[发明专利]一种双馈风力发电机组故障识别方法

说明书

本发明设计了一种双馈风力发电机组故障识别方法。包括步骤：搭建并网型双馈风力发电场的仿真模型，并在仿真模型中设置故障，采集模型的各项运行数据；将仿真模型在故障情况下的运行数据输入改进深度置信网络模型，进行模型的预训练和反向调优；利用实际机组的运行数据，进行迁移学习，得到最后的故障识别模型。本发明的有益效果在于，利用基于数据驱动的改进深度置信网络算法和迁移学习相结合的方法，解决了传统方法建模过程困难复杂的问题，有利于深入挖掘故障数据特征；将预训练模型利用某个双馈风力发电机组的实际运行数据进行迁移学习，提高了故障识别模型的准确率，有效的解决了实测样本数据不足的问题，增强了模型的普适性。

技术领域

本发明涉及故障识别领域，尤其是涉及一种双馈风力发电机组的故障识别方法。

背景技术

风电场内部的双馈风力发电机机组在发生故障后会对整个系统的稳定运行和电能质量产生影响，严重时会引发风机大规模脱网，损坏设备，甚至使系统崩溃。双馈风力发电机组结构复杂，高度电力电子化，具有很强的非线性特征，并且故障机理复杂，基于物理模型的故障机理和特性分析越来越困难；现有的基于人工智能技术和数据驱动的风力发电机组故障识别方法存在数据样本不足和计算效率低的问题，并且目前缺乏针对双馈风力发电机组的一种系统的故障识别方法。

发明内容

本发明的目的是提供一种双馈风力发电机组故障识别方法，通过在仿真模型中采集数据进行模型训练，再利用实际风电场的运行数据进行迁移学习，能建立一个较为精准的故障识别模型。

本发明提供如下技术方案如下：

步骤1：根据实际风电场的拓扑结构，基于RTDS和Bladed，搭建包含多个双馈风力发电机组的并网型双馈风电场模型，其中一个机组采用基于RTDS和Bladed的精细化联合仿真模型。

步骤2：在仿真模型中设置12种常见的故障，包括机组内部故障和机组外部系统故障，其中机组内部故障包括：叶片故障、传动系统故障、偏航控制器故障、偏航执行机构故障、变桨控制器故障、变桨控制系统故障、机侧变流器故障，网侧变流器故障，发电机出线故障，直流侧电容故障；机组外部系统故障包括并网点电压骤降和并网点电压骤升；采集仿真模型中的22项运行数据，包括机组内部运行数据和机组外部系统运行数据，其中机组内部运行数据包括：风速X₁，风机叶片的转速X₂，桨据角X₃，转子转速X₄，转子绕组的电压X₅，转子绕组的电流X₆，转子绕组的瞬时功率X₇，转子绕组的有功功率X₈，偏航电机转矩出力X₉，偏航角度X₁₀，变桨电机转矩出力X₁₁，直流侧电容电压X₁₂，网侧换流器输出电流X₁₃，网侧换流器输出电压X₁₄，网侧换流器输出有功功率X₁₅，定子绕组输出有功功率X₁₇，定子绕组输出无功功率X₁₈；机组外部系统运行数据包括并网点出线电压X₁₉，并网点出线电流X₂₀，并网点出线有功功率X₂₁，并网点出线无功功率X₂₂。收集实际风电场在故障情况下，在与仿真模型相对应的位置的22项类型相同的数据。

步骤3：收集的仿真数据和实际运行数据进行数据预处理：将在t时刻测得的22项数据用一个22维的向量表示，即：取在额定情况下运行的一组数据X^N，将收集到的多组数据先进行倍乘K，然后进行标幺值运算，将标幺值运算之后的数据记为X^T，其中K值先随意预设一个正整数初值，如：K＝100，然后根据步骤7中性能指标TS要求再做调整。