CN112986821A - 海上风电机组变桨电机转子断条故障诊断方法 - Google Patents
海上风电机组变桨电机转子断条故障诊断方法 Download PDFInfo
- Publication number
- CN112986821A CN112986821A CN202110218424.5A CN202110218424A CN112986821A CN 112986821 A CN112986821 A CN 112986821A CN 202110218424 A CN202110218424 A CN 202110218424A CN 112986821 A CN112986821 A CN 112986821A
- Authority
- CN
- China
- Prior art keywords
- current
- fault
- phase
- offshore wind
- wind turbine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/346—Testing of armature or field windings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Wind Motors (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
海上风电机组变桨电机转子断条故障诊断方法。从海上风电的集控中心采集变桨电机的三相电流特征,通过park变换对三相电流进行预处理,并确定故障特征量。然后通过样本深度学习方式提供给堆叠自编码器以产生深层次的故障特征,最终用于转子断条故障的识别。本发明通过对定子电流进行Park变换特征预处理后采用堆叠自编码器诊断,相比传统采用深度学习方法或直接电流分析故障特征,拥有更高的故障诊断精度。
Description
技术领域
本发明涉及风力发电故障诊断技术领域,具体涉及一种海上风电机组变桨电机转子断条故障诊断方法。
背景技术
文献[1]高军强.风电机组电变桨系统故障诊断[J].机械研究与应用,2018,v.31;No.154(02):134-137.着重介绍了风电机组电变桨系统的机械组成、控制原理及电气组成,为充分了解风电机组中的电变桨系统。
文献[2]杨存祥,娄艺,罗丹雨,等.基于定子电流的笼型异步电动机转子断条故障检测[J].微电机,2008,41(9):49-51,68.文献[3]陈自强,程健,季文强,等.基于深度置信网络风电机组变桨系统的故障诊断[J].测控技术,2019,38(05):18-22。针对风电机组变桨系统常见故障,提出一种基于深度置信网络(DBN)的故障诊断方法,设计出基于DBN的变桨系统故障诊断框架,通过堆叠多层受限玻尔兹曼机(RBM),对比重构数据与原始输入数据差异,研究了DBN故障特征自提取能力;将堆叠RBM提取的故障特征输入到顶层分类器中进行训练。
文献[4]杨锡运,李金霞,陈嵩,等.基于模糊Petri网的风电机组液压变桨系统故障诊断方法,2015.基于模糊Petri网的风电机组液压变桨系统故障诊断方法,属于风电机组液压变桨系统故障诊断技术领域,确定顶事件,再找出事件发生的直接原因,依此类推,直到找出导致系统故障的最底层原因,建立液压变桨距系统故障Petri网模型;在风电机组液压变桨系统故障诊断中具有积极意义。
文献[5]熊中杰,邱颖宁,冯延晖,等.基于机器学习的风电机组变桨系统故障研究[J].太阳能学报,2020,v.41(05):91-96.针对变桨系统的齿形带断裂故障问题,首先通过分析变桨系统的工作原理,基于多维SCADA信号进行特征数据挖掘,再利用主成分分析法对数据进行预处理,并保留时序信息重构数组,最后利用高斯核支持向量机进行机器学习,实现对齿形带断裂故障的智能检测。结果表明该方法可准确诊断齿形带断裂故障,并已通过多台风电机组监测数据进行验证,准确性可达到98.8%,证明该文所用方法和模型的广泛适用性,研究结果可对未来智慧风电场的开发管理提供有利用价值的工具。
文献[6]蒋爱国,符培伦,谷明,等.基于多模态堆叠自动编码器的感应电机故障诊断[J].电子测量与仪器学报,2018(8).针对感应电机多源监测数据利用率不高,难以有效融合多传感器信息进行电机故障的准确识别等问题,提出了一种多模态堆叠自动编码器模型(MSAE).该模型直接从原始信号中获取其最为显著的特征向量,有效减少了手动提取特征指标造成的故障信息遗漏,并能学习到多源信号的共享表示实现多源融合的故障诊断。文献[7]魏闻达,陈德智,侯新贵,等.基于定子电流信号和噪声信号的异步电动机转子断条故障诊断[J].电机与控制应用,2015,(6):69-72.给出了异步电动机发生转子断条故障时的磁动势的表达式,得出基于定子电流信号的转子断条故障诊断方法。以磁动势表达式为基础,进而推导出发生断条故障时的径向力表达式,并提出了一种全新的基于径向力频谱分析的转子断条故障诊断方法,即通过检测径向力频谱图中的(2-4s)f1、(4-4s)f1、(6-4s)f1谐波分量来诊断异步电动机的断条故障,有限元仿真的结果验证了上述结论。文献[8]辛峰,尚兆霞.一种基于坐标变换的感应电机转子断条故障诊断新方案[J].电机与控制应用,2014,(12):48-52.给出了一种通过采集感应电机三相定子电流并对三相定子电流进行坐标变换得出不同坐标系下的电流矢量,由此诊断感应电机转子断条故障的新方案。
上述现有技术文献主要针对陆上风电机组,海上风速变化莫测,这些工况将导致变桨电机受到较大载荷,故障率较高且在线监测会受到较大的噪声影响,很多传统方法难以满足精度和实时的要求。
海上风电机组变桨系统包括感应电动机,感应电动机与多级行星齿轮箱相连。该齿轮箱结构可使叶片在海风中改变角度,从而实现海上风电机组在风速变化时高效发电和减少台风等大风对风机结构的损坏。变桨电机在长时间高温高湿的环境中运行会导致鼠笼型转子发生破损或者折断等故障,将影响风机变桨系统。变桨电机系统稳定运行的关系到风电机组的可靠性。
发明内容
本发明提供一种海上风电机组变桨电机转子断条故障诊断方法,采用变桨电机三相电流park变换后的结果来分析转子断条故障。通过对定子电流进行Park变换特征预处理后采用堆叠自编码器诊断,相比传统采用方法或直接电流分析故障特征,拥有更高的故障诊断精度。
本发明采取的技术方案为:
海上风电机组变桨电机转子断条故障诊断方法,包括以下步骤:
步骤1:海上风电机组变桨电机在控制器补偿作用下,三相电流通过Park变换到两相静止坐标系下,电流有如下表达式:
在两相静止坐标系下的空间电流模表达式如下:
iP=|iα+jiβ|(2);
电机空间电流矢量表示为:
式中:is为变桨电机定子相电流的基波幅值;
iP为iα和iβ两静止坐标电流模值,j为向量虚部的标志;
eθ表示电流矢量角度θ,eωt表示电流矢量时间角度ωt。
转子断条故障会在定子电流中产生(1-2s)fs谐波,海上风电机组变桨电机A相电流表示为:
ia=iscos(2πfst-φ)+iflcos[(1-2s)2πfst-βl](4);
ifrcos[(1+2s)2πfst+βr]
同理,海上风电机组变桨电机的B相电流表达式如下:
C相电流比A相超前相似角度,也能够描述为包含故障电流的表达式。
式中:fs为输入电网电流频率;φ为输入电流的相角;ifl,ifr为故障电流分量幅值;βl,βr两个特征电流分量的滞后角度;
在转子断条故障情况下,海上风电机组变桨电机的拓展Park矢量变换后的向量模表达式为:
其中,转子断条故障的定子三相电流拓展Park矢量变换频率为:
fBRB=2sfs,4sfs(7);
步骤2:对Park向量模进行傅里叶分解,将其频谱矢量化并放大,最终提供给堆叠自编码器训练以产生更明显的故障特征用于识别。
本发明一种海上风电机组变桨电机转子断条故障诊断方法,技术效果如下:
1)本发明提出了一种仅利用三相电机定子电流对电动变桨电机转子断条故障检测的方法。采用自动编码器从电机三相电流的扩展Park矢量模中提取特征。针对海上风电机组故障诊断,本发明先对故障特征进行预处理,应用堆叠自编码器更利于异常值检测,因此具有更好的降噪能力,具有较高诊断精度,可以满足海上风电的精度和实时性要求。
2)本发明通过对定子电流进行Park变换特征预处理后采用堆叠自编码器诊断,相比传统采用深度学习方法或直接电流分析故障特征,拥有更高的故障诊断精度。
3)本发明实时分析变桨电机转子断条故障特征情况,若变桨电机发生转子断条故障,特征值超过所定义的阈值,将发出警报提醒运维人员。技术人员可根据故障实际情况作出进一步处理,减少故障扩大的可能性,降低故障风险,减少损失。
4)本发明提出了一种基于电流变换及自编码器的的海上风电机组变桨电机转子断条故障检测方法。直接通过采集风电机组的三相定子电流,不需要在海上风电机组中添加新的传感器,避免额外设备的复杂性,该方法适用于海上风电机组的运维人员难以到达的情况。为海上风电机组变桨电机转子断条故障的检测提供一种新的思路。
附图说明
图1为堆叠自动编码器示意图。
图2为海上风电变桨电机转子断条故障诊断方法示意图。
图3为本发明方法涉及的诊断装置示意图。
图4为本发明的发明流程图。
具体实施方式
海上风电机组变桨电机转子断条故障诊断方法,包括以下步骤:
步骤1:海上风电机组变桨电机在控制器补偿作用下,三相电流通过Park变换到两相静止坐标系下,电流有如下表达式:
iα为两相静止坐标系下的α轴的投影,iβ为两相静止坐标系下的β轴的投影;
ia为a相交流绕组电流,ib为b相交流绕组电流,ic为c相交流绕组电流;
在两相静止坐标系下的空间电流模表达式如下:
iP=|iα+jiβ|(2);
电机空间电流矢量表示为:
式中:is为变桨电机定子相电流的基波幅值;
iP为iα和iβ两静止坐标电流模值,j为向量虚部的标志;
eθ表示电流矢量角度θ,eωt表示电流矢量时间角度ωt。
在两相静止坐标系中,iα和iβ形成的空间电流矢量轨迹为以为半径的圆。该变换为基于park变换形成的空间矢量轨迹的图形称之为park矢量圆。电机正常工作时park矢量圆为一个理想的圆。
针对海上风电故障情况下,对Park变换及矢量可以分析故障。转子断条故障是海上风电机组变桨电机中常见的故障,转子断条故障一般由于鼠笼型电机中导条应力分布不均衡导致的,海上风速变化剧烈将使电机收到更大的载荷,增加故障发生率。根据已有研究,转子断条故障会在定子电流中产生(1-2s)fs谐波,海上风电机组变桨电机A相电流表示为:
ia=iscos(2πfst-φ)+iflcos[(1-2s)2πfst-βl](4);
ifrcos[(1+2s)2πfst+βr]
同理,海上风电机组变桨电机的B相电流表达式如下:
C相电流比A相超前相似角度,也能够描述为包含故障电流的表达式。
式中:fs为输入电网电流频率;φ为输入电流的相角;ifl,ifr为故障电流分量幅值;βl,βr两个特征电流分量的滞后角度。在转子断条故障情况下,海上风电机组变桨电机的拓展Park矢量变换后的向量模表达式为:
其中,转子断条故障的定子三相电流拓展Park矢量变换频率为:
fBRB=2sfs,4sfs(7);
步骤2:为减少海上风力发电风资源不确定的干扰,本发明采用深度自编码器的方法提取风电机组变桨电机转子断条故障特征。用变桨三相感应电机的电流计算Park向量模,对Park向量模进行傅里叶分解,将其频谱矢量化并放大。最终提供给堆叠自编码器训练,以产生更明显的故障特征用于识别。转换后的park电流为时域电流,为了确定公式(7)中的特定的故障频率,需要通过传统傅里叶分解即FFT转换为频域,使频谱特征更加明显,用于后续对堆叠自编码器进行训练,以便故障特征提取。
堆叠自编码器流程如图1所示,通过多个隐藏层降维和特征提取,在最后添加一个分类层进行故障分类。通过无标签数据预训练获得网络初始参数,在少量有标签数据监督下利用神经网络对初始参数进行优化,得到一个具有特征提取和模式识别功能的深度神经网络模型。
用于海上风电的自编码器如图1所示,其中每个输入样本是一个向量其表达如下:
X={x1,x2,x3…}x∈Rn(8);
H={h1,h2,…hn}h∈Rp(9);
通过Sigmoid函数f可以得到:
式中:We权重矩阵,be是偏差量。隐藏表示H可以是转换回输入向量的近似值
采用相似的Sigmoid函数f2可以得到:
θ={We,be,Wd,bd}(13)
根据定义给出堆叠编码器的均方误差准则:
自编码器算法主要分为编码和解码两个步骤,编码指算法通过编码将高维的输入特征转换为低维的隐藏层特征,解码步骤指将隐藏层信息H通过解码再次重构回高维特征计算重构后的高维特征数据与输入信号之间的误差,将其逆传播至自动编码器,通过调节相关权值参数使重构误差下降。当误差满足预设值时,自编码器完成训练。
采用堆叠的自编码器的情况下,每个阶段的隐藏层中的表示信息H被用作下一级的输入,并且以顺序方式对每个阶段进行训练。网络模型非监督的训练过程以重构输入向量作为目标,避免了人为添加样本标签的步骤,提高了工作效率的同时减少了对主观经验的依赖,也更加适用于海上风电变桨电机故障诊断的应用场景。
本发明提出一种基于电流变换及自编码器的海上风电变桨电机转子断条诊断方法,主要步骤如图2中所示。从海上风电的集控中心采集变桨电机的三相电流特征,通过park变换对三相电流进行预处理,并确定故障特征量。然后通过样本深度学习方式提供给堆叠自编码器以产生深层次的故障特征,最终用于转子断条故障的识别。
本发明方法涉及的故障诊断装置如图3所示,包括:海上风电变桨系统1、变桨电机2、控制器3、海上风电集控中心数据管理平台4、三相电流park变换装置5、深度学习堆叠自编码器处理平台6、显示器7。
该装置通过对定子电流进行Park变换特征预处理后采用堆叠自编码器诊断,相比传统采用深度学习方法或直接电流分析故障特征,拥有更高的故障诊断精度。
该装置将实时分析变桨电机转子断条故障特征情况,并将运行状态显示在海上风电集控中心的控制台中,若变桨电机发生转子断条故障,特征值超过所定义的阈值,将在显示器中发出警报,提醒运维人员。技术人员可根据故障实际情况作出进一步处理,减少故障扩大的可能性,降低故障风险,减少损失。
该装置是一种基于电流变换及自编码器的海上风电机组变桨电机转子断条故障检测装置。直接通过采集风电机组的三相定子电流,不需要在海上风电机组中添加新的传感器,避免额外设备的复杂性,该装置适用于海上风电机组的运维人员难以到达的情况。
Claims (1)
1.海上风电机组变桨电机转子断条故障诊断方法,包括以下步骤:
步骤1:海上风电机组变桨电机在控制器补偿作用下,三相电流通过Park变换到两相静止坐标系下,电流有如下表达式:
在两相静止坐标系下的空间电流模表达式如下:
iP=|iα+jiβ| (2);
电机空间电流矢量表示为:
式中:is为变桨电机定子相电流的基波幅值;
iP为iα和iβ两静止坐标电流模值,j为向量虚部的标志;
eθ表示电流矢量角度θ,eωt表示电流矢量时间角度ωt;
转子断条故障会在定子电流中产生(1-2s)fs谐波,海上风电机组变桨电机A相电流表示为:
ia=iscos(2πfst-φ)+iflcos[(1-2s)2πfst-βl] (4);
ifrcos[(1+2s)2πfst+βr]
同理,海上风电机组变桨电机的B相电流表达式如下:
C相电流比A相超前相似角度,也能够描述为包含故障电流的表达式;
式中:fs为输入电网电流频率;φ为输入电流的相角;ifl,ifr为故障电流分量幅值;βl,βr两个特征电流分量的滞后角度;
在转子断条故障情况下,海上风电机组变桨电机的拓展Park矢量变换后的向量模表达式为:
3isifrcos(2s·2πfst+βr)+3iflifrcos(4s·2πfst-βl+βr)
其中,转子断条故障的定子三相电流拓展Park矢量变换频率为:
fBRB=2sfs,4sfs (7);
步骤2:对Park向量模进行傅里叶分解,将其频谱矢量化并放大,最终提供给堆叠自编码器训练以产生更明显的故障特征用于识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110218424.5A CN112986821B (zh) | 2021-02-26 | 2021-02-26 | 海上风电机组变桨电机转子断条故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110218424.5A CN112986821B (zh) | 2021-02-26 | 2021-02-26 | 海上风电机组变桨电机转子断条故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112986821A true CN112986821A (zh) | 2021-06-18 |
CN112986821B CN112986821B (zh) | 2022-12-06 |
Family
ID=76351136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110218424.5A Active CN112986821B (zh) | 2021-02-26 | 2021-02-26 | 海上风电机组变桨电机转子断条故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112986821B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116520236A (zh) * | 2023-06-30 | 2023-08-01 | 清华大学 | 一种智能电表的异常检测方法和系统 |
CN117096823A (zh) * | 2023-10-20 | 2023-11-21 | 南方电网调峰调频发电有限公司 | 变速抽蓄机组转子短路故障保护方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108802523A (zh) * | 2018-05-31 | 2018-11-13 | 山西大学 | 风力发电机组变频器在线监测及故障诊断装置 |
-
2021
- 2021-02-26 CN CN202110218424.5A patent/CN112986821B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108802523A (zh) * | 2018-05-31 | 2018-11-13 | 山西大学 | 风力发电机组变频器在线监测及故障诊断装置 |
Non-Patent Citations (4)
Title |
---|
张建文等: "基于Park矢量的变频电源供电的笼型异步电机转子断条故障诊断方法", 《华北电力大学学报(自然科学版)》 * |
王丽华等: "基于卷积神经网络的异步电机故障诊断", 《振动.测试与诊断》 * |
赵洪山等: "基于堆叠自编码网络的风电机组发电机状态监测与故障诊断", 《电力系统自动化》 * |
辛峰等: "一种基于坐标变换的感应电机转子断条故障诊断新方案", 《电机与控制应用》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116520236A (zh) * | 2023-06-30 | 2023-08-01 | 清华大学 | 一种智能电表的异常检测方法和系统 |
CN116520236B (zh) * | 2023-06-30 | 2023-09-22 | 清华大学 | 一种智能电表的异常检测方法和系统 |
CN117096823A (zh) * | 2023-10-20 | 2023-11-21 | 南方电网调峰调频发电有限公司 | 变速抽蓄机组转子短路故障保护方法及装置 |
CN117096823B (zh) * | 2023-10-20 | 2024-03-08 | 南方电网调峰调频发电有限公司 | 变速抽蓄机组转子短路故障保护方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112986821B (zh) | 2022-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Fault analysis and condition monitoring of the wind turbine gearbox | |
CN112986821B (zh) | 海上风电机组变桨电机转子断条故障诊断方法 | |
Chen et al. | Fault identification of gearbox degradation with optimized wavelet neural network | |
CN113009338B (zh) | 海上风电变桨电机定子匝间短路故障诊断方法 | |
CN105065212A (zh) | 一种风电场风电机组校验方法及系统 | |
CN114841580A (zh) | 基于混合注意力机制的发电机故障检测方法 | |
CN110595778A (zh) | 一种基于mmf与igra风电机组轴承故障诊断方法 | |
CN113240022A (zh) | 多尺度单分类卷积网络的风电齿轮箱故障检测方法 | |
CN111412114B (zh) | 一种基于定子电流包络谱的风电机组叶轮不平衡检测方法 | |
CN113255458A (zh) | 基于多视图关联特征学习的轴承故障诊断方法 | |
CN115877205A (zh) | 一种伺服电机的故障智能诊断系统及其诊断方法 | |
CN113009337B (zh) | 海上风电永磁直驱电机匝间短路故障识别方法 | |
CN116089857A (zh) | 一种基于ceemdan-dbn的变压器故障识别方法 | |
CN113468728B (zh) | 一种基于神经网络的变桨系统故障预测方法 | |
Yang et al. | Assessment of equipment operation state with improved random forest | |
Fang et al. | Application of MCSA and SVM to induction machine rotor fault diagnosis | |
Cao et al. | A novel method for detection of wind turbine blade imbalance based on multi-variable spectrum imaging and convolutional neural network | |
Mutharasan et al. | Fault detection and power quality analysis of wind turbine system using integrated systems | |
Godoy et al. | An application of artificial neural networks and PCA for stator fault diagnosis in inverter-fed induction motors | |
Skylvik et al. | Data-driven fault diagnosis of induction motors using a stacked autoencoder network | |
CN113776818B (zh) | 基于Park变换的海上风电机组齿轮系统故障诊断方法 | |
Liu et al. | Data-driven fault identification of ageing wind turbine | |
Song et al. | Framework of designing an adaptive and multi-regime prognostics and health management for wind turbine reliability and efficiency improvement | |
Zhou et al. | Three-phase asynchronous motor fault diagnosis using attention mechanism and hybrid CNN-MLP by multi-sensor information | |
CN114781259A (zh) | 一种风力发电机诊断方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |