基于遗传算法优化BP神经网络的海上DFIG定子绕组故障诊断

针对海上双馈风力发电机(DFIG)定子绕组匝间短路故障率高的问题,由于大数据背景下的故障检测难以采用人工干预的方法识别故障,且传统的人工神经网络存在训练速度慢、误差大、试凑隐含层困难等缺陷,因此,本文提出融合遗传算法的BP神经网络用于检测海上DFIG定子绕组匝间短路故障,实验和仿真结果表明了此方法的有效性,实现了大数据背景下海上DFIG定子绕组匝间短路故障诊断。     

考虑低电压穿越影响的双馈感应 发电机谐波电流特性

双馈感应发电机（DFIG）作为当前应用最广泛的风力发电机,其特殊的结构使其故障运行特性十分复杂,尤其在低电压穿越（LVRT）运行状态下,已对电网安全运行和保护控制的顺利实施造成一系列影响。目前对DFIG的短路电流特性已有大量研究,但是针对定转子电流谐波特性的研究还鲜有报道。考虑LVRT的影响,对电网不对称故障情况下DFIG定、转子谐波电流的特性进行研究。从电磁暂态过程的角度详细推导了Crowbar动作后的DFIG定子谐波电流的解析表达式;在Crowbar未动作时,从转子侧变流器影响机理出发,研究了由变流器控制引起的定、转子谐波电流的产生机理。所得结论通过仿真进行了验证     

交流电网故障时DFIG机组定转子暂态特性分析与仿真

针对电网对称及不对称故障,给出了估算定、转子暂态磁链和电流的方法。利用机理建模法建立了DFIG机组的数学模型,分析了电网故障下DFIG机组定、转子磁链的暂态特性,并推导出了定、转子暂态电流表达式。在理论分析的基础上,应用Simulink平台搭建了基于定子电压定向矢量控制策略的1.5 MW DFIG机组转子侧及网侧变换器模型,采用矢量轨迹图直观描述了定、转子磁链和电流的暂态变化过程,并提出一种结合基于双dq正、负序分解矢量控制与Crowbar电路的改进控制策略。通过仿真试验,验证了暂态电流表达式的正确性,并得到了跌落后电压值与定、转子电流最大值之间的关系曲线。此外,所提出的改进控制策略能够提高机组故障穿越能力。     

基于改进的BP神经网络学习算法的变压器故障诊断

电力变压器的故障除了给其自身带来重大损失外,还对电力系统的安全造成很大影响。利用BP神经网络对变压器故障进行诊断,针对BP神经网络学习率的缺点,提出了一种跟踪型自适应学习率的确定方法,该方法仅需整定一个参数,有效地提高了BP神经网络的收敛性和训练时间,进而通过构建变压器故障诊断训练样本集,验证了该方法的可行性,获得了更精确的诊断结果。     

一种提升LVRT能力的DFIG控制策略及故障特征分析

为降低传统控制策略下电网发生严重故障期间转子侧撬棒电路投入运行对低电压穿越和继电保护的影响,在分析电网故障撬棒电路投入双馈感应风力发电机(DFIG)暂态故障特征的基础上,提出一种转子侧撬棒电路自适应切除控制策略。电压深度跌落撬棒电路投入后,定子故障电流中的衰减转速频率交流分量为故障初期的主要分量,在衰减转速频率交流分量衰减完毕后切除撬棒电路恢复励磁,能够保证变流器在安全工作的同时,利用DFIG自身的无功调节能力向电网提供更多无功支撑,提升低电压穿越性能,并能够提高电网发生短路故障时基于工频量保护的可靠性。通过RTDS平台仿真分析验证控制策略的有效性。     

基于小波包特征向量弹性BP算法的故障诊断

为精确诊断转子故障,采用了基于小波包能量特征向量的弹性BP神经网络和最速下降BP算法神经网络的故障诊断方法,对采集到的信号进行3层小波包分解,构造小波包特征向量,对样本进行3层BP网络训练,实现智能化故障诊断。结果表明采用改进的BP算法优于最速下降BP算法,训练的网络可以很好地诊断转子故障。     

一种抑制双馈风机故障电流频率偏移的有效方法

随着风机装机容量的增加,双馈感应风机(doubly-fed induction generator,DFIG)的故障特性对继电保护的影响越来越大,其不同的Crowbar控制策略会导致不同的故障特性。在深入分析DFIG暂态电流特征和Crowbar作用后转子短路电流变化的基础上,结合其定、转子电流的对应关系,提出一种优化的Crowbar控制策略。电网故障期间内Crowbar电路分时段投切,既能满足DFIG的低电压穿越要求,又能改善其故障电流频率偏移的程度。有效地减少了电流差动保护、距离保护及方向元件、选相元件的错误动作,在根源处减轻基于工频量的傅氏算法出现偏差对继电保护造成的影响。最后利用RTDS平台,以内蒙古某风场为依托,验证所提控制策略的有效性和可行性。     

小波包分析和神经网络在风电机组变频器故障诊断中的应用

由非线性电力电子装置组成的风力机变频器一旦发生故障,其故障特征信息不容易被提取和识别。为此,提出了一种基于小波包分析和Elman神经网络的电力电子装置故障诊断的方法,先运用小波包分析法提取电力电子装置电路在不同故障状态下电压及电流信号的特征信息,然后对数据进行归一化处理并作为Elman神经网络的输入,由具有智能学习功能的神经元故障分类器完成故障识别和定位。以典型的风力机交—直—交变频器为例,在Matlab软件下建立电路模型对一次侧故障进行仿真实验,结果表明采用该方法可以快速、准确地完成故障诊断。     

蝗虫优化神经网络在变压器故障诊断中的应用

针对变压器故障诊断中传统BP神经网络算法准确率低、收敛速度慢、易陷入局部极小值及对初始参数较为敏感等的不足,提出一种基于蝗虫优化（GOA）算法的BP神经网络故障诊断方法。建立以变压器故障特征气体为输入、故障类别为输出的故障诊断模型,利用GOA高效的计算性能和优良的全局搜索能力对BP神经网络的权值和阈值进行参数优化。仿真结果表明,GOA优化后的BP神经网络模型相比于传统BP神经网络和基于遗传算法优化的BP神经网络,能够在保留广泛映射能力的前提下,提升网络的学习速度和全局搜索能力,进而缩短训练所需时间,提高故障诊断精度。     

应用撬棒电路的双馈型风力发电机低电压穿越分析

风电场规模已经变得越来越大,风电机组的解列会严重影响系统的稳定性,这就要求风电机组具有低电压穿越能力以应对电网电压跌落。由于DFIG的定子侧直接与电网相联,在电网电压突然跌落时,定转子中会出现很大的电压和电流,需采用Crowbar电路（撬棒电路）来旁路转子侧变流器。文中分析了Crowbar电路的控制原理,然后在理论分析的基础上进行了仿真,仿真结果验证了Crowbar电路能够帮助DFIG在故障期间实现低电压穿越,最后进一步分析了Crowbar电路投切时间的选取。     

双馈异步风电机组机侧转速控制器的设计与仿真研究

双馈异步风力发电机组(DFIG)机侧(即转子侧)变流器作为其电控系统的核心控制部件,主要负责双馈感应电机的转速控制和发电机无功调节任务,但由于其具有非线性、强耦合等复杂特性,导致变流器的控制器设计十分困难。针对上述情况,提供一种DFIG转子侧变流器控制策略设计方法和控制参数优化方法,可通过调节转子侧电流大小实现双馈感应电机转速、无功的无静差调节;并以1.5 MW DFIG实际参数为模型,利用Simulink仿真软件对该控制策略进行仿真验证。研究结果表明：利用PI控制器可实现DFIG转速-转矩控制,发电机转子侧电流理论上可实现无静差跟踪。     

基于小波包能量特征向量神经网络的旋转机械故障诊断

为精确诊断旋转机械的故障,提出一种基于小波包特征向量的神经网络故障诊断方法。用转子台信号模拟旋转机械故障,并对采集到的信号进行3层小波包分解,构造小波包特征向量,并以此为故障样本对3层BP网络进行训练,实现智能化故障诊断。实验结果表明训练好的神经网络能够很好地诊断出转子台故障类型,为旋转机械的故障诊断提供了新方向。     

基于粗糙集和神经网络的内燃机转子振动故障诊断方法研究

提出了一种基于粗糙集和神经网络的柴油机转子振动故障诊断方法。首先计算传感器采集数据的小波包,提取振动信号能量特征,其次粗糙集对不同振动信号能量特征数据离散方法的基础上,针对数据结构特征确定了等频离散法与公平尺度法相结合的离散方法,最后以获取的规则为输入,利用BP神经网络进行故障诊断。将我们建立的故障诊断方法应用到柴油机转子振动系统中去,表明了该种方法的有效性。     

基于EEMD-LSTM的汽轮机转子碰磨故障诊断模型及其工程应用

汽轮机转子与静子间的碰磨严重影响着机组的安全运行。为了解决汽轮机转子发生在早期和中期的碰磨故障难以通过基于振动信号检测诊断方法进行有效识别的问题,本文提出一种基于EEMD-LSTM的汽轮机转子碰磨故障诊断方法。首先,该方法通过声发射技术监测汽轮机转子的碰磨故障信号;然后,利用EEMD信号分解方法处理获取的声发射信号,并提取能量特征参数和相关的时域特征参数,从而获得碰磨故障特征数据集;最后,利用划分的数据集对LSTM神经网络进行训练与测试,从而获得碰磨故障诊断模型。工程应用结果表明,本文提出的方法能够有效识别机组在不同转速时期的早期碰磨故障,且故障诊断的准确率较高。     

基于概率神经网络的船用柴油机共轨系统限流阀故障诊断研究

基于船用柴油机高压共轨系统工作原理分析限流阀失效模式,利用AMESim液力仿真平台搭建共轨系统模型,通过仿真分析得出限流阀在3种典型故障模式下的故障特征。建立概率神经网络对限流阀故障进行诊断,结合试验与仿真数据完成网络训练和验证。结果表明:采用概率神经网络可有效地实现限流阀故障诊断。     

基于改进弹性BP算法神经网络转子故障诊断

为精确诊断转子故障,以转子故障模拟实验台的实测数据为研究对象,采用基于小波包能量特征向量提取的信号特征值作为网络的学习样本,采用改进弹性BP算法训练网络研究转子的振动状态。为神经网络在转子故障诊断领域更深入广泛的应用提供可参考的思路和方法。     

基于ARMA及神经网络的汽轮机振动故障诊断研究

根据Bently实验台所采集的碰摩、松动、不对中、不平衡4种典型的汽轮机转子振动故障水平方向与垂直方向的数据所建立的汽轮机转子振动故障序列自回归滑移平均(ARMA)模型,由ARMA模型参数计算自谱函数值,建立汽轮机转子振动故障时间序列的自谱函数图谱。对不同类故障所建立ARMA模型的自谱函数图谱分析表明:故障征兆信息较明显,有较好的故障区分度。另外由于ARMA模型的特征向量浓缩了原时间序列信号的全部信息,对ARMA模型的特征向量参数利用多节点输入双隐层BP神经网络完成p维欧氏空间到二维欧氏空间的非线性映射,对汽轮机转子振动故障状态进行诊断。诊断结果表明:对应故障类型的ARMA模型样本通过训练后的神经网络在二维欧氏空间中能较好地对故障进行分类,同类故障的检验样本与目标函数值在欧氏空间具有最小距离,表明基于ARMA模型的二维欧氏空间双隐层神经网络故障诊断方法有较高的故障辨识能力。     

改进极限学习机应用于电网故障诊断

电网故障诊断中交叉数据模式识别问题占据重要位置,传统的人工智能方法处理效果不甚理想。提出运用改进极限学习机进行故障诊断的算法,随机选取输入权值向量和隐含层的偏差,并且利用最小二乘法分析计算输出权值,以达到提高故障诊断容错性的目的。仿真结果表明：在保护动作信息不完备的情况下,该算法的故障判断准确性明显优于BP神经网络,该算法对存在一定错误数据的故障信息也具有良好的识别能力。     

BP神经网络改进算法的探讨

针对标准BP神经网络收敛速度慢的局限性,提出了几种基于MATLAB语言的BP神经网络改进算法,搭建了相应的网络诊断模型;将铁道车辆典型齿轮箱故障信号作为神经网络的测试数据,用改进的BP神经网络进行仿真测试,结果表明,LM优化算法与其他改进算法相比较,具有较好的诊断效率和精度,基本达到了对铁道车辆齿轮箱故障诊断的目的.     

直驱与双馈风电机组的故障特性对比分析

基于PSCAD软件建立了直驱永磁同步风电机组(D-PMSG)和双馈感应式风电机组(DFIG)的暂态仿真模型,对比分析了D-PMSG和DFIG风电机组在单相、三相短路故障下的故障特性。仿真结果表明:D-PMSG在电网发生故障时能向电网提供几乎恒定的持续故障电流和一定的无功支持;DFIG在电网发生故障时能提供持续的故障电流,但故障电流呈衰减特性。