一种基于PCA-kNN风力发电系统变流器故障识别方法技术方案

本发明专利技术涉及一种基于PCA‑kNN风力发电系统变流器故障识别方法，首先采集风力发电系统中背靠背式三相PWM整流器的直流侧输出电压信号，然后提取电压信号的时域、频域和时频域特征，再使用PCA算法对电压信号的特征作降维处理，最后结合kNN算法实现风力发电系统变流器故障识别。

A method of converter fault identification based on pca-knn for wind power generation system

【技术实现步骤摘要】
一种基于PCA-kNN风力发电系统变流器故障识别方法
本专利技术涉及变流器故障识别领域，特别设计基于PCA-kNN风力发电系统变流器故障识别方法。
技术介绍
风电能源作为可再生能源，是世界能源供给的重要力量。随着经济和科学技术的不断发展，风能发电在我国得到极大的发展，然而风的随机性令风机的工作状态无法稳定，导致风力发电系统的各组成部件经常发生故障，双脉冲宽度调制(pulsewidthmodulation,PWM)变流器作为发电系统与电网的接口，即要控制电压稳定，还要配合实现最大风能利用率，同时也是最容易发生故障的部件之一，当变流器发生故障，如果不及时处理，轻则会降低供电质量，重则威胁到整个发电系统的正常工作和电网安全。其中IGBT模块是变流器的重要组成部分，由于风力发电系统驱动失效、开关损坏等原因，风力发电系统的变流器故障主要考虑IGBT器件的故障，对于IGBT的短路故障目前可以通过驱动模块集成保护电路进行监控，然而IGBT的开路故障识别技术还处于研究之中。1968年，Cover和Hart提出了K最近邻(k-NearestNei本文档来自技高网...

【技术保护点】
1.基于PCA-kNN风力发电系统变流器故障识别方法，具体步骤如下，其特征在于,/n步骤1：检测风力发电系统中背靠背式三相PWM整流器在各类开路故障下的直流侧输出电压信号；/n步骤2：提取输出电压的时域、频域和时频域特征，把提取的特征建立样本集；/n步骤3：对样本集的特征作PCA处理，得到输出电压信号降维后的特征向量；降维后特征按照由大到小的重要性顺序排列，选取保留99％主要信息的n维特征；/n步骤4：把样本集划分为训练样本和测试样本，将PCA计算后得到的n维特征作为输入，使用kNN算法计算测试样本到训练样本的距离，通过交叉验证选择kNN算法中的最佳k值；/n步骤5：检测待测整流器的直流侧输出...

【技术特征摘要】
1.基于PCA-kNN风力发电系统变流器故障识别方法，具体步骤如下，其特征在于,
步骤1：检测风力发电系统中背靠背式三相PWM整流器在各类开路故障下的直流侧输出电压信号；
步骤2：提取输出电压的时域、频域和时频域特征，把提取的特征建立样本集；
步骤3：对样本集的特征作PCA处理，得到输出电压信号降维后的特征向量；降维后特征按照由大到小的重要性顺序排列，选取保留99％主要信息的n维特征；
步骤4：把样本集划分为训练样本和测试样本，将PCA计算后得到的n维特征作为输入，使用kNN算法计算测试样本到训练样本的距离，通过交叉验证选择kNN算法中的最佳k值；
步骤5：检测待测整流器的直流侧输出电压信号，并重复步骤2和步骤3，最终使用kNN分类算法对整流器故障进行分类。


2.根据权利要求1基于PCA-kNN风力发电系统变流器故障识别方法，其特征在于；步骤1中整流器各类开路故障如下：
PWM整流器的IGBT元件开路故障有：单只IGBT元件开路故障、同一桥臂上下2只IGBT元件开路故障、同一半桥中的2只IGBT元件开路故障、不同桥臂上下2只IGBT元件开路故障。


3.根据权利要求1基于PCA-kNN风力发电系统变流器故障识别方法，其特征在于；步骤2中输出电压的时域、频域和时频域特征如下：
提取的时域、频域和时频域特征包括：面积、能量、功率谱估计、小波系数平方和；
输出电压面积：电压信号在时间上的积分



其中u(n)是电压信号；
输出电压能量：电压信号幅值的平方和



输出电压功率谱估计：









其中e(n)是均值为0的白噪声，方差是σ2，p是AR模型的阶数,H(z)是AR模型系统的转移函数；
输出电压小波系数的平方和：对输出电压信号进行小波分解和重构，分解层数为4层，选择db6小波






其中a1、a2、a3、a4是信号的低...

【专利技术属性】
技术研发人员：卢军锋，姜劲，邹政耀，
申请(专利权)人：金陵科技学院，
类型：发明
国别省市：江苏;32