3MW风电系统变流器装置的故障诊断

论文摘要

风能是目前增长最快的可再生能源,大型风力发电机的变流器装置中存在着大量的电力电子器件,当他们发生故障时种类比较繁多,以往单纯依靠经验判断,显然不能满足现在复杂系统的要求。研究具有人类大脑的学习能力的智能故障诊断方法成为故障诊断领域的专家学者研究的目标并具有重大意义。本文介绍了风力发电的现状与前景,阐述了风力发电系统中变流器装置的工作原理及作用,探讨变流器装置中的电力电子器件的故障诊断方法,以变流器中的二极管和绝缘栅双极性晶体管(IGBT)开路故障为例,提出了小波分析方法与神经网络相结合的故障诊断方法。并针对风力发电中变流器的特殊运行方式,提出分频段控制故障诊断方法。首先针对风力发电系统各个组成部分搭建仿真模型。分析变流器存在的故障状态,并对其进行分类,风力发电系统的变流器包括整流和逆变两个部分,采集整流输出端电压信号经归一化处理后,作为神经网络的输入,采用RBF网络对单变流器部分进行诊断,并与采用BP神经网络的诊断结果进行比较,诊断结果表明在单变流器故障诊断时,RBF网络的诊断精度要高于BP网络。其次,在变流器整流部分和逆变部分同时发生故障时,种类繁多,因此选取部分具有代表意义的故障类型,采用小波分析提取故障的频率能量值,采用RBF网络作为故障分类器,并通过仿真实验验证小波分析方法的可行性。最后,针对风力发电系统变流器的运行方式的特殊性,即频率随着风速的大小波动这一特点,本文采用分频段诊断方法,即在不同频率段使用不同的神经网络,对不同神经网络的输出结果进行决策得到正确故障诊断结果,从而实现频率变化时仍能准确实现故障诊断。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题背景及意义
• 1.2 风电系统变流器的结构及工作原理
• 1.3 国内外变流器故障诊断技术研究现状
• 1.3.1 神经网络在故障诊断中的应用
• 1.3.2 小波分析在故障诊断中的应用
• 1.4 本文研究的主要内容
• 第二章 风电系统变流器装置的故障分析
• 2.1 风电系统的数学模型建立
• 2.1.1 风速模型
• 2.1.2 风轮机数学模型
• 2.1.3 双馈感应电机模型
• 2.1.4 变流器数学模型
• 2.2 仿真模型的建立
• 2.3 常见故障分析
• 2.3.1 单变流器故障分类
• 2.3.2 双变流器故障分类
• 2.4 故障波形信号的获取
• 2.5 故障特征值的提取
• 2.6 本章小结
• 第三章 基于神经网络的故障诊断方法
• 3.1 神经网络原理
• 3.1.1 神经元模型
• 3.1.2 神经网络的学习方法
• 3.2 RBF网络结构及原理
• 3.2.1 RBF函数神经网络结构
• 3.2.2 RBF网络的设计
• 3.3 基于神经网络的单变流器故障诊断
• 3.3.1 基于BP网络的故障诊断方法
• 3.3.2 基于RBF网络的故障诊断方法
• 3.3.3 RBF网络与BP网络的比较
• 3.4 本章小结
• 第四章 基于小波神经网络的故障诊断方法
• 4.1 小波变换的基本理论
• 4.2 小波基的选取
• 4.3 基于小波分解的故障能量提取
• 4.4 基于小波RBF网络的双变流器故障诊断
• 4.5 本章小结
• 第五章 变流器分频段故障诊断方法
• 5.1 分频段原理
• 5.2 仿真实例
• 5.2.1 样本编码
• 5.2.2 分频段样本采集
• 5.2.3 训练网络
• 5.2.4 测试
• 5.3 本章小结
• 第六章 结论与展望
• 参考文献
• 在学研究成果
• 致谢