【摘 要】
：
直流断路器(DC circuit breaker,DCCB)是提高直流电网安全稳定运行的关键设备.针对现有的DCCB投入的数量多导致成本过高、短路故障时电流过大、避雷器吸收能量过多等问题,提出了一种新型具有限流功能的多端口高压直流断路器拓扑(multi-port DC circuit breaker,MP-DCCB).通过改进DCCB拓扑结构研究其性能,对新型拓扑的工作原理、故障分断过程进行理论分析,并给出相关参数及选取依据,最后用PSCAD软件搭建相应的仿真模型,并进行验证.与常规DCCB方案相比,故障
【机 构】
：
兰州交通大学自动化与电气工程学院,兰州市730070
论文部分内容阅读
直流断路器(DC circuit breaker,DCCB)是提高直流电网安全稳定运行的关键设备.针对现有的DCCB投入的数量多导致成本过高、短路故障时电流过大、避雷器吸收能量过多等问题,提出了一种新型具有限流功能的多端口高压直流断路器拓扑(multi-port DC circuit breaker,MP-DCCB).通过改进DCCB拓扑结构研究其性能,对新型拓扑的工作原理、故障分断过程进行理论分析,并给出相关参数及选取依据,最后用PSCAD软件搭建相应的仿真模型,并进行验证.与常规DCCB方案相比,故障电流减少了48.6％;避雷器上吸收能量、关断电流和关断时间分别减少了54.8％、52.4％和0.8 ms.该新型MP-DCCB具有良好的可靠性与经济性,仿真结果验证了所提新型具有限流功能的多端口高压直流断路器拓扑可适用于当前直流电网.
其他文献
列车转向架轴承受到轨道激扰、运行速度不确定、轨道接缝的冲击振动和其他部件振动因素的影响,轴承振动信号呈现非线性和非平稳性,导致其故障特征难以被提取,故障诊断准确率低.针对上述问题,文章提出一种基于多尺度样本熵改进极限学习机的列车转向架轴承故障诊断方法.其首先利用多尺度样本熵提取故障特征,构成特征向量集;然后利用粒子群算法优化极限学习机,得到输入权值和隐含节点阈值;最后,将特征向量集划分为测试集和训练集,利用改进的极限学习机作为模式识别算法进行故障模式识别.实验结果表明,本文提出的方法能够有效地进行故障模式
当前风电机组齿轮箱是通过状态监视系统采集齿轮箱高频振动数据,并通过人工分析的方式对齿轮箱进行故障诊断.这种方法不仅需要振动分析工程师具备足够的经验知识,而且因机组数量多,导致人工分析费时费力.为此,文章通过将采集到的原始数据进行倍频转换和对齐,消除变工况的影响,并采用时长分割对数据样本进行扩增,提取特定倍频段时域特征和频域特征作为机器学习的输入,通过模型训练构建了齿轮箱故障预测模型,模型准确率超过90％,有效实现了齿轮箱的故障预测.
子模块电容用量是影响模块化多电平换流器(modular multilevel converter,MMC)体积和成本的关键因素.提出了以单位容量额定储能值作为MMC电容用量的统一的衡量与直接设计指标,建立了直接描述MMC所需额定储能值与电容电压波动率之间关系的标幺化计算模型,使不同额定参数MMC的电容用量的衡量、计算和分析可以得到统一和简化.与以子模块电容值作为分析和设计指标的传统方法相比,MMC额定储能值标幺化计算模型去除了多种参数对计算过程的影响,揭示了基准调制比和输出功率范围是影响MMC额定储能值的
为避免因牵引变流器电容器的性能退化而导致输入功率载荷加重,影响机车牵引系统的安全与可靠运行,本文提出一种电容器故障预测方法,其通过检测电容器输出电压纹波对电容参数进行辨识,并基于最小二乘支持向量机(LS-SVM)算法进行电容参数拟合来识别电容器退化特征,从而实现电容器故障预测.文章采用该方法与BP神经网络预测方法,以ESR为电容特征值为例,对牵引变流器中间直流回路的谐振电容器和支撑电容器进行故障预测.结果显示,LS-SVM模型误差小、精度高,更能反映实际变化;采用该LS-S V M模型对近2年现场电容器运
针对城市轨道交通车辆牵引电机存在的滤网堵塞问题,为降低售后服务人员故障排查的难度并提高排查的即时性,文章提出一种基于循环神经网络的电机滤网堵塞预警方法.其根据电机原理并结合数据驱动方法构建模型,利用实际运营数据对模型进行训练,基于列车现有数据对电机温度进行实时预测,根据预测值与实际值的残差关系实现电机滤网堵塞预警.将该方法用于某地铁运营车辆,结果表明,其可以准确地对电机滤网堵塞问题进行预警,指导精准维修,从而有效地促进状态修进程.
变流器是电力机车牵引系统的关键部件之一,其故障易导致列车运行瘫痪,是机车故障中危害性较大的一类.针对基于专家经验的牵引变流器故障诊断仿真模型和特征选取泛化性较差问题,文章提出一种基于深度卷积神经网络的故障诊断方法,其通过修改Xception模型卷积和池化层结构参数以匹配牵引变流器故障数据并进行训练.实验结果显示,本文所提方法Top-1准确率为0.8422,Top-3准确率为0.9201,表明将深度卷积神经网络用于牵引变流器故障诊断具有较好的鲁棒性和准确性,且通过通道增强后可以提高模型的泛化能力并实现故障分
为提前识别动车组运行过程中的故障隐患,文章基于故障预测及健康管理理论,通过整合动车组不同场景的多源异构数据,构建“车-地”一体化大数据平台;并将设备故障机理与人工智能算法相结合,构建一种动车组关键部件故障预警预测模型,以部件关键物理特性来反映其工作状态并提前识别潜在故障.通过大数据平台及牵引电机的故障预警及温度预测模型的应用,C R400A F型复兴号动车组牵引电机故障率显著下降,由平均每百万公里0.5件降至约平均每百万公里0.1件.
针对交流微电网电压不平衡工况下直流微电网母线电压二倍频脉动问题,提出一种适用于CLLC直流变压器的两级式双向隔离AC/DC母线接口变换器控制策略.首先,对不平衡工况下交直流母线接口变换器功率传输特性进行分析,并设计抑制交流侧负序电流的控制策略.其次,建立CLLC直流变压器的基波等效模型,并分析其电压增益和输入阻抗特性.在此基础上,考虑不平衡工况下CLLC直流变压器输入电压脉动特点,对CLLC直流变压器进行了参数优化设计并提出了基于脉动电压前馈的控制策略以抑制直流母线电压脉动.最后,通过Matlab/Sim
变压器内部故障与油中溶解不同组分、不同含量的气体之间的关系是目前进行变压器故障诊断的主要研究内容.文章提出一种基于BP神经网络的变压器故障诊断方法,其在传统反向传播神经网络(BPNN)基础上,引入ResNet残差网络模块思想,并在第Ⅳ和第Ⅴ残差模块中嵌入支持向量机(SVM)分类器,从权重角度筛选对诊断结果准确率更具影响的特征向量;构造多个子数据集并对在分布式平台进行并行化训练后获得的不同性能的子分类器进行投票决策.结果表明,相比于基于传统BPNN的诊断方法,本文提出的方法对变压器故障诊断的平均准确率提升了
为提升风电机组自身的感知能力,更多的数字化、智能化新技术开始被用于风电机组.基于音频数据对风电机组的异常状态做监测,就是其中一个较为前沿和实用的技术探索方向.文章利用叶片损伤后其气动音频信号会发生变化这一特点,设计了一套基于音频数据的风电机组叶片异常状态监测系统,其通过在风力发电机组上安装拾音器、分析挖掘所收集的风电机组音频数据,并基于多分类的机器学习模型,探索出一套音频数据的特征分析和模式识别的方法.仿真和实际应用结果显示,用该方法可以识别叶片是否损伤、冷却风扇是否工作等工况,以排除冷却风扇运行对叶片异