风电并网逆变器故障数据特征提取方法与装置与流程

1.本发明属于光伏发电技术领域，具体涉及一种风电并网逆变器故障数据特征提取方法与装置。


背景技术：

2.风力发电系统(wpgs)可以作为一种可持续的解决方案，以减轻温室气体排放的影响，满足不断增长的经济的能源需求。此外，风电场建设周期短，投资建设规模具有很大的灵活性。因此，风能已成为过去十年中增长最快的可再生能源之一。
3.然而，风电系统的大规模发展带来了两个重要问题：1)风电系统的可靠性；2)风电系统的维护成本。在风力发电系统的发展中，不仅要考虑风力发电系统的功能，还要考虑风力发电系统的可靠性，以促进风力发电系统的安全运行，最大限度地利用风力发电，大幅度提高风力发电系统的渗透率。另一方面，维修费用应降低。对于使用寿命为20年的风力涡轮机，估计维护费用至少占总费用的10-15％。因此，需要研究有效的方法来提高风电系统的可靠性，降低维护成本。
4.由于风电系统中变流器故障的发生是独立且随机的，故障诊断是一种可行的故障快速检测和隔离方法，因此风电变流器故障诊断的工程价值如下：(1)在研制过程中，故障诊断可以为改进变换器的设计提供可靠的理论依据，以调整变换器的结构，优化变换器控制器。例如，较高的故障诊断精度可以保证有效的容错控制，提高风电机组在故障条件下的连续运行能力。(2)对于运行而言，故障诊断可以指导操作人员在变频器故障早期采取积极有效的调整措施，最大限度地减少灾难性故障的发生，有效避免不必要的停机，减少故障造成的经济损失。(3)在风电系统的维护管理方面，故障诊断可以快速检测和识别故障；这对于更早地做出决策、降低风险和更有效地降低成本具有重要意义。
5.因此，本发明提出一种风电并网逆变器故障数据特征提取方法与装置。


技术实现要素：

6.本发明旨在至少解决现有技术中存在的技术问题之一，提供一种风电并网逆变器故障数据特征提取方法与装置。
7.本发明的一方面，提供一种风电并网逆变器故障数据特征提取方法，包括下述步骤：
8.基于风力发电系统对其逆变器的故障进行分析，以得到故障数据；
9.对所述故障数据进行变分模态分解，将所述故障数据分解为不同的模式，以得到imf；
10.对所述imf求解熵以得到多尺度模糊熵，将其作为特征值。
11.可选的，对所述故障数据进行变分模态分解，将所述故障数据分解为不同的模式，以得到imf，包括：
12.对所述故障数据进行变分模态分解，将所述故障数据分解为故障数据与正常数
据；并且，
13.对所述故障数据进行变分模态分解时，选用改进的和声搜索算法对变分模态分解的二次惩罚因子和模态分量个数进行寻优，适应度函数为最小的包络熵。
14.可选的，对所述故障数据进行变分模态分解，包括：
15.根据预设模态分量个数对原始信号p进行分解，得到本征模态函数，具体如下式：
[0016][0017]
式中，{u}为分解得到的k个模态分量，{u}＝{u1,
…
,uk}；{ω}为各模态的中心频率，{ω}＝{ω1,
…
,ωk}；k＝1,2,3,...,k；t代表时间，ωk代表信号uk(t)的频率，代表求偏导，δ(t)表示狄拉克分布函数，p表示原始信号；
[0018]
采用广拉格朗日函数处理变分约束模型，将其转换为非约束模型的鞍点求解问题：
[0019][0020]
其中，λ(t)为拉格朗日乘子和α为二次惩罚因子。
[0021]
可选的，所述改进的和声搜索算法为在和声搜索算法中加入柯西变异算子，以得到新的和声位置的更新公式表示如下：
[0022][0023]
式中：表示新种群中第j个体所在的空间位置，cauchy表示标准柯西分布随机数，它的值为tan(π
·
(rand-0.5))。
[0024]
可选的，所述和声搜索算法，包括：
[0025]
在hs算法的搜索空间中生成n个和声，并存储在hm中；
[0026]
采用螺距调节机制进行新和声的即兴创作；
[0027]
将存储在hm中的最差和声与新和声进行比较，并将最差和声进行替换；
[0028]
满足预定义的最大迭代次数时，将存储在hm中最宜人的和声作为最优解。
[0029]
可选的，所述hm的数学形式如下：
[0030]
和声
[0031]
其中，ff1是与和声1对应的适应度函数，ff2是与和声2对应的适应度函数，ffn是与和声n对应的适应度函数；hi表示种群中第i个和声，表示第i个和声在空间维度中的第一个位置，其他依次类推；和/或,
[0032]
对于hm的初始化，可以使用下式：
[0033]
[0034]
其中，uj和lj为上界和下界；且rand是0到1之间的一个随机数。
[0035]
可选的，所述采用螺距调节机制进行新和声的即兴创作，包括：
[0036]
如果随机数rand≤par参数，采用下式将即兴音符转移到相邻值，具体如下：
[0037][0038]
其中，表示新种群中第j个体所在的空间位置，bw是带宽，rand为(0,1)之间的随机数，|u
j-lj|项控制决策变量的规模，uj第j个体所在的空间位置的上界，lj第j个体所在的空间位置的上界；
[0039]
若rand》par即兴音符不改变；和/或，
[0040]
将存储在hm中的最差和声与新和声进行比较，并将最差和声进行替换，包括：
[0041]
经过适应度函数计算，和声h处于1＜h＜n时，确定为hm中存储的最差和声，且如果ffh比ff
new
适应度更差，则新的和声将取代hm中的和声h；否则，新的和声被移除。
[0042]
可选的，所述包络熵计算公式如下：
[0043][0044]
其中，e
p为
包络熵，式中a(j)是由vmd分解的k个模态分量经hilbert解调后的包络信号，pj是通过计算a(j)的归一化得到的概率分布序列，n为采样点数。
[0045]
可选的，所述对所述imf求解熵以得到多尺度模糊熵，将其作为特征值，包括：
[0046]
考虑对imf组成的时间序列x＝{x(t),t＝1,2,...,n
′
}进行粗粒化处理，得到粗粒化序列y
(τ)
＝{y
d(τ)
,1≤d≤n
′
/τ}，具体如下：
[0047][0048]
式中：x(t)表示t时刻的imf量，y
d(τ)
表示t时刻的粗粒化量，τ为尺度因子，一般为正整数；
[0049]
计算各尺度因子下粗粒化序列的模糊熵，其计算公式为：
[0050]
mfe(x,τ,m,r)＝fe(y
(τ)
,m,r)
[0051]
式中:mfe表示生成多尺度模糊熵，fe表示模糊熵，m为嵌人维数，r为相似容限，x为多尺度模糊熵，τ为尺度因子。
[0052]
本发明的另一方面，提供一种风电并网逆变器故障数据特征提取装置，包括：数据获取模块、数据分解模块、特征值提取模块；其中，
[0053]
所述数据获取模块，用于基于风力发电系统对其逆变器的故障进行分析，以得到故障数据；
[0054]
所述数据分解模块，用于对所述故障数据进行变分模态分解，将所述故障数据分解为不同的模式，以得到imf；
[0055]
所述特征值提取模块，用于对所述imf求解熵以得到多尺度模糊熵，将其作为特征值。
[0056]
本发明提供一种风电并网逆变器故障数据特征提取方法，包括下述步骤：基于风
力发电系统对其逆变器的故障进行分析，以得到故障数据；对所述故障数据进行变分模态分解，将所述故障数据分解为不同的模式，以得到imf；对所述imf求解熵以得到多尺度模糊熵，将其作为特征值。本发明的方法实现了对风电并网逆变器的开路故障进行特征提取，以及，本发明的方法同样适用于对加入白噪声的风电并网逆变器的开路故障数据进行处理。本发明提及的变分模态分解提取故障特征值的方法相比传统vmd，计入优化算法对核函数参数以及惩罚参数寻优，有利于提取故障及正常情况的有效数据特征。
附图说明
[0057]
图1为本发明一实施例的一种风电并网逆变器故障数据特征提取方法的流程框图；
[0058]
图2为本发明另一实施例的双馈风力发电系统的拓扑结构示意图；
[0059]
图3为本发明另一实施例一种风电并网逆变器故障数据特征提取方法装置示意图。
具体实施方式
[0060]
为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护范围。
[0061]
如图1所示，本发明的一方面，提供一种风电并网逆变器故障数据特征提取方法s100，包括下述具体步骤s110～s130：
[0062]
s110、基于风力发电系统对其逆变器的故障进行分析，以得到故障数据。
[0063]
需要说明的是，本实施例的带变速恒频风力机的双馈感应发电机是风力发电系统的主流。由于dfig具有无功调节、有功调节、恒频变速等特点，使得其易于接入电网，在许多场合得到了广泛的应用。dfig风力发电系统的拓扑结构如图2所示。
[0064]
如图2所示，双馈风力发电系统由叶片、齿轮箱、发电机、控制系统、功率变换器和滤波器组成。风力机将风能转化为机械能，驱动发电机旋转，将机械能转化为电能，发出交流电(变幅度、变频率)；然后通过电源变流器将电流转换成恒频交流电，由变压器送至电网。功率变换器通常采用背靠背结构的变换器组合，靠近转子侧的变换器称为转子侧变换器，靠近电网侧的变换器称为电网侧变换器。转子侧变流器跟踪最大风能，实现恒频变速，提高发电系统的运行效率。电网侧变换器保持直流侧电压恒定，防止电网侧电流谐波。该变换器的两端结构与空间矢量脉宽调制(svpwm)策略相同。以电网侧变换器为例，该变换器包括三相桥臂，每个桥臂由两个功率开关绝缘栅双极晶体管(igbt，表示为ti)与反并联连接二极管(称为反向自由轮二极管)组成。电源开关ti由一个门信号gi控制:当门信号gi等于1时，开关打开。当门信号gi等于0时，开关关闭。每个桥臂上的两个igbt开关以互补模式工作；只开一个igbt开关，防止直流母线电压短路。
[0065]
进一步的，功率变换器的故障可分为短路(sc)故障和开路(oc)故障。sc故障通常会产生非常大的电流，引起系统保护(如保险丝、断路器)，很容易被检测到，最初的sc故障最终会转化为oc故障。oc故障不会产生过大电流，不会对系统造成保护。因此，它通常很难
被发现。逆变器oc故障不会立即导致系统崩溃，但如果系统长期处于oc故障状态，很容易造成其他部件的二次故障，可能会损坏逆变器。因此，本实施例提出一种风电并网逆变器数据的提取方法。
[0066]
s120、对所述故障数据进行变分模态分解，将所述故障数据分解为不同的模式，以得到imf。
[0067]
具体的，本实施例对所述故障数据进行变分模态分解，将所述故障数据分解为不同的模式，以得到imf包括：对所述故障数据进行变分模态分解，将所述故障数据分解为故障数据与正常数据；并且，对所述故障数据进行变分模态分解时，选用改进的和声搜索算法对变分模态分解的二次惩罚因子和模态分量个数进行寻优，适应度函数为最小的包络熵。
[0068]
需要说明的是，本实施例的改进的和声搜索算法为在和声搜索算法中加入柯西变异算子。
[0069]
具体的，本实施例的和声搜索算法(hs)由geem等人在2001年提出。音乐即兴创作过程是hs算法设计的基础，音乐家在即兴创作的过程中，寻求愉悦的和谐是其目的之一，由于优化过程与音乐即兴创作过程的相似性，创造hs算法。
[0070]
在hs算法中，每个和声都被称为一个可能的解，这个和声的每个决策变量都对应一个音符。该算法由一个和声存储器(hm)组成，其中存储一定数量的和声(n)。如果优化过程的目标是最大化或最小化适应度函数(ff)，则根据决策变量的个数定义优化问题，如下：
[0071]
minimize(maximize)ff(x1,x2,...,xd)
[0072]
其中ff和xi(i＝1,2,...,d)是适应度函数和决策变量，下面对算法的步骤进行描述，一般和声搜索算法的描述分为五个步骤：
[0073]
1.在hs算法的搜索空间中生成n个和声，并存储在hm中。下式表示hm的数学形式：
[0074][0075]
和声同样，对于每一个和声，它的价值ffi(i＝1,2,...,n)的值指定适应度函数，ff1是与和声1对应的适应度函数，ff2是与和声2对应的适应度函数，ffn是与和声n对应的适应度函数；hi表示种群中第i个和声，表示第i个和声在空间维度中的第一个位置，其他依次类推。例如，ff1是与和声1对应的适应度函数。
[0076]
因此，对于hm的初始化，可以使用下式：
[0077][0078]
其中uj和lj为上界和下界。而且rand是0到1之间的一个随机数。
[0079]
2.新和声的即兴创作
[0080]
在这个步骤中，一个新的和声被临时拼凑起来x
new
＝[x
new.1
,x
new.2
,...,x
new.d
]，利用已有的和声产生新的和声是hs算法相对于遗传算法等其他算法的特点之一。
[0081]
hs算法采用螺距调节机制，定义为螺距调节速率参数，避免局部最优。这个参数在0和1之间变化。par参数的小值和大值分别使俯仰调节机制变弱和变丰富。在下面，产生一
个在0和1之间均匀分布的随机数(rand)来执行俯仰角调节机制。如果rand≤par，下式用于将即兴音符转移到相邻值，否则(rand》par)即兴音符不改变。
[0082][0083]
其中，表示新种群中第j个体所在的空间位置，bw是带宽，rand为(0,1)之间的随机数，|u
j-lj|项控制决策变量的规模，uj第j个体所在的空间位置的上界，lj第j个体所在的空间位置的上界。然后，计算新和声的适应度函数(ff
new
)。
[0084]
3.替换
[0085]
将存储在hm中的最差和声与新和声进行比较。例如，假设经过适应度函数计算，和声h(1＜h＜n)确定为hm中存储的最差和声。在这种情况下，如果ffh比ff
new
适应度更差，一个新的和声将取代hm中的和声h。否则，新的和声被移除。
[0086]
4.停止准则
[0087]
通常，预定义的最大迭代次数是元启发式算法停止的标准。当满足该准则时，算法进行步骤5。否则，重复步骤2和步骤3。
[0088]
5.最终结果
[0089]
最后，选择存储在hm中的最宜人的和声即适应度最优解作为最优解。
[0090]
进一步的，由于和声搜索算法本身存在的易于陷入局部最优解的缺陷，加入改进策略，添加柯西变异算子，加大跳出局部最优解的概率。
[0091]
一维的标准cauchy分布的概率密度函数公式表示为：
[0092][0093]
柯西分布在原点处概率密度大,分布紧凑,而两端分布较长且密度小，它有一条很长的尾巴,使个体拥有更大的概率跳到更好位置，逃离局部最优,具备较高的两翼概率特征。因而，它可以产生与原点相距较远的随机数，比高斯变异产生的随机数的分布范围更广，也就意味着采用柯西变异因子后的和声在算法运行过程中可以有效的增加和声种群的多样性。另外，cauchy分布的峰值比较低，这样就能够缩短变异后的和声在邻域附近周围搜索的时间,帮助和声能够迅速跳出局部极值,使得算法得到更好的性能。通过引入柯西变异因子，获得新的和声位置的更新公式表示如下：
[0094][0095]
式中：表示新种群中第j个体所在的空间位置，cauchy表示标准柯西分布随机数,它的值为tan(π
·
(rand-0.5))。
[0096]
更进一步的，变分模态分解(variational mode decomposition,vmd)是一种自适应信号处理方法，其在emd和局部均值分解(local mean decomposition,lmd)基础上有效减少了模态混叠现象，具有较好的理论基础。vmd整体框架是变分问题，据预设模态分量个数对原始信号p进行分解，得到本征模态函数，具体如下式：
[0097][0098]
式中，{u}为分解得到的k个模态分量，{u}＝{u1,
…
,uk}；{ω}为各模态的中心频率，{ω}＝{ω1,
…
,ωk}；k＝1,2,3,...,k；t代表时间，ωk代表信号uk(t)的频率，代表求偏导，δ(t)表示狄拉克分布函数，p表示原始信号；
[0099]
通过引入拉格朗日乘子λ(t)和二次惩罚因子α，将约束变分问题变为非约束变分问题，即采用广拉格朗日函数处理变分约束模型，将其转换为非约束模型的鞍点求解问题。其中α保证信号在高斯噪声存在情况下的重构精度，λ(t)使得变分问题的求解保持严格的约束性。延伸后的拉格朗日表达式如下：
[0100][0101]
其中，λ(t)为拉格朗日乘子和α为二次惩罚因子。
[0102]
采用乘法算子交替方向求解上式，通过交替更新采用乘法算子交替方向求解上式，通过交替更新和寻求延伸拉格朗日的“鞍点”。新和更新为：
[0103][0104][0105][0106]
其中：相当于当前剩余量的维纳滤波；为当前模态函数功率谱的重心；对进行傅里叶逆变换，其实部则为{uk(ω)}
[0107]
更进一步的，利用改进的和声优化算法对二次惩罚因子和模态分量个数参数寻优，适应度函数为最小的包络熵。包络熵代表原始信号的稀疏特性，当imf中噪声较多，特征信息较少时，则包络熵值较大，反之，则包络熵值较小。
[0108]
包络熵计算公式如下：
[0109][0110]
其中，e
p为
包络熵，式中a(j)是由vmd分解的k个模态分量经hilbert解调后的包络信号，pj是通过计算a(j)的归一化得到的概率分布序列，n为采样点数，分布序列pj的熵值即为包络熵e
p
。
[0111]
s130、对所述imf求解熵以得到多尺度模糊熵，将其作为特征值。
[0112]
具体的，多尺度熵(multi-scale entropy,mse)是指不同尺度的样本熵，其从不同尺度衡量时间序列的复杂性，克服了传统的基于单一尺度样本熵的缺陷，能反映时间序列更深层的模式信息。模糊熵(fuzzy entropy,fe)采用指数函数代替单位阶跃函数，克服了相似性度量的突变，能更好地突出信号间的差异。因此，以模糊熵替换样本熵，得到多尺度模糊熵，其计算步骤如下：
[0113]
1)考虑对imf组成的时间序列x＝{x(t),t＝1,2,...,n
′
}进行粗粒化处理，得到粗粒化序列y
(τ)
＝{y
d(τ)
,1≤d≤n
′
/τ}，具体如下：
[0114][0115]
式中：x(t)表示t时刻的imf量，y
d(τ)
表示t时刻的粗粒化量，τ为尺度因子，一般为正整数；
[0116]
2)计算各尺度因子下粗粒化序列的模糊熵，其计算公式为：
[0117]
mfe(x,τ,m,r)＝fe(y
(τ)
,m,r)
[0118]
式中:mfe表示生成多尺度模糊熵，fe表示模糊熵，m为嵌人维数，r为相似容限，x为多尺度模糊熵，τ为尺度因子。
[0119]
本实施例将变分模态分解和多尺度模糊熵进行结合，更科学的提取故障特征值，提出的优化算法与变分模态分解相结合的风电并网逆变器多故障特征提取方法能够有效的提取出有噪声信号的故障数据的特征值。并且，本实施例提出的方法同样适用于对加入白噪声的风电并网逆变器的开路故障数据进行处理。
[0120]
如图3所示，本发明的另一方面，提供一种风电并网逆变器故障数据特征提取装置200，包括：数据获取模块210、数据分解模块220、特征值提取模块230；其中，所述数据获取模块210，用于基于风力发电系统对其逆变器的故障进行分析，以得到故障数据；所述数据分解模块220，用于对所述故障数据进行变分模态分解，将所述故障数据分解为不同的模式，以得到imf；所述特征值提取模块230，用于对所述imf求解熵以得到多尺度模糊熵，将其作为特征值。
[0121]
需要说明的是，本实施例的装置对风电并网逆变器故障数据特征提取方法参考前文记载，对此不再赘述。
[0122]
下面将以具体实施例对风电并网逆变器故障数据特征提取方法进行说明：
[0123]
基于matlab的simulink平台搭建风力发电系统的并网逆变器仿真，对每个风电并网逆变器设置开路故障，每类开路故障数据提取1000组，在1000组故障数据中随机提取200组加入噪声信号，将加入噪声信号的数据与未加入噪声的数据组合为故障数据。
[0124]
1.对每类的故障数据进行变分模态分解，将故障数据与正常数据分解为不同的模式。
[0125]
2.其中，对数据进行模态分量分解时，为了尽可能保存特征信息，对变分模态分解的二次惩罚因子和模态分量个数进行寻优，寻优时选用改进的和声搜索算法，适应度函数选取为最小的包络熵。
[0126]
3.改进的和声搜索算法中，初始化相关参数。
[0127]
4.在hs算法的搜索空间中生成n个和声，并存储在hm中。
[0128][0129]
和声同样，对于每一个和声，它的价值ffi(i＝1,2,...,n)的值指定适应度函数。例如，ff1是与和声1对应的适应度函数。对hm的初始化：
[0130][0131]
其中uj和lj为上界和下界。而且rand是0到1之间的一个随机数。
[0132]
5.在更新和声后，引入柯西变异因子再次更新和声位置；通过引入柯西变异因子,获得新的和声位置的更新公式表示如下:
[0133][0134]
式中：cauchy表示标准柯西分布随机数,它的值为tan(π
·
(rand-0.5))。
[0135]
6.hs算法采用螺距调节机制更新和声；产生一个在0和1之间均匀分布的随机数(rand)来执行俯仰角调节机制。如rand≤par,下式用于将即兴音符转移到相邻值，否则(rand》par)即兴音符不改变。
[0136][0137]
其中bw是带宽。采用|u
j-lj|项控制决策变量的规模。然后，计算新和声的适应度函数(ff
new
)。
[0138]
7.将存储在hm中的最差和声与新和声进行比较，选取适应度更优作为下一代和声种群。
[0139]
8.当达到最大迭代次数后，输出寻得的最优二次惩罚因子和模态分量个数，否则返回步骤5再次循环。
[0140]
9.将每类故障数据，经过寻得的最优二次惩罚因子和模态分量个数的vmd处理过后得到imf，对imf求解熵，作为故障和正常数据的特征值。
[0141]
10.求解熵时，考虑对imf组成的时间序列x＝{x(t),t＝1,2,...,n
′
}进行粗粒化处理，得到粗粒化序列y
(τ)
＝{y
d(τ)
,1≤d≤n
′
/τ}，即
[0142][0143]
基于上述粗粒化序列，计算各尺度因子下粗粒化序列的模糊熵，其计算公式为
[0144]
mfe(x,τ,m,r)＝fe(y
(τ)
,m,r)
[0145]
式中:m为嵌人维数；r为相似容限。
[0146]
11.取得的模糊熵作为特征值。
[0147]
本发明提供一种风电并网逆变器故障数据特征提取方法与装置，相对于现有技术而言具有以下有益效果：
[0148]
第一、本发明可以提供一种处理风电并网逆变器开路故障的方法以及提取故障特征的方法，为风电场的并网逆变器诊断处理故障数据提供一种新思路。
[0149]
第二、本发明提及的变分模态分解提取故障特征值的方法相比传统vmd，计入优化算法对核函数参数以及惩罚参数寻优，有利于提取故障及正常情况的有效数据特征。
[0150]
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。