基于改进粒子滤波的故障诊断方法研究

杨沈洋

（国网湖北省电力有限公司直流运检公司，湖北宜昌 443000）

引言

随着国民经济的不断提高，电力工业得到了大力发展，为顺应我国智能大电网的发展理念，电力系统的稳定运行得到了广泛关注。因此，为提高电力系统的可靠性，对电气设备进行准确的故障诊断成为亟待解决的问题。

目前国内网已有诸多学者对电气设备故障诊断做出了相关研究。文献[1]提出了基本粒子滤波算法，将其应用于控制领域；文献[2]将粒子滤波算法应用在了电气设备，发现粒子滤波算法存在实时性问题；文献[3]引入残差平滑值，运用粒子滤波算法进行了故障诊断研究；文献[4]运用神经网络对粒子滤波算法进行了相应改进，提高了故障诊断的速度；文献[5]提出了一种只能粒子滤波算法，对粒子滤波算法进行了优化，提高了故障诊断的精度。

基于上述研究，为提高电气设备故障诊断的准确性，运用粒子群优化了粒子滤波算法，随后基于CUDA并行算法，提出了一种PSOPF并行算法，并运用该算法进行了故障诊断。

1 粒子群优化粒子滤波算法

1.1 基于CUDA的PSOPF算法并行算法

引入线程-粒子对应策略，提出一种基于CUDA的PSOPF并行算法，其思路为：（1）建立线程数，其数量与粒子数相同；（2）应用线程-粒子对应策略，运用线程处理粒子优化[6]。

1.2 基于残差平滑值的故障诊断

为进行系统的故障诊断，需要引入残差平滑值的诊断方法。假设故障类型为n，对应的模型集合为，各个模式下的残差平滑值为

2 双馈风力发电机故障诊断

2.1 状态空间模型及故障模型

建立双馈发电机状态空间模型[8]：

式中，w(k)表示系统噪声；v(k)表示测量噪声。

对于故障模型，选取故障模式为双馈发电机传感器故障，则此时的故障模型可表示为[9]：

式中，f表示故障分量。

故障模式如表1所示。

表1 故障模式

2.2 仿真结果与分析

运用改进型PSOPF并行算法对故障诊断进行仿真。以故障模式1为例，模拟双馈发电机a相的电流传感器在3 s≤t≤5 s失效，仿真结果如图1、图2所示。

由上述仿真结果可知，系统未发生故障时，残差1、2和3的幅值较小，且变化稳定。当发生故障时，故障标志1、2迅速变为1，而故障标志3并未发生变化，这表明a相的定子电流存在偏差，双馈发电机的故障为M1。从上述仿真结果可知，对于双馈发电机，采用PSOPF并行算法可以对故障进行准确诊断。

3 风电机组变桨距故障诊断

3.1 状态空间模型及故障模式

变桨距系统大致上可以建模为一个二阶传递函数模型，该模型如式（3）所示[10]：

式中，ζ表示阻尼系数；ωn表示频率。

建立变桨距系统的离散化状态空间模型为：

式中：w(k)表示系统噪声，v(k)表示测量噪声。

3.2 变桨距系统的故障模式

变桨距的故障模式如表2所示，主要考虑3种突发故障模式，即高含油量，液压泄漏和俯仰角传感器偏差故障。

表2 故障模式

3.3 试验结果及分析

对故障模式M1进行仿真分析。当t≥100 s时，系统状态从模式M0更改为M1，即参数ωn从11.11 rad/s更改为5.73 rad/s，ζ从0.6更改为0.45。故障模式M1的残差曲线如图3所示。

从图3可以看出，当系统状态正常时，桨距角残差平滑值d(0)的变化幅度较小；当出现故障时，d(0)剧烈变化。由于俯仰角传感器的偏差故障，M3的初始残余误差约为0.3。M1和M2相对较近，但是M1的d(1)很小，总是保持很小的值。综上，可以得到故障模式为M1。

对M2模式进行仿真，当t≥100 s时，系统将从模式M0跳至M2，仿真结果如图4、图5所示。

图5比较了3种失效模式的剩余平滑值d(1)～d(3)，其中，与M2对应的d(2)总体上最小，因此可以判断系统具有失效模式M2。

当出现故障模式M3时，当t≥100 s时，系统从模式M0跳到M3，仿真结果如图6、图7所示。当系统未发生故障时，桨距角残差平滑值d(0)较小；当系统发生故障时，d(0)发生居变。

4 结论

针对设备的故障诊断问题，首先运用粒子群优化了基本粒子滤波算法；然后基于CUDA并行算法，提出了一种改进型粒子滤波并行算法，并将其运用至风电机组变桨距及双馈发电机的故障诊断中。结果表明，该改进型故障诊断算法具有更高的优越性。