دانلود رایگان مقاله یک رویکرد قابل اعتماد برای تشخیص خطای اولیه مدارهای اتصال کوتاه در ژنراتورهای القایی

چکیده

               این  تحقیق با یک رویکرد معتبر برای تشخیص اولیه مدار اتصال کوتاه در  سیم پیچ استاتور است که در ژنراتورهای القایی که در توربین های بادی استفاده می شود. با استفاده از یک بستر آزمایشی توربین بادی ، انواع مختلفی از اتصال کوتاه را در ژنراتور وارد کردیم. پیشنهاد دادیم که از چهار تکنیک استخراج ویژگی به همراه سه دسته بند  استفاده کنیم‌ .  MLP شرایط نرمال  مولد را با خطای   مثبت و منفی ۱%  تعیین کرد‌. با استفاده از توپولوژی های مختلف MLP ، می توان مدارهای اتصال کوتاه اولیه را در چرخش 1.41٪ و  با دقت 99.33٪ شناسایی کرد.  ترکیب فوریه و  MLP  در تشخیص خطا، بسیار مفید است، چون توانسته به دقت ۸۴.۴۸% برسد  و ۹۹.۹۸% از شرایط نرمال را به درستی  دسته بندی کرد.

1. مقدمه

              انرژی باد در میان منابع انرژی تجدید پذیر ، به مؤثرترین و پذیرفته ترین راه حل برای تولید برق در سراسر جهان تبدیل شده است و به اندازه ۴۸۶.۷  گیگاوات ساعت به نیاز جهانی کمک می کند [1]. این تولید انرژی، تنها 3٪ از نیاز انرژی جهان را نشان می دهد ، اما تخمین زده می شود که در سال 2030 قدرت باد بتواند  17 تا 19٪ از تقاضای جهانی را تامین  کند. 

                 طبق گفته های پولیندر و همكاران، مشكلات عملیاتی بر هزینه انرژی، به طور مستقیم اثر می گذارد. [2] فقط با یک سیستم توربین بادی قابل اعتماد و در دسترس که می توان هزینه انرژی را کاهش داد. علاوه بر این ، با توجه به قابلیت اطمینان ، هزینه های عملیاتی تعمیر و نگهداری ، که حداکثر 30 درصد از هزینه انرژی را شامل می شود [2].

            هان ، دورستویتز و مایکل  نگرانی در مورد نگهداری از مزارع بادی را ابراز گرده اند [3]. آنها رکورد انواع خطا در توربین های بادی را به نمایش گذاشتند.   جمع آوری داده ها از مجموعه ای از مزارع بادی نصب شده در اروپا، نشان داده است که پرهزینه‌ترین مؤلفه ی خطا  برای مزرعه بادی ، ژنراتور برق است. 

               در میان حوزه های تحقیقاتی توربین های بادی ، متن حاضر بر ژنراتورهای برقی، به ویژه ژنراتور القایی قفس سنجاب (SCIG) تمرکز  دارد. اهمیت  SCIG مبتنی بر استحکام آن، فن آوری تلفیقی و روندهای آینده آن است. همچنین یاراماسو و همکاران در [4] پیش بینی می کند این ژنراتور در سال های آینده بر بازار توربین های بادی مسلط شود. 

               SCIG   علیرغم اینکه تطبیق پذیر است، اما در برابر خطا مصون نیست و محدودیت هایی نیز دارد. به طور کلی، این خطاها با اثر های  گرمای بیش از حد، الکتریکی، دینامیکی و مکانیکی در ارتباط است [5]. بنت و سوكوپ [5] تأكید می كنند كه اتصال كوتاه بین پیچ ها  ، ابتدایی ترین عیب است که تشخیص آن بسیار سخت است.

               بنابراین، این تحقیق بر روی شناسایی مدارهای اتصال کوتاه اولیه در SCIG تمرکز دارد تا وسیله ای برای بهبود قابلیت اطمینان توربین های بادی فراهم کند.  همچنین،  ، این ممکن است برای توربین های بادی خیلی بزرگ، مناسب باشد. از آنجا که ، شناسایی یک اتصال کوتاه اولیه قبل از تخریب کامل می تواند بدون نیاز به حذف ژنراتور از توربین بادی و کاهش در دسترس بودن دستگاه، تعمیرات را در محل انجام دهد. 

            با توجه به اینکه توربین های بادی از جمله تجهیزات مبتنی بر سنسور هستند، که توسط یک سیستم کنترل نظارت و دستیابی به داده ها (SCADA) کنترل و مشاهده (مانیتور) می شوند، تشخیص اولیه ی  اتصال کوتاه می تواند در سخت افزاری که مسئولیت دستیابی به اطلاعات را دارد، قرار داده  شود.  بنابراین، روش این مقاله را می توان در سیستم های توربین بادی واقعی تکرار کرد. 

           این مقاله به شرح زیر سازماندهی شده است: در بخش 2 ، کارهای انجام گرفته  در تشخیص خطا برای بهبود قابلیت اطمینان در ماشین های الکتریکی ارائه شده است. در بخش 3 روش های استخراج ویژگی مورد استفاده در این کار، توضیح داده شده است.  در بخش 4 روشهای تقلید خطای شبیه سازی،  دستیابی به داده ها و ایجاد یک مجموعه داده برای تشخیص الگو ارائه شده است. در بخش 5، روشهای یادگیری ماشین که در این کار استفاده شده و همچنین پیکربندی ها و معیارهای سنجش برای ارزیابی ها شرح داده شده است. در بخش 6 نتایج ما تجزیه و تحلیل شده و نتیجه گیری در بخش 7 ارائه شده است.

ABSTRACT

               This research contributes with a reliable approach to detect incipient stator winding inter-turn short-circuits in induction generators applied in wind turbines. Using a wind turbine test-bench, we inserted different types of short-circuit in the generator. The electrical current is acquired to build a fault database. We propose the use of four feature extraction techniques with three classifiers. The MLP identified 100% of the generator’s Normal conditions with less than 1% false positives and negatives. Using different topologies of MLP, it was possible to identify incipient short-circuits in 1.41% turns with 99.33% accuracy. The combination Fourier-MLP is more useful for fault detection, since it obtained 84.48% of accuracy, with 99.98% of Normal conditions correctly classified.

1. Introduction

              Among the renewable energy sources, wind energy has become the most effective and accepted solution for electricity generation worldwide, contributing 486.7 GW to global demand [1]. This energy production represents only 3% of the world’s energy demand, but it is estimated that in 2030 the wind power will be able to supply 17–19% of the global demand [1].

                Despite the growing exploitation of this energy source at 17% per year [1] the technologies are not consolidated, there are still engineering and science challenges to be solved to support this expansion.

             Operational problems directly impact on the cost of energy, according to Polinder et al. [2] only with a reliable and available wind turbine system that the cost of energy can be mitigated. Moreover, in the light of reliability are the maintenance operating costs, which account for up to 30% of the cost of energy [2].

              Hahn, Durstewitz and Michael have already evidenced the concern with maintenance in wind farms [3]. They exhibited records of fault types in wind turbines. The compilation of data from a set of wind farms installed in Europe has shown that the most costly faulty component for the wind farm is the electric generator.

             Among the areas of study surrounding wind turbines, the present text focuses on electric generators, especially the Squirrel Cage Induction Generator (SCIG). The importance of the SCIG is based on its robustness, consolidated technology and future trends. Also, Yaramasu et al. [4] forecasts this generator will dominate the market of wind turbine in the next years.

              Despite the versatility of SCIG, it is not immune to faults, and has limitations. In general terms, these faults are associated with: overheating, electrical’, dynamic and mechanical effects [5]. Bonnet and Soukup [5] emphasizes that the short-circuit between turns is the most incipient fault and the most difficult to detect.

              So, this work focus on detecting incipient short-circuits in SCIG, to provide a means to improve wind turbine reliability. Moreover, this could be potentially good for giant wind turbines. Because, detecting an incipient short-circuit before total degradation could guide corrective maintenance to make repairs on site, without having to remove the generator from the wind turbine and decrease the machine availability.

             Since wind turbines are a sensor-based equipment, monitored and controlled by a Supervisory Control and Data Acquisition (SCADA) system, the incipient short-circuit detector could be deployed inside the hardware responsible for data acquisition. So, one could feasibly replicate the methodology of this paper in real wind turbine systems.

           This paper is organized as follows: in Section 2 state of the art in fault detection for reliability improvement in electrical machines is presented; in Section 3 the feature extractions methods used in this work are explained; in Section 4 the procedures to emulate the fault emulation, acquire data and create a dataset for pattern recognition are presented; in Section 5 the machine learning methods used in this work are described, as well as its configurations and metrics for evaluations; in Section 6 our results are analyzed and conclusions presented in Section 7.

چکیده
1. مقدمه
2.کارهای انجام شده در زمینه ی خطای اتصال کوتاه در ماشین های الکتریکی 
3. روش های به کار رفته برای استخراج ویژگی  برای  ماشین های القایی
4. راه اندازی آزمایشی و ایجاد مجموعه داده
4.1 تغییرات در ژنراتور برای شبیه سازی خطا
 4.2 آزمایش 
4.3 ایجاد مجموعه داده
5. روشهای یادگیری ماشینی اتخاذ شده 
6. نتایج و بحث 
6.1 مقایسه روش های استخراج ویژگی و دسته بندها 
6.2 بهبود قابلیت اطمینان طبقه بندی کننده
6.3 بهبود قابلیت اطمینان طبقه بندی کننده سه کارهای مرتبط
7. نتیجه گیری
منابع

ABSTRACT

1. Introduction
2. State of the art in short-circuit faults in electrical machines
3. Feature extraction methods used for induction machines
4. Experimental setup and dataset creation
4.1. Modifications on generator for fault emulation
4.2. Experiments
4.3. Dataset creation
5. Machine learning methods adopted
6. Results and discussions
6.1. Comparison of feature extraction methods and classifiers
6.2. Classifier reliability improvement
6.3. Comparison of works related
7. Conclusions
References