基于BP神经网络的风力发电机温升故障诊断研究

于建国，岳占岐，边 辉，程鑫鑫，邓醴陵

(1.国华(河北)新能源有限公司，河北 张家口 075000；2.中车株洲电机有限公司，湖南 株洲 412000)

0 引 言

当今世界，各国面临日益严峻的环境问题，纷纷提出绿色能源的理念和节能减排的政策[1]。风能作为一种可再生的清洁能源，储量巨大，受到许多国家的关注。近几年来我国风电产业飞速发展，但针对风电机组的故障诊断技术却没有进行相应的提高，导致风机故障频发。风力发电机作为发电机组上的核心部件之一，其维修难度和维护成本是相对比较高的。风力发电机的故障预警对于保障风力发电机组的稳定运行起着至关重要的作用。因此，开展风力发电机故障诊断研究是十分有必要的。

BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，是目前故障诊断的有效工具[2]，以下主要针BP神经网络进行了系统结构及算法的研究，并结合四川喜德则约项目中的四台1.5MW直驱风力发电机SCADA系统中采集的各项运行数据为样本，在MATLAB软件中建立BP神经网络温升预测模型，对发电机温升故障开展了相应研究。

1 BP神经网络算法

1.1 BP神经网络介绍

BP神经网络(Backpropagation)是一种典型的多层前向型神经网络，其基本结构主要有一个输入层，多个隐含层和一个输出层。层与层之间采用全连接的方式，同一层的神经元之间不存在相互连接。在理论上已经证实，一个具有一层隐含层的三层网络可以逼近任意非线性函数[3]。

隐含层中的神经元主要采用S型传递函数，输出层的神经元多采用线性传递函数。图1所展示的是一个典型的BP神经网络结构，该网络具有一个隐含层，输入层神经元函数数目为m，隐含层神经元数目为l，输出层神经元数目为n，隐含层采用S型传递函数tansig，输出层传递函数为purelin。

图1 典型BP神经网络结构

1.2 多隐含层BP神经网络

BP神经网络由输入层、隐含层和输出层组成，隐含层根据层数又可以分为单隐含层和多隐含层。与单隐含层相比，多隐含层神经网络泛化能力强、预测精度高，但是训练时间比较长。隐含层层数的选择要从网络精度和训练时间上综合考虑，对于较简单的映射关系，在网络精度达到要求的情况下，可以选择单隐含层，以求加快速度；对于复杂的映射关系，则可以选择多隐含层，以期提高网络的预测精度[4-7]。

图2 多层神经网络

图2为一典型的多层神经网络，通常一个多层神经网络由L层神经元组成，其中：第1层称为输入层，最后一层(第L层)被称为输出层，其它各层均被称为隐含层(第2层-第L-1层)。

令输入向量为

令输出向量为

第l隐含层各神经元的输出为

其中，sj为第l层神经元的个数。

1.3 BP神经网络的MATLAB实现

MATLAB软件中包含MATLAB神经网络工具箱[8]，它是以人工神经网络理论为基础，用MATLAB语言构造出该理论所涉及的公式运算，矩阵操作和方程求解等大部分子程序以用于神经网络的设计和训练。

MATLAB神经网络工具箱中的newff函数可以方便地构建包含多个隐含层的BP神经网络[9]，其调用函数如下：

net=newff(P，T，S，TF，BTF，BLF，PF，IPF，OPF，DDF)

其中该函数中的节点转移函数，主要包括以下三种：

(3)purelin函数：y=x

在网络结构和权值、阈值相同的情况下，BP神经网络预测误差和均方误差、输出层节点转移函数的关系如表1所示。

表1 不同转移函数对应预测误差

从表1可以看出，选择正确的隐含层函数和输出层函数对于BP神经网络判断精度的控制具有十分重要的作用。根据表中的数据进行分析，隐含层的节点转移函数尽量选用logsig函数或tansig函数，输出层节点转移函数采用tansig函数或purelin函数，这样可以有效的提升神经网络的预测精度。

2 风力发电机温升故障模型的建立

2.1 影响风力发电机温度因素的选取

为建立风力发电机温度故障预警模型，第一步需要选取与温度有关的因素，即与风力发电机温升密切相关的机组参数，根据风电机组运行模式分析，确定以下因素可能影响发电机温升升高。

(1)环境温度(T)：由于风电机组多数安装地方都是比较偏远的山区、戈壁滩、高原地带，这种地带一般在每年多数季节都是昼夜温差比较大的(可达到10～20°C)，这时候若其他参数完全相同，发电机温升也会出现较大的差别，所以环境温度必须作为因素之一。

(2)风速(v)：在额定转速达到之前，风速越大发电机运行转速就越快，发电机内部各连接部件之间的摩擦就越大，进而使发电机内部产生的热量就不断的增加，发电机温升就随之增加；另外，风速大时机舱散热必然增加又有利于降低温度。

(3)发电机转子转速(n)：当发电机低于额定转速时，发电机的转速会随着风速的增加而增加，随风速的降低而减小，转子与发电机之间的机械作用会对发电机温度变化产生影响。

(4)网侧有功功率(P)：当发电机功率高时，发电机承受的载荷就较大，发电机问题随之增高，反正降低。根据以上分析，发电机温度预警模型的主要变量集合构成如表2所示。

表2 发电机温升预警模型相关因素变量集

2.2 各因素的定性分析

根据2.1节分析，以四川喜德则约风场1.5MW的直驱永磁风力发电机组SCADA系统中的数据为基础，进行各影响因素的定性分析，具体如图3中a、b、c、d、e所示。

由图3分析可以看出，发电机温度的变化趋势与风速、网侧有功功率、发电机转速以及环境温度的变化趋势基本一致，在相同的采样点附近取得最值，且曲线斜率基本保持相同变化规律，这说明发电机温度是上述多个因素共同影响的结果，风力发电机温度与上述各参量存在一种广义的函数关系，各个参量的变化综合影响着风力发电机的温度值的变化。

图3 各因素分析

2.3 BP神经网络的训练

采用BP神经网络来表征风力发电机温度与各参量间的关系。将发电机温度与各影响因素间的广义函数关系用BP神经网络模型来描述，将风速、网侧有功功率、环境温度、发电机转速作为输入，发电机温度作为输出。

由于上列四种性能参量拥有不同的单位与量级，为让后续神经网络模型更容易收敛，寻得误差最小极值，在用上列四种参量来训练BP神经网络之前，需对各个性能参量进行归一化处理。采用MATLAB软件自带的归一化函数mapminmax来对上述各参量进行归一化处理[10-12]，把矩阵的每一行归一到[-1 1]，具体如下所示：

[y1，PS] = mapminmax(x1)

其中，x1为需要归一的矩阵；y1为结果。

将前处理后的各参量的归一化数据来训练BP神经网络函数[13-14]，MATLAB中的BP神经网络函数设置如表3所示。

表3 BP神经网络函数参数设计

按照以上设置进行BP神经网络的训练，训练结果如图4、图5所示。

由以上训练结果可知，该模型是能够进行数据分析研究的，为验证进一步验证训练好的BP神经网络模型的可靠性，将四川喜德则约风场21#风机数据各参量的观测数据作为输入来预测风机的温度，并将预测温度与实测温度进行比较，结果如图6所示。

图4 训练结果

图5 回归结果

图6 21#风力发电机温度变化的预测结果与实测结果对比

由上图可以明显的看出，21#风机预测温度与实测温度曲线的变化趋势一致，两条温度曲线基本吻合，两条曲线之间的误差较小，进一步说明该BP神经网络预测模型是可靠的。

3 温升故障预警仿真与结果分析

3.1 温升故障预警误差阈值的确定

当风力发电机工作状态发生变化出现故障隐患时，由于动态特性的改变，输入观测向量将偏离正常工作空间，导致预测精度下降，误差增大[15]。所以如果仿真预测温度与实测温度误差较大，并有持续增大的趋势，超过设定的误差阈值(5℃)，且预测温度值超过SCADA系统中设定的预警阈值(91.5℃)，说明该台风机有发生温升故障的趋势，需进行检修。

3.2 温升故障预警的验证仿真及分析

利用训练后的BP神经网络模型对该风场25#、28#风力发电机的温升预警情况验证，通过将风机上实时监测系统中采集到的各项数据作为BP神经网络模型的输入样本，预测25#、28#风力发电机的温度。具体预测结果如图7、图8所示。

图7 25#风力发电机温度变化的预测结果与实测结果对比

由图7可知，25#发电机预测温升与实际温升曲线走势基本一致，且在采样周期内先后产生了6次温升故障报警(考虑系统启停机等情况)，其中BP神经网络模型做出6次明显的温升故障预警，第1次预警是在在第0次采样时，此时温度误差阈值已超过5℃，且不断在增大，最终预测温度值超过系统的温升故障预警阈值，而在实际运行数据中25#台风机在经过0.2×104s采样时间后，SCADA系统实时监控系统也发出温升故障预警，其余5次预警时间点也均与SCADA系统预警时间点基本保持一致。

图8 28#风力发电机温度变化的预测结果与实测结果对比

由图8可知，28#发电机的预测温度与实测温度曲线的变化趋势一致，两条温度曲线基本吻合，两条曲线之间的误差较小，且两条曲线均没有超过设定的误差阈值，也没有超过SCADA系统中设定的预警阈值(91.5℃)。这种情况说明风机运行正常，不会发生温升超标故障。实测温升曲线也证明了28#风机在2018年2月至5月运行正常并未发生温升故障预警。

4 结 论

本文针对影响风力发电机温升的因素进行分析，利用多层BP神经网络理论对其温升故障预警进行分析，建立BP神经网络预测模型，将主要影响因素作为神经网络的输入，发电机温升作为输出，调整参数、训练网络，进而通过现场采样数据进行验证分析，结果表明：该BP神经网络模型在风力发电机温升预警中的运用是有效可行的，能够较为准确的预测温升故障，该方法为风电故障诊断提供了一种研究手段。