一种基于加权贝叶斯模型的双馈风机定子匝间短路故障程度的诊断方法

本技术涉及电力系统双馈风机故障程度检测的，特别涉及一种基于加权贝叶斯模型的双馈风机定子匝间短路故障程度的诊断方法。

背景技术：

1、在商业运行的风力发电机中，双馈式感应发电机凭借其良好的性能占据大部分市场份额。风力发电机是整个风力发电系统的核心部件之一，其安全运行关乎整个系统的安全有效运行。由于双馈异步电机长期运行在大风、低温、沙尘等恶劣的自然环境之中，发生故障的几率比较大。造成双馈异步电机发生故障的因素有很多，硬件设计不合理、工作环境恶劣、材料及制造工艺的问题以及启动过于频繁等因素。故障调查显示，电机各种主要典型故障类型所占比重如下：齿轮故障(40％)，定子故障(38％)，定子故障(10％)，其他(12％)。轻微的匝间短路属于电机绕组短路的早期故障，初期不会影响发电机的正常运行，但是如果发展下去会造成绝缘损坏引起相间短路等更为严重的故障，程度较轻的引起停机停产，严重的则可能损坏电气设备甚至造成人身伤害。及时发现双馈风机定子匝间短路故障的存在并判断故障的程度，就能够合理安排检修等相关工作，避免不必要的损失，所以研究定子绕组匝间短路具有重要意义。

2、在数据驱动分类器学习未应用于双馈风力发电机定子匝间短路故障程度诊断的时期，判断双馈风力发电机定子匝间短路故障程度的主要方法是根据单一的特征信号去实现诊断研究，很可能会造成诊断的误判。即通过传统的信号处理手段对采样获取的双馈风力发电机信号进行分析。其基本原理和存在的问题如下：当双馈风力发电机发生定子匝间短路故障时，现有方法如利用park矢量轨迹图来对电机进行故障诊断，检测电流派克矢量模中2kf1的交流分量，通过选取该频谱分量幅值与直流分量的比值作为故障特征，但是电机不平衡仍然会引起2倍频的变换，单纯的以扩展派克方法进行故障诊断，对于故障判断的临界条件难以确定，误判的概率较大。负荷波动、噪声的影响都会对故障特征信号的提取产生严重的影响。对于不同严重程度的双馈风力发电机定子匝间短路故障，传统的检测方法并不能进行有效的判断。

3、近年来，诸如神经网络、支持向量机、k近邻、决策树等快速发展的数据驱动方式为故障程度分类提供了新的手段，但目前这种方法面临挑战，数据驱动方式对数据的数量及质量都有着较高的要求。而贝叶斯模型将贝叶斯概率、统计学理论和特征条件独立假设相结合，对样本的数据信息进行了严密的推理计算，形成了稳固的理论体系与方法，可以解决数据分析不确定性和不完整性问题。而传统的应用朴素贝叶斯分类算法的诊断方法，其本质要求属性独立性，这一条件是朴素贝叶斯分类器的不足之处。因为双馈风力发电机定子匝间短路故障特征量数据集的属性之间存在相互关联，数据集属性的独立性在故障程度诊断中难以满足，会导致分类的效果大大降低。

技术实现思路

1、为了克服传统朴素贝叶斯模型对数据集独立性要求高、在实际应用中难以满足的问题，本技术提供一种基于加权贝叶斯模型的双馈风机定子匝间短路故障程度的诊断方法，该方法能够根据属性的重要性赋予属性权值，考虑属性子集内部属性间的相关性，降低了属性条件独立假设带来的负面影响，提高了故障特征量属性间存在明显相关性时的分类性能，能够对双馈风力发电机定子匝间短路进行故障程度进行可靠诊断。

2、本技术提出的技术方案的实现：

3、所述的一种基于加权贝叶斯模型的双馈风机定子匝间短路故障程度的诊断方法，通过matlab/simulink双馈风机定子短路故障模型对正常情况及发生定子间短路故障后的双馈风机进行分析，分别对应在正常时、发生定子匝间短路故障时间内的转子电流和转子a相瞬时功率谱信号。双馈风机定子短路故障仿真模型假设短路故障设定在定子a相绕组上。

4、所述的一种基于加权贝叶斯模型的双馈风机定子匝间短路故障程度的诊断方法，其新增的短路回路的电压方程表达式为：

5、dψg/dt+(rg+μrs)ig+μrsisa＝0

6、式中：ψg为匝间短路回路磁链；rg为匝间短路回路过渡电阻；rs为定子a相绕组电阻；ig为匝间短路回路电流；isa为定子a相绕组电流。

7、发生定子匝间短路故障后，定子a相回路表达式为：

8、usa＝dψsa/dt+rsisa+μrsig

9、式中:usa为定子a相绕组电压；ψga为定子a相绕组磁链。

10、流过短路匝线圈电流短路匝沿气隙圆周的空间电角度γ＝pθ，发生定子匝间短路故障后，短路匝线圈磁动势的正反向磁动势的傅里叶级数展开式如下式：

11、

12、式中:kyv是短路匝节距因数；p为极对数；v为谐波次数，对于短距线圈，(整距情况，v≠2,4,6…)；θ是以定子坐标表示的机械角度，为转子坐标表示的机械角度。

13、转子坐标系中的匝间短路叠加电流的磁动势，其表达式为：

14、

15、转子侧感应出的电流分量的频率为(ω±(1-s)vω)，其电流分量表达式为：

16、

17、磁动势在转子侧感应出频率为[1±v(1-s)]f1的电流分量，幅值较大的有(2-s)f1，(2+s)f1频率分量。故障特征量为转子电流，其故障特征频率为(2-s)f1；s代表转差率；f1代表定子侧基频。

18、采用快速傅立叶变换处理转子电流数据(2-s)f1频率作为故障特征量1。

19、转子a相时功率谱，其正常情况时表达式为：

20、

21、发生故障后，其表达式为

22、

23、采用快速傅立叶变换处理转子瞬时功率谱2f频率作为故障特征量2。

24、所述的一种基于加权贝叶斯模型的双馈风机定子匝间短路故障程度的诊断方法，其构建加权贝叶斯分类器方法为：取双馈风机定子短路故障模型转子电流、转子a相瞬时功率谱信号和定子匝间短路故障程度状态，作为训练数据集。转子电流、转子a相瞬时功率谱信号作为加权贝叶斯分类器的属性变量，定子短路故障程度作为类变量。基于训练数据集计算属性变量的先验概率，建立加权贝叶斯分类器，其中计算各属性变量的先验概率时，对离散变量采用拉普拉斯修正的频数计算先验概率，对连续变量采用高斯分布计算先验率。

25、所述加权贝叶斯分类器的表达式为：

26、

27、其中c表示双馈风机定子短路故障程度；y为c的取值集合；argmax为函数，如有结果x0＝argmax(f(x))，则表示当函数f(x)取x＝x0的时候，得到f(x)取值范围的最大值，argmax函数返回的使f(x)取值最大的x；h(x)表示值为最大的类别c。

28、所述对离散变量采用拉普拉斯修正的频数计算先验概率，其表达式为：

29、

30、

31、式中：离散变量xt一共有m个取值，表示为{xt1,xt2,…,xtm}；p(c)为双馈风机定子短路故障程度为c的概率值；p(xti|c)是当双馈风机定子短路故障程度为c时离散变量xt的值为xti的概率值；1≤i≤m，dc表示双馈风机定子短路故障程度为c的个数；d表示总数；nt表示可能的双馈风机定子短路故障程度类别数。

32、连续变量采用高斯分布计算先验概率包括：对于连续变量xj，采用高斯分布计算当类别为c时概率值，其表达式为：

33、

34、所述的一种基于加权贝叶斯模型的双馈风机定子匝间短路故障程度的诊断方法，其应用属性相关性的加权贝叶斯分类器，决策属性c相对于属性aj的条件熵定义为：

35、

36、属性的重要度定义，其表达式为：

37、sgf(aj,b,c)＝h(c∣b)-h(c∣b∪{aj})

38、式中：条件属性集为a；决策属性c。

39、属性集a相对于决策属性c的重要度定义为集合内每个属性相对于决策属性c的重要度的均值，其表达式为：

40、

41、待分类样本x＝{x1,x2,…,xp}属于类ci的概率，其表达式为：

42、

43、选取给定样本，p(x)是确定的，其表达式为：

44、

45、属性集ej，赋予权重wj，其表达式为：

46、

47、

48、所述的一种基于加权贝叶斯模型的双馈风机定子匝间短路故障程度的诊断方法，其构建属性相关性的加权贝叶斯分类器模型，其表达式为：

49、

50、

51、与现有技术相比，本技术具有以下有益效果：本技术提出的一种基于加权贝叶斯模型的双馈风机定子匝间短路故障程度的诊断方法，根据属性的重要性赋予属性权值，考虑属性子集内部属性间的相关性，在双馈风机发生定子匝间短路故障故障时能够通过该方法实现对故障程度的检测与诊断；提取转子电流、转子瞬时功率谱两种故障特征量进行加权诊断，有效提高了故障程度的识别能力，提高故障程度诊断的准确率和可靠性。