双馈风电机组故障电磁暂态响应特征提取研究

杨晓初，王冠文，罗国甘，许世朋，张丁旺

（1.上海能源科技发展有限公司，上海 200233；2.上海交通大学 机械与动力工程学院，上海 200240）

面对逐渐增长的人口发展趋势，能源紧缺已经成为一种常态，传统的电力供应逐渐无法满足人们的需求。面对这种情况，清洁能源的开发与利用成为了解决能源危机的途径之一，也具有良好的发展前景[1]。风能是典型的清洁能源，风力借助双馈风电机组将其转换为电力能源，然后接入到传统电力系统网络中，以提高大电网的供电能力。双馈风电机组是风力发电中的关键设备，一旦发生故障，将直接影响电力接入的稳定性和可靠性[2]。为实现双馈风电机组故障的预测控制，对故障实时检测成为不可或缺的一步。

故障实时检测以提取到的故障特征为基础和前提，特征提取得越全面、越准确，得到的故障检测结果越准确[3-4]。针对这一点，很多专家和学者就故障特征提取问题展开相关研究。刘其辉等人[5]就双馈风电机组在直流换相失败故障产生的特征进行了描述与分析，采集了换相失败后的暂态电压信号，利用分段线性描述方法对该信号分析，得出了暂态电压形态特性，为暂态过电压抑制策略的提出提供了可靠的依据。马玉梅等人[6]分析了双馈风电机组故障的电流信号特性，建立了风电机组动态模型，在该模型的基础上推导出故障发生后电流的表达式，通过仿真模拟，得出了双馈风电机组故障下的电流特性。谢丽蓉等人[7]采集了双馈风电机组轴承的振动信号，提取混合域特征集合，利用遗传算法进行特征选择。

虽然前人研究取得了一定成果，促进了特征提取领域的深入发展，但是在以往的研究中提取的特征类型较少，代表性和涵盖性不足，使得后期故障诊断结果存在一定的偏差。针对上述问题，本文提出一种双馈风电机组故障电磁暂态响应特征提取方法。通过该研究为故障诊断提供可靠的参考数据，提高双馈风电机组故障诊断结果的准确性。

1 响应特征提取

双馈风电机组故障电磁暂态响应特征提取方法研究主要分为3 个部分，即双馈风电机组故障电磁暂态响应信号采集、双馈风电机组故障电磁暂态响应信号预处理、基于信号分解的双馈风电机组故障电磁暂态响应特征提取。下面针对这3个方面进行具体分析。

1.1 数据采集

在特征提取过程中，如遇到单独的风电场（没有集控中心），则需要在场站侧部署数据采集服务器，并且配置、调试和运行国核信息数据采集软件。安全Ⅰ区采集监控与数据采集（supervisory control and data acquisition，SCADA）系统数据、升压站系统数据、自动发电控制/自动电压控制（automatic generation control/automatic voltage control，AGC/AVC）数据；安全Ⅱ区采集功率预测数据、电能计量数据。数据采集软件将安全Ⅰ区和安全Ⅱ区采集到的数据经过正向网络隔离装置（俗称网闸）送至管理信息大区的转发服务器。

特征提取的前提是获取包含特征的基础数据。双馈风电机组在故障发生后会引起各方面信息的变化，如振动信号、温度数据或者电流、电压数据等[8]。这些数据虽然都包含了故障信息，但是信息量有限。针对这一点，将采集电磁暂态响应信号作为特征提取的基础数据。电磁暂态响应信号采集设备为暂态录波仪，采集流程如图1所示，步骤如下：

图1 暂态录波仪采集流程图Fig.1 Acquisition flow chart of the transient wave recorder

步骤1：设置暂态录波仪相关参数；

步骤2：设置固定的采集间隔；

步骤3：将暂态录波仪布设到双馈风电机组与大电网的接线部位；

步骤4：检查机组与大电网连接状态。若连接状态良好，进行下一步；否则，重新进行连接；

步骤5：在复杂可编程逻辑器件（complex programmable logic device，CPLD）控制下，按照设定的采集间隔，利用暂态录波仪采集双馈风电机组故障电磁暂态响应信号；

步骤6：当设备内部缓存区已满，则关闭采集设备，并将电磁暂态响应信号进行A/D转换，通过内部高速通道，传输给嵌入式中央处理器（central processing unit，CPU），进行故障分析；否则继续采集，直至满足停止采集条件[9]。

通过上述分析流程，完成双馈风电机组故障电磁暂态响应信号采集，为后续特征提取提供了基础数据。

1.2 信号预处理

针对采集到的双馈风电机组故障电磁暂态响应信号，为提高信号质量，需要预处理，包括信号去噪和信号放大[10]。

1.2.1 故障电磁暂态响应信号去噪

基于离散余弦变换法对信号噪声去除原理如下：一般而言，认为信号的噪声在离散余弦变换结果中处在其高频部分，而高频部分的幅值一般很小，利用这一性质，就很容易实现信号噪声的去除。

故障电磁暂态响应信号在采集过程中受到采集设备本身以及周围环境的影响，原始信号中会混入一些噪声信号，若不能将二者区分开，会干扰特征提取的准确性[11]。为此，进行双馈风电机组故障电磁暂态响应信号去噪处理，具体过程如下：

步骤1：输入双馈风电机组故障电磁暂态响应信号，记为s(t)。

步骤2：对s(t)采取离散余弦变换法，得到变换系数序列。变换公式如下：

式中：Rk为长度为k的变换系数序列；n为双馈风电机组故障电磁暂态响应信号的序列点数；g为广义频率变换量。

步骤3：对Rk进行分段，得到m个长度为L的数据段，记为Hi(L),i= 1,2,…,m。Hi(L)表示第i段长度为L的变换系数。

步骤4：根据Hi(L) 计算收缩因子如下式：

式中：Ei为第i段长度为L的变换系数的收缩因子；hi为第i段余弦变换序列的方差。

步骤5：利用Ei与Rk相乘，实现Rk更新，即

式中：R'k为新的变换系数序列。

步骤6：对R'k进行离散余弦反向变换，得到去噪后的双馈风电机组故障电磁暂态响应信号。离散余弦反向变换公式如下：

式中：s'(t)为去噪后的双馈风电机组故障电磁暂态响应信号[12]。

1.2.2 故障电磁暂态响应信号放大

在双馈风电机组故障发生的早期，故障电磁暂态响应信号表现得较为微弱，不利于后期提取特征[13]。为此，需要对故障电磁暂态响应信号进行放大处理，如下式：

式中：̂(t)为放大后的故障电磁暂态响应信号；a为故障电磁暂态响应信号放大倍数；b为暂态录波仪的工作频率；c为暂态响应幅值；d为故障电磁暂态响应信号的非线性参数；A为倍频信号比；A为倍频信号比的向量形式；F[s(t)]为输入双馈风电机组故障电磁暂态响应信号的放大函数。

1.3 基于信号分解的特征提取

双馈风电机组故障电磁暂态响应信号属于一种混叠信号，具有非线性、非平稳的特点，导致信号中的特征表现并不明显[14]。针对这一点，本小节先利用经验模态分解法（EMD）分解双馈风电机组故障电磁暂态响应信号，再从每一个图像形成模型（IFM）的分量中提取各个特征。

首先，输入预处理后双馈风电机组故障电磁暂态响应信号pt；寻找pt的极值点，包括最小的一个和最大的一个，记为和，并利用三次样条曲线将与拟合在一起，从而形成上下包络线，记为和；计算和的平均值[15]，计算公式如下：

接下来，让双馈风电机组故障电磁暂态响应信号pt减去式（6）得到的均值，得到第1个本征模函数q1t[16]：

当满足成为第1 个IFM 分量的2 个条件时，作为第1 个IFM 分量，记为q1t=ξt1；当q1t不满足成为第1 个IFM 分量的2 个条件时，则将q1t作为待处理信号并重复上述操作，直至q1t满足上述条件。然后将ξt1从pt中分离出来，得到Zt1，同时把Zt1作为新的原始双馈风电机组故障电磁暂态响应信号。重复上述步骤，直至得到第2个IFM 分量q2t。这时判断q2t是否为一个单调函数，若是，则完成分解；否则，重复上述过程，直至得到N个qN t，也就是N个IFM 分量和1 个剩余残量[17]。

经过上述过程，双馈风电机组故障电磁暂态响应信号pt可以表示为N个IFM 分量和1 个剩余残量组成。这N个IFM的分量代表区分开的不同频率的信号。针对分解出来的N个IFM 的分量，从中提取双馈风电机组故障电磁暂态响应特征。由于单一特征所包含的信息量是有限的，所以提取3 类特征组成一组特征向量并采取归一化处理，实现双馈风电机组故障电磁暂态响应特征提取[18]。

1.3.1 IFM能量熵特征

当双馈风电机组发生故障后，电磁暂态响应信号与正常状态下的信号在相同频带内具有的能量是不同的，因此IFM 能量是双馈风电机组故障电磁暂态响应信号的特点之一[19]。在这里通过信息熵的形式对IFM 能量度量，简称能量熵。计算IFM能量，公式如下：

式中：Yi为双馈风电机组故障电磁暂态响应信号第i个IFM分量的能量；N为IFM分量的数量；IFMi为第i个固有模态函数的能量熵。

仿照信息熵计算方法，计算IFM 能量熵，完成IFM 能量熵特征提取：

式中：Ci为双馈风电机组故障电磁暂态响应信号第i个IFM分量的能量熵。

1.3.2 峭度特征

当双馈风电机组发生故障后，电磁暂态响应信号某一段会发生较大波动，从而形成陡峭的山峰[20]。峭度就是对信号陡峭程度的描述，能够直观地反映信号中的瞬时特征。峭度特征计算公式如下：

其中

式中：Vi为双馈风电机组故障电磁暂态响应信号第i个IFM分量的峭度；B̑为N个IFM分量有效值。

1.3.3 中心频率特征

中心频率能够描述双馈风电机组故障电磁暂态响应信号的变化情况。针对该特征，提取公式如下：

式中：Ui为双馈风电机组故障电磁暂态响应信号第i个IFM 分量的中心频率；f(IFMi)为第i个IFM分量的幅度谱。

不同特征的量纲不同，不方便统一利用和分析，因此一般在完成特征提取之后，还需要对特征值采取归一化处理，公式如下：

式中：C'i，V'i，U'i分别为双馈风电机组故障电磁暂态响应信号第i个IFM 分量的能量熵、峭度以及中心频率的归一化特征。

经过分析，完成双馈风电机组故障电磁暂态响应特征提取理论研究。

2 应用测试与分析

为测试所研究方法在双馈风电机组故障电磁暂态响应特征提取的应用效果，进行方法的应用测试。

2.1 测试样本

以存在4种故障的（液压系统故障、主轴锁定装置故障、偏航制动器故障、传动链故障）双馈风电机组和一个无故障的双馈风电机组为对象，利用暂态录波仪采集5组双馈风电机组的故障电磁暂态响应信号，并组成样本。测试现场如图2 所示。以液压系统故障为例，采集到的信号如图3所示。

图2 测试现场图Fig.2 Test site diagram

图3 双馈风电机组液压系统故障电磁暂态响应信号Fig.3 Electromagnetic transient response signal of hydraulic system fault of DFIG

在0 s—20 s 的时间内，双馈风电机组液压系统故障电磁暂态响应信号幅值在-1～1 m/s2之间，在20 s—40 s 内，信号幅值则在-2～1 m/s2之间。针对采集到的5个双馈风电机组液压系统电磁暂态响应信号样本，将其去噪和放大处理，以提高信号质量。

采用本文研究方法、直流换相失败下双馈风电机组特性描述及暂态过电压抑制方法和计及变换器输出电压约束的双馈风电机组故障电流特性分析方法对含噪声信号去噪处理，如图4所示。

图4 不同方法的去噪效果Fig.4 Denoising effect of different methods

从图4可知，本文研究方法的去噪效果最好，信号幅值在-0.5～0.5 m/s2之间，而其他两种方法的信号幅值则在-1.5～1.5 m/s2左右波动。因此可以得出，本文研究方法的去噪效果最佳，明显优于其他两种方法的去噪效果。

2.2 响应信号分解

利用经验模态分解法（EMD）对5 个双馈风电机组电磁暂态响应信号样本分解，在这里N取值为6，由此每个样本分解为6 个IFM 分量和1 个残余分量。仍以其中双馈风电机组液压系统故障电磁暂态响应信号为例，分解结果如图5所示。

图5 DFIG液压系统故障电磁暂态响应信号分解结果图Fig.5 Decomposition result of electromagnetic transient response signal of hydraulic system fault of DFIG

2.3 响应特征提取结果

从每个双馈风电机组电磁暂态响应信号样本的6 个IFM 分量中提取能量熵、峭度以及中心频率等3 个特征，并将其归一化处理，结果如表1所示。

表1 双馈风电机组电磁暂态响应信号特征提取结果表Tab.1 Feature extraction result of electromagnetic transient response signal of DFIG

从表1 可以看出，样本5 中双馈风电机组电磁暂态响应信号的能量熵的特征值均低于1，峭度的特征值在0.01～0.1之间，中心频率的特征值均处在0.01～0.015之间。而液压系统故障、主轴锁定装置故障、偏航制动器故障、传动链故障等4种故障信号样本的能量熵、峭度和中心频率的数值均远远高于样本5的特征值。这在一定程度上可以判断出双馈风电机组是否发生故障问题，为故障检测和识别奠定了基础。

3 结论

综上所述，针对双馈风电机组的故障检测，特征提取是故障检测的核心步骤，其特征提取越全面且准确，故障检测的结果就越可靠。运用双馈风电机组故障电磁暂态响应特征提取方法，在对电磁暂态响应信号分解的基础上，针对每一个分量的信号提取3 种不同特征，以避免单一特征的局限性。通过应用测试，提取了5 组双馈风电机组电磁暂态响应信号样本的能量熵、峭度以及中心频率等3 个特征值，证明了所研究方法的有效性。然而，本研究总体还需要进一步研究和探索，例如方法在自适应性方面还有待进一步提升，以期将该方法适用于更多类型的双馈风电机组故障研究当中。