CN109188185A - 一种发电机转子绕组匝间短路早期在线检测方法 - Google Patents

Abstract

本发明涉及一种发电机转子绕组匝间短路早期在线检测方法，包括：将发电机机端电压、电流、有功功率和无功功率作为Elman神经网络的输入量，将转子励磁电压和励磁电流作为神经网络的输出量，构建神经网络模型；采用发电机正常情况下的运行数据作为训练样本，对神经网络模型进行训练；基于神经网络模型对存在匝间短路情况下转子的励磁电压和电流的数据进行模拟，根据转子励磁电流模拟值与实际值之间的绝对百分比误差值判断转子是否存在轻微匝间短路：若误差值大于判断为存在匝间短路，若误差值小于判断为不存在匝间短路。本发明能够精准的发现转子轻微匝间短路时励磁电压和励磁电流的变化情况并精准的对轻微匝间短路情况进行判断。

Description

一种发电机转子绕组匝间短路早期在线检测方法

技术领域

本发明属于发电机转子绕组匝间短路诊断技术领域，尤其涉及一种发电机转子绕组匝间短路早期在线检测方法。

背景技术

发电机转子绕组匝间短路是一种较常见的发电机故障，也是影响电力生产安全运行的主要原因之一。轻微的匝间短路，在故障初期由于其对电机组的正常运行影响不明显，因此很难被察觉。但轻微匝间短路发展到一定程度时，发电机的有效磁场会出现减弱，造成在同样运行工况下需要更大的励磁电流，甚至会出现由于不对称短路导致转子振动加剧，从而降低发电机出力的现象。此外，匝间短路点处的局部过热还可能使故障进一步扩大，造成转子绕组接地。因此，对发电机转子绕组轻微匝间短路故障的早期发现和诊断是十分必要的。

目前，发电机在运行中没有转子绕组匝间短路的相关保护装置。由于轻微匝间短路时励磁电流变化量微小，无法通过设置保护参数来进行保护预警。当前用于转子绕组匝间短路故障的在线检测手段主要有气隙线圈探测法、环流检测法及转子轴电压法。

以上几种在线检测方法都存在一定的问题及局限性，难以对早起的转子匝间短路情况进行准确的判断。如果能够实现在线检测，则可以通过发电机在线运行数据确定匝间短路故障特性，有助于提高故障的监控和判断能力，及时发现转子故障做出处理。发电机转子发生绕组匝间短路故障可以通过其电气参数的变化来判断发电机的状况。但是用于判断发电机故障的各电气参数之间的关系十分复杂，难以通过函数关系进行解析。

发明内容

本发明的目的是提供一种发电机转子绕组匝间短路早期在线检测方法，采用反馈型Elman神经网络对转子匝间短路故障进行判断。

本发明提供了一种发电机转子绕组匝间短路早期在线检测方法，包括：

将发电机机端电压、电流、有功功率和无功功率作为Elman神经网络的输入量，将转子励磁电压和励磁电流作为Elman神经网络的输出量，构建用于断转子匝间短路的Elman神经网络模型；

采用发电机正常情况下的运行数据作为训练样本，对Elman神经网络模型进行训练，以使Elman神经网络模型能够精确的对正常情况下转子的励磁电压和励磁电流数据进行模拟；

基于Elman神经网络模型，对存在匝间短路情况下转子的励磁电压和电流的数据进行模拟，根据转子励磁电流模拟值与实际值之间的绝对百分比误差值判断转子是否存在轻微匝间短路：

若误差值大于判断为存在匝间短路，若误差值小于判断为不存在匝间短路，其中，Δn为短路匝数，ω_fd为转子绕组匝数。

进一步地，该Elman神经网络模型具有四层，分别为输入层、隐含层、连接层和输出层。

进一步地，隐含层为一层，输入层节点数为4，输出层节点数为2，隐含层节点数为6。

进一步地，Elman神经网络模型的训练流程包括：

1)对各层的权值进行初始化；

2)将训练样本的输入数据和输出数据载入模型，计算隐含层和输出层中各节点的输出；

3)将输出层的输出数据与目标数据进行对比，计算误差，如果满足误差要求训练停止，如果没有满足误差要求，继续训练调整连接权值和阈值，直到满足误差要求，训练终止。

借由上述方案，通过发电机转子绕组匝间短路早期在线检测方法，能够精准的发现转子轻微匝间短路时励磁电压和励磁电流的变化情况并精准的对轻微匝间短路情况进行判断，无需获取发电机参数之间精确的数学模型，仅需要获得相应发电机电气数据样本对神经网络进行训练，解决了发电机转子绕组轻微短路难以发现及检测的问题。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。

附图说明

图1为本发明一种发电机转子绕组匝间短路早期在线检测方法的流程图；

图2为Elman神经网络；

图3为Elman神经网络模型训练流程图；

图4为正常情况下转子励磁电压实际值与模拟值之间的绝对百分比误差；

图5为转子匝间短路情况下励磁电压实际值与模拟值之间的绝对百分比误差；

图6为正常情况下转子励磁电流实际值与模拟值之间的百分比误差；

图7为轻微匝间短路时转子励磁电流实际值与模拟值之间的百分比误差。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

参图1所示，本发明提供了一种发电机转子绕组匝间短路早期在线检测方法，包括：

步骤S1,将发电机机端电压、电流、有功功率和无功功率作为Elman神经网络的输入量，将转子励磁电压和励磁电流作为Elman神经网络的输出量，构建用于断转子匝间短路的Elman神经网络模型；

步骤S2,采用发电机正常情况下的运行数据作为训练样本，对Elman神经网络模型进行训练，以使Elman神经网络模型能够精确的对正常情况下转子的励磁电压和励磁电流数据进行模拟；

步骤S3,基于Elman神经网络模型，对存在匝间短路情况下转子的励磁电压和电流的数据进行模拟，根据转子励磁电流模拟值与实际值之间的绝对百分比误差值判断转子是否存在轻微匝间短路：

若误差值大于判断为存在匝间短路，若误差值小于判断为不存在匝间短路，其中，Δn为短路匝数，ωfd为转子绕组匝数。

通过该发电机转子绕组匝间短路早期在线检测方法，能够精准的发现转子轻微匝间短路时励磁电压和励磁电流的变化情况并精准的对轻微匝间短路情况进行判断，无需获取发电机参数之间精确的数学模型，仅需要获得相应发电机电气数据样本对神经网络模型进行训练，解决了发电机转子绕组轻微短路难以发现及检测的问题。

下面对本发明作进一步详细说明。

1、诊断模型

1)故障诊断参数的确定

本实施例使用Elman神经网络模型对转子匝间短路故障进行诊断。在模型构建时，首先要确定模型的输入变量和目标变量。选择合理的输入变量和输出变量直接关系到所构建的故障诊断模型的精度。

根据派克方程可知，当发电机转子绕组发生短路后，有效磁场减低，输出无功功率减小，此时把发电机的输出状态看成是发电机正常运行(无转子匝间短路)的结果，并反向计算转子电流，该方程表达式为：

U＝pψ+RI+ω[-ψ_qψ_d0000]^T (1)

在实际的同步发电机中，定子绕组电阻很小，可忽略不计，汽轮发电机为隐极发电机，x_q＝xd。假设发电机在稳态对称条件下带负荷运行，功角为δ，由边界条件和派克方程可以得到：

式中，P为有功功率，Q为无功功率，U为机端电压，L_δ为定子自感基值；τ为电机极距；l为电机定子铁芯有限长度；i_δ为定子电流基值；I_fdδ为转子电流基值；ω_fd为转子绕组匝数；α_s为定子绕组支路数；αfd为励磁绕组支路数；k_0δ1为定子基波绕组系数；k_0δf1为励磁绕组基波绕组系数；λ_d11为气隙磁导系数；ω为定子绕组匝数。

假设发电机发生转子绕组匝间短路，短路匝数为Δn，转子绕组匝数变为：

ω′_fd＝ω_fd-Δn (5)

则发生短路后励磁电流变为：

假设发生匝间短路故障前后输出有功功率计无功功率保持不变，则励磁电流相对变化率：

因此根据上派克方程可知，当转子不存在匝间短路时，如果发电机输出的有功功率P不变，增加转子励磁电流I_f，将会使得发电机输出的无功功率Q和电流I增大。如果转子存在匝间短路，则会造成在发电机输出功率和无功功率一定时，转子励磁电流要高于正常值。因此，将发电机机端电压U、电流I、有功功率P和无功功率Q这四个发电机电气特征参量作为神经网络的输入量，使用转子励磁电压U_f和励磁电流I_f作为输出量来构建匝间短路诊断模型。

2)神经网络模型

本实施例采用反馈型Elman神经网络来对转子匝间短路故障进行判断。

本实施例所建立的用于判断转子匝间短路的Elman神经网络模型具有4层结构，分别为：输入层、隐含层、连接层和输出层，其中隐含层为一层，输入层节点数为4，输出层节点数为2，隐含层节点数为6，其结构如图2所示。使用机端电压U、电流I、有功功率P和无功功率Q作为输入变量，使用转子励磁电压和励磁电流作为输出变量对Elman神经网络进行训练。

在将所有参数确定之后就需要对神经网络展开训练，Elman神经网络训练流程如图3所示。其训练流程为：

(1)对各层的权值进行初始化。

(2)将训练样本的输入数据和输出数据载入模型，计算隐含层和输出层中各节点的输出。

(3)将输出层的输出数据与目标数据进行对比，计算误差，如果满足误差要求训练停止，如果没有满足误差要求，继续训练调整连接权值和阈值，直到满足误差要求，训练终止。

3)数据的获取

监控信息系统(SIS)，其是发电厂建立的全厂过程实时和历史数据平台，能够实现生产过程的实时管理和监控。SIS的基本功能具有生产过程信息采集、处理和监视。通过采集全厂各生产过程控制系统的实时信息，对全厂生产数据进行综合处理、统计分析，形成全厂生产报表和曲线，并可保存大量历史数据。对全厂生产状况进行实时监视，通过趋势图、棒状图、模拟图和参数分类表等多种监视方式实时显示各单元机组及辅机设备的运行参数和设备状态。

2、发电机匝间短路故障诊断实例

1)转子匝间短路判断方法

采用matlab软件实现Elman神经网络的构建、训练及故障诊断。采用平均绝对百分比误差e_MAPE对励磁电压和励磁电流的实际值与模拟值之间的误差进行评估，其计算公式如下:

其中，e_{MAPE_U}和e_{MAPE_I}分别为励磁电压和励磁电流实际值与模拟值之间的平均绝对误差百分比，U_f和I_f分别为转子励磁电压和励磁电流实际值，U_s和I_s分别为转子励磁电压和励磁电流的模拟值，N为样本个数。

2)转子匝间短路判断标准

本发明目的是使用构建好的神经网络模型对存在匝间短路情况下转子的励磁电压和电流的数值进行模拟，希望能够根据模拟值与实际值之间差值的大小作为判断标准来判断发电机转子是否存在匝间短路。为了获取转子匝间短路判定标准，分别收集了正常情况和匝间短路情况下发电机机端电压，电流、有功功率、无功功率、转子励磁电压和励磁电流数据样本对模型的模拟误差值进行统计，该发电机转子绕组数为106匝。

图4和图5分别为正常情况下和匝间短路情况下，转子励磁电压实际值与模拟值相对百分比误差曲线图，图6和图7分别为正常情况和匝间短路情况下，转子励磁电流的实际数据和模拟数据的相对误差曲线，相应的误差统计如表2所示。

因此针对本试验数据，可将转子励磁电流实际与模拟值的绝对百分比误差作为故障判断标准，判断边界条件为1％，如果模拟值与实际值误差高于1％视为存在匝间短路情况，如果低于1％则判断转子不存在匝间短路。

表1正常及匝间短路情况下转子励磁电流和励磁电流模拟误差统计

3)实例验证

为了进一步验证轻微匝间判断标准的准确性，使用所构建的神经网络模型对某火力发电厂存在转子轻微匝间短路的发电机组进行诊断分析。选取典型工况转子的电气数据进行分析研究，详细的运行参数如表2所示，其中1～6号样本为正确情况下转子电气参数，7～12样本为转子存在1匝短路时的电气参数。

表2典型工况下转子情况运行数据

使用公式(7)对发电机转子励磁电流变化情况进行理论计算，并与神经网络模拟获得的转子励磁电流数据进行对比。根据公式(7)可知，当转子不存在匝间短路时I′_fd-I_fd＝0；当绕组为106匝的发电机转子发生1匝短路时，其电流的相对变化率为：

因此可得

使用理论公式(11)和神经网络模型对表2中的典型工况下，转子存在1匝短路时的运行数据进行计算，获取未发生匝间短路时转子的励磁电流值I_fd，并对比理论计算值和模型模拟值。使用励磁电流变化百分率e和电流变化值ΔI对匝间短路前后励磁电流的变化情况进行分析，其计算公式如下：

ΔI＝|I′_fd-I_fd| (13)

使用I_fd1，e₁和ΔI₁表示理论公式计算数据；使用I_fd2，e₂和ΔI₂表示神经网络模拟数据，详细的结果如表3所示。

表3理论计算值和神经网络模拟值

根据派克公式推导出的计算公式可知，当转子不存在匝间短路时，其励磁电流变化百分比e＝0；当转子绕组存在1匝短路时，励磁电流变化百分比为0.952％，因此在理论计算中可以根据励磁电流变化百分比来判断转子是否存在匝间短路，判断的边界条件为0.952％，大于或等于该值则转子存在匝间短路。

由表3中可知，使用神经网络模型获得的正常情况下1～6号样本转子励磁电流的模拟值与实际值之间的百分比误差在0.026％～0.084％之间，根据理论计算边界条件(0.952％)和模拟统计边界条件(1％)判断，1～6号样本不存在匝间短路情况。将公式(11)代入公式(12)和(13)，计算出7～12号样本励磁电流的增加值在23.010A～37.252A之间，变化幅度较小，这也说明了为什么转子轻微匝间短路难以察觉的原因。使用神经网络模型模拟出的7～12号样本的励磁电流的变化百分比分别为1.370％、1.294％、1.189％、1.276％、1.093％和1.165％，其中理论计算值(0.952％)与模拟值之间的最大差值为0.418％，最小差值为0.141％，使用神经网络模拟获得的1匝短路下转子励磁电流变化百分率与使用理论公式计算值接近。根据理论计算出的边界条件(0.952％)和模拟统计边界条件判断(1％)，7～12号样本存在匝间短路。

根据以上的验证实例可知，根据多组数据的模拟误差统计出的转子匝间短路判断的边界值与使用派克公式理论推导出的匝间短路判断的边界值十分接近，对故障的判定结果一致。使用模拟误差统计出的判定边界条件能够精确的对轻微匝间短路情况进行判断。

以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (4)

1.一种发电机转子绕组匝间短路早期在线检测方法，其特征在于，包括：

将发电机机端电压、电流、有功功率和无功功率作为Elman神经网络的输入量，将转子励磁电压和励磁电流作为Elman神经网络的输出量，构建用于断转子匝间短路的Elman神经网络模型；

采用发电机正常情况下的运行数据作为训练样本，对所述Elman神经网络模型进行训练，以使所述Elman神经网络模型能够精确的对正常情况下转子的励磁电压和励磁电流数据进行模拟；

基于所述Elman神经网络模型，对存在匝间短路情况下转子的励磁电压和电流的数据进行模拟，根据转子励磁电流模拟值与实际值之间的绝对百分比误差值判断转子是否存在轻微匝间短路：

若误差值大于判断为存在匝间短路，若误差值小于判断为不存在匝间短路，其中，Δn为短路匝数，ω_fd为转子绕组匝数。

2.根据权利要求1所述的一种发电机转子绕组匝间短路早期在线检测方法，其特征在于，所述Elman神经网络模型具有四层，分别为输入层、隐含层、连接层和输出层。

3.根据权利要求2所述的一种发电机转子绕组匝间短路早期在线检测方法，其特征在于，所述隐含层为一层，所述输入层节点数为4，所述输出层节点数为2，所述隐含层节点数为6。

4.根据权利要求3所述的一种发电机转子绕组匝间短路早期在线检测方法，其特征在于，所述Elman神经网络模型的训练流程包括：

1)对各层的权值进行初始化；

2)将训练样本的输入数据和输出数据载入模型，计算隐含层和输出层中各节点的输出；

3)将输出层的输出数据与目标数据进行对比，计算误差，如果满足误差要求训练停止，如果没有满足误差要求，继续训练调整连接权值和阈值，直到满足误差要求，训练终止。