ISSN在线(2278 - 8875)打印(2320 - 3765)
M.Wasim1,U.Sowmmiya2
|
相关文章Pubmed,谷歌学者 |
访问更多的相关文章国际先进研究期刊》的研究在电子、电子、仪表工程
风能源转换系统是最引人注目的可再生能源的可用资源来产生电力。基于双馈感应发电机(DFIG)与变速风力涡轮机是最常见的风力涡轮机的风电市场增长。无论wec,功率流必须保持在所有即时无论任何故障的系统。摘要基于容错控制(FTC) DFIG wec。有一个更好的性能故障检测与隔离在神经网络的帮助。这种智能计算技术提供了更好的闭环性能在错误的条件下。系统的性能在不同的操作模式和外商直接投资计划利用计算机进行模拟。使用MATLAB / SIMULINK仿真工具。
关键字 |
双馈感应发电机(DFIG)神经网络(NN),容错控制(FTC),故障检测与隔离(FDI),神经观察者。 |
介绍 |
保护不可再生资源激励探索新的途径的资源发电可以干净、安全、最有价值的长期服务社会。解决方案是环保可再生能源。这些资源可以更好的替代污染不可再生资源以满足日益增长的电力需求快速增长的经济和人口扩张。在各种RES,风正面临巨大的优点。变速wec变得好电源输出相比其他wec。发电机用于风能转换系统(wec) DFIG PMSG。在这个项目中一个特殊类型的异步发电机,称为双馈感应发电机(DFIG),广泛用于大功率风力应用程序进行研究。通过转子电流控制可以实现变速运行,所以它可以以最大效率运行在一个广泛的风速。变速操作,标准的电力电子接口由一个转子和定子侧脉宽调制转换器连接背靠背。这些转换器额定,机器额定功率的一小部分。 |
神经网络是一种多处理器的计算机系统,简单的处理元素,高度互连,简单的标量信息&适应元素之间的交互。电流传感器连接在定子端和容错方案采用[1]。基于FPGA的硬件在回路验证是使用三相有源滤波器无冗余腿[5]。前馈神经网络新配方进行使用BP算法[4]。multi-observer交换为强大的主动容错控制策略进行模糊控制的变速操作[3]。提出了新的模糊调度程序容错控制应对multi-vibrator非线性系统传感器的缺点[2]。一个故障提出了基于FPGA的快速故障检测方案,最大限度地减少数量减少了电压传感器[8]。剩余发电机提出了基于DFIG模型使用古典广义观测器的结构方案,每个观察者在这个计划被一个健壮的H_ / H∞故障检测滤波器之后Kalman-like观察者[6]。提出用人工神经网络估计最重要的一个变量在感应电动机控制方案如速度[7]。 |
本文组织如下。第二部分解释了对DFIG次同步生成模式和超同步生成模式。第三部分解释了介绍神经网络,提出了神经观察家对各种电流和速度数据。第四部分解释了故障检测和故障隔离方案V显示结果和讨论。最后,结论部分进行了总结 |
基于DFIG wec |
基于DFIG的wec是图1所示。DFIG系统允许一个变速操作范围广泛。转换器补偿机械角频率之间的差异和电网频率通过注射用变频转子电流。在正常运行和故障,发电机的行为是由电源转换器及其控制器。边粉碎的电源转换器包括两个转换器,转换器和grid-side转换器,是彼此独立的控制。整个系统背后的主要思想是,边粉碎转换器控制活动和通过控制转子电流无功功率组件,而grid-side转换器控制直流母线电压,确保统一的操作功率因数(即零无功功率)。通过转子的bi定向转换器电路,DFIG能够在两次同步和super-synchronous模式工作。 |
根据驱动器的操作条件、电力送入或转子。在超同步模式,权力从转子通过转换器流向电网&如图3所示的次同步模式下,功率流在相反的方向,如图2所示在两种模式下定子提要权力效用。 |
![]() |
一次同步生成模式 |
生成操作的机器,是负的,下午和转子速度小于同步转速(0 < s < 1), Pag是负和Pag >点,Pag = Pcu2 + p +点的地方。Pcu2 +点必须是负的。Pcu2积极,P2应该足够负的注入功率转子电路为了使转子电力sPag负面的。网电力流动锡网格,P1-P2。这个生成的各种功率流的方向模式在次同步速度图2所示 |
![]() |
b。Super-synchronous生成模式 |
super-synchronous操作的生成模式,权力流程图fig.2.2.b所示。s - (1 < s < 0)在这种模式下,气隙功率Pag小于机械功率点,点= (1)Pag是负的。其余剩余能量sPag返回通过转子电路提供二级lossesPcu2后网格 |
![]() |
基于神经网络的贸易委员会计划 |
人工神经网络是一个信息处理系统,具有一定的性能特征和生物神经网络。神经网络的特点是 |
1。其模式神经元之间的连接(称为其架构) |
2。它的方法确定权重的连接(称为训练,或学习,算法) |
3所示。其激活函数(Purelin传递函数) |
算法中使用这个方案trainlm Levenberg-Marquardt反向传播。 |
![]() |
在此系统中,速度是感觉和V / F方法用于生成脉冲转子侧变换器(RSC)。电网侧变换器(GSC)收益门脉冲通过参考一代技术基于p q理论。 |
电流传感器在定子端连接和速度传感器从这项研究。通过使用神经网络(NN)技术,传感器故障识别方案已经实施。连续感应电流和速度的。如果任何一个传感器没有错误的传感器必须识别和传感器应该孤立。这是使用神经网络技术。该神经网络观测器用于识别错误的传感器。的神经网络观测器方法,使用MATLAB / SIMULINK训练已经制定了当前数据和速度数据。 |
使用当前数据时,神经网络目前的观察家,N1, N2and N3训练。使用速度数据神经网络速度观测器,陶瓷一直训练。神经网络观测器连接图是图5所示 |
![]() |
突然失败使用电流传感器减少wec表演。此外,如果故障没有及时发现和迅速处理,其效果可能导致断开或系统的努力失败。介绍了这些事件,因为电流传感器输出用于闭环控制系统。因此,减少故障率,并防止计划外停机,故障检测和补偿方案必须采用。联邦贸易委员会计划的一般框图见图6 |
![]() |
如上所示,NN观察家与剩余计算,计算错误的故障检测。在这一块,传感器故障检测和隔离使用故障隔离块。塞纳,wec Senb, Senc和Senw电流和速度传感器。扭矩是输入;使用扭矩传感器的值,神经网络观测器训练。如果任何一个传感器是错误的,例如Sena会有异味,N2_a(或)N3_a N1_a的地方。错误的结合进行分析如表1所示 |
![]() |
在上面的表格中,“F”代表“断层”各自的传感器。前四个条件在各自的传感器故障Sa,某人,Sc&Sω,接下来的三个条件是故障电流和速度传感器在同一时间。同样的条件“F”代表错,' 0 '代表没有错。 |
故障检测和隔离 |
该方法是错误的传感器完全七条件采用的识别方法。如果有人电流传感器和速度传感器故障或电流和速度传感器成为错误的同时,然后上面的条件是用来隔离故障区域从而提供不间断操作。 |
![]() |
Condition_1表明,如果感觉材料的缺陷,然后观察输出N2_a或N3_a行动。Condition_2表明,如果“SenSb”成为错误,然后观察输出N1_b或N3_b行动。Condition_3表明,如果“SenSc”成为错误,然后观察输出N1_c或N2_c行动。Condition_4表明,如果“SenSω”成为错误,然后观察输出ωcalc将采取行动。同样对其他条件同时电流和速度传感器有异味,下列条件,Condition_5表示,如果“感觉材料”和“SenSω”变得有缺陷,然后观察输出N2_a或N3_aωcalc将采取行动。Condition_6表示,如果“SenSb”和“SenSω”变得有缺陷,然后观察输出N1_b或N3_bωcalc将采取行动。Condition_7表示,如果“SenSc”和“SenSω”变得有缺陷,然后观察输出N1_c或N2_cωcalc将采取行动。 |
![]() |
图7显示的状态图解表示故障传感器识别方法。是该模型的缺陷识别的方案,如果没有故障发生意味着所有的传感器都状况良好。如果故障发生在任何人的传感器或电流和速度传感器同时,然后制定相应的所有条件。 |
结果和讨论 |
基于DFIG的wec最初在不同速度条件下测试。 |
次同步生成模式 |
仿真是进行各种速度的条件。子同步操作的机器运行速度1414 rpm和各种示波器的波形。图7显示了子的定子功率同步生成模式;图8显示了转子电源接头同步生成模式,图9显示了子的速度同步生成模式 |
![]() |
。Super-synchronous生成模式 |
对于超级同步操作这台机器是由运行在1605 rpm的速度和各种示波器的波形。图10显示了超级的定子功率同步生成模式,图11显示了转子功率超同步生成模式和图12显示了超级速度同步生成模式。 |
![]() |
![]() |
图14、15、16残渣,决定与观察者输出non-faulty情况 |
![]() |
![]() |
![]() |
使用case3介绍了断层在传感器C = 2.4 (sec)和观察者的输出相同。 |
![]() |
Case4-residue、决策与观察者的输出 |
Case4 - (SenSw = F) |
![]() |
介绍了断层在时间= 2.4 (sec),观察者输出相同 |
![]() |
Case7 - C电流传感器和速度传感器介绍当时的故障= 2.4 (sec)和残留,决定与观察者的输出 |
Case7——(SenSc = F) & (SenSw = F) |
![]() |
结论 |
和DFIG wec可以在不同的操作模式,获得荣誉。传感器在测量某些参数的控制方案中使用转换器产生更好的输出。在异常条件下这些传感器可能会错误导致不希望的输出。采用基于神经网络的容错控制方案。DFIG的物理模型,使用MATLAB / SIMULINK开发wec和分析各种速度条件和结果验证。基于神经网络的观察者是训练将FTC计划。断层是最初发现然后孤立的观察人士的帮助下,利用神经网络训练。结果表明,与基于神经网络贸易委员会计划的各种组合故障传感器检测到结束&小跨度内孤立。 |
引用 |
|