[发明专利]基于小波遗传神经网络的双馈式风电变流器故障监测方法

说明书

本发明涉及一种基于小波遗传神经网络的双馈式风电变流器故障监测方法，包括以下步骤：S1，获取双馈式风力发电系统的正常状态的电流信号故障状态的电流信号；S2，采用小波分析对故障状态的电流信号进行处理，得到低频信号和高频信号；S3，对高频信号进行二次小波分解，再通过小波变换提取故障能量，得到可以体现故障现象的故障特征向量；S4，采用遗传算法对神经网络模型进行训练；S5，利用训练好的神经网络模型进行变流器故障类型识别。与现有技术相比，本发明克服了传统技术对变流器主电路故障诊断可靠性不高、诊断不及时、鲁棒性较差的缺点，具有较强的逼近能力、容错能力，确保了故障诊断的准确性、时效性和鲁棒性。

技术领域

本发明涉及一种风电变流器故障监测方法，尤其是涉及一种基于小波遗传神经网络的双馈式风电变流器故障监测方法。

背景技术

变流器是风电机组里的关键部件，相较于其他部件变流器的稳定性是相对较差的，变流器一旦发生故障，若短时间内不进行处理，会使系统的部件产生不可逆的损坏，而风电机组多运行在环境恶劣的地方，故障的发生几乎不可避免。变流器的故障问题已经引起了众多专家的关注并取得了一些成果，目前主流的故障诊断方法有基于电流park矢量相位角斜率、通过离散傅里叶变换得到电流基波幅值、基于BP神经网络等故障检测方法。这些方法对变流器的主电路故障研究具有很大的指导意义。

然而上述的park矢量和离散傅里叶变换的IGBT开路诊断方法由于采用了电流来进行故障诊断，具有负载依赖性，容易产生误警报，且为了实时执行，采用了复杂的模式识别算法，不可在集成式的驱动控制器中采用。另外，此两种故障诊断方法多采用固定阈值来进行故障诊断，随着运行状态的改变阈值需不断调整，鲁棒性较差。而BP算法存在收敛速度慢、容易陷入局部极小值的问题。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于小波遗传神经网络的双馈式风电变流器故障监测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于小波遗传神经网络的双馈式风电变流器故障监测方法，所述的双馈式风力发电系统拓扑结构包括依次连接的风机、机侧变流器和网侧变流器，所述的方法包括以下步骤：

S1，获取双馈式风力发电系统的正常状态的电流信号故障状态的电流信号；

S2，采用小波分析对故障状态的电流信号进行处理，得到低频信号和高频信号；

S3，对高频信号进行二次小波分解，再通过小波变换提取故障能量，得到可以体现故障现象的故障特征向量；

S4，对故障特征向量表进行分析归类，确定故障类型，给出故障代码，编写变流器故障模式编码图，采用遗传算法对神经网络模型进行训练；

S5，根据电流信号，利用训练好的神经网络模型进行变流器故障类型识别。

所述的步骤S3包括以下流程：

选择db3小波基函数对电流信号进行六层分解，得到高频信号和低频信号；

依次对高频信号进行二次分解、重构，提取高频系数、提取高频系数能量值；

依次对低频信号进行重构，提取低频系数、提取低频系数能量值；

以高频系数能量值和低频系数能量值为元素，构造故障特征向量，并对故障特征向量进行归一化处理。

所述的归一化处理过程包括：求取高频系数能量值和低频系数能量值的有效值，然后将各元素除以有效值，所述的有效值由各系数能量值的平方值求和再开方得到。

所述的神经网络模型的输入值为故障特征向量和电流平均值。

所述的步骤S4中，神经网络模型为三层神经网络模型。