[发明专利]一种基于PCA-kNN风力发电系统变流器故障识别方法

说明书

本发明涉及一种基于PCA‑kNN风力发电系统变流器故障识别方法，首先采集风力发电系统中背靠背式三相PWM整流器的直流侧输出电压信号，然后提取电压信号的时域、频域和时频域特征，再使用PCA算法对电压信号的特征作降维处理，最后结合kNN算法实现风力发电系统变流器故障识别。

技术领域

本发明涉及变流器故障识别领域，特别设计基于PCA-kNN风力发电系统变流器故障识别方法。

背景技术

风电能源作为可再生能源，是世界能源供给的重要力量。随着经济和科学技术的不断发展，风能发电在我国得到极大的发展，然而风的随机性令风机的工作状态无法稳定，导致风力发电系统的各组成部件经常发生故障，双脉冲宽度调制(pulse widthmodulation,PWM)变流器作为发电系统与电网的接口，即要控制电压稳定，还要配合实现最大风能利用率，同时也是最容易发生故障的部件之一，当变流器发生故障，如果不及时处理，轻则会降低供电质量，重则威胁到整个发电系统的正常工作和电网安全。

其中IGBT模块是变流器的重要组成部分，由于风力发电系统驱动失效、开关损坏等原因，风力发电系统的变流器故障主要考虑IGBT器件的故障，对于IGBT的短路故障目前可以通过驱动模块集成保护电路进行监控，然而IGBT的开路故障识别技术还处于研究之中。

1968年，Cover和Hart提出了K最近邻(k-NearestNeighbor，kNN)分类算法，该算法是数据统计模型中最简单的分类算法之一。kNN算法思路是计算被测样本与已知样本距离，再根据最邻近k个已知样本决定被测样本的所属类别。由于kNN算法需要计算被测样本与所有样本的距离，当样本提取的特征较多时，kNN算法的计算量将会变多，运算时间变长。主成分分析(Principal Component Analysis,PCA)是一种常用的数据降维和特征提取方法，广泛应用在人脸识别等模式识别领域，因此结合PCA算法到kNN算法中，可以减少算法计算量，提高算法运行速度和识别精度。

发明内容

为了解决上述存在问题。本发明提供基于PCA-kNN风力发电系统变流器故障识别方法，解决风力发电系统中变流器的故障识别问题。为达此目的：

本发明提供基于PCA-kNN风力发电系统变流器故障识别方法，具体步骤如下：

步骤1：检测风力发电系统中背靠背式三相PWM整流器在各类开路故障下的直流侧输出电压信号；

步骤2：提取输出电压的时域、频域和时频域特征，把提取的特征建立样本集；

步骤3：对样本集的特征作PCA处理，得到输出电压信号降维后的特征向量；降维后特征按照由大到小的重要性顺序排列，选取保留99％主要信息的n维特征；

步骤4：把样本集划分为训练样本和测试样本，将PCA计算后得到的n维特征作为输入，使用kNN算法计算测试样本到训练样本的距离，通过交叉验证选择kNN算法中的最佳k值；

步骤5：检测待测整流器的直流侧输出电压信号，并重复步骤2和步骤3，最终使用kNN分类算法对整流器故障进行分类。

作为本发明进一步改进，所述步骤1中整流器各类开路故障如下：

PWM整流器的IGBT元件开路故障有：单只IGBT元件开路故障、同一桥臂上下2只IGBT元件开路故障、同一半桥中的2只IGBT元件开路故障、不同桥臂上下2只IGBT元件开路故障。

作为本发明进一步改进，所述步骤2中输出电压的时域、频域和时频域特征如下：

提取的时域、频域和时频域特征包括：面积、能量、功率谱估计、小波系数平方和；

输出电压面积：电压信号在时间上的积分

其中u(n)是电压信号；