文摘
故障发生后,风力发电机的故障诊断系统需要准确、迅速。开路故障提出了一种故障诊断方法变换器的永磁同步发电机驱动风力涡轮机。为了避免误判或错过了不当造成不应有的判断阈值,该方法适用于地方平均分解和多尺度熵的转换器风力发电系统首次故障诊断。本文使用一种新颖的多类支持向量机分类故障难以诊断的其他方法。仿真结果表明,该方法具有高适应性的特点,精度高,减少诊断时间。
1。介绍
控制策略的发展和能源储存设备的检测带来很大的进步优化和控制复杂的可再生能源系统(1- - - - - -13]。在这个领域,风力发电机和永磁同步发电机(PMSGs)已经成为流行由于众多的优点,如gearbox-free,变换器拓扑结构简单,效率高,低风速,噪音,和维护成本14- - - - - -19]。背靠背PMSG的风力发电系统配备全面的电源转换器提高发射功率的质量到电网(20.]。然而,风力涡轮机通常运行在高温和压力的环境中,从而削弱变速的转换器频风力涡轮机(21]。变频器故障可分为短期和开路故障(22,23]。短路故障的发生是相当迅速,容易触发系统的保护机制;因此,故障可以快速检测(24]。然而,开路(OC)故障不会产生大电流,有困难可以触发保护机制(25]。因此,立即检测这些错误是很困难的。OC故障也可能导致潜在的二次故障,导致整个转换器的损伤,最终导致关闭的风力涡轮机21]。这种现象将会降低系统的可靠性和稳定性。
当电源开关变换器在不同位置的OC故障发生,变换器的电压和电流变量将显示不同的故障特征。所以,打开开关转换器的故障诊断分析可以执行的电压或电流(26- - - - - -31日]。数量与使用现成的优点从主控制系统没有额外的传感器,故障诊断基于当前信号可以被认为是一种可行的方法,因为它是独立于系统参数或控制策略,不需要额外的传感器(32]。Abramik et al。33)提出了一个方法基于正常电流平均值的计算的基本和直流分量的定子电流在每个当前周期。Jlassi et al。28)正常电流的有效价值基于他们的平均价值和使用正常价值的开路故障特征提取。然而,这种方法不能诊断两个绝缘栅双极型晶体管(IGBT) OC的缺点同时在相同的桥。大霸王et al。34]利用正常电流平均绝对值的平均值作为特征提取的变量正常化。Khomfoi et al。35)提出了一个基于当前的瞬时值正常化方法,使用公园的矢量模量作为正常化变量。此外,概率密度函数控制策略可以用于故障诊断,通过设计合适的控制器36]。姚明et al。(37)故障诊断提出了一种迭代学习观测器方法,和方法可用于故障诊断的常数的错,慢变化的错,和fast-varying断层,但控制策略是复杂的。阴et al。38)提出了一个RBFNN-based最小熵过滤器。该方法的优点是控制器的参数可以通过数据和确定故障诊断设计降低了困难,但模型的稳定性应该进一步分析。然而,在众多的现有方法,阈值是固定的和高度依赖于系统的先验知识。因此,阈值的选择严重影响故障诊断的可靠性,当操作条件改变。一个数据驱动的故障诊断策略21种OC风能转换器故障提出了基于地方平均分解(LMD)和多尺度熵(MSE)。这个策略可以避免不当造成的误判或错过的判断阈值选择和高精度的诊断过程。
2。系统和故障描述
系统配置的永磁同步发电机(PMSG)变速频风力涡轮机是当前主流的风力发电系统由于以下优点:gearbox-free变换器拓扑结构简单,效率高,在低风速情况。PMSG风电系统的拓扑结构如图1。
电源转换器通常采用背靠背的转换器组合结构。转子侧附近的转换器称为rotor-side转换器。这个转换器的电流调整轴追踪最大风能,达到与变速恒频运行,提高了发电系统的运营效率。转换器在电网侧称为grid-side转换器。这个转换器保持直流侧电压恒定和防止grid-side电流谐波。双方的转换器具有相同的结构和空间矢量脉宽调制(SVPWM)的策略。
2.1。风力发电机模型
风力涡轮机(WT)系统是一种非线性由于自然风的随机特性和气动特性的WT (39,40]。干扰可以划分为内部和外部的干扰。内部主要来自参数变化,控制耦合,电流谐波,建模误差和非线性动力学的植物。外部干扰主要来自风速变化,扭转振动,风力流不对称等41]。WT的模型是由以下方程: 在哪里是被风轮吸收,的机械转矩,是空气密度,风轮的半径,风速, 是功率系数,转子转速,惯性矩,粘性阻尼系数,电磁转矩,是极对的数字,磁链,是轴电流轴电流,提示速度的比值,螺旋角。
翻译的MPPT控制时应用小于额定转速。当大于额定转速,输出功率控制PMSG的吗 。在拟议的方法,在切入风速、额定风速。因此,在0°和是不变的吗只涉及到 。的非线性三阶多项式方程特点如下(42]: 在哪里 , , ,和 。
2.2。故障描述
当前公园的向量的定义是由以下方程: 在哪里 , ,是电流的瞬时值。
OC转换器发生故障时,输出电流转换器的扭曲。它会引起电磁转矩脉动和PMSG的进一步影响转子速度控制。的电流波形 与正常系统操作如图2(一个)。OC故障发生在转换器时,三相的波形电流 将会改变根据IGBT的位置和数量。数据2 (b)- - - - - -2 (e)表明,OC故障发生后正常系统操作在0.5 s。
(一)
(b)
(c)
(d)
(e)
3所示。故障诊断方法
3.1。基于LMD-MSE信号处理
LMD是非线性和非平稳的信号分析方法。该方法分离从一个调幅调频信号包络信号,实现一系列的产品功能(PF)和剩余组件43]。MSE基于样本熵和描述时间序列在多个时间尺度的复杂性。在该方法中,三相变流器的输出电流是首先由LMD处理,和前三个PF组件的电流。然后,然后计算均方误差的均值的统计特征的基础上,PFs。最后,提取LMD-MSE信息用于描述诊断功能。算法的详细信息如下:(1)计算均值和信封估计所有当地的极端点的原始信号 。(2)光滑的和 ,然后获得地方平均函数和信封评估函数 。(3)单独的从获取调频信号 : (4)重复步骤(1)- (3),直到符合下列形式: (5)获得包络信号 : (6)计算PF组件: (7)单独的从原始信号,获得作为新信号,和重复(1)- (6),直到是单调的。(8)构建粗粒度从原始系列规模因素 为每个PFs: (9)计算样本熵 。(10)改变规模因素和重复步骤(8)- (9)。(11)计算的均值 。
LMD-MSE如图的过程3。
3.2。RSSVM的概念
支持向量机(SVM)原理来自Vapnik提出的统计学习理论(44]。支持向量机是一种监督式学习的方法,旨在建立一个最优超平面作为决定表面,最大化孤立的边缘在不同的类。然而,21种转换器OC故障类型是可用的。因此,许多必须构造分类器,导致不满意的诊断准确性和分类速度慢。多类支持向量机的方法,也就是说,RSSVM,可以有效地减少分类器的数量和提高精度和速度。
考虑下面的训练数据集的幼儿园问题[45]: 在哪里 特征向量的吗样品和 是分类的数字。图4显示每个类可以表示为相应的顶点的坐标向量考虑到任意两个顶点的普通单纯形是等距的。
矩阵 用于K海尔集团分类表示普通单纯形的顶点。顶点之间的一对一的映射也建立和类。因此,从方程(训练集2)fd2可以改写如下: 在哪里 是样本的类 ,因此满足 。的归属感和是相同的吗 。
为训练样本,输出点 在相同的 - - - - - -维欧几里得空间应该更接近其相应的顶点至少比其他任何顶点 :
方程(15)可以简化为以下形式,它是线性的 :
因此,K海尔集团可以解决分类问题解决如下的优化问题: 在哪里 是一个松弛变量。
线性RSSVM为每个有以下形式:
然后,优化问题(17)可以改写如下: 在哪里 是参数。
我们构造拉格朗日函数的问题(19)如下:
使用Karush-Kuhn-Tucker(马)和外延后, 优化问题的对偶问题(19)可以改写如下: 在哪里表示向量用适当的维度。
对于非线性情况下,核函数还用于线性可分的数据在低收入映射到高维空间:
本文使用RBF核函数作为核函数由于其优良的性能在实际使用。
4所示。仿真结果和分析
使用PSCAD环境模型和模拟PMSG的风力发电系统。PMSG的主要参数如表所示1。选择OC故障发生在IGBT S1, S1和S2作为典型的错误。LMD的故障电流数据所示5和6。三相的电流故障特征信息主要集中在前三个PF组件。
(一)
(b)
(c)
(一)
(b)
(c)
样本熵的规模1到6组件的当前OC故障发生时在一个IGBT如图7。OC断层发生类似于IGBT,不同尺度的样本熵是不同的。样本熵在同一断层在不同的IGBT规模也是不同的。同样,电流的结论是相同的和和和组件或甚至在两个igbt OC故障发生。
前三的MSE的意思是PF组件的电流 , ,和随着RSSVM样本,计算如表所示2。每个故障状态都有100个样本:第一选择68个样本作为训练集,最后32组数据作为测试样本。图8礼物的分类结果RSSVM结果。这个数字显示,除了测试样品S1S2 S1S5, S1S6, S4S6,所有测试样本的诊断正确率为100%。最后所有22个模式诊断准确率为99.28%。诊断结果表明,该LMD-MSE故障诊断方法具有良好的性能的OC PMSG转换器的故障诊断。
数值为故障诊断机器学习方法,比如双子支持向量机(TWSVM)卷积神经网络(CNN)模型移植神经网络(MMNN) [46),给出了最小二乘支持向量机(LSSVM)进行比较。比较的结果表明,支持向量机方法在本文中出现的诊断准确性和速度优势表3。
5。结论
本文研究了OC断层与PMSG转换器在风力发电系统中。故障诊断策略基于LMD和MSE也提出了。转换器的三相输出电流是首先由LMD处理,和前三个PF组件的电流。然后,MSE的意思是计算PFs的统计特征的基础上,提取的LMD-MSE信息用于描述诊断功能。最后,一种新颖的多类支持向量机应用于该方法。结果表明,该方法具有高self-adapt能力和避免误判或错过的判断。这种方法可以提供一个参考工程师对这个领域感兴趣。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
这项研究是由中国国家自然科学基金(批准号61672226和61672226)和湖南省自然科学基金(批准号2020 jj4316)。