风力发电系统中变流器故障的智能诊断算法研究

永磁直驱式风力发电系统论文 机侧变流器论文 小波包变换论文 支持向量机论文 智能优化算法论文
论文详情
当今社会能源消耗日益增长、环境污染日趋严重,由于风力发电的突出优势,在可再生能源开发领域中占有突出的地位,因此,风力发电相关技术也成为国内外学者研究的热点。随着风电场装机容量逐年上升,风电机组的设计、制造已经不是难题,而这些风电设备在运行一段时间后,其故障后的维护与检修就成为不可避免的问题,因此,如何提高风电系统可靠性及维持这些已安装机组的正常运行,成为研究人员需要解决的一项重要任务。全功率变流器作为直驱式永磁同步风力发电系统与电网的接口,既要保持频率、相位稳定,又要控制电压随电网的波动而变化,还要配合主控系统实现最大风能利用率,该单元一旦发生故障,如不及时处理,轻则会引发波形畸变降低供电质量,甚至会威胁整个风力发电机组的正常工作以及电网的安全。全功率变流器中的功率器件IGBT在工作期间要不断承受温度的变化以及周围环境的影响,极易导致变流器发生故障,因此,若在功率器件IGBT有微弱故障征兆时,能准确快速定位故障位置、提示故障类型,并给予及时维护,就可将风力发电系统的安全性、可靠性提高,减少并网故障的发生本论文研究主要针对永磁直驱风电系统的变流器中的IGBT出现微弱故障时,通过应用小波包变换对故障电流波形进行特征提取,并利用智能优化算法对支持向量机分类模型进行优化,快速有效的诊断出IGBT发生的故障位置和故障类型,为在线风电监测系统提供一种新颖的故障监测方法。研究内容和结论如下:(1)本文通过PSCAD仿真软件搭建永磁直驱式风力发电系统的仿真模型,模拟机侧变流器不同功率管的开路、短路故障,并提取直流母线电压数据作为故障信息;(2)获得故障波形之后,通过小波包分解,得到特征向量,通过支持向量机算法对故障特征向量进行训练,形成基本的故障诊断模型;(3)通过遗传算法、粒子群算法及改进版的粒子群算法对已生成的支持向量机诊断模型的参数进行寻优,以期获得IGBT故障点的精确定位及故障类型的有效辨识,并采集新的故障数据验证该模型的有效性。仿真结果表明,采用改进版的粒子群算法诊断效果良好
摘要第7-8页
Abstract第8-9页
插图索引第10-11页
附表索引第11-12页
第1章 绪论第12-17页
    1.1 课题研究的目的和意义第12页
    1.2 故障诊断技术的研究现状第12-15页
    1.3 风电系统变流器故障诊断的研究现状第15-16页
    1.4 本论文的研究内容第16-17页
第2章 风电系统变流器故障模拟及特征提取第17-31页
    2.1 引言第17页
    2.2 直驱式永磁同步风电系统故障的仿真模拟第17-22页
        2.2.1 直驱式永磁同步风电系统简介第17-18页
        2.2.2 直驱式永磁同步风电系统建模第18-19页
        2.2.3 风电系统变流器故障分析第19页
        2.2.4 故障类型模拟第19-22页
    2.3 基于小波包的故障特征提取第22-30页
        2.3.1 多分辨率分析的理论第22-24页
        2.3.2 小波包的定义第24-25页
        2.3.3 小波包的空间分解第25-26页
        2.3.4 小波包的算法第26页
        2.3.5 变流器故障特征的提取步骤第26-30页
    2.4 本章小节第30-31页
第3章 基于支持向量机的故障诊断第31-45页
    3.1 引言第31页
    3.2 统计学习的基本理论第31-34页
        3.2.1 学习问题的基本模型第31-32页
        3.2.2 VC维的定义第32页
        3.2.3 推广性的界第32-33页
        3.2.4 结构风险最小化的原则第33-34页
    3.3 支持向量机的基本问题第34-37页
    3.4 核函数参数的选择第37-38页
    3.5 RBF核SVM参数的性质和选择第38页
    3.6 支持向量机模型的范化能力估计第38-39页
    3.7 基于SVM的故障诊断流程第39-43页
        3.7.1 训练集和测试集的选定第39-40页
        3.7.2 数据的归一化处理第40-42页
        3.7.3 仿真参数选择及仿真结果第42-43页
    3.8 本章小节第43-45页
第4章 智能算法对支持向量机参数的优化第45-59页
    4.1 引言第45页
    4.2 遗传算法(GA)第45-48页
        4.2.1 遗传算法的基本原理第45-46页
        4.2.2 遗传算法中常用算子的介绍第46页
        4.2.3 遗传算法优化SVM的流程第46-48页
    4.3 粒子群算法(PSO)第48-54页
        4.3.1 基本粒子群优化算法第48-50页
        4.3.2 标准粒子群算法第50页
        4.3.3 改进的粒子群算法第50-52页
        4.3.4 粒子群优化SVM的参数选择方法第52-54页
    4.4 仿真分析第54-58页
        4.4.1 遗传算法优化SVM的仿真结果第54-55页
        4.4.2 粒子群算法优化SVM的仿真结果第55-58页
    4.5 本章小节第58-59页
结论与展望第59-60页
参考文献第60-64页
致谢第64-65页
附录A 攻读学位期间所发表的学术论文目录第65-66页
附录B 攻读学位期间课题资助项目第66页
论文购买
论文编号ABS619679,这篇论文共66页
会员购买按0.30元/页下载,共需支付19.8
不是会员,注册会员
会员更优惠充值送钱
直接购买按0.5元/页下载,共需要支付33
只需这篇论文,无需注册!
直接网上支付,方便快捷!
相关论文

点击收藏 | 在线购卡 | 站内搜索 | 网站地图
版权所有 艾博士论文 Copyright(C) All Rights Reserved
版权申明:本文摘要目录由会员***投稿,艾博士论文编辑,如作者需要删除论文目录请通过QQ告知我们,承诺24小时内删除。
联系方式: QQ:277865656