CN114123899A - 基于粒子群算法的事件触发滑模观测器的双馈风力发电机的故障检测方法 - Google Patents

基于粒子群算法的事件触发滑模观测器的双馈风力发电机的故障检测方法 Download PDF

Info

Publication number
CN114123899A
CN114123899A CN202111497150.4A CN202111497150A CN114123899A CN 114123899 A CN114123899 A CN 114123899A CN 202111497150 A CN202111497150 A CN 202111497150A CN 114123899 A CN114123899 A CN 114123899A
Authority
CN
China
Prior art keywords
sliding
doubly
fed wind
fault
stator
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.)
Pending
Application number
CN202111497150.4A
Other languages
English (en)
Inventor
于文新
钟国亮
王俊年
赵延明
李燕
钟广林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University of Science and Technology
Original Assignee
Hunan University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan University of Science and Technology filed Critical Hunan University of Science and Technology
Priority to CN202111497150.4A priority Critical patent/CN114123899A/zh
Publication of CN114123899A publication Critical patent/CN114123899A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H02P21/0007—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using sliding mode control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/13—Observer control, e.g. using Luenberger observers or Kalman filters
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P9/00—Arrangements for controlling electric generators for the purpose of obtaining a desired output
    • H02P9/006—Means for protecting the generator by using control

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Power Engineering (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Operations Research (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Algebra (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Control Of Eletrric Generators (AREA)

Abstract

本文发明了一种基于粒子群算法的事件触发滑模观测器的双馈风力发电机的故障检测方法，包括以下步骤：构建风机的转子电流滑模观测器；引入粒子群算法，对构建滑模观测器的参数进行寻优；引入事件触发控制机制，对构建的滑模观测器进行控制；通过将风机无故障状态下转子电流输出值与滑模观测值作差，得到风机无扰动工作状态下的最大跟踪残差值；引入转子电流传感器故障、电网电压跌落故障以及定子匝间短路故障，利用电流输出值与滑模观测值的残差实现风机的故障检测；本文设计的一种基于粒子群算法的事件触发滑模观测器的双馈风力发电机的故障检测方法具有设计简单、对未知信号抗干扰性强、降低计算通信资源、削弱滑模抖振等优点。

Description

基于粒子群算法的事件触发滑模观测器的双馈风力发电机的 故障检测方法
技术领域
本发明涉及一种基于粒子群算法的事件触发滑模观测器的双馈风力发电机的故障检测方法，属于电气控制领域。
背景技术
当今社会的能源危机日益严重，风能、太阳能等可再生能源的开发利用已经成为全球关注的重点。其中，全球可再生能源中风能占有压倒性优势。然而，虽然风力发电系统不需要额外的能源费用，但是由于其工作环境恶劣，容易发生故障。因此研究一种能对滑模状态变量进行故障检测及抑制的技术，对于增加电机的使用寿命以及提高风力发电系统的经济效益具有重要意义。
由于双馈风力发电机长期工作在野外、雷雨、台风、冰雹等恶劣的环境中，受温度变化、机械应力、电应力的影响，很多主要部分容易发生电气及机械故障。针对双馈风力发电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，理想的风电故障检测装置需要对风电机组的早期故障更加灵敏，并能通过适当的控制方法阻止故障的蔓延，避免临时停机，便于运维人员合理的安排维修计划。发电机作为风电机组的关键部件，且具有很高的故障停机率，对于它的早期故障检测极为重要,但是由于电机的早期故障具有幅值小、非平稳、易受工况影响等特点,一直以来针对双馈风力发电机的早期故障缺乏可靠的在线检测手段，致使很多风机“带病”运行最终引发更严重的停机故障。综上所述，寻求更为有效的风机早期故障在线检测手段，对避免由于风机早期故障引发的风机停机具有重要实际意义。
发明内容
为了解决上述技术问题，本发明提供了一种基于粒子群算法的事件触发滑模观测器的双馈风力发电机的故障检测方法。本发明准确监控了双馈风力发电机的运行状态，根据所提出的基于粒子群算法的事件触发滑模观测器的转子电流观测值与转子电流输出值之间的跟踪误差来提取系统的故障信息，并成功的检测了双馈风力发电机的转子电流传感器故障、电网电压跌落故障以及定子匝间故障。
本发明提出基于粒子群算法的事件触发滑模观测器的双馈风力发电机的故障检测方法主要包括如下步骤：
步骤一：构建双馈风力发电机的转子电流滑模观测器；
步骤二：引入粒子群算法，对构建滑模观测器的参数进行寻优；
步骤三：引入事件触发控制机制，对构建的滑模观测器进行控制；
步骤四：通过将双馈风力发电机无故障状态下转子电流输出值与滑模观测值作差，得到双馈风力发电机无扰动工作状态下的最大跟踪残差值；
步骤五：引入转子电流传感器故障，利用转子电流输出值与滑模观测值的残差与无故障状态下的最大跟踪残差值比较，从而实现双馈风力发电机的故障检测；
步骤六：引入电网电压跌落故障，利用转子电流输出值与滑模观测值的残差与无故障状态下的最大跟踪残差值比较，从而实现双馈风力发电机的故障检测；
步骤七：引入定子匝间短路故障，利用转子电流输出值与滑模观测值的残差与无故障状态下的最大跟踪残差值比较，从而实现双馈风力发电机的故障检测。
上述基于粒子群算法的事件触发滑模观测器的双馈风力发电机的故障检测方法，所属步骤一中滑模观测器的表达式为:
Figure 504389DEST_PATH_IMAGE001
根据双馈风力发电机的转子电流状态方程，搭建滑模观测器，并引入滑模趋近率
Figure 914641DEST_PATH_IMAGE002
，式中
Figure 965774DEST_PATH_IMAGE003
，Δ是滑模估计值与系统输出值的残差，ξ 为系统所能接受的最大稳态残差临界值，k为等速趋近率部分的增益参数，η为指数切换项的参数，β为切换项的参数,ε、δ0为切换函数增益参数，α为正数参数，s代表滑模切换面且
Figure 891005DEST_PATH_IMAGE004
，c为滑模切换面的参数。通过滑模变结构控制理论得到基于滑模趋近率的转子电流滑模观测器模型的方法为：
系统的转子电压方程为：
Figure 115313DEST_PATH_IMAGE005
系统的定子电压方程：
Figure 114493DEST_PATH_IMAGE006
系统的磁链方程：
Figure 398843DEST_PATH_IMAGE007
式中，uds, uqs, udr, uqr分别为d,q轴的定子和转子的电压矢量，ids, iqs, idr,iqr分别为d,q轴的定子和转子的电流矢量，
Figure DEST_PATH_IMAGE008
分别为d,q轴的定子和转子的磁通矢量，RS，Rr分别为定子电阻和转子电阻，Ls,Lr分别为定子自感和转子自感，Lm为定子与转子之间的互感，Lσs, Lσr分别为定子与转子的漏感，ωr, ωs, ωf分别为转子转速、定子转速和滑差转速，将 d、q 轴电流分量作为状态变量， d、q轴电压分量作为输入量，DFIG的状态空间方程为：
Figure 749053DEST_PATH_IMAGE009
Figure 777052DEST_PATH_IMAGE010
其中
Figure 958635DEST_PATH_IMAGE011
，表示漏感系数；
考虑转子电流的状态方程，其状态方程为：
Figure 83061DEST_PATH_IMAGE012
其中
Figure 982884DEST_PATH_IMAGE013
和
Figure 548995DEST_PATH_IMAGE014
是系统的输入变量，y是系统的输出矢量,C为系统的输出矩阵，其中：
Figure 788346DEST_PATH_IMAGE015
，
Figure 148920DEST_PATH_IMAGE016
，
Figure 473722DEST_PATH_IMAGE017
，
Figure 843524DEST_PATH_IMAGE018
；
采用定子电压定向控制方法，求出定子电流项与转子电流项之间关系的方法为：
本发明忽略定子电阻，则其定子磁链定向和定子电压定向，二者没有区别，忽略定子电阻，采用电压和磁链定向后满足的方程为：
Figure 671802DEST_PATH_IMAGE019
Figure 468857DEST_PATH_IMAGE020
为定子磁链的幅值；
建立定子电流项与转子电流项之间的关系为：
Figure DEST_PATH_IMAGE021
式中
Figure 15376DEST_PATH_IMAGE023
为定子磁通,
Figure 126552DEST_PATH_IMAGE024
,
Figure 137233DEST_PATH_IMAGE025
,
Figure 42872DEST_PATH_IMAGE026
；
根据转子电流状态方程构建滑模观测器模型：
Figure 139004DEST_PATH_IMAGE027
其中
Figure 788291DEST_PATH_IMAGE028
，
Figure 653479DEST_PATH_IMAGE029
，
Figure 792336DEST_PATH_IMAGE030
。
Figure 310518DEST_PATH_IMAGE031
为电流的观测值，
Figure 560234DEST_PATH_IMAGE032
为滑模观测器的控制律；
设计
Figure 483190DEST_PATH_IMAGE033
结合滑模变结构控制理论，设计滑模控制律
Figure 792949DEST_PATH_IMAGE034
为：
Figure 863673DEST_PATH_IMAGE035
将滑模控制律代入转子电流滑模观测器模型中，便可以得到基于趋近率的滑模观测器：
Figure 854763DEST_PATH_IMAGE036
。
3.根据权力要求2所述的基于粒子群算法的事件触发滑模观测器的双馈风力发电机的故障检测方法，其特征在于，所述步骤二中粒子群算法的适应度函数表达式为:
Figure 694543DEST_PATH_IMAGE037
C1和C2是权重参数，并且C1+C2=1，uq和ud是转子电流的滑模控制律。通过粒子群算法对滑模观测器以及滑模切换面的参数进行优化，从而确定滑模观测器参数k、α、β、ε、δ0、η、c, 使得适应度函数达到目标值。
根据权力要求2所述的基于粒子群算法的事件触发滑模观测器的双馈风力发电机的故障检测方法，其特征在于，所述步骤三中事件触发控制的判断条件的表达式为:
Figure 112886DEST_PATH_IMAGE038
其中A和c是双馈风力发电机状态方程中的参数，e(t)是t时刻的跟踪误差。引入事件触发控制机制，设计事件触发判断条件，将事件触发控制的原理与滑模观测器结合起来，在保证系统稳定控制效果的同时减少计算单元与执行单元之间的通信，同时削弱滑模观测器的抖振。
5.根据权力要求1所述的基于粒子群算法的事件触发滑模观测器的双馈风力发电机的故障检测方法，其特征在于，所述步骤四中通过将转子电流输出值ir与基于粒子群算法的事件触发滑模观测值
Figure 405327DEST_PATH_IMAGE039
作差，可以得到双馈风力发电机在无扰动工作状态下的最大跟踪残差值Δmax。
6.根据权力要求1所述的基于粒子群算法的事件触发滑模观测器的双馈风力发电机的故障检测方法，其特征在于，所述步骤五中在双馈风力发电机的任意时间段发生转子电流传感器故障，通过把故障状态下的转子电流输出值与基于粒子群算法的事件触发滑模观测值作差，用所得到的残差Δ与无扰动工作状态下的最大跟踪残差值Δmax进行对比，从而实现对双馈风力发电机的故障检测；
观测双馈风力发电机的转子电流输出值，在任意时刻的转子电流传感器中加入故障值
Figure 262424DEST_PATH_IMAGE040
,当所获得的跟踪残差
Figure 894394DEST_PATH_IMAGE041
时，判断系统发生了转子电流传感器故障。
7.根据权力要求1所述的基于粒子群算法的事件触发滑模观测器的双馈风力发电机的故障检测方法，其特征在于，所述步骤六中在双馈风力发电机的任意时间段发生电压跌落故障，通过把故障状态下的转子电流输出值与基于粒子群算法的事件触发滑模观测值作差，用所得到的残差Δ与无扰动工作状态下的最大跟踪残差值Δmax进行对比，从而实现对双馈风力发电机的故障检测；
建立双馈风力发电机的电网电压跌落故障为
Figure 545955DEST_PATH_IMAGE042
，其中Ug为电网电压幅值,ωg是电网电压电角速度,l表示故障程度的百分比。当所获得的跟踪残差
Figure 528955DEST_PATH_IMAGE041
时，判断系统发生电压跌落故障。
8.根据权力要求1所述的基于粒子群算法的事件触发滑模观测器的双馈风力发电机的故障检测方法，其特征在于，所述步骤七中在双馈风力发电机的任意时间段发生定子匝间短路故障，通过把故障状态下的转子电流输出值与基于粒子群算法的事件触发滑模观测值作差，用所得到的残差Δ与无扰动工作状态下的最大跟踪残差值Δmax进行对比，从而实现对双馈风力发电机的故障检测；
设双馈风力发电机发生定子匝间故障时定子电阻变化量为
Figure 924164DEST_PATH_IMAGE043
,当所获得的跟踪残差
Figure 472957DEST_PATH_IMAGE041
时，判断双馈风力发电机发生定子匝间故障。
本发明的有点在于。
(1)本发明设计一种基于粒子群算法的事件触发滑模观测器的双馈感应发电机故障检测的方法，具有结构简单、有限时间收敛、减少滑模抖振以及鲁棒性强等优点。
(2)本发明采用事件触发控制机制，在保证系统稳定控制效果的同时减少计算单元与执行单元之间的通信。
(3)本文采用粒子群算法优化滑模观测器的参数，相较于传统的方法具有更高的跟踪精度。
(4)本文采用转子电流输出值与基于粒子群算法的事件触发滑模观测器的观测值相减得到跟踪残差Δ，由Δ与无扰动下的最大跟踪残差Δmax进行比较，便可快速判断双馈风力发电机是否发生故障。
附图说明
图1为本发明基于粒子群算法的事件触发滑模观测器的双馈风力发电机的故障检测结构框架。
图2为本发明基于粒子群算法的事件触发滑模观测器的双馈风力发电机的故障检测的原理示意图。
图3为双馈风力发电机发生转子电流故障时进行故障检测的原理示意图。
图4为双馈风力发电机发生定子匝间故障时进行故障检测的原理示意图。
图5为双馈风力发电机发生电压跌落故障时进行故障检测的原理示意图。
具体实施方法
下面结合附图对本发明作进一步说明。
如图1所示，一种基于粒子群算法的事件触发滑模观测器的双馈管理发电机的故障检测方法其特征，主要包括如下步骤：
步骤一：构建双馈风力发电机的转子电流滑模观测器；
步骤二：引入粒子群算法，对构建滑模观测器的参数进行寻优；
步骤三：引入事件触发控制机制，对构建的滑模观测器进行控制；
步骤四：通过将双馈风力发电机无故障状态下转子电流输出值与滑模观测值作差，得到双馈风力发电机无扰动工作状态下的最大跟踪残差值；
步骤五：引入转子电流传感器故障，利用转子电流输出值与滑模观测值的残差与无故障状态下的最大跟踪残差值比较，从而实现双馈风力发电机的故障检测；
1.上述的基于粒子群算法的事件触发滑模观测器的双馈风力发电机的故障检测方法，其特征在于，所述步骤一滑模观测器的表达式为:
Figure 498682DEST_PATH_IMAGE044
根据双馈风力发电机的转子电流状态空间方程，搭建转子电流的滑模观测器，引入滑模趋近率
Figure 765715DEST_PATH_IMAGE045
，式中
Figure 902298DEST_PATH_IMAGE046
，△是滑模估计值与系统输出值的残差，ξ为系统所能接受的最大稳态残差临界值，k为等速趋近率部分的增益参数，η为指数切换项的参数，β为切换项的参数，ε、δ0为切换函数增益参数，α>0,s代表滑模切换面且
Figure 305598DEST_PATH_IMAGE047
,c为滑模切换面参数且 c>0,‖s‖代表s的参数范数，通过滑模变结构控制理论得到基于滑模趋近率的转子电流滑模观测器模型的方法为：
系统的转子电压方程为：
Figure 499294DEST_PATH_IMAGE005
系统的定子电压方程：
Figure 253624DEST_PATH_IMAGE006
系统的磁链方程：
Figure 990636DEST_PATH_IMAGE007
式中，uds, uqs, udr, uqr分别为d,q轴的定子和转子的电压矢量，ids, iqs, idr,iqr分别为d,q轴的定子和转子的电流矢量，ψds, ψqs, ψdr, ψqr分别为d,q轴的定子和转子的磁通矢量，RS，Rr分别为定子电阻和转子电阻，Ls,Lr分别为定子自感和转子自感，Lm为定子与转子之间的互感，Lσs, Lσr分别为定子与转子的漏感，ωr, ωs, ωf分别为转子转速、定子转速和滑差转速，将 d、q 轴电流分量作为状态变量， d、q轴电压分量作为输入量，DFIG的状态空间方程为：
Figure 451704DEST_PATH_IMAGE048
Figure 881548DEST_PATH_IMAGE010
其中
Figure 795278DEST_PATH_IMAGE011
，表示漏感系数；
考虑转子电流的状态方程，其状态方程为：
Figure 335980DEST_PATH_IMAGE012
其中
Figure 917134DEST_PATH_IMAGE013
和
Figure 252301DEST_PATH_IMAGE014
是系统的输入变量，y是系统的输出矢量,C为系统的输出矩阵，其中：
Figure 981222DEST_PATH_IMAGE049
Figure 997720DEST_PATH_IMAGE050
采用定子电压定向控制方法，求出定子电流项与转子电流项之间关系的方法为：
本发明忽略定子电阻，则其定子磁链定向和定子电压定向，二者没有区别，忽略定子电阻，采用电压和磁链定向后满足的方程为：
Figure 495697DEST_PATH_IMAGE019
ψs为定子磁链的幅值；
建立定子电流项与转子电流项之间的关系为：
Figure 673869DEST_PATH_IMAGE021
式中ψs为定子磁通,
Figure 890087DEST_PATH_IMAGE051
,
Figure 772592DEST_PATH_IMAGE052
,
Figure 328338DEST_PATH_IMAGE026
；
根据转子电流状态方程构建滑模观测器模型：
Figure 270887DEST_PATH_IMAGE027
其中
Figure 646504DEST_PATH_IMAGE028
，
Figure 67121DEST_PATH_IMAGE029
，
Figure 539691DEST_PATH_IMAGE030
，
Figure 322315DEST_PATH_IMAGE031
为电流的观测值，
Figure 247545DEST_PATH_IMAGE053
为滑模观测器的控制率；
设计转子电流滑模观测器的趋近率：
Figure 471853DEST_PATH_IMAGE033
结合滑模变结构控制理论，设计滑模控制律
Figure 736612DEST_PATH_IMAGE034
为：
Figure 20963DEST_PATH_IMAGE054
将滑模控制律代入转子电流滑模观测器模型中，便可以得到基于趋近率的滑模观测器：
Figure 433490DEST_PATH_IMAGE055
3. 上述基于粒子群算法的事件触发滑模观测器的双馈风力发电机的故障检测方法，其特征在于，所述步骤二中粒子群算法的适应度函数表达式为:
Figure 868014DEST_PATH_IMAGE056
C1和C2是权重参数，并且C1+C2=1，uq和ud是转子电流的滑模控制律，通过粒子群算法对滑模观测器以及滑模切换面的参数进行优化，从而确定滑模观测器参数k、α、β、ε、δ0、η、c, 使得适应度函数达到目标值；
4.上述的基于粒子群算法的事件触发滑模观测器的双馈风力发电机的故障检测方法，其特征在于，所述步骤三中事件触发控制的判断条件的表达式为:
Figure 49596DEST_PATH_IMAGE038
其中A和c是双馈风力发电机状态方程中的参数，e(t)是t时刻的跟踪误差，引入事件触发控制机制，设计事件触发判断条件，将事件触发控制的原理与滑模观测器结合起来，在保证系统稳定控制效果的同时减少计算单元与执行单元之间的通信，同时削弱滑模观测器的抖振；
5. 上述基于粒子群算法的事件触发滑模观测器的双馈风力发电机的故障检测方法，其特征在于，所述步骤四中通过将转子电流输出值ir与基于粒子群算法的事件触发滑模观测值
Figure 504848DEST_PATH_IMAGE039
作差，可以得到双馈风力发电机在无扰动工作状态下的最大跟踪残差值Δmax。
如图2所示，由于滑模观测器的性能取决于参数k、α、β、ε、δ0、η、c是否合理，而通常参数的大小是通过经验来选取，因此，使用粒子群算法优化滑模观测器的参数具有重要意义，滑模观测器的参数确定方法为：
粒子群算法产生粒子群，随机产生所有粒子的位置和速度，滑模观测器中的参数k、α、β、ε、δ0、η、c依次赋值给粒子群中的例子,并确定粒子的Pt和Gt；
对于每个粒子，将其适应度值与该粒子所经历过的最优位置Pt的适应度值进行比较，如较好，则将其作为当前的Pt；
对于每个粒子，将其适应度值与整个粒子群所经历过的最优位置Gt的适应度值进行比较，如较好，则将其作为当前的Gt；
根据速度公式
Figure 607934DEST_PATH_IMAGE057
和位置公式
Figure 174044DEST_PATH_IMAGE058
更新粒子的速度和公式；
设计适应度函数
Figure 147816DEST_PATH_IMAGE059
，如果没有满足适应度函数的目标值满足终止条件，则返回步骤(2)；否则，退出算法，得到最优解；
其中,x表示粒子的位置；v表示粒子的速度；ω为惯性因子；c1、c2为加速常数；r1、r2为[0，1]区间的随机数；Pt是粒子迄今位置搜索到的最优位置；Gt是整个粒子群迄今位置搜索到的最优位置；Δq和Δd是滑模观测器的跟踪误差；ud和uq分别是q和d轴的滑模控制律；
将事件触发控制的原理与滑模观测器结合起来，得到基于粒子群算法的事件触发机制的转子电流滑模观测器的方法为：
根据滑模观测器的跟踪残差Δ，定义一个新的误差
Figure 773970DEST_PATH_IMAGE060
，对于任意
Figure 833193DEST_PATH_IMAGE061
存在
Figure 937415DEST_PATH_IMAGE062
，用
Figure 93590DEST_PATH_IMAGE063
表示控制信号更新的潜在时间节点，对于任意的
Figure 93907DEST_PATH_IMAGE064
和
Figure 374847DEST_PATH_IMAGE065
，根据事件触发条件判断下一触发时刻
Figure 548339DEST_PATH_IMAGE066
。当满足触发条件时，输出此时刻的跟踪误差，当不满足触发条件时，维持上一个时刻的跟踪误差。同时需要证明所提出的系统不存在的Zeno解，其中Zeno解指的是在有限的事件范围内存在无限触发瞬间的现象，而消除Zeno解的关键是确保任意两个连续时刻的偏差始终由一个下界 ，即
Figure 759353DEST_PATH_IMAGE067
。
如图三所示，通过将转子电流输出值ir与滑模观测值
Figure 727309DEST_PATH_IMAGE039
作差，可以得到双馈风力发电机在无扰动工作状态下的最大跟踪残差值Δmax，在双馈风力发电机的任意时刻加入转子电流传感器故障
Figure 433228DEST_PATH_IMAGE068
，通过所设计的基于粒子群算法的事件触发滑模观测器获得转子电流的估计值，将滑模估计值与系统输出值作差，可以得到跟踪残差Δ，当所获得的跟踪残差
Figure 879253DEST_PATH_IMAGE069
时，判断系统发生转子电流传感器。
如图四所示，通过将转子电流输出值ir与滑模观测值
Figure 213282DEST_PATH_IMAGE039
作差，可以得到双馈风力发电机在无扰动工作状态下的最大跟踪残差值Δmax。建立双馈风力发电机的电网电压跌落故障为
Figure 24243DEST_PATH_IMAGE070
，其中Ug为电网电压幅值，ωg是电网电压电角速度，l表示故障程度的百分比。在任意时刻发生电网电压跌落故障，通过所设计的基于粒子群算法的事件触发滑模观测器获得转子电流的估计值，将滑模估计值与电流输出作差，可以得到跟踪残差Δ，当所获得的跟踪误差
Figure 607671DEST_PATH_IMAGE069
时，判断双馈风力发电机发生电压跌落故障。
如图五所示, 通过将转子电流输出值ir与滑模观测值
Figure 795070DEST_PATH_IMAGE039
作差，可以得到双馈风力发电机在无扰动工作状态下的最大跟踪残差值Δmax。双馈风力发电机发生定子匝间故障时定子电阻变化量为
Figure 983606DEST_PATH_IMAGE071
，在任意时刻发生定子匝间故障，通过所设计的基于粒子群算法的事件触发滑模观测器获得转子电流的估计值，将滑模估计值与电流输出作差，可以得到跟踪残差Δ，当所获得的跟踪残差
Figure 293365DEST_PATH_IMAGE069
时，判断双馈风力发电机发生定子匝间故障。

Claims (8)

1.基于粒子群算法的事件触发滑模观测器的双馈风力发电机故障检测方法，包括如下步骤：
步骤一：构建双馈风力发电机的转子电流滑模观测器；
步骤二：引入粒子群算法，对构建滑模观测器的参数进行寻优；
步骤三：引入事件触发控制机制，对构建的滑模观测器进行控制；
步骤四：通过将双馈风力发电机无故障状态下转子电流输出值与滑模观测值作差，得到双馈风力发电机无扰动工作状态下的最大跟踪残差值；
步骤五：引入转子电流传感器故障，利用转子电流输出值与滑模观测值的残差与无故障状态下的最大跟踪残差值比较，从而实现双馈风力发电机的故障检测；
步骤六：引入电网电压跌落故障，利用转子电流输出值与滑模观测值的残差与无故障状态下的最大跟踪残差值比较，从而实现双馈风力发电机的故障检测；
步骤七：引入定子匝间短路故障，利用转子电流输出值与滑模观测值的残差与无故障状态下的最大跟踪残差值比较，从而实现双馈风力发电机的故障检测。
2.根据权利要求1所述的基于粒子群算法的事件触发滑模观测器的双馈风力发电机的故障检测方法，其特征在于，所述步骤一滑模观测器的表达式为:
Figure RE-505383DEST_PATH_IMAGE001
根据双馈风力发电机的转子电流状态空间方程，搭建转子电流的滑模观测器，引入滑模趋近率
Figure RE-382072DEST_PATH_IMAGE002
，式中
Figure RE-204534DEST_PATH_IMAGE003
，△是滑模估计值与系统输出值的残差，ξ为系统所能接受的最大稳态残差临界值，k为等速趋近率部分的增益参数，η为指数切换项的参数，β为切换项的参数，ε、δ0为切换函数增益参数，α>0,s代表滑模切换面且
Figure RE-35349DEST_PATH_IMAGE004
,c为滑模切换面参数且 c>0,‖s‖代表s的参数范数，通过滑模变结构控制理论得到基于滑模趋近率的转子电流滑模观测器模型的方法为：
系统的转子电压方程为：
Figure RE-234250DEST_PATH_IMAGE005
系统的定子电压方程：
Figure RE-903128DEST_PATH_IMAGE006
系统的磁链方程：
Figure RE-958809DEST_PATH_IMAGE007
式中，uds, uqs, udr, uqr分别为d,q轴的定子和转子的电压矢量，ids, iqs, idr, iqr分别为d,q轴的定子和转子的电流矢量，
Figure RE-713138DEST_PATH_IMAGE008
分别为d,q轴的定子和转子的磁通矢量，RS，Rr分别为定子电阻和转子电阻，Ls,Lr分别为定子自感和转子自感，Lm为定子与转子之间的互感，Lσs, Lσr分别为定子与转子的漏感，ωr, ωs, ωf分别为转子转速、定子转速和滑差转速，将 d、q 轴电流分量作为状态变量， d、q轴电压分量作为输入量，DFIG的状态空间方程为：
Figure RE-512467DEST_PATH_IMAGE009
Figure RE-35852DEST_PATH_IMAGE010
其中
Figure RE-528014DEST_PATH_IMAGE011
，表示漏感系数；
考虑转子电流的状态方程，其状态方程为：
Figure RE-769639DEST_PATH_IMAGE012
其中
Figure RE-44763DEST_PATH_IMAGE013
和
Figure RE-249086DEST_PATH_IMAGE014
是系统的输入变量，y是系统的输出矢量,C为系统的输出矩阵，其中：
Figure RE-584252DEST_PATH_IMAGE015
Figure RE-375490DEST_PATH_IMAGE016
采用定子电压定向控制方法，求出定子电流项与转子电流项之间关系的方法为：
本发明忽略定子电阻，则其定子磁链定向和定子电压定向，二者没有区别，忽略定子电阻，采用电压和磁链定向后满足的方程为：
Figure RE-454305DEST_PATH_IMAGE017
Figure RE-952282DEST_PATH_IMAGE018
为定子磁链的幅值；
建立定子电流项与转子电流项之间的关系为：
Figure RE-786246DEST_PATH_IMAGE019
式中
Figure RE-736885DEST_PATH_IMAGE018
为定子磁通,
Figure RE-681707DEST_PATH_IMAGE020
,
Figure RE-34191DEST_PATH_IMAGE021
,
Figure RE-976739DEST_PATH_IMAGE022
；
根据转子电流状态方程构建滑模观测器模型：
Figure RE-978455DEST_PATH_IMAGE023
其中
Figure RE-399072DEST_PATH_IMAGE024
，
Figure RE-933959DEST_PATH_IMAGE025
，
Figure RE-47408DEST_PATH_IMAGE026
，
Figure RE-34956DEST_PATH_IMAGE027
为电流的观测值，
Figure RE-259264DEST_PATH_IMAGE028
为滑模观测器的控制率；
设计转子电流滑模观测器的趋近率：
Figure RE-383078DEST_PATH_IMAGE029
结合滑模变结构控制理论，设计滑模控制律
Figure RE-667429DEST_PATH_IMAGE030
为：
Figure RE-79955DEST_PATH_IMAGE031
将滑模控制律代入转子电流滑模观测器模型中，便可以得到基于趋近率的滑模观测器：
Figure RE-686384DEST_PATH_IMAGE032
。
3.根据权利要求2所述的基于粒子群算法的事件触发滑模观测器的双馈风力发电机的故障检测方法，其特征在于，所述步骤二中粒子群算法的适应度函数表达式为:
Figure RE-867967DEST_PATH_IMAGE033
C1和C2是权重参数，并且C1+C2=1，uq和ud是转子电流的滑模控制律，通过粒子群算法对滑模观测器以及滑模切换面的参数进行优化，从而确定滑模观测器参数k、α、β、ε、δ0、η、c,使得适应度函数达到目标值。
4.根据权利要求2所述的基于粒子群算法的事件触发滑模观测器的双馈风力发电机的故障检测方法，其特征在于，所述步骤三中事件触发控制的判断条件的表达式为:
Figure RE-57640DEST_PATH_IMAGE034
其中A和c是双馈风力发电机状态方程中的参数，e(t)是t时刻的跟踪误差，引入事件触发控制机制，设计事件触发判断条件，将事件触发控制的原理与滑模观测器结合起来，在保证系统稳定控制效果的同时减少计算单元与执行单元之间的通信，同时削弱滑模观测器的抖振。
5.根据权利要求1所述的基于粒子群算法的事件触发滑模观测器的双馈风力发电机的故障检测方法，其特征在于，所述步骤四中通过将转子电流输出值ir与基于粒子群算法的事件触发滑模观测值
Figure RE-19780DEST_PATH_IMAGE035
作差，可以得到双馈风力发电机在无扰动工作状态下的最大跟踪残差值Δmax。
6.根据权利要求1所述的基于粒子群算法的事件触发滑模观测器的双馈风力发电机的故障检测方法，其特征在于，所述步骤五中在双馈风力发电机的任意时间段发生转子电流传感器故障，通过把故障状态下的转子电流输出值与基于粒子群算法的事件触发滑模观测值作差，用所得到的残差Δ与无扰动工作状态下的最大跟踪残差值Δmax进行对比，从而实现对双馈风力发电机的故障检测；
观测双馈风力发电机的转子电流输出值，在任意时刻的转子电流传感器中加入故障值
Figure RE-585890DEST_PATH_IMAGE036
,当所获得的跟踪残差
Figure RE-949876DEST_PATH_IMAGE037
时，判断系统发生了转子电流传感器故障。
7.根据权利要求1所述的基于粒子群算法的事件触发滑模观测器的双馈风力发电机的故障检测方法，其特征在于，所述步骤六中在双馈风力发电机的任意时间段发生电压跌落故障，通过把故障状态下的转子电流输出值与基于粒子群算法的事件触发滑模观测值作差，用所得到的残差Δ与无扰动工作状态下的最大跟踪残差值Δmax进行对比，从而实现对双馈风力发电机的故障检测；
建立双馈风力发电机的电网电压跌落故障为
Figure RE-310450DEST_PATH_IMAGE038
，其中Ug为电网电压幅值,ωg是电网电压电角速度,l表示故障程度的百分比，当所获得的跟踪残差
Figure RE-697569DEST_PATH_IMAGE037
时，判断系统发生电压跌落故障。
8.根据权利要求1所述的基于粒子群算法的事件触发滑模观测器的双馈风力发电机的故障检测方法，其特征在于，所述步骤七中在双馈风力发电机的任意时间段发生定子匝间短路故障，通过把故障状态下的转子电流输出值与基于粒子群算法的事件触发滑模观测值作差，用所得到的残差Δ与无扰动工作状态下的最大跟踪残差值Δmax进行对比，从而实现对双馈风力发电机的故障检测；
设双馈风力发电机发生定子匝间故障时定子电阻变化量为
Figure RE-129687DEST_PATH_IMAGE039
,当所获得的跟踪残差
Figure RE-20283DEST_PATH_IMAGE037
时，判断双馈风力发电机发生定子匝间故障。
CN202111497150.4A 2021-12-09 2021-12-09 基于粒子群算法的事件触发滑模观测器的双馈风力发电机的故障检测方法 Pending CN114123899A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111497150.4A CN114123899A (zh) 2021-12-09 2021-12-09 基于粒子群算法的事件触发滑模观测器的双馈风力发电机的故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111497150.4A CN114123899A (zh) 2021-12-09 2021-12-09 基于粒子群算法的事件触发滑模观测器的双馈风力发电机的故障检测方法

Publications (1)

Publication Number Publication Date
CN114123899A true CN114123899A (zh) 2022-03-01

Family

ID=80364374

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111497150.4A Pending CN114123899A (zh) 2021-12-09 2021-12-09 基于粒子群算法的事件触发滑模观测器的双馈风力发电机的故障检测方法

Country Status (1)

Country Link
CN (1) CN114123899A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114578793A (zh) * 2022-03-21 2022-06-03 杭州电力设备制造有限公司 一种基于观测器的发电车非线性鲁棒故障检测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114578793A (zh) * 2022-03-21 2022-06-03 杭州电力设备制造有限公司 一种基于观测器的发电车非线性鲁棒故障检测方法

Similar Documents

Publication Publication Date Title
CN110649846B (zh) 基于滑模观测器的双馈感应发电机故障检测方法
CN109066688A (zh) 基于可再生能源不确定性下的概率潮流数据获取方法
Zhao et al. Adaptive resilient control for variable-speed wind turbines against false data injection attacks
Liu et al. A dynamic equivalent model for DFIG-based wind farms
Malar et al. Iot based sustainable wind green energy for smart cites using fuzzy logic based fractional order darwinian particle swarm optimization
CN107947228B (zh) 基于Markov理论的含风电电力系统随机稳定性分析方法
CN111664062B (zh) 基于可切换滑模趋近率的双馈感应发电机故障检测方法
Wang et al. Dynamic equivalent modeling for wind farms with DFIGs using the artificial bee colony with K-means algorithm
CN104675629A (zh) 一种变速风力发电机组的最大风能捕获方法
Wu et al. Development of an equivalent wind farm model for frequency regulation
Corradini et al. Fault-tolerant sensorless control of wind turbines achieving efficiency maximization in the presence of electrical faults
CN114123899A (zh) 基于粒子群算法的事件触发滑模观测器的双馈风力发电机的故障检测方法
Liang et al. The modeling and numerical simulations of wind turbine generation system with free vortex method and simulink
Manjeera et al. Design and Implementation of Fuzzy logic-2DOF controller for Emulation of wind turbine System
CN112821423B (zh) 一种电力系统惯性空间分布的仿真计算方法
Bian et al. Application of effective wind speed estimation and new sliding mode observer in wind energy conversion system
Akwasi et al. Observer controller-based structure for a modified flower pollination algorithm for wind power generation
CN113890442A (zh) 一种粒子群滑模观测器风力发电机转子电流故障检测方法
Gu et al. Research on Equivalent Modeling of PMSG-based Wind Farms using Parameter Identification method
Minka et al. Power Control of a DFIG Driving by Wind Turbine: Comparison Study Between ADRC and PI Controller
CN109100609A (zh) 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
Peng et al. Double‐Fed Wind Power System Adaptive Sensing Control and Condition Monitoring
Fedor et al. Modeling of Electromagnetic Phenomena in Small Hydroelectric Plants
Wang et al. Data-driven based modelling method of a PMSG
Li et al. Fault detection for DFIG based on sliding mode observer of new reaching law

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