改进小波结合BP网络的风力发电机故障诊断

郭东杰，王灵梅，郭红龙，武卫红，韩西贵

（1.山西大学工程学院，太原030013；2.山西省电力科学研究院，太原030001）

风力发电作为一种绿色、环保能源，近年来迅猛发展。我国对风力资源的开发力度也越来越大。国家电网在2011年3月发布，到2015年将实现接入风电1亿kW。但随着大规模风电场的并网，风电场在运行中出现了越来越多的故障［1］；为保证风机的安全稳定运行，减少非计划停机次数，风力发电系统的故障诊断功能显得越来越重要［2］。

风力发电系统长期工作在恶劣环境中，极易发生各种故障。发电机作为整个系统的核心部分，它的稳定运行，直接影响到风力发电系统的性能和效率，因此开展对风力发电机故障诊断的研究，发现其早期故障及故障趋势，对控制风电企业的维护成本、优化维修策略具有重大意义。目前风力发电机的早期故障主要有定子匝间短路、转子笼条断裂、气隙偏心、轴承磨损四种类型［3，14］。

振动信号分析法是目前故障诊断常用的方法，故障诊断系统的提供商一般希望采用打孔的连接方式来安装传感器，这就有可能影响机组的整体结构；由于电流信号的采集是非接触方式，发动机及其拖动设备（如齿轮箱）的故障，通过主传动链可直接在定子电流中反映出来，减少了信号的传递路径，增加了信号采集系统的稳定性，提高整个机组故障诊断系统的可靠性［7，8，10，11］。因此，本研究采用发电机定子电流作为诊断信号。发电机早期故障的特征信号在定子电流中较弱，风场气流不稳定，使得风力发电机的定子电流及故障信号成为一个时变非平稳信号，一般频域分析法难以实现对混有故障信号的定子电流的处理［8，9］。单子带重构改进算法消除了小波变换算法的频率混淆现象，时频分辨能力优于传统的小波变换，适于非稳态信号的研究［5］。人工神经网络具有自学习、自组织、自适应和极强的非线性映射能力，适于因果关系复杂的非确定性分类问题［4，6］。基于此，本文提出一种基于单子带重构改进算法结合BP神经网络进行风力发电机故障诊断的新方法。将定子电流信号进行单子带重构改进小波变换后的子带信号作为特征域，提取故障特征，作为反向传播网络BP输入，BP网络根据训练好的映射关系，导出相应输入信号的故障类型。该方法大大提高了故障分类的准确度。

1 单子带重构改进算法

小波多分辨分析（Mallat）算法在时域和频域内都具有表征信号局部特征的能力，很适合分析信号的各种频率成分。然而，由于Mallat中小波滤波器是非理想的，由Mallat得到的小波系数，低频子带中会含有邻近的高频子带中部分分量；高频子带中也会含有邻近低频子带中的部分分量。包含在低频子带中的高频子带分量和高频子带信号经隔点采样后，由于不满组采样定理将产生频率混叠；同时，在小波重构中的隔点插零，会产生真实频率成分的映像，进一步加剧了频率的混叠现象。用Mallat对复杂信号进行三层或四层分解重构时，频率混叠现象将明显且严重。单子带重构改进算法是在Mallat基础上发展并实现的，其基本思想是利用快速傅里叶变换FFT和快速傅里叶逆变换IFFT在Mallat分解和重构中，将每一层子带中多余的频率分量去掉，这样经过改进的单子带重构信号中将不存在频率混叠现象［5］。单子带重构算法和单子带重构改进算法如图1和图2所示。

图1 单子带重构小波变换Fig.1 Single－band reconstruction wavelet transform

图2 单子带重构改进小波变换Fig.2 Wavelet transform improved by single－band reconstruction

图1和图2中h、g、H、G分别表示与小波重构滤波器h、g和小波分解滤波器H、G进行卷积；↓2表示隔点采样，↑2表示隔点插零；Aj是第2j尺度上的近似部分（低频子带）的小波系数；Aj＋1和Dj＋1是第2j＋1尺度上的近似部分（低频子带）的小波系数和细节部分（高频子带）的小波系数，aj＋1和dj＋1分别是第2j＋1尺度上的低频子带和高频子带的重构信号。比较图1和图2可知，单子带重构改进算法比单子带重构算法增加了3个算子CG、CH和ch。令x（n）表示2j尺度上的低频子带小波系数W＝e－j2π／Nj，则算子CH和ch的计算式为

式中，Nj表示小波变化第j层分解后数据长度；k＝ 0，1，…，Nj－1；n＝ 0，1，…，Nj－1；x～（n）是 算 子CH和ch的输出。对于算子ch，等于原始信号的长度。算子CG的计算式为x～（n）是算子CG的输出；其他符号的意义跟上式相同。事实上，在实际计算中，这些算子的实现可以利用FFT和IFFT进行。

为了验证单子带重构改进算法在消除频率混叠方面的效果，在Matlab中编写m语言程序实现该算法。利用例子对单子带重构算法和单子带重构改进算法做比较。仿真信号如式（5）所示。

信号y（t）中包含10Hz、85Hz、165Hz、235 Hz和450Hz等六个频率成分，其中450Hz频率成分为一瞬态信号，发生在0.25s至0.5s内。分别用传统的单子带重构小波变换和单子带重构改进小波变换，选用具有紧支集的Daubechies40（db4）小波进行分析。以1000Hz采样频率，采样点数为2000个，将信号分解至3层并重构；为显示直观，在小波分析图中只显示了0.5s的数据。各子带的小波系数及其频谱如图3～5所示。

图3 仿真信号时域波形Fig.3 Time－domain waveform of the simulated signal

图4 单子带重构小波变换Fig.4 Single－band reconstruction wavelet transform

图5 单子带重构改进小波变换Fig.5 Wavelet transform improved by single－band reconstruction

图4是采用传统的单子带重构算法分析后的小波系数及其频谱图，在其各个子带的频谱图中不仅存在信号本身具有的频率分量，而且由于频率混叠现象，还存在信号本身并不具有的虚假频率分量，以第一层分解的低频子带为例（ca1），理论上其频谱值中应只存在10Hz，85Hz，165Hz，235Hz，而在ca1频谱中，存在5Hz，42Hz，85Hz，118Hz，132Hz，165Hz，235Hz等频率，且在第一层分解的高频子带（cd1）的频谱图中完全识别不出瞬态信号的存在。图5是采用单子带重构改进算法分析后的小波系数及其频谱图，观察图5可发现，该方法消除了频率混叠现象，在cd1频谱中，450Hz的瞬态信号已清晰可见，且发生在0.25s时刻，各次频率信号也被清晰的分配在各个子带中。

2 特征信息的提取

以上分析可知，利用单子带重构改进小波变换，不仅能检测到微弱瞬态信号的存在，而且还能确定瞬态信号的发生时间，这是常规频谱分析不能实现的；同时单子带重构改进小波变换可把信号的频带分解，不产生频率混叠现象，有利于从子带信号中提取特征量而不产生混淆。经小波变换后的小波系数，并行数量较多，将其作为神经网络输入，会导致神经网络结构庞大、计算缓慢，在工程应用上不现实。为有效提取发电机定子电流故障波形中的特征信息，本文选取小波分解后的各高频子带和最高层的低频子带作为特征域；计算各特征域的峰值系数C、脉冲系数I、裕度系数L、偏态系数P和峭度系数K为输入特征量。计算公式如下：

3 系统模型建立

3.1 BP神经网络的模型

BP神经网络由输入层、隐含层和输出层组成。单隐含层的BP神经网络具备任意精度的函数逼近能力。应用中，选用具有一个隐含层的BP神经网络即可。具有单隐含层的BP神经网络结构如图6。图中设有m个输入节点x1，x2，…，xm，l个输出节点y1，y2，…，yl，网络隐含层共有q个神经元。

本文采用3层BP神经网络对故障进行最后定位，将定子电流信号进行四层单子带重构改进的小波分析，选取各层小波系数的高频子带及第四层小波系数的低频子带作为特征域（即ca4，cd1，cd2，cd3，cd4），对各特征域分别计算其特征量：峰值系数C、脉冲系数I、裕度系数L、偏态系数P和峭度系数K，作为BP输入；因此，BP具有25个输入节点，同时隐含层神经元选用30个，输出节点为3个；网络隐含层和输出层的神经元函数都为Sigmoid函数，采用动量梯度下降反向传播算法对网络训练，选取训练精度为0.00001，最高训练次数2000次。BP神经网络输出的训练目标如表1。

图6 BP神经网络结构Fig.6 Structure of BP Neural Network

表1 网络输出的训练目标Tab.1 Training target of the network output

3.2 智能故障诊断系统模型

图7 智能故障诊断系统Fig.7 Intelligent fault diagnosis system

至此，建立一个基于单子带重构改进算法和BP神经网络结合的风力发电机智能故障诊断模型。由定子电流传感器采集的电流信号经前置滤波放大后，输入计算机，在Matlab中用单子带重构改进算法对时域信号分析，选取各小波系数的子信号带中的高频子带和最高层的低频子带作为特征域，提取特征量，归一化后将其作为BP输入，同时在NN中加入自学习策略，使智能故障诊断系统在测试中不断自我完善。首先利用训练样本训练诊断模型，模型训练好后，输入测试数据，智能故障诊断系统将输出相应的故障类型。系统框图如图7所示。

4 实验结果分析

应用 Matlab／Simulink，搭建了1.5MW 双馈风力发电系统的模型。模型的额定电压为690V、额定风速为11m／s。为获取故障数据，基于发电机的故障原理，通过修改模型中风力发电机参数模拟了定子匝间短路、转子断条、气隙偏心三种常见故障。风速模拟采用线性滤波法［17］，当风速稳定为12 m／s时，以1000Hz的采样频率，采样时段2s，采集了40组风力发电机发生以上故障时的数据。采集的电流信号归一化后如图8所示。

选取25组数据为训练样本，剩余15组数据作为测试样本。经过多次训练，BP网络达到了训练精度要求。用测试样本对训练好的网络进行测试，均实现了对测试样本的故障分类。其中两组测试样本的特征量如表2所示。观察表2可发现，特征量的数值变化较大。为避免神经网络陷入局部最小值，加快网络的收敛速度，在应用数据训练神经网络之前，将特征量进行归一化处理。表3是测试样本的输出结果，观察表3，与表1的输出目标对比可发现，该方法准确定位了发电机的四种状态。

图8 发电机定子电流Fig.8 Stator current of the generator

表2 测试样本的特征量Tab.2 Feature quantities of the test samples

表3 测试样本的网络输出Tab.3 Network output of the test samples

5 结语

故障诊断中，从原始信号中提取有效的特征信号至关重要。风力发电机早期故障中的特征信息在定子电流信号中是时变、非平稳，极其微弱，用一般频域分析法提取其有效特征较为困难［16］。利用单子带重构改进算法的小波变换对故障发电机定子电流进行频带分解，消除了传统小波变换中使定子电流频带成分混叠的现象，有效提取出定子电流中的发电机故障信号；结合BP输入输出的非线性映射能力，完成对故障的分类和定位。实践证明，本文提出的单子带重构改进算法结合BP神经网络，对风力发电机定子电流进行分析的故障诊断新方法，准确实现了对发电机故障的分类和定位。

［1］ 蒋东翔，洪良友，黄乾，等（Jiang Dongxiang，Hong Liangyou，Huang Qian，et al）.风力机状态监测与故障诊断技术研究（Condition monitoring and fault diagnostic techniques for wind turbine）［J］.电网与清洁能源（Power System and Clean Energy），2008，24（3）：40－44.

［2］ 庄哲民，殷国华，李芬兰，等（Zhuang Zhemin，Yin Guohua，Li Fenlan，et al）.基于小波神经网络的风力发电机故障诊断（Fault diagnosis of wind power generation based on wavelet neural network）［J］.电工技术学报（Transactions of China Electrotechnical Society），2009，24（4）：224－228.

［3］ 张征平，陈艳峰.小波分析在高压电机故障检测中的应用［M］.北京：中国电力出版社，2009.

［4］ 冯定.神经网络专家系统［M］.北京：科学出版社，2006.

［5］ 杨建国.小波分析及其工程应用［M］.北京：机械工业出版社，2005.

［6］ 米江，纪国宜（Mi Jiang，Ji Guoyi）.改进的BP神经网络在风机故障诊断中的应用（Application of improved BP neural network in fault diagnosis of Fans）［J］.噪声与振动控制（Noise and Vibration Control），2011，31（2）：94－98.

［7］ Amirat Y，Benbouzid M E H，Bensaker B，et al.Condition monitoring and fault diagnosis in wind energy conversion systems：a review［C］∥IEEE International Electric Machines and Drives Conference，Antalya，Turkey：2007.

［8］ 周昆鹏（Zhou Kunpeng）.直驱型同步风力发电机组故障诊断系统的研究和设计（Research and Design of Fault Diagnosis System for Direct－Driven Synchro－nous Wind Turbine）［D］.长沙：中南大学机电工程学院（Changsha：Mechanical ＆ Electrical Engineering College of Central South University），2010.

［9］ 蓝会立，张认成（Lan Huili，Zhang Rencheng）.基于小波分析的故障电弧伴生弧声特征提取（Study on the feature extraction of fault arc sound signal based on wavelet analysis）［J］.电力系统及其自动化学报（Proceedings of the CSU－EPSA），2008，20（4）：57－62.

［10］ Wilkinson M R，Spinato F，Tavner P J.Condition monitoring of generators ＆other subassemblies in wind turbine drive trains［C］∥IEEE Symposium on Diagnostics for Electric Machines，Power Electronics and Drives，Cracow，Poland：2007.

［11］Yang W，Tavner P J，Wilkinson M R.Condition monitoring and fault diagnosis of a wind turbine synchronous generator drive train［J］.IET Renewable Power Generation，2009，3（1）：1－11.

［12］ Tavner P J，Xiang J，Spinato F.Reliability analysis for wind turbines［J］.Wind Energy，2007，l0（1）：1－l8.

［13］Hameed Z，Hong Y S，Cho Y M，et al.Condition monitoring and fault detection of wind turbines and related algorithms：A review［J］.Renewable and Sustainable Energy Reviews，2009，13（1）：1－39.

［14］马宏忠.电机状态监测与故障诊断［M］.北京：机械工业出版社，2007.

［15］ Wenxian Yang，Tavner P J，Wilkinson M.Wind turbine condition monitoring and fault Diagnosis using both mechanical and electrical signatures［C］∥IEEE International Conference on Advanced Intelligent Mechatronics，Xi＇an，China：2008.

［16］Tavner P J.Review of condition monitoring of rotating electrical machines［J］.IET Electric Power Applications，2008，2（4）：215－247.

［17］袁波，应惠清，徐佳炜（Yuan Bo，Ying Huiqing，Xu Jiawei）.基于线性滤波法的脉动风速模拟及其MATLAB程序的实现（Simulation of turbulent wind velocity based on linear filter method and MATLAB program realization）［J］.结构工程师（Structural Engineers），2007，23（4）：55－61.