專利名稱：一種風電機組變頻器智能故障診斷方法
技術領域：
本發明涉及一種風電機組變頻器智能故障診斷方法，屬于風力發電技術領域。
背景技術：
隨著國家加大對風電產業的投入，風能在不久的將來會成為重要的原始能源之一，因此對風力發電機本身能夠在受到外界干擾或自身故障時能夠及早采取補救措施以達到不間斷運行的能力要求也在增加，能夠自動維護和甚至修復的風力發電系統對未來風電場的監控和管理有積極作用。新疆是多風的地區，風次數多，持續的時間長，每年風能理論蘊藏量約為3萬億千萬小時。新疆九大風能區的總面積可達15萬平方公里，風能資源約占全國總量的37%，可裝機容量在8000萬千瓦以上，本研究立足新疆風電場，研究對象是變速恒頻風力發電機，主要是對雙饋感應風力發電機變頻器運行中的故障進行診斷、評估與分類，找出故障的類型和位置，在風力發電機運行過程中能夠彌補一些由于故障對其性能造成的影響，為風力發電機系統的維護、監控及管理做好前期準備。風力發電機有很多種，而并網風力發電機主要有雙饋式和直驅式以及鼠籠式。其中，除鼠籠式以外，其余兩種都需要通過變頻器接入電網，所不同的是直驅式風力發電機是定子側通過變頻器接入電網的，雙饋式是轉子側通過變頻器接入電網的。交-直-交變頻器主要是由電力電子整流電路，逆變電路和斬波電路這些通用的電力電子電路組成。國內學者在變頻器故障方面也得出了很多研究成果。變頻器所處現場往往環境惡劣，高溫發熱，油水臟污，灰塵，以及交變的電磁干擾等都無法估計，既影響變頻器性能也極易導致變頻器故障，如文獻(孫豐濤，張承慧，崔那信，杜春水.變頻器故障診斷技術研究與分析[J].電機與控制學報2005，9 (3) :272-279.)就對變頻器受到環境溫度、載波頻率、 泵升電壓、電源電壓的影響作了研究。此外，由于目前變速恒頻式風力發電機，尤其是雙饋式風力發電機在應對電網故障能力方而存在較大缺陷。電網發生故障容易導致風力發電機機端電壓跌落，造成發電機定子電流增加。由于轉子與定子之間的強耦合，快速增加的定子電流會導致轉子電流急劇上升。此外，由于風機的調節速度較慢，故障前期風機吸收的風能不會明顯減少，而發電機由于機端電壓降低，不能正常向電網輸送電能，即有一部分能量無法輸入電網，這些能量由系統內部消化，將導致直流側電容充電、直流電壓快速升高、 電機轉子加速、電磁轉矩突變等一系列問題。上述問題容易導致系統元器件的損壞。目前國內外單對通用電力電子電路的智能診斷方法已有很多研究，使用的方法也多種多樣，如文獻(鄭連清，鄒濤，婁洪立.電力電子主電路故障診斷方法研究[J].高電壓技術，2006， 32(3) :84-98.)從介紹故障診斷的定義開始，介紹了變頻器的故障分類及國內外變頻器故障研究的現狀，從理論上介紹了幾種常見的變頻器故障診斷方法，特別是基于信號處理技術、故障樹技術和神經網技術的變頻器故障診斷方法，并預測了其它有可行性的新的變頻器故障診斷方法。至于單個的整流電路的故障診斷，國內外已有相當數量的研究，如文獻 (肖嵐，李睿.逆變器并聯系統功率管開路故障診斷研究.中國電機工程學報VoU6 No. 4 Feb. 2006)提出了該文通過仿真和實驗，對無輸出隔離變壓器的逆變器并聯系統功率管開路故障診斷進行了研究。以半橋逆變器為例，分析了逆變器并聯系統在功率管開路故障下的等效電路和故障表現形式，提出了幾種故障識別方案。通過檢測并聯系統各模塊電感電流，在兩臺并聯實驗樣機上實現了故障識別和故障模塊的在線切除，驗證了方案的可行性。 關于這方面甚至已經有人大膽將神經網絡技術和小波分析技術用于整流電路研究，并取得了一定進展，如文獻(張曉波，王占霞，張新燕，王維慶.基于PSIM和Matlab的變頻器故障仿真分析[J].電網技術，2010,34(3) :79-84.)對電力電子整流電路進行了分類。引入了多尺度分析的小波變換，通過檢測模的極大值來檢測信號突變，并考慮控制角，形成故障的定位特征向量。并以該特征向量對BP神經網進行訓練，實現最終的故障診斷網絡。但關于風力發電系統專用變頻器的故障診斷研究(包括直驅和雙饋機型所用的變頻器)，以及結合新疆本地特殊的地理氣候環境如干燥、風沙、晝夜溫差大、極端氣溫等條件下的變頻器故障診斷的研究還鮮有報導。由于火力發電成本(煤的價格)的上漲及環保要求的提高(一臺脫硫裝置的價格相當于一臺鍋爐的價格)，風能發電將有較大的發展，電站的規模也將不斷大型化。隨著我國的大型風力機制造技術及風力機運行經驗的積累，風力發電技術和設備生產能力進步很快。其中電力電子裝置的運用也相當多，如直驅式風力發電機中可以用到的全功率因數變流裝置和雙饋式風力發電機中用到的變頻器。隨著生產設備自動化水平提高，風力發電機都采用遠程遙測集中控制。大量現場采集來的電壓和電流等數據可供分析判斷風機電力電子裝置運行狀態是否正常，這些數據全靠人工識別效率相當低下，而且由于開關管故障機理的復雜性，光憑某一時刻的電壓或者電流值無法準確判斷此時開關管是否有故障不準確。而且現有技術直接用于風力發電機變頻器不能反映其真實情況，造成誤判；主要是因為現有技術條件、工況和參數范圍與風電機組中的變頻器不同。
發明內容
本發明所要解決的問題是針對現有技術的不足提供一種風電機組變頻器智能故障診斷方法。—種風電機組變頻器智能故障診斷方法，包括以下步驟A1、風力發電機變頻器模型建立，進行變頻器各種故障仿真，得到故障仿真結果；A2、建立基于SOM神經網的風機變頻器故障智能診斷模型，采用步驟(1)的故障仿真結果訓練所述智能診斷模型；A3、采集實際風力發電機變頻器故障運行數據，輸入到該故障診斷模型中，得出故障診斷結論，告知最為可能的故障類型和部位。所述的智能故障診斷方法，所述故障仿真結果為變頻器對應故障的電壓波形曲線。所述的智能故障診斷方法，所述步驟Al中還包括將所述故障仿真結果進行預處理步驟和歸一化步驟。利用該智能診斷方法，能夠從風機變頻器畸變的輸出波形中自動診斷出其發生的故障類型和故障位置。
圖1為PSIM下的主電路模型；
圖2為Matlab下的電路模型；圖3為SP麗控制電路；圖4為含高次諧波的輸出線電壓；圖5為加電感濾波后的輸出線電壓；圖6為無電感及濾波器時的輸出線電壓；圖7為僅用強電感濾波時的輸出線電壓；圖8為有濾波器和弱電感時的輸出線電壓；圖9為有濾波器及強電感時的輸出線電壓；圖10為整流側單管短路時的輸出電壓；圖11為同一管開路時的輸出電壓；圖12為整流側另一單管短路及開路時的輸出電壓；圖13為同一橋臂兩管短路及開路時的輸出電壓；圖14為不同橋臂兩管短路及開路時的輸出電壓；圖15為正常情況下的輸出電壓FFT分析；圖16為單管短路下的輸出電壓FFT分析；圖17為同一管開路下的輸出電壓FFT分析；圖18為另一橋臂單管短路下的輸出電壓FFT分析；圖19為故障組合時的輸出電壓FFT分析；圖20為單管短路輸出電壓；圖21為單管開路輸出電壓；圖22為混合短路輸出電壓；圖23為預處理采樣程序流程圖；圖M為BP網訓練流程圖。
具體實施例方式以下結合具體實施例，對本發明進行詳細說明。實施例1風電機組變頻器智能故障診斷方法包括以下步驟1、風力發電機變頻器模型建立，進行變頻器各種故障仿真，得到故障仿真結果；2、建立基于SOM神經網的風機變頻器故障智能診斷模型，采用步驟(1)的故障仿真結果訓練該診斷模型；3、采集實際風力發電機變頻器故障運行數據(例如電壓、電流)，輸入到該故障診斷模型中，得出故障診斷結論，告知最為可能的故障類型和部位。SOM網比起BP網診斷有明顯的優勢，主要體現在網絡靈活性強，無需制定目標向量，隨時可以添加數據；訓練速度快，計算精度高，只要訓練正確就沒有誤差。本發明的風電機組變頻器智能故障診斷方法能夠得出具體的故障類型種類，以及發電機變頻器故障發生的較為準確的部位；節約維護成本，同時為風電機組前期設計提供參考，可以有效提高經濟效益。實施例2變頻器故障仿真用神經網進行故障診斷的前提是獲得故障數據對神經網進行訓練。因為風電場通常很難獲得所有風機變頻器的故障數據，又不可能對風機變頻器實施人為破壞來獲得故障數據，故需要采用仿真的方法來獲得風機變頻器的故障信息，本實施例將在PSIM和MATLAB 等仿真平臺基礎上進行風機變頻器故障仿真。1. 1仿真結構1. 1. 1 一次側仿真結構典型的交-直-交變頻器一次側電路實際上是由一個三相橋式AC/DC整流器和一個三相橋式DC/AC逆變器組成的，通過改變整流側和逆變側的控制波形來實現對輸入波形頻率和電壓的變換。本實施例中一次側電路由2組6管的H橋整流逆變器組合而成。圖1是在PSIM下搭建的變頻器一次側模型，其中ia、ib、ic分別對應A、B、C相的上橋臂驅動電流入口，ia2、it32、ic2分別對應A、B、C相的下橋臂驅動電流入口。VP4、VP5、 VP6測量的分別是AB、BC、AC間的線電壓，VlO測量的是A相對地電壓。圖2是在Matlab中搭建的類似結構的變頻器模型。1.1. 2控制波形的產生本實施例中變頻器開關管的控制波形采用的是正弦脈寬調制(sinusoidal pulse width modulation, SPWM)控制波形。具體產生方式是將3個電壓幅值、頻率相同，相位各自相差120°的正弦工頻信號與一個5kHz的三角波載波信號進行比較，然后經過處理形成開關管所用的PWM波信號。圖3給出了在PSIM軟件下產生SPWM控制波形的電路圖。其中ia、ib、ic以及 ia2、ib2、ic2分別對應圖1-1中的橋臂驅動輸出電流；Ul、U2、U3分別為三相50Hz交流輸入中的A、B、C相發生源；UC為5kHz三角波發生源；VI、VII、V9、V13分別為對應連接點的電壓測量模塊。Matlab下有專門的PWM波形產生模塊，不用另外搭建，Matlab中PWM控制波形的產生見圖2。1. 1. 3濾除高次諧波方法研究僅使用PWM波形控制H橋式變頻器是無法直接輸出三相正弦波形的，由于PWM產生于高頻載波與工頻信號的疊加，其輸出波形中也必然包含高次諧波。因此，在變頻器的末端到輸出端之前必須加入濾波器環節。在PSIM軟件下直接用三相電感濾波就能得到比較理想的三相正弦輸出波形，見圖4 圖5 ；但在Matlab軟件下，由于采用算法的不同，必須加入一個專門的對地濾波器模塊，再通過電感濾波，才能得到接近滿意的輸出波形，見圖6 圖9。1. 2故障產生方法及其仿真在軟件中，故障模塊無法直接產生故障。在實際故障中，單只IGBT的對外故障總體來說只有開關管擊穿和開關管斷路2種。開關管擊穿表現為不受控短路現象，而開關管斷路一般是由開關管發熱過大導致的，其余介于這2種極端故障之間的對外表現現象與此類似。因此，對于單只開關管的2種故障，本實施例直接以在模型中接導線旁路開關管和將開關管直接切除來仿真其短路故障和開路故障。1. 3仿真結果1. 3. IPSIM環境下的故障波形仿真本實施例變頻器模型中共有12只IGBT，每只都對應有短路及斷路2種故障現象，
6組合起來故障種類很多。圖10 圖14是用PSIM仿真的部分故障波形。圖10與圖11是整流側同一開關管上分別發生短路及開路故障時的仿真波形，可以看出，在同一位置發生短路及開路故障時，所對應的輸出電壓波形是不同的。圖12中2組波形分別是整流側另一只開關管上發生短路及開路故障時的輸出電壓。對比圖10、圖11可以看出，在變頻器中不同位置發生同一故障時，輸出電壓波形是不同的，由此可通過記錄輸出波形來定位故障發生位置。圖13中的2組波形分別代表了同一橋臂的兩IGBT發生短路及開路故障時的波形。圖14中的2組波形分別代表了不同橋臂的兩IGBT發生短路及開路故障時的波形。對比圖13可以看出，在同時發生2個及以上單IGBT故障時，不同的故障位置組合對應的輸出波形也是不同的，由此認為通過分析輸出波形不但可以分類組合故障類型，還可以分類組合故障位置。1. 3. 2FFT 分析結果圖15-圖19是在PSIM下對輸出電壓波形進行快速傅里葉變換(fast Fourier transform, FFT)得到的圖形。由正常運行狀態下的變頻器FFT圖(圖15)可以看出，三相波形都比較均衡，且高次諧波很少，絕大部分能量都分布在工頻50Hz處，變頻效果比較理想。當變頻器發生單管短路時(圖16)，三相波形分布不再均衡，在工頻分量的整數倍處如100、150、200Hz處明顯出現了高次諧波，特別是在工頻分量的1倍頻(IOOHz)處，BC 線電壓的分量VP5明顯大于其他兩相分支，而基波分量也出現了明顯的衰減，從150降到了 82左右，呈現出故障態。圖17是同一管開路的FFT圖，從中不難發現三相波形也是明顯不平衡，但基波分量的衰減卻沒有短路時嚴重，大部分仍能達到120左右，而且IOOHz和150Hz處的分量也明顯與短路時不同。圖18、圖19分別是不同單管發生短路時的電壓FFT和發生不同橋臂短路組合時的電壓FFT，對比圖16可以看出，在不同故障以及同一故障的不同位置，對應FFT波形的形狀、分布和大小都是不同的。由此可知，根據輸出電壓的FFT變換波形也可以判斷變頻器故障的類型和發生位置。1. 3. 3Matlab 仿真結果用Matlab也可以進行故障波形的生成和判斷分析。圖9給出了正常狀態時的輸出電壓波形。圖20 圖22分別是在Matlab軟件下實現的單管短路、單管開路、混合橋臂短路故障的輸出電壓波形。實施例3數據預處理方法上述實施例得出風力發電系統變頻器對應故障的電壓波形曲線，該波形曲線實際上是由大量二維數據組成的點連成的，理論上可以直接搭建適當結構的神經網絡，然后將這些點數據輸入神經網絡進行分類訓練便可進行故障智能診斷。然而，實際得到的每幅故障曲線圖是由10000個時間點所對應的30000個電壓數據組成的，僅此一張圖就有40000 個數據，僅以按整流側劃分的正常、整流單管短路、整流單管斷路、整流交叉短路、整流交叉
7斷路、整流同臂短路、整流同側全短路、整流同側全斷路這八種典型曲線，就有320000個數據之多。要用如此龐大的數據量訓練神經網進行故障分類，以目前常用的臺式電腦，計算量太過龐大，所耗費的時間也無法承受。解決計算量的一個辦法是采用巨型計算機或采用云計算技術等提供龐大的計算能力，加快運算速度。這個方法很精確，但不經濟，缺乏實用價值，可能在未來隨著計算機硬件技術飛速發展以及制造成本降低后得到應用。另一個解決計算量的辦法就是在故障曲線診斷精度的允許范圍內，通過采用過濾方法，適當減少采樣點數，加快神經網訓練步驟。這就需要在用采樣數據對神經網訓練前先對數據進行預處理。2. 1用神經網絡對故障波形圖象分類前的數據預處理由前面分析可知，數據預處理的目標是不喪失曲線特征的前提下盡可能減少采樣點數。先打開數據處理前的文件，然后手動輸入指定的列數(m)和每多少數據(t)保留一個數據，程序對原數據文件的第m列數據開始，每t行保留下一個數據發送到目標文件中， 這樣目標文件中最后留下的就是均勻篩選后留下的有效數據。圖23為預處理采樣程序流程圖。2. 2用神經網絡對故障波形圖象分類前的數據歸一化各種故障波形點的數據經過預處理后，得到了數量相對減少但仍包含故障特征信息的一組點數據，由于這些數據波動范圍較大，實際使用中需要對其先進行歸一化將其取值范圍限制在[-1，1]之間以便于神經網進行運算。下面以20個采樣點的正常狀態數據為例說明數據歸一化的過程。從上一節分析中，得到20個采樣點時分別對應此時電壓VP4、VP5、VP6的3組列向量aal, aa2禾口 aa3，如表5-1所列表5-1預處理后20個采樣點時正常狀態數據的3組列向量
權利要求
1.一種風電機組變頻器智能故障診斷方法，其特征在于，包括以下步驟:A1、風力發電機變頻器模型建立，進行變頻器各種故障仿真，得到故障仿真結果；A2、建立基于SOM神經網的風機變頻器故障智能診斷模型，采用步驟(1)的故障仿真結果訓練所述智能診斷模型；A3、采集實際風力發電機變頻器故障運行數據，輸入到該故障診斷模型中，得出故障診斷結論，告知最為可能的故障類型和部位。
2.根據權利要求1所述的智能故障診斷方法，其特征在于，所述故障仿真結果為變頻器對應故障的電壓波形曲線。
3.根據權利要求2所述的智能故障診斷方法，其特征在于，所述步驟Al中還包括將所述故障仿真結果進行預處理步驟和歸一化步驟。
全文摘要
本發明公開了風電機組變頻器智能故障診斷方法，包括以下步驟A1、風力發電機變頻器模型建立，進行變頻器各種故障仿真，得到故障仿真結果；A2、建立基于SOM神經網的風機變頻器故障智能診斷模型，采用步驟(1)的故障仿真結果訓練所述智能診斷模型；A3、采集實際風力發電機變頻器故障運行數據，輸入到該故障診斷模型中，得出故障診斷結論，告知最為可能的故障類型和部位。本發明的風電機組變頻器智能故障診斷方法能夠得出具體的故障類型種類，以及發電機變頻器故障發生的較為準確的部位；節約維護成本，同時為風電機組前期設計提供參考，可以有效提高經濟效益。
文檔編號G01R31/02GK102253338SQ20111014181
公開日2011年11月23日 申請日期2011年5月30日 優先權日2011年5月30日
發明者張新燕, 張曉波, 王維慶 申請人:新疆大學