基于LSTM的风机变流器开路故障识别方法与流程

文档序号:17632759发布日期:2019-05-11 00:13阅读:483来源:国知局
基于LSTM的风机变流器开路故障识别方法与流程
本发明涉及电力系统电力电子器件故障诊断的
技术领域
,尤其是指一种基于lstm的风机变流器开路故障识别方法。
背景技术
:随着电力网络的不断发展,风力发电机被广泛地运用在世界范围内,占据了市场发电总量的很大份额。因为,对于风力发电机故障的几时诊断和预警成为当下被热议的话题。背靠背变流器作为双馈风力发电机(dfig)的重要组成部分,其igbt开关管故障是最常发生的故障类型,可能带来过电压、大电流冲击、降低发电效率等危害,因此需要格外重视。目前对于风力发电机中背靠背变流器开关管开路故障的识别方式有以下三种形式:1)基于系统模型的分析方法。由于风力发电机是有着许多参数复杂动态系统,很难有准确的静态物理模型和数学公式可以进行仿真。目前的系统模型方法包括设定阈值,利逻辑动态模型和残差生成的单相脉冲宽度调制整流、电流残余适量等等。2)基于信号的分析方法:在基于信号的方法中,采用电压,电流,相位角,俯仰角或其他信号作为测量。应用各种信号处理方法从信号中提取有用信息,以便最大化正常状态和故障状态之间的差异。目前的方法采用基于转换器中的瞬时电压进行独立于所使用的控制策略和负载,通过信号处理输出极电压和输出电流。3)基于数据驱动的分析方法。数据驱动方法使用时是记录的测量数据,而不是特定的数学模型进行分类或回归。通过神经网络、支持向量机、聚类方法等人工智能及数据分析的方法进行故障诊断。总体而言,目前的低频振荡参数识别方法较为局限,首先,当仅在一个转换器中发生开关故障时,诊断通常很有效。然而背对背转换器中的两个转换器始终相互作用,使得波形更复杂且难以区分。其次,dfig系统的内部干扰(例如传感器故障)的影响总是被忽略。第三,外部环境的干扰,如风速波动和噪声也会偏离实际工作状态并扭曲信号波形。技术实现要素:本发明的目的在于克服现有技术的缺点与不足,提出了一种基于lstm的风机变流器开路故障识别方法,将风力发电机的背靠背变流器两侧的三相电流电压信号进行采集,通过建立多层长短时记忆(lstm)网络,对双馈风力发电机(dfig)中的背靠背变流器igbt开路故障的历史数据进行训练,以达到实时有效地检测风力发电机中同类型故障的目的,故障诊断的鲁棒性更高。为实现上述目的,本发明所提供的技术方案为:基于lstm的风机变流器开路故障识别方法,包括以下步骤:1)采集并网双馈风力发电机的背靠背变流器出口侧的历史故障信号,包括电压和电流信号;2)对电压和电流的原始时间序列数据进行预处理及归一化;3)设计并构建多层长短时记忆lstm网络作为开路故障数据训练模型;4)将固定数量的预处理过的历史训练数据放入lstm网络中进行神经网络训练;5)对训练后的网络利用在不同环境变量下采集的训练集进行正确率交叉检验和鲁棒性检验;6)采集风力发电机实时运行样本作为测试集,对测试集的故障类型进行诊断。在步骤1)中,对于并网的双馈风力发电机,包含了背靠背变流器,在背靠背变流器的转子侧整流桥及电网侧逆变器的出口处设置三相电流电压传感器,共12个传感器,分别采集故障前后半周期的电流电压信号作为单个训练样本;每个训练样本为12行的矩阵,矩阵的列数也设定为固定值;每个传感器采集的信号采用相同的数据结构。一共采集10万个以上igbt开路故障训练样本,这些样本在不同时间、环境状况下发生,包含了所有故障类型。在步骤2)中,对原始时间序列数据进行预处理及归一化,其中每个训练样本的原始数据为:式中,为第i个传感器在t时刻采集到的一维时间序列;归一化后的数据表示为:式中,是第i个传感器信号的均值,σi是第i个传感器信号的标准差;归一化处理之后各时间序列的数据范围接近,对于网络训练有帮助;归一化之后的单个训练样本表示为:在步骤3)中,构建多层长短时记忆lstm网络作为数据训练模型,具体如下:定义单个lstm模块,包含一个遗忘门ft、一个输入门it、一个输出门ot和一个细胞状态ct,每个门通过有选择地筛选前一个隐含层信息ht-1和当前输入xt:it=σ(wxixt+whiht-1+wcict-1+bi)ft=σ(wxfxt+whfht-1+wcfct-1+bf)ct=ftct-1+ittanh(wxcxt+whcht+bc)式中,σ是sigmond函数;wxi、whi、wci分别为各个门和输入门之间的权重;wxf、whf、wcf分别是各个门与遗忘门之间的权重;wxc、wxc是记忆细胞和其他门之间的权重;ct-1是上一个细胞状态;bi、bf、bc分别为两个门及记忆细胞的偏置;单个lstm单元的输出ht由一个双曲正切函数tanh函数确定:ot=σ(wxoxt+whoht-1+wcoct+bo)ht=ottanh(ct)式中,wxo、who、wco分别为各个门和输出门之间的权重,bo是输出门及记忆细胞之间的偏置;整个多层lstm网络的架构由输入层、多层lstm隐含层、全连接层、softmax层和输出层组成;输入层:接收归一化处理后的单个12维时间序列训练样本;隐含层:包括128层lstm模块,每一层通过ct和ht连接,多层隐含层使网络的深度增加,能够提取输入信号中的更多隐藏特征;全连接层:隐含层的输出为12个元素,而全连接层则把隐含层的12个输出值作为自己的输入值,输出值则是79个元素,代表了所有单双管igbt开路故障共78种和正常运行状态1种;softmax层:采用softmax函数,能够把任意一个k维向量压缩到另一个k维实向量,使得每一个元素的范围都在(0,1)之间,并且所有元素的和为1。在步骤4)中,由于神经网络需要从大量样本中不断提取其特征进行学习才能够达到理想的分类效果,所有要求每种类型的训练样本采集数量在3000个以上,每个样本能够设定不同的故障发生时间、当前风速、传感器的一些故障干扰,以丰富样本的多样性,使网络的适用范围更广。在步骤5)中,对训练后的网络利用训练集进行正确率交叉检验,在训练样本集中抽取20%的数据进行交叉验证;引入准确率、召回率和f1指数作为检验指标;准确率表示分为正例的示例中实际为正例的比例;召回率是覆盖面的度量,表示的是所有正例中被分对的比例,衡量了分类器对正例的识别能力;f1指数则是准确率和召回率的加权平均值;三个指标均是越大且接近于1则表示模型的分类效果越好;如果交叉验证中故障分类结果的f1指数大于0.9,则认为该lstm模型对于双馈风力发电机的开关管断路故障的诊断效果良好,模型训练流程结束;否则模型训练可能因陷入局部最优问题导致效果不好,所以将增加新的训练样本,并调整训练网络的一些参数,从步骤4)继续进行lstm网络训练,直至检验成果为止。在步骤6)中,在风力发电机运作过程中,不断按照步骤1)中提到的数据结构对12个传感器的数据进行采集,采集结果送入多层lstm网络中进行测试,如果测试结果为故障,则向系统发出警告并提示故障类型,由相关工作人员检验是否有故障发生,并采取相应的控制策略。本发明与现有技术相比,具有如下优点与有益效果:1、本发明首次提出了利用长短时记忆网络(lstm)算法来对双馈风力发电机igbt开路故障进行诊断。2、本发明提出的故障诊断方法可以在风速变化及传感器故障干扰的情况下依然保持高准确率分类,表明其抗干扰能力强。3、本发明可以在小于0.1s的时间尺度内完成对多个开关管同时故障的诊断,有效降低风力发电机紧急事故发生带来的危害。4、本发明在真实测量环境和强噪声环境中都可以达到高准确率分类,表明其对于噪声的敏感度低。附图说明图1为本发明逻辑流程示意图。图2为双馈风力发电机的结构示意图。图3为双馈风力发电机的电气图。图4为lstm单元的结构图。图5为lstm网络的结构图。具体实施方式下面结合具体实施例对本发明作进一步说明。如图1所示,本实施例所提供的基于lstm的风机变流器开路故障识别方法,使用matlab/simulink等辅助软件实现,其包括以下步骤:1)对于并网的双馈风力发电机(dfig),如图2所示,包含了背靠背变流器,图3为双馈风力发电机的电气图。在背靠背变流器的转子侧整流桥及电网侧逆变器的出口处设置三相电流电压传感器,分别采集故障前后半周期的电流电压信号作为单个训练样本,采集6个电压参数包括vra、vrb、vrc、vga、vgb、vgc,6个电流参数包括ira、irb、irc、iga、igb、igc,每个训练样本为12行的矩阵,矩阵的列数也设定为固定值。单、双管igbt开路故障一共78种,分别标志为f1-f78。每个传感器采集的信号采用相同的数据结构。一共采集10万个以上igbt开路故障训练样本,这些样本在不同时间、环境状况下发生,包含了所有故障类型。2)对原始时间序列数据进行预处理及归一化。归一化的方法为:式中,是第i个传感器信号的均值,σi是第i个传感器信号的标准差。归一化处理之后各时间序列的数据范围比较接近,对于网络训练较有帮助。归一化之后数据结构和存储量大小不变。3)构建多层长短时记忆lstm网络作为数据训练模型。定义单个lstm模块,包含一个遗忘门ft、一个输入门it、一个输出门ot和一个细胞状态ct,每个门通过有选择地筛选前一个隐含层信息ht-1和当前输入xt:it=σ(wxixt+whiht-1+wcict-1+bi)ft=σ(wxfxt+whfht-1+wcfct-1+bf)ct=ftct-1+ittanh(wxcxt+whcht+bc)式中,σ是sigmond函数;wxi、whi、wci分别为各个门和输入门之间的权重;wxf、whf、wcf分别是各个门与遗忘门之间的权重;wxc、wxc是记忆细胞和其他门之间的权重;ct-1是上一个细胞状态;bi、bf、bc分别为两个门及记忆细胞的偏置;单个lstm单元的输出ht由一个tanh函数确定:ot=σ(wxoxt+whoht-1+wcoct+bo)ht=ottanh(ct)式中,wxo、who、wco分别为各个门和输出门之间的权重,bo是输出门及记忆细胞之间的偏置。整个多层lstm网络的架构由输入层、多层lstm隐含层、全连接层、softmax层和输出层组成,如图5所示。每个lstm单元的结构如图4所示。输入层:接收归一化处理后的单个12维时间序列训练样本。隐含层:包括128层lstm模块,每一层通过和连接。多层隐含层使网络的深度增加,可以提取输入信号中的更多隐藏特征。全连接层:隐含层的输出为12个元素,而全连接层则把隐含层的12个输出值作为自己的输入值,输出值则是79个元素,代表了所有单双管igbt开路故障共78种和正常运行状态1种。softmax层:采用softmax函数,可以把任意一个k维向量压缩到另一个k维实向量,使得每一个元素的范围都在(0,1)之间,并且所有元素的和为1。网络中所有原始参数随机生成,在训练过程中再不断优化。4)将一定数量的训练数据放入lstm网络中进行训练。由于神经网络需要从大量样本中不断提取其特征进行学习才可以达到理想的分类效果,所有建议每种类型的训练样本采集数量在3000个以上。每个样本可以设定不同的故障发生时间、当前风速、传感器等其他故障干扰等,以丰富样本的多样性,使网络的适用范围更广。在网络训练过程中设定每次训练子集(minibatch)为300,最大迭代次数为300。5)对训练后的网络利用训练集进行正确率交叉检验,在训练样本集中抽取20%的数据进行交叉验证。引入准确率(precision)、召回率(recall)和f1指数作为检验指标。准确率表示分为正例的示例中实际为正例的比例;召回率是覆盖面的度量,表示的是所有正例中被分对的比例,衡量了分类器对正例的识别能力。f1指数则是准确率和召回率的加权平均值。三个指标均是越大且接近于1则表示模型的分类效果越好。故障类型故障开关管准确率召回率f1f1t11.001.001.00f7t70.950.950.95f13t1&t20.961.000.98f30t7&t101.000.950.97f40t10&t111.000.950.97f64t4&t100.890.940.926)采集风力发电机实时运行样本作为测试集,对测试集的故障类型进行诊断:在风力发电机运作过程中,不断按照上面步骤1)中提到的数据结构对12个传感器的数据进行采集,采集结果送入多层lstm网络中进行测试,如果测试结果为故障,则向系统发出警告并提示故障类型,由相关工作人员检验是否有故障发生,并采取相应的控制策略。以上所述实施例只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。当前第1页12
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1