CN112327208A - 一种调相机转子绕组匝间短路的故障诊断方法及装置 - Google Patents
一种调相机转子绕组匝间短路的故障诊断方法及装置 Download PDFInfo
- Publication number
- CN112327208A CN112327208A CN202011202051.4A CN202011202051A CN112327208A CN 112327208 A CN112327208 A CN 112327208A CN 202011202051 A CN202011202051 A CN 202011202051A CN 112327208 A CN112327208 A CN 112327208A
- Authority
- CN
- China
- Prior art keywords
- turn
- excitation current
- phase modulator
- current signal
- fault diagnosis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/72—Testing of electric windings
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
Abstract
本发明公开了一种调相机转子绕组匝间短路的故障诊断方法及装置,通过采集调相机不同运行工况下的励磁电流,通过小波降噪以及小波包分解与重构提取特征值,构成特征向量输入径向基函数神经网络,获取到调相机转子绕组当前的故障状态。所述神经网络模型训练后包含励磁电流与匝间短路程度之间的非线性映射。本发明将现场采集数据与仿真数据相结合,弥补了样本数据不足的缺陷,在故障诊断中具有较高的精度和准确性。
Description
技术领域
本发明属于调相机故障诊断技术领域,具体涉及一种调相机转子绕组匝间短路的故障诊断方法,还涉及一种调相机转子绕组匝间短路的故障诊断装置。
背景技术
随着新能源的并网与特高压直流输电的发展,电网对无功调节的要求也逐步提高,在这个电压等级越来越高的时期,系统整体的稳定性和安全性问题也日益突出。调相机是一种大型无功调节设备,其调节无功的能力都较强,在电力系统中可以加强电压的动态调节能力。例如在特高压变电站,调相机可以有效的避免电力系统电压突然提高,尤其在电网侧可以快速吸收大量由于换相失败而产生的无功功率,同时又能大量增加无功,加快故障后系统无功的恢复。因此,大型调相机是电力系统中调节无功的重要装置。
对于大型调相机来说,其励磁绕组匝间短路最初并非十分的严重,大多数情况下,仅是在绕组匝间有稍许的接触,然而这一情况是十分不平稳的。从某种程度来看,调相机的励磁绕组电流越来越大,无功功率不断下降,使轴承振动幅度不断加大。通常而言,励磁绕组匝间短路最开始时,发电机还是可以继续运行的,然而倘若工作条件不佳,比如在三相负荷不对称时,调相机如果持续工作,这时,使得在调相机中产生负序旋转磁场,导致出现匝间短路的转子绕组产生倍频电动势,使得回路得以形成。这样由于短路电流越来越大,短路点温度越来越高,绝缘老化越来越快,这一情况不断反复。因此没有被及时发现的这种轻微故障的调相机如果继续长期运行下去,最终会导致严重的故障。
调相机内部一旦出现较为严重的故障甚至宕机,尤其是当前大型调相机结构复杂,价格非常高,其故障会使电力系统的稳定性和安全性受到影响,造成巨大的经济损失和社会影响。针对调相机转子绕组匝间短路的相关判别方法还较少,且实验数据较少,因此需要一种对调相机转子绕组进行故障诊断的方法。
发明内容
本发明的目的在于克服现有技术中的不足,提供了一种调相机转子绕组匝间短路的故障诊断方法,解决了常规电气量检测在调相机故障初期不能及时的鉴别出故障的技术问题。
为解决上述技术问题,本发明提供了一种调相机转子绕组匝间短路的故障诊断方法,包括:
获取待诊断调相机励磁电流信号;
从励磁电流信号中提取特征构成特征向量;
将特征向量输入预先通过径向基函数神经网络训练而构建成的故障诊断模型进行故障诊断,得到调相机转子绕组匝间短路故障程度。
进一步的,在获取励磁电流信号后,还包括:
对励磁电流信号进行降噪处理。
进一步的,所述对励磁电流信号进行降噪处理的过程为:
使用改进的小波阀值函数对励磁电流信号进行降噪,改进的小波阀值函数为:
进一步的,所述从励磁电流信号中提取特征构成特征向量,包括:
对调相机励磁电流信号进行三层小波包分解,可以获取各层的分解波形;
将分解后的各频段的波形按小波包分解系数由低到高进行重构;
计算各个频段内的能量值;
将计算所得各能量值进行归一化处理;
将归一化后的能量值形成特征向量。
进一步的,所述计算各个频段内的能量值,包括:
能量值计算公式如下:
式中,Sij表示重构信号,xjk表示Sij的各个离散点幅值,下标i表示第i层,j表示第j个节点,k表示离散点的编号,k=1,2,…,n,n为离散点的数量。
进一步的,所述故障诊断模型的构建过程包括:
获取调相机正常运行以及转子绕组处于不同匝间短路程度时的励磁电流信号;
从励磁电流信号中提取特征构成特征向量;
将特征向量输入径向基函数神经网络进行训练,得到故障诊断模型。
进一步的,所述励磁电流信号从现场采集或利用调相机数学模型进行仿真得到。
进一步的,所述仿真的过程为:
1)根据调相机设备资料确定调相机基本电气参数;
2)根据基本电气参数构造电感系数矩阵:
式中,L矩阵表示磁通电感系数矩阵,G矩阵表示磁链电感系数矩阵,Ld=Lmd+L1,Lq=Lmq+L1,Lfd=L1fd+Lmd,Lkd=L1kd+Lmd,Lkq=L1kq+Lmq,Mafd0=Lmd,Makd0=Lmd,Makq0=Lmq,其中,L1,Lmd,Lmq,L1fd,L1kd,L1kq均为调相机已知参数;
构造电阻矩阵:
式中,r表示定子电阻,Rfd表示励磁绕组电阻,Rkd表示阻尼绕组直轴电阻,Rkq表示阻尼绕组交轴电阻;
3)在dq0坐标系下将电压值构造电压向量,设置时间范围与电压初值;
4)建立电压过程微分方程:
5)利用MATLAB中可变阶数的多步算法ode113求解微分方程,得到励磁电流波形变化曲线。
进一步的,在获取励磁电流信号后,还包括:
对励磁电流信号进行降噪处理。
相应的,本发明还提供了一种调相机转子绕组匝间短路的故障诊断装置,包括:
信号采集模块,用于获取待诊断调相机励磁电流信号;
特征提取模块,用于从励磁电流信号中提取特征构成特征向量;
故障诊断模块,用于将特征向量输入预先通过径向基函数神经网络训练而构建成的故障诊断模型进行故障诊断,得到调相机转子绕组匝间短路故障程度。
与现有技术相比,本发明所达到的有益效果是:针对调相机故障数据少,本发明可以通过仿真数据对故障诊断模型进行训练,诊断正确率高,可以及时发现调相机转子绕组匝间短路故障,在故障初期就采取相应的处理措施。
附图说明
图1为本发明实施例的故障诊断流程图;
图2为本发明实施例中仿真调相机励磁电流信号的流程图;
图3为本发明实施例中径向基函数神经网络模型的示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明的发明构思是:先将调相机正常运行情况和转子绕组匝间短路不同程度下的励磁电流利用小波阀值降噪,再通过小波包的分解与重构求取能量值,最后将该能量值作为径向基函数神经网络的输入向量,应用神经网络从而识别故障。
实施例1
参见图1所示,本发明的一种调相机转子绕组匝间短路的故障诊断方法,具体包括以下过程:
步骤S1,采集调相机正常运行以及转子绕组处于不同匝间短路程度时的励磁电流信号。
为确定调相机转子匝间短路故障的同时分析其故障程度,在实验同步电机转子绕组0%抽头与5%抽头之间串联不同阻值的过渡电阻,以模拟不同百分比的匝间短路状况。在额定过励状态下,总励磁电流If,过渡电阻支路电流为I'f,即可模拟调相机转子绕组匝间短路故障。
励磁电流信号可以从现场采集(例如调相机正常运行状态的励磁电流),还可以利用调相机数学模型进行仿真以得到接近现实的信号波形(不同短路程度状态下的励磁电流)。也可以将现场采集数据和仿真数据结合来进行故障诊断。
如图2所示,本实施例中仿真励磁电流的过程为:
1)根据调相机设备资料确定调相机基本电气参数;
2)根据基本电气参数构造电感系数矩阵:
式中,L矩阵表示磁通电感系数矩阵,G矩阵表示磁链电感系数矩阵,Ld=Lmd+L1,Lq=Lmq+L1,Lfd=L1fd+Lmd,Lkd=L1kd+Lmd,Lkq=L1kq+Lmq,Mafd0=Lmd,Makd0=Lmd,Makq0=Lmq,其中,L1表示电机自感,Lmd表示励磁电感d轴分量,Lmq表示励磁电感q轴分量,L1fd表示d轴电枢绕组反应电感,L1kd表示阻尼绕组电感在d轴分量,L1kq表示阻尼绕组电感在q轴分量,均为调相机已知参数。
构造电阻矩阵:
式中,r表示定子电阻,Rfd表示励磁绕组电阻,Rkd表示阻尼绕组直轴电阻,Rkq表示阻尼绕组交轴电阻。
3)在dq0坐标系下将电压值构造电压向量,设置时间范围与电压初值;
4)建立电压过程微分方程:
5)利用MATLAB中可变阶数的多步算法ode113求解微分方程,得到励磁电流波形变化曲线。
步骤S2,对采集到的励磁电流信号进行小波降噪,将去噪后的励磁电流信号进行小波包分解与重构,作为故障诊断的特征向量。
本实施例中,所述小波降噪方法使用了改进的小波阀值函数对采集到的励磁电流信号进行降噪,改进的小波阀值函数为:
对小波降噪改进后的阀值函数验算可以发现,若|wj,k|→T,则w'j,k→0,即该函数波形连续,利用其对含噪信号进行降噪可以得到更平滑的波形;若调参使得w'j,k=wj,k且令η=1,则对分解的信号重构后其与原始信号不再存在差值,即对含噪信号进行降噪后的波形完全可以与原始信号波形重合。
所述特征值需要将去噪信号进行三层小波包分解与重构,得到相应的时域频率带分布后求取各部分能量值,并进行归一化处理。具体的特征值提取步骤包括:
1)对调相机励磁电流信号进行三层小波包分解,可以获取各层的分解波形,第一层共可以得到21个频段信号波形,第二层共可以得到22个频段信号波形,第三层共可以得到23个频段信号波形。频段就是一定的频率范围。
2)将分解后的各频段的波形按小波包分解系数由低到高进行重构。系数就是小波基函数与原信号相似的系数。
3)计算各个频段内的能量值Eij,计算方法如下:
式中,Sij表示重构信号,xjk表示Sij的各个离散点幅值,下标i表示第i层,j表示第j个节点,k表示离散点的编号,k=1,2,…,n,n为离散点的数量。
4)将计算所得各能量值进行归一化处理。
输入后面神经网络的特征值如果太大有时会导致网络饱和,所以需要将根据调相机励磁电流信号计算所得的各能量值归一化,归一化过程如下:
式中,Eij表示各频率段的能量值,Esum表示各频率段的总能量,Ei'j即为归一化的能量值。
5)将归一化后的能量值形成特征向量:
T'=(E’i1,E’i2,…,E’ij)
通过调相机转子绕组发生不同短路程度故障时电机的励磁电流进行小波包分解得到各频率段的能量值和总能量值,并进行归一化处理,最终构成故障特征的样本数据库以送入径向基函数神经网络进行故障诊断。
步骤S3,将特征向量输入径向基函数神经网络训练得到故障诊断模型,所述故障诊断模型训练后可以得到特征向量与转子绕组匝间短路故障程度间的非线性映射。
本实施例中,所述径向基函数神经网络由三层构成,一是输入层,二是隐藏层,三是输出层。但其不同于常规多层感知器,其不同层有着各不相同的功能,尤其隐藏层是非线性的,径向基函数能够把输入向量空间向隐藏层空间进行转变,这样线性不可分问题向线性可分进行转变,输出层则是线性的。
如图3所示,所述径向基函数神经网络就是三层网络结构之一,其输入层中节点有n个,该层的作用是放置样本输入数据,输出层有m个节点,该层的作用是放置样本输出数据,隐藏层有h个节点,该层的作用是将样本数据进行传输变换或者空间转换等运算过程。x=[x1,x2,…,xn]T表示径向基函数神经网络中样本数据的输入向量,y=[y1,y2,…,ym]T表示径向基函数神经网络中样本数据进行训练后得到的输出向量,z=[z1,z2,…,zn]T表示输入样本数据相应的期望输出,b=[b1,b2,…,bn]T∈Rn表示各个输出网络神经元的阀值向量,φi(||x-ci||)表示隐藏层中i个神经元相对应的激活函数,ci=[ci1,ci2,…,cin]T∈Rn为隐藏层中网络的中心神经元向量,实际应用中径向基函数神经网络的输出节点可以使用多种函数,本实施例则以线性函数为例,并在示意图中以∑表示。
本实施例中,所述径向基函数神经网络隐藏层神经元使用欧氏距离,且其激活函数使用的是高斯函数。具体的高斯函数如下:
式中,x是函数自变量,c是常数,v>0,且其值与所述径向基函数的宽度正相关。径向基函数神经网络中激活函数的种类很多,可以根据具体需要完成的项目内容进行相关修改,一般情况下使用的高斯激活函数则实际上展示了一种正态分布。
假定c1,c2,…ch是隐藏层神经元的中心,那么其宽度是:
vi=ρdi,i=1,2,…,h
式中,ρ表示重叠系数,di表示第i个神经元中心与其他神经元中心之间距离的最小值,即di=mini,j≠i||cj-ci||。
本实施例中,所述隐藏层样本中心利用聚类法进行变更,该方法在开始时通过无监督训练选择径向基函数神经网络隐藏层的神经元中心,再通过向量间距离运算求出这些中心节点间的距离,并据此求得隐藏层各个神经元的宽度,最终再求取径向基函数神经网络输出层与隐藏层之间各个神经元间相连的权值。
步骤S4,获取待诊断调相机励磁电流信号,从励磁电流信号中提取特征构成特征向量;将特征向量输入训练得到的故障诊断模型进行故障诊断,得到故障诊断结果,即调相机转子绕组匝间短路故障程度。
综上所述,本发明通过采集待检测调相机的励磁电流信号,将含噪信号进行小波降噪,并利用小波包分解与重构提取特征值,构成特征向量后输入通过径向基函数神经网络训练构建的故障诊断模型,获取到待检测调相机当前的转子绕组匝间短路故障程度,故障诊断模型在充分训练后具有调相机励磁电流信号特征向量与转子绕组匝间短路程度之间的非线性映射。
本发明可以通过仿真数据对故障诊断模型进行训练,使得故障诊断正确率高,可以及时发现调相机转子绕组匝间短路故障,在故障初期就采取相应的处理措施。
本发明将现场采集数据与仿真数据相结合,弥补了样本数据不足的缺陷,在故障诊断中具有较高的精度和准确性。
实施例2
相应的,本发明还提供了一种调相机转子绕组匝间短路的故障诊断装置,其特征是,包括:
信号采集模块,用于获取待诊断调相机励磁电流信号;
特征提取模块,用于从励磁电流信号中提取特征构成特征向量;
故障诊断模块,用于将特征向量输入预先通过径向基函数神经网络训练而构建成的故障诊断模型进行故障诊断,得到调相机转子绕组匝间短路故障程度。
本发明装置的各模块具体实现参见实施例1的实现方案。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,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 (10)
1.一种调相机转子绕组匝间短路的故障诊断方法,其特征是,包括:
获取待诊断调相机励磁电流信号;
从励磁电流信号中提取特征构成特征向量;
将特征向量输入预先通过径向基函数神经网络训练而构建成的故障诊断模型进行故障诊断,得到调相机转子绕组匝间短路故障程度。
2.根据权利要求1所述的一种调相机转子绕组匝间短路的故障诊断方法,其特征是,在获取励磁电流信号后,还包括:
对励磁电流信号进行降噪处理。
4.根据权利要求1所述的一种调相机转子绕组匝间短路的故障诊断方法,其特征是,所述从励磁电流信号中提取特征构成特征向量,包括:
对调相机励磁电流信号进行三层小波包分解,可以获取各层的分解波形;
将分解后的各频段的波形按小波包分解系数由低到高进行重构;
计算各个频段内的能量值;
将计算所得各能量值进行归一化处理;
将归一化后的能量值形成特征向量。
6.根据权利要求1所述的一种调相机转子绕组匝间短路的故障诊断方法,其特征是,所述故障诊断模型的构建过程包括:
获取调相机正常运行以及转子绕组处于不同匝间短路程度时的励磁电流信号;
从励磁电流信号中提取特征构成特征向量;
将特征向量输入径向基函数神经网络进行训练,得到故障诊断模型。
7.根据权利要求6所述的一种调相机转子绕组匝间短路的故障诊断方法,其特征是,所述励磁电流信号从现场采集或利用调相机数学模型进行仿真得到。
9.根据权利要求6所述的一种调相机转子绕组匝间短路的故障诊断方法,其特征是,在获取励磁电流信号后,还包括:
对励磁电流信号进行降噪处理。
10.一种调相机转子绕组匝间短路的故障诊断装置,其特征是,包括:
信号采集模块,用于获取待诊断调相机励磁电流信号;
特征提取模块,用于从励磁电流信号中提取特征构成特征向量;
故障诊断模块,用于将特征向量输入预先通过径向基函数神经网络训练而构建成的故障诊断模型进行故障诊断,得到调相机转子绕组匝间短路故障程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011202051.4A CN112327208A (zh) | 2020-11-02 | 2020-11-02 | 一种调相机转子绕组匝间短路的故障诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011202051.4A CN112327208A (zh) | 2020-11-02 | 2020-11-02 | 一种调相机转子绕组匝间短路的故障诊断方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112327208A true CN112327208A (zh) | 2021-02-05 |
Family
ID=74324001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011202051.4A Pending CN112327208A (zh) | 2020-11-02 | 2020-11-02 | 一种调相机转子绕组匝间短路的故障诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112327208A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113049957A (zh) * | 2021-03-29 | 2021-06-29 | 华北电力大学(保定) | 一种同步调相机转子绕组轻微匝间短路故障在线检测方法 |
CN114019298A (zh) * | 2021-09-28 | 2022-02-08 | 中电华创(苏州)电力技术研究有限公司 | 一种基于pcc-svm的发电机转子匝间短路在线监测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090091289A1 (en) * | 2007-10-08 | 2009-04-09 | University Of Victoria Innovation And Development Corporation | Stator inter-turn fault detection of synchronous machines |
CN108241298A (zh) * | 2018-01-09 | 2018-07-03 | 南京航空航天大学 | 一种基于fwa-rnn模型的航空发电机故障诊断方法 |
CN109828181A (zh) * | 2019-01-09 | 2019-05-31 | 上海电力学院 | 一种基于modwt的变压器绕组轻微故障检测方法 |
CN110824281A (zh) * | 2019-11-19 | 2020-02-21 | 国网江苏省电力有限公司检修分公司 | 一种同步调相机在线监测及故障诊断方法和系统 |
CN110907732A (zh) * | 2019-12-04 | 2020-03-24 | 江苏方天电力技术有限公司 | 基于pca-rbf神经网络的调相机故障诊断方法 |
CN111007429A (zh) * | 2019-11-26 | 2020-04-14 | 国网江苏省电力有限公司检修分公司 | 基于anfis的同步调相机短路故障识别方法和系统 |
CN111722145A (zh) * | 2020-06-12 | 2020-09-29 | 华北电力大学(保定) | 一种同步电机励磁绕组匝间短路轻度故障诊断方法 |
-
2020
- 2020-11-02 CN CN202011202051.4A patent/CN112327208A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090091289A1 (en) * | 2007-10-08 | 2009-04-09 | University Of Victoria Innovation And Development Corporation | Stator inter-turn fault detection of synchronous machines |
CN108241298A (zh) * | 2018-01-09 | 2018-07-03 | 南京航空航天大学 | 一种基于fwa-rnn模型的航空发电机故障诊断方法 |
CN109828181A (zh) * | 2019-01-09 | 2019-05-31 | 上海电力学院 | 一种基于modwt的变压器绕组轻微故障检测方法 |
CN110824281A (zh) * | 2019-11-19 | 2020-02-21 | 国网江苏省电力有限公司检修分公司 | 一种同步调相机在线监测及故障诊断方法和系统 |
CN111007429A (zh) * | 2019-11-26 | 2020-04-14 | 国网江苏省电力有限公司检修分公司 | 基于anfis的同步调相机短路故障识别方法和系统 |
CN110907732A (zh) * | 2019-12-04 | 2020-03-24 | 江苏方天电力技术有限公司 | 基于pca-rbf神经网络的调相机故障诊断方法 |
CN111722145A (zh) * | 2020-06-12 | 2020-09-29 | 华北电力大学(保定) | 一种同步电机励磁绕组匝间短路轻度故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
王红亚: "基于改进蛙跳算法-BP神经网络的电机转子故障诊断研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113049957A (zh) * | 2021-03-29 | 2021-06-29 | 华北电力大学(保定) | 一种同步调相机转子绕组轻微匝间短路故障在线检测方法 |
CN114019298A (zh) * | 2021-09-28 | 2022-02-08 | 中电华创(苏州)电力技术研究有限公司 | 一种基于pcc-svm的发电机转子匝间短路在线监测方法 |
CN114019298B (zh) * | 2021-09-28 | 2023-12-05 | 中电华创(苏州)电力技术研究有限公司 | 一种基于pcc-svm的发电机转子匝间短路在线监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Djilali et al. | Real‐time neural sliding mode field oriented control for a DFIG‐based wind turbine under balanced and unbalanced grid conditions | |
Arjona et al. | Parameter estimation of a synchronous generator using a sine cardinal perturbation and mixed stochastic–deterministic algorithms | |
CN100444494C (zh) | 电力系统同调发电机组参数聚合方法 | |
CN112327208A (zh) | 一种调相机转子绕组匝间短路的故障诊断方法及装置 | |
Fard et al. | Synchronous generator model identification for control application using volterra series | |
CN111007429A (zh) | 基于anfis的同步调相机短路故障识别方法和系统 | |
Bessam et al. | A novel method for induction motors stator inter-turn short circuit fault diagnosis based on wavelet energy and neural network | |
CN117148034A (zh) | 基于经验小波变换及图注意力网络的配电网故障选线方法 | |
CN116305683A (zh) | 基于样本均衡化的电力系统暂态稳定评估方法及系统 | |
CN116316909A (zh) | 基于armax模型的电力系统惯量在线辨识方法与系统 | |
Ouamara et al. | Diagnosis of ITSC fault in the electrical vehicle powertrain system through signal processing analysis | |
CN113794198B (zh) | 抑制宽频振荡的方法、装置、终端及存储介质 | |
CN114355100A (zh) | 配电网单相弧光接地故障选线方法、系统、设备及介质 | |
Gadanayak et al. | Microgrid protection using iterative filtering | |
Zhang et al. | Application of morphological max-lifting scheme for identification of induction motor stator inter-turn short circuit | |
Kamwa et al. | Sensorless ANN-based speed estimation of synchronous generators: Improved performance through physically motivated pre-filters | |
Ma et al. | Fault Diagnosis Method Based on Xgboost and LR Fusion Model under Data Imbalance | |
CN114123336B (zh) | 一种直驱风机变流器的控制参数辨识方法及系统 | |
Bourdim et al. | Multi phases stator short-circuits faults diagnosis & classification in DFIG using wavelet & fuzzy based technique | |
Lan et al. | A Novel Motor Fault Diagnosis Method Based on Generative Adversarial Learning with Distribution Fusion of Discrete Working Conditions. | |
Shafighi et al. | ANN observer for on-line estimation of synchronous generator dynamic parameters | |
Aswad et al. | Hybrid Model-Based Fuzzy Logic Diagnostic System for Stator Faults in Three-Phase Cage Induction Motors | |
Fard et al. | Synchronous generator model identification using Volterra series | |
Jadhav et al. | A Novel Artificial Neural Network Based Space Vector Modulated DTC and Its Comparison with Other Artificial Intelligence (AI) Control Techniques | |
Chen et al. | Fault Diagnosis of Induction Motor Stator Winding Open Circuit Based on Wavelet Transformation and Bayesian Classification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |