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
文献发布时间:2024-04-18 19:58:21
技术领域
本申请涉及电力系统双馈风机故障程度检测的技术领域,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。
背景技术
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。
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。
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。
发明内容
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。
本申请提出的技术方案的实现:
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。
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:
I
式中:R
剩余回路的电压方程表达式为:
式中:R
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
本申请选取电磁转矩的2sf谐波幅值、转子A相电压U
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。
采用快速傅立叶变换处理转子A相电压U
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。
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,其构建加权贝叶斯分类器方法为:取双馈风机转子短路故障模型电磁转矩的2sf谐波幅值、转子A相电压U
所述加权贝叶斯分类器的表达式为:
其中c表示双馈风机转子短路故障程度;y为c的取值集合;argmax为函数,如有结果x
所述对离散变量采用拉普拉斯修正的频数计算先验概率,其表达式为:
式中:离散变量X
连续变量采用高斯分布计算先验概率包括:对于连续变量X
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,其应用属性相关性的加权贝叶斯分类器,决策属性C相对于属性A
属性的重要度定义,其表达式为:
SGF(A
式中:条件属性集为A;决策属性C。
属性集A相对于决策属性C的重要度定义为集合内每个属性相对于决策属性C的重要度的均值,其表达式为:
待分类样本X={x
选取给定样本,P(X)是确定的,其表达式为:
属性集E
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,其构建属性相关性的加权贝叶斯分类器模型,其表达式为:
与现有技术相比,本申请具有以下有益效果:本申请提出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,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,在双馈风机发生转子匝间短路故障故障时能够通过该方法实现对故障程度的检测与诊断;提取转子相电压、定子相电流和电磁转矩三种故障特征量进行加权诊断,有效提高了故障程度的识别能力,提高故障程度诊断的准确率和可靠性。
附图说明
图1是双馈风力发电机系统示意图;
图2是转子绕组A相上的匝间短路故障示意图;
图3是转子匝间短路故障程度诊断流程图;
图4是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流程示意图;
R
I
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部结构。
实施例
下面结合附图1-4对本申请进一步说明,图4为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流程示意图。本实施例基于双馈风机转子匝间短路故障的MATLAB/Simulink仿真模型发明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。本实施例具体设置为,系统于5s后发生转子A相匝间短路故障,待系统稳定后,提取双馈风机转子短路故障的3个故障特征量。图1为双馈风力发电机系统示意图,图2为转子绕组A相上的匝间短路故障示意图,具体包括以下步骤:
S0、搭建双馈风机转子匝间短路故障模型;
具体应用中,所述步骤S0、搭建双馈风机转子匝间短路故障模型具体为:转子绕组A相上的匝间短路故障示意图如图3所示,新增的回路电压方程表达式为:
I
式中:R
剩余回路的电压方程表达式为:
式中:R
新的电压方程表达式为:
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
S1、提取并处理故障特征量1、故障特征量2和故障特征量3;
本申请选取电磁转矩的2sf谐波幅值、转子A相电压U
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。
采用快速傅立叶变换处理转子A相电压U
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。
S2、构建属性相关性的加权贝叶斯分类器
构建加权贝叶斯分类器方法为:
取双馈风机转子短路故障模型转子电流、转子A相瞬时功率谱信号和转子匝间短路故障程度状态,作为训练数据集。电磁转矩、转子A相电压U
其中c表示双馈风机转子短路故障程度,y为c的取值集合,argmax为函数,如有结果x
为避免传统分类算法要求属性独立性的问题,本申请应用的属性相关性的加权贝叶斯分类器。决策属性C相对于属性A
属性的重要度定义为:
SGF(A
条件属性集为A,决策属性C,属性集A相对于决策属性C的重要度定义为集合内每个属性相对于决策属性C的重要度的均值,为:
待分类样本X={x
对于给定样本,P(X)是确定的,如下式所示:
针对属性集E
由于属性间具有一定的相关性,则构建属性相关性的加权贝叶斯分类器模型,如下式所示:
以0、5%、10%、15%、20%的转子匝间短路故障程度为诊断故障域,构建故障识别框架来诊断双馈风机转子短路故障程度。
S3、基于加权贝叶斯模型进行转子匝间短路故障程度诊断
根据转子匝间短路故障程度训练集,计算每个属性A
P(C
属性A
P(A
属性对(A
P(a
计算转子匝间短路故障程度诊断加权贝叶斯模型的条件信息熵为:
对短路故障程度训练属性集进行聚类,权值w
对于短路故障程度训练属性子集E
扫描转子短路故障程度训练集,故障程度统计类C
计算故障程度统计类C
P(C
故障特征量属性值x
Corr
求出向量X在类C
根据转子匝间短路故障程度诊断的加权贝叶斯模型,计算向量X的类条件概率为:
计算得到P
图3为转子匝间短路故障程度诊断流程图。
综上所述,本申请通过设计一个属性相关性的加权贝叶斯分类器,在MATLAB/Simulink的双馈风机转子匝间短路故障模型故障数据样本上构建加权贝叶斯分类器,最终得到一个基于加权贝叶斯模型的双馈风力发电机转子匝间短路故障程度的新方法。相较于传统的单一特征信号诊断方法,本申请提供的方法,可以有效避免传统检测方法诊断特征量单一造成误判概率大的影响;而相较于传统朴素贝叶斯分类算法的诊断方法,本申请应用的属性相关性的加权贝叶斯分类器有效避免了传统分类算法要求属性独立性的问题,并针对双馈风机转子匝间短路故障的特征量关联性强的现实情况提高了故障属性间存在明显相关性时的分类性能,对双馈风机转子匝间短路故障程度的诊断具有一定参考价值。
上述实施例是本申请较佳的实施方式,但是本申请的实施方式并不受上述实施例的限制,任何未背离本申请的精神实质与原理所作的改变、修饰、替代、组合、简化,均应视为等效的置换方式,都包含在本申请的保护范围之内。
- 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
- 一种基于D-S信息融合算法的双馈风机定子匝间短路故障的诊断方法