风力电网故障下的机械载荷优化测试分析

龙雄辉，苏丹

（广州铁路职业技术学院，广东 广州 510000）

随着世界不可再生能源的紧缺，传统的火力发电无法满足节能环保的需求，风能作为一种清洁的可再生能源，采用风力发电成为新趋势。风力发电是将风的动能转化为电力动能，通过分离发电机组，利用风力带动风车叶片旋转，实现电力发电。风力发电网络构成复杂，风力电网通常工作在恶劣的自然环境中，容易产生故障，在风力电网故障下，对风力电机的机械载荷产生连贯性作用和影响，可以通过对机械载荷的优化测试和分析，实现对风力电网的故障检测和诊断，研究风力电网的故障诊断和机械载荷优化测试分析方法，在提高故障检测和诊断能力方面具有重要价值[1]。

传统方法中，对风力电网故障诊断方法主要采用数据聚类方法、神经网络模糊控制方法、模式识别方法等等，但这些方法的基础是需要对电网故障下的载荷相关数据进行特征分析和信号采集，采用信号处理的方法进行数据分析和处理，实现对故障的诊断。风力电网系统各子系统通过电机转动和数据传输，进行故障数据的提取和传递。但是，由于信号数据分析的时间与判断的依据非常模糊，所以故障排查的数据较多，准确性也相对较低[2]。从而造成工作人员对风力电网电气系统异常故障排查的准确度不高，致使工作量增多，浪费资源，降低了效率。文献[3]的电网故障检测系统采用遗传进化系统，由于信号数据分析的时间与判断的依据非常模糊，导致检测性能不好。文献[4]设计的风力电网故障检测可靠性分析系统中，系统的软件设计方法很难及时地捕获机械载荷数据，使得信号分析过程中，非线性故障信号与其他故障信号失联，对电力设备可靠性分析出现较大偏差。为了解决传统系统软件存在的缺陷，提高对风力电网的故障诊断和分析性能，本文从机械载荷数据采集和信号处理着手，提出一种基于机械载荷线性反馈和谐波抑制的风力电网故障诊断方法，实现对故障下机械载荷优化测试。首先构建了风力电网故障下的机械载荷数据采集和信号生成模型，对采集的机械载荷数据进行特征提取处理，以此为基础，采用机械载荷线性反馈和谐波抑制方法，实现对风力电网故障下机械载荷数据的干扰滤波和特征优化测试，提高故障诊断性能，仿真实验进行了性能验证，展示了本文算法在提高风力电网的故障诊断性能方面的优越性。

1 风力电网故障下的机械载荷数据采集与信号提取

为了实现对风力电网的故障诊断和分析，本文从故障模式下的风力电机的机械载荷数据分析着手，进行故障信号特征的提取和数据分析，实现对故障的优化检测和诊断，其中数据采集和信号模型构建是基础。传统的电气故障检测系统采用遗传进化系统，由于信号数据分析的时间与判断的依据非常模糊，导致检测性能不好[5-7]。本文采用双曲调频信号的自连续小波变换来分析信号的特性，首先提取风力电网正常工作时的数据特征，采用压力传感器对电机的机械载荷数据进行采集，电机上的载荷压力传感器接收信号为r（t）：

式中：A（t）为包络；θ（t）为电机的闭环控制相位；参数t0，K为数据采样时间和采样周期，确定如下：

式中：f0为中心频率；B为带宽。计算风力电网在故障状态下机组承受额外的机械载荷：

当电机运行在风速ω下，机械载荷输出功率频外电场矢量空间，构建双曲调频信号描述电机转动的瞬时频率，为：

通过上述处理，实现风力电网故障下的机械载荷数据采集与信号提取，为故障诊断提供数据基础。

2 机械载荷故障信号模型

在上述故障数据采集和特征分析的基础上，构建故障信号模型，在典型的风力电网组组网系统中，风力电网的阵列分布构建是进行信号采集的关键，采用平面阵列模拟构建风力电网机械载荷阵列分布模型，如图1所示。

图1中，假定由N=2P个阵元组成的间距为d均匀线阵，在电网故障下，机械载荷接收到I个近场窄带信号源，以此描述故障信号。图1中，阵列中心处的阵元坐标为O，接收到的机械载荷压力信号模型为：

图1 故障信号采集阵列模型Fig. 1 Fault signal acquisition array model

式中：si（t）为第i个电网数据采集节点的复包络；xm（t）为阵元m接收的阵列输出数据矢量号；nm（t）为阵元m上的谐波生，电网故障下的机械载荷数据集合中含有n个电流信号、振动信号、差压信号，取双曲调频信号为母小波，进行特征提取，母小波称为双曲调频小波，小波函数为：

通过信号包络幅度调制，对机械载荷线性反馈和谐波抑制，通过采集故障数据，与正常工作时的数据特征进行比较，得到了电气故障信号的第二特征函数，定义为：

风力电网每个节点bi，在簇头生成过程中形成Kb个帧，时间间隔为Tb，数据采集系统在1.5～2.7 GHz工作频段内具有一定的中频干扰抑制性能，需要进行谐波抑制，故障状态下电机载荷的瞬时频率为：

式中：m为权重指数；（dik）2为机组最大功率运转下的电流信号，分别乘上权重值w1j，w2j，…，wnj得到系统稳态输出，为：

对故障信号进行宽频带数据解调，得到故障信号的频域特性为：

为了反映出数据类群的多样性特征，在转子磁场坐标系中利用仿射变换方法替代传统的微分运算计算电流矢量导数，基于风力电网机械载荷线性反馈和谐波抑制方法，实现对高频噪声能有效抑制，提高故障诊断能力。

3 机械载荷测试和故障诊断实现

在上述进行故障信号模型构建和特征提取的基础上，通过对故障状态下的电机机械载荷测试，实现故障诊断，先对机械载荷测试系统作如下说明：fx（X，t），fθ（X，t）是风力电网接收端和发送端数据分配函数，其传递向量函数分别为f赞x（X，t），f赞θ（X，t）且有如下关系：

同时满足:

为了提高测试过程中的抗干扰能力，给出风力电网机械载荷线性反馈指向性增益为：

从而得到谐波抑制方法，得到故障信号子空间以及与信号分量相正交的噪声子空间为：

假设故障路由节点存在系统功率衰减，得到风力电网通信信道功率衰减系数为：

通过可分离谱加权得到风力电网机械载荷测试节点的多载波调制向量，考虑风力电网路由节点子载波同步误差为：

式中：k为子载波衰减系数；R为风力电网网格覆盖面积；p2D为故障路由节点生成概率？通过上述算法设计，实现了风力电网故障下的机械载荷优化测试。根据测试结果，输入到风力电网故障诊断专家系统中，比对故障数据库和数据库中的可用知识，实现对风力电网故障的准确诊断。这一过程描述如图2所示。

图2 风力电网故障诊断过程Fig. 2 Wind power grid fault diagnosis process

4 仿真实验和性能分析

为了测试本文算法在实现对风力电网故障下的机械载荷数据采集测试和故障诊断的性能，进行仿真实验。仿真实验建立在Matlab 7仿真软件基础上，计算机型号Lenovo KM400，处理器为AMD Athlon 1.83 GHz，2 G内存。利用abaqus在计算机上建立风力电网故障下机械载荷测试数字样机，实现故障诊断在线模型仿真，了解风力电网故障下的电机载荷运行性能。本文把abaqus软件引用到故障诊断系统模型分析中，构建模糊数据库、模糊知识库、模糊推理机，设计专家系统。在5种工况模式下测试风力电网故障机械载荷，根据规则库和事实库，程序完成模式匹配，将其放入议程，最终完成推理和专家故障诊断。在故障工况模式下，每种工况采集信号样本为50，共计2 500个样本。为了实现对风力电网的故障诊断和分析，本文从故障模式下的风力电机的机械载荷数据分析着手，进行故障信号特征的提取和数据分析，首先进行数据采集和信号模型构建，得到某一故障工况下风力电网中电机的机械载荷数据采集时域波形，如图3所示。

以上述采集的数据为样本，故障接收信号的频率则分别为32 kHz和20 kHz，频率设置为倍频。对样本按4∶1分成训练集和测试集两状态两部分，进行故障特征提取和故障诊断，得到故障节点的统计结果如图4所示。

从图可见，采用本文方法，通过对风力电网故障下的机械载荷优化测试，实现对风力电网中故障节点的准确统计和测试。为了对比算法性能，采用本文方法和传统方法，以故障准确诊断率为测试指标，得到不同方法下对风力电网故障诊断概率如图5所示，从图可见，采用本文方法，在不同信噪比SNR的谐波干扰下，准确诊断概率比传统方法有大幅度的提高，展示了本文方法优越性能。

图3 机械载荷数据采集时域波形Fig. 3 Mechanical load data acquisition time domain waveform

图4 风力电网故障节点的统计结果Fig. 4 The statistical results of wind power grid fault node

图5 性能对比Fig. 5 Comparison of performances

5 结语

风力发电网络构成复杂，风力电网通常工作在恶劣的自然环境中，容易产生故障。在风力电网故障下，可以通过对机械载荷的优化测试和分析，实现对风力电网的故障检测和诊断。本文提出一种基于机械载荷线性反馈和谐波抑制的风力电网故障诊断方法，首先构建了风力电网故障下的机械载荷数据采集和信号生成模型，对采集的机械载荷数据进行特征提取处理，采用机械载荷线性反馈和谐波抑制方法，实现对风力电网故障下机械载荷数据的干扰滤波和特征优化测试。仿真结果表明，采用本文方法能实现对载荷数据的准确采集和测试，实现风力电网中故障节点的准确统计，提高风力电网的故障诊断准确度。

[1] 张少敏，李晓强，王保义. 基于Hadoop的智能电网数据安全存储设计[J]. 电力系统保护与控制，2013，41（14）:136-140.ZHANG Shaomin，LI Xiaoqiang，WANG Baoyi. Security of smart grid based on Hadoop data storage design[J].Power System Protection and Control，2013，41（14）: 136-140（in Chinese）.

[2] 曹军威，万宇鑫，涂国煜，等. 智能电网信息系统体系结构研究[J]. 计算机学报，2013，36（1）: 143-166.CAO Junwei，WAN Yuxin，TU Guoyu，et al. The smart grid information system architecture research[J]. Journal of Computers，2013，36（1）: 143-166（in Chinese）.

[3] 胡学坤，李金霞，宋淑娜，等. 基于粗糙集与模糊支持向量机的模式分类方法研究[J]. 科技通报，2010，26（2）: 249-252.HU Xuekun，LI Jinxia，SONG Shuna，et al. Based on rough sets and fuzzy pattern classification method of SVM research[J]. Science and Technology，2010，26（2）: 249-252（in Chinese）.

[4] 郭晓利，曲朝阳，李晓栋，等. 基于SOM聚类的电网可视化数据挖掘模型[J]. 情报科学，2012，30（2）: 207-209.GUO Xiaoli，QU Chaoyang，LI Xiaodong，et al. The grid visual data mining model based on SOM clustering[J].Journal of Intelligence Science，2012，30（2）:207-209（in Chinese）.

[5] 周涛. 基于改进神经网络的电力系统中长期负荷预测研究[J]. 电气应用，2013，32（4）: 26-29.ZHOU Tao. Based on the improved neural network medium and long-term load forecasting of power system research[J].Electric Applications，2013，32（4）: 26-29（in Chinese）.

[6] 韩晓冬. 基于小波遗传进化的电网故障定位技术研究[J].科技通报，2013，29（6）: 59-61.HAN Xiaodong. Fault location based on wavelet genetic evolution power grid technology research[J].Science，2013，29（6）: 59-61（in Chinese）.

[7] 邱世卉. 小波遗传进化在模拟电路故障诊断中的应用研究[J]. 科学技术与工程，2012，12（30）: 8042-8046.QIU Shihui. Wavelet genetic evolution in the application of analog circuit fault diagnosis research[J]. Science，Technology and Engineering，2012，12（30）: 8042-8046（in Chinese）.