[发明专利]风机故障诊断方法

说明书

本发明公开了一种风机故障诊断方法。本发明针对发电机故障的预测问题，提出基于定子电流的监测数据，利用一种融合灰色理论与ELM极限状态机的故障诊断方法，该方法利用灰色理论在处理波动性、信号不完整的优势，结合ELM神经网络的高线性映射特性，形成了一种运算速度快，泛化性能好转子的匝间短路故障解决方案。

技术领域

本发明涉及电力技术领域，特别涉及到一种风机故障诊断方法。

背景技术

风力发电作为目前可再生能源发电的主要形式之一，由于技术和设施都较为成熟，因此得到了大力的推广和应用。然而风电机组的结构复杂、运行环境恶劣，使得发电机组的故障率居高不下，整个系统的维修成本也不断增加，尤其在海上风电场。在风力发电中使用最多的发电机为双馈异步发电机(Doubly fed Induction Generator,DFIG)，其常见的故障设备有发电机、齿轮箱和轴承等，其中轴承故障占40％、定子故障为38％、转子故障为10％、其他故障占12％。

发明内容

本发明针对发电机故障的预测问题，提出基于定子电流的监测数据，利用一种融合灰色理论与ELM极限状态机的故障诊断方法，该方法利用灰色理论在处理波动性、信号不完整的优势，结合ELM神经网络的高线性映射特性，形成了一种运算速度快，泛化性能好转子的匝间短路故障解决方案。

为实现以上目的，本发明通过以下技术方案予以实现：风机故障诊断方法，包括如下步骤：

1)故障信号频域变换：采用定子电流法提取故障时的定子电流信号，对该信号进行傅里叶变换，并利用RV窗函数对变换后的频谱进行提取，确保变换后频谱信息集中在窗口范围内，提高信号特征分辨率，其中所述的RV窗为RV(I)-5型窗；

2)灰色处理：通过步骤1)将各故障频点处的幅值数据建立成新的数据序列，再经过变化得到幅值序列的累加生成序列(1-AGO)，以弱化序列的随机波动性，挖掘出序列的深度规律；

3)ELM神经网络训练：将步骤2)中处理后的幅值序列作为ELM神经网络的训练输入数据；设定隐含层节点数K，随机生成输入权重a_i和单元偏差b_i，利用公式(9)求出输出矩阵H；

此时，输出权值矩阵获得其最小二乘范数解便能得到，最小二乘范数解为：

β＝H⁺T   (10)

其中H⁺为隐含层输出矩阵H的广义逆矩阵，T表示期望的输出；

4)ELM输出迭代：利用(10)式得到的输出结果，再对原有输出数据采用迭代算法进行更新，以提高输出数据的精度；

5)累减还原：将ELM神经网络的输出数据经GM(1,1)的累减还原模块(IAGO)得到原始幅值的预测值，如公式(14)所示，将预测值减去最小值的绝对值，进而完成整个灰色ELM预测；

x⁽⁰⁾(k+1)＝x⁽¹⁾(k+1)-x⁽¹⁾(k)   (14)。

步骤1)所述的故障信号频域变换具体如下：

能量RV窗函数的时域表达式为式(1)：

其中，M表示窗函数项数，N为窗长，m表示数据的顺序，a_m满足公式(2)：

将式(2)经过离散傅里叶变换，则有：

由于N远远大于1，于是得：