发电体的系变频问题判断分析探究

　　人工神经网络（ArtificialNeuralNetwork，ANN），亦称为神经网络（NeuralNetworks，NN），是由大量批处理单元（神经元Neurons）互联而成的网络，是对人脑的抽象、简化和模拟，反映人脑的基本特性。人工神经网络的研究是从人脑的生理结构出发来研究人的智能行为，模拟人脑信息处理的功能。它是根植于神经科学、数学、统计学、物理学、计算机科学及工程等学科的一种技术。神经网技术的强项在于能通过用部分数据对显层和隐层网络进行训练，而在不建立数学模型的前提下对研究对象进行分析。而且神经元越多，网络结构越复杂，最后训练的结果也越接近真实情况。这种特性正好可以用来在无法建立变频器数学模型的情况下直接对现场采集来的数据进行故障分类和判断。为一个用神经网进行故障分类的应用。

　　5用小波分析技术对采集信息进行处理

　　小波分析方法是一种窗口大小（即窗口面积）固定但其形状可改变，时间窗和频率窗都可改变的时频局域化分析方法，由于在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率，具有对信号的自适应性，被称为数学显微镜。在信号处理中一般使用傅里叶变换，虽然傅里叶变换能将信号的时域特征和频域特征联系起来，但只能从信号的频域和时域分别观察。傅里叶谱是信号的统计特性，是信号整个时域内的积分，没有局部化分析信号的功能。而小波变换的强项恰恰是实现多分辩率下局部特征频率的识别，它如同显微镜调节焦距观察任意大小物体一样可以通过改变频率窗口轻易实现某一局部频率条件下特征信号的拣选和识别。而故障频率总是淹没在大量正常运行频率的噪声之内的，这使得小波分析在故障频率识别中大有用武之地。可以用小波分析技术来对采集来信号的特征频率部分局部放大以初步判断变频器当时所处是正常工况还是故障工况，为用神经网来判断故障类型建立前提。为一个用小波分析判断故障有无的应用。

　　6需要突破的难题

　　由于变频器本身是具有复杂的电路结构产品，故障可能出现的形式多样，而其又要与系统中其他组成部分――发电机、电网和控制机构等相互协调工作，其他系统的故障也会导致变频器工作环境恶化而发生相应故障。

　　因而，故障的分类和根据故障现象判断属于哪一类故障对本研究就起着很重要的作用。神经网技术虽然是网络结构越复杂结果越接近真实情况，但复杂的网络结构也会随之导致庞大的计算量和占用大量存储空间，如何在计算精度和速度之间平衡，选择最合适的网络结构，是需要慎重解决的。

　　此外，由于神经网络技术和小波分析技术都是很复杂的智能技术，如何将这些技术应用于风力发电系统变频器的故障诊断，让这些技术与研究对象结合起来，更好得为研究服务也是该研究必须解决的问题。

　　7结束语

　　采取实地调研测试与仿真软件、仪器相结合的研究方法。用仿真软件如MATLAB对所研究的对象进行故障诊断仿真试验，以新疆风电场为依托采集实际运行的风电场数据。研究交直交变频器过电压与过电流故障诊断，并结合双馈发电机部分进行分析。使用小波分析和人工神经网等智能故障诊断方法，对风力发电机中的变频电路进行故障诊断研究。并结合新疆本地特殊的地理气候环境如干燥、风沙、昼夜温差大及极端气温等条件进行变频器故障诊断的研究，将是下一步的研究重点。最终力争实现对采集来的风电场变频器故障波形进行智能分类与判断对应的故障类型。便于运行检修人员及时采取可行的补救措施，也对后续风力发电系统变频器的设计与改进提供帮助。

上一页  [1] [2] 

本文关键字：暂无联系方式变频器基础，变频技术 - 变频器基础