杨沈洋
(国网湖北省电力有限公司直流运检公司,湖北宜昌 443000)
随着国民经济的不断提高,电力工业得到了大力发展,为顺应我国智能大电网的发展理念,电力系统的稳定运行得到了广泛关注。因此,为提高电力系统的可靠性,对电气设备进行准确的故障诊断成为亟待解决的问题。
目前国内网已有诸多学者对电气设备故障诊断做出了相关研究。文献[1]提出了基本粒子滤波算法,将其应用于控制领域;文献[2]将粒子滤波算法应用在了电气设备,发现粒子滤波算法存在实时性问题;文献[3]引入残差平滑值,运用粒子滤波算法进行了故障诊断研究;文献[4]运用神经网络对粒子滤波算法进行了相应改进,提高了故障诊断的速度;文献[5]提出了一种只能粒子滤波算法,对粒子滤波算法进行了优化,提高了故障诊断的精度。
基于上述研究,为提高电气设备故障诊断的准确性,运用粒子群优化了粒子滤波算法,随后基于CUDA并行算法,提出了一种PSOPF并行算法,并运用该算法进行了故障诊断。
引入线程-粒子对应策略,提出一种基于CUDA的PSOPF并行算法,其思路为:(1)建立线程数,其数量与粒子数相同;(2)应用线程-粒子对应策略,运用线程处理粒子优化[6]。
为进行系统的故障诊断,需要引入残差平滑值的诊断方法。假设故障类型为n,对应的模型集合为,各个模式下的残差平滑值为
建立双馈发电机状态空间模型[8]:
式中,w(k)表示系统噪声;v(k)表示测量噪声。
对于故障模型,选取故障模式为双馈发电机传感器故障,则此时的故障模型可表示为[9]:
式中,f表示故障分量。
故障模式如表1所示。
表1 故障模式
运用改进型PSOPF并行算法对故障诊断进行仿真。以故障模式1为例,模拟双馈发电机a相的电流传感器在3 s≤t≤5 s失效,仿真结果如图1、图2所示。
由上述仿真结果可知,系统未发生故障时,残差1、2和3的幅值较小,且变化稳定。当发生故障时,故障标志1、2迅速变为1,而故障标志3并未发生变化,这表明a相的定子电流存在偏差,双馈发电机的故障为M1。从上述仿真结果可知,对于双馈发电机,采用PSOPF并行算法可以对故障进行准确诊断。
变桨距系统大致上可以建模为一个二阶传递函数模型,该模型如式(3)所示[10]:
式中,ζ表示阻尼系数;ωn表示频率。
建立变桨距系统的离散化状态空间模型为:
式中:w(k)表示系统噪声,v(k)表示测量噪声。
变桨距的故障模式如表2所示,主要考虑3种突发故障模式,即高含油量,液压泄漏和俯仰角传感器偏差故障。
表2 故障模式
对故障模式M1进行仿真分析。当t≥100 s时,系统状态从模式M0更改为M1,即参数ωn从11.11 rad/s更改为5.73 rad/s,ζ从0.6更改为0.45。故障模式M1的残差曲线如图3所示。
从图3可以看出,当系统状态正常时,桨距角残差平滑值d(0)的变化幅度较小;当出现故障时,d(0)剧烈变化。由于俯仰角传感器的偏差故障,M3的初始残余误差约为0.3。M1和M2相对较近,但是M1的d(1)很小,总是保持很小的值。综上,可以得到故障模式为M1。
对M2模式进行仿真,当t≥100 s时,系统将从模式M0跳至M2,仿真结果如图4、图5所示。
图5比较了3种失效模式的剩余平滑值d(1)~d(3),其中,与M2对应的d(2)总体上最小,因此可以判断系统具有失效模式M2。
当出现故障模式M3时,当t≥100 s时,系统从模式M0跳到M3,仿真结果如图6、图7所示。当系统未发生故障时,桨距角残差平滑值d(0)较小;当系统发生故障时,d(0)发生居变。
针对设备的故障诊断问题,首先运用粒子群优化了基本粒子滤波算法;然后基于CUDA并行算法,提出了一种改进型粒子滤波并行算法,并将其运用至风电机组变桨距及双馈发电机的故障诊断中。结果表明,该改进型故障诊断算法具有更高的优越性。