基于开关模态频率特征的船舶储能变流器故障在线检测方法

本文对船舶储能三电平BUCK-BOOST双向变流器IGBT开路故障检测方法进行研究.首先分析了三电平BUCK-BOOST双向变流器开路故障的电流响应及其特征,然后提出一种基于开关模态本征频率特征的变流器开路故障检测方法.该方法采用经验模态分解理论获取输入电流中固有的开关模态分量,通过希尔伯特变换得到开关模态频率并根据其...     

基于电压和电流特征的双馈风电变流器功率器件开路故障综合诊断

变流器功率器件开路故障监测与识别对提高双馈风电系统智能运维至关重要.针对现有基于变流器电压或电流单一特征以及固定阈值的方法难以同时实现功率器件故障诊断监测与识别问题,该文提出一种基于变流器直流母线电压的故障监测与基于转子电流故障识别的综合诊断方法.首先,理论分析变流器功率器件开路故障对直流母线电压的影响,基于累积和(CUSUM)算法,提出基于直流母线电压特征的故障监测方法;其次,针对转子输出电流非平稳特性和阈值固定问题,提出基于归一化输出电流平均值和绝对平均值为故障特征量及自适应阈值的故障识别方法;最后,仿真模拟不同功率器件先后开路,验证所提方法的有效性,以风速随机及电网电压跌落为场景验证所提方法的鲁棒性.同时,以功率器件典型开路故障实验数据验证仿真分析的准确性.仿真与实验结果表明,所提方法能准确实现变流器功率器件开路故障诊断.     

高噪声环境下电厂设备声音融合特征生成方法研究与实现

基于声音信号的电厂设备状态监测是一种新型的设备状态故障诊断技术，电厂的高噪声环境是该技术应用过程中需要解决的技术难点。针对高噪声环境下电厂设备声音识别问题，提出一种基于Mel频率倒谱系数（MFCC）和Gammatone频率倒谱系数（GFCC）的电厂设备声音融合特征生成方法，以实现对不同设备运行声音的准确识别。首先，使用96通道声像仪在电厂高噪声环境中采集处于运行状态的6种设备声音信号，并对声音信号进行预处理，得到多帧样本信号；然后，利用MFCC和GFCC对预处理后的声音信号进行特征提取，得到原始高维特征；为消除噪声影响并降低特征维度，分别使用主成分分析（PCA）、降噪自动编码器（DAE）和t分布-随机近邻嵌入（t-SNE）算法对原始高维特征进行降维处理，计算对应类别可分性准则函数值，将同种降维方法下的降维特征融合得到融合特征；最后，向数据集中加入高斯白噪声，基于融合特征采用支持向量机算法进行设备声音识别，验证融合特征的准确性和鲁棒性。实验结果表明，融合特征既具有MFCC特征的准确性也具有GFCC特征的鲁棒性，相较于降维前的MFCC和GFCC特征提取方法，识别成功率明显提高，可为电厂设备状态监测与故障预警方法的进一步研究提供理论基础。     

模块化五电平逆变器子模块开路故障的智能诊断方法

基于深度学习理论,提出了一种基于栈式稀疏自动编码器(SSAE)的模块化五电平逆变器(MFLI)子模块开路故障诊断方法。该方法将MFLI子模块开路故障检测与定位问题转化成分类问题,首先将子模块电容电压信号组合成24通道序列信号,然后沿着24通道序列移动大小为24×40滑动窗口获得"数据带"样本,紧接着将"数据带"转化为向量输入到SSAE中进行逐层无监督特征学习,构建原始故障数据集的深层特征简明表达,最后将深层特征简明表达连接到Softmax分类器输出故障诊断结果。此外,为了提高该方法的抗噪性能,利用已添加高斯白噪声的数据对SSAE进行训练,以提高其特征表达的鲁棒性。结果表明,所提出的故障诊断方法平均准确度达到98.09%,故障平均诊断时间为31.47ms,且具有较高的鲁棒性。     

基于小波包变换和SVM的三电平逆变器故障诊断

针对中性点箝位型(NPC)三电平逆变器开路故障诊断计算复杂、准确率低等问题,提出一种基于小波包变换和支持向量机(SVM)的故障诊断方法。采用小波包变换将具有各自时频特征的故障信号分解为若干个频段,并重构提取小波包能量作为故障特征向量;将该故障特征向量作为SVM的输入量,运用交叉验证径向基核函数,通过训练数据集得到多类SVM模型,将随机选取的测试集输入训练好的模型中。仿真试验结果表明,该方法可对IGBT开路故障进行诊断并具有更高的故障识别准确率。     

风电变流器的开路故障诊断

分析了功率开关开路故障对双馈风力发电机的电流和其他变量的影响,提出了一种基于电流信号平均值的开路故障诊断方法,该方法适用于双馈风力发电系统双脉宽调制（PWM）变流器中单个或两个功率开关的开路故障诊断。针对诊断系统容易在同步速或同步速附近发生误报的情况,提出了一种新的误报抑制策略,即分别在亚同步和超同步速下,通过改变采样数据在存储器中的存储方向来消除因为电流波形在同步速附近的对称关系引起的误报。仿真结果表明,该方法不仅能完全消除误报,而且能快速准确地诊断出开路故障的位置和类型。     

基于CNN的Buck-Boost变流器开路故障诊断

针对三电平Buck-Boost变流器开关管与续流二极管开路故障特征耦合问题,根据功率器件开路故障前后的时频特征变化,提出一种基于一维卷积神经网络(1D-CNN)的功率器件开路故障检测方法。首先,采用变分模态分解(VMD)算法计算开关模态分量瞬时频率特征,构建变流器输入电流、瞬时频率和电容电压差的特征组合。然后,建立1D-CNN模型并通过Matlab/Simulink仿真数据进行训练。最后,在半实物硬件在环测试平台进行实验验证。实验结果表明,功率器件开路故障会使运行电流瞬时频率发生二倍频突变,通过时频特征数据驱动方法能够准确检测IGBT与续流二极管的开路故障,准确率大于98%,而且时频特征组合具有更高的准确率和工况鲁棒性。     

电流控制型储能变流器控制稳定性分析与谐波谐振抑制技术研究

储能变流器是储能系统平抑新能源电站功率波动和支撑电网调频调压功能的核心载体。对储能变流器关键运行控制技术特别是电流控制模式下的控制策略进行研究,提出了电流内环无静差跟踪控制策略,建立了PI控制器比例、积分关键控制参数最佳阻尼比优化设计方法。基于开环幅相频率特性和开环对数频率特性方法,构建计及储能变流器电流内环的开环频域模型。通过Bode稳定判据,定量分析了不同电流内环比例系数、积分参数以及变流器阻感参数变化对储能变流器控制稳定性的影响,并采用Nyquist稳定判据对比验证,在实时数字仿真试验平台（RT-LAB）开展储能变流器并网测试,不同比例系数和积分系数下的并网系统均保持稳定。基于滤波器的输入电压到输出电流的传递函数,发现储能变流器存在谐波谐振问题,提出基于电容电流反馈的有源阻尼谐振抑制策略,有效消除谐波谐振影响。分析结果表明,所设计的储能变流器及其谐波谐振抑制策略,具备鲁棒性,能够为大型新能源电站建设提供有力支撑。     

基于改进SVM的新能源电站故障诊断方法

新能源电站运行数据量大、运行工况多变，发电机组的故障诊断难度较大。为此，提出了一种基于改进SVM算法的新能源电站故障诊断方法。首先，对SVM（支持向量机）的概念和原理进行了分析，并采用多元SVM分类器对SVM进行优化；然后，研究了光伏电站和风电站的故障信号提取和故障特征分析方法，并在此基础上提出了故障诊断模型；最后，从实际新能源电站获取样本数据，构建了基于决策级融合的改进SVM故障诊断模型，并将故障特征向量输入模型进行训练。结果表明，针对光伏电站的故障诊断准确率达到了97.5%，风电站的故障诊断准确率达到了98.09%，验证了该方法的准确性。     

基于信息融合与深度残差收缩网络的DAB变换器开路故障诊断方法

针对双有源桥(DAB)变换器开路故障诊断存在的多信号诊断和诊断阈值设置问题,提出了一种基于信息融合和深度残差收缩网络(DRSN)的DAB变换器开路故障诊断方法。首先,将DAB变换器的开路故障诊断信号减少至3个,减少了信号传感器的数量;其次,采用递归图法和脉冲耦合神经网络将3个诊断信号的时间序列转化为图像进行信息融合,生成的融合图像可以反映不同故障状态下的故障特征且便于深度学习网络进行分类;最后,将融合图像输入构建的DRSN进行故障诊断,可以避免设置诊断阈值。使用RT-LAB搭建DAB变换器半实物系统进行实验。实验结果表明选择的3个诊断信号能够有效区分DAB变换器各IGBT开路故障状态。对比分析表明所提出的方法具有较高的故障诊断精度,平均诊断精度可达98.44%。     

基于改进支持向量机的MMC-MG系统桥臂故障诊断

模块化多电平换流器(modular multilevel converter, MMC)半桥串联结构微电网系统桥臂中各发电模块通过串联方式连接,其投入和切除由半桥变流器(half-bridgeconverter, HC)中绝缘栅双极型晶体管(insulatedgatebipolar transistor,IGBT)的开通与关断来实现。而该系统在并网双闭环控制下,若桥臂中HC及其连接线路发生故障,会对系统的输出特性造成一定影响。为此,分析了HC中IGBT与其反并联二极管发生开路或短路故障,以及HC之间的连接线路发生开路故障时,桥臂输出电压电流、相间环流、并网电流等参数的变化情况。选取异常变化明显的参数作为特征属性,并用其构造样本数据集。另外,在系统桥臂的故障诊断中,针对采用传统支持向量机(support vector machine, SVM)时其准确率较低的问题,建立基于鲸鱼改进SVM的故障诊断模型。结合不同数据集,通过仿真实验对所建模型的有效性进行验证。结果表明：与传统SVM和BP神经网络算法相比,基于鲸鱼改进SVM的故障桥臂诊断方法准确率更高。     

基于MODWPT与LFDA的模拟电路故障诊断

在模拟电路故障诊断过程中,存在故障特征信息提取不充分以及特征信息冗余的问题,对此,提出一种基于最大重叠离散小波包变换(MODWPT)与局部Fisher判别(LFDA)的模拟电路故障诊断方法。该方法中,首先利用MODWPT进行模拟电路原始信号处理与故障特征提取;随后,针对高维特征集中存在冗余信息,不利于模式识别与分类,利用LFDA方法进行降维,获取更有益于故障模式识别的低维特征集;最后,支持向量机(SVM)作为故障模式识别分类器,在此基础上构建模拟电路故障诊断模型。电路仿真实验结果表明,所提出方法的最大故障诊断准确率可达99.17%,从而验证了所提方法的有效性。     

基于长短期记忆网络的永磁同步风机变换器开路故障诊断研究

永磁同步风机通过全功率背靠背变换器与电网连接,实现风能与电能的转换。风机的运行环境恶劣,变换器的电力电子开关器件容易发生开路故障,影响风力发电系统的正常运行。针对永磁同步风机网侧变换器和机侧变换器常见的开关管开路故障,提出一种基于长短期记忆网络的故障诊断算法。分析变换器开关管故障下的永磁同步风机输出变化,基于风机变换器开路故障样本数据,构造具有多隐藏层的网络结构挖掘信号中的隐藏信息,充分利用长短期记忆网络优异的模式识别能力,深度提取不同工作条件和故障状态下的网侧电流和发电机电流的信号特征,提高故障诊断性能。仿真结果表明,提出的故障诊断方法能够快速、准确地识别出永磁同步风机的变换器开路故障。     

一种基于桥臂电流畸变及自适应观测的MMC子模块开路故障诊断定位方法

模块化多电平换流器的子模块数量较多,增大了系统发生故障的概率,因此子模块故障的快速诊断和准确定位是保障换流器持续运行的关键。针对MMC子模块开路故障,提出了一种基于桥臂电流畸变及自适应观测的故障诊断和定位方法。通过对故障后桥臂电流的特征提取,判断出故障发生的桥臂以及开路故障的类型;然后利用自适应观测器得到子模块电容电压观测值与实际值的残差,从而实现故障子模块的快速和准确定位;最后利用Matlab/Simulink软件搭建MMC变换器仿真平台,通过对不同相、不同桥臂和不同类型的故障进行仿真,验证了所提故障诊断和定位算法的正确性与有效性。     

基于LSTM神经网络的油浸式变压器异常声纹诊断方法研究

利用声音信号对电力变压器进行状态诊断是一种不停机、无接触的设备维护方法,可以诊断变压器异常状态类型。提出了一种基于LSTM神经网络的电力变压器异常诊断的方法,采集电力变压器在正常状态、过载和放电3种运行状态下发出的声音信号,将声音信号进行预处理并提取声音信号的MFCC特征,再将其通过一、二阶差分组合成一组声音特征的矢量,输入LSTM神经网络中进行训练。训练结果表明,将LSTM神经网络应用在电力变压器状态声音诊断上对3种状态的识别均能达到99%以上的准确率。     

基于 tSNE-ASC 特征选择和 DSmT 融合决策的 滚动轴承声振信号故障诊断

针对滚动轴承早期故障特征微弱且难以有效辨识的问题,提出一种基于tSNE-ASC特征选择和DSmT融合决策的滚动轴承声振信号故障诊断方法。利用多个传感器采集轴承在不同故障模式下的声振信号,将每个信号通过VMD分解得到K个IMF分量;对各个IMF分量进行特征提取,构建各个特征的数据集矩阵;利用tSNE将各特征数据集矩阵降维至二维,计算平均轮廓系数(ASC);根据ASC大于临界值提取出声振故障信号的敏感特征;基于诊断模型实现轴承故障的初级诊断;利用DSmT将声振信号初级诊断结果进行融合决策,得出最终的诊断结论。实验结果表明：基于tSNE-ASC的特征选择方法能有效提取混合域特征中的敏感特征,在不同工况、不同诊断模型中均具有很高的诊断精度;DSmT决策融合有效降低了单一信号诊断的不确定性,在变载荷和升降速非平稳工况下均有很高的诊断精度。     

三电平有源电力滤波器IGBT开路故障诊断方法研究

针对三电平中点钳位式(Neutral Point Clamped,NPC)有源电力滤波器(Active Power Filter,APF)中功率器件IGBT开路故障的诊断问题,提出采用小波包分析故障信号,提取各频段能量系数作为故障特征,并利用网格搜索支持向量机(Support Vector Machine,SVM)进行分类的诊断方法。将所提方法应用于三个测试点进行测试,分别为逆变输出侧三相补偿电流、直流侧电容电压、电源侧三相电流,然后针对各信号的特点完成故障特征提取与故障类型识别,最后在谐波源三相整流桥触发角变化时进行了适应性实验,结果表明所提出的方法可分别基于三个测试点实现故障诊断,并且基于直流侧电容电压的测量方式对谐波源变化有良好的适应性。