考虑变流器容错特性的海上双馈风电机组绕组短路故障辨识

米志伟,常 彬,寇龙泽,张 鑫,魏书荣

（1.全球能源互联网研究院有限公司 先进输电技术国家重点实验室，北京102209；2.全球能源互联网研究院有限公司 直流电网技术与仿真北京市重点实验室，北京102209；3.上海电力大学 电气工程学院，上海200090）

0 引言

近年，海上风电成为研究的热点，海上风电机组的安全稳定运行也得到了广泛的关注[1]～[5]。双馈感应发电机（DFIG）是海上风力发电机的主流机型之一，海上双馈风力发电机组面临故障率高、故障维修困难、故障停运损失大等特点[6]，[7]，因此，海上DFIG及其变流器须要具有一定的容错能力。由于变流器的容错控制通常以抑制故障特征放大作为控制目标，这与故障辨识须要放大故障特征的理念矛盾[8]～[10]。

现有海上DFIG故障诊断更多关注于容错控制算法，而较少考虑容错控制的影响。文献[11]通过抑制负序电流来改善电机运行情况，这与故障辨识须要放大故障特征的理念冲突，可能导致直接或间接应用负序电流的故障诊断技术出现误判或漏判。本文重点分析基于定子负序电流抑制的容错算法，对海上双馈风电机组故障辨识结果的影响。首先给出3种由定子电流衍生出的故障特征；然后从理论和仿真结果上分析系统在添加定子负序电流抑制算法后，3种故障特征相对于未添加该算法时的量化变化规律；并提出以RBF神经网络融合拟序阻抗的故障辨识方法来诊断定子匝间短路故障。最后，实验验证了所提故障辨识方法可有效解决匝间短路故障在变流器具备容错特性时易被误判、漏判的问题。

1 定子负序电流抑制算法

本文采用定子负序电流抑制算法来减小定子匝间短路的负序电流[12]，其结构如图1所示。

图1 双馈风力发电系统并网控制框图Fig.1 Grid-connected control block diagram of doubly-fed wind power generation system

当双馈电机发生定子匝间短路故障时，其网侧保持原有的控制策略不变，而转子侧由负序电流反馈控制环和原有的PQ解耦控制策略共同控制，由此实现DFIG在故障状态下的稳定运行。采用控制策略前后的功率以及电流波形的仿真结果已在文献[12]中给出，故本文不再赘述。结果表明该控制策略能够在轻微故障状态下，降低定子侧输出功率的脉动，实现DFIG的稳定运行。本文重点分析的是海上双馈风力发电系统容错控制算法对故障辨识结果的影响。

2 基于定子负序电流抑制容错算法对故障辨识结果的影响分析

本文分别采用定子负序电流、Park′s矢量轨迹、Park′s矢量轨迹椭圆度为故障辨识方法，在Matlab/Simulink仿真平台进行试验。仿真模型的控制策略皆采用工程上常用的控制策略。

2.1 以定子负序电流为故障特征量的故障辨识方法

正常情况下，DFIG定子三相绕组磁动势为一旋转圆形磁动势，在三相对称绕组中只有正序电流。当DFIG发生定子匝间短路故障后，其定子绕组在短路附加回路上会产生一个附加电流[14]，此电流将产生一个以附加回路为轴线的脉振磁场，由此磁场产生的磁动势可以分解为两个幅值相等、转速相同、旋转方向相反的圆形旋转磁动势，分别在定子绕组上感应出对应的正序电流分量和负序电流分量。其中，负序电流的大小会随着定子绕组匝间短路故障的严重程度而变化，因此可以用定子负序电流作为故障特征量。

定义Isn为故障特征量定子负序电流，仿真分析正常状态下、不同匝间短路故障状态下采用负序电流抑制算法、以及不同匝间短路故障状态下采用负序电流抑制算法的定子负序电流的大小。仿真时认为电机为理想模型，即电机绕组、磁路、电路对称，气隙分布均匀，定子负序仿真结果如图2所示。

图2 定子负序电流Fig.2 Stator negative sequence current

由图2（a）可以看出，由于仿真过程中存在干扰误差等不确定因素，正常状态下DFIG定子负序电流接近零。当DFIG定子绕组发生匝间短路故障，但未采用负序电流抑制策略时，定子负序电流经过一个过渡状态到达稳态，最终幅值达到0.039 A左右，可得定子绕组发生匝间短路时，定子负序电流发生跃变。因此在未添加负序电流抑制算法时，定子负序电流幅值大小能够较精确地反应定子绕组故障的情况，能够实现故障辨识。当双馈电机定子绕组匝间短路故障的严重程度不变，采用负序电流抑制算法后可知，经过一个短暂的过渡状态，系统稳定后，定子负序电流减少到0.015 A左右。若此时将故障预警阈值的定子负序电流幅值设置为0.02 A，则在加入负序电流拟制算法时将会出现故障辨识的漏判。由图2（b）可知，采用负序电流抑制算法将会导致故障辨识出的故障严重程度小于实际的故障严重程度，从而无法及时、精确地处理故障。综上所述，容错控制算法将会影响以定子负序电流为故障特征量的故障辨识方法辨识结果的精确性。

2.2 以Park′s矢量轨迹为特征量的故障辨识方法

Park′s矢量法广泛应用于电机绕组匝间短路故障诊断中，当DFIG定子绕组发生匝间短路故障时，三相电流中含有正序分量外和负序分量，经3 s/2 s变换得到Park′s矢量轨迹为椭圆形，这是以Park′s矢量轨迹为特征量的故障辨识方法的原理。本文分别仿真分析DFIG分别在正常状态、故障状态以及故障容错状态下的Park′s矢量轨迹图，结果如图3所示。

图3 不同工况下的Park′s矢量轨迹Fig.3 Park′s Vector Trajectory under Different Conditions

由图3（a）可知，双馈电机在定子绕组未发生匝间短路故障时Park′s矢量轨迹为规则圆形；当双馈电机定子绕组发生匝间短路，且未采用容错控制算法时，Park′s矢量轨迹为为椭圆形。因此，未采用容错控制算法时，以Park′s矢量轨迹为特征量的故障辨识方法能够实现对定子绕组匝间短路故障的辨识。当在故障状态下，采用容错控制算法时，Park′s矢量轨迹接近正圆，这与正常时的仿真结果相似，而实际上其故障严重程度却与图（b）相同，此时若利用Park′s矢量轨迹辨识故障，很大可能会出现误判。综上所述，以Park′s矢量轨迹为特征量的故障辨识方法也会受到容错控制算法的影响。

2.3 Park′s矢量轨迹椭圆度的故障辨识方法

定义Park′s矢量轨迹椭圆度Fs为

式中：Isp，Isn分别为定子电流的正、负序分量模值。

由式（3）可知，Fs受定子负序电流的影响。而定子电流的负序分量抑制算法是为了减少因故障而引起的定子电流分量。故从理论上可得，负序电流抑制算法将会影响以Fs为故障特征量的辨识方法的精确度。

本文以仿真的方法具体分析容错控制算法对该故障辨识方法的影响，具体仿真结果如图4所示。

图4 Park′s矢量轨迹椭圆度Fig.4 Park′s Vector trajectory ellipticity

由图4可知，故障特征Park′s矢量轨迹椭圆度的变化和定子负序电流的仿真结果相似，都会受到容错控制算法的影响，但二者的变化幅度稍有不同，在加入容错控制算法后，Park′s矢量轨迹椭圆度幅值下降了58%，而定子负序电流下降了70%。该容错算法对负序电流特征影响更加明显，符合理论分析结果。

2.4 RBF神经网络融合拟序阻抗的故障辨识方法

负序电流特征量在负序电流抑制算法中不具有鲁棒性，而拟序阻抗[15]在电机不同运行工况和负序电流波动中具有鲁棒性。因此，本文采用径向基神经网络融合拟序阻抗的辨识方法诊断定子匝间短路故障，其拟序阻抗表达式为

径向基神经网络（Radial Basis Function Neural Network，RBF）是对已知的故障样本数据进行网络层学习，以建立起故障征兆和故障类别之间的映射关系，然后将测试样本数据输入训练好的网络进行故障判别。RBF与BP神经网络一样具有良好的非线性处理能力和自学能力，但RBF神经网络在逼近能力、分类能力和学习速率等方面都优于BP神经网络。其中，RBF神经网络核函数选取Gauss分布函数：ø（r）=e-r2/σ2。r为平方欧式距离；σ为带宽，用于控制径向作用范围。

本文实验平台如图7所示，双馈异步电机参数如表1所示。

图7 实验平台Fig.7 Experimental platform

表1 双馈异步电机参数Table 1 Parameters of doubly-fed asynchronous motor

基于RBF神经网络的故障诊断流程如图8所示。

图8 诊断流程图Fig.8 Diagnostic flowchart

诊断流程分为3个阶段：①数据处理：对采集到的数据求解拟序阻抗并划分训练集和测试集。②建模过程：通过第一步划分的训练样本对RBF神经网络进行训练。③参数寻优过程：对于第二步模型训练中的参数进行调整优化，以达到故障诊断所需的精度。针对上述负序电流对抑制算法不具有鲁棒性的情况，下面以RBF神经网络融合拟序阻抗的辨识方法来具体分析有、无定子负序电流抑制算法对该故障辨识方法辨识结果的影响。测试样本集如表2所示。

表2 测试集Table 2 Test set

诊断结果如图9所示。其中，纵坐标‘1.0'表示故障状态，‘0'表示正常状态；‘*'代表发生实际的运行状态，‘○'代表RBF神经网络诊断的结果。

图9 径向基神经网络诊断结果Fig.9 Radial basis neural network diagnosis

由图9可知，在误差允许的范围内，发生匝间短路故障的双馈机在有、无负序电流抑制算法下都能准确的判断出故障。本文所提的方法有效地滤除了容错算法对故障诊断的影响，即采用RBF神经网络融合拟序阻抗的故障辨识方法对负序电流容错控制算法具有鲁棒性。

3 结论

本文首先分析了海上双馈风力发电系统故障容错运行的必要性，介绍了一种定子负序电流抑制算法，使得海上双馈机组在发生定子绕组轻微短路故障后仍然能够容错运行。以定子负序电流抑制算法为例，仿真分析了故障容错控制算法对以定子负序电流、Park′s矢量轨迹以及Park′s矢量轨迹椭圆度为故障特征量的故障辨识方法的辨识结果的影响，得出了定子负序电流抑制算法会对与电流相关的故障特征辨识方法产生不同程度影响的结论。在此基础上以RBF神经网络融合拟序阻抗的故障辨识方法来诊断负序电流抑制算法后的定子匝间短路故障。仿真与实验结果表明，本文提出的方法可以实现考虑变流器容错特性的海上双馈风电机组绕组短路故障辨识，有效解决了匝间短路故障在变流器具备容错特性时易被误判、漏判的情况。