基于小波遗传神经网络的双馈式风电变流器故障监测方法技术

本发明专利技术涉及一种基于小波遗传神经网络的双馈式风电变流器故障监测方法，包括以下步骤：S1，获取双馈式风力发电系统的正常状态的电流信号故障状态的电流信号；S2，采用小波分析对故障状态的电流信号进行处理，得到低频信号和高频信号；S3，对高频信号进行二次小波分解，再通过小波变换提取故障能量，得到可以体现故障现象的故障特征向量；S4，采用遗传算法对神经网络模型进行训练；S5，利用训练好的神经网络模型进行变流器故障类型识别。与现有技术相比，本发明专利技术克服了传统技术对变流器主电路故障诊断可靠性不高、诊断不及时、鲁棒性较差的缺点，具有较强的逼近能力、容错能力，确保了故障诊断的准确性、时效性和鲁棒性。

【技术实现步骤摘要】
基于小波遗传神经网络的双馈式风电变流器故障监测方法
本专利技术涉及一种风电变流器故障监测方法，尤其是涉及一种基于小波遗传神经网络的双馈式风电变流器故障监测方法。
技术介绍
变流器是风电机组里的关键部件，相较于其他部件变流器的稳定性是相对较差的，变流器一旦发生故障，若短时间内不进行处理，会使系统的部件产生不可逆的损坏，而风电机组多运行在环境恶劣的地方，故障的发生几乎不可避免。变流器的故障问题已经引起了众多专家的关注并取得了一些成果，目前主流的故障诊断方法有基于电流park矢量相位角斜率、通过离散傅里叶变换得到电流基波幅值、基于BP神经网络等故障检测方法。这些方法对变流器的主电路故障研究具有很大的指导意义。然而上述的park矢量和离散傅里叶变换的IGBT开路诊断方法由于采用了电流来进行故障诊断，具有负载依赖性，容易产生误警报，且为了实时执行，采用了复杂的模式识别算法，不可在集成式的驱动控制器中采用。另外，此两种故障诊断方法多采用固定阈值来进行故障诊断，随着运行状态的改变阈值需不断调整，鲁棒性较差。而BP算法存在收敛速度慢、容易陷入局部极小值的问题。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于小波遗传神经网络的双馈式风电变流器故障监测方法。本专利技术的目的可以通过以下技术方案来实现：一种基于小波遗传神经网络的双馈式风电变流器故障监测方法，所述的双馈式风力发电系统拓扑结构包括依次连接的风机、机侧变流器和网侧变流器，所述的方法包括以下步骤：S1，获取双馈式风力发电系统的正常状态的电流信号故障状态的电流信号；S2，采用小波分析对故障状态的电流信号进行处理，得到低频信号和高频信号；S3，对高频信号进行二次小波分解，再通过小波变换提取故障能量，得到可以体现故障现象的故障特征向量；S4，对故障特征向量表进行分析归类，确定故障类型，给出故障代码，编写变流器故障模式编码图，采用遗传算法对神经网络模型进行训练；S5，根据电流信号，利用训练好的神经网络模型进行变流器故障类型识别。所述的步骤S3包括以下流程：选择db3小波基函数对电流信号进行六层分解，得到高频信号和低频信号；依次对高频信号进行二次分解、重构，提取高频系数、提取高频系数能量值；依次对低频信号进行重构，提取低频系数、提取低频系数能量值；以高频系数能量值和低频系数能量值为元素，构造故障特征向量，并对故障特征向量进行归一化处理。所述的归一化处理过程包括：求取高频系数能量值和低频系数能量值的有效值，然后将各元素除以有效值，所述的有效值由各系数能量值的平方值求和再开方得到。所述的神经网络模型的输入值为故障特征向量和电流平均值。所述的步骤S4中，神经网络模型为三层神经网络模型。所述的步骤S4中，神经网络模型的初始群体个数为50，迭代次数为300，选择概率为0.08，交叉概率为0.8，变异概率为0.01。与现有技术相比，本专利技术克服了传统技术对变流器主电路故障诊断可靠性不高、诊断不及时、鲁棒性较差的缺点，使整个系统具有较强的逼近能力、容错能力，确保了故障诊断的准确性、时效性和鲁棒性。附图说明图1为本实施例双馈式风力发电系统主电路拓扑图；图2为本实施例小波分解流程图；图3为本实施例提取故障特征向量流程图；图4为本实施例遗传算法优化神经网络流程图；图5为本实施例故障监测方法总体流程图。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。实施例如图5所示，一种基于小波遗传神经网络的双馈式风电变流器故障监测方法，双馈式风力发电系统拓扑结构包括依次连接的风机、机侧变流器和网侧变流器，方法包括以下步骤：S1，获取双馈式风力发电系统的正常状态的电流信号故障状态的电流信号；S2，采用小波分析对故障状态的电流信号进行处理，得到低频信号和高频信号；S3，对高频信号进行二次小波分解，再通过小波变换提取故障能量，得到可以体现故障现象的故障特征向量；S4，对故障特征向量表进行分析归类，确定故障类型，给出故障代码，编写变流器故障模式编码图，采用遗传算法对神经网络模型进行训练；S5，根据电流信号，利用训练好的神经网络模型进行变流器故障类型识别。本实施例首先建立双馈式风力发电系统模型，选取风电变流器的三项输出电流来提取故障特征，在Matlab/Simulink软件中对正常运行情况的变流器和21种开路故障状态一一仿真，得到了故障状态和正常状态的电流波形，采用小波分析对三相电流进行分解、重组，考虑到小波分解得到的高频信号中还包含有部分有用信号，为了在去除高频信号分量中的噪声信号的同时还能保留其中的有用信号，再一次选用db3小波函数对高频信号分量d1、d2、d3、d4、d5、d6进行二次小波分解，细化高频信号分量，进一步区分有用信号和噪声信号，以此来提高故障诊断的准确性，再结和电流平均值参数构建故障特征向量，对所有的故障特征向量列表；接着以小波分析和电流平均值参数构造的故障特征向量作为遗传神经网络的输入量，对以故障特征向量和期望特征确定的遗传神经网络进行学习训练，再采用训练过的遗传神经网络对含有噪声的故障现象进行测试，证明了系统具有较好的鲁棒性；最后，采用LabVIEW来搭建监视界面，利用LabVIEW的仿真工具包来与Matlab的双馈风力发电系统仿真模型链接起来，使系统可以实时显示双馈风电发力系统仿真模型变流器故障。本实施例利用小波遗传神经网络建立双馈风力发电系统主电路变流器的故障诊断系统。采用小波变换获取变流器故障特征和输出电流的平均值参数来构造故障特征向量表，将此表输入到遗传神经网络中，目标输出量作为输出量对设计好的网络进行训练，再运用训练好的神经网络识别故障特征。最后利用LabVIEW软件搭建故障监视系统的界面，对变流器的故障进行实时显示。具体包括以下流程：I、本专利技术的主电路故障诊断监测方法包括故障的检测、故障的定位和故障的监测。首先结合风力机、机侧变流器、网侧变流器和网侧逆变器的控制方法及数学模型在Matlab/Simulink环境下建立双馈式风力发电系统的仿真模型，拓扑图如图1所示。II、对风电变流器的可能故障进行分析和分类，接着对每种故障一一进行仿真并对波形进行分析。如图2所示采用小波分析对故障信号进行处理，先使用db3小波基函数对A相电流进行小波分解，得到低频信号a1和高频信号d1、d2、d3、d4、d5、d6，对高频信号进行二次小波分解，再通过小波变换提取故障能量，结合电流平均值，得到可以体现故障现象的故障特征向量，流程如图3所示。III、对故障特征向量表进行分析归类，确定故障类型，给出故障代码，编写出表1的变流器故障模式编码表。采用遗传算法优化的神经网络进行故本文档来自技高网...

【技术保护点】
1.一种基于小波遗传神经网络的双馈式风电变流器故障监测方法，所述的双馈式风力发电系统拓扑结构包括依次连接的风机、机侧变流器和网侧变流器，其特征在于，所述的方法包括以下步骤：/nS1，获取双馈式风力发电系统的正常状态的电流信号故障状态的电流信号；/nS2，采用小波分析对故障状态的电流信号进行处理，得到低频信号和高频信号；/nS3，对高频信号进行二次小波分解，再通过小波变换提取故障能量，得到可以体现故障现象的故障特征向量；/nS4，对故障特征向量表进行分析归类，确定故障类型，给出故障代码，编写变流器故障模式编码图，采用遗传算法对神经网络模型进行训练；/nS5，根据电流信号，利用训练好的神经网络模型进行变流器故障类型识别。/n

【技术特征摘要】
1.一种基于小波遗传神经网络的双馈式风电变流器故障监测方法，所述的双馈式风力发电系统拓扑结构包括依次连接的风机、机侧变流器和网侧变流器，其特征在于，所述的方法包括以下步骤：
S1，获取双馈式风力发电系统的正常状态的电流信号故障状态的电流信号；
S2，采用小波分析对故障状态的电流信号进行处理，得到低频信号和高频信号；
S3，对高频信号进行二次小波分解，再通过小波变换提取故障能量，得到可以体现故障现象的故障特征向量；
S4，对故障特征向量表进行分析归类，确定故障类型，给出故障代码，编写变流器故障模式编码图，采用遗传算法对神经网络模型进行训练；
S5，根据电流信号，利用训练好的神经网络模型进行变流器故障类型识别。


2.根据权利要求1所述的一种基于小波遗传神经网络的双馈式风电变流器故障监测方法，其特征在于，所述的步骤S3包括以下流程：
选择db3小波基函数对电流信号进行六层分解，得到高频信号和低频信号；
依次对高频信号进行二次分解、重构，提取高频系数、提取高频系数能量值；
依次对低频信号进行重构，...

【专利技术属性】
技术研发人员：翟宏宇，陈国初，
申请(专利权)人：上海电机学院，
类型：发明
国别省市：上海;31