基于SVDDSVM分类器风力发电机故障诊断方法.docVIP

基于SVDDSVM分类器风力发电机故障诊断方法 　　摘要： 　　针对风力发电机故障诊断中存在的故障样本不完备的问题，提出将支持向量数据描述（Support Vector Data Description， SVDD）与支持向量机（Support Vector Machine， SVM）相结合的方法处理风力发电机故障诊断问题.根据风力发电机正常状态样本数据和已知故障样本数据建立数据描述模型，并以已知故障样本数据建立SVM分类器模型.采用数据描述模型对测试样本数据进行拒绝和接受处理：被拒绝的样本为未知故障类型；利用SVM分类器模型对被接受的样本进行具体类别诊断.试验结果表明：该方法可以有效处理风力发电机故障诊断中故障样本不完备问题，能较好识别已知故障并对未知故障给出判断. 　　关键词： 　　风力发电机； 故障诊断； 支持向量数据描述； 支持向量机 　　中图分类号： TM315 　　文献标志码： B 　　0引言 　　能源的缺乏和环境的污染使人们越来越多地考虑可再生能源的开发与利用，风能是可再生能源中最廉价、最有希望的绿色能源.风力发电机是风力发电系统的核心组成部分，由于风力发电机组通常都安装在高山和海岛等风口处，其工作环境恶劣，温度变化范围很大，而且风力的方向和大小不断发生变化且难以实时预知，这使得风力发电机发生故障的可能性加大，其中包括较多的不确定性故障.目前，针对风力发电机的故障诊断，可采用神经网络和RBF网络优化等方法，对故障特征进行非线性分类，实现故障的诊断与定位，也可将专家选择软件与层次分析法相结合，利用发电机特征数据进行故障诊断等.多数诊断方法主要基于完备的故障样本数据对风力发电机的已知故障类型进行诊断，对风力发电机的未知故障的诊断研究较少.试验证明，当故障样本不完备时，成熟的机器学习方法有较大的错误率.针对此类问题，提出一种基于支持向量数据描述（Support Vector Data Description， SVDD）与支持向量机（Support Vector Machine， SVM）相结合的风力发电机故障诊断方法，该方法可有效地解决风力发电机故障诊断中存在的故障样本不完备问题，故障识别率较高，对未知故障的判断能力较好. 　　4结束语 　　对于风力发电机，难以获得其全部故障类型数据，当有部分故障样本缺失时，单独采用SVM方法对其进行故障诊断误报率显著增大.针对风力发电机故障诊断中存在故障样本不完备的情况，基于SVDDSVM分类器的故障诊断方法可较好地识别已知故障，能够对未知故障给出判断.通过仿真试验验证该方法的优越性与可行性. 　　参考文献： 　　[1]庄哲民， 殷国华， 李芬兰， 等. 基于小波神经网络的风力发电机故障诊断[J]. 电工技术学报， 2009， 24（4）： 224228. 　　ZHUANG Zhemin， YIN Guohua， LI Fenlan， et al. Fault diagnosis of wind power generation based on wavelet neural network[J]. Trans China Electrotechnical Soc， 2009， 24（4）： 224228. 　　[2]QIAN Y， ZHANG H， PENG D， et al. Fault diagnosis for generator unit based on RBF neural network optimized by GAPSO[C]//Proc 2012 8th Int Conf Nat Computation（ICNC）. Chongqing： IEEE， 2012： 233236. 　　[3]何山， 王维庆， 张新燕， 等. 基于类神经网络的MW永磁风力发电机短路故障智能诊断[J]. 电机与控制应用， 2011， 38（9）： 2429. 　　HE Shan， WANG Weiqing， ZHANG Xinyan， et al. Short circuit fault intelligent diagnosis of MW permanent magnet wind power generator based on artificial neural network[J]. Electr Machines Contr Application， 2011， 38（9）： 2429. 　　[4]郭东杰， 王灵梅， 郭红龙， 等. 改进小波结合BP网络的风力发电机故障诊断[J]. 电力系统及其自动化学报， 2012， 24（2）： 5358. 　　GUO Dongjie， WANG Lingmei， GUO Honglong， e