电刷滑环电弧故障对风力发电机有何影响？采用GRU-CNN诊断法是否可靠？1前言目前，国内外对DFIG电刷滑环系统中的电弧故障研究尚不充分，为此本文提出一种基于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。
2电弧故障检测控制系统设计卷积神经网络在计算机视觉、自然语言处理等领域已被广泛应用，CNN是一类包含卷积计算且具有深度结构的前馈神经网络。
一般而言，CNN由3部分构成：卷积层、池化层和全连接网络。
门控循环单元是常用的循环神经网络的一种，GRU网络采用了门机制，将激活函数导数的连积变成了加法，因此能有效简化调参复杂度，能够有效保存长期记忆。
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。
模型前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，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，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和召回率2个指标对二分类模型进行性能评估，得出评估数据。
接着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；然后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。
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，检测到故障信号后会通过小程序提示。
3实验分析利用小波变换分析方式和小波软阈值法对数据进行预处理，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。
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。
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，接着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。
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，得出训练结果数据以及训练对比结果。
根据以上结果可以看出，相较于单独基于GRU的电弧检测模型，基于GRU-CNN的方法，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。
4结论结果表明，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[1]吕勇,雷涛,黄国华,等.并网双馈风力机感应发电机效应研究[J].电力系统保护与控制,2016,44(24):154-158.[2]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.[3]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.
