CN109100609A - 一种基于智能优化的双馈风机定子匝间短路故障的诊断方法 - Google Patents

Abstract

本发明公开了一种基于智能优化的双馈风机定子匝间短路故障的诊断方法，属于电力系统双馈风机故障检测的技术领域。该诊断方法在分析定子匝间短路故障的特征机理，研究理想电机在定子匝间短路故障状态下电磁参数的表达式，建立了基于MATLAB/Simulink的双馈风机的故障模型，确定转子侧电流的故障特征频率并将转子a相电流注入Duffing预检测系统，进行初步诊断；最后利用PSO智能优化算法完成对故障特征频率的幅值和初相角的估计，进一步提高故障检测的灵敏性和可靠性，对大型风电场的故障研究具有一定参考价值。

Description

一种基于智能优化的双馈风机定子匝间短路故障的诊断方法

技术领域

本发明涉及电力系统双馈风机故障检测的技术领域，特别涉及一种基于智能优化的双馈风机定子匝间短路故障的诊断方法。

背景技术

由于近些年来全球化石能源所造成的污染越来越严重，以及全球气候变暖等问题，可再生能源受到大家的高度关注。与此同时，新能源发电技术的不断突破也不断推动可再生能源的发展。风电在目前众多可再生能源中，由于其清洁、廉价、分布广泛等特点，加之总量十分可观，开发技术相对成熟使其在新能源发电中占有突出的地位，具有广阔的发展空间，因而受到全球各国的普遍重视并竞相大力发展。随着风力发电机组容量的不断增大，提高运行效率，最大程度地利用风能已经成为风力发电技术研究的重要内容。

中国的经济正在高速发展，有着大量的能源需求。尤其近些年来特别是北京和北方地区出现大面积雾霾后，控制空气污染成为风电发展的又一驱动因素。中国风能资源丰富，大力发展风电对于保障我国能源安全，调整我国能源产业结构布局，应对生态环境恶化，促进社会可持续发展有着重大意义。2013年，中国能源局又出台了一系列政策措施，加强风电产业监测和评价体系建设，有针对性的解决弃风限电问题，强化规划的引领作用。所以接下来，中国风电依然会保持稳健的增长态势以适应经济发展所带来的能源需求。

针对风机关键部件的故障检测和维修一直受到人们的重视，然而随着风电机组由陆地大量地向海上发展而且单机容量越来越大，风机维修成本极大提高，同时故障停机对电网的稳定性造成极大损害。此时传统的故障检测和维修方式已很难满足要求。此外，风力机组安装于杆塔之上，一般杆塔有几十米的高度，这使得定期检修和维护的难度大，费用高。所以很有必要对双馈感应发电机绕组内部发生早期故障时的故障特征进行研究分析，如果能在初期加以关注，尽可能早的发现故障现象，准确判断故障原因和部位，就可以及时跟踪分析故障的发展趋势，合理安排维修和更换计划，避免临时的检修行为和发展为严重故障后的巨大损失，这对保障风电系统的安全运行具有重大的经济效益。

发明内容

本发明针对现有故障检测技术的缺陷和不足，提供一种基于智能优化的双馈风机定子匝间短路故障的诊断方法，在负荷波动、噪声干扰时，提高故障检测的灵敏性和可靠性。本发明提出的技术方案的实现：

S0、在多回路理论基础上，得到理想电机在定子匝间短路故障状态下电磁参数的表达式；

S1、在得到定子匝间短路故障状态下电磁参数的基础上，建立了双馈风机在定子匝间短路故障状态下的数学模型，并通过S函数转化成可以在Simulink中仿真的模块形式；

S2、对双馈风机在定子匝间短路故障状态下进行了电磁分析，总结出在定子匝间短路故障状态下故障特征频率的规律。对定子匝间短路故障状态下风电系统模型进行仿真，得到仿真信号；

S3、针对故障特征频率的特点，应用Duffing系统进行故障特征频率的预检测，初步判断其是否发生故障；

S4、利用PSO智能优化算法完成对故障特征频率的幅值和初相角的估计。

所述的一种基于智能优化的双馈风机定子匝间短路故障的诊断方法，双馈风机的数学模型忽略空间谐波，假定定转子三相绕组对称，且在空间互差120°电角度，所产生的磁动势按正弦规律沿气隙分布，双馈风机转子侧的参数全部折算到定子侧。

所述的一种基于智能优化的双馈风机定子匝间短路故障的诊断方法，定子匝间短路故障状态下的双馈风机采用的是同步旋转坐标系下的数学模型，故障电机模型采用标幺值形式进行编写。

所述的一种基于智能优化的双馈风机定子匝间短路故障的诊断方法，磁动势在转子侧感应出的电流分量频率为[1±v(1-s)]f₁，幅值较大的谐波特征频率有(2-s)f₁，(2+s)f₁，s代表转差率，f₁代表定子侧基频。

所述的一种基于智能优化的双馈风机定子匝间短路故障的诊断方法，Duffing状态方程为：

f代表内策动力幅值，ω表示策动力的频率；

将f设置成略小于由混沌态转变为大周期状态的临界值fd，当把同频率的周期信号加入振子时，只要系统总的策动力幅值大于fd，系统就会由混沌状态转变为大周期状态，从而根据系统的状态变化检测出是否存在频率等于ω的周期信号。

所述的一种基于智能优化的双馈风机定子匝间短路故障的诊断方法，初始化粒子群中各粒子的速度和位置，并将各粒子的当前历史最优位置Ibest设为初始位置，取粒子群全局最优位置为全体粒子所经历过的最好位置Gbest中的最优值。

与现有技术相比，本发明具有以下有益效果：本发明提出的一种基于智能优化的双馈风机定子匝间短路故障的诊断方法，在双馈风机发生定子匝间短路故障时能通过该方法实现对故障特征频率的检测与诊断；通过Duffing预检测系统能实现微弱故障特征频率的快速判别，提高检测的灵敏性，应用PSO智能优化算法确定故障特征频率的幅值和初相位，有利于提高检测的可靠性，算法简单，可在线监测，本发明提出的方法适用于工程实际中负荷波动、噪声干扰的不利情况。

附图说明

图1为双馈风机定子匝间短路故障示意图；

图2为S函数仿真流程图；

图3为双馈风机定子匝间短路故障模型示意图；

图4为Duffing预检测系统结构示意图；

图5为Duffing预检测系统仿真结果图；

图6为PSO智能优化算法流程图；

图7为本发明公开的一种基于智能优化的双馈风机定子匝间短路故障的诊断方法的步骤流程图。

RSC：转子侧换流器 GSC：网侧换流器

i_s：定子侧电流 i_ra：转子侧a相电流

i_rb：转子侧b相电流 i_rc：转子侧c相电流

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

下面结合附图1-7对本发明进一步说明，图7为本发明公开的一种基于智能优化的双馈风机定子匝间短路故障的诊断方法的步骤流程图。本实施例基于仿真软件MATLAB/Simulink发明的一种基于智能优化的双馈风机定子匝间短路故障的诊断方法。本实施例具体情况设置为：系统于2s时发生定子A相匝间短路故障，待系统稳定后，提取转子a相电流进行故障诊断。具体包括以下步骤：

S0、在多回路理论基础上，得到理想电机在定子匝间短路故障状态下电磁参数的表达式。

S1、搭建双馈风机定子匝间短路模型。

具体应用中，所述步骤S1、搭建双馈风机定子匝间短路模型，具体为：双馈风机定子匝间短路故障示意图如图1所示，定子匝间短路故障发生在定子的A相，可得定子匝间短路回路的电压方程为：

0＝dψ_g/dt+(R_g+r_sg)·i_g+r_sg·i_sA (1)

定子匝间短路后定子A相回路电压方程为：

u_sA＝dψ_sA/dt+r_s·i_sA+r_sg·i_g (2)

相应地，双馈风机模型如下：

U_F＝R_FI_F+pΨ_F (3)

Ψ_F＝M_FI_F (4)

I_F＝[I i_g]^T (7)

Ψ_F＝[Ψ ψ_g]^T (8)

以上公式构成双馈风机在定子匝间短路故障情况下的数学模型，可以由这些公式对双馈风机在定子匝间短路故障下进行仿真分析，借鉴正常状态分析时采用坐标变换对模型进行化简，最终简化模型。本发明采用同步坐标变换来实现模型的简化分析，图2为s函数仿真流程图，采用S函数将故障状态下的数学模型嵌入到整个风电系统，在MATLAB中提供了一种可以将M语言转化为模块的系统函数即S函数，通过S函数将故障状态下的数学模型转换成Simulink模块的故障电机嵌入到MATLAB中示例的风电系统模型power_wind_dfig_det.mdl中。图3为双馈风机定子匝间短路故障模型示意图。

S2、确定转子侧电流的故障特征频率。

在电机转子侧三相绕组对称情况下，电流i_R产生的磁动势的表达式如式(9)所示：

磁动势在定子坐标系中的表达式如式(10)所示。

磁动势在转子侧感应出的电流分量频率为[1±v(1-s)]f₁，幅值较大的故障特征频率有(2-s)f₁，(2+s)f₁，s代表转差率，f₁代表定子侧基频。

S3、将转子a相电流注入Duffing预检测系统；

Duffing状态方程为：

将f设置成略小于由混沌态转变为大周期状态的临界值fd，当把同频率的周期信号加入振子时，只要系统总的策动力幅值大于fd，系统就会由混沌状态转变为大周期状态，从而根据系统的状态变化检测出是否存在频率等于ω的周期信号。

图4为Duffing预检测系统结构示意图，i_r即为注入的转子a相电流，将其加入到策动力f中，根据相轨迹图来判断是否存在故障电流，图5为Duffing预检测系统仿真结果图，正常情况的转子a相电流注入Duffing预检测系统中，相轨迹图为混沌态，如图5a所示；故障情况下的转子a相电流注入Duffing预检测系统中，相轨迹图为大周期态态，如图5b所示。

S4、利用PSO智能优化算法完成对故障特征频率的幅值和初相角的估计。

PSO初始化为一群随机粒子(随机解)，然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个极值来更新自己；第一个就是粒子本身所找到的最优解，这个解称为个体极值；另一个极值是整个粒子群目前找到的最优解，这个极值是全局极值。另外也可以不用整个粒子群而只是用其中一部分作为粒子的邻居，那么在所有邻居中的极值就是局部极值。

在一个D维的目标搜索空间中，有N个粒子组成一个群落，其中第i个粒子表示为一个D维的向量：

X_i＝(x_i1，x_i2，…，x_iD)，i＝1，2，…，N (11)

第i个粒子的“飞行”速度也是一个D维的向量，记为：

V_i＝(v_i1，v_i2，…，v_iD)，i＝1，2，…3 (12)

第i个粒子迄今为止搜索到的最优位置称为个体极值，记为：

p_best＝(p_i1，p_i2，…，p_iD)，i＝1，2，…，N (13)

整个粒子群迄今为止搜索到的最优位置为全局极值，记为：

g_best＝(p_g1，p_g2，…，p_gD) (14)

在找到这两个最优值时，粒子根据如下的公式(15)和(16)来更新自己的速度和位置：

v_id＝w*v_id+c₁r₁(p_id-x_id)+c₂r₂(p_gd-x_id) (15)

x_id＝x_id+v_id (16)

其中：c₁和c₂为学习因子，且为非负数，也称加速常数(acceleration constant)；r₁和r₂为相互独立的伪随机数，服从[0，1]上的均匀分布；ω为压缩因子，用来控制和约束粒子的飞行速度。式(15)右边由三部分组成，第一部分为“惯性(inertia)”或“动量(momentum)”部分，反映了粒子的运动“习惯(habit)”，代表粒子有维持自己先前速度的趋势；第二部分为“认知(cognition)”部分，反映了粒子对自身历史经验的记忆(memory)或回忆(remembrance)，代表粒子有向自身历史最佳位置逼近的趋势；第三部分为“社会(social)”部分，反映了粒子间协同合作与知识共享的群体历史经验。终止条件根据具体问题可取最大迭代次数或粒子群搜索到的最优位置满足的预定最小适应阈值，图6为PSO智能优化算法流程图。

综上所述，本发明公开了一种基于智能优化的双馈风机定子匝间短路故障的诊断方法，涉及电力系统双馈风机故障检测的技术领域。该诊断方法在研究定子匝间短路故障下双馈风机外特性的基础上，建立了基于定子匝间短路故障的双馈风机的等效仿真模型。并提出将Duffing预检测系统与PSO粒智能优化算法相结合的故障诊断方法，对大型风电场短路故障研究具有一定参考价值。

上述实施例是本发明较佳的实施方式，但是本发明的实施方式并不受上述实施例的限制，任何未背离本发明的精神实质与原理所作的改变、修饰、替代、组合、简化，均应视为等效的置换方式，都包含在本发明的保护范围之内。

Claims (6)

1.一种基于智能优化的双馈风机定子匝间短路故障的诊断方法，其特征在于，包括以下步骤：

S0、在多回路理论基础上，得到理想电机在定子匝间短路故障状态下电磁参数的表达式；

S1、在得到定子匝间短路故障状态下电磁参数的基础上，建立了双馈风机在定子匝间短路故障状态下的数学模型，并通过S函数转化成可以在Simulink中仿真的模块形式；

S2、对双馈风机在定子匝间短路故障状态下进行了电磁分析，总结出在绕组间匝间短路故障状态下故障特征频率的规律。对定子匝间短路故障状态下风电系统模型进行仿真，得到仿真信号；

S3、针对故障特征频率的特点，应用Duffing系统进行故障特征频率的预检测，初步判断其是否发生故障；

S4、利用PSO智能优化算法完成对故障特征频率的幅值和初相角的估计。

2.根据权利要求1所述的一种基于智能优化的双馈风机定子匝间故障的诊断方法，其特征在于，双馈风机的数学模型忽略空间谐波，定转子三相绕组采用对称形式，且在空间互差120°电角度，所产生的磁动势按正弦规律沿气隙分布，双馈风机转子侧的参数全部折算到定子侧。

3.根据权利要求1所述的一种基于智能优化的双馈风机定子匝间故障的诊断方法，其特征在于，定子绕组匝间短路故障状态下的双馈风机采用的是同步旋转坐标系下的数学模型，故障电机模型采用标幺值形式进行编写。

4.根据权利要求1所述的一种基于智能优化的双馈风机定子匝间故障的诊断方法，其特征在于，磁动势在转子侧感应出的电流分量频率为[1±v(1-s)]f₁，幅值较大的故障特征频率有(2-s)f₁，(2+s)f₁，s代表转差率，f₁代表定子侧基频。

5.根据权利要求1所述的一种基于智能优化的双馈风机定子匝间故障的诊断方法，其特征在于，Duffing状态方程为：

f代表内策动力幅值，ω表示策动力的频率；

将f设置成略小于由混沌态转变为大周期状态的临界值fd，当把同频率的周期信号加入振子时，只要系统总的策动力幅值大于fd，系统就会由混沌状态转变为大周期状态，从而根据系统的状态变化检测出是否存在频率等于ω的周期信号。

6.根据权利要求1所述的一种基于智能优化的双馈风机定子匝间故障的诊断方法，其特征在于，初始化粒子群中各粒子的速度和位置，并将各粒子的当前历史最优位置Ibest设为初始位置，取粒子群全局最优位置为全体粒子所经历过的最好位置Gbest中的最优值。