夏候凯顺， 李波

(1. 华南理工大学电力学院,广东 广州 510641； 2. 国网江苏省电力有限公司电力科学研究院，江苏 南京 211103)

0 引言

双馈风机(doubly-fed induction generator-based wind turbine,DFIG-WT)通过控制转子侧变换器(rotor-side converter,RSC)和网侧变换器(grid-side converter,GSC)实现变速恒频运行和风能最大功率跟踪[1—3]。变换器故障是DFIG-WT的常见故障，占比达25%[4]，而开路故障是电力电子开关管的主要故障类型，故国内外学者针对变换器开路故障展开了大量研究。

研究人员基于变换器模型设计状态观测器[5—6]或提取特征参数[7—8]，实现三相变换器单个和双个开关管的故障诊断。国内外学者采用快速傅里叶变换[9]、小波分析[10]、帕克变换[11]等信号处理算法，从风机输出的电压、电流、转速等测量信号中提取故障特征信息，检测并识别变换器的开路故障。但上述模型驱动和信号驱动算法，依赖于模型或者信号模式等先验知识，当DFIG-WT系统运行点变化以及故障类型复杂时，诊断逻辑的设计变得极其困难。而数据驱动方法只需要大量的历史数据，通过人工智能算法从历史数据中提取出故障特征，能够实现多类型复杂故障的识别与分类。

研究人员采用贝叶斯网络[12]、人工神经网络[13]、模糊逻辑[14]分别对永磁同步电机逆变器、全功率变换器、光伏逆变器的开路故障进行诊断。但上述数据驱动方法的故障特征提取和模式识别能力不足，都需要对信号进行预处理，选择对故障敏感的信号进行分析，提取特征量，降低了信息的完整性，不是一种完全数据驱动法，且算法的数据处理能力有限，最终的故障诊断结果准确性不高。……