基于LSTM-CNN的双馈风力发电机电刷滑环电弧故障诊断

由于双馈风力发电机(DFIG)的装机地点环境恶劣,DFIG电刷滑环的电弧故障时常发生.鉴于电弧故障严重影响电力设备的稳定运行,提出了一种基于长短期记忆-卷积神经网络(LSTM-CNN)的DFIG电刷滑环故障电弧检测模型.首先,分析了 DFIG中电刷滑环产生故障电弧的原因.然后,以电流、电压和磁环三种信号作为输入,滤波后构建基于LSTM-CNN的故障电弧检测模型.最后,搭建滑环装置诊断实验平台,在神经网络结构含有相同层数的情况下,用相同的实验数据训练LSTM神经网络、CNN和LSTM-CNN.实验结果表明,基于LSTM-CNN的故障电弧检测模型的精确率和召回率均保持在99％以上.相较于单一的LSTM神经网络模型和CNN模型,所提出的模型对故障电弧的检测准确率提高了 4％以上,具有较强的工程实践意义.