[发明专利]双馈异步风机电能质量异常故障诊断方法

说明书

一种双馈异步风机电能质量异常故障诊断方法，包括以下步骤：步骤1)采用经验小波分解方法对原始电能质量扰动信号进行分解；步骤2)把K个f_i(t)子信号行向量进行竖向排列，得到一个基于经验小波分解的时域信号矩阵F；步骤3)引入半监督协同训练进行数据重构，去除噪声或错误样本；步骤4)构建卷积神经网络模型，将时域信号矩阵F作为卷积神经网络模型的输入，利用训练集训练卷积神经网络模型，进行参数调整，利用测试集测试卷积神经网络模型；步骤5)将卷积神经网络特征值矩阵作为支持向量机模型的输入，进行双馈异步风机电能质量异常故障信号识别。本发明得到的双馈异步风机电能质量异常故障诊断分类器具有较好的分类精度和鲁棒性。

技术领域

本发明涉及一种双馈异步风机电能质量异常故障诊断方法。

背景技术

近年来，随着非线性电气设备的日益广泛应用，电能质量事件在电力系统中经常发生。就双馈异步风力发电机而言，当风速变化时，为了捕获最大风能，风机的转速会发生变化，此时为了保证工频恒定输出，需要控制转子电流频率使得维持电机定子频率恒定，当风机逆变装置发生故障时，并网风机会造成谐波、电压跌落、电压隆起、闪变等电能质量扰动故障。以往的工作通常是从电信号中提取数理统计特征，并用传统的机器学习方法构造相应的分类器，对电能质量扰动事件监测，受限于统计特征的单一性和信号处理的局限性，此类方法无法满足实际情况下风机电能质量异常故障诊断高精度和自动化的要求。此外，在电能质量故障诊断辨识的实际应用中，往往存在海量的无类标签样本，但需要使用特殊设备或经过昂贵且耗时的实验过程，对数据样本进行标记才能得到带标签的样本，由此产生了极少量的有标签样本和大量过剩的无标签样本，需要将大量的无标签样本加入到有限的有标签样本中一起进行训练，使得模型的鲁棒性进一步提升。

发明内容

针对上述问题，本发明提出了一种基于经验小波变换和卷积神经网络相结合的双馈异步风机电能质量异常故障诊断方法。结合经验小波能自适应分解非平稳信号特性，对电压信号进行分解和降噪，结合半监督协同训练学习方法，对数据进行重构，去除噪声和错误样本，通过卷积神经网络对分解信号进行特征自动提取和筛选，利用得到的优化特征向量构造支持向量机分类器，从而实现双馈异步风机电能质量异常故障诊断和模式辨识。与其他方法相比，本发明提出的方法可以自适应分解电能质量异常扰动信号，并深度提取信号特征，建立得到的双馈异步风机电能质量异常故障诊断分类器具有较好的分类精度和鲁棒性。

本发明解决其技术问题所采用的技术方案是：

一种双馈异步风机电能质量异常故障诊断方法，包括以下步骤：

步骤1)对于双馈异步风机电能质量扰动信号x(t)，信号采样频率为fs，采样点数为Ns，采用经验小波分解方法对原始电能质量扰动信号进行分解，其中，K为分解数目，f_i(t)为分解子信号，通过经验小波分解，x(t)表示为K个f_i(t)的叠加之和；

步骤2)将经验小波分解得到的f_i(t)子信号看做一维行向量矩阵，把K个f_i(t)子信号行向量进行竖向排列，得到一个基于经验小波分解的时域信号矩阵F，如式(2)所示。

步骤3)时域信号矩阵F，引入半监督协同训练进行数据重构，去除噪声或错误样本；

步骤4)构建卷积神经网络模型，将时域信号矩阵F作为卷积神经网络模型的输入，利用训练集训练卷积神经网络模型，进行参数调整，利用测试集测试卷积神经网络模型；

步骤5)将步骤4)输出得到的卷积神经网络特征值矩阵，作为支持向量机模型的输入，进行双馈异步风机电能质量异常故障信号识别。