【技術實現步驟摘要】
本專利技術涉及新能源發電的，尤其涉及mmc半橋串聯結構微電網(modularmultilevel?converter?half-bridge?series?microgrid,mmc-mg)系統的故障診斷技術。
技術介紹
1、在多能互補的分布式能源背景下，為提高可再生能源的利用率，有學者提出了mmc半橋串聯結構的微電網(modularmultilevel?converterhalf-bridge?series?microgrid,mmc-mg)系統。該系統每相均由2個電感l和2k個發電模塊(generation?module,gm)級聯而成，其中gm由光伏或風力等微源、變換器、儲能裝置(energy?storage?device,esd)、半橋變流器(half-bridge?converter,hc)構成。該系統具有分布式能源控制靈活、輸出電壓諧波含量低、并網污染少等優勢。同時，mmc-mg系統在現代電力系統中發揮著關鍵作用，能夠有效地將分布式能源(如太陽能、風能等)接入電網，實現能量的高效轉換和穩定傳輸。
2、在并網雙閉環控制下，發電模塊gm的半橋變流器中v1和v2一直處于互補導通模式，即gm的投入和切除通過控制hc中v1與v2的導通與關斷來實現。當發電模塊gm出現故障時，如果不能及時準確地診斷出來，可能會引發嚴重的后果。若一個子模塊中的igbt發生開路故障，會導致該子模塊輸出電壓異常，進而影響整個換流器的輸出性能。這可能會引起輸出電流畸變、功率波動等問題，降低電能質量，甚至可能損壞其他電氣設備。
3、
4、因此，本專利技術提供一種基于電壓偏差信號和改進深度極限學習機(deep?extremelearning?machine,delm)的發電模塊故障診斷方法，通過分析法選取各故障類型下gm輸出電壓的偏差信號作為故障診斷的特征屬性。同時通過對大量的故障樣本數據進行學習，建立有效且優化的故障診斷模型，以提高發電模塊故障診斷的準確性和可靠性。
技術實現思路
1、本專利技術的目的是提高mmc半橋串聯結構的微電網故障發電模塊診斷的準確性和可靠性，同時解決故障特征的有效提取問題。
2、本專利技術是基于電壓偏差信號的mmc-mg故障發電模塊診斷方法，其步驟為：
3、步驟1：采集發電模塊正常運行和故障時其輸出電壓偏差值δuyxi，偏差值δuyxi可用下式表示：
4、δuyxi＝uyxi-uyxi_c??????????????????????????????????(公式一)
5、式中：uyxi(y＝p,n；x＝a,b,c；i＝1,2,...,k)表示x相y橋臂中第i個發電模塊gm的實際輸出電壓；uyxi_c(y＝p,n；x＝a,b,c；i＝1,2,...,k)表示x相y橋臂中第i個發電模塊gm的實際輸出電壓和理想輸出電壓，uyxi_c為固定值，取uyxi_c＝160v；δuyxi表示x相y橋臂中第i個發電模塊gm的輸出電壓偏差值；k代表橋臂中發電模塊gm的總個數，2≤k≤50；
6、步驟2：采用發電模塊的輸出電壓偏差值δuyxi作為其故障特征值；
7、橋臂中第i個發電模塊gm發生故障后，在一個工頻周期的時間段內，發電模塊gm的實際輸出電壓uyxi與理想輸出電壓uyxi_c不相等，會產生一定的偏差，而且發生不同故障時其輸出電壓的偏差值也不相等，即
8、δuyxi＝uyxi-uyxi_c≠0????????????????????????????(公式二)
9、橋臂中第i+1個發電模塊gm未發生故障時，發電模塊gm的實際輸出電壓uyx(i+1)與理想輸出電壓uyx(i+1)_c相等，偏差為0，即
10、δuyx(i+1)＝uyx(i+1)-uyx(i+1)_c＝0????????????????????????????(公式三)
11、采用橋臂中各發電模塊正常運行和發生故障時其輸出電壓的偏差值δuyx1、δuyx2、δuyx3、...、δuyx(i+1)、δuyxi作為發電模塊故障診斷的特征信號；
12、步驟3：結合步驟2所得k個故障特征偏差值δuyx1、δuyx2、δuyx3、...、δuyx(i+1)、δuyxi，并任意選取k個故障特征偏差值中的75％作為訓練集，將剩余的25％作為測試集，建立基于電壓偏差信號和深度極限學習機(deep?extreme?learning?machine,delm)的故障發電模塊gm診斷模型；
13、輸入電壓故障特征偏差值樣本為(ryxi,tyxi)，ryxi＝[δuyxi1,δuyxi2,...,δuyxk]t，tyxi＝[tyx1,tyx2,...,tyxm]t?ryxi∈rn，tyxi∈rm；其中，ryxi是維度為k的樣本數據，tyxi是維度為m的期望輸出；在深度極限學習機中，權重wi和閾值bi隨機產生，則網絡結構的輸出用下式表示
14、
15、式中：l為隱含層節點個數；wj＝[wj1,wj2,...,wjk]t為連接輸入節點與第j個隱層節點的權重向量；g為激活函數；βj＝[βj1,βj2,...,βjm]t為輸出節點與第j個隱層節點的權重向量；bj是第j個隱層節點的偏置；則可以通過得到β的唯一最小二乘解如下式所示：
16、
17、式中，g代表k×l維的隱含層輸出矩陣，g為奇異矩陣；g+為g的廣義逆矩陣；gt為奇異矩陣；為β的最小二乘解；
18、將輸入電壓故障特征數據樣本r作為第一個極限學習自編碼器的目標輸出r1，即r＝r1，求得輸出權值β1；然后將極限學習機的輸出矩陣g1當作下一個極限學習自編碼器的輸入和目標輸出，即r＝r2，以此類推，得到最后一個隱藏層的輸出權重βi+1。
19、步驟4：采用海鷗算法對步驟2和步驟3所建基于電壓偏差信號和深度極限學習機的發電模塊故障診斷模型的權重wi和閾值bi參數進行優化，得到準確率較高的改進發電模塊故障診斷優化模型；
20、步驟5：利用測試集數據對發電模塊的故障進行分類；
21、本專利技術的有益之處在于：基于電壓偏差信號和改進深度極限學習機的發電模塊故障診斷方法，首先通過理論分析法選取各故障類型下gm輸出電壓的偏差信號作為故障診斷的特征屬性，同時通過對大本文檔來自技高網...
【技術保護點】
1.基于電壓偏差信號MMC-MG故障發電模塊診斷方法，其特征在于，其步驟為：
【技術特征摘要】
1.基于電壓偏差信號mmc-mg故障發...
【專利技術屬性】
技術研發人員：王海亮，王興貴，李曉英，丁穎杰，薛晟，李錦鍵，趙玲霞，
申請(專利權)人：蘭州理工大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。