一种基于增量学习MSET的风电变流器预警方法.pdf

中国科技信息 2024 年第 9 期CHINA SCIENCE AND TECHNOLOGY INFORMATION May.2024-108-三星推荐为提高风电变流器故障预警的快速性和准确性，本文 提 出 了 一 种 基 于 增 量 学 习 MSET（Multiple Subset Estimation Technique）算法和误差分析的风电变流器故障预警方法。通过风电变流器正常工况下的运行数据，动态构建更新状态记忆矩阵并建立 MSET 模型，计算得到当前状态下的预测值。通过分析预测值和实际观测值的误差来进行故障预警。研究结果表明：基于增量学习的改进 MSET算法可以有效对风电变流器的故障进行预警。由于当初的风场建设条件所限，早期投运的风机变频器一般采用的是就地维护方式。风电变频器作为并网核心组件，其稳定性与可靠性起着决定性的作用。传统的过程监测和故障诊断方法主要依靠维修人员的个人经验，再加上缺少详尽的系统状态信息可供参考，因此难以对故障开展快速准确的诊断。而且，过去经常采用的定时频繁维修的方式又很容易造成“维修过剩”。因此需要对风电变流器的运行参数进行监测，根据估算数据与观测值的偏差程度对风电变流器进行预警处理，避免事态进一步恶化，尽可能减少风电场的经济损失。为提高风电变流器的故障预警准确性，应该对其相关运行参数进行分析。考虑到风电变流器的相关运行参数之多，多元状态估计技术（MSET）可以很好地解决这一问题。本文根据风电变流器的正常历史数据，动态构建更新状态记忆矩阵并建立 MSET 模型，计算得到估计值与实际值的偏差，一旦偏差出现较大波动则进行预警。由于历史数据可能存在极大相似的情况，在构成记忆矩阵时必须剔除这些数据保证模型的准确性。将实时观测数据与历史数据进行比较，若不线性相关则可以加入记忆矩阵中，改进 MSET 模型以提高预警的准确性。基于增量学习的改进 MSET 相比传统的MSET 精确度更高。增量学习 MSET原理多变量状态估计技术（MSET）是由 Singer 等提出的一种非线性的多元预测诊断技术。近年来在火电厂引风机、风电机组齿轮箱的故障预警中广泛应用。MSET 建模的基础要先构造出记忆矩阵，记忆矩阵中每一列观测向量表示的是设备不同时刻的正常工况状态。在设备正常工况下，采集到的个 n 测点参数不同时刻的 m 个历史测量值，构成记忆矩阵D，即：行业曲线开放度创新度生态度互交度持续度可替代度影响力可实现度行业关联度真实度一种基于增量学习 MSET 的风电变流器预警方法卞晓雪 陈 晨 刘书生 李金林 党 琳 赵洪伟卞晓雪1 陈 晨1 刘书生1 李金林1 党 琳1 赵洪伟21.国家能源（山东）新能源有限公司2.华北电力大学河北省发电过程仿真与优化控制技术创新中心卞晓雪（1994），女，山东济南，硕士研究生，中级工程师，研究方向：电力系统及其自动化，新能源并网发电方向。基金项目：河北省省级科技计划资助（22567643H）。-109-CHINA SCIENCE AND TECHNOLOGY INFORMATION May.2024中国科技信息 2024 年第 9 期三星推荐将某时刻的设备观测值设为 Xobs，经过 MSET 模型运算得出的估计值为 Xest，Xest是记忆矩阵与权值向量的积，观测向量与记忆矩阵中向量的相似性由空间距离反映出来。Xest=DW （1）式中 W 为权值向量，W=w1 w2wmT使得：Xest=DW=w1X（1）+w2X（2）+wmX（m）（2）经推导得：Xest=D（DTD）-1（DTXobs）（3）式中为非线性运算符，（X，Y）代表 X，Y 之间的欧氏距离。（4）式中：xi和 yi分别代表 X，Y 分量的值。通过（3）式可得到估计向量，若估计向量与观测向量之间的欧氏距离越大则出现故障的可能性越大。防止由于传感器测的数据失真或其他干扰因素导致误报或错报，现对估计向量与观测向量之间的残差使用滑动窗口平均法做平滑处理，使得预警更加准确。计算前边 n 个残差值的平均值，作为当前时刻的残差结果。滑动窗口平均法原理如图 1 所示，其中 L 为窗口宽度。构成记忆矩阵后，每当传入新的观测向量 X 时，计算观测向量 X 与现有历史记忆矩阵中的向量 Xi的欧氏距离 S。欧氏 S 距离代表当前观测向量与历史向量之间的相似程度。若当前风电变流器正常运行且 S0.5，即可将当前的观测向量加入记忆矩阵，使得 MSET 算法具有增量学习的能力，即：D=D，Xobs （5）式中：D 代表更新后的记忆矩阵，D 为更新前的矩阵，Xobs为观测向量。本文采用 MATLAB2023 版本进行仿真实验。数据采集前端装置通过网络通信将风电变流器的运行数据存于主控室电脑的硬盘中。选取风电变流器正常运行下的数据作为实验数据。建立风电变流器故障预警模型选取建模变量由于风电变流器输入端为风电机组运行产生的不规则电流，当电流出现急剧上升时会对风电变流器产生影响，如果超过风电变流器的工作范围会直接导致变流器损坏，产生故障。风电变流器预警参数如表 1 所示。包括转子侧、网侧三相电流和进气温度、控制柜温度、网侧 IGBT 温度、机侧IGBT 温度。表 1 风电变流器预警参数表预警参数最大值最小值单位转子 U 相电流5950A转子 V 相电流6152A转子 W 相电流5948A网侧 U 相电流184175A网侧 V 相电流184176A网侧 W 相电流186177A进气温度2718控制柜温度2316网侧 IGBT 温度3321机侧 IGBT 温度3925由表 1 可知：风电变流器一共有 10 个预警参数，各个参数之间存在线性相关性。为提高模型精确度和简化计算量，计算各参数之间的线性相关系数，去除线性相关变量。线性相关系数 r 的计算公式如下：（6）式中：Xi和 Yi代表参数的取值，X 和 Y 代表两参数的平均值。两参数之间的线性相关系数满足 0.8r0.8 的参数如表 2 所示。由表 2 得知：转子 U 相电流与转子 W 相电流、网侧 V相电流与网侧 W 相电流、网侧 IGBT 温度与进气温度、机侧 IGBT 温度与控制柜温度之间的线性相关系数 r0.8，须去除两者之间其中一个，最终选取转子侧 U、V 相电流、网侧 U、V 相电、网侧 IGBT 温度、机侧 IGBT 温度作为建模参数。数据预处理风电变流器运行环境极其恶劣，测量参数数据难免出现异常，因此必须剔除异常数据。本文直接删除异常数据。由建参数表可知，其量纲存在差异，为避免对预警结果造成影响，现采用极差标准化法对数据进行处理。极差标准化公式如下所示：（7）式中：x 代表参数极差标准化后的值，xi代表实际值，minx代表参数最小值，maxx代表参数最大值。动态构建记忆矩阵在 MSET 算法中，历史记忆矩阵 D 的构建尤为重要。由建模参数构成观测向量，历史记忆矩阵的维度不是越多越好，如果存在不同时刻的观测向量之间相似度很大就没有必要同时留下这些观测向量。本文通过计算输入观测向量与记图 1 滑动窗口平均法原理图中国科技信息 2024 年第 9 期CHINA SCIENCE AND TECHNOLOGY INFORMATION May.2024-110-三星推荐忆矩阵中的各个向量间的欧氏距离，如果 S 值很小则不加入记忆矩阵。欧氏距离计公式：（8）式中：xi和 yi分别代表 X，Y 分量的值。这样做不仅解决记忆矩阵冗余问题，还能涵盖风电变流器正常运行下多个工况的数据。历史记忆矩阵流程图如图 2所示。当传入新的观测向量 X 时，则需要判断观测向量 X 与现有历史记忆矩阵中的向量 Xi的欧氏距离 S。欧氏距离 S 代表当前观测向量与历史向量之间的相似程度，若 S0.5 则不需要将其加入历史记忆矩阵，增强算法的学习能力和运算效率。模型仿真针对本文选取第 3 001 4 000 组数据作为测试集，采取图2所示流程构成历史记忆矩阵对MSET模型进行验证。并在测试观测向量时采用增量学习的方式不断更新 MSET模型，结果表明当观测向量个数为 100 时精度更高，计算速度更快，有良好的预测效果。预测向量与观测向量的相似度用欧氏距离 S 表示。S 越小则代表预测越精确。分别用固定历史记忆矩阵和动态更新记忆矩阵两种方法对同一测试集做对比，仿真结果如图 3 所示。由图 3 可直观看出，算法改进后预测向量与观测向量的相似程度更好。使用预测向量与观测向量的最大欧式距离与平均欧氏距离对模型准确性进行评判。算法改进后与算法改进前的评价指标计算结果如表 3 所示。表 3 评价指标计算结果表最大欧氏距离平均欧氏距离算法改进前2.972 81.711 2算法改进后2.150 31.124 8可以看出对传统 MSET 模型加入增量学习后，预测向量与观测向量的最大欧氏距离和平均欧氏距离都显著减小，大大提高算法的预测精度。只需选择合理的欧氏距离阈值即可判定风电变流器当前是否出现故障。依据最大欧氏距离和预警阈值系数计算预警阈值 Se的计算公式如下：（9）图 3 同一测试集预测仿真结果对比图图 2 历史记忆矩阵流程图表 2 线性相关系数计算结果参数名称转子U 相电流转子V 相电流转子W 相电流网侧U 相电流网侧V 相电流网侧W 相电流进气温度 控制柜温度网侧IGBT 温度机侧IGBT 温度转子 U 相电流10.158 70.876 50.248 90.148 50.193 10.248 50.267 40.248 90.214 7转子 V 相电流0.158 710.134 80.159 70.246 80.356 70.214 70.154 90.136 80.215 7转子 W 相电流0.876 50.134 810.145 60.182 60.124 70.216 70.268 40.257 90.264 1网侧 U 相电流0.248 90.159 70.145 610.214 70.287 10.265 80.234 70.241 20.214 5网侧 V 相电流0.148 50.246 80.182 60.214 710.856 40.356 40.236 40.169 70.159 3网侧 W 相电流0.193 10.356 70.124 70.287 10.856 410.247 90.146 80.193 10.184 1进气温度0.248 50.214 70.216 70.265 80.356 40.247 910.298 10.826 70.254 7控制柜温度0.267 40.154 90.268 40.234 70.236 40.146 80.298 110.248 70.894 5网侧 IGBT 温度0.248 90.136 80.257 90.241 20.169 70.193 10.826 70.248 710.249 7机侧 IGBT 温度0.214 70.215 70.264 10.214 50.159 30.184 10.254 70.894 50.249 71式中：S（max）-测试集欧氏距离最大值，k-预警阈值系数，且 0k1。依据平均欧氏距离和预警阈值系数计算预警阈值 Se的计算公式如下：（10）式中：S（avg）-测试集欧氏距离平均值，k-预警阈值系数，且 0k1。由图 3 可知算法改进后测试集的最大欧氏距离为 2.150 3，计算得平均欧式距离为 1.124 8，取 k=0.43。根据式（9）计算得预警阈值为5，根据式（10）计算得预警阈值为2.615。风电变流器发生故障时，IGBT 器件温度呈上升趋势。在并网变流器运行当中，由于 IGBT 的开关动作，IGBT 的-111-CHINA SCIENCE AND TECHNOLOGY INFORMATION May.2024中国科技信息 2024 年第 9 期三星推荐合这两种方式的优点，对这两种公式求得的阈值求平均得到新的预警阈值：Se=3.807 5。预警仿真效果图如图 5 所示。结果表明综合式（9）和式（10）求取预警阈值线的优点，可以既能较快地对故障进行预警又能避免故障误报的发生。结语针对风电变流器故障预警问题，本文提出了一种基于增量学习 MSET 的风电变流器故障预警方法。通过上述仿真得以看出，该方法比传统的 MSET 算法预警效果更好，可以有效地预测风电变流器的故障，及时发现故障。对故障进行预报警从而避免出现安全事故，降低经济损失。综上可得该模型方法在风电变流器的故障预警上是有效的。图 5 预警仿真效果图图 4 预警仿真结果图热功率可以等效为开关损耗、通态损耗之和。发生故障时IGBT 器件的温度升高特性近似满足以下公式：T（t）=Tt+（Tinf-T0）（1-e-kt）（11）式中：Tinf为发生故障后 IGBT 器件的最高温度，k 为温度上升速率一般取 0.010.15。当风电变流器发生故障时，IGBT 器件的最高温度为80。基于此故障机理模型取 Tinf=80，k=0.1。在第 41个测试样本点开始根据式（11）依次模拟故障数据。用改进后的算法对其进行故障预警。预警结果如图 4 所示。结果表明该模型均可在风电变流器发生故障时发出报警。以公式（8）求得的结果作为预警阈值可以提前对故障报警，但是容易发生故障误报。以公式（9）求得的结果作为预警阈值，虽然不易发生误报但发出报警的时间较晚。综