风力发电机转子绕组匝间短路故障相诊断方法*

□ 王馥华 □ 姚 凯 □ 陆 轶

上海市质量监督检验技术研究院 上海 200072

在风电场中,双馈异步风力发电机运行时不时会出现故障。因此,尽早对双馈异步风力发电机进行故障判断,确定发生故障的相,这特别重要。通过Elman神经网络快速找到转子绕组匝间短路故障的发生相,可以节省时间和维护成本,并且可以快速而准确地确认故障位置。

1 传统Elman神经网络结构

传统Elman神经网络基本结构如图1所示,输入层为第一层,隐藏层为第二层,承接层为第三层,输出层为第四层。

▲图1 传统Elman神经网络基本结构

对于传统Elman神经网络,假设第一层节点i与第二层节点j通过可变因数W1进行信息传递,第二层节点i与第三层节点j通过可变因数W2进行关联,第四层节点i与第二层节点j通过可变因数W3进行信息传递。

2 Elman神经网络结构改进

在传统Elman神经网络的基础上,添加一个新的权值W4,位于第四层节点和第三层节点的中间。f(x)是Elman神经网络第二层节点函数Sigmoid函数:

f(x)=1/(1+e-αx)

(1)

对传统Elman神经网络进行改进,结构原理如图2所示。

▲图2 改进Elman神经网络结构原理

改进后,隐藏层利用z(-1)连接到输出层。考虑到承接层在第k+1步反馈的误差,必须延迟一步才能用于第k步权值的修正。改进Elman神经网络状态方程为:

X(k+1)=W3f[X(k)]+W1U(k+1)

(2)

Y(k+1)=W4X(k)+W2X(k+1)

(3)

式中:U(k)为输入层节点的输出;X(k)为承接层节点的输出;Y(k)为输出层节点的输出。

由改进Elman神经网络状态方程可知,添加新权值W4,可以使Elman神经网络的动态性能和收敛能力更强。

3 试验样本获取

试验中,以双馈异步风力发电机定子绕组三相电流的谐波幅值及转子绕组三相电压的幅值作为故障特征量,通过ANSYS软件仿真双馈异步风力发电机故障,得到样本数据。

单相匝间短路时故障样本数据见表1～表3。当转子绕组两相正常,另一相发生三种不同程度匝间短路故障时,获得故障样本数据。IA、IB、IC为定子绕组谐波幅值为(1-2s)f的三相电流,U、V、W为转子绕组三相电压的幅值,s为电机转差率,f为电源频率。

表1 U相匝间短路时故障样本数据

表2 V相匝间短路时故障样本数据

表3 W相匝间短路时故障样本数据

正常情况下,IA为4.06 A,IB为4.06 A,IC为8.12 A,U为394.65 V,V为394.65 V,W为394.65 V。由表1～表3可知,当双馈异步风力发电机转子绕组单相发生匝间短路故障时,定子绕组三相电流和转子绕组三相电压的幅值这六个故障特征量有不同的取值。这些数据可以为Elman神经网络的训练提供样本。

4 Elman神经网络设计

由表1～表3可知,双馈异步风力发电机转子绕组单相匝间短路故障的特征量有六个,所以笔者将Elman神经网络输入层节点的数量设定为6,主要检测双馈异步风力发电机转子绕组匝间短路故障的发生相。由此,Elman神经网络的输出由四个输出单元组成,具体见表4。

表4 Elman神经网络输出单元

Elman神经网络第一层与第三层的节点数量已经确定,根据经验,隐藏层节点数量满足:

(4)

式中:L为隐藏层节点数量;M为输入层节点数量;N为输出层节点数量;a为1～10之间的调节常数。

将数据代入式(4),可以得到隐藏层节点的数量为4～13之间的常数。改变隐藏层节点的数量,网络学习的误差达到0.01时所需的训练次数随隐藏层节点数量的变化而变化,见表5。

表5 训练精度达到0.01时所需训练次数

由表5可知,当隐藏层节点的数量选定为13时,Elman神经网络的训练时间最短。

5 对比仿真

在保证隐藏层节点数量为13的情况下,用同样的样本对改进Elman神经网络进行训练。从仿真试验中获取故障数据,见表6。

表6 仿真试验故障数据

用传统Elman神经网络对表6数据进行测试,得到仿真结果为:

用改进Elman神经网络对表6数据进行测试,得到仿真结果为:

根据欧式范数理论,Elman神经网络各相短路测试误差见表7。

表7 Elman神经网络短路测试误差

6 结束语

由表7可知,利用改进Elman神经网络能够在较短时间内完成对双馈异步风力发电机故障的诊断,并且准确度较高,为双馈异步风力发电机匝间短路故障相的诊断提供了一种方法。