CN110531266B - 一种同步电机励磁绕组匝间短路故障预警方法 - Google Patents

Abstract

本发明基于长短时记忆网络(LSTM)实现同步电机励磁绕组匝间短路的故障预警。采集数据后进行归一化处理；然后建立LSTM网络并训练网络模型，确定故障预警值，由此判断励磁绕组是否正常。本发明以9个物理量作为自变量，3个物理量作为输出量训练LSTM网络；然后将3个输出量进行数据融合，实现故障预警。本发明充分考虑了与转子匝间短路相关的物理量，避免了某一种物理量测量不准确或因信号受到干扰而造成的预测值不准确的情况，克服了采用转子振动变化法等单个判据存在的缺陷，能够对励磁绕组匝间短路早期故障进行预警，在同步电机负荷波动较大的情况下仍检测出故障，且不需要在同步电机内添加额外的测量装置，具有简便易行的优点。

Description

一种同步电机励磁绕组匝间短路故障预警方法

技术领域

本发明涉及同步电机技术领域，尤其是同步电机励磁绕组匝间短路故障诊断领域。

背景技术

同步电机的正常运行是维护电网稳定的重要因素，励磁绕组匝间短路是同步电机中最常见的故障。造成励磁绕组匝间短路的原因主要有：在绕组受到转子旋转的离心力时含有的毛刺会刺穿绕组绝缘；通风不良导致励磁绕组过热而引发热变形；转子端部绕组整体紧固方面的设计缺陷；油雾、颗粒等异物进入转子内部等。当短路故障较轻微时，其对电机的运行性能影响较小；但当故障较为严重时，会导致励磁电流大幅度增加，励磁绕组温度上升，铁心严重饱和引起电动势畸变，无功输出减小，并且导致定转子振动加剧等一系列问题，如故障长时间不能得到解决甚至会由于故障点局部过热而发展成接地故障，造成更为严重的后果。因此，对励磁绕组匝间短路故障的提前预警在维护电机机组正常运行中显得尤为重要。

目前用于转子匝间短路故障诊断的方法有很多，主要分为离线检测和在线检测两种。离线检测法主要包括空载短路试验法、直流电阻测量法、交流阻抗与损耗试验法、开口变压器法和重复脉冲RSO试验法等。离线检测需要停机检查，不能实时监测。在线检测有着发现故障及时的优点，但同时也存在着干扰因素过多的问题。在线检测主要方法包括探测线圈法、转子振动变化法、轴电压法等。探测线圈法的理想适用状态是同步电机空载或三相短路的情况，此时同步电机铁心处于不饱和状态，但在实际运行中，同步电机带负载运行时磁路处于饱和状态，转子漏磁场相对电枢反应磁场较小，所以检测灵敏度降低，该方法具有一定的局限性。在轻微故障时，转子振动变化不明显，此时转子振动变化法仅可作为辅助判据。轴电压法中导致转轴电压差的因素很多，任何的磁场不对称都可能引起压差的出现，且轴电压信号来源于电刷与转轴的接触，大型汽轮发电机的转轴高转速和转轴表面油污问题都会影响信号的获取。因此，需要一种能够实时有效地诊断同步电机励磁绕组匝间短路早期故障的方法。

发明内容

本发明要解决的技术问题是，如何克服现有技术在故障监测的及时性及信号采集大干扰等方面存在的不足。

为解决上述技术问题，本发明采用一种基于长短时记忆网络(Long Short TermMemory Network,LSTM)的方法实现同步电机励磁绕组匝间短路的故障诊断，并且能够对励磁绕组匝间短路早期故障进行预警。

本发明所述的一种同步电机励磁绕组匝间短路故障预警方法，包括以下步骤：

S1：采集同步电机的相关数据，进行归一化处理；

S2：建立LSTM网络模型；

S3：训练所述LSTM网络模型，生成预测网络；

S4：确定故障预警值；

S5：现场采集数据，归一化处理后输入预测网络，判断励磁绕组是否正常。

优选地，步骤S1中采集数据包括：

通过传感器和采集装置测量同步电机输出有功功率，无功功率，定子三相电压，定子三相电流，转子励磁电压，转子励磁电流，定子振动，转子振动12个物理量。

优选地，步骤S1中对测得的物理量进行归一化处理方法为：

其中x为测得物理量中作为输入量的数据，y为测得物理量中作为输出量的数据，

为x归一化后的指标数值，

为y归一化后的指标数值，x_max、x_min分别为测得物理量中输入量部分的上、下极限值,y_max、y_min分别为测得物理量中输出量部分的上、下极限值。

优选地，

所述LSTM网络模型的输入维度为9，输出维度为3，隐藏层数为5，dropout参数为0.06的LSTM网络模型。

优选地，所述LSTM网络模型中，隐藏层采用LSTM单元，输出层采用全连接层Dense，优化器采用Adam优化器，损失函数计算采用平均绝对误差MAE。

优选地，所述平均绝对误差MAE表示为：

式中，n为样本个数，

为归一化后的实测值，f(x_i)为模型输出值，即预测值。

优选地，该模型在训练过程中学习率为1，batch_size参数为72，epochs参数为5000，与过去相关时刻数为5，模型评价函数采用方均根误差函数RMSE。

优选地，所述方均根误差函数RMSE表示为：

式中，n为样本个数，y_i为实测值，f'(x_i)为f(x_i)反归一化后的模型输出值，其表达式为：

f'(x_i)＝f(x_i)(f_max(x_i)-f_min(x_i))+f_min(x_i)

式中，f_max(x_i)，f_min(x_i)分别为模型输出值中的上下极限值。

优选地，所述步骤S3中，把同步电机输出有功功率，无功功率，定子三相电压，定子三相电流，转子励磁电压作为LSTM网络的输入，把归一化后的转子励磁电流，转子振动，定子振动作为LSTM网络的输出。

优选地，所述步骤S3中，用同步电机正常运行情况下的若干组数据训练LSTM网络并进行测试，生成正常运行状态下的网络模型，其中80％的数据作为训练集、10％的数据作为验证集、另外10％的数据作为测试集。

优选地，步骤S4中，将S3训练完成后的转子励磁电流、转子振动和定子振动的预测值与归一化后的实测值相比较分别求其各样本点的欧式距离，得到每一个时刻t下的励磁电流偏差值

转子振动偏差值

和定子振动偏差值

优选地，步骤S4中，某一时刻下的偏移距离D_t用下式表示：

式中：w_if,w_r,w_s分别为励磁电流偏差值权重，转子振动偏差值权重和定子振动偏差值权重；

分别为归一化后的励磁电流、转子振动和定子振动的实测值，f_if(x),f_r(x),f_s(x)分别为励磁电流、转子振动和定子振动的LSTM网络预测值。

优选地，步骤S4中，取正常情况下的偏移距离均值的6倍作为预警阈值。

优选地，步骤S5包括：采集电机运行过程中的运行数据，利用S3训练好的预测模型求出转子励磁电流、转子振动和定子振动的预测值，并与其归一化后的实测值相比较求出各运行点的偏移距离D_t，与步骤S4确定的故障预警阈值比较，判断励磁绕组是否正常。

优选地，当连续200个点的偏移距离D_t均大于故障预警阈值时，则判定为故障，否则励磁绕组处于正常状态。

技术效果

本发明与现有励磁绕组匝间短路故障诊断方法相比有如下优点：(1)以9个物理量作为自变量，充分考虑了与转子匝间短路相关的物理量，避免了某一种物理量测量不准确或信号受到干扰而造成的预测值不准确的情况。(2)本发明可以在同步电机负载波动较大的情况下仍检测出故障。(3)本发明可以在故障发展至严重故障前提前发现故障，起到故障预警的作用。(4)本发明不需要在同步电机内添加额外的测量装置，具有简便易行的优点。

附图说明

图1是LSTM原理示意图。

图2是LSTM信号传播示意图。

图3是励磁绕组匝间短路故障预警LSTM网络结构图。

图4是本发明所述的匝间短路故障预警方法流程图。

图5是机组正常运行及励磁绕组匝间短路时的偏移距离对比图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

本发明采用的技术方案如下。

一种基于长短时记忆网络的同步电机励磁绕组匝间短路故障诊断方法，它利用深度学习在历史数据非直观关联性挖掘方面的优势，通过大量训练样本，构建输入变量与输出变量之间的函数关系，实现对励磁绕组匝间短路故障的早期预警。

本发明采用一种基于长短时记忆网络(Long Short Term Memory Network,LSTM)实现同步电机励磁绕组匝间短路的故障诊断，并且能够对励磁绕组匝间短路早期故障进行预警。

1.LSTM原理

LSTM是针对循环神经网络(Recurrent Neural Network,RNN)在训练过程中易出现梯度消失与梯度爆炸的问题而提出的一种改进深度学习网络，其网络结构如图1所示。LSTM在RNN的基础上引入了门的概念，门是指一种控制输出信息量的全连接层，其输入为一个向量，输出为0到1之间的实数。LSTM中的门分为三种：遗忘门、输入门和输出门。遗忘门用来控制上一时刻状态单元信号传递到当前时刻状态单元的通过情况；输入门用来控制当前时刻输入信号传递到当前时刻状态单元的通过情况；输出门用来控制当前时刻状态单元信号传递到当前时刻输出的通过情况。LSTM的训练方法采用反向传播算法，训练过程大致分为三步：

1.1前向计算网络的每个神经元的输出值，包括f_t、i_t、c_t、o_t、h_t五个向量，其信号传播如图2所示。

(1)将当前时刻t输入信号x_t与上一时刻输出信h_t-1号合并，一同通过遗忘门，决定丢弃的信息，遗忘门输出为：

f_t＝σ(W_fx+b_f)

式中：W_f为遗忘门权重；x为上一时刻输出和当前时刻输入合并后的向量即[h_t-1,x_t]；b_f为遗忘门偏置。

(2)更新当前时刻的状态单元，输入信号分别通过输入门和tanh层，得到输入门输出信号和当前输入的状态单元，对上一时刻状态单元与通过遗忘门信息按元素相乘的结果和当前输入的状态单元与通过输入门信息按元素相乘的结果求和，得到当前时刻的状态单元

i_t＝σ(W_ix+b_i)

式中：W_i、W_c分别为输入门权重和当前输入的状态单元权重；x为上一时刻输出和当前时刻输入合并后的向量即[h_t-1,x_t]；b_i、b_c分别为输入门偏置和当前输入的状态单元偏置，*表示矩阵中对应元素相乘。

(3)上一时刻输出和当前时刻输入合并后通过输出门决定输出的信息，将输出门通过信息与经过tanh函数的当前时刻的单元状态按元素相乘得到当前时刻的输出结果。

o_t＝σ(W_ox+b_o)

h_t＝o_t*tanh(c_t)

式中：W_o为输出门权重；x为上一时刻输出和当前时刻输入合并后的向量即[h_t-1,x_t]；b_o为输出门偏置，*表示矩阵中对应元素相乘。

1.2反向计算网络的每个神经元的误差项δ，在LSTM中误差传播分为两个方向，一个是沿时间方向的传播，即从当前时刻开始将误差向上传递到之前的每一时刻；一个是沿网络结构的传播，即从输出层逐层向上一层传递。

(1)沿时间方向的误差传递

设当前时刻为t时刻，则任意k时刻的误差项表达式如下：

式中：W_oh、W_fh、W_ih、W_ch分别为对应上一时刻输出的输出门、遗忘门、输入门和状态单元的部分权重矩阵；

分别为对应输出门、遗忘门、输入门和状态单元的误差项转置。

(2)沿网络结构的误差传递

设当前网络层为第l层，则第l-1层的误差项公式如下：

式中：f表示激励函数；

为第l-1层的加权输入；W_fx、W_ix、W_cx、W_ox分别为对应当前时刻输入的遗忘门，输入门，状态单元和输出门的部分权重矩阵。

1.3根据误差项更新每个权重的梯度

权重的梯度计算需要分为两个部分，，一部分是权重参数的更新，一部分是偏置参数的更新，采用的方法为梯度下降法。

式中：E为损失函数，t_i为期望输出，y_i为网络实际输出，η为学习率，w^l(i)为第l层输入权重的第i次迭代值，b^l(i)为第l层偏置的第i次迭代值。

(1)权重参数的更新

设t时刻的权重梯度△ω_t为损失函数E对t时刻各权重的偏导，则t时刻下W_oh、W_fh、W_ih、W_ch的梯度为：

对每个时刻下W_oh、W_fh、W_ih、W_ch的梯度求和得最终权重梯度

(2)偏置参数的更新

设t时刻的权重梯度△b_t为损失函数E对t时刻各权重的偏导，则t时刻下b_f、b_i、b_c、b_o的梯度为：

对每个时刻下b_f、b_i、b_c、b_o的梯度求和得最终偏置梯度。

2.励磁绕组匝间短路故障诊断方法

(1)采集数据，进行归一化处理。

通过传感器和采集装置测量同步电机输出有功功率，无功功率，定子三相电压，定子三相电流，转子励磁电压，转子励磁电流，定子振动，转子振动12个物理量。对测得的物理量进行归一化处理。

(2)构建LSTM网络。

本发明构建了一个输入维度为9，输出维度为3，隐藏层数为5，dropout参数为0.06的LSTM网络模型，如图3所示。其中，隐藏层采用LSTM单元，输出层采用全连接层Dense，优化器采用Adam优化器，损失函数计算采用平均绝对误差(Mean Absolute Error，MAE)。该模型在训练过程中学习率为1，batch_size参数为72，epochs参数为5000，与过去相关时刻数为5，模型评价函数采用方均根误差函数(Root-Mean-Square Error，RMSE)。

式中，n为样本个数，y_i为实测值，

为归一化后的实测值，f(x_i)模型输出值，f'(x_i)为f(x_i)反归一化后的模型输出值，其表达式为：

f'(x_i)＝f(x_i)(f_max(x_i)-f_min(x_i))+f_min(x_i)

式中，f_max(x_i)，f_min(x_i)分别为模型输出值中的上下极限值。

(3)训练网络模型。

把同步电机输出有功功率，无功功率，定子三相电压，定子三相电流，转子励磁电压归一化后的数据作为LSTM网络的输入，把归一化后的转子励磁电流，转子振动，定子振动作为LSTM网络的输出。用同步电机正常运行情况下的若干组数据训练LSTM网络并进行测试，生成正常运行状态下的网络模型，其中80％的数据作为训练集、10％的数据作为验证集、另外10％的数据作为测试集。

(4)确定故障预警值。将第三步训练完成后的转子励磁电流、转子振动和定子振动的预测值与归一化后的实测值相比较分别求其各样本点的欧式距离，得到每一个时刻t下的励磁电流偏差值

转子振动偏差值

和定子振动偏差值

则某一时刻下的偏移距离D_t用下式表示：

式中：w_if,w_r,w_s分别为励磁电流偏差值权重，转子振动偏差值权重和定子振动偏差值权重；

分别为归一化后的励磁电流、转子振动和定子振动的实测值，f_if(x),f_r(x),f_s(x)分别为励磁电流、转子振动和定子振动的LSTM网络预测值。

考虑到个别点存在严重偏移的现象，取正常情况下的偏移距离均值的6倍作为预警阈值。

(5)判断励磁绕组是否正常。采集电机运行过程中的运行数据，利用第三步训练好的预测模型求出转子励磁电流、转子振动和定子振动的预测值，并与其归一化后的实测值相比较求出各运行点的偏移距离D_t，当连续200个点的偏移距离均大于故障预警阈值时，则判定为故障，否则励磁绕组处于正常状态。

下面以某实验室30kVA同步发电机组为例说明本发明的实施过程。

分别进行机组正常运行和励磁绕组匝间短路故障(短路匝数为2％)实验，测取同步发电机不同负荷下的输出有功功率，无功功率，定子三相电压，定子三相电流，转子励磁电压，转子励磁电流，定子振动，转子振动的数值。机组正常运行时，每个物理量采集15000个数据点；励磁绕组匝间短路时，每个物理量采集12000个点。然后按图4所示流程预测是否存在匝间短路故障。

首先对数据进行归一化处理，再利用机组正常运行时的15000组数据训练LSTM网络，得到网络预测模型及故障预警值为0.0324；然后将励磁绕组匝间短路故障时的12000组数据归一化处理后输入训练好的模型，输出转子励磁电流、转子振动和定子振动的预测值，并与其归一化后的实测值相比较求出各运行点的偏移距离D_t。正常及励磁绕组匝间短路时的D_t如图5所示。由图5可判断出励磁绕组异常，发出故障预警提示。

可见，本发明可以准确可靠地对同步电机励磁绕组匝间短路的早期故障进行预警。

申请人结合说明书附图对本发明的实施例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (10)

1.一种同步电机励磁绕组匝间短路故障预警方法，其特征在于，包括以下步骤：

S1：采集同步电机的相关数据，进行归一化处理；

S2：建立LSTM网络模型；

S3：训练所述LSTM网络模型，生成预测网络；

S4：确定故障预警值，包括：

将S3训练完成后的转子励磁电流、转子振动和定子振动的预测值与归一化后的实测值相比较分别求其各样本点的欧式距离，得到每一个时刻t下的励磁电流偏差值

转子振动偏差值

和定子振动偏差值D_ts ，

某一时刻下的偏移距离D_t用下式表示：

式中：w_if,w_r,w_s分别为励磁电流偏差值权重，转子振动偏差值权重和定子振动偏差值权重；

分别为归一化后的励磁电流、转子振动和定子振动的实测值，f_if(x),f_r(x),f_s(x)分别为励磁电流、转子振动和定子振动的LSTM网络预测值；取正常情况下的偏移距离均值的6倍作为预警阈值；

S5：现场采集数据，归一化处理后输入预测网络，判断励磁绕组是否正常，包括：采集电机运行过程中的运行数据，对数据进行归一化处理，利用S3训练好的预测模型求出转子励磁电流、转子振动和定子振动的预测值，并与其归一化后的实测值相比较求出各时刻的偏移距离D_t，与步骤S4确定的故障预警阈值比较，判断励磁绕组是否正常，当连续200个点的偏移距离D_t均大于故障预警阈值时，则判定为故障，否则励磁绕组处于正常状态。

2.如权利要求1所述的方法，其特征在于，步骤S1中采集同步电机的相关数据包括：

通过传感器和采集装置测量同步电机输出有功功率，无功功率，定子三相电压，定子三相电流，转子励磁电压，转子励磁电流，定子振动，转子振动12个物理量。

3.如权利要求2所述的方法，其特征在于，步骤S1中对测得的物理量进行归一化处理方法为：

其中x为测得物理量中作为输入量的数据，y为测得物理量中作为输出量的数据，

为x归一化后的指标数值，

为y归一化后的指标数值，x_max、x_min分别为测得物理量中输入量部分的上、下极限值,y_max、y_min分别为测得物理量中输出量部分的上、下极限值。

4.如权利要求3所述的方法，其特征在于，步骤S2中所述LSTM网络模型具体为：输入维度为9，输出维度为3，隐藏层数为5，dropout参数为0.06的LSTM网络模型。

5.如权利要求4所述的方法，其特征在于，

所述LSTM网络模型中，隐藏层采用LSTM单元，输出层采用全连接层Dense，优化器采用Adam优化器，损失函数计算采用平均绝对误差MAE。

6.如权利要求5所述的方法，其特征在于，

所述平均绝对误差MAE表示为：

式中，n为样本个数，

为归一化后的实测值，f(x_i)为模型输出值，即预测值。

7.如权利要求6所述的方法，其特征在于，

该模型在训练过程中学习率为1，batch_size参数为72，epochs参数为5000，与过去相关时刻数为5，模型评价函数采用方均根误差函数RMSE。

8.如权利要求7所述的方法，其特征在于，

所述方均根误差函数RMSE表示为：

式中，n为样本个数，y_i为实测值，f'(x_i)为f(x_i)反归一化后的模型输出值，其表达式为：

f'(x_i)＝f(x_i)(f_max(x_i)-f_min(x_i))+f_min(x_i)

式中，f_max(x_i)，f_min(x_i)分别为模型输出值中的上下极限值。

9.如权利要求8所述的方法，其特征在于，

所述步骤S3中，把同步电机输出有功功率，无功功率，定子三相电压，定子三相电流，转子励磁电压归一化后的数值作为LSTM网络的输入，把转子励磁电流，转子振动，定子振动归一化后的数值作为LSTM网络的输出。

10.如权利要求9所述的方法，其特征在于，

所述步骤S3中，用同步电机正常运行情况下的若干组数据训练LSTM网络并进行测试，生成正常运行状态下的网络模型，其中80％的数据作为训练集、10％的数据作为验证集、另外10％的数据作为测试集。

Images