期刊名称：Intelligent Systems in Electrical Engineering
印刷版ISSN：2251-6530
电子版ISSN：2252-083X
出版年度：2014
卷号：5
期号：2
页码：47-68
语种：Persian
摘要：قابليت اطمينان در سيستم‌های تبديل انرژی بادی، بسيار مهم و حياتی است تا دريافت حداکثر مقدار انرژی موجود در باد تضمين شود. به منظور بررسی صحيح و دقيق اين سيستم‌ها در هنگام وقوع خطا و همچنين بررسی نحوه اثرگذاری خطاها بر تمامی زيرسيستم‌های آن‌ها، نياز به مدلی است که قسمت‌های مکانيکی و الکتريکی را با جزئيات مناسبی شامل شود. همچنين يک سيستم تشخيص و جداسازی خطا مورد نياز است که با بهره‌گيری از اين مدل کامل، خطاهای به وقوع پيوسته را در زمان کوتاه شناسايی کند، به نحوی که عملکرد صحيح سيستم تضمين و از خسارات شديد اقتصادی جلوگيری شود. در اين تحقيق با استفاده از مدل ديناميکی کامل سيستم تبديل انرژی بادی، يک سيستم تشخيص و جداسازی خطا با استفاده از شبکه‌های عصبی ديناميکی بازگشتی ارائه می‌شود که توسط آن می‌توان خطاهای به وقوع پيوسته در سنسور سرعت زاويه‌ای ژنراتور، سنسور و محرک فراز را تشخيص داد. نتايج شبيه‌سازی نشان می‌دهد که سيستم تشخيص و جداسازی خطا به همراه الگوريتم ارائه شده در اين مقاله، قابليت بالايی در تشخيص خطا در زمان کم را دارد، خطاهای شناسايی شده را به نحو مناسبی جداسازی می‌کند و نرخ هشدارهای اشتباه در آن بسيار پائين است. از طرح ارائه شده در اين تحقيق می‌توان برای شناسايی خطاها در ساير قسمت‌های سيستم نيز استفاده کرد.
其他摘要：Reliability of Wind Energy Conversion Systems (WECSs) is greatly important regarding to extract the maximum amount of available wind energy. In order to accurately study WECSs during occurrence of faults and to explore the impact of faults on each component of WECSs, a detailed model is required in which mechanical and electrical parts of WECSs are properly involved. In addition, a Fault Detection and Isolation System (FDIS) is required by which occurred faults can be diagnosed at the appropriate time in order to ensure safe system operation and avoid heavy economic losses. This can be performed by subsequent actions through fast and accurate detection and isolation of faults. In this paper, by utilizing a comprehensive dynamic model of the WECS, an FDIS is presented using dynamic recurrent neural networks. In industrial processes, dynamic neural networks are known as a good mathematical tool for fault detection. Simulation results show that the proposed FDIS detects faults of the generator's angular velocity sensor, pitch angle sensors and pitch actuators appropriately. The suggested FDIS is capable to detect and isolate the faults shortly while owing very low false alarms rate. The presented FDIS scheme can be used to identify faults in other parts of the WECS.
其他关键词：Wind Energy Conversion System (WECS); Doubly Fed Induction Generator (DFIG); Fault Detection and Isolation System (FDIS); Recurrent Neural Networks.
