基于GRU-CNN的双馈风力发电机电刷滑环电弧故障诊断.pdf
《基于GRU-CNN的双馈风力发电机电刷滑环电弧故障诊断.pdf》由会员分享,可在线阅读,更多相关《基于GRU-CNN的双馈风力发电机电刷滑环电弧故障诊断.pdf(6页珍藏版)》请在咨信网上搜索。
1、第 61 卷 第 8 期Vol.61 No.82023 年 8 月August 2023农业装备与车辆工程AGRICULTURAL EQUIPMENT&VEHICLE ENGINEERING0 引言据全球风能理事会(GlobalWindEnergyCouncil,GWEC)发布的分析报告显示,风电总装机规模已增长到 8.37 亿 kW,据估计全球未来 10 年内将以当前的 3 倍速度安装和发展风力发电设施1。该报告表明风电将成为世界各国实现能源生产清洁化的关键途径之一2。风能作为近年发展最快的能源类型,具有很强的竞争力和经济效益。双馈风力发电机(Doubly-FedInductionGener
2、ator,DFIG)凭 借其转速灵敏、功率变换双向、变频控制灵活等特点广泛应用于风电事业3。风力发电机组是一个涉及空气动力、机械、电子、电气、控制等诸多技术领域的复杂能量转换系统4。由于直流串联故障电弧doi:10.3969/j.issn.1673-3142.2023.08.010基于 GRU-CNN 的双馈风力发电机电刷滑环电弧故障诊断张博文1,莫英东1,王晗钰1,袁帅1,2(1.200093上海市上海理工大学机械工程学院;2.230601 安徽省合肥市高节能电机及控制技术国家地方联合工程实验室)摘要 电刷滑环系统是双馈风力发电机(DFIG)励磁系统的重要组成部分,由于 DFIG 的电刷滑环
3、故障频发,加之现场缺少可检修条件,严重时因此造成的单机停机故障可令整个电场运行面临瘫痪。电弧故障严重影响电力设备的稳定运行,故障电弧发生时电流一般较小,其有效值达不到电流保护装置的整定值,而在某些负载工况下,正常工作状态的电流与串联电弧故障电流波形特征非常相似,导致串联电弧难以识别。针对串联电弧故障的识别难点,提出一种基于门控循环单元模型-卷积神经网络(GRU-CNN)的 DFIG 电刷滑环故障电弧检测模型。首先,分析了 DFIG 中故障电弧的成因;然后以电流、电压和磁环 3 种信号作为输入特征值,滤波后构建基于 GRU-CNN 的故障电弧检测模型;最后搭建滑环装置诊断实验平台,用相同的实验数
4、据和层数训练 GRU、CNN 和 GRU-CNN 网络。结果表明,基于 GRU-CNN 的故障电弧检测模型的精确率和召回率均保持在 99%以上,具有较强的工程实践意义。关键词 双馈风力发电机;电刷滑环;门控循环单元-卷积神经网络;故障诊断 中图分类号 TP183 文献标志码 B 文章编号 1673-3142(2023)08-0045-06引用格式:张博文,莫英东,王晗钰,等.基于 GRU-CNN 的双馈风力发电机电刷滑环电弧故障诊断 J.农业装备与车辆工程,2023,61(8):45-50.Fault diagnosis of doubly-fed induction generator br
5、ush ring based on GRU-CNNZHANGBowen1,MOYingdong1,WANGHanyu1,YUANShuai1,2(1.SchoolofMechanicalEngineering,UniversityofShanghaiforScienceandTechnology,Shanghai200093,China;2.NationalandLocalJointEngineeringLaboratoryofEnergy-SavingMotorandControlTechnology,Shanghai200093,China)AbstractThebrushslipring
6、systemisanimportantpartoftheexcitationsystemofthedoublyfedwindturbinegenerator(DFIG).DuetothefrequentoccurrenceofbrushslipringfaultsinDFIGandthelackofmaintenanceconditionsonsite,thesinglemachineshutdownfaultcausedbythiscanparalyzetheoperationoftheentireelectricfieldandcausemoreeconomiclosses.Arcfaul
7、twillseriouslyaffectthestableoperationofpowerequipment.Whenthefaultarcoccurs,thecurrentisgenerallysmall,anditseffectivevaluecannotreachthesettingvalueofthecurrentprotectiondevice.Undersomeloadconditions,thecurrentinthenormalworkingstateisverysimilartothefaultcurrentwaveformcharacteristicsoftheseries
8、arc,whichleadstothedifficultyinidentifyingtheseriesarc.Aimingatthedifficultyofidentifyingseriesarcfault,aDFIGbrushslipringfaultarcdetectionmodelbasedonGatedCyclicUnitModelConvolutionNeuralNetwork(GRU-CNN)wasproposed.Firstly,thecauseoffaultarcinDFIGwasanalyzed.Then,thefaultarcdetectionmodelbasedonGRU
9、-CNNwasconstructedafterfilteringthecurrent,voltageandmagneticloopsignalsasinputeigenvalues.Finally,theslipringdevicediagnosisexperimentalplatformwasbuilt,andGRUnetwork,CNNnetworkandGRU-CNNnetworkweretrainedwiththesameexperimentaldataandlayers.Theresultsshowedthattheaccuracyandrecallofthefaultarcdete
10、ctionmodelbasedonGRU-CNNwereabove99%,whichhadstrongengineeringpracticalsignificance.Key wordsdoubly-fedinductiongenerator;brushring;GRU-CNNnetwork;faultdiagnosis基金项目:高节能电机及控制技术国家地方联合工程实验室开放课题(KFKT202105)收稿日期:2023-01-1446农业装备与车辆工程 2023 年会使回路电流下降,传统的保护装置无法对其进行有效检测,直流电流无过零点的特性使得故障电弧在无人为处理情况下持续燃烧,从而对系统线
11、路及人身财产安全造成巨大威胁,因此需要对直流故障电弧进行有效检测,从而及时切除故障回路,减小故障电弧危害性5-6。作为发电机的动静转换器件,运行中的电刷滑环系统发生故障会导致发电机无法稳定运行,甚至出现发电机电刷过热损坏造成机组减负荷后停机的问题7。在故障电弧检测层面,目前研究成果主要集中于故障电弧的弧声特性、弧光特性、电气特性及电磁特性8-10。DFIG 的电刷滑环系统的故障会影响电力设备的稳定运行,因此对电刷滑环的故障检测系统的研究至关重要。目前,国内外对 DFIG 电刷滑环系统中的电弧故障研究尚不充分11。Amirat 等12提出一种将电流信号与振动信号结合起来,通过检测电流信号和振动信
12、号来判断故障的检测方法;詹辉13提出一种利用时域分析与频谱分析相结合的方法进行故障判断,但是当信号的频率和采样的频率不一致时,就会产生频谱泄露以及栅栏效应,影响结果的精确性;卢其威等14提出一种基于小波变换与奇异值分解的电弧故障检测方法,但是该方法会忽略一部分比较微弱的故障信息;马征等15在 FFT 变换以及数学形态滤波的基础上提出了一种基于高频电流频谱分析的故障电弧检测方法,但并未给出准确的检测率;焦治杰等16利用短时傅里叶变换对光伏直流故障电弧的电流信号进行分析,再采用卷积神经网络检测故障电弧;张婷等17通过对故障电弧的时域分析,引用归一化卷积神经网络,优化了传统神经网络在电弧故障识别上的
13、不足,提高了一定的检测精度,但仍有不小提升空间;邓佳康18提出一种基于 BP 神经网络的电弧检测算法,但是该网络的训练速率较低,会导致训练时间过长,并且该网络可以使权值收敛到某个值,但并不保证其为误差平面的全局最小值。上述方法的不足表明,电弧故障检测的精确性和可靠性仍需改进。综上所述,目前对于直流故障电弧检测特征的挖掘主要通过不同类别、不同角度的方法进行研究,从中选择最为适合的方法构建相关的检测特征量,最终形成故障电弧检测算法19-20。本文提出一种基于 GRU-CNN 融合网络模型的双馈风力发电机电刷滑环系统电弧故障的检测方法,该模型使用 CNN提取数据的输入特征,构建特征向量,减小原始数据
14、规模,然后利用 GRU 神经网络学习数据的内部动态变化规律,实现预测。搭建实验平台,将采集到的电弧信号滤波后形成训练数据集,再使用上述模型进行机械学习,提取电弧特征数据集,实现高效率高精度的负载分类识别和串联电弧故障检测。1 DFIG 电弧故障诊断试验平台搭建DFIG 电刷滑环系统串联电弧检测平台由电弧发生装置和检测装置组成,电弧生成装置包括变频器、滤波器、变压器、电机及电刷滑环装置,一端通过变频器控制三相异步电动机启动进而带动滑环转动,另一端通过变压器、正弦滤波器以及变频器并入电网。电弧检测装置包括磁环和数据采集模块,用于收集电弧数据并对电刷滑环进行电弧故障检测;电流钳、罗氏线圈和示波器为辅
15、助验证手段。DFIG 的电刷滑环系统串联电弧检测平台示意图如图 1 所示。其中,电刷滑环系统使用 2.2MW的 DFIG。内部包含三相励磁滑环和 6 个均匀分布的电刷。为了实现DFIG电刷滑环系统的电弧故障模拟,选择 3 组厚度约为 1mm,耐久温度可达 1000的高温绝缘带均匀粘贴在滑环表面,能使电刷和滑环之间的接触不均匀,从而产生电弧。在工况环境下,电刷滑环的磨损问题无法及时解决,电弧会随着时间不断产生,加剧电刷滑环表面的磨损程度,因此需要及时发现故障并对其进行诊断,这对检测系统的实时性、精确性以及可靠性都有更高要求。2 GRU-CNN 模型构建原理2.1 CNN 结构卷积神经网络(Con
16、volutionalNeuralNetwork,CNN)在计算机视觉、自然语言处理等领域已被广泛应用21。CNN 是一类包含卷积计算且具有深度结构的前馈神经网络22。一般而言,CNN 由 3 部分构成:卷积层、池化层和全连接网络,如图 2 所示。图 1 DFIG 电刷滑环系统串联电弧检测平台Fig.1 DFIG brush ring system series arc detection platform47第 61 卷第 8 期2.2 GRU 工作原理及结构门控循环单元(GateRecurrentUnit,GRU)是常用的循环神经网络的一种23。GRU 网络采用了门机制,将激活函数导数的连积
17、变成了加法,同时只有长时记忆函数参与反向传播,解决了梯度消失的问题,因此能有效简化调参复杂度,并且门机制提供了特征过滤功能,能够有效保存长期记忆。门控循环单元网络与长短期记忆(LongandShort-TermMemorymodel,LSTM)网络具有相似的单元内的数据流。LSTM 网络和 GRU 网络的结构如图 3 和图 4 所示。图 4 中:Ht GRU内部记忆状态向量;Ht-1上一时刻的隐藏状态,包括之前节点所见过数据的信息;ht传递到下一时刻的隐藏状态;ht候选隐藏状态;Rt、Zt重置门和更新门;Sigmoid 函数;Xt当前节点的输入。在生成当前时刻全局信息时,由于 LSTM 中遗忘
18、门和输入门代表的前 t-1 个时刻的全局门控信息和当前隐藏状态门控信息是一种此消彼长的耦合关系,在 GRU 中使用更新门来替代这种复杂的耦合关系,而 GRU 中的复位门直接应用于 LSTM 中的隐藏状态,故 LSTM 复位门的任务在 GRU 中被分开由重置门和更新门来完成,大大简化了计算过程。由于存在长期记忆,上下文状态信息会有所多余,所以相对 LSTM,GRU 中不存在上下文状态信息。重置门控制遗忘多少过去的信息,更新门就控制前边记忆信息继续保留到当前时刻的数据量。首先,通过 ht-1和 xt获取重置门和更新门的状态。rt=(xtWxr+Ht-1Whr+br)(1)zt=(xtWxz+Ht-
19、1Whz+bz)(2)式中:Wxr,Wxz,Whr,Whz 权重参数,Wxr,WxzRdh,Whr,WhzRhh;br,bz 偏差参数,br,bz R1h。然后将当前时间步重置门的输出与上一时间步的隐藏状态作按元素乘法,若重置门中元素值接近于 0,则丢弃上一时间步的隐藏状态。若重置门中元素值接近于 1,则会保留上一时间步的隐藏状态。然后将按元素乘法的结果与当前时间步的输入联结,再通过激活函数 tanh 的全连接层计算出候选隐藏状态Ht。可见重置门能够控制上一时间步的隐藏状态流入当前时间步候选隐藏状态的方式,因此重置门可以丢弃无关的信息。Ht=tanh(XtWxh+(RtHt-1)Whh+bh)
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 GRU CNN 风力发电机 电刷 滑环 电弧 故障诊断
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。