1

ТЕХНИЧЕСКИ УНИВЕРСИТЕТ – СОФИЯ

Инженерно-Педагогически Факултет – Сливен

Катедра „Електротехника, Електроника и автоматика”

маг. инж. Димитрина Йорданова Коева

„АВТОМАТИЗИРАНА СИСТЕМА ЗА КОНТРОЛ, МОНИТОРИНГ ИДИАГНОСТИКА НА ВЕТРОГЕНЕРАТОРИ”

АВТОРЕФЕРАТ

на дисертационен труд за присъждане на образователна и научна степен „ДОКТОР”

по научна специалност „Електрически машини”

в професионално направление 5.2. „Електротехника, електроника иавтоматика”

Научен ръководител:проф. д-р инж. Неделчо Ангелов Неделчев

Научно жури:проф. д-р инж. Неделчо Ангелов Неделчев

проф. дтн инж. Румен Иванов Каровдоц. д-р инж. Пенчо Венков Георгиев

доц. д-р инж. Антон Георгиев Андоновдоц. д-р инж. Свилен Радославов Рачев

Сливен, 2014

2

Дисертационният труд обхваща въведение и четири глави с общ обем 192 страници, в т.ч. исписък с използваната литература, съдържащ 116 заглавия (47 на кирилица, 67 на латиница, 2web сайта). Изложеният материал е илюстриран с 154 фигури и 30 таблици. В авторефератавсички означения, номерация на формулите, фигурите и таблиците са според означенията втекста.

Част от изследванията са проведени по договор 122ПД0034-16 към НИС на ТУ-София.

Дисертационният труд е обсъден и насрочен за защита от катедра „Електротехника,електроника и автоматика” на ИПФ-Сливен при ТУ-София, на заседание на катедрен съвет,състояло се на 18.12.2013 г.

Защитата на дисертационният труд е насрочена със Заповед на ректора на ТУ-София № ОЖ-05 / 10.01.2014 г. и ще се състои на 24.04.2014 г. от 10:00 часа в зала 1104 на ИПФ-Сливен, гр.Сливен, бул. „Бургаско шосе” № 59, на открито заседание на научното жури в състав:

1. Проф. д-р инж. Неделчо Ангелов Неделчев – Председател2. Проф. дтн инж. Румен Димитров Каров – Секретар3. Доц. д-р инж. Пенчо Венков Георгиев - Член4. Доц. д-р инж. Антон Георгиев Андонов - Член5. Доц. д-р инж. Свилен Радославов Рачев – Член

Материалите по защитата са публикувани в интернет страницата на ТУ-София на адрес:www.tu-sofia.bg, също така са на разположение в катедра „Електротехника, електроника иавтоматика” на ИПФ-Сливен при ТУ-София.

3

ОБЩА ХАРАКТЕРИСТИКА НА ДИСЕРТАЦИОННИЯ ТРУД

Актуалност на тематаСъвременното състояние относно изграждането и управлението на вятърните централипоказва, че изследванията се водят в следните направления: Управление на вятърнитецентрали в реално време и създаване на прогнозни модели; Анализ на повредите въввятърните генератори (ВГ) и на тази база преглед на съществуващи методи, алгоритми итехнически средства за мониторинг и диагностика и концепции за усъвършенстването им;Конструктивно изпълнение и управление на перките. Установява се, че директното прилаганена АСКМД, използвани в индустрията не е съобразено с конструкцията и особения динамиченрежим на работа на ВГ. Ето защо се налага усъвършенстване на технически средства,алгоритми и техники за диагностика. Основните подсистемите, подлежащи на контрол,мониторинг и диагностика са: гондола с ротора и перките, задвижваща система, предавателнакутия, спирачна система, генератор, система за ориентиране на гондолата, система зауправление. Най-разпространените СКМ имат задължителна архитектура, при която сеакцентира на подобряване на защитните функции, усъвършенстване на общоприетите техникии приспособяване на съществуващите системи.

Цел, проблеми и задачи на изследванетоОБEKT на изследване в дисертацията са вятърни централи. ОСНОВНА ЦЕЛ е да се разработиавтоматизирана система за контрол, мониторинг и диагностика за вятърна централа.

ОСНОВНИ ПРОБЛЕМИ за достигане на целта са: На база проучени най-често срещани повреди в подсистемите на вятърните генератори,

да се анализират съществуващите и взаимно съчетаващи се методики за контролмониторинг и диагностика и да се избере модел за изграждане на такава система сподходящи техники и алгоритми.

Чрез данни от оперативния мониторинг да се избере модел за прогнозиране напроизводството на енергия от вятърни централи.

Да се изберат техники за безконтактна диагностика, приложими за разработенатасистема за контрол, мониторинг и диагностика, като се гарантира надеждност наданните при динамичен мониторинг.

ОСНОВНИ ЗАДАЧИ за решаване са следните: Обобщаване на най-често срещаните повреди в електрическите генератори, използвани

във вятърна централа. Конкретизиране на приоритетните подсистеми, подлежащи на контрол, мониторинг и

диагностика. Анализиране на съществуващи методики за мониторинг и диагностика на вятърни

генератори и избор на датчици и тяхното разполагане за осъществяване на надежднаСКМ.

Да се направи преглед на използваните модели, алгоритми и техники за диагностика,които могат да се съчетават със системата за контрол и мониторинг.

Да се избере модел за изграждане на система за диагностика, с подходящо избраниалгоритъм и техники.

Да се разработят и сравнят качествата на различни модели за прогнозиране наконсумацията на енергия от енергиен обект.

Да се избере подходящият модел и да се установи неговата степен на адаптация завятърен генератор.

Да се изберат техники за безконтактна диагностика, приложими за реализиранатасистема за динамичен мониторинг и диагностика.

4

Да се изследва работата на асинхронен генератор при различни товари. Да се изследва възможността за съвместна работа на асинхронния генератор с

реализираната система за динамичен мониторинг и диагностика.

Използвани научноизследователски методиОсновните методи на работа, използвани при решаване на поставените задачи вдисертационния труд са: теоретичен анализ и експериментални изследвания с приложение начислени методи и статистически анализ. Разработването и анализът на някои от моделите саизвършени по време на специализиращ стаж в Университета „Паскал Паоли”, Корте, Франция,като се използва техния опит и препоръки.

Съдържание на дисертационния трудГЛАВА І „Автоматизирана система за контрол, мониторинг и диагностика на вятърнацентрала”

Правилното управление и експлоатация на ветроенергийните системи е определящо за тяхнатаефективност и бързата възвръщаемост на инвестициите. Целта е да се осигурят оптималнипараметри на вятърната централа във всички експлоатационни условия и да се поддържаттехническите възможности на системата на най-високо ниво, за да се избегнат непредвидениповреди, които биха довели до спиране на работата на ветрогенераторите и финансови загуби.Целта на изследването е да се проучат възможностите за създаване на автоматизирана системаза контрол, мониторинг и диагностика (АСКМД) на вятърна централа. След анализ насъстоянието на проблема са обобщавани най-често срещаните повреди в електрическитегенератори; конкретизирани са приоритетните подсистеми, подлежащи на контрол,мониторинг и диагностика; анализирани са съществуващи методики за мониторинг идиагностика на ветрогенератори и избор на датчици и тяхното разполагане за осъществяванена надеждна СКМ. Изводите, които могат да бъдат направени са:

- Генератор и предавателна кутия са приоритетните системи са мониторинг идиагностика.- Неправилно е директното прилагане на конвенционална система за контрол имониторинг (СКМ) за въртящи се машини от индустрията във вятърна централа.- Чрез правилно разполагане на по-малко на брой датчици и въвеждане на подходящиалгоритми и прецизни техники за мониторинг, СКМ остава надеждна и адаптивна.- Трудно се оптимизират разходите за въвеждане на една СКМ. Важно е да се отбележи,че това не е пряко и само свързано с намаляване на времето за престой, но и намаляване насредствата за превантивна поддръжка. Неоткрити повреди биха предизвикали значително по-големи загуби при увеличено време за престой. За ВГ разположени на сушата, например,оперативните и поддържащи разходи са близо 15 % от цената на произведената енергия.

ГЛАВА ІІ „Структура и функции на системата за диагностика”Вятърните турбини се характеризират с динамично изменящи се натоварване и честота навъртене, което неизбежно води до повреди. Ето защо системата за контрол и мониторингтрябва да осигурява постоянно следене на наблюдаваните параметри. Съчетаването на тазисистема със система за диагностика би довело до значително редуциране на средствата заподдръжка и престоя поради аварии, което е непроизводително време за турбината. От другастрана вятърните турбини се разглеждат като сложни системи, върху работата на които влияятразлични смущаващи въздействия, често трудно подлежащи на измерване и определяне. Товае голямо предизвикателство за изграждането на една добре функционираща автоматизиранасистема за контрол, мониторинг и диагностика. По тази причина целите в тази глава са:

5

Да се направи преглед на използваните модели, алгоритми и техники за диагностика,които могат да се съчетават със системата за контрол и мониторинг.

Да се избере модел за изграждане на система за диагностика, с подходящо избраниалгоритъм и техники.

Общият вид на функционалната схема на система за диагностика е представен на фиг.2.6.Оценката на техническото състояние на наблюдаваният обект се определя чрез отклонениетона фактическата стойност на неговите диагностични параметри от еталонните им стойности.Диагнозата се формира след сравняване на симптома за диагностика с негова праговастойност .

Основните етапи при функционирането на всяка СД се свеждат до четири: 1- сравняване нанаблюдаваните параметри и величини (т.н. базова паспортизация), което е основание за оценкана техническото състояние; 2–периодичен контрол на параметрите за оценка на текущооперативно и техническо състояние; 3–разширено диагностично обследване; 4–ремонтно–възстановителни дейности. Структурната схема и последователност на действия на СД загенератор е представена на фиг. 2.8. Блокът за контрол и мониторинг съдържа устройства,сензори и датчици, разположени на подходящи места. Наблюдаваните механични входнипараметри най-често са състояние на лагерните възли и равномерност на въздушната междина, аот електрическите входни параметри – състояние на намотките, целостта на изолацията нанамотките, магнитната система, напрежения и токове в отделните фази. Измереният сигнал сепреобразува от аналогов в цифров вид в блок АЦП. След което сигналът в цифров вид сефилтрира от високочестотни паразитни смущения в блок Филтър. Филтрираният сигналпостъпва в блок за изчисляване интензивността на появяване на диагностичния симптомкъдето се определят неговите големина и честота на проявление.

Фиг. 2.6. Общ вид на функционалнасхема на система за диагностика. Фиг. 2.8. Структурна схема на СД

В блока за анализ, според избрания метод (анализ на времеви редове, бърза трансформация наФурие, спектрален анализ и др.), сигналът се подлага на математическа обработка в цифроввид. Определя се амплитудата на основния хармоник и други налични хармоници и честотатана тяхното проявление. Наличието на други хармоници се счита за маркер за влошеносъстояние на наблюдавания обект. В блока за изчисляване на режимните параметри нагенератора се определя текущото им състояние. Диагнозата на наблюдавания обект се поставя

6

след съпоставка на текуща стойност на диагностичния симптом с негова прагова стойностСпоред степента на сигурност, която застрашават и степента на сложност на повредите,

те се категоризират в три категории. Съществуват няколко вида техники за идентификация наповредите и те са представени на фиг. 2.10.

а) б)

в) г)Фиг. 2.10. Техники за идентификация на повреди

Модел, базиран на системна идентификацияТова е модел, базиран на техники за системна идентификация, се представя на фиг. 2.10 а).Провеждат се и се следят измервания на входа и на изхода, след което се сравняват с еталоннистойности. Разликата е индикатор за повреда или грешен сигнал. Развиващите се катодопълнителен процес повреди, в т.ч. и повредата на сензори и други измервателни устройства,се считат за непозната входна величина. Методът е свързан с определяне (оценка) напараметрите и е широко приложен в системите за контрол чрез т.н. адаптивни контролери.Напоследък се прилагат успешно за откриване на повреди, където е достатъчно прилаганетона линеен модел.

Модел, базиран на наблюденияМоделът е базиран на мониторинг на текущото състояние и съпоставка с резултатите отприлагане на филтър на Калман. Разликата е наблюдаваната грешка, изчислена от измерванияв оперативен режим и изхода в препоръчан модел, фиг. 2.10 б). При големи динамичниизменения и външни структурни смущения, моделът с наблюдаването на грешката може да сесъздаде с по-ниска чувствителност. Един такъв прецизен модел за най-важните динамичнипроцеси се препоръчва и прилагането му се счита за иновативно, но поради голямата мусложност, за сега успешно е прилаган в СД само за индустриални процеси.

Модел, базиран на сигнален анализТова е метод за откриване на повреди чрез анализ на сигнали, описани във времева и честотнаобласт, без категоричен математичен модел за текущо наблюдение, фиг. 2.10 в). Тук

7

индикаторите за повреда се получават от измервания по време на работа, като се проверявадали влизат в определени граници и какъв е трендът на тяхното изменение. Използват сеняколко техники за спектрален анализ. Особено се прилага при въртящи се машини запрецизна диагностика и оценка на оставащия работен ресурс. Счита се, че в случаите навнезапни промени методите, използващи спектрален анализ не са толкова бързи, колкотомоделите, базирани на системна идентификация. Въпреки това те успешно се вграждат вкомплексни системи, т.к. не се изисква познаване на характера на входния сигнал.

Експертни системи, базирани на изкуствен интелект.Този модел на система за диагностика се прилага за сложни процеси, които трудно семоделират аналитично. Експертното познаване на процеса се използва за изчисляване навръзката между измерените сигнали и текущото оперативно състояние, фиг. 2.10 г). Също такаможе да се използват техники размита логика (fuzzy logic). СД, базирани на експертнопознаване са твърде широко приложени, докато СД, базирани на размита логика все още сеизследват.

Разработване на устройство за мониторинг и диагностика на оперативни и аварийнирежими на вятърен генератор.

В съвременните системи за диагностика се поддържа вътрешен анализ на честотата иамплитудата на постъпващите сигнали и това е основен механизъм при алгоритмите запредсказване (предвиждане) на повреди. Данните постъпват в аналогов вид и се преобразуватв цифров вид. Принципна блокова схема за подобно преобразуване в СД е показана на фиг.2.15. Наблюдаваните оперативни параметри са температура на различни места в генератора искоростната кутия, ускорение, ъгъл на ориентиране на гондолата, ток и напрежение за всякафаза, активна електрическа мощност. Схемата съдържа следните блокове за обработка наданните: МУ1,2,..N–мащабиращ усилвател, който формира изходното напрежениеслед което сигналът се филтрира за случайни стойности (грешки); Аналогов ключ 1–превключва отделните входове към преобразувателя; АЦП–аналогово цифров преобразувател;Цифров микроконтролер–използва се като изчислително устройство със специфичен софтуер;ЦАП- преобразувател на цифровия код в линейно напрежение; Аналогов ключ 2–запревключване на различни изходи; МУ–за формиране на напрежението от ЦАП в границите

Блок Uоп–блок за опорно напрежение. Извършва дискретизация по амплитуда.Дискретизацията по време се извършва посредством тактовата честота на микроконтролера.

Фиг. 2.15. Принципна блокова схема за преобразуване на данни в СД

Най-често срещани повреди в генератора са: повреди в лагерите, къси съединения, проблеми сизолацията. При възникване на повреди от електрическо естество, разходите за отстраняванена проблема са много големи и обикновено дефектиралият компонент направо се заменя с нов.Ето защо мониторингът на електрическите величини - изходна (генерирана) мощност, токове

8

и напрежения в отделните фази на генератора – е от изключително значение за нормалнатаработа на ВТ. На фиг. 2.16 е представена функционална блокова схема на разработеноустройство за мониторинг на фазовите токове и напрежения на генератор. Блокът Филтър ивходен делител отстранява високочестотните шумове и лъжливи сигнали. Блок за обработкана данни МCP 3911, (фиг. 2.17), преобразува аналоговите данни за токовете и напреженията вцифров вид. Следва селектиране и събиране на данните с определена честота, което сеизвършва от Микропроцесор DSPIC33FJI28GP802. Микрокомпютър, (фиг.2.18), обработваданните в удобен вид и чрез LAN протокол се прехвърлят към лаптоп за визуализация натренда. При всяко измерване на текущите стойности на тока и напрежението, Блок заобработка на данни МCP 3911 генерира прекъсване на микроконтролера, който през SPIинтерфейса прочита данните и ги съхранява в локален буфер. Когато буферът се запълни,микроконтролера от своя страна генерира прекъсване към Linux платката отМикрокомпютъра, която също по SPI прочита данните. След прочитане на данните софтуеризчислява параметрите ефективна стойност на тока и напрежението, генерираната мощност(активна, реактивна и пълна) и фактора на мощността. След извършване на всичкиизчисления, данните се подреждат в пакет и чрез мрежата се изпращат към компютър завизуализиране. На фиг. 2.19 е представена обобщена блокова схема на алгоритъма напрограмата. Командите и работата на софтуера са идентични за всяка фаза. Софтуерноторешение на програмата изцяло разчита на вградената в процесора, на хардуерно ниво SPIшина. Програмата се свежда до следното:

Инициализация на MC3911 с цел подготовка на неговата работа. Ако инициализациятае извършена, процесора влиза в цикъл на събиране на данни от входните величини, а ако не е -се връща в първата стъпка.

Фиг.2.16. Блокова функционална схема на устройство за Фиг. 2.19. Обобщена блокова схемамониторинг и диагностика на фазовите токове и напрежения на алгоритъма на програмата

Измерване на входните величини и преобразуването им в подходящ за пренос вид. Чака се прекъсване от LINUX. Прочетените данни се складират в паметта на CUBEBoard, с целта е да станат 1 KB ( 4 цикли по 255 стъпки).

9

Чрез LAN връзка данните се свалят от CUBE Board в подходящ вид за тяхнотоследващо използване.

Изводите, които могат да се направят в тази глава са:o Основната тенденция е да се използват схеми и модели, базирани на измерени данни заустановяване на появата на повреда, нейното локализиране и точна идентификация на причината.o Ранната диагностика на възможни повреди е от изключителна важност за по-добратастратегия за превантивна поддръжка на основните подсистеми и възли от конструкцията на ВТ.o Най-често срещаните техники за диагностика, които се съчетават и допълват с АСКМ са:анализ на тока във всяка фаза, анализ на вибрациите, температурен анализ, анализ на маслото, и потази причина целта е изграждане на система за диагностика с ниска себестойност и ефективноприложени техники, реализирана с относително прости измервания.o Тъй като аналитичните зависимости между наблюдаваните оперативни величини ипараметри не са с голяма сложност, се предлага да се избере като модел за изграждане на СД,(респективно за разработеното устройство), математичен аналитичен модел.o Съчетаването на два алгоритъма при изграждането на СД се счита за иновативен подход ипринос. Тук се съчетават алгоритъм, базиран на изкуствен интелект и алгоритъм, базиран наоткриване и изолиране на повредата. Това позволява:- Автоматизиране на цялата система за контрол, мониторинг и диагностика и възможност засимулиране на процесите.- Адекватна реакция при динамични промени в режима на работа на генератора.- Възможност за създаване на стратегия за поддръжка на генератора и гарантиране насигурна, безопасна и ефективна работа.o Реализираната чрез разработеното устройство системата за диагностика се изпитва засамостоятелна работа, но още в проектната му част чрез софтуера е заложена възможност засъвместна работа със системата за контрол и мониторинг.

ГЛАВА IІІ „Моделиране на количеството консумирана електроенергия от енергиен обект”

Една от основните цели на системите за контрол и мониторинг във вятърните турбини е даустановят и диагностират анормални работни състояния. Правилното анализиране насъбраните във времето данни е предпоставка за изграждане на достоверен модел запредсказване на производството/потреблението на електрическа енергия и на възникващитеповреди. В тази връзка като основни цели се формират:

Разработване на модели за прогнозиране на консумацията на енергиен обект исравняване на качествата на моделите.

Избор на подходящ модел, като се установи неговата степен на адаптация за вятърнатурбина.

Процедурата по съставяне на модела е прието да се нарича идентификация (тук се подразбирапострояването на аналитичен математичен модел на динамични обекти). Целта наидентификацията е на база на следене (наблюдаване) на входната величина u(t) и изходнатавеличина y(t), за определен интервал от време, да се определи вида на оператора, свързващвходния с теоретичния изходен сигнал, при наличието на някакъв предварително избранкритерий за качество. Това най-често се свежда до обработка на експериментални данни(измервания) и метод за намиране и оценка на вектора на параметрите β (най-често метод нанай-малките квадрати). За отбелязване е, че при експериментални данни е необходимо да сеосигури: подбор на адекватна структура на модела и избор на входен сигнал, така че порезултатите на експеримента да може да се направи оценка на всеки от параметрите намодела.Построяването на модела започва с формиране на входни въздействия и избор на структура намодела, определящ връзката между наблюдаваните данни чрез съвкупност от параметри. Следтова входните въздействия се подават на обекта и се измерват резултатите от тези въздействия(изходни сигнали). След това входните и изходните сигнали и избраната структура на модела

10

се използват за оценка стойността на параметри в съответствие с приет критерий за качество.Критерият за качество на идентификацията характеризира степента на адекватност на моделана обекта в рамките на съгласувани допускания и приети ограничения. Много често сеизползва средно квадратичния критерий, в съответствие с който се търсят такива оценки напараметрите, които да осигуряват минимален среден квадрат на разликата между изходниясигнал на модела и обекта при едно и също входно въздействие. Оценката на параметрите сеизпълнява на базата на алгоритъма на идентификация, определящ правилата за търсене наоценка. Накрая, с цел проверка доколко точно е построен моделът, се имитират илипредсказват дадени наблюдения, които се сравняват при еднакви входни въздействия. Тазипроцедура се нарича верификация на модела. По този начин за решение на задачата заидентификация е необходимо да се изберат или сформират:o входни сигнали;o структура на модела на изследвания

обект;o критерий за качество на

идентификацията;

o алгоритъм на идентификацията;o критерии и методи за верификация

(потвърждение) на модела

Използването на достъпни към момента на време t наблюдения на времевия ред запрогнозиране на негови стойности в бъдещ момент от време t+l се нарича прогнозиране. Вконкретният случай изследваният обект (консумацията на електроенергия) е зависещ отвремето. Моделите, които се използват за прогнозиране са недетерминирани, т.к. сепредполага, че те позволяват да се определи вероятността бъдещи стойности да се намират вопределен интервал. Това са важен клас модели наречени стохастически и се разделят настационарни и нестационарни модели. Стационарните модели са основани напредположението, че процесът остава в равновесие около относително постоянно средно ниво.Но често, в индустрията, търговията, икономиката и др., се срещат времеви редове, които сеописват най-добре като нестационарни, т.е. те нямат естествено средно ниво. При тях сеизползва експоненциално претеглено пълзящо средно. Стохастичен модел, за койтопрогнозирането по експоненциално претеглено пълзящо средно се явява оптимално, се отнасякъм класа на нестационарни процеси, наричани още авторегресионни процеси – синтегрирано пълзящо средно или ARIMA (Аuto Regressive Integrated Moving Average) модели.За постигане на по-голяма гъвкавост в изграждането и работата на модела по отношение нанаблюдавания времеви ред понякога е целесъобразно да се обединят в един моделавторегресия и пълзящо средно. Комбинираният модел се описва с израза:

(3.19)

в който има p+q+2 неизвестни параметъра: μ, ,, , които сеопределят по наблюденията. Смесен модел авторегресия – пълзящо средно винаги сепредпочита с цел икономичност на модела. Общият вид на процеса се изразява с уравнението:

(3.20)

т.е: (3.21)

, (3.22)

където: - са полиноми на В от степен р и q.

Последният израз определя процеса като стационарен, ако всички корени нахарактеристичното уравнение лежат извън единичната окръжност. Аналогично, акопроцеса трябва да бъде обратим, корените на уравнението трябва да лежат извън

11

единичната окръжност. Ако разгледаме модела , прогнозатаможе да се определи посредством:

,

, l (3.37)

Прогнозата се доближава до средната стойност както членове на геометрична прогресия,аналогично на процес на авторегресия от първи ред, но с тази разлика, че прогнозата еизместена с една стъпка от въвеждането на множителя, зависещ от

Коефициентите ψ се определят с:

като знае, че:

се получава правило за изразяване на прогнози с изпреварване 1, 2, 3, …, L-1, като знаятпредишните прогнози с изпреварване 1, 2, 3, …, L:

(3.38)

Когато сходни особености на времевия ред се повтарят след s интервала, наричани опорни секазва, че времевият ред има периодичност s. Най-честа грешка при анализа на времеви редовее смесването на процедурите по изграждане на модела и прогнозиране. По тази причинаобщоприет подход за анализ е разделянето на реда на три компоненти: тренд, сезоннакомпонента и случайна компонента. Както по-горе беше споменато несезонните редовеполезно и икономично (с по-малко параметри) се представят с израза:

Обобщения оператор на авторегресия определя и прогнозиращата функция, явяваща серешение на уравнението:

където се подразбира, че влияе на . На пръв поглед изглежда, че може да дадепрогнозираща функция във вид на синусоиди и косинусоиди, с добавяне на полиномиалничленове, но по този начин не всички компоненти на се оценят и икономичното описаниена реда не е гарантирано. Ето защо за сезонните времеви редове от фундаментално значение еизползването на оператора т.е. операцията ще има важна роля вописването на такива редове. Т.к. и в тези редове може да има нестационарност, ще сеизползва описанието . Устойчивият нестационарен оператор

има s корени , k = 0, 1, 2, …s-1, равномерно разпределени по единичната окръжност.Евентуалната прогнозираща функция ще удовлетворява уравнението иможе да бъде представена във вид на сума от синусоиди и косинусоиди:

12

където: - настройващи се коефициенти; за четни s и за нечетни s.

Мултипликативен моделХарактерно за времеви модели със сезонни особености е, че наблюденията са свързани с двавремеви интервала, например месец и година или ден и седмица, като единият s е опорен, адругият показва сезонността.

, (3.41)

където: – оператор; – полиноми на , чиито степени P и Q,удовлетворяват условията за стационарност и обратимост. Грешките в тезимодели не винаги са некорелирани и за да се отчете тази евентуална връзка се въвежда вторимодел:

, (3.42)

където: – бял шум; и - полиноми на от степени p и q, удовлетворяващиусловията за стационарност и обратимост; - оператор на .

Окончателният вид на общия мултипликативен модел:

, (3.43)

По този начин се казва, че мултипликативния процес е от (p, d, q)X(P, D, Q)s порядък и сетълкува така. Периодичният ход на реда се описва с модела:

и в същото време вътре в цикъла, стойностите на а са свързани посредством връзката:

,

Общата стратегия за свързване на мултипликативен модел с данни, ръководейки се по вида наавтокорелационната функция, се свежда до:

- Прилагане на операторите за разлики и , за постигане на стационарност.- Според вида на автокорелационната функция избираме реда на модела.- Според стойностите на автокорелационната функция правим предварително

определяне на параметрите на модела.- След стартиране на модела се проверяват остатъчните грешки и се преценява

адекватността на модела.

Напълно адекватно описание на сезонен времеви ред чрез мултипликативен модел еневъзможно да се получи. Адекватността на модела дава представа за това колко точен е той(възможно най-близо до конкретните данни) и колко надежден е (кога, при какви случаи давадобри резултати). Анализът за адекватността се провежда след изчисляване на остатъчнатагрешка след стартиране на модела. Прави се проверка по автокорелация на остатъчнитегрешки по метода на най-малките квадрати, проверка по периодограма – показвавероятностното разпределение на остатъчната грешка. Но и двете проверки се считат засравнително груби и не дават точна представа за адекватността на модела.

13

Разработване на модел в среда на MATLABС цел създаване на модел за прогноза, обект на анализ и проучване е консумацията наелектрическа енергия на електроенергиен обект за периода 2010-2011 г. и първите четиримесеца на 2012 г., като измерванията са през интервал от 30 минути. На фиг. 3.9 е представеногодишното електропотребление за две години – 2010 г. и 2011 г., на фиг. 3.10 – месеченпрофил за месец януари на 2012 г. На база тези изходни данни се създава модел, като сеследват етапите: І етап - Дизайн на експеримента и събиране на данните;, ІІ етап - Проучванена данните с цел установяване на тенденция, сезонност и/или цикличност, след което сеизбира подходяща извадка от данни, ІІІ етап – Избор и дефиниране на модела, ІV етап –Според зададен критерий за приближение, се провеждат изчисления по модела; V етап –Усъвършенстване на модела.

Фиг. 3.9. Годишен профил на консумацията на Фиг. 3.10. Месечен профил на консумация

електроенергия за периода 2010-2011г. на електроенергия за м.януари 2012 г.

Фиг. 3.12. Селектиране на данните Фиг. 3.13. Визуализиране на избраните данни

За последователни във времето данни се избира линеен параметричен AР модел(авторегресионен), който трябва да е гъвкав и с опростена структура. При зададена структура,връзката между вход и изход на модела е:

Discrete-time IDPOLY model: A(q)y(t) = C(q)e(t)

A(q) = 1 - 0.937 q^-1

C(q) = 1 - 0.0651 q^-1 - 0.0326 q^-2,

14

Изграждат се два модела – модел І и модел ІІ.

І модел

Discrete-time IDPOLY model: A(q)y(t) = e(t)

A(q) = 1 - 0.8992 q^-1 - 0.00829 q^-2 - 0.07374 q^-3 + 0.05248 q^-4 + 0.07008 q^-5 - 0.05824 q^-6

Estimated using ARX from data set y

Loss function 0.998424 and FPE 1.02883

Фиг. 3.16. Входен сигнал на модел І Фиг. 3.17. Данни и прогноза с 3 стъпки напред на модел І

Фиг. 3.19. Полюси и нули на модел І Фиг. 3.20. Предавателна функция на модел І

ІІ модел

Discrete-time IDPOLY model: A(q)y(t) = e(t)

A(q) = 1 - 0.897 q^-1 - 0.008225 q^-2 - 0.07374 q^-3 + 0.0525 q^-4 + 0.07055 q^-5 - 0.05608 q^-6

Estimated using ARX from data set y

Loss function 0.996578 and FPE 1.02693

15

Фиг. 3.21. Селектиране на данните Фиг. 3.22. Входен и изходен сигнали Фиг. 3.23. Данни и прогноза с 3за модел ІІ на модел ІІ стъпки напред на модел ІІ

Фиг. 3.25 Полюси и нули на модел ІІ Фиг. 3.26 Предавателна функция на модел ІІ

Характерно и за двата модела е, че не дават добри резултати за по-големи стъпки на прогнозаот три и значително намалява сходимостта с изходните данни: 6,655÷1,058 %. Като цяло АРмоделите са нестабилни, поради двойката комплексно спрегнати полюси на моделите иголямата област на неопределеност (големи стандартни отклонения) при 95 % доверителенинтервал. Дават добри резултати само до 3 стъпки на предсказване, въпрекиусъвършенстванията на моделите (проверка за лоши данни, проверка за най-подходяща степенна модела и др.). Това доказва, че е необходимо да се използва смесен мултипликативенмодел, например авторегресионен – интегрирано пълзящо средно, т.н. ARIMA модели.

Изследвания за оптимизиране на мултипликативен модел на консумацията наелектроенергия за м.януари 2012 г.Мултипликативните модели са най-подходящи за изследване и прогнозиране на времевиредове с изразена сезонна периодичност. Според (3.43), ако времевия ред еза него се генерира SARIMA модел (Seasonal ARIMA model) от ред (p,d,q)x(P,D,Q) със среднастойност μ, по следния начин:

,

където: – полином от ред p, p – редът на несезонната авто регресия; – полином отред q, q – редът на несезонната компонента на пълзящо средно; – полином от ред Р, Р –редът на сезонната авторегресия; – полином от ред Q, Q – редът на сезоннатакомпонента на пълзящо средно; d – брой на равномерните разлики; D – брой на сезоннитеразлики; S – дължина на сезона.

16

Данните обхващат измервания за 31 дни, през интервал от 30 минути, т.е. 1488 измервания.След по-задълбочен анализ на данните е очевидно, че един обикновен линеен АР модел нямада свърши работа, т.к. данните имат ясно изразен цикличен характер. Визуализиране наданните от фиг.3.36 с помощта на софтуер е представено на фиг.3.38, а изчисленатаавтокорелационна функция – на фиг.3.39. Анализът на данни подчертава седмичния цикъл (5работни дни сравнително стабилно потребление и намаляване през почивните дни) иежедневния часови цикъл (изразени пикове в часовите зони 9 – 13 часа, 14 – 17 часа и 18 – 22часа). Очевидно тук опорният времеви интервал (сезон) е 7, а скрития времеви интервал(цикъл) – 48. Структурата на данните е такава, че е подходящо да се изследва модел сцикличност 48. По този начин ще се прогнозира почасовата консумация за денонощие.

Фиг. 3.35. Консумация за .01. 2012г. Фиг. 3.36. Логаритмично представяне Фиг. 3.37. Статистически данни

Фиг.3.38.Данни за консумираната електроенергия; Фиг.3.39.Автокорелационна функция за 24 стъпки за .01.2014 г.

Фиг.3.41. Тренд цикъл Фиг.3.42. Сезонен индекс Фиг. 3.43. Случайна компонента

17

Automatic Forecasting – Consumption 01/2012Data variable: Consumption 01/2012Number of observations = 1488Time indices: T, [h]Length of seasonality = 48Forecast SummaryForecast model selected: ARIMA(1,1,2)x(2,1,2)48Number of forecasts generated: 100

Таблица 3.1

ARIMA Model SummaryParamete

r Estimate Stnd.Error t P-value

AR(1) 0,689164 0,0314743 21,8961 0,000000MA(1) -0,0297939 0,0382561 -0,778802 0,436094MA(2) -0,184414 0,0325783 -5,66063 0,000000SAR(1) 1,08514 0,0246552 44,0126 0,000000SAR(2) -0,490156 0,0233849 -20,9604 0,000000SMA(1) 1,79402 0,0133112 134,775 0,000000SMA(2) -0,891995 0,012729 -70,0758 0,000000

Таблица 3.2

Фиг. 3.45. Данни и прогноза за избрания модел Фиг. 3.46. Прогноза със 100 стъпки напред.

Процедурата по автоматична селекция може да се проследи в таблици 3.1, 3.2 и 3.3. Избран епараметричен модел ARIMA(1,1,2)x(2,1,2)48, за който се изчислява АІС критерий. АІС(Akaike`s Information Criterion) е базиран на минимизиране на средно квадратичната грешка,(3.44):

(3.44)

където: RMSE – (root mean squared error) – средно квадратична грешка; с – брой наизчисляваните параметри на избрания модел; п – големина на времевия интервал. Избраниятмодел има най-малка стойност на АІС – критерия е и параметрично оптимизиран. Данните ипрогнозата са посочени на фиг.3.45 и фиг. 3.46. Процедурата по диагностика на моделавключва определяне и анализ на автокорелационната функция на остатъка, частнатаавтокорелационна функция на остатъка, разпределение и периодограма на остатъка и тестванеза случаен характер на остатъка.

Изследвания за оптимизиране на мултипликативен модел на консумацията наелектроенергия за периода 2010 – 2011 г.

Като изходни използваме данни за консумираната електроенергия през 2010 г. и 2011 г. Ясносе откроява сезонният характер на изменение като опорният времеви интервал е 7, фиг. 3.52.Разработва се мултипликативен модел за прогнозиране на дневния профил на консумация.Използваните данни са 730 измервания. Избраният от общо седем модела, моделARIMA(1,0,1)x(0,1,1)7 за прогнозиране на дневния профил на консумираната електроенергиядава много добри резултати, Таблица 3.7. Връзката между остатъка (R) и прогнозиранитестойности (F) е: , (3.45)

18

Фиг. 3.52. Данни за 2010-2011г. Фиг.3.54. Частна автокорелационна функция Фиг. 3.56. Тренд – цикъл

Фиг. 3.57. Сезонен индекс Фиг.3.58. Случайна компонента Фиг.3.59. Сезонно разделени данни

Фиг.3.60.Данни и прогноза Фиг.3.62.Автокорелационна функция на остатъка Фиг.3.64.Периодограма на остатъка

Таблица 3.7Model ComparisonData variable: Consumption 2010-2011; Number of observations = 730; Lengthof seasonality = 7; Models: (A) Simple moving average of 2 terms(B) Winter’s exp. Smoothing with alpha = 0,8192, beta = 0,0332, gamma = 0,9999(C)ARIMA(1,0,1)x(0,1,1)7; (D) ARIMA(2,0,0)x(0,1,1)7; (E)ARIMA(1,0,1)x(0,1,2)7(F) ARIMA(1,0,1)x(1,1,1)7; (G) ARIMA(2,0,1)x(0,1,1)7Estimation Period

Model RMSE MAE MAPE ME MPE AIC HQC SBIC(A) 150134 109508 4,18793 -852,606 -0,221189 23,8577 23,8747 23,9018(B) 127936 90206,7 3,36194 -8090,33 -0,308592 23,5268 23,5341 23,5457(C) 106674 73453,8 2,73015 -1698,21 -0,152729 23,1633 23,1706 23,1822(D) 106753 73380,9 2,72805 -1727,84 -0,155716 23,1648 23,172 23,1836(E) 106689 73363,6 2,72622 -1690,06 -0,152121 23,1663 23,176 23,1915(F) 106696 73440,1 2,72903 -1715,22 -0,154778 23,1664 23,1761 23,1916(G) 106726 73487,2 2,73093 -1688,92 -0,151889 23,167 23,1767 23,1922Model RMSE RUNS RUNM AUTO MEAN VAR(A) 150134 *** *** *** OK ***(B) 127936 *** *** *** OK ***(C) 106674 * * OK OK ***(D) 106753 ** ** OK OK ***(E) 106689 * * OK OK ***(F) 106696 OK * OK OK ***(G) 106726 * ** OK OK ***

19

Статистически анализНа базата на този анализ на данните от консумацията на електрическа енергия на този обект запериода 2010-2011г., снети през 30 минути, може да се определи както степента нанатовареност на енергийно-преносна система, така и да се регистрират някои закономерностипри прогнозиране на консумацията на електрическа енергия за следващи периоди от време.Задачата тук е да се получат количествени характеристики на честотно разпределение наконсумацията на енергия относно броя на дните с приблизително равна консумация.

Фиг. 3.67. Установяване на връзка между прогнозираните стойности и данни за остатъка.

Изследват се три основни характеристики: 1) информация за формата на разпределението; 2)информация за разположението на разпределението върху скалата на измерване; 3)информация за разсейването на разликите. Представените фиг 3.68 и фиг. 3.72 са полигонина честотите на разпределение на измерената енергия по години. След анализа се установява,че по-голямата част от измерванията са групирани около не много високите стойности наконсумация на електрическа енергия, което показва, че системата е сравнително умеренонатоварена и опасност от претоварване няма. Това подобие на статистическите анализи задвете години е напълно в унисон с предположението за цикличност на резултатите отнаблюдавания признак и допуска естествената сезонност за него, което се доказва отмултипликативния модел. Точната прогноза на генерираната от вятърни генератори енергия,макар и за по-къс период от време, е от изключително значение за поддържане на баланс вмрежата и за оптимизиране на стратегии за поддръжка. Доказва се, че предложените ARIMAмодели, приложени за вятърна турбина дават много добри прогнози. Това потвърждаваизводите от работата в тази глава: Методологията на предвиждане на консумацията на електроенергиен обект е напълноадаптируема за вятърни централи, необходимо е да има достатъчно данни от оперативниямониторинг.

20

Мултипликативните модели, са много подходящи и дават най-добри прогнознистойности. В конкретният случай моделът може да се използва за предсказване на повреда 50минути преди нейното появяване. Като недостатък на модела се очертава трудността при предсказване на повреди с нискачестота на появяване, но при всички случаи от голямо значение е качеството на данни,използвани за модела. Необходимо е да има голям период на наблюдения за статичен и динамичен режим навятърната централа, през който да са възникнали повреди и така да се формира база данни отстойности на оперативните параметри и тяхното изменение.

Консумация на ел.енергия за 2010

0

20

40

60

80

100

120

0 5 10 15 20 25 30

Консумация на ел.енергия в MWh

Чест

оти

на п

ризн

ака

Полигон на честотите % ОГИВА

Консумация на ел.енергия за 2011

-20

0

20

40

60

80

100

120

0 5 10 15 20 25 30

Консумация на ел.енергия в MWh

Чес

тоти

на

приз

нака

Полигон на честотите % огива

Фиг. 3.68. Честотно разпределение на консумацията Фиг. 3.72. Честотно разпределение на консумациятана ел.енергия относно броя на дните с приблизително на ел.енергия относно броя на дните с приблизително

равна консумация на електричество за 2010 г. равна консумация на електричество за 2011 г.

ГЛАВА IV „Диагностика на асинхронен генератор във вятърна централа и програмноосигуряване”

В тази глава се избират техники за безконтактна диагностика, приложими за реализираната вГЛАВА II система за динамичен мониторинг; изследва се работата на асинхронен генераторпри различни товари; изследва се възможността за съвместна работа на асинхронниягенератор с реализираната система за динамичен мониторинг и диагностика. За нуждите наизследването се използва асинхронен двигател, който ще работи в генераторен режим.Параметрите на машината са: номинална мощност РН=600 W; номинално напрежениеU1Н=380V; статорна намотка свързана в звезда; номинална честота на въртене nН=1350 min-1;номинален ток I1Н=1,7 А, активно съпротивление на статорната намотка R1=22 Ω; индуктивносъпротивление на разсейване на статорната намотка X1=14,65 Ω; индуктивно съпротивлениена роторната намотка приведено към статорната намотка Х`

2=15,46 Ω; приведено активносъпротивление на ротора R`

2=15 Ω; индуктивно съпротивление на кондензатора принапрежение на генератора на празен ход UГ0 и синхронна честота на въртене ХС0=318,5 Ω;индуктивно съпротивление на намагнитващия контур Хμ=530,2Ω. За опростяване наизследванията се приема, че параметрите R1, R`

2, X1, Х`2 са постоянни. За всеки конкретен

случай на натоварване капацитета на възбуждане считаме за постоянен. Условието заустойчива работа при ХС=const е генератора да работи с голямо насищане на магнитнатаверига. Ето защо Хμ=var и може да се определи от (4.25), която за конкретния случай имавида:

24093,1

236,1087,0I

L

(4.25)

Необходимият кондензатор за възбуждане на магнитния поток за една фаза има капацитет:

21

FC

82,8380.50.2

10.2,02

3

(4.26)

За оценка функционалното състояние на асинхронен генератор като част от ВТ, в лабораторниусловия са проведени изследвания на система за динамичен мониторинг. Избрани сабезконтактни техники за мониторинг чрез анализиране в реално време на моментнитестойности на токовете, напреженията и мощностите на генератора в работен режим. Приизграждане на системата за мониторинг и диагностика се стремим към ниска себестойност,ефективно приложени техники за мониторинг и диагностика, реализирани с относителнопрости измервания. Целта е да се установи надеждността и достоверността на полученитеданни и адекватността на системата за диагностика и мониторинг. Системата се състои от:

- асинхронен двигател АД I с данни:.

- асинхронен двигател АД II с данни:.

- анализатор на параметри тип MI 2092 (METREL).

- устройство за динамичен анализ, описано в Глава II.

- честотен регулатор OMRON Sys Drive 3G3EV.

Наблюдаваните оперативни параметри са: токове и напрежения във всяка фаза, активна иреактивна мощности за всяка фаза, честота на генерираното напрежение, температура. Засистемата, при няколко товара се имитират различни грешки при работа на асинхронниягенератор (несиметрия на напреженията и токовете, ниско напрежение, отклонение отзададената честота). Използваният тук алгоритъм за диагностика е базиран на откриване иизолиране на повредата. Като индикатор за повреда се използва разликата междудействителна и еталонна стойност на наблюдаваните величини. Когато разликата е нула –няма повреда, която да влияе на вятърната турбина. Когато разликата е над зададена праговастойност, това е сигнал за повреда. Този сигнал не е просто сравнение между измеренастойност и модел за предсказване, т.к. първо се филтрира.

Мониторинг на електрически величини

Изследвана е работата на генератора за четири различни случая. За прегледност нарезултатите въвеждаме понятието степен на натоварване на генератора β, като . Повреме на опитите наблюдаваните и визуализирани данни за трите фази са: осцилограма натоковете, активна мощност, реактивна мощност, пълна мощност, фактор на мощността, %-ндял на проявените хармоници в кривите на напрежението и тока, честота на генериранотонапрежение.

Изследвания при активен товар и β=0,4В този случай генераторът захранва активен товар с мощност 80W на фаза и .На фиг. 4.15 са представени данни за наблюдаваните величини. На фиг. 4.16 е представенхармоничният анализ на напреженията и токовете за трите фази. В кривите на напрежениятаза всяка фаза се открояват хармоници с поредни номера ν=3 (9,74% - 10,26%) и ν=9 (≈2%). Вкривите на токовете се наблюдава проявяване на хармоници с поредни номера ν=3, 12÷20,28÷36 и 44÷52 с изразени пикове за ν=16, 32 и 48.

22

Фиг. 4.15. Данни от изследване на генератора при β=0,4

Фиг. 4.16. Хармоничен анализ на фазовите токове и напрежения при β=0,4

Изследвания при активно – индуктивен товар и β=0,62В този случай генераторът захранва активно-индуктивен товар . Катотовар се използва малък асинхронен двигател с мощност 90 W, работещ на празен ход, коетообяснява ниските стойности на фактора на мощността. На фиг. 4.17 са представени данни занаблюдаваните величини. На фиг. 4.18 е представен хармоничният анализ. Както бешепояснено в т. 4.2. и според (4.18), при работа на ВАГ с активно–индуктивен товар реактивнатамощност на кондензаторната батерия осигурява реактивната мощност за основното магнитнополе (Qμ), полето на разсейване (QS) и реактивната мощност консумирана от товара (QТ). Илибалансът на реактивните мощности е условие за устойчива работа на ВАГ. Тъй като нямавъзможност за добавяне на допълнителен кондензатор, то напрежението на изводите нагенератора пада до 116,7 V.

23

Фиг. 4.17. Данни при изследване на генератора при активно – индуктивен товар и β=0,62

Фиг. 4.18. Хармоничен анализ на токовете и напреженията на генератора при активно-индуктивен товар

Изследвания при активен товар и β=0,7В този случай генераторът захранва активен товар с мощност 140W на фаза и

. На фиг. 4.19 са представени данни за наблюдаваните величини. На фиг. 4.20е представен хармоничният анализ на напреженията и токовете за трите фази. В кривите нанапреженията за всяка фаза се открояват трети хармоник (8,99%-9,65%). В кривите натоковете също се наблюдава трети хармоник ν=3, (9,59%).

24

Фиг. 4.19. Данни при изследване на генератора при активен товар и β=0,7

Фиг. 4.20. Хармоничен анализ на токовете и напреженията на генератора при активен товар и β=0,7

Изследвания при активен несиметричен товарВ този случай генераторът захранва активен товар като ZT1=RT1=190,8Ω; ZT2=RT2=278,3Ω иZT3=RT3=188,5Ω. На фиг. 4.21 са представени данни за наблюдаваните величини. На фиг. 4.22е представен хармоничният анализ на напреженията и токовете за трите фази. В кривите нанапреженията за всяка фаза се наблюдава трети хармоници (9%-9,54%). В кривите на токоветесъщо се наблюдава трети хармоник (≈ 11%).

25

Фиг. 4.21. Данни при изследване на генератора при активен несиметричен товар

Фиг. 4.22. Хармоничен анализ на токовете и напреженията на генератора при активен несиметричен товар

За диагностика на текущото техническо и електрическо състояние използваме една проста инадеждна техника, като се използват съотношенията между основния и трети хармоник нанапрежението (тук най-силно влияние има трети хармоник). Експериментално снетите даннисе обобщават в таблица 4.3 като за базова стойност на напрежението се приема номиналното.Установява се връзката между напрежението и третия му хармоник, фиг. 4.23:

(4.27)

където коефициента с зависи от вида на намотката, вида на намагнитващата крива,коефициента на намотката и честотата на напрежението. С приближение се получава:

26

(4.28)

където и са стойности при установен режим, а и са измененията приотклонение от установеното работно състояние.

Таблица 4.3

U3, %A B C

U*0,5 10,49 6,23 5,850,97 9,54 9,55 9,01,03 9,65 8,99 9,641,04 9,87 9,74 10,26

Фиг. 4.23 Зависимост на процентния дял на трети хармоник Фиг. 4.26. Осцилограма на статорен токU(3) от относителната стойност на напрежението U*. и амплитудно-честотна характеристика

Очевидно отклонението на напрежението от установената стойност предизвиква 3 пъти по-голямо отклонение на трети хармоник от неговата установена стойност. При напреженияблизки до номиналните третият хармоник съставлява 8,99÷10,26% от фазните напрежения.Въз основа на получените данни при необходимост може да се проследи степента на насищанена стоманата при различните натоварвания. За определяне честотата на въртене на генератораизползваме на безконтактна безсензорна техника, базирана на спектрален анализ на статорнияток. При наблюдаване на моментните стойности на статорния ток се установява наличие насъставящи както с мрежовата честота (f), така и по-високи (fв) и по-ниски (fн) от нея. Заизследваният генератор в случай на захранване на активен товар (β=0,4) е представенаосцилограма на статорния ток и построена амплитудно-честотната му характеристика, фиг.4.26, получена след приложени преобразувания на Фурие (FFT) за масива от данни смоментните стойности на статорния ток при този режим. Използваните зависимости са:

(4.29)

(4.30)

27

(4.31)

където: , , са съответно честота на роторния ток, хлъзгане и честота на въртене наротора определени при използване на честотата на съставяща на статорния ток fв; , ,са съответно честота на роторния ток, хлъзгане и честота на въртене на ротора, определенипри използване на честота на съставяща на статорния ток fн.

За нуждите на изследването в този режим на работа на генератора при установена честота, фиг. 4.26, определяме , и .

Изследване за ексцентрицитет

Според изразите (4.6) и (4.9) за изследваният генератор се прави проверка за ексцентрицитеткато се определя тока в една от фазите при произволен товар. Резултатите са обобщени вТаблица 4.3 и са представени на фиг. 4.27.

Таблица 4.3.

0,1 0,206 0,32 0,455 0,619 0,833 1,144 1,68

1,005 1,021 1,048 1,091 1,155 1,25 1,4 1,667

, o.e. 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8

, A 1,745 1,805 1,86 1,905 1,975 2,035 2,115 2,245

Фиг. 4.27. Зависимост на статорният ток в една от фазите от ексцентрицитета

Показаната на фиг. 4.27 зависимост е по експериментални данни и може да се използва закосвена оценка на ексцентрицитета, респективно неравномерност на въздушната междина.При определяне на тока за различни степени на ексцентрицитет , може да се използваустановената квадратична зависимост.

Температурен мониторинг

Използва се безконтактен метод за температурен мониторинг чрез термовизионна камера занаблюдаване разпределението на температурното поле и установяване на мястото нанеравномерно загряване. За изследваният генератор са направени снимки с термовизионнакамера FLIR, като са установени текущи стойности на температурата на корпуса, включително

28

началната (37,1оС) и най-високата (48,2оС), за времето на изпитания – приблизително 6 часа,фиг. 4.28. На база на данните е определено изменението на температурата на корпуса нагенератора за изследваните режими, фиг. 4.29.

Фиг. 4.28. Снимки на разпределението на температурното поле на изследвания генератор

Фиг. 4.29. Изменение на температурата по време на проведените изпитания

В комбинация с други безконтактни техники за диагностика и възможността за on-lineмониторинг, това се оказва една съвсем навременна и актуална идея за съвременна система задиагностика, приложена за конкретен вятърен генератор. Използваме уточнена топлинназаместваща схема (т.к. се отчита топлообмена между статора и ротора и от челните съединенияна ротора към въздуха вътре в машината) за определяне температурите на прегряване наотделни части на машината над температурата на околната среда. Шестте тела и приетите затях означения са както следва:

1. Канална част на статорната намотка със загуби в нея PMK и средна температура ΘMK.2. Челни съединения на статорната намотка със загуби в тях PMЧ и средна температура

ΘMЧ.3. Статорен пакет със загуби в него PС и средна температура ΘС.4. Роторна намотка със загуби в нея PМ2 и средна температура ΘМ2.5. Вътрешен въздух със средна температура ΘВ.6. Корпус (тяло) на машината със средна температура ΘТ.

Тези тела са свързани със съответните топлинни проводимости:

29

- топлинна проводимост между каналната и челни части на статорната намотка - топлинна проводимост на челните съединения на статорната намотка към

вътрешния въздух - топлинна проводимост на вътрешния въздух към корпуса (тялото) на машината - топлинна проводимост между каналната част на статорната намотка и статорния

пакет – топлинна проводимост на статорния гръб – топлинна проводимост на обдухваемата повърхност на статорното тяло към

околната среда – топлинна проводимост между статора и ротора – топлинна проводимост от челните съединения на ротора към вътрешния въздух

(4.27)

Фиг. 4.30. Уточнена топлинна заместваща схема

В случая можем да определим температурата на корпуса ΘТ директно и тогава прегряваниятана телата над температурата на корпуса ще бъдат . След въвеждане на тези

30

прегрявания и обединяване на сумите от проводимостите след неизвестните, системата (4.27)добива следния окончателен вид:

(4.28)

където:

Коефициентите на топлинна проводимост , [W/oC.m], на използваните материали заизработка на даден генератор са известни на проектантите от каталози. В проектна фаза саизвестни и параметрите от заместващата схема на генератора, както и връзките междуразглежданите загуби и токовете в отделните фази. Ето защо системата (4.28) може да сеизползва като алгоритъм при автоматизиране на пресмятанията след подходящо софтуернопреобразуване.

Програмно осигуряване

Чрез описаното и реализирано в ГЛАВА II устройство (т.2.5, фиг. 2.16, 2.17 и 2.18) и на базадействие на алгоритъма от фиг.2.19, са заснети данни при изследване работата на генераторапри активен товар и β=0,4, фиг. 4.27 и при активно-индуктивен товар и β=0,67, фиг. 4.28.Резултатите се визуализират след зададен от нас интервал на наблюдение τ, през койтонаблюдаваме моментна стойност на тока i1(t) и моментна стойност на напрежението u1(t) ведна от фазите, фиг. 4.31 и фиг. 4.32. Масивите от данни за моментните стойности сесъхраняват в (*.txt) формат и при необходимост могат да се конвертират в програмни продуктикато Еxcel, Matlab и др. за визуализация и други изследвания, както това беше направено, фиг.4.26. По този начин чрез събиране на тези сигнали и създаване на база данни с тях, е възможнода се автоматизира и компютъризира СД, като нейната структура, функции и работа бъдесъобразена с конкретен генератор. Чрез прилагането на автоматизирана система замониторинг, контрол и диагностика за оценка текущото техническо състояние на изследваниягенератор се установява:

1. Предлаганата безконтактна техника за диагностика на текущото електрическо итехническо състояние на генератора използва съотношения между основния и трети хармоникна напрежението. Въз основа на тези данни може да се проследи положението на работнататочка на генератора и степента на насищане на стоманата при различни натоварвания.

31

Фиг. 4.31. Ток и напрежение при активен товар и степен на натоварване на генератора β=0,4

Фиг. 4.32. Ток и напрежение при активно-индуктивен товар и степен на натоварване на генератора β=0,67

2. Предлаганата безконтактна техника за мониторинг на статорния ток и анализ нахармоничния му състав позволява определяне на честотата на въртене на ротора само поспектрален анализ на статорния ток.3. Показаната на фиг. 4.23 зависимост на статорния ток от ексцентрицитета, е поекспериментални данни и може да се използва за косвена оценка на ексцентрицитета,респективно неравномерност на въздушната междина. При определяне на тока за различнистепени на ексцентрицитет , може да се използва установената квадратична зависимост.4. Използването на термовизионна камера за мониторинг на температурното поле всъчетание с предложената в т. 4.3.3. методика за определяне на температурите на прегряванена отделни части от конструкцията на генератора, е много удобна безконтактна техника.Съчетаването на използваната система за мониторинг на статорните токове и напрежения сдопълнително софтуерно разширение за пресмятане на температурите на прегряване наотделните участъци ще усъвършенства в значителна степен автоматизираната система законтрол, мониторинг и диагностика като добави към нейните предимства: безконтактност иработа в динамичен режим.

32

ПРИНОСИ НА ДИСЕРТАЦИОННИЯ ТРУД

По-важните приноси в дисертационния труд са следните:

Установени са приоритетните подсистеми, подлежащи на контрол, мониторинг идиагностика са генератора и предавателната кутия. Потвърждава се като неправилнодиректното прилагане на конвенционална СКМ за въртящи се машини от индустриятавъв вятърни централи.

Реализирано е устройство, което предлага техническо и програмно осигуряване на СД сприложени и съчетани два алгоритъма – алгоритъм, базиран на откриване и изолиранена повредата и алгоритъм, базиран на изкуствен интелект. Това позволяваавтоматизиране на цялата система за контрол и мониторинг, адекватна реакция придинамични промени в режима на работа на генератора, дава възможност за симулиранена работни процеси и възможност за създаване на стратегия за поддръжка нагенератора, при гарантирана сигурна, безопасна и ефективна работа.

Проведени са изследвания, доказващи, че методологията на предвиждане наконсумацията на електроенергиен обект е в голяма степен приложима за вятърницентрали, необходимо е да има достатъчно данни от оперативния мониторинг.

Разработени са мултипликативни модели, даващи много добри прогнозни стойности. Вконкретният случай моделите могат да се използва за предсказване на повреда 50минути преди нейното появяване. Като недостатък на модела се очертава трудносттапри предсказване на повреди с ниска честота на появяване, но при всички случаи отголямо значение е качеството на данни, използвани за модела. Необходимо е да имаголям период на наблюдения за статичен и динамичен режим на вятърната централа,през който да са възникнали повреди и така да се формира база данни от стойности наоперативните параметри и тяхното изменение.

Предлага се безконтактна техника за диагностика на текущото електрическо итехническо състояние на генератор, адаптирана за разглеждания случай и използващасъотношения между основния и трети хармоник, като по този начин има възможност запроследяване на работната точка на генератора и степента на насищане на стоманата.

Приложена е безконтактна техника за определяне честотата на въртене на ротора,използваща спектрален анализ на статорния ток.

По експериментални данни е установена зависимост на статорния ток отексцентрицитета, която може да се използва за косвена оценка на неравномерност навъздушната междина.

Предлага се използване на термовизионна камера за мониторинг на температурнотополе в съчетание с методика за определяне на температурите на прегряване на отделничасти от конструкцията на генератора, което е много удобна безконтактна техника.Съчетаването на използваната система за мониторинг на статорните токове инапрежения с допълнително софтуерно разширение за пресмятане на температурите напрегряване на отделните участъци ще усъвършенства в значителна степенавтоматизираната система за контрол, мониторинг и диагностика като добави къмнейните предимства: безконтактност и работа в динамичен режим.

33

ПУБЛИКАЦИИ НА ДОКТОРАНТА ПО ДИСЕРТАЦИОННИЯ ТРУД

[A.1] Неделчев Н., Д.Коева, Мултипликативен метод за прогнозиране на потреблениетона електроенергия с отчитане на сезонността, Известия на ТУ-Сливен, бр.4/2012, стр.37-41.

[A.2] Неделчев Н., Д.Коева, Приложение на мултипликативния метод за прогнозиране напотреблението на електроенергия в MATLAB среда, Известия на ТУ-Сливен, бр.4/2012,стр.42-49.

[A.3] Еро Н., Н.Неделчев, Д.Коева, Оптимизиране на мултипликативен модел замесечната консумация на електроенергия от електроенергиен обект. сп. Енергетика, бр.1/2013, стр. 36-41.

[A.4] Nedelchev N., N. Heraud, D.Koeva. Optimizing the multiplicative model of electricityconsumption of electricity subject. 11-th International conference on applied electromagnetics,September 01-04, 2013, Nis, Serbia, pp 33-34.

[A.5] Nedelchev N., D.Koeva. Automated system for control, monitoring and diagnostics ofwindmill, Известия на ТУ-Сливен, бр. 2/2013, стр. 48-53.

[A.6] Koeва Д. Състояние и тенденции в развитието на ветроенергетиката, Известия наТУ-Сливен, бр.3/2013, стр. 96-99.

[A.7] Коева Д. Развитие на ветроенергетиката в България, Известия на ТУ-Сливен,бр.3/2013, стр. 100-104.

34

"Automated system for control, monitoring and diagnosis of wind turbines"

Annotation

The main objective of this study is to develop an automated system for control, monitoring anddiagnostics. The damages in wind turbines have been analyzed, on that basis a review of the existingmethods, algorithms and technical means/resources for monitoring and diagnostics has been done,with the presumable concept for their suitable combining. Different predict models for the powerconsumption of an energy facility are developed, as their qualities and level of adaptation for a windturbine to predict damages have been evaluated also.

The main tasks taken into consideration to achieve the objective are:

To analyze existing and mutual combinative methods for control, monitoring and diagnosticsand to choose a model for creation of such system with appropriate techniques and algorithmsbased on the researched most common failures in subsystems of wind turbines.

To select a model for prognosis of the energy production of wind power plants, using datafrom the operative monitoring.

To select contactless diagnostics techniques applicable to the developed system for control,monitoring and diagnosis, as data reliability in dynamic monitoring is being ensured.

First section deals with the most common faults in electric generators, including asynchronousgenerators, applied in wind systems. The priority subsystems which are liable to control, monitoringand diagnostics have been specified. Existing methods for monitoring and diagnosis of the windturbines have been analyzed and appropriate algorithms to build the system for diagnostics of thegenerator have been selected.

In last section the qualities of different models for predicting power consumption of an energy facilityhave been developed and compared. A suitable model has been selected and then its degree ofadaptation for the wind turbine has been determined. The operation of an asynchronous generator hasbeen examined afterwards jointly with the system implemented for dynamic monitoring anddiagnostics. A lot of graphics, pictures and applications to prove the results have been presented.