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。     

考虑运行环境影响的海上双馈风电机组状态判别

运行环境对海上风电机组状态的影响不可忽视,而运行环境因素与风电机组状态变量间耦合关系复杂,文中提出一种基于贝叶斯决策理论和Copula函数的海上风电机组状态判别方法。首先,挖掘运行环境与风电机组状态变量间的相关性特征,分别在风电机组正常和故障两种情况下,利用多元Copula函数构建对应变量的联合密度函数;然后,依托贝叶斯决策理论进行风电机组状态判别;最后,以中国某海上风电场实际运行工况为例进行分析。结果表明：运行环境对风电机组状态判别影响较大,考虑运行环境影响可提高风电机组判别结果的准确率,为利用海上环境因素进行风电机组早期状态预测提供新的参考依据。     

基于机电信号融合的DFIG定子绕组匝间短路故障诊断

定子绕组匝间短路故障是双馈异步发电机(DFIG)常见的故障形式,发生概率高达30%,直接威胁到发电机的安全运行。发电机在复杂多变的环境下运行时,单一故障特征往往难以精准地反映故障,从而易产生误判、漏判的情况。文中提出一种基于电气、机械信号融合的定子绕组匝间短路故障诊断新方法——负序电流差与定子径向振动信号的二倍频分量联合诊断。首先利用支持向量机分别计算单一故障特征下的匝间短路故障概率;然后将其作为D-S证据理论的基本概率分配,依托证据组合规则,得出定子绕组匝间短路的最终诊断结果。实验结果表明:与基于单一信号的故障诊断方法相比,该方法能够更有效地诊断定子绕组匝间短路故障并可靠识别短路匝数,提高故障诊断的精确度,可推广应用至海上风电等对故障识别精度要求更高的领域。     

分法的便携式电缆结构参数测试仪设计

电缆产品对绝缘层、屏蔽层的厚度及偏心率的要求很高,目前缺乏一种针对高压电缆导体进行相关测量的便携式设备。基于多分法设计了一款便携式电缆结构参数测试仪,采用精密工业相机和双远心镜头作为拍照单元,采用环形光源和LED背光作为光场,获取待测物体的高清表面图像。通过电缆导轨以平移电缆的方式拍摄多张电缆局部照片,建立高精度标定场,将像素空间量度转换为实际物理空间尺寸,利用机器视觉技术自动测量大直径电缆结构参数。便携式设计及智能算法的引入,能有效降低对检测人员的技术要求,一键式操作快速测量提升电缆检测效率,将对电缆产品质量管理水平带来极大提升。