一种面向风电变流器故障诊断的新型多特征信息融合方法

《Energy and AI》：A Novel Multi-Feature Information Fusion Method for Fault Diagnosis to Wind Power Converters

　　

故障诊断技术是推动风力发电机组实现低维护成本与高可靠性的重要支撑，其中诊断精度对容错控制效率具有决定性影响，直接关系到系统在故障状态下的持续运行能力与经济效益。当前多数高精度风电故障诊断方法依赖单一特征表征，存在特征描述不全面、故障刻画能力受限的问题。为此，研究人员提出了一种名为Dempster-Shafer融合多尺度近似熵（Dempster-Shafer Fusion Multiscale Approximate Entropy, DSFMAE）的新型多特征信息融合方法用于特征提取。首先，计算多尺度近似熵（Multiscale Approximate Entropy, MAE）以获取信号在不同尺度下的特征，全面表征信号的复杂度，克服单特征提取的不完整性。其次，应用Dempster-Shafer（DS）证据理论对各尺度的特征进行融合，实现特征级的多信息融合，解决特征间的冲突与不确定性。随后，将DSFMAE算法应用于风电系统变流器故障诊断，在风速变化条件下平均诊断精度达到99.81%。此外，该方法表现出极强的噪声鲁棒性，在5dB信噪比下精度仍保持在73%以上，且不同噪声水平下的精度标准差低于1.6%。结果表明，所提方法能够强有力地耐受风速变化与噪声干扰，并具有优异的稳定性。

本研究针对双馈感应发电机（Doubly-Fed Induction Generator, DFIG）风电变流器的开路故障诊断问题展开，发表于《Energy and AI》。风电变流器作为风电系统的核心部件极易损坏，其故障会导致谐波增加、电能质量下降甚至威胁电网安全。现有基于模型的方法因风电系统复杂性难以建立精确模型，基于信号的方法则面临阈值选择困难及对工况和噪声敏感的问题。传统数据驱动方法虽无需精确模型，但大多基于单一特征，难以充分提取故障特征。同时，现有多数多源信息融合方法属于决策层融合，需各分类器独立训练测试，计算负担重且耗时长。因此，研究人员开发了DSFMAE算法，旨在通过特征级融合克服上述缺陷。研究结果表明，该方法在变风速与强噪声环境下均实现了高精度与高稳定性，显著优于现有主流方法。

为实现上述目标，研究人员采用了三项关键技术方法。首先是集成经验模态分解（Ensemble Empirical Mode Decomposition, EEMD），用于在MATLAB/Simulink中处理非线性非平稳的三相电压信号（U_ab、U_bc、U_ca），自适应地将其分解为本征模函数（Intrinsic Mode Functions, IMFs）。其次是DSFMAE特征提取算法，通过计算多尺度近似熵并利用DS证据理论进行特征级融合，生成低冗余度的融合特征向量。最后是支持向量机（Support Vector Machine, SVM）模式识别，采用径向基核函数（Radial Basis Function, RBF）对融合后的特征进行分类，并通过网格搜索优化参数。

研究结果如下：

在多特征信息融合算法DSFMAE部分，研究人员详细阐述了算法流程。该算法首先对信号进行粗粒化处理以获得不同时间尺度序列，随后计算各尺度的近似熵。通过引入DS证据理论，将各尺度特征视为证据体进行基本置信指派与融合。研究发现，较小尺度的MAE特征对融合结果贡献更大，且特征集基数差异对诊断精度影响可忽略不计，验证了算法设计的合理性。

在故障诊断系统描述部分，研究定义了网侧变流器的22种开路故障模式，涵盖单开关、同桥臂上下管及不同桥臂双开关故障。研究指出，开路故障虽不会立即损毁系统，但长期运行会降低发电效率并影响安全，因此早期精准识别至关重要。同时，研究明确了诊断方法需具备高准确率、抗风速波动及抗噪声干扰三大工程要求。

在仿真分析与讨论部分，基于1.5MW DFIG变流器模型，研究人员在10至15m/s变速风况下采集了5346组样本。结果显示，DSFMAE的平均诊断精度达99.7%，除T2与T3故障因特征相似度为97%外，其余故障均为100%。在噪声鲁棒性测试中，20dB至5dB噪声下精度均超过73%，标准差低于1.6%。通过对比实验，DSFMAE在10dB噪声下的精度为92.86%，显著优于基于样本熵（Sample Entropy, SE）和模糊熵（Fuzzy Entropy, FE）的方法，且融合耗时仅为36.75秒，远低于对比方法。

在实验结果与分析部分，研究人员搭建了0.4kW物理实验平台进行验证。在1Hz至50Hz变频工况下，DSFMAE取得了92.09%的平均诊断精度，F1分数达92.11%，误报率（False Alarm Rate, FAR）降至0.38%。这一结果证明了该方法在实际电机转速波动场景下的有效性，性能优于其他多尺度熵及融合方法。

讨论与结论部分指出，DSFMAE算法成功实现了特征级的轻量化融合，解决了传统单特征方法表征能力不足及决策层融合计算量大的问题。核心结论证实，多尺度近似熵能有效刻画动态风速下电压信号的复杂度，DS证据理论能有效消减特征冗余与不确定性。该方法在风速变化下的诊断精度高达99.81%，且具有优异的工程实用性与稳定性。未来的研究将扩展至多源异构数据的跨模态深度融合，并引入证据冲突消解机制以提升算法的泛化能力。