基于灰色极限学习机的电机短路故障预测研究

摘要

针对双馈风力发电机转子绕组的匝间短路问题,提出基于灰色模型和极限学习机(ELM)相结合的辨别模型:模型首先选取定子电流信号作为故障诊断依据,通过加Rife-vincen窗的快速傅里叶变换实现了定子电流特征频谱的提取,然后利用灰色模型对提取的特征频谱信号进行灰色处理,处理后的特征数据作为后续ELM神经网络的训练集和测试集;其次通过分析测试不同激活函数、不同神经网络结点个数对神经网络输出准确性的影响,构建了最佳灰色极限学习机预测模型,并进行仿真对比验证.仿真结果表明,相比GM(1,1)预测模型和灰色神经网络预测(GNN)等模型,文中构建的灰色极限学习机预测模型具有更好的预测精度和准确性,能够有效对转子匝间短路故障进行预测.