基于模糊神经网络的永磁同步发电机失磁故障程度诊断

张志艳，张皓宇，岳廷树，秦 鹏，王爱芳，赵宏飞

(1.郑州轻工业大学 电气信息工程学院,郑州 450002；2.国网河南省电力公司 河南送变电建设有限公司,郑州 450007;3.国网河南省电力公司 郑州供电公司,郑州 450006；4.江苏省电力公司检修分公司,南京 211100)

0 引 言

永磁同步发电机(Permanent Magnet Synchronous Generator，PMSG)励磁磁场是由其本身的永磁体产生。PMSG省去了励磁绕组，结构较为简单、可靠性高；转子的特殊结构使得发电机内部结构排列紧凑，体积小、重量轻，而且相比较励磁式发电机效率较高[1]。由于PMSG 上述的相关优点，在风力发电中，永磁同步发电机应用已较为广泛。风力发电因其风能洁净、成本低且可再生，已成为了战略性新兴产业，而永磁同步发电机和风力发电的结合使资源的利用率得到了更大的提升。但是永磁电机在运行过程中，永磁体可能会受到温度、机械振动等原因，造成失磁故障，而失磁故障是永磁电机比较严重的一类故障[2]。一旦发生失磁现象，有可能致使电网发生波动，造成不必要的经济损失。因此要尽可能在失磁情况轻微的状态下对电机进行维护，以使失磁故障带来的影响降到最低。因此，对永磁同步发电机进行失磁故障程度的判断十分重要。

目前对永磁电机失磁故障并没有比较成熟的检测方法，很难及时准确地掌握永磁电机永磁体运行的基本情况。永磁电机电磁场的计算方法主要有3种：解析法、集总参数分析法和数值法[3]。PMSG失磁故障的相关研究主要是模型的建立，文献[4-5]以电机的失磁模型为基础，分析产生失磁故障的影响及风险，但是无法判断电机失磁程度。文献[6]在不同频率下，噪声会发生变化，以其变化的规律为研究对象，得到失磁故障的诊断依据。文献[7]搭建了轻载实验平台，运用小波分析与EMD结合的方法，使用EMD 的自适应分解能力，得到更加准确的希尔伯特谱，对比正常信号得到故障判据。文献[8]运用时步有限元计算方法，在不同局部失磁状态下对电机内磁场分布、磁密变化轨迹以及电枢支路电流波形的演变规律进行研究。

上述文献对PMSG的失磁故障的发生进行了诊断，但并没有进一步对失磁故障严重程度进行定性判断，基于此，本文提出以永磁发电机转子的铁心损耗、定子涡流损耗、附加损耗、磁滞损耗、永磁体涡流损耗和绞线铜耗等六种损耗为研究对象，将模糊处理和BP 神经网络(Back Propagation Network)相结合的失磁故障严重程度的联合判断方法。该方法将永磁体的工作状态分为正常、轻微失磁、中等失磁和严重失磁等四种，通过BP神经网络进行诊断及模糊处理，从而得到永磁发电机的失磁程度。

1 永磁发电机模型

永磁同步发电机基本参数如表1所示。

表1 永磁同步发电机基本数据

永磁同步发电机失磁磁极设定为两两对称相同极性永磁体，如图1所示，针对4块永磁体的正常和不同程度失磁状态的数据进行了分析和研究。

图1 永磁同步发电机永磁体失磁故障位置

2 失磁故障程度的模糊处理

永磁发电机失磁程度存在不规律性, 而模糊神经网络可以满足这一复杂与不规律性，模糊系统通常是容易被人接受和理解的，神经网络对环境的适应力很强，模糊神经网络就是两者的结合。由于本文中神经网络的输入样本存在模糊性，对于确定性的BP神经网络将无法处理，因此首先对BP神经网络的输入样本进行模糊化处理。永磁发电机失磁程度分为3个等级，轻度失磁(10%-40%)，中度失磁(40%-60%)，严重失磁(60%以上)，因此可选择中间型梯形隶属函数。式中的值代表的是失磁量表示为

利用隶属函数的表达式就可以取得相应的隶属度。这3种梯形隶属函数都具有简单的优势，本文中所用隶属函数亦采用这种梯形的隶属函数[9]。每个失磁量经过模糊处理后都对应有3个隶属度，文中采用失磁在10%～100%之间的失磁度和正常作为神经网络的输入量。

3 失磁故障严重程度判断

BP神经网络是一种多层前馈型神经网络，其神经元的传递是S型函数，输出量为0到1之间的连续量，它可以实现从输入到输出的任意非线性映射[10]。模糊神经网络是将模糊集和神经网络相互结合，利用模糊系统对不确定信息的处理能力和神经网络较强的学习能力，两者互相补充，相互融合。由于输入数据的不确定性，需先对输入数据进行模糊化处理，然后将其作为神经网络的输入。该方法的具体步骤如下：

(1)选取训练数据，由于神经网络的训练数据越多准确性越高，因此本文选取500组训练数据。

(2)通过计算隶属度如表2所示。来确定输入数据的范围。

表2 3种失磁程度隶属度

(3)将轻度，中等，严重失磁范围内的数据作为训练数据的输入量，将表3中所对应的编码作为输出量。

表3 永磁发电机状态编码对照表

(4)将输入输出数据进行归一化处理，建立训练函数进行训练，当达到训练要求时，便可得出训练数据，再将其进行反归一化便可得到输出结果。

(5)选取12组测试数据对此网络进行测试，得出测试结果并计算误差，失磁故障严重程度判断流程如图2所示。

图2 失磁故障严重程度判断流程图

4 算 例

本算例故障诊断原始数据来源于基于Ansoft软件的永磁发电机失磁故障仿真数据，以本文所研究的PMSG正常及各种失磁程度时的六种损耗数据为样本，通过BP神经网络进行永磁发电机故障严重程度的诊断。

4.1 输入和输出样本数据

定义永磁发电机铁心损耗，定子涡流损耗，附加损耗，磁滞损耗，永磁体涡流损耗，绞线铜耗6个量为输入数据。输出量分为4种状态，即正常运行，轻微失磁，中度失磁和严重失磁，定义输出为3维向量，如表3所示。

4.2 训练BP神经网络

因永磁发电机故障种类定义为4种，所以选用一层隐含层，铁心损耗，定子涡流损耗，附加损耗，磁滞损耗，永磁体涡流损耗，绞线铜耗为输入层，即输入单元数目为6，输出单元为对应的3个输出量，即输出单元数目为3。

从仿真结果选取500组数据作为正常和故障工况时的数据采样，此500组数据为仿真达到稳定后的数据，每隔0.25ms取一组数据，经过模糊处理以后并将此500组数据作为训练样本，为使数据更加准确，选择3种不同失磁故障程度和正常运行的12组数据作为测验样本，如表4所示。

4.3 结果分析

最大训练次数设为100，目标性能指标设为0.00004，学习速率设为0.1。将提取的特征向量输入至该网络进行训练，BP 神经网络经过49步达到训练所需的目标值，如图3所示。

图3 神经网络训练次数与误差

利用表4中的12组数据进行测试，得到的训练结果如表5所示，从表中可以看出误差值较小，诊断结果表明与仿真结果设定的永磁体运行状态相一致。

表4 永磁同步发电机不同失磁程度仿真数据

表5 永磁同步发电机失磁故障诊断实际输出与期望值比较

5 结 论

随着风力发电和永磁电机的发展，永磁发电机已逐渐成为风力发电机的主力机型，长期运行于较恶劣的环境有可能导致故障的发生，而失磁故障是永磁发电机的特有故障，基于此，本文提出了基于模糊处理与BP神经网络相结合的永磁发电机失磁故障程度诊断方法，以永磁发电机的损耗参数作为其特征参数，将永磁发电机运行状态模糊化处理为4种，然后将模糊处理后的数据作为 BP神经网络的训练输入，测试数据结果表明，其失磁故障程度与仿真设定的失磁故障程度相一致，因此，该联合诊断方法可以实现对永磁发电机永磁体工作状态定性准确判断，永磁发电机失磁程度的及时诊断可以有效提高发电机的工作效率，减小无功功率损耗，为永磁同步发电机在风力发电系统的应用提供了有利条件。