CN113009338B - 海上风电变桨电机定子匝间短路故障诊断方法 - Google Patents
海上风电变桨电机定子匝间短路故障诊断方法 Download PDFInfo
- Publication number
- CN113009338B CN113009338B CN202110218442.3A CN202110218442A CN113009338B CN 113009338 B CN113009338 B CN 113009338B CN 202110218442 A CN202110218442 A CN 202110218442A CN 113009338 B CN113009338 B CN 113009338B
- Authority
- CN
- China
- Prior art keywords
- turn
- stator
- short circuit
- current
- variable pitch
- 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.)
- Active
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
- G01R31/343—Testing dynamo-electric machines in operation
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Eletrric Generators (AREA)
- Wind Motors (AREA)
Abstract
海上风电变桨电机定子匝间短路故障诊断方法,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,最终用于定子匝间短路故障的识别。该方法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。
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变桨电机定子匝间短路故障诊断方法。
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].姚万业,李新丽.基于状态监测的风电机组变桨系统故障诊断[J].可再生能源,2016,034(003):437-440.数据采集与监视控制系统的数据库中选择与变桨系统运行相关的特征参数,基于相似性原理,利用非线性状态评估方法,建立能够涵盖变桨系统全部正常运行状态的健康模型.当变桨系统发生故障时,会出现模型预测值与正常状态的偏差,根据每一个特征参数对偏差的影响来确定故障的原因。
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;由各库所间关系获得液压变桨系统各故障库所的可达集合等;分析故障库所的立即可达集合等,根据模糊产生式规则,变迁触发规则和模糊推理算法,确定故障产生原因及故障库所可信度,实现风电机组液压变桨距系统的故障诊断.本发明实现了风电机组液压变桨距系统故障诊断,有效避免了液压变桨系统诊断中的漏判,误判和无法判断问题,能定量给出故障可能性大小,提高了诊断正确率,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。
目前现有技术文献[1]~文献[6]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系统受到较大载荷,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。变桨系统是风电机组中故障最频繁的部件之一,海上风电受海风不确定性影响,变桨系统更容易损坏,及时对故障进行诊断有助于减少运维人员的工作量,降低运维成本。
发明内容
为了弥补现有技术中的不足,本发明提供一种海上风电变桨电机定子匝间短路故障诊断方法,针对海上风电机组故障诊断,采用深度自动编码器从电机三相电流的扩展Park矢量模中提取特征。该方法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。
本发明采取的技术方案为:
海上风电变桨电机定子匝间短路故障诊断方法,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变换到两项静止坐标系下,电流表达式如下:
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。
定子匝间短路故障会在电流中产生明显的高频三次谐波,电机A相电流表示为:
ia=is cos(2πfst-φ)+if cos(2π·3fst) (4);
式中:fs为输入电流频率;φ为输入电流的相角;if为故障电流;在定子匝间短路故障情况下,海上风电变桨电机的拓展Park矢量变换后的向量模表达式为:
其中:定子匝间短路故障的拓展Park矢量变换频率为:
fSTF=2fs,4fs,6fs… (6);
步骤2:采用堆叠自编码器提取风电机组变桨电机定子匝间短路故障特征,进行定子匝间短路故障的识别。
本发明一种海上风电变桨电机定子匝间短路故障诊断方法,技术效果如下:
1)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。
2)本发明方法实时分析变桨电机定子匝间短路故障特征情况,若变桨电机发生定子匝间短路故障,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
3)本发明提出了一种基于电流深度学习的海上风电机组变桨电机定子匝间短路故障检测方法。直接通过采集风电机组的正交轴电流,不需要在风电机组中添加新的传感器,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定子匝间短路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为匝间短路诊断方法步骤示意图。
图3为本发明方法涉及的装置连接示意图。
图4为本发明方法流程图。
具体实施方式
海上风电机组变桨系统由一个感应电动机或永磁同步电动机组成,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定子绕组间发生匝间短路故障,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。
海上风电变桨电机定子匝间短路故障诊断方法,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变换到两项静止坐标系下,电流表达式如下:
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;
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。该变换为是基于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。定子匝间短路故障是海上风电机组变桨电机中常见的故障,定子匝间短路故障会在电流中产生明显的高频三次谐波,电机A相电流表示为:
ia=is cos(2πfst-φ)+if cos(2π·3fst) (4);
式中:fs为输入电流频率;φ为输入电流的相角;if为故障电流;同理变桨电机的B相电流和C相电流也可以描述为包含故障电流的表达式。
在定子匝间短路故障情况下,海上风电变桨电机的拓展Park矢量变换后的向量模表达式为:
其中:定子匝间短路故障的拓展Park矢量变换频率为:
fSTF=2fs,4fs,6fs… (6);
步骤2:为减少海上风力发电风资源不确定的干扰,采用堆叠自编码器提取风电机组变桨电机定子匝间短路故障特征,进行定子匝间短路故障的识别。
具体如下:
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。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。
堆叠自编码器示意图如图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,其中每个输入样本是一个向量其表达如下:
X={x1,x2,x3…}x∈Rn (7)
H={h1,h2,…hn}h∈Rp (8)
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f可以得到:
θ={We,be,Wd,bd} (12)
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。
基于电流深度学习的海上风电变桨电机定子匝间短路诊断方法,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,最终用于定子匝间短路故障的识别。
图3给出了一种基于电流深度学习的海上风电变桨电机定子匝间短路诊断装置。包括海上风电变桨系统负载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6、显示器7。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定子匝间短路故障特征情况,并将运行状态显示在海上风电集控中心数据管理平台4中,若变桨电机发生定子匝间短路故障,特征值超过所定义的阈值,将在显示器7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。
本发明一种基于电流深度学习的海上风电机组变桨电机定子匝间短路故障检测装置。直接通过采集风电机组的正交轴电流,不需要在风电机组中添加新的传感器,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定子匝间短路故障的检测提供一种新的方式。
Claims (2)
1.海上风电变桨电机定子匝间短路故障诊断方法,其特征在于包括以下步骤:
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变换到两项静止坐标系下,电流表达式如下:
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;
定子匝间短路故障会在电流中产生明显的高频三次谐波,电机A相电流表示为:
ia=iscos(2πfst-φ)+ifcos(2π·3fst) (4);
式中:fs为输入电流频率;φ为输入电流的相角;if为故障电流;在定子匝间短路故障情况下,海上风电变桨电机的拓展Park矢量变换后的向量模表达式为:
其中:定子匝间短路故障的拓展Park矢量变换频率为:
fSTF=2fs,4fs,6fs… (6)。
2.根据权利要求1所述海上风电变桨电机定子匝间短路故障诊断方法,其特征在于:
步骤2:采用堆叠自编码器提取风电机组变桨电机定子匝间短路故障特征,进行定子匝间短路故障的识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110218442.3A CN113009338B (zh) | 2021-02-26 | 2021-02-26 | 海上风电变桨电机定子匝间短路故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110218442.3A CN113009338B (zh) | 2021-02-26 | 2021-02-26 | 海上风电变桨电机定子匝间短路故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113009338A CN113009338A (zh) | 2021-06-22 |
CN113009338B true CN113009338B (zh) | 2022-12-06 |
Family
ID=76386472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110218442.3A Active CN113009338B (zh) | 2021-02-26 | 2021-02-26 | 海上风电变桨电机定子匝间短路故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113009338B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113593326A (zh) * | 2021-08-09 | 2021-11-02 | 江西工程学院 | 一种英语发音教学装置和方法 |
CN113726253B (zh) * | 2021-09-03 | 2023-10-27 | 安徽大学 | 一种提高电动汽车用永磁同步电机效率的方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104991161B (zh) * | 2015-06-08 | 2018-03-02 | 西安交通大学 | 双馈风力发电机定子绕组匝间短路建模及特征提取方法 |
CN107132450B (zh) * | 2017-04-27 | 2019-06-11 | 上海电力学院 | 一种海上双馈电机定子绕组匝间短路早期故障辨识方法 |
CN111157894A (zh) * | 2020-01-14 | 2020-05-15 | 许昌中科森尼瑞技术有限公司 | 基于卷积神经网络的电动机故障诊断方法、装置和介质 |
-
2021
- 2021-02-26 CN CN202110218442.3A patent/CN113009338B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113009338A (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tao et al. | Wind turbine blade icing diagnosis using hybrid features and Stacked-XGBoost algorithm | |
Zhao et al. | Intelligent fault diagnosis of multichannel motor–rotor system based on multimanifold deep extreme learning machine | |
Zhang et al. | Fault analysis and condition monitoring of the wind turbine gearbox | |
CN113009338B (zh) | 海上风电变桨电机定子匝间短路故障诊断方法 | |
CN106762452B (zh) | 基于数据驱动的风机主控系统故障诊断和在线监测方法 | |
Yu et al. | Image-based damage recognition of wind turbine blades | |
Wang et al. | Reducing sensor complexity for monitoring wind turbine performance using principal component analysis | |
CN110766175A (zh) | 一种基于最优间隔分布机的变桨系统故障检测方法及装置 | |
CN112986821B (zh) | 海上风电机组变桨电机转子断条故障诊断方法 | |
CN110595778A (zh) | 一种基于mmf与igra风电机组轴承故障诊断方法 | |
CN113009337B (zh) | 海上风电永磁直驱电机匝间短路故障识别方法 | |
CN113240022A (zh) | 多尺度单分类卷积网络的风电齿轮箱故障检测方法 | |
CN116089857A (zh) | 一种基于ceemdan-dbn的变压器故障识别方法 | |
CN116956215A (zh) | 一种传动系统故障诊断方法及系统 | |
CN113776818B (zh) | 基于Park变换的海上风电机组齿轮系统故障诊断方法 | |
Ren et al. | Machine learning applications in health monitoring of renewable energy systems | |
Xue et al. | A data-driven diagnosis method of open-circuit switch faults for PMSG-based wind generation system | |
Yao et al. | Power curve modeling for wind turbine using hybrid-driven outlier detection method | |
Cao et al. | A novel method for detection of wind turbine blade imbalance based on multi-variable spectrum imaging and convolutional neural network | |
Dabetwar et al. | Mass imbalance diagnostics in wind turbines using deep learning with data augmentation | |
Zhou et al. | Three-phase asynchronous motor fault diagnosis using attention mechanism and hybrid CNN-MLP by multi-sensor information | |
Zhao et al. | A universal hydraulic-mechanical diagnostic framework based on feature extraction of abnormal on-field measurements: Application in micro pumped storage system | |
Skylvik et al. | Data-driven fault diagnosis of induction motors using a stacked autoencoder network | |
Qian et al. | A weighted kNN fault detection based on multistep index and dynamic neighborhood scale under complex working conditions | |
Yin et al. | Graph attention-based U-net conditional generative adversarial networks for the identification of synchronous generation unit parameters |
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 |