首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 基于小波包分析的风力发电机组全功率变流器异常识别研究

基于小波包分析的风力发电机组全功率变流器异常识别研究

2024-11-21 35 上传者：管理员

摘要：为判别变流器异常类型，提升风能利用率，提出了基于小波包分析的风力发电机组全功率变流器异常识别方法。以风力发电机组中的背靠背式双脉冲宽度调制变流器为例，基于其电路拓扑原理，分析获取变流器输出电压信号可衡量变流器中绝缘栅双极型晶体元件开路异常状态，为此采用小波包分析法从不同尺度分解、重构变压器输出电压信号，并提取信号经小波包分解重构后信号能量特征，确定变流器异常信号主要出现频段，对比该频段内信号与正常信号的频谱特征，识别变流器的各类异常频谱，确定风力发电机组全功率变流器的异常类型。实验结果表明方法可依据电压情况判断是否出现异常，并通过功率谱分析获取变流器异常类别识别结果。

关键词：
功率谱
变流器
小波包分析
能量谱
风力发电机组
加入收藏

作为世界公认的发展速度最快的可再生能源，风力发电能源是解决能源不足现状的重要方法之一[1]。风力发电机组时常不能正常持续性工作，是因为风具有不确定性，而这种不确定性使得风力发电机组中各组件出现异常，不仅让风能的利用率变低还让风力发电的成本变高[2]。双脉冲宽度调制(Pulse Width Modulation,PWM)全功率变流器是负责风力发电机组与电网间连接的风力发电机组的一个组件，较其他组件则更容易出现异常。若不能及时识别并处理变流器的异常状态，不仅会影响风力发电机组的发电供电效果，还会威胁所有风力发电机组的正常工作以及电网安全。因此，识别并定位风力发电机组全功率变流器的异常状态与位置，是维护风力发电系统的安全、可靠、高效供电的重要技术。

以变流器中的绝缘栅双极型晶体管(Insulated Gate Bipolar Transistor,IGBT)元件的开路异常识别作为风力发电机组全功率变流器异常识别定位技术的关键[3]。针对上述的异常识别问题，许多学者提出了自己的想法与建议，其中，吴雷等人对由电力发电机中的电压不平衡导致的变流器异常的故障进行了研究，提出了一种全新的变流器控制方法，进而实现了变流器的异常检测[4]。对于变流器中具体是哪个元件出现异常导致电压失衡，上述故障识别方法仍无法判断，具有一定的局限性。米志伟等人结合了海上双馈风力发电机组与神经网络技术，解决了风力发电机组变流器的故障错判漏判的问题[5]。但是，该方法在故障识别定位方面仍存在一定误差，不能准确地识别出变流器中的故障种类及原因。

尽管小波分析可以将电压信号进行分解，但信号中高频部分的频率分辨率却会降低，对经小波重构后的数据造成影响，致使最终的决策分类结果出现偏差。因此，本文对小波分析重构进行优化，选用可以在具有不同分辨率特点的不同频段内自适应的小波包分析技术进行优化替换，研究基于小波包分析的风力发电机组全功率变流器异常识别，通过分解重构风力发电机组全功率变流器异常信号，实现风力发电机组全功率变流器异常识别。

1、风力发电机组全功率变流器的异常识别

1.1 全功率变流器的异常分类

1.1.1 电路拓扑原理

以背靠背式双脉冲宽度调制变流器为例，对风力发电机组全功率变流器的异常状态进行识别定位。该变流器具有能量双向流动的特点，因为变流器的整流状态就是变流器正常工作将交流变为直流输出的工作状态，因此，以变流器的整流状态为标准进行异常状态识别分析，电压型三相桥式的PWM电路图如图1所示。其中：电路左侧的三相输入电压分别用ux、uy、uz表示；三相电流则分别用ix、iy、iz表示；交流侧电感用L表示；R是负载电阻；直流侧的电容、输出电压以及电流分别用Q、udc、idc表示。除了保证每个桥臂上都有两个IGBT元件正常互补运行之外，还需保证每个桥臂上都有一个随时能够导通的IGBT元件。图1中各IGBT元件的导通顺序以VT1-VT2-VT3-VT4-VT5-VT6为标准。

图1 三相电压型PWM电路图

因PWM变流器的整流状态下X相、Y相、Z相的计算过程一致，避免烦琐叙述，以X相为例进行计算。电路中点电压为uN0，三个桥臂的电压分别为uxN、uy N、uzN，若电路左侧电流与电动势同相，那么X相的交流侧的电压ux0为：

依据三相平衡的关系推断uN0为：

利用二值逻辑开关函数描述uN0，则某相桥臂电压为：

其中：二值逻辑开关函数用sq描述，o的数值决定了处于导通状态的桥臂，上桥臂导通时，数值为1；下桥臂导通时，取值则为-1。

忽略该整流器的桥路损耗[6]，其交、直流两侧功率间的平衡关系则如式(4)所示。

其中：

式中，io为桥臂电流；sx、sy、sz为三相PWM整流电路开关函数。

则：

设R'=R//O，式(6)则变为：

其中：

式中：三相电流的幅值用Ie表示；电网角频率用ω表示；电流初始角则用φ表示。

采用三相六拍控制，为了获取s0的取值，三相六拍控制X、Y、Z相，得到的取值见表1。

表1 三相PWM整流电路开关函数取值

利用表1中二值逻辑开关函数的取值，整理出udc的瞬时值的表达式如式(11)所示：

1.1.2 异常分类分析

在风力发电机组全功率变流器的实际运行过程中，只有单只与两只IGBT元件开路异常较为常见[7]，因此对上述两种异常情况进行异常分类，得到PWM变流器的整流状态下各IGBT元件开路异常状态分类结果，详见表2。

表2 开路异常的四种分类

对于上述开路异常分类结果而言，不同元件出现开路异常时，与之相应的s0的数值为0，使udc的数值发生变化，不同的异常情况的udc计算应按实际异常情况考虑。

将上述三类异常的四个时段的udc与无异常情况即第一类异常的udc进行比较，发现当风力发电机组全功率变流器整流状态下的IGBT元件出现开路异常时，该变流器直流侧的电压信号幅值和相位也会随之发生变化。因此，可以以信号调制程度为识别定位研究方向，利用对应的信号处理方法进行风力发电机组全功率变流器的异常识别分析。

1.2 基于小波包分析的全功率变流器的异常识别

基于风力发电机组全功率变流器异常分类分析结果，通过获取风力发电机组中的变流器装置整流状态下的udc信号，利用小波包分析法，多尺度分析udc的信号，再处理、归类以及对比经小波包重构后的系数，实现风力发电机组全功率变流器的异常识别。

1.2.1 小波包分解与重构

风力发电机组全功率变流器udc信号分为高频部分与低频部分，且两部分信号皆有各自不同的特点。小波包分解作为一种可以良好呈现异常响应信号在不同频段特征的检测方法，适用于风力发电机组全功率变流器的异常识别。设风力发电机组全功率变流器异常udc信号为dlj,n，利用小波包分解方法对dlj,n进行分解，获取小波包系数，具体为：

式中：第2n个、2n+1个小波包节点的小波包系数为dkj+1,2n、dkj+1,2n+1，低通滤波器系数与高通滤波器系数分别为h,g；分解层数为l,k；小波包节点号为j,n。

图2 两层小波包分解示意图

为了便于直观阐述，以分解层数为两层的小波包分接为例进行说明，见图2。图2中，udc信号先一层分解，分解为再进行二层分解，分解为，二层小波包分解结束。多层小波包分解同样以此为例进行逐级分解，直至满足层数要求，分解结束。

小波包重构则是udc信号经过层数为l的小波包分解后，共计获取2l个子频带。在数量为2l的子频带中，发现其中某层的某个子频带含有需求信息，需要对其进行重构，那么将该子频带数据就会被保留，而该层剩余的子频带数据则会被设置成零，最后再用小波包重构公式重构经过处理的小波包数据。重构公式如下：

式中：u'dc为经过小波包重构后的风力发电机组全功率变流器异常直流输出电压信号。即便udc经过分解重构，但不改变其时频分辨率。

1.2.2 小波包能量谱分析

当风力发电机组全功率变流器出现异常时，风力发电机组全功率变流器u'dc信号幅频以及相频特性皆会发生变化。以u'dc信号幅频的性能进行说明，各个u'dc信号频率成分会因为受到风力发电机组全功率变流器异常的影响而被增强或抑制，其中各个频率成分不同，影响造成的效果也不尽相同。所以，风力发电机组全功率变流器正常输出与其异常输出时，即便可以保证频带相同，但频带内信号的能量却不相同。变流器异常信息就被包含于这些能量之中，异常状态就是u'dc信号中某几个频率成分中的能量发生了变化。因此，研究信号经小波包分解重构后能量值，确定变流器异常信号主要出现在哪个频段，便于通过风力发电机组全功率变流器u'dc信号，完成风力发电机组全功率变流器的异常识别。设重构信号u'dc的能量为：

式中：u'dc的离散点的幅值用f表示。

Ee表示需要进行分析的信号的总能量，那么：

以需要分析的信号的总能量为标准，各个高低频带的能量即信号的特征参数为：

1.2.3 异常结果获取

利用小波包可以对风力发电机组全功率变流器的异常信号进行随意的分解以及重构，且该分解为时频分解，重构的信号长度保持不变。为了使时域信号的差别可以更好地展现出来，可以将其放在频域中进行分析。小波系数象征着在一定的频率段内的时间序列信号，可以将经重构后的小波系数放在频段中分析，对比该频段内信号与正常信号的频谱特征，识别变流器的各类异常频谱，确定风力发电机组全功率变流器的异常类型，即通过小波包系数功率谱分析，实现明确风力发电机组全功率变流器的异常信号特征频率的目的。利用小波包系数功率谱分析对风力发电机组全功率变流器的异常信号进行识别，其流程详见图3。

图3 小波包系数功率谱分析流程图

2、实验结果与分析

以型号为PCM SCR-NKT160/12的风力发电机组全功率变流器为实验对象，以该变流器的整流状态为标准，设定三相输入的电压幅值为220 V，频率为75 Hz，交流侧电感为0.25 mH，负载电阻为45Ω，直流侧电容为60 mF。将该变流器置于某地区实际风力发电机组工作环境中，利用本文方法对其进行为期三个月的电压数据监测，将正常状态下的电压监测结果作为对比，分析监测时间段是否出现异常情况。

经监测发现，三个月的监测过程中共出现3次变流器电压异常现象，绘制其正常工作状态下以及3次异常状态下的直流侧输出电压的变化曲线，见图4。分析图4发现，变流器出现的三次异常状态与正常状态下的输出电压数值存在显著差异。为进一步分析引起该变流器异常的原因，获取异常状态下的包络图，进而识别是哪个元件发生开路异常。

获取正常工作状态与三次异常状态下的包络图与特征参数，如图5以及表3所示。分析图5和表3发现，三次异常状态下的包络图皆具有特征频率，其中正常工作的信号功率谱中存在2个主频率分别为47.2 Hz和53.5 Hz，谱值为370 W和349.3 W，此时变流器无IGBT元件异常；第一次出现异常状态的信号功率谱中仅存在1个主频率为35.6 Hz，谱值为354 W，此时变流器产生第二类异常，即单件IGBT元件开路异常，IGBT元件为VT4；第二次出现异常状态时，异常信号功率谱中同样只有1个主频率为50 Hz，谱值为293 W，此时变流器的异常由不同桥臂上下两只IGBT元件VT5和VT6开路异常导致，异常类型为第四类；第三次出现异常状态时，异常状态的信号功率谱中再次出现2个主频率，分别为38.5 Hz和44.2 Hz，谱值为242.5 W和165.7 W，此时变流器的异常由同一桥臂上下两只IGBT元件VT2和VT5开路异常导致，异常类型为第三类。实验结果表明，本文方法可以有效识别出风力发电机组全功率变流器的异常类型，以及引起该异常状态的具体元件，进而达到变流器的异常识别的目的。

图4 直流侧输出电压的变化曲线

图5 正常工作及三次异常状态下的包络图

表3 四种异常状态下的不同元件开路异常特征参数表

3、结束语

本文以整流状态下的风力发电机组全功率背靠背式变流器为研究对象，用三相PWM整流器对其直流一侧的输出电压进行分析，研究其出现三类异常以及无异常的区别，结合小波包分解与重构技术，获取经重构后的变流器异常与无异常信号。利用小波包的能量谱分析该信号中的能量聚集位置后，对其进行小波包功率谱分析，将分析结果与三类异常状态时的特征频率和谱值进行对比，实现风力发电机组全功率变流器开路的异常识别。

参考文献:

[1]李辉,杨甜,谭宏涛,等.基于电压和电流特征的双馈风电变流器功率器件开路故障综合诊断[J].电工技术学报,2021,36(16):3433-3445.

[2]李少勤,薛静杰,陈伟伟,等.考虑环保成本的风电消纳综合能源系统调度模型设计[J].能源与环保,2022,44(6):219-224,230.

[3]王志远,孙鹏菊,王海波,等.基于聚类分类算法的IGBT健康状态分类研究[J].电工电能新技术,2021,40(11):1-8.

[4]吴雷,李岚,程之隆,等.基于PIR控制器的电压不平衡下双馈风力发电机转子侧变流器控制[J].电测与仪表,2020,57(16):118-124.

[5]米志伟,常彬,寇龙泽,等.考虑变流器容错特性的海上双馈风电机组绕组短路故障辨识[J].可再生能源,2021,39(4):521-526.

[6]刘克权,余姣,李天寿,等.全功率变换风电机组机侧换流器与交流系统间动态交互机理及对稳定性的影响[J].电网技术,2022,46(2):587-596.

[7]韦恒,黄超,杨彦,等.基于数据挖掘技术的电网设备参数风险识别方法研究[J].自动化技术与应用,2022,41(2):47-50.

基金资助:内蒙古自治区科技计划项目(2019KG017);

文章来源:呼木吉乐图.基于小波包分析的风力发电机组全功率变流器异常识别研究[J].自动化技术与应用,2024,43(11):29-32+38.