基于GRU-CNN的双馈风力发电机电刷滑环电弧故障诊断.pdf

第 61 卷 第 8 期Vol.61 No.82023 年 8 月August 2023农业装备与车辆工程AGRICULTURAL EQUIPMENT&VEHICLE ENGINEERING0 引言据全球风能理事会（GlobalWindEnergyCouncil，GWEC）发布的分析报告显示，风电总装机规模已增长到 8.37 亿 kW，据估计全球未来 10 年内将以当前的 3 倍速度安装和发展风力发电设施1。该报告表明风电将成为世界各国实现能源生产清洁化的关键途径之一2。风能作为近年发展最快的能源类型，具有很强的竞争力和经济效益。双馈风力发电机（Doubly-FedInductionGenerator，DFIG）凭 借其转速灵敏、功率变换双向、变频控制灵活等特点广泛应用于风电事业3。风力发电机组是一个涉及空气动力、机械、电子、电气、控制等诸多技术领域的复杂能量转换系统4。由于直流串联故障电弧doi:10.3969/j.issn.1673-3142.2023.08.010基于 GRU-CNN 的双馈风力发电机电刷滑环电弧故障诊断张博文1，莫英东1，王晗钰1，袁帅1,2(1.200093上海市上海理工大学机械工程学院;2.230601 安徽省合肥市高节能电机及控制技术国家地方联合工程实验室)摘要 电刷滑环系统是双馈风力发电机（DFIG）励磁系统的重要组成部分，由于 DFIG 的电刷滑环故障频发，加之现场缺少可检修条件，严重时因此造成的单机停机故障可令整个电场运行面临瘫痪。电弧故障严重影响电力设备的稳定运行，故障电弧发生时电流一般较小，其有效值达不到电流保护装置的整定值，而在某些负载工况下，正常工作状态的电流与串联电弧故障电流波形特征非常相似，导致串联电弧难以识别。针对串联电弧故障的识别难点，提出一种基于门控循环单元模型-卷积神经网络（GRU-CNN）的 DFIG 电刷滑环故障电弧检测模型。首先，分析了 DFIG 中故障电弧的成因；然后以电流、电压和磁环 3 种信号作为输入特征值，滤波后构建基于 GRU-CNN 的故障电弧检测模型；最后搭建滑环装置诊断实验平台，用相同的实验数据和层数训练 GRU、CNN 和 GRU-CNN 网络。结果表明，基于 GRU-CNN 的故障电弧检测模型的精确率和召回率均保持在 99%以上，具有较强的工程实践意义。关键词 双馈风力发电机；电刷滑环；门控循环单元-卷积神经网络；故障诊断 中图分类号 TP183 文献标志码 B 文章编号 1673-3142(2023)08-0045-06引用格式：张博文，莫英东，王晗钰，等.基于 GRU-CNN 的双馈风力发电机电刷滑环电弧故障诊断 J.农业装备与车辆工程,2023,61(8):45-50.Fault diagnosis of doubly-fed induction generator brush ring based on GRU-CNNZHANGBowen1,MOYingdong1,WANGHanyu1,YUANShuai1,2(1.SchoolofMechanicalEngineering,UniversityofShanghaiforScienceandTechnology,Shanghai200093,China;2.NationalandLocalJointEngineeringLaboratoryofEnergy-SavingMotorandControlTechnology,Shanghai200093,China)AbstractThebrushslipringsystemisanimportantpartoftheexcitationsystemofthedoublyfedwindturbinegenerator(DFIG).DuetothefrequentoccurrenceofbrushslipringfaultsinDFIGandthelackofmaintenanceconditionsonsite,thesinglemachineshutdownfaultcausedbythiscanparalyzetheoperationoftheentireelectricfieldandcausemoreeconomiclosses.Arcfaultwillseriouslyaffectthestableoperationofpowerequipment.Whenthefaultarcoccurs,thecurrentisgenerallysmall,anditseffectivevaluecannotreachthesettingvalueofthecurrentprotectiondevice.Undersomeloadconditions,thecurrentinthenormalworkingstateisverysimilartothefaultcurrentwaveformcharacteristicsoftheseriesarc,whichleadstothedifficultyinidentifyingtheseriesarc.Aimingatthedifficultyofidentifyingseriesarcfault,aDFIGbrushslipringfaultarcdetectionmodelbasedonGatedCyclicUnitModelConvolutionNeuralNetwork(GRU-CNN)wasproposed.Firstly,thecauseoffaultarcinDFIGwasanalyzed.Then,thefaultarcdetectionmodelbasedonGRU-CNNwasconstructedafterfilteringthecurrent,voltageandmagneticloopsignalsasinputeigenvalues.Finally,theslipringdevicediagnosisexperimentalplatformwasbuilt,andGRUnetwork,CNNnetworkandGRU-CNNnetworkweretrainedwiththesameexperimentaldataandlayers.TheresultsshowedthattheaccuracyandrecallofthefaultarcdetectionmodelbasedonGRU-CNNwereabove99%,whichhadstrongengineeringpracticalsignificance.Key wordsdoubly-fedinductiongenerator;brushring;GRU-CNNnetwork;faultdiagnosis基金项目：高节能电机及控制技术国家地方联合工程实验室开放课题（KFKT202105）收稿日期：2023-01-1446农业装备与车辆工程 2023 年会使回路电流下降，传统的保护装置无法对其进行有效检测，直流电流无过零点的特性使得故障电弧在无人为处理情况下持续燃烧，从而对系统线路及人身财产安全造成巨大威胁，因此需要对直流故障电弧进行有效检测，从而及时切除故障回路，减小故障电弧危害性5-6。作为发电机的动静转换器件，运行中的电刷滑环系统发生故障会导致发电机无法稳定运行，甚至出现发电机电刷过热损坏造成机组减负荷后停机的问题7。在故障电弧检测层面，目前研究成果主要集中于故障电弧的弧声特性、弧光特性、电气特性及电磁特性8-10。DFIG 的电刷滑环系统的故障会影响电力设备的稳定运行，因此对电刷滑环的故障检测系统的研究至关重要。目前，国内外对 DFIG 电刷滑环系统中的电弧故障研究尚不充分11。Amirat 等12提出一种将电流信号与振动信号结合起来，通过检测电流信号和振动信号来判断故障的检测方法；詹辉13提出一种利用时域分析与频谱分析相结合的方法进行故障判断，但是当信号的频率和采样的频率不一致时，就会产生频谱泄露以及栅栏效应，影响结果的精确性；卢其威等14提出一种基于小波变换与奇异值分解的电弧故障检测方法，但是该方法会忽略一部分比较微弱的故障信息；马征等15在 FFT 变换以及数学形态滤波的基础上提出了一种基于高频电流频谱分析的故障电弧检测方法，但并未给出准确的检测率；焦治杰等16利用短时傅里叶变换对光伏直流故障电弧的电流信号进行分析，再采用卷积神经网络检测故障电弧；张婷等17通过对故障电弧的时域分析，引用归一化卷积神经网络，优化了传统神经网络在电弧故障识别上的不足，提高了一定的检测精度，但仍有不小提升空间；邓佳康18提出一种基于 BP 神经网络的电弧检测算法，但是该网络的训练速率较低，会导致训练时间过长，并且该网络可以使权值收敛到某个值，但并不保证其为误差平面的全局最小值。上述方法的不足表明，电弧故障检测的精确性和可靠性仍需改进。综上所述，目前对于直流故障电弧检测特征的挖掘主要通过不同类别、不同角度的方法进行研究，从中选择最为适合的方法构建相关的检测特征量，最终形成故障电弧检测算法19-20。本文提出一种基于 GRU-CNN 融合网络模型的双馈风力发电机电刷滑环系统电弧故障的检测方法，该模型使用 CNN提取数据的输入特征，构建特征向量，减小原始数据规模，然后利用 GRU 神经网络学习数据的内部动态变化规律，实现预测。搭建实验平台，将采集到的电弧信号滤波后形成训练数据集，再使用上述模型进行机械学习，提取电弧特征数据集，实现高效率高精度的负载分类识别和串联电弧故障检测。1 DFIG 电弧故障诊断试验平台搭建DFIG 电刷滑环系统串联电弧检测平台由电弧发生装置和检测装置组成，电弧生成装置包括变频器、滤波器、变压器、电机及电刷滑环装置，一端通过变频器控制三相异步电动机启动进而带动滑环转动，另一端通过变压器、正弦滤波器以及变频器并入电网。电弧检测装置包括磁环和数据采集模块，用于收集电弧数据并对电刷滑环进行电弧故障检测；电流钳、罗氏线圈和示波器为辅助验证手段。DFIG 的电刷滑环系统串联电弧检测平台示意图如图 1 所示。其中，电刷滑环系统使用 2.2MW的 DFIG。内部包含三相励磁滑环和 6 个均匀分布的电刷。为了实现DFIG电刷滑环系统的电弧故障模拟，选择 3 组厚度约为 1mm，耐久温度可达 1000的高温绝缘带均匀粘贴在滑环表面，能使电刷和滑环之间的接触不均匀，从而产生电弧。在工况环境下，电刷滑环的磨损问题无法及时解决，电弧会随着时间不断产生，加剧电刷滑环表面的磨损程度，因此需要及时发现故障并对其进行诊断，这对检测系统的实时性、精确性以及可靠性都有更高要求。2 GRU-CNN 模型构建原理2.1 CNN 结构卷积神经网络（ConvolutionalNeuralNetwork，CNN）在计算机视觉、自然语言处理等领域已被广泛应用21。CNN 是一类包含卷积计算且具有深度结构的前馈神经网络22。一般而言，CNN 由 3 部分构成：卷积层、池化层和全连接网络，如图 2 所示。图 1 DFIG 电刷滑环系统串联电弧检测平台Fig.1 DFIG brush ring system series arc detection platform47第 61 卷第 8 期2.2 GRU 工作原理及结构门控循环单元（GateRecurrentUnit，GRU）是常用的循环神经网络的一种23。GRU 网络采用了门机制，将激活函数导数的连积变成了加法，同时只有长时记忆函数参与反向传播，解决了梯度消失的问题，因此能有效简化调参复杂度，并且门机制提供了特征过滤功能，能够有效保存长期记忆。门控循环单元网络与长短期记忆（LongandShort-TermMemorymodel，LSTM）网络具有相似的单元内的数据流。LSTM 网络和 GRU 网络的结构如图 3 和图 4 所示。图 4 中：Ht GRU内部记忆状态向量；Ht-1上一时刻的隐藏状态，包括之前节点所见过数据的信息；ht传递到下一时刻的隐藏状态；ht候选隐藏状态；Rt、Zt重置门和更新门；Sigmoid 函数；Xt当前节点的输入。在生成当前时刻全局信息时，由于 LSTM 中遗忘门和输入门代表的前 t-1 个时刻的全局门控信息和当前隐藏状态门控信息是一种此消彼长的耦合关系，在 GRU 中使用更新门来替代这种复杂的耦合关系，而 GRU 中的复位门直接应用于 LSTM 中的隐藏状态，故 LSTM 复位门的任务在 GRU 中被分开由重置门和更新门来完成，大大简化了计算过程。由于存在长期记忆，上下文状态信息会有所多余，所以相对 LSTM，GRU 中不存在上下文状态信息。重置门控制遗忘多少过去的信息，更新门就控制前边记忆信息继续保留到当前时刻的数据量。首先，通过 ht-1和 xt获取重置门和更新门的状态。rt=（xtWxr+Ht-1Whr+br）(1)zt=（xtWxz+Ht-1Whz+bz）(2)式中：Wxr，Wxz，Whr，Whz 权重参数，Wxr，WxzRdh，Whr，WhzRhh；br，bz 偏差参数，br,bz R1h。然后将当前时间步重置门的输出与上一时间步的隐藏状态作按元素乘法，若重置门中元素值接近于 0，则丢弃上一时间步的隐藏状态。若重置门中元素值接近于 1，则会保留上一时间步的隐藏状态。然后将按元素乘法的结果与当前时间步的输入联结，再通过激活函数 tanh 的全连接层计算出候选隐藏状态Ht。可见重置门能够控制上一时间步的隐藏状态流入当前时间步候选隐藏状态的方式，因此重置门可以丢弃无关的信息。Ht=tanh（XtWxh+（RtHt-1）Whh+bh）(3)式 中：Wxh，Whh 权 重 参 数，Wxh Rdh，Whh Rhh；bh偏差参数，bh R1h。最后，时间步 t 的隐藏状态 Ht Rnh的计算使用当前时间步的更新门 zt来对上一时间步的隐藏状态 Ht-1和当前时间步的候选隐藏状态Ht做组合。Ht=ZtHt-1+（1-Zt ）Ht (4)更新门可以通过控制包含当前时间步信息的候选隐藏状态是否更新上一时间步的隐藏状态，这种设计能够更好地捕捉时间序列中的关系。3 电弧故障检测控制系统设计3.1 GRU-CNN 网络模型模型构建GRU模型能够学习数据内部的动态变化规律，CNN 模型可以提取数据的隐藏特征，为使检测模型的效果更加优秀，将GRU模型与CNN模型结合，其网络结构图如图 5 所示。张博文等：基于 GRU-CNN 的双馈风力发电机电刷滑环电弧故障诊断图 2 CNN 网络结构图Fig.2 Neural network architecture of CNN 图 4 GRU 网络结构图Fig.4 Neural network architecture of GRU图 3 LSTM 网络结构图Fig.3 Neural network architecture of LSTM48农业装备与车辆工程 2023 年前 2 层为 GRU 层，第 1 层和第 2 层的内存向量长度均为 6，第 2 层的内存向量长度为 6。第 1层 CNN 定义了 60 个卷积核大小为 100 的滤波器（神经元），设置步长为 2 来对权重参数降维，第2 层 CNN 定义了 120 个卷积核大小为 50 的滤波器。第 1 次卷积和第 2 次卷积之间增加一个 BN 层，加快网络的收敛速度。第 1 层和第 2 层卷积层都采用ReLU 函数作为激活函数，可以使稀疏后的模型能够更好地挖掘相关特征，拟合训练数据，并且可以降低计算的复杂度。第 2 层卷积运算结束后接入一个大小为 2，步长为 2 的 GAP 层和一个 BN 层。最后一个全局平均值池化层选取网络参数的平均值采样，能使卷积结构更简单，并且不需要进行参数优化，能够可以避免过拟合。全连接层将卷积层和全局平均值池化层计算得到的分布式特征空间映射到样本标记空间的特征，在模型中起到组合特征和分类的功能，大大减少了特征位置对分类带来的影响，提高了整个网络的鲁棒性。为全面分析电弧检测模型效果，需选择更有表达力的评估指标。故障电弧检测本质上是二分类问题，采用混淆矩阵中的精确率（precision）和召回率（recall）2 个指标对二分类模型进行性能评估。3.2 电弧故障检测流程首先搭建电弧故障检测平台，平台由电弧发生装置和检测装置组成，再通过数据归一化处理获取一维电弧数据集；其次设计合适的检测模型对电弧进行识别；然后使用合适的神经网络模型训练电弧检测模型；最后通过电弧的各项数据指标来判断是否产生电弧。系统的整体架构如图 6 所示。电弧检测的具体流程：首先使用罗氏线圈和磁环作为信号采集工具进行电弧检测。罗氏线圈内的电流随时间变化，会在线圈内感应出变化的磁场，其输出信号是电流对时间的微分。积分放大电路可以还原输入电流信号，通过数据采集模块将信号转换为数字信号。磁环通过检测电磁辐射的变化来识别故障电弧，再将 ADC 采样卡通过 BNC 接头与磁环连接，通过串口将数据传输到上位机进行数据处理和保存，并使用 PyQt5 编写上位机 GUI 来实现人机交互，检测到故障信号后会通过微信小程序提示。上位机 GUI 如图 7 所示。4 实验分析4.1 数据预处理利用小波变换分析方式和小波软阈值法24对数据进行预处理，将分解层数设为 4。基于 db4 正交小波对原始信号处理得到去噪信号如图 8 所示。图 5 GRU-CNN 电弧故障检测模型网络结构图Fig.5 Network structure diagram of arc fault detection model based on GRU-CNN图 6 DFIG 电刷滑环电弧检测系统的整体架构Fig.6 DFIG brush ring arc detection system系统正常界面系统示警界面 图 7 上位机 GUIFig.7 Upper computer GUI（b）（a）有弧无弧幅值/V200-20012345678910采样点105有弧无弧幅值/A50-5012345678910采样点10549第 61 卷第 8 期DFIG 电刷滑环系统检测平台正常运行时参数设置如表 1 所示。表 1 电刷滑环检测平台正常运行参数设置Tab.1 Parameter settings for normal operation of brush ring detection platform转差率个数频率/Hz功率/kW 电压/V电流/A-0.2180010250803.16由于 DFIG 在实际运行中的转差率不能一直为0.2，所以为了实现DFIG在实际运行中的馈电参数，需要设置不同的运行参数，并在正常与故障条件下进行数据采集。将磁环、电压传感器及电流传感器的信号经过小波去噪后作为原始数据，每个传感器一个周期的输入小波去噪后的磁环、电压传感器及电流传感器的信号记为一维向量，其输入数据的范围需要根据交流信号的特征设置，并且，为了解决数据之间的差异以及加快网络收敛，需要采用数据归一化的方式来去除量纲。4.2 模型训练本文基于 Keras 框架建立组合网络模型，设置的超参数包括学习率、迭代次数等如表 2 所示。表 2 基于 GRU-CNN 电弧检测模型超参数设置Tab.2 Hyperparameter setting of arc detection model based on GRU-CNN阶段架构超参数 GRU1 GRU2 CNN1BNCNN2BN 全连接层参数量24091272060 240360120 480121阶段训练超参数优化器Batch模型迭代次数 学习率参数量Adam501000.001电刷滑环电弧检测系统得到的 GRU-CNN 的模型训练曲线如图 9 所示。在测试集上对模型进行检验，获得模型的检测效果以及混淆矩阵如图 10 和图 11 所示。4.3 检测模型结果对比分析在相同训练数据参数及历史数据下，分别对GRU 网络、CNN 网络和 GRU-CNN 网络进行训练，迭代次数为 100 次，学习率为 0.001，训练结果数据对比如表 3 所示，训练结果对比图如图12 所示。表 3 模型的训练结果对比Tab.3 Comparison of training results of models检测模型训练时间/s训练损失值准确率召回率GRU3326.170.10350.94530.93CNN392.950.37470.91500.76GRU-CNN2972.540.00120.99710.99张博文等：基于 GRU-CNN 的双馈风力发电机电刷滑环电弧故障诊断（c）图 8 故障电弧去噪的时域波形Fig.8 Time domain waveforms of fault arc denoising（a）故障电弧与正常情况电压波形对比（b）故障电弧与正常情况电流波形对比（c）故障电弧与正常情况磁场波形对比有弧无弧幅值/V100-10012345678910采样点105图 9 基于 GRU-CNN 电弧检测模型的训练曲线图Fig.9 Training image of arc detection model based on GRU-CNN训练验证集准确率/%1009080706050020406080100步长图 10 基于 GRU-CNN 电弧检测模型的测试效果Fig.10 Test effect diagram of arc detection model based on GRU-CNN标签1.00.80.60.40.20.002004006008001000步长图 11 基于 GRU-CNN 的电弧检测模型的混淆矩阵Fig.11 Confusion matrix of arc detection model based on GRU-CNN真实值011.00.80.60.40.20.001预测值1.00.99160.00.008350农业装备与车辆工程 2023 年可以看出，在训练过程中，基于 GRU-CNN 的训练速度和收敛速度相较单独基于 CNN 的电弧检测模型较慢，但是精确率有明显提升，相较于单独基于 GRU 的电弧检测模型，不论是训练速度、收敛速度抑或是精确率，都有比较明显的提升。5 结论本文主要对 DFIG 电刷滑环系统的电弧故障诊断方法进行了研究。首先搭建电弧故障诊断试验平台；其次设计电弧故障检测模型，构建 GRU-CNN的电弧检测模型；最后，将处理后的一维向量数据作为检测算法输入，调节模型训练的相关参数，优化检测模型，得到相关检测结果。结果表明，基于GRU-CNN 的电弧检测模型具有较高的精确度和较快的训练速度，可以实现 DFIG 电刷滑环故障电弧的高效检测，具有实际的工程研究意义。参考文献1UPDATEAM.Globalwindreport2022EB/OL.GlobalWindEnergyCouncil.https:/ J/OL.中国电机工程学报:1-142022-11-23.http:/ J.电力系统保护与控制,2016,44(24):154-158.4廖小兵,刘开培,乐健,等.基于双层模型预测结构的跨区域AGC 机组协同控制策略 J.中国电机工程学报,2019,39(16):4674-4685,4970.5牟龙华,王伊健,蒋伟,等.光伏系统直流电弧故障特征及检测方法研究 J.中国电机工程学报,2016,36(19):5236-5244.6龙官微,穆海宝,张大宁,等.基于多特征融合神经网络的串联电弧故障识别技术 J.高电压技术,2021,47(2):463-471.7陈涛涛,马宏忠.双馈异步发电机电刷滑环系统检测技术研究现状与发展 J.电工电能新技术,2013,32(3):89-94.8LUShibo,PHUNGBT,ZHANGDaming.AcomprehensivereviewonDCarcfaultsandtheirdiagnosismethodsinphotovoltaicsystemsJ.RenewableandSustainableEnergyReviews,2018,89:88-989熊庆,陈维江,汲胜昌,等.低压直流系统故障电弧特性、检测和定位方法研究进展综述 J.中国电机工程学报,2020,40(18):6015-6026.10 崔芮华,李泽,佟德栓,基于相空间重构和 PCA 的航空电弧故障检测 J.中国电机工程学报,2021,41(14):5054-5065.11 QIAOWei,LUDingguo.AsurveyonwindturbineconditionmonitoringandfaultdiagnosisPartI:ComponentsandsubsystemsJ.IEEETransactionsonIndustrialElectronics,2015,62(10):6536-6545.12 AMIRATY,CHOQUEUSEV,BENBOUZIDMEH.WindturbinesconditionmonitoringandfaultdiagnosisusinggeneratorcurrentamplitudedemodulationC/2010IEEEInternationalEnergyConference:310-31513 詹辉.风力发电机状态监测与故障诊断技术 J.设备管理与维修,2018(19):83-84.14 卢其威,王涛,李宗睿,等.基于小波变换和奇异值分解的串联电弧故障检测方法 J.电工技术学报,2017,32(17):208-217.15 马征,张国钢,柯春俊,一种基于高频电流频谱分析的故障电弧检测方法 J.低压电器,2010(09):10-12,15.16 焦治杰,李腾,王丽娜,等.基于卷积神经网络的光伏系统直流串联电弧故障检测 J.电工电能新技术,2019,38(07):29-34.17 张婷,王海淇,张认成,等.基于自归一化神经网络的电弧故障检测方法 J.仪器仪表学报,2021,42(03):141-14918 邓佳康.基于 BP 神经网络的低压线路故障电弧检测方法研究D.株洲:湖南工业大学,2019.19 陈思磊,李兴文,屈建宇.直流故障电弧研究综述 J.电器与能效管理技术,2015(15):1-6,45.20 CHENSilei,LIXingwen,XIONGJiayu.Seriesarcfaultidentificationforphotovoltaicsystembasedontime-domainandtime-frequency-domainanalysisJ.IEEEJournalofPhotovoltaics,2017,7(4):1105-1114.21 严春满,王铖.卷积神经网络模型发展及应用 J.计算机科学与探索,2021,15(1):27-46.22 GOODFELLOWI,BENGIOY,COURVILLEA.DeepLearningM.TheMITPress,2016.23 向建,高勇.基于 GRU-CNN 并联神经网络的自动调制识别 J.电讯技术,2021,61(11):1339-1343.24 余娜.基于小波变换在图像处理中的应用 J.价值工程,2016,35(21):226-229.作者简介 张博文（1998-），男，硕士研究生，研究方向：双馈风机电刷滑环电弧检测。E-mail：图 12 模型的训练曲线对比图Fig.12 Comparison chart of model training curve CNNGRUGRU-CNN准确率/%1009590858075706560550102030405060708090100迭代次数