摘要：风能是最具商业化前景的可再生能源，在全球已得到大规模的开发和利用，随着科技的发展，风力发电技术取得了显著的进步。本文针对风力发电系统变流器故障的诊断进行简要研讨，以供同行参考。
关键词：风力发电系统；变流器；故障；诊断
风力发电的迅猛发展对其设备性能带来了挑战，随着单机容量的增大，风力机的规模也越来越大，因此，对风电设备的安全性和可靠性也提出了更高的要求。如何实现风电设备的故障诊断，以及保证其带故障时的正常运行有着重要的意义。要实现风力发电系统变流器的保护，首先需要在变流器发生异常时能够快速精确定位，即进行故障诊断。目前，国内外学者在变流器故障快速精确定位方面已做了一些相应的研究。
1变流器的简述
发电机是把机械能转换成电能的装置，是风力发电系统的心脏。目前大多数企业采用的都是双馈式变桨变速机型，与之相对的是不变桨不变速的机型，但后者没有前者使用广泛。变流器就是针对双馈式异步发电机来说的。变流器对该种发电机的转子进行励磁来保证发电机输出的电压与电网系统中的电压相同。由于是交流电，这里的相同包括相位、频率和幅值相同。更重要的是可以根据需要进行针对变量与变量之间的耦合关系的解耦控制，这是针对多变量控制系统来说的。通过变流器的使用，使风力发电机发的电力接入电网时更加稳定，可以减少电流冲击对电网和风力发电机组的影响。变流器还具有自适应性，可以按照发电机组所处地理位置的不同做出相应的调整。它还可以实时监控，对风力发电机组的运行状况进行分析。
2变速风力发电机的变流器故障问题分析
对于风力发电机组变流器故障问题来说，动态实时监测是必不可少的。为了保证变速风力发电机组的运行效率，当前应用于风力发电的变速风力发电机组都配置了状态监测与故障诊断系统。而此系统立足于对变速风力发电机运行状态数据进行实时收集与纪录，通过总结数据变化，分析数据规律，进而判断变速风力发电机组的运行情况，为变速风力发电机组的故障诊断与维修服务提供了实时而全面的数据资料。
目前我国国产化的大型变速风力发电机组多采用双馈发电机，其发电机的正常设计下存在两个变流器，基于神经网络故障自动诊断系统的变速风力发电机组对于在线分析双馈发电机变流器故障，并网条件下对变速风力发电机电力电子元件进行在线监测有着显著的优势。对于变速风力发电机而言，故障造成的停机时间越长，则经济损失越大。所以，在提高故障诊断正确性的同时，还应考虑到故障诊断系统的处理时间应尽量加快。在此条件下，神经网络自动诊断系统不仅有效提高了故障诊断的正确率，同时还达到减少并网故障发生的作用，保证了变速风力发电机经济效益目标的达成。同时还可以迅速确定双馈变流器的故障位置与故障性质，实际应用中，体现出良好的性价比。
3变速风力发电机变流器故障诊断方法
3.1波形分析的诊断方法
对于变速风力发电机变流器的波形分析故障诊断法来说，主要在于对变速风力发电机在不同故障情况下所产生的不同电压与电流波形进行归纳与分析。其中，主要的分析方法是对双馈风力发电机主电路中故障特征明显的关键性波形进行数据采集与全面归类，作为归类性故障信息输入进整个神经网络系统中去，在此条件下，神经网络会自动对变速风力发电机与关键性波形进行匹配与查找，当发现同类或者类似性波形时，就立即产生神经网络反映，进而得出故障类型与相关故障信息数据。
期刊文章分类查询,尽在期刊图书馆在这个过程中，重点是对变速风力发电机的神经网络进行故障编码输入，使其在应用中，可以通过自动智能化控制，自动把神经网络与变速风力发电机电流与波形数据进行输出结果的取整，作为0或1显示出来，进而直接得到故障诊断结果。而在实际操作过程中，波形分析诊断方法是通过采集分布于两个双馈变流器的N点数据来进行信息输入，基于此，波形分析输出节点数为N，而其故障编码位数为6位。也就是说，在输入层与输出层的节点数固定情况下，隐层节点的存在意味着整个故障分析系统具有处理信息能力强，学习与容错能力强的特点。但也同时意味着故障分析系统对于故障分析与判断的时间会延长。从这一点来说，存在于变速风力发电机变流器诊断故障分析系统中的隐层节点，只能通过进一步提高样本数据，即故障编码的全面性来达到提升其泛化能力与处理速度的目的。要想提高故障分析诊断系统的网络处理能力与速度，对于学习参数的确定相当重要。其中学习率、初始权值、动量项系数的范围等相关数值，都会直接影响到其运行速度。基于此，为了提高应用过程中对于变速风力发电机变流器故障的诊断准确性与处理速度，就应进行相应的仿真实验来选取最优化隐层节点数与样本数据范围。
3.2分析电流平均值的开路故障诊断分析方法
基于波形分析的变流器故障诊断方法，是对故障类型进行全面排查，再归类的一个处理过程。但由于电机运行特点，当变速风力发电机处于同步速或者同步速附近时，误报的可能性就会大大提高。这也就提出了一个新的问题，如何通过其它方法来填补这方面的故障分析与诊断。也就是说，对于变速风务发电机变流器而言，当变流器桥臂无法导流时，一般可判断是由于功率开关的开路故障所引起。在开路故障中电流波形会处于同步速附近，进而呈现对称关系，从而造成基于波形的神经系统故障诊断误报。而通过分析电流信号平均值来进行开路故障诊断分析的方法应运而生，这种方法对于神经系统基于波形的故障分析诊断方法起到了一个良好的误报抑制作用，可以处理包括变速风力发电机在亚同步与超同步这两种同步速附近的运行故障原因分析任务。在实践中，这种基于分析电流信号平均值的开路故障诊断方法全面消除了误报的可能性，并且还可以达到快速准确进行开路故障位置与类型的结果生成。
3.3实际应用中诊断方法使用的注意事项
从开路故障的诊断原理中可以看出，其主要的应用在于对一个功率开关与两个功率开关间产生的开路情况进行电流平均值测算。由于电流信号处于同步速时会表现出一定的对称性，一般来说是沿纵轴对称，特别是当变速风力发电机长期处于同步速运行时，就应启用电流平均值诊断系统来避免原有的基于波形故障诊断分析可能存在的误判。而当电机转速偏离同步速时，就可以应用基于波形的神经系统故障诊断方法。两种诊断方法的实际使用中，考虑到风速本身是一种变化中的随机量，只要功率开关处于开路时，就会让电机处于偏离同步速的状态，那么应用中这两种方法就有效地解决了可能存在的漏诊断情况。仿真实验中，根据电流器不同的工作状态，切换两种诊断方法进行全面的变速风力发电机电流器故障诊断，其互补性在应用中得到了证明。
结语
综上所述，本文针对目前基于神经网络的逆变器故障诊断方法，在特征向量的提取方面进行了改进。对风电系统中PWM矢量控制方法进行详细的分析，将理论分析与仿真分析相结合，得出可根据变频器输出测得的电流大小变化特征进行故障诊断。进一步利用电流大小变化特征，搭建了神经网络故障诊断模型，并通过实验仿真，验证了该方法运行速度快、诊断精度高、具有更强的普适性，为逆变器的故障诊断提供了一种新的思路。
参考文献：
[1]郭抒.风电变流器监测系统开发与故障诊断研究[D].东华大学，2013.
[2]程亮亮.双馈风电机组变流器故障诊断研究[D].华北电力大学，2017.
[3]江红鑫.直驱型风力发电机组变流器系统可靠性研究[D].南京理工大学，2016.
论文作者:1靳永浩,2苗磊
论文发表刊物:《电力设备》2018年第32期
论文发表时间:2019/5/16
标签：变流器论文; 故障论文; 故障诊断论文; 波形论文; 电流论文; 系统论文; 方法论文; 《电力设备》2018年第32期论文;