（国华（沽源）风电有限公司 河北省张家口市 075000）
摘要：近年来,随着世界经济能源危机和我国环境污染问题的日益严重,作为一种可持续发展能源的风能，已经日益受到来自世界各国的高度重视，我国风电设备行业在本国政府的大力引导支持下也迅速蓬勃发展。风力发电行业新增机组装机容量再创新高,连续四年稳居世界第一,在推进能源产业结构不断优化和发展绿色能源发展经济转型中逐步发挥了重要推动作用。在我国风电机设备行业迅猛发展的背景同时,风电机组高额的维护运行费及维护管理成本很大一定程度上直接影响了的社会经济发展效应。风电机的日常运行工作环境恶劣、工况条件复杂多变,风电传动机组内部风力传动的零部件很容易随时发生重大故障,但是采用传统的风机人工手动更换或者维修部件方式往往成本高昂,降低了利用风场的社会经济效益。因此,关于新型风力发电新型机组故障综合诊断与机组状态综合监测的优化方法技术研究进展意义重大，本文将深入讨论基于故障综合优化方法的新型风力发电及机组故障状态诊断。
关键词：风力发电机；故障诊断；综合优化方法
风力发电机系统作为利用风电动力机组中直接驱动风电能量转换的关键部件,其整体运行性能稳定性直接地会影响风力机组的风电整体运行性能。在目前影响风力发电机正常运行的诸多重要因素中,振动因素占据很大量的比例。当振动发电机发生振动强度过大时,轻则的就可能会出现电机运行环境稳定性大幅降低、电机使用寿命大幅缩短等不良电机运行环境状态；而严重则将可能发生汽车电机振动飞车、主轴套管断裂等恶性事故。因此及时进行诊断并找出发动变电机组的故障原因是非常必要的。提高对大型风力涡轮发电机安全故障的实时诊断的技术准确性,就要利于使用一种综合的最优化的诊断算法。利用一种单子波频带重构技术来重新改进传统小波信号变换的方法,重新对风力发电机的各个信号来源进行分解,这样我们能够准确地快速提取各个特征区的信息。通过对故障信息的一系列分析操作和数据分析,能够对大型风力发电机的主要故障原因进行准确诊断。向量机算法分析是一种新型的系统计算分析方法,是现代统计学中最简易,性能更强的统计算法。用智能向量机的分析算法,能够对各种风力发电机系统进行故障分析诊断。
一、对风力发电机组的故障分析诊断的重要意义
利用风电对是否有效缓解我国能源供应问题，改善我国能源供给结构、保护环境和促进电力工业的可持续健康发展来说意义重大。这些年来使该风力发电组在目前我国国内得到了广泛的安装和维护使用。随着大型风力发电站的机组系统装机容量的不断增加，其系统结构也日趋复杂因，而风力驱动发电机的出现故障也逐渐成为一个不容忽视的技术问题。随着动力风电发动机组正常运行持续时间的不断加长，目前这些风电机组陆续已经出现了一些故障,包括动力风轮机的叶片、变流器、齿轮箱、变速旋桨器的轴承和主发电机，以及风轮偏航控制系统等都可能导致风电机组被迫停止正常运行。当发电机组设备发生重大故障时，不仅可能会因此造成道路停电，还可能会因此产生严重的安全事故。风电动力机组的部分和零部件一旦出现损坏在当地风电场无法进行修复，必须直接运到当地专业维修厂家进行售后修理。因其后期维修后的费用高、周期长、难度大势必将会给利用风力发电场建设造成巨大的社会经济损失，严重直接影响了利用风电的社会经济效益。风电机组的脱网故障也可能会直接导致整个风力电气发电机从额定电压出力前的状态，自动脱网退出在并网后的状态运行。因此风力发电站与机组的自动脱网可能会直接导致风力电网运行电压的突然下降，从而导致机端较多的风力电容器其补偿电压高于了在脱网前整个风电场的正常运行额定电压，引起了风力电网运行电压的突然急剧下降，严重影响到连接在同一个风力电网上的其它风力电气设备的正常与运行状态，甚至可能会直接影响整个风力电网的稳定与安全。随着野外风电装机市场规模的逐步不断扩大，风力发电机系统的安全故障分析诊断也就开始显得越来越重要了。风力发电机的系统主要由将风能直接转换成为机械能和电能，其中风力发电机是整个系统的发电核心，会直接影响整个系统的发电性能、效率和风力供电系统质量。发电机同时也是系统过程中易于会发生漏电故障的部分。由于大型风力发电机所承受到的各种风场运动切片以及风场的复杂多变性大，且长期处于工作在野外、暴晒和狂风雷雨等的恶劣天气环境中使用，易导致发生多种电力机械或其他电气上的故障。因此需要开展对风力发电机系统故障及时诊断的研究工作，及时发现系统的故障并及时进行定期维修，将提高风力发电机组正常运行的安全可靠性，也同时保证风力发电机的安全连续运行。
二、综合优化方法
1.向量机算法
大型向量机计算是由rrvapnik等创始人于20世纪90年代中期提出建起来的一种基于现代统计模型学习分析理论的新型统计学习分析机器计算模型,具有很强的数学模型分析泛化计算能力和极强的非线性数据处理计算能力,近年来已经受到了很多国外学者的高度关注,并被广泛的研究应用推广到了很多研究领域,如模式识别,图像数据检索和大型蛋白质数据分析等。支持映射向量机计算是一种基于核的线性学习计算方法,它将输入空间中一些无法直接处理的非线性特征样本,通过一个核函数将其直接映射出来，使其可以获得一种有利于这个问题最终解决的一种线性性能。最小二乘向量支持向量机变形是基于支持向量机的一种变形,同其他支持向量计算机一样,也是一种基于核的机器学习计算方法。核函数模型是最小二乘运算支持向量机的主要组成元素,它将直接影响应用到最小二乘运算支持向量机的计算性能,而它的核计算参数又是整个核计算函数的主要组成元素,因此对其中的核计算参数的正确选择对于我们提高计算模型的机器学习和提高泛化计算能力等都起到了至关重要的促进作用。如果只是认为具备了一些高性能的最小核函数，而不是缺乏适当的其它正则化运算参数,也将直接影响最小二乘函数支持向量机的计算性能,所以对这些核运算参数和其它正则化运算参数的正确选择很重要。
2.BH-PSO算法的提出
1995年,kennedy和eberhart在受到当年鸟类成群捕食的经验启发后，他提出了一个pso智能算法,它是一种主要建立在随机数据搜索和逻辑优化信息过程上的群综合智能算法,通过实现个体的自由竞争和群体合作可以达到群的全局最优。pso算法虽然存在算法简单,计算方便的诸多优点,但是也同时存在一些主要缺点,容易导致陷入局部最优,迭换替代的后期结果粒子信息多样性比较差,容易导致减低粒子搜索计算速度。所以，要充分利用粒子物理学理论中的量子黑洞迭代概念,增加三维粒子的信息多样性,提高精确度搜索的分析能力。简单地说其描述公式为:pso的每个第一代粒子种群中,在当前最优化的粒子附近随机地会产生一个最优粒子解并作为一个黑洞,认为这个黑洞所在区域周围是一个实际最优粒子解的近似平均值及其所在区域,它不会引起所有最优粒子从其它不同方向向这边进行聚集。利用这种计算方法,黑洞里面的每个粒子在某一代过程中将有机会至少有一次机会重新冲出一个黑洞,这就保持了PSO算法中的全局搜索能力。
3.基于BH-PSOSA算法的LSSVM参数优化
LSSVM的决策函数中有两个问题需要解决，第一是核函数的选取，第二是参数的优化选择。研究表明，当缺少过程先验知识的时候，选择径向基核函参数比选择其他核函数要好，而且RBF核函数的参数只有一个，相对其它核函数来说要简单的多。考虑到以上的原因，所以采用RBF函数作为核函数，需要优化的参数有两个核参数和惩罚系数，其中一个为RBF函数的宽度，另外一个控制对超出误差的样本的惩罚程度。一般情况下，我们很难合理地选择它们的取值，这个两个参数的选择在很大程度上影响了LSSVM的学习能力和诊断能力，是一个非常关键的问题。BH-PSOSA算法和PSO算法一样，优化的依据是适应度函数Fitness，本文定义适应度函数为LSSVM分类器对测试的数据集进行分类测试所得到的正确率的倍数，以目标最大化的形式进行优化，适应度值越大，适应能力越强，结果越好。
4.LSSVM分类模型的建立
风力发电机齿轮箱是传动链的一部分，是风机中比较重要的部件。由于叶轮的直径比较大，一般的风速条件下，它的转速比较低，不能满足发电机发电的转速要求，通过齿轮箱的增速作用，使速度达到要求。统计数据显示，齿轮箱是风机中最出故障的部位本文将针对风力发电机齿轮箱的正常断齿曲面磨损轴承内圈损坏，轴承外圈损坏的五种典型工况，利用前面提出优化lessvm分类器进行故障模式识别分类。建立多分类lessvm模型A表示正常状态,Bcd和e分别表示断齿、齿面磨损、轴承内圈损坏和轴承外圈损坏的四种故障类型。在故障诊断的模型中第一层是用来判断风机齿轮箱是否工作正常的，第二层是用来识别风机齿轮箱的四种故障类型的。利用它们相对应通过风机实验平台得到一组特征参量，进行数的两个样本对每个分类器进行训练，实现对风机齿轮箱分析和归一化处理，得到表所示的10组待诊断轮箱的故障诊断。
.png)
根据之前所提出的多分类LSSVM决策规则流程对表中所示的10组齿轮箱故障样本进行故障诊断分类，得到每个不同的LSSVM分类器对故障样本的输出结果，根据LSSVM的原理，我们可以知道结果分为正负两种类型。我们根据输出结果的符号来判断待诊断样本的归属，并且在相对应的齿轮箱故障类型的得票数上加1，以BC两种分类器为例，假如输出的为正数，那么我们就在B故障类型的得票数上加1，否则为负的话，我们在C故障的得票数上加1，根据最后的得票数判断该样本的最终故障类型，每个待诊断故障样本在齿轮箱5种状态模式中的最终得票如图所示
.png)
.png)
为了更加准确地说明利用BH-PSOSA算法进LSSVM决策模型，对表中齿轮箱的待诊断样行参数寻优后的多分类。LSSVM分类器在故障诊断进行故障的识别分类，参数设置和前面的一样。中性能的优越性，我们再用交叉验证法对LSSVM最后的输出结果、得票情况和诊断结果如下面两个表格所示。
每个CV-LSSVM分类器对样本的输出结果
.png)
.CV-LSSVM模型中的投票结果和诊断结果
.png)
通过对上图的比较，我们可以LSSVM构成的多分类LSSVM决策模型得出的诊很直观的发现基于BH-PSOSA算法参数寻优后的断结果与实验中设置的样本对应的故障类型完全吻合精准度非常高而且输出结果中表明样本类型的数值比较多共31个，说明误差小。而基于CV-LSSVM算法构成的多分类LSSVM决策模型的输出结果中等于正负1的数值少，只有19个，这说明该模型分类误差最大，导致了最后的诊断结果中把其中一个齿面磨损故障诊断成了轴承外圈故障，而把一个轴承外圈故障诊断成了轴承内圈故障，与样本设置的故障类型存在很大的偏差，误诊率比较大，表明它的性能不如BHPSOSA-LSSVM决策模型。综上所述，我们可以得出这样一个结论，得益于BH-PSOSA算法的优良性能和强大的寻优能力，基于BH-PSOSA算法优化的LSSVM决策分类模型的性能明显优于CV-LSSVM决策模型，正确率高。
三、结语
支持向量机具有优良的学习能力和推广能力，不过其性能很大程度上依赖于算法参数的选择，本文提出BH-PSOSA算法具有强大的精细搜索能力，容易实现和调整，很好地解决了LSSVM的参数选择问题。利用分类准确率作为适应度函数，以最大值为目标，通过粒子在整个空间的不断更新寻优，找出了最优参数。理论分析和仿真实验表明经过参数优化后的LSSVM，不但提高了分类器的准确率，使其达到了最优性能，而且分类器的稳定性也得到了大幅度的提高，最后把优化后的LSSVM应用到了风机齿轮箱的故障诊断中，建立决策模型取得了良好的效果，具有重大的现实意义。
参考文献
[1]焦斌,徐志翔.基于综合优化方法的风力发电机故障诊断[J].控制工程,2012,19(04):681-686.
[2]张川东.风力发电机传动系统故障诊断的时频综合分析方法研究[D].电子科技大学,2014.
[3]曹梦楠.基于模型方法的风力发电机组热特性和故障诊断研究[D].南京理工大学,2018.