[发明专利]基于LSTM的风机变流器开路故障识别方法

说明书

本发明公开了一种基于LSTM的风机变流器开路故障识别方法，包括步骤：1)采集并网双馈风力发电机的背靠背变流器出口侧的历史故障信号；2)对电压和电流的原始时间序列数据进行预处理及归一化；3)设计并构建多层长短时记忆LSTM网络作为开路故障数据训练模型；4)将固定数量的预处理过的历史训练数据放入LSTM网络中进行神经网络训练；5)对训练后的网络利用在不同环境变量下采集的训练集进行正确率交叉检验和鲁棒性检验；6)采集风力发电机实时运行样本作为测试集，对测试集的故障类型进行诊断。本发明通过建立多层LSTM网络，对双馈风力发电机中的背靠背变流器IGBT开路故障的历史数据进行训练，以达到实时有效地检测风力发电机中同类型故障的目的。

技术领域

本发明涉及电力系统电力电子器件故障诊断的技术领域，尤其是指一种基于LSTM的风机变流器开路故障识别方法。

背景技术

随着电力网络的不断发展，风力发电机被广泛地运用在世界范围内，占据了市场发电总量的很大份额。因为，对于风力发电机故障的几时诊断和预警成为当下被热议的话题。背靠背变流器作为双馈风力发电机(DFIG)的重要组成部分，其IGBT开关管故障是最常发生的故障类型，可能带来过电压、大电流冲击、降低发电效率等危害，因此需要格外重视。

目前对于风力发电机中背靠背变流器开关管开路故障的识别方式有以下三种形式：1)基于系统模型的分析方法。由于风力发电机是有着许多参数复杂动态系统，很难有准确的静态物理模型和数学公式可以进行仿真。目前的系统模型方法包括设定阈值，利逻辑动态模型和残差生成的单相脉冲宽度调制整流、电流残余适量等等。2)基于信号的分析方法：在基于信号的方法中，采用电压，电流，相位角，俯仰角或其他信号作为测量。应用各种信号处理方法从信号中提取有用信息，以便最大化正常状态和故障状态之间的差异。目前的方法采用基于转换器中的瞬时电压进行独立于所使用的控制策略和负载，通过信号处理输出极电压和输出电流。3)基于数据驱动的分析方法。数据驱动方法使用时是记录的测量数据，而不是特定的数学模型进行分类或回归。通过神经网络、支持向量机、聚类方法等人工智能及数据分析的方法进行故障诊断。总体而言，目前的低频振荡参数识别方法较为局限，首先，当仅在一个转换器中发生开关故障时，诊断通常很有效。然而背对背转换器中的两个转换器始终相互作用，使得波形更复杂且难以区分。其次，DFIG系统的内部干扰(例如传感器故障)的影响总是被忽略。第三，外部环境的干扰，如风速波动和噪声也会偏离实际工作状态并扭曲信号波形。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于LSTM的风机变流器开路故障识别方法，将风力发电机的背靠背变流器两侧的三相电流电压信号进行采集，通过建立多层长短时记忆(LSTM)网络，对双馈风力发电机(DFIG)中的背靠背变流器IGBT开路故障的历史数据进行训练，以达到实时有效地检测风力发电机中同类型故障的目的，故障诊断的鲁棒性更高。

为实现上述目的，本发明所提供的技术方案为：基于LSTM的风机变流器开路故障识别方法，包括以下步骤：

1)采集并网双馈风力发电机的背靠背变流器出口侧的历史故障信号，包括电压和电流信号；

2)对电压和电流的原始时间序列数据进行预处理及归一化；

3)设计并构建多层长短时记忆LSTM网络作为开路故障数据训练模型；

4)将固定数量的预处理过的历史训练数据放入LSTM网络中进行神经网络训练；

5)对训练后的网络利用在不同环境变量下采集的训练集进行正确率交叉检验和鲁棒性检验；

6)采集风力发电机实时运行样本作为测试集，对测试集的故障类型进行诊断。