本申请是一种基于加权贝叶斯模型的双馈风机转子匝间短路故障程度的诊断方法,属于电力系统双馈风机故障程度检测的技术领域
【技术实现步骤摘要】
基于加权贝叶斯模型的双馈风机转子匝间短路故障程度的诊断方法
[0001]本申请涉及电力系统双馈风机故障程度检测的
,特别涉及一种基于加权贝叶斯模型的双馈风机转子匝间短路故障程度的诊断方法
。
技术介绍
[0002]在商业运行的风力发电机中,双馈式感应发电机凭借其良好的性能占据大部分市场份额
。
风力发电机是整个风力发电系统的核心部件之一,其安全运行关乎整个系统的安全有效运行
。
由于双馈异步电机长期运行在大风
、
低温
、
沙尘等恶劣的自然环境之中,发生故障的几率比较大
。
造成双馈异步电机发生故障的因素有很多,硬件设计不合理
、
工作环境恶劣
、
材料及制造工艺的问题以及启动过于频繁等因素
。
轻微的匝间短路属于电机绕组短路的早期故障,初期不会影响发电机的正常运行,但是如果发展下去会造成绝缘损坏引起相间短路等更为严重的故障,程度较轻的引起停机停产,严重的则可能损坏电气设备甚至造成人身伤害
。
由于风力发电机大多在高达几十米的高空上工作,故障后维修难度大,检修费用比较高,及时发现双馈风机转子匝间短路故障的存在并判断故障的程度,就能合理安排检修等相关工作,避免不必要的损失,所以研究转子绕组匝间短路具有重要意义
。
[0003]在数据驱动分类器学习未应用于双馈风力发电机转子匝间短路故障程度诊断的时期,判断双馈风力发电机转子匝间短路故障程度的主要方法是根据单一的特征信号去实现诊断研究,很可能会造成诊断的误判
。
即通过传统的信号处理手段对采样获取的双馈风力发电机信号进行分析
。
其基本原理和存在的问题如下:目前针对双馈风力发电机转子绕组匝间短路故障程度的研究,主要是从定
、
转子电流频谱信息出发分析其短路后得特征频率来判断电机是否发生短路,以及短路故障的严重程度
。
双馈风力发电机转子绕组匝间短路故障的定
、
转子电流中的特征频率,本质上是转子绕组的三相不平衡导致气隙磁场变化引起的,转子偏心也会引起气隙磁场的改变,可能在定
、
转子电流中引起与匝间短路相同频次的故障特征谐波,导致对转子匝间短路的误诊断
。
对于不同严重程度的双馈风力发电机转子匝间短路故障,传统的检测方法并不能进行有效的判断
。
[0004]近年来,诸如神经网络
、
支持向量机
、K
近邻
、
决策树等快速发展的数据驱动方式为故障程度分类提供了新的手段,但目前这种方法面临挑战,数据驱动方式对数据的数量及质量都有着较高的要求
。
而贝叶斯模型将贝叶斯概率
、
统计学理论和特征条件独立假设相结合,对样本的数据信息进行了严密的推理计算,形成了稳固的理论体系与方法,可以解决数据分析不确定性和不完整性问题
。
而传统的应用朴素贝叶斯分类算法的诊断方法,其本质要求属性独立性,这一条件是朴素贝叶斯分类器的不足之处
。
因为双馈风力发电机转子匝间短路故障特征量数据集的属性之间存在相互关联,数据集属性的独立性在故障程度诊断中难以满足,会导致分类的效果大大降低
。
技术实现思路
[0005]为了克服传统朴素贝叶斯模型对数据集独立性要求高
、
在实际应用中难以满足的问题,本申请提供一种基于加权贝叶斯模型的双馈风机转子匝间短路故障程度的诊断方法,该方法能够根据属性的重要性赋予属性权值,考虑属性子集内部属性间的相关性,降低了属性条件独立假设带来的负面影响,提高了故障特征量属性间存在明显相关性时的分类性能,能够对双馈风力发电机转子匝间短路进行故障程度进行可靠诊断
。
[0006]本申请提出的技术方案的实现:
[0007]所述的一种基于加权贝叶斯模型的双馈风机转子匝间短路故障程度的诊断方法,通过
MATLAB/Simulink
双馈风机转子短路故障模型对正常情况及发生转子间短路故障后的双馈风机进行分析,分别对应在正常时
、
发生转子匝间短路故障时间内的转子相电压
、
定子相电流和电磁转矩
。
双馈风机转子短路故障仿真模型假设短路故障设定在转子
A
相绕组上
。
[0008]所述的一种基于加权贝叶斯模型的双馈风机转子匝间短路故障程度的诊断方法,短路故障发生在转子
A
相绕组上,将短路匝线圈单独作为一个新的支路,新增的回路电压方程表达式为:
[0009]I
g
R
asg
+(I
g
‑
I
r1
)R
g
+
ρψ
asg
=0[0010]式中:
R
asg
是短路匝绕组的电阻;
I
g
是短路电流;
R
g
是短路过渡电阻;
ψ
asg
是短路匝绕组的磁链
。
[0011]剩余回路的电压方程表达式为:
[0012][0013]式中:
R
r1as
是除短路匝以外的剩余绕组电阻;
ψ
r1as
是除短路匝以外的剩余绕组磁链
。
[0014]通过
MATLAB/Simulink
双馈风机转子短路故障模型仿真分析,当双馈风力发电机转子绕组发生
A
相匝间短路故障时,电磁转矩的
2sf
谐波幅值
、
转子
A
相电压
U
rA
和定子绕组
A
相电流的
(1
‑
2s)f
谐波幅值
I
A
均发生改变
。
[0015]本申请选取电磁转矩的
2sf
谐波幅值
、
转子
A
相电压
U
rA
和定子绕组
A
相电流的
(1
‑
2s)f
谐波幅值
I
A
作为双馈风机转子匝间短路故障的特征量
。
[0016]采用快速傅立叶变换处理电磁转矩数据,提取故障特征量
1。
[0017]采用快速傅立叶变换处理转子
A
相电压
U
rA
,提取故障特征量
2。
[0018]采用快速傅立叶变换处理定子绕组
A
相电流,提取故障特征量
3。
[0019]所述的一种基于加权贝叶斯模型的双馈风机定子匝间短路故障程度的诊断方法,本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.
一种基于加权贝叶斯模型的双馈风机转子匝间短路故障程度的诊断方法,其特征在于:通过对于双馈风机转子匝间短路故障进行分析,确定以转子短路故障模型转子相电压
、
定子相电流和电磁转矩信号和转子匝间短路故障程度状态,作为训练数据集;通过对转子匝间短路故障程度训练集不同属性的重要性赋予属性权值,构建属性相关性的加权贝叶斯分类器,形成基于加权贝叶斯模型的转子匝间短路故障程度判定体系
。2.
根据权利要求1所述的一种基于加权贝叶斯模型的双馈风机转子匝间短路故障程度的诊断方法,其特征在于,故障训练数据集为转子短路故障模型转子相电压
、
定子相电流
、
电磁转矩信号和转子匝间短路故障程度状态
。3.
根据权利要求1所述的一种基于加权贝叶斯模型的双馈风机转子匝间短路故障程度的诊断方法,其特征在于,采用转子相电压
、
定子相电流和电磁转矩信号作为加权贝叶斯分类器的属性变量,转子短路故障程度作为加权贝叶斯分类器的类变量
。4.
根据权利要求1所述的一种基于加权贝叶斯模型的双馈风机转子匝间短路故障程度的诊断方法,其特征在于,属性相关性的加权贝叶斯分类器模型对计算向量
X
的双馈风机转子匝间短路故障程度...
【专利技术属性】
技术研发人员:许伯强,孔喆,孙丽玲,
申请(专利权)人:华北电力大学保定,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。