CN113433456A - 一种基于电流波形相似度的发电机故障诊断系统及方法 - Google Patents
一种基于电流波形相似度的发电机故障诊断系统及方法 Download PDFInfo
- Publication number
- CN113433456A CN113433456A CN202110714953.4A CN202110714953A CN113433456A CN 113433456 A CN113433456 A CN 113433456A CN 202110714953 A CN202110714953 A CN 202110714953A CN 113433456 A CN113433456 A CN 113433456A
- Authority
- CN
- China
- Prior art keywords
- similarity
- generator
- waveform data
- time sequence
- current
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/04—Measuring peak values or amplitude or envelope of ac or of pulses
Abstract
本发明提供的一种基于电流波形相似度的发电机故障诊断系统及方法,包括以下步骤:步骤1,获取发电机定子三相电流的波形数据,并对三相电流的波形数据进行归一化处理,得到归一化处理后的波形数据;步骤2,从步骤1中得到的归一化处理后的波形数据中分别获取设定时间内的A相电流的波形数据和B相电流的波形数据,分别记为时间序列A和时间序列B;步骤3,计算时间序列B和时间序列A之间的相似度;步骤4,根据步骤3中得到的相似度判断发电机状态;本发明针对风电机组电气监测参量变化复杂快速、特征量提取不易等特点;利用采集电流波形相似度实时反映风电机组设备状态,分析设备故障概率。
Description
技术领域
本发明是一种应用于风电机组电气/机械故障的诊断方法,具体涉及一种基于电流波形相似度的发电机故障诊断系统及方法。
背景技术
风电机组运行工况较为复杂,常常面临高温、高湿、盐雾腐蚀、雷电等更加复杂的环境条件,风电功率波动剧烈。其故障表现形式与运行状态密切相关,实现故障辨识具有一定的难度,因此,必须掌握有效的风电机组部件故障特征提取方法,才可以提高机组的故障诊断和状态预测精度,预先判断机组健康衰退趋势,合理调整运行并安排维修,对提高风电机组运行安全性和可靠性,降低运行与维护费用。传统电流波形分析采用快速傅里叶变换、小波变换、小波基函数等手段频域获取电流信息。然而频域分析仍然存在频谱泄漏、分辨率受限、频谱模糊、小波基函数选择对分析结果影响大等问题。
发明内容
本发明的目的在于提供一种基于电流波形相似度的发电机故障诊断系统及方法,解决了现有技术中存在的上述不足。
为了达到上述目的,本发明采用的技术方案是:
本发明提供的一种基于电流波形相似度的发电机故障诊断方法,包括以下步骤:
步骤1,获取发电机定子三相电流的波形数据,并对三相电流的波形数据进行归一化处理,得到归一化处理后的波形数据;
步骤2,从步骤1中得到的归一化处理后的波形数据中分别获取设定时间内的A相电流的波形数据和C相电流的波形数据,分别记为时间序列A和时间序列C;
步骤3,计算时间序列C和时间序列A之间的相似度;
步骤4,根据步骤3中得到的相似度判断发电机状态。
优选地,步骤3中,计算时间序列C和时间序列A之间的相似度,具体方法是:
S31,分别计算得到的矩阵D规整路径的最小规整路径距离、时间序列A的最小规整路径距离,以及时间序列A与噪声波形之间的最小规整路径距离;
S32,将得到的矩阵D规整路径的最小规整路径距离、时间序列A与自身之间的最小规整路径距离,以及时间序列A与噪声波形之间的最小规整路径距离进行标准化处理,得到标准化后的距离;
S33,根据标准化后的距离计算时间序列C和时间序列A之间的相似度。
优选地,S31中,计算得到的矩阵D规整路径的最小规整路径距离,具体方法是:
S311,利用时间序列A和时间序列C构建矩阵D;
S312,对得到的矩阵D进行规整路径处理,得到多条规整路径;
S313,根据得到的多条规整路径计算得到的矩阵D规整路径的最小规整路径距离。
优选地,S311中,利用时间序列A和时间序列C构建矩阵D,具体方法是:
利用动态时间归整方法对齐时间序列A与时间序列C,得到矩阵D。
优选地,S31中,计算时间序列A与自身之间的最小规整路径距离,具体方法是:
利用动态时间归整方法对齐时间序列A与时间序列A,得到矩阵D1;
对得到的矩阵D1进行规整路径处理,得到多条规整路径;
根据得到的多条规整路径计算得到时间序列A与自身之间的最小规整路径距离。
优选地,S31中,计算时间序列A与噪声波形之间的最小规整路径距离,具体方法是:
利用动态时间归整方法对齐时间序列A与噪声波形,得到矩阵D2;
对得到的矩阵D2进行规整路径处理,得到多条规整路径;
根据得到的多条规整路径计算得到时间序列A与噪声波形之间的最小规整路径距离。
优选地,步骤4中,根据步骤3中得到的相似度判断发电机状态,具体方法是:
当0.980<相似度≤1.000时,则判断发电机状态为正常;
当0.900<相似度≤0.980时,则判断发电机状态为正常;
当0.500<相似度≤0.900时,则判断发电机状态为异常;
当相似度≥0.5时,则判断发电机状态为严重异常。
一种基于电流波形相似度的发电机故障诊断系统该系统,能够运行所述的一种基于电流波形相似度的发电机故障诊断方法,包括采集单元、计算单元和判断单元,具体地:
采集单元,用于获取发电机定子三相电流的波形数据,并对三相电流的波形数据进行归一化处理,得到归一化处理后的波形数据;
从得到的归一化处理后的波形数据中分别获取设定时间内的A相电流的波形数据和C 相电流的波形数据,分别记为时间序列A和时间序列C;
计算单元,用于计算时间序列C和时间序列A之间的相似度;
判断单元,用于根据得到的相似度判断发电机状态。
与现有技术相比,本发明的有益效果是:
本发明提供的一种基于电流波形相似度的发电机故障诊断方法,基于原始时域波形,通过对比实际采集的电流波形与典型波形的相似度分析设备状态,该方法能够利用相似度预测故障的发生;本发明针对风电机组电气监测参量变化复杂快速、特征量提取不易等特点;利用采集电流波形相似度实时反映风电机组设备状态,分析设备故障概率。
进一步的,利用时间序列A与自身之间的最小规整路径距离,时间序列A与噪声波形之间的最小规整路径距离计算出的相似度作为相似度的上限与下限,如此则规定了任一时间序列与序列A的相似度可能区间,使得计算获得的相似度更加准确,更能反映实际状态。
附图说明
图1为本发明的流程示意图。
图2为正常状态下1相似度展示图。
图3为正常状态2下相似度展示图。
图4为异常状态下相似度展示图。
具体实施方式
下面结合附图,对本发明进一步详细说明。
本发明提供的一种基于电流波形相似度的发电机故障诊断方法,针对风电机组电气监测参量变化复杂快速、特征量提取不易等特点;利用采集电流波形相似度实时反映风电机组设备状态,分析设备故障概率;具体包括以下步骤:
步骤1,选择电流传感器收集的发电机定子三相电流波形数据,风机运行过程中电定子电流幅值变化较为明显,因此必须对采集数据进行归一化处理,避免幅值的影响,通过下式对采集三相电流每一相的幅值进行归一化处理:
其中,Inorm为归一化后的幅值,I为电流数据中实际采集值,Imin为一相电流采集数据中幅值最小的值,Imax为数据中最大值。
步骤2,选择一段时间内经过步骤1归一化后采集的A相电流(至少包含10个完整周期) 做为对比基准,记为时间序列A,则该序列可以表示为:
A={a1,a2,a3,a4,a5,…,an}
同理,B相电流时间序列与C相电流时间序列(至少包含10个完整周期)可表示为:
B={b1,b2,b3,b4,b5,…,bm}
C={c1,c2,c3,c4,c5,…,cj}
n、m、j分别为时间序列A,B,C元素个数,即序列长度。
步骤3,利用动态时间归整方法对齐时间序列A与时间序列C(序列A与序列B对齐方法相同),具体方法为:
采用欧式距离计算序列A中每个元素与序列C中每个元素的距离,根据计算结果构造一个n×m的矩阵D,其中,矩阵D中元素D(p,q)表示ap和cq两个点的距离d(ap,cq)心
d(ap,cq)=(ap-cq)2
其中,ap为时间序列A中的元素;cq为时间序列C中的元素。
步骤4,对步骤3中获得的矩阵D进行Warping Path规整路径,用W来表示,表达式为:
W={w1,w2,w3,w4,...,wk},max(m,n)≤k<m+n-1
其中,W的第k个元素定义为wk=(p,q)k,定义了序列A和C的映射;DTW(A,C)表示由矩阵D的(0,0)点开始至矩阵D的(n,m)点终止的路径;k表示路径长度。
步骤5,根据步骤3与步骤4的计算结果,计算最小规整路径距离,首先定义一个累加距离CD(Cumulative Distances),从矩阵D的(0,0)点开始沿着步骤4中得到的多条路径匹配这两个序列A和C,每到一个点,之前所有的点计算的距离都会累加。到达终点(n,m)后,这个累积距离就是最后总的距离CD,提取根据多条路径计算而得距离CD中的最小值CDAG即为序列A与序列C的最小规整路径距离。累加距离CD计算公式如下:
CD(p,q)=d(ap,cq)+min{CD(p-1,q),CD((p-1,q-1)),CD(p,q-1)}
步骤6,重复步骤3至步骤5,计算A相时间序列与自身的最小规整路径距离CD1,这个距离定义为CDmin;特别的,选取噪声波形计算与A相标准波形最小规整路径距离CD0,这个距离定义为CDmax。则CDAC一定位于[CDmin,CDmax]区间内。
步骤7,将步骤5,6计算所得CDmin、CDmax与CDAC标准化在[0,1]区间内,CDACnor为标准化后的距离,具体计算方式如下:
则有CDmaxnor=1,CDminnor=0;计算C序列与标准A相序列相似度,计算方式如下:
其中,FIAC表示C序列与标准A相序列相似度。
步骤8,根据步骤7中计算获得相似度FI判断电机状态,按照以下标准:
若相似度(FI)数值在0.9-0.5范围内,则提出预警,提示工作人员关注电机状态;若相似度(FI)数值在0.5以下,则立马提出报警,通知工作人员及时处理。
附图2-4分别展示了利用波形相似度开展分析的不同结果,其中,图2中,C相与A相相似度长期保持在0.999以上,表明状态正常,无需关注;图3中C相与A相相似度长期保持在0.993以上,表明状态正常,但略有下降趋势;图4中C相与A相相似度在0.9-0.5 之间波动,表明两相之间相似度低,已经存在异常,需要关注。
Claims (8)
1.一种基于电流波形相似度的发电机故障诊断方法,其特征在于,包括以下步骤:
步骤1,获取发电机定子三相电流的波形数据,并对三相电流的波形数据进行归一化处理,得到归一化处理后的波形数据;
步骤2,从步骤1中得到的归一化处理后的波形数据中分别获取设定时间内的A相电流的波形数据和C相电流的波形数据,分别记为时间序列A和时间序列C;
步骤3,计算时间序列C和时间序列A之间的相似度;
步骤4,根据步骤3中得到的相似度判断发电机状态。
2.根据权利要求1所述的一种基于电流波形相似度的发电机故障诊断方法,其特征在于,步骤3中,计算时间序列C和时间序列A之间的相似度,具体方法是:
S31,分别计算得到的矩阵D规整路径的最小规整路径距离、时间序列A的最小规整路径距离,以及时间序列A与噪声波形之间的最小规整路径距离;
S32,将得到的矩阵D规整路径的最小规整路径距离、时间序列A与自身之间的最小规整路径距离,以及时间序列A与噪声波形之间的最小规整路径距离进行标准化处理,得到标准化后的距离;
S33,根据标准化后的距离计算时间序列C和时间序列A之间的相似度。
3.根据权利要求2所述的一种基于电流波形相似度的发电机故障诊断方法,其特征在于,S31中,计算得到的矩阵D规整路径的最小规整路径距离,具体方法是:
S311,利用时间序列A和时间序列C构建矩阵D;
S312,对得到的矩阵D进行规整路径处理,得到多条规整路径;
S313,根据得到的多条规整路径计算得到的矩阵D规整路径的最小规整路径距离。
4.根据权利要求3所述的一种基于电流波形相似度的发电机故障诊断方法,其特征在于,S311中,利用时间序列A和时间序列C构建矩阵D,具体方法是:
利用动态时间归整方法对齐时间序列A与时间序列C,得到矩阵D。
5.根据权利要求2所述的一种基于电流波形相似度的发电机故障诊断方法,其特征在于,S31中,计算时间序列A与自身之间的最小规整路径距离,具体方法是:
利用动态时间归整方法对齐时间序列A与时间序列A,得到矩阵D1;
对得到的矩阵D1进行规整路径处理,得到多条规整路径;
根据得到的多条规整路径计算得到时间序列A与自身之间的最小规整路径距离。
6.根据权利要求2所述的一种基于电流波形相似度的发电机故障诊断方法,其特征在于,S31中,计算时间序列A与噪声波形之间的最小规整路径距离,具体方法是:
利用动态时间归整方法对齐时间序列A与噪声波形,得到矩阵D2;
对得到的矩阵D2进行规整路径处理,得到多条规整路径;
根据得到的多条规整路径计算得到时间序列A与噪声波形之间的最小规整路径距离。
7.根据权利要求2所述的一种基于电流波形相似度的发电机故障诊断方法,其特征在于,步骤4中,根据步骤3中得到的相似度判断发电机状态,具体方法是:
当0.980<相似度≤1.000时,则判断发电机状态为正常;
当0.900<相似度≤0.980时,则判断发电机状态为正常;
当0.500<相似度≤0.900时,则判断发电机状态为异常;
当相似度≥0.5时,则判断发电机状态为严重异常。
8.一种基于电流波形相似度的发电机故障诊断系统,其特征在于,该系统能够运行权利要求1-7中任一项所述的一种基于电流波形相似度的发电机故障诊断方法,包括采集单元、计算单元和判断单元,具体地:
采集单元,用于获取发电机定子三相电流的波形数据,并对三相电流的波形数据进行归一化处理,得到归一化处理后的波形数据;
从得到的归一化处理后的波形数据中分别获取设定时间内的A相电流的波形数据和C相电流的波形数据,分别记为时间序列A和时间序列C;
计算单元,用于计算时间序列C和时间序列A之间的相似度;
判断单元,用于根据得到的相似度判断发电机状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110714953.4A CN113433456B (zh) | 2021-06-25 | 2021-06-25 | 一种基于电流波形相似度的发电机故障诊断系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110714953.4A CN113433456B (zh) | 2021-06-25 | 2021-06-25 | 一种基于电流波形相似度的发电机故障诊断系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113433456A true CN113433456A (zh) | 2021-09-24 |
CN113433456B CN113433456B (zh) | 2022-11-01 |
Family
ID=77754748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110714953.4A Active CN113433456B (zh) | 2021-06-25 | 2021-06-25 | 一种基于电流波形相似度的发电机故障诊断系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113433456B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1869719A (zh) * | 2006-06-15 | 2006-11-29 | 西安交通大学 | 基于多判据融合的分布式发电机转子绕组匝间短路在线监测方法 |
JP2008176576A (ja) * | 2007-01-18 | 2008-07-31 | Fuji Xerox Co Ltd | 故障検知装置及び故障検知プログラム |
US20150100534A1 (en) * | 2013-10-07 | 2015-04-09 | Yokogawa Electric Corporation | State diagnosing method and state diagnosing apparatus |
WO2018129842A1 (zh) * | 2017-01-10 | 2018-07-19 | 华北电力大学 | 基于电流波形相似度的新能源场站送出线路纵联保护方法 |
CN108318815A (zh) * | 2018-01-17 | 2018-07-24 | 河海大学 | 一种双馈风力发电机在线监测及故障综合诊断方法 |
CN109297716A (zh) * | 2018-10-23 | 2019-02-01 | 西安热工研究院有限公司 | 一种双馈型风力发电机振动故障诊断方法 |
CN110261706A (zh) * | 2019-07-22 | 2019-09-20 | 西南交通大学 | 一种基于邻域距离的输电线路故障检测方法 |
CN111950505A (zh) * | 2020-08-24 | 2020-11-17 | 湖南科技大学 | 一种ssa-aann的风力发电机传感器状态评估方法 |
-
2021
- 2021-06-25 CN CN202110714953.4A patent/CN113433456B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1869719A (zh) * | 2006-06-15 | 2006-11-29 | 西安交通大学 | 基于多判据融合的分布式发电机转子绕组匝间短路在线监测方法 |
JP2008176576A (ja) * | 2007-01-18 | 2008-07-31 | Fuji Xerox Co Ltd | 故障検知装置及び故障検知プログラム |
US20150100534A1 (en) * | 2013-10-07 | 2015-04-09 | Yokogawa Electric Corporation | State diagnosing method and state diagnosing apparatus |
WO2018129842A1 (zh) * | 2017-01-10 | 2018-07-19 | 华北电力大学 | 基于电流波形相似度的新能源场站送出线路纵联保护方法 |
CN108318815A (zh) * | 2018-01-17 | 2018-07-24 | 河海大学 | 一种双馈风力发电机在线监测及故障综合诊断方法 |
CN109297716A (zh) * | 2018-10-23 | 2019-02-01 | 西安热工研究院有限公司 | 一种双馈型风力发电机振动故障诊断方法 |
CN110261706A (zh) * | 2019-07-22 | 2019-09-20 | 西南交通大学 | 一种基于邻域距离的输电线路故障检测方法 |
CN111950505A (zh) * | 2020-08-24 | 2020-11-17 | 湖南科技大学 | 一种ssa-aann的风力发电机传感器状态评估方法 |
Non-Patent Citations (1)
Title |
---|
方红伟等: "基于RS算法的同步发电机定子绕组内部故障分析和保护", 《电工技术学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113433456B (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111758036B (zh) | 用于监测运行中的电力设备的运行状态的系统和方法 | |
JP2022552449A (ja) | 風力タービン翼を検査するための方法および装置、ならびにそれらの機器および記憶媒体 | |
CN106841949B (zh) | 三相异步交流电机定子绝缘在线监测方法和装置 | |
CN104198898A (zh) | 基于脉冲序列分析的局部放电发展过程诊断方法 | |
CN103018629A (zh) | 一种基于马拉算法的电力系统故障录波数据分析方法 | |
GB2476246A (en) | Diagnosing an operation mode of a machine | |
CN111120388B (zh) | 一种风机状态联合监测方法及系统 | |
Namdar et al. | A robust stator inter-turn fault detection in induction motor utilizing Kalman filter-based algorithm | |
CN117407679B (zh) | 智能末屏传感器的数据采集方法及系统 | |
CN105865794A (zh) | 基于短时傅立叶变换和主分量分析的发动机失火故障诊断方法 | |
CN110907826A (zh) | 一种基于卷积神经网络滤波的电机故障诊断方法及系统 | |
CN114841580A (zh) | 基于混合注意力机制的发电机故障检测方法 | |
Ferreira et al. | An application of machine learning approach to fault detection of a synchronous machine | |
CN115758200A (zh) | 一种基于相似度度量的振动信号故障识别方法及系统 | |
Moradzadeh et al. | Location of disk space variations in transformer winding using convolutional neural networks | |
JP2019191142A (ja) | 回転機の巻線絶縁劣化診断装置 | |
CN115220396A (zh) | 一种数控机床智能监控方法及系统 | |
CN111046790A (zh) | 一种泵轴承故障诊断方法 | |
CN112782421B (zh) | 一种基于音频的转速识别方法 | |
CN114184870A (zh) | 非侵入式负荷识别方法及设备 | |
CN113433456B (zh) | 一种基于电流波形相似度的发电机故障诊断系统及方法 | |
CN110376437B (zh) | 一种克服非阶次频率成分干扰的阶次分析方法 | |
CN116699400A (zh) | 一种发电机转子短路故障监测系统、方法及可读存储介质 | |
CN116559643A (zh) | 一种基于特征相似性的gis局部放电故障判别方法 | |
CN115561575A (zh) | 基于多维矩阵轮廓的海上风电场电气异常状态辨别方法 |
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 |