浅谈双馈异步风力发电机变频器运行控制技术

变频器控制技术作为风力发电机关键技术环节,对风电机组安全、经济运行具有重要作用.笔者介绍了某风电场风力发电机变频器电气结构原理及工作逻辑,归纳整理出双馈异步风力发电机变频器运用过程中应注意的技术细节及日常巡检维护要求,为风力发电机组变频器运行质量提升、风电场风能利用效率提高、发电机及变频器安全运行控制提供参考.     

基于BP神经网络算法下的边坡安全预测

边坡的实时变形一直是岩土工程界关心的问题,由于不同工程的条件不同,影响边坡位移的因素较多,进而使其变化趋势复杂.为了得到边坡位移与稳定性的关系,采用BP神经网络算法与强度折减法综合对土质边坡安全系数进行预测.结果显示:通过强度折减法计算出边坡位移,并获取较完善的BP神经网络样本数据,当迭代次数达到足够时,完全可以忽略预测结果与实际结果的误差;通过实际工程中的边坡监测数据,然后由建立的BP神经网络能够较为准确的输出边坡的强度折减系数,进而得到相应的安全系数.     

双馈异步风力发电机开关频率恒定的直接功率控制

与矢量控制相比,直接功率控制(DPC)结构简单,应用于风电系统的双馈异步发电机(DFIG)能简化变频器控制结构,提高系统动态性能。在分析DFIG暂态数学模型的基础上推导了内部状态量与控制量之间的关系,提出了分别基于转子磁链、转子电流和电磁转矩的3种DPC策略,并通过引入空间矢量调制(SVM)技术使DPC策略的开关频率保持恒定。这些策略在电网正常情况下能获得优良的静态性能,而在非正常运行状态各自表现出不同的动态特性,能适用于不同的控制目标。理论分析与仿真实验证明,电网正常情况下各定频DPC可有效实现有功、无功功率的解耦控制;电网电压波动时基于转子磁链DPC(RFDPC)可使DFIG快速进入稳定状态,缩短振荡时间;基于转子电流DPC(RCDPC)可抑制转子电流振荡,防止变频器过流;基于电磁转矩DPC(EMTDPC)可消除电磁转矩脉动,减少对机组转轴剪切应力冲击。     

基于EEMD的BP神经网络边坡预测研究

针对边坡变形中非平稳和非线性的数据处理问题,提出一种基于集合经验模态分解(EEMD)和BP神经网络相结合的边坡变形预测新算法(EEMD-BP)。该算法先对边坡变形序列进行EEMD分解,有效分离出隐含在时序中具有不同尺度特征的子序列,进而对各子序列建立BP神经网络预测模型,最后叠加各子序列预测值得到边坡变形最终预测结果。与GM(1,1)和BP神经网络模型对比分析表明,该算法预测精度较高,在边坡变形波动剧烈时段,也能保证较优的局部预测值和较好的全局预测精度。     

双馈异步发电机在变速恒频风力发电系统中的应用

现代兆瓦级以上的大型并网型风力发电机组，多采用风力机叶片浆距可以调节的双馈异步发电机及变速恒频运行的方式。这种运行方式可以实现优化风力发电机组内部的机械负载及优化电力系统的电网质量；双馈异步发电机的变速恒频运行是建立在发电机交流励磁变速恒频发电技术基础上的。在变速恒频风力发电系统中，由于风能的不稳定性和捕获最大风能的要求，要求转子交流励磁电源不仅要有良好的变频输入、输出特性，而且要有能量双向流动的能力。     

基于BP神经网络-实时跟踪算法的海堤沉降预测

对海堤工程进行实时监控对保障堤防安全具有重要意义。以浙江省某海堤工程沉降数据为研究对象,建立基于MATLAB的BP神经网络-实时跟踪组合预测算法模型,并用原型观测数据对其进行了校核和检验,最后将该算法结果与灰色理论中的GM（1,1）模型结果进行比较。结果表明,用BP神经网络-实时跟踪组合算法预测海堤工程变形具有较高精度和抗噪性,为海堤工程变形沉降预测提供了新的研究思路。     

水轮发电机定子绕组绝缘的老化特征和寿命预测

对南津渡水电站发电机定子线棒的绝缘结构和防晕结构进行了介绍,针对南津渡水电站运行14年来3台机组运行状况,探讨了环氧粉云母绝缘的发电机在运行过程中经受电、热及机械老化后的特征,最后提出了预测绝缘寿命的方法和判据。     

变速恒频双馈电机风电场电压控制策略

提出了一种基于变速恒频双馈电机的风电场电压控制策略,该策略以风电场出口升压变压器高压侧电压为控制目标。介绍了该控制策略的总体结构,阐述了风电场高压侧电压控制的原理,并考虑风电场无功功率极限,研究了无功功率控制、分配和故障情况下紧急电压控制方案。针对风速扰动和电压骤降2种情况进行了仿真。仿真结果表明,所提出的控制方案与功率因数控制和传统的电压控制策略相比可以明显地提升风电场电压水平,且无需高压侧信号、经济有效。     

基于遗传算法优化神经网络的直驱式风力发电机变频器故障诊断研究

针对直驱式风力发电机变频器的易故障性和故障难以识别定位的问题提出一种智能的变频器故障诊断方法.在分析直驱式风力发电机及全功率因数变换器数学模型的基础上讨论了变频器的故障机理和常见的故障分类,结合PSIM软件建立能模拟各种全额变频器故障的直驱式风力发电系统仿真模型并获取仿真结果,在MATLAB下设计一个基于神经网络的故障诊断系统并运用遗传算法优化神经网络初始权值、阀值以此提高变频器故障诊断系统的性能.     

基于BP神经网络的光伏发电功率预测模型研究

光伏发电功率预测对提高光伏发电并网系统调度质量有重要意义.通过建立基于BP神经网络的光伏发电预测模型,并创新性地提出将光伏组件环境清洁度作为模型输入因子,对光伏电站发电功率进行预测.采用新疆电力科学研究院光伏发电系统作为算例验证平台,证明了模型的有效性.     

基于BP神经网络的改良黄土强度参数预测

选用新型固化材料SH改良黄土,以室内土工试验数据为学习样本和测试样本,通过BP神经网络模型就含水率对改良黄土力学参数的影响进行了预测分析,结果表明:隐含层函数为正切tansig函数、输出层为对数logsig函数、隐含层神经元数为9时训练次数最少,模型误差最小;根据试验数据建立了非线性预测模型,预测结果与试验数值基本吻合,内摩擦角的平均误差为0.5%,黏聚力的平均误差为7.74%,内摩擦角的预测效果优于黏聚力的,但整体误差较小,且都在土工试验允许误差范围内,可见将BP神经网络应用到力学参数的预测中是合理的。     

基于MATLAB下BP神经网络的边坡稳定性预测

将MATLAB中的BP神经网络引入到边坡稳定性研究中,但由于标准的BP算法存在收敛速度慢、容易陷人局部极小点等缺点,为此采用各种改进及优化的算法,以寻求更适合边坡稳定性预测研究的算法。本文结合了大量边坡实例,经过理论分析和实例测试,能显著提高训练速度、减少收敛周期,达到很好的边坡稳定性预测结果。     

基于改进BP神经网络的大坝变形监测模型预报

变形监测是大坝安全运行的重要保证,结合白石水库混凝土坝真空激光X向位移资料进行分析,提出应用改进的BP神经网络思想建立的安全监测模型,结合对相关数据参数进行系统性的研究,并与传统BP神经网络模型训练、预测结果对比,得出改进的BP神经网格模型优于传统BP神经网络模型,具有一定抗差能力,能够降权使用可疑值,相关系数较高,预测精度好,可在实际中广泛运用。     

基于粒子群优化BP神经网络的隧道围岩位移反演分析

针对无锡惠山隧道岩体破碎、围岩稳定性差等特点,基于长期现场监测变形位移数据,借助粒子群算法的参数优化功能,利用Matlab神经网络工具箱编制了优化PSO—BP隧道位移反分析系统。PSO—BP系统利用正交试验设计和有限元方法获得学习样本,再通过粒子群算法搜索最优的神经网络模型参数。用BP神经网络模型建立待反参数与实测位移之间的非线性映射关系,最后用粒子群算法从全局空间上搜索最优反演参数。克服了普通智能优化算法收敛速度慢、正分析计算量大等缺陷,具有全局优化特性。将模型应用于惠山隧道Ⅳ级围岩断面ZK6+485的反分析中,计算结果与实测值对比表明采用PSO—BP预测模型进行隧道位移预测是可行的。     

基于新维BP神经网络-马尔科夫链模型的大坝沉降预测

基于组合预测思想,结合BP神经网络和马尔科夫链2种预测方法,构建了一种新维BP神经网络-马尔科夫链大坝沉降预测模型。通过对训练样本的学习,利用新维改进的BP神经网络算法实现了对沉降位移时间序列的滚动预测。在此基础上,借助马尔科夫链模型对其随机扰动误差进行修正,有效地提高了预测结果的精度。将构建的组合模型应用于长洲大坝船闸控制楼沉降位移时序预测中,研究结果表明该模型预测精度较高、可靠性好,提高了模型的中长期预测能力,为大坝沉降预测提供了一种有效的新方法。     

基于误差修正的BP神经网络含沙量预报模型

以黄河龙门—潼关河段作为研究区域,在分析区间来沙来水对含沙量影响的基础上,建立了基于BP神经网络的潼关站含沙量过程预报模型。同时,为提高预报模型的预报精度,利用误差序列建立了相应的误差自回归模型对预报结果进行校正。校正前后泥沙过程的对比分析表明,校正后的泥沙过程预报精度有较显著的提高,5场验证泥沙场次的平均确定性系数由校正前的0.35提高到校正后的0.76。