扑

图3 SOM邻域神经元互联情况

图4 SOM邻域神经元距离权值

图5 SOM网权值平面

图6 SOM样本命中点图

图7 SOM训练后神经元位置

程序聚类结果为

这里用第一、第四、第七种故障类型处理所得的向量Ptest作为测试向量来检验网络训练结果，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,Ptest)命令检测训练后的SOM网，输出结果为

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 结语

用SOM神经网络可以在已获得已知故障类型和故障位置的若干种故障库进行训练的前提下，很好地满足风力机变流器故障智能诊断的要求，如果故障类型库不完整，需要增加新的故障类型数据或者位置数据时，不需要对原有的整个库阵列进行修改增加故障类型编码长度，重新进行训练，效率比较高，是较适合用于风力机变频器故障诊断的神经网络类型。

[1] 朱涛.风电接入系统的相关问题研究综述[J].南方电网技术,2009,3(5):58-68.

[2] 赵海岭,王维庆,王海云等.并网永磁直驱风电机组故障穿越能力仿真研究[J].电网与清洁能源,2010,26(7):15-18.

[3] 曾杰.风电配套电池储能电站的仿真研究[J].南方电网技术,2010,4(1):126-129.

[4] 张如通,翟庆志,王晓港.笼型异步发电机在小风电系统中的励磁运用[J].电网与清洁能源,2009,25(9):37-40.

[5] 张谦,李琥,高松.风电对调峰的影响及其合理利用模式研究[J].南方电网技术,2010,4(6):18-22.

[6] 张晓波,张新燕,王维庆.用神经网络对风力发电中电力电子故障分析[J].华东电力,2008,36(7):16-18.

[7] 张晓波,常喜强,王占霞，等.基于风电模型的新疆电网频率稳定性研究[J].华东电力,2009,37(12):93—96.

[8] 王兆安,黄俊.电力电子技术[M]．北京：机械工业出版社，2000.

[9] 张晓波,王占霞,张新燕,等.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.