CN115291104A - 一种燃机发电机转子匝间短路故障诊断方法 - Google Patents
一种燃机发电机转子匝间短路故障诊断方法 Download PDFInfo
- Publication number
- CN115291104A CN115291104A CN202210934136.4A CN202210934136A CN115291104A CN 115291104 A CN115291104 A CN 115291104A CN 202210934136 A CN202210934136 A CN 202210934136A CN 115291104 A CN115291104 A CN 115291104A
- Authority
- CN
- China
- Prior art keywords
- matrix
- turn
- gain matrix
- fault
- short circuit
- 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
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000003745 diagnosis Methods 0.000 title claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims abstract description 66
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000004804 winding Methods 0.000 claims abstract description 7
- 238000010248 power generation Methods 0.000 claims abstract description 6
- 230000035945 sensitivity Effects 0.000 claims description 5
- 230000009897 systematic effect Effects 0.000 claims 1
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 abstract description 4
- 238000002485 combustion reaction Methods 0.000 abstract description 4
- 230000005611 electricity Effects 0.000 abstract description 4
- 239000007789 gas Substances 0.000 description 6
- 238000001914 filtration Methods 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- 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
- G01R31/34—Testing dynamo-electric machines
- G01R31/346—Testing of armature or field windings
-
- 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
本发明的实施例提供一种燃机发电机转子匝间短路故障诊断方法。所述方法包括获取燃机发电系统的转子绕组的电流信号，对所述电流信号利用区间观测器进行计算，得到增益矩阵；通过线性矩阵不等式对所述增益矩阵进行优化，得到优化后的增益矩阵；将所述电流信号输入所述优化后的增益矩阵，计算增益矩阵的最优值；根据所述增益矩阵的最优值判断匝间短路的故障结果。以此方式，可以通过测量数据修正计算结果，排除可能的数据错误，生成保证精度的合理数据，利用振动、电气、温度等数据信号进行分析和计算，实现对各类发电机定、转子以及铁心故障的正确可靠评估。
Description
技术领域
本发明一般涉及发电技术领域，并且更具体地，涉及一种燃机发电机转子匝间短路故障诊断方法。
背景技术
燃机发电机是燃机发电机是一种以液化气、天然气等可燃气体为燃烧物，代替汽油、柴油作为发动机动力的新型，高效的新能源发电机。主要用于油田、发电厂、电信大楼、高层建筑、酒店、生活小区、商场、医院、军队、会议中心、偏远地区、海岛等重要场所必需的备用电源及作为紧急事件、野外作业等必需的移动电源。
由于燃机发电机在设计、安装和运行方面的诸多原因，燃机发电机的故障具有潜伏性，时常会造成在实际生产过程中运行机组的故障发生率居高不下。绕组发生匝间短路故障是发电机常见故障之一。在仅发生绕组匝间短路故障时，对机组正常运转的影响小，故障特征不明显，无法被及时发现。机组长期在匝间短路故障状态下运转时，会对发电机组的寿命产生影响，若不及时发现并处理，短路故障会导致线圈一点甚至多点接地，从而导致被短路的线圈中将流过很大的环流(常达正常电流的2-10倍)，使线圈严重发热；三相电流不平衡，电动机的转矩降低；产生杂音；短路严重时，电动机不能带负载起动，而这极大的影响了发电效率，严重时还可能对人员和财产造成危害。因此，及时发现绕组匝间短路故障具有重要意义。
发明内容
根据本发明的实施例，提供了一种燃机发电机转子匝间短路故障诊断方法，通过设计区间观测器，结合具体方法进行电气计算，机组电气数据计算精度；通过测量数据修正计算结果，排除可能的数据错误，生成保证精度的合理数据，利用振动、电气、温度等数据信号进行分析和计算，实现对各类发电机定、转子以及铁心故障的正确可靠评估。
该方法包括：
获取汽轮发电系统的转子绕组的电流信号，对所述电流信号利用区间观测器进行计算，得到增益矩阵；
通过线性矩阵不等式对所述增益矩阵进行优化，得到优化后的增益矩阵；
将所述电流信号输入所述优化后的增益矩阵，计算增益矩阵的最优值；
根据所述增益矩阵的最优值判断匝间短路的故障结果。
应当理解，发明内容部分中所描述的内容并非旨在限定本发明的实施例的关键或重要特征，亦非用于限制本发明的范围。本发明的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明，本发明各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
图1示出了根据本发明的实施例的燃机发电机转子匝间短路故障诊断方法的流程图。
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中的附图，对本发明实施例中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一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本发明保护的范围。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
本发明中，通过设计区间观测器，结合具体方法进行电气计算，机组电气数据计算精度；通过测量数据修正计算结果，排除可能的数据错误，生成保证精度的合理数据，利用振动、电气、温度等数据信号进行分析和计算，实现对各类发电机定、转子以及铁心故障的正确可靠评估。
图1示出了本发明实施例的燃机发电机转子匝间短路故障诊断方法的流程图。
该方法包括：
步骤1：获取发电系统转子绕组的电流信号，对所述电流信号利用区间观测器进行计算，生成增益矩阵；
步骤2：通过线性矩阵不等式对所述增益矩阵进行优化，得到优化后的增益矩阵；
步骤3：将所述电流信号输入所述优化后的增益矩阵，计算增益矩阵的最优值；
步骤4：根据所述增益矩阵的最优值判断匝间短路的故障结果。
作为本发明的一种实施例，为提高故障辨识度，本发明设计了具有鲁棒性、灵敏度高、识别速度快等特点的区间观测器。利用设计的区间观测器提供的系统状态上下界，在初始状态、输入、扰动均存在有界误差的条件下，通过产生残差对故障进行判别。将系统的状态信号表示为x(t)，则观测器中上界函数与下界函数可分别表示为x(t)∈RN×N，
其中
将观测器中上下界函数分别构造为：
式中，x(t),y(t),d(t),f(t)分别表示系统的状态，输出，未知扰动与故障信号，A，C，D，F分别为系统的矩阵系数。C+＝max{0，C}，C-＝C+-C；D+＝max{0，D}，D-＝D+-D。L为增益矩阵，W为松弛矩阵。r(t)为系统残差下界，
为系统残差上界。通过利用增益矩阵L与松弛矩阵W，将故障状态信号与上下界之间的距离放大，便于实现故障信息的精确获取。定义误差为
式中
为观测器观测值，残差为
作为本发明的一种实施例，考虑到观测器可能受到现场设备的电磁干扰，需要对区间观测器进行抗干扰优化。
观测器受电磁干扰的影响可通过l1性能与H∞性能衡量，鲁棒H∞滤波：假设系统的噪声输入为能量有界信号，滤波器设计的主要依据是使滤波误差系统的传递函数的H∞范数小于给定值。
鲁棒l1滤波：假定系统的噪声输入为峰值有界的信号，滤波器设计的主要依据是使相对于所有峰值有界的噪声输入信号，最劣情况下的滤波误差信号的峰值小于给定值，又称为峰值一峰值滤波。
l1性能与H∞性能指标如下式所示：
‖r(t)-If(t)‖2<γ‖f(t)‖2 (7)
式中，干扰d为有界函数，‖δ(t)‖<‖δ(t)‖∞，其中‖δ(t)‖∞为已知常数。
观测器需要具有一定的扰动鲁棒性，以降低外界干扰的影响。观测器的鲁棒性由Lyapunov函数进行界定，如下式所示：
式中ed为f(t)＝0时系统误差，若存在参数β>0,λ>0,μ>0,对称矩阵P1>0，使得矩阵满足以下不等式：
rT(t)r(t)-β[(1-λ)V1(ed(t))+(β-μ)δT(t)δ(t)]<0 (10)
则可认为所设计观测器具有鲁棒性。其中，式(10)中有
因此式(10)等价于存在矩阵M，使
同理，式(11)等价于存在矩阵N，使
当系统无故障时，f(t)＝0，因此观测器应满足以下不等式约束：
V1(ed(t+1))-λV1(ed(t))-μδT(t)δ(t)<0 (14)
rT(t)r(t)-β[(1-λ)V1(ed(t))+(β-μ)δT(t)δ(t)]<0 (15)
为提高观测器的诊断灵敏度，构造如下式所示的Lyapunov函数：
其中P2>0，ef为d(t)＝0时系统误差。若存在参数矩阵g>0，松弛矩阵W>0，使得矩阵满足以下不等式：
则可提高区间观测器提供的系统的灵敏度，能够进行更微弱的故障诊断。
作为本发明的一种实施例，根据所述增益矩阵的最优值判断匝间短路的故障结果，包括：
当系统中发生转子匝间短路故障后，电流增大，但波形变化不明显，仅通过电流信号观测难以及时识别故障，即使观测解耦后电流信号也难以对故障进行准确识别。
通过利用本发明中设计的区间观测器进行故障检测，可在短路匝数较少时即做出迅速判别，判别结果较为清晰，且故障识别灵敏度高，速度较快。通过以下算法求解出增益矩阵的最优值，将最优值作为判断标准实现精确判断，进而实现对电机的故障诊断。
初始输入系统电流信号计算其增益矩阵结果，并通过线性矩阵不等式(LinearMatrix Inequality，LMI)对增益矩阵进行优化，在LMI中给出了
A-LC的Metzler条件。
P1(A-LC)≥0 (18)
P2(A-LC)≥0 (19)
在满足约束条件(16)，(17)，(18)，(19)的前提下，通过求解以下凸优化问题可以求解得观测器中的未知增益矩阵。
min(ε1β+ε2γ) (20)
其中ε1>0和ε2>0为松弛因子。
当无故障发生时，状态信号在观测器上下界之间，残差上界大于0，残差下界小于0。
当故障发生时，无法保证状态信号在观测器上下界之间，残差上界与下界的取值范围发生变化，可能出现上界小于0或者下界大于0的情况。通过观测残差上下界的波动情况，可以精确的获取系统故障状态，进行故障判别。
根据本发明的实施例，通过设计区间观测器，结合具体方法进行电气计算，机组电气数据计算精度；通过测量数据修正计算结果，排除可能的数据错误，生成保证精度的合理数据，利用振动、电气、温度等数据信号进行分析和计算，实现对各类发电机定、转子以及铁心故障的正确可靠评估。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本发明所必须的。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (7)
1.一种燃机发电机转子匝间短路故障诊断方法，其特征在于，包括：
获取燃机发电系统的转子绕组的电流信号，对所述电流信号利用区间观测器进行计算，得到增益矩阵；
通过线性矩阵不等式对所述增益矩阵进行优化，得到优化后的增益矩阵；
将所述电流信号输入所述优化后的增益矩阵，计算增益矩阵的最优值；
根据所述增益矩阵的最优值判断匝间短路的故障结果。
2.根据权利要求1所述的方法，其特征在于，所述对所述电流信号利用区间观测器进行计算，得到增益矩阵，包括：
其中，x(t),y(t),d(t),f(t)分别表示系统的不同状态，输出未知扰动与故障信号；A、C、D、F分别为系统的矩阵系数；C+＝max{0，C}，C-＝C+-C；D+＝max{0，D}，D-＝D+-D；L为增益矩阵；W为松弛矩阵；r(t)为系统残差下界，
为系统残差上界；
定义误差为
其中，
为区间观测器的观测值，计算得到残差为
3.根据权利要求2所述的方法，其特征在于，对所述区间观测器进行鲁棒性设计，包括：
式中ed为f(t)＝0时系统误差，若存在参数β>0,λ>0,μ>0，对称矩阵P1>0，使得矩阵满足以下不等式：
rT(t)r(t)-β[(1-λ)V1(ed(t))+(β-μ)δT(t)δ(t)]<0
当系统无故障时，f(t)＝0，因此观测器应满足以下不等式约束：
V1(ed(t+1))-λV1(ed(t))-μδT(t)δ(t)<0
rT(t)r(t)-β[(1-λ)V1(ed(t))+(β-μ)δT(t)δ(t)]<0
4.根据权利要求2所述的方法，其特征在于，对所述区间观测器进行灵敏度设计，包括：
其中P2>0，ef为d(t)＝0时系统误差；若存在参数矩阵g>0，松弛矩阵W>0，使得矩阵满足以下不等式：
其中，P2为第二对称矩阵；W为松弛矩阵。
5.根据权利要求1所述的方法，其特征在于，所述通过线性矩阵不等式对所述增益矩阵进行优化，包括：
在LMI中给出了
A-LC的Metzler条件：
P1(A-LC)≥0
P2(A-LC)≥0
其中，P1为第一对称矩阵；P2为第二对称矩阵；A、C分别为系统的矩阵系数；L为增益矩阵。
6.根据权利要求1所述的方法，其特征在于，所述增益矩阵的最优值为：
min(ε1β+ε2γ)
其中，ε1>0和ε2>0为松弛因子。
7.根据权利要求1所述的方法，其特征在于，所述根据所述增益矩阵的最优值判断匝间短路的故障结果，包括：
若残差的上界大于0，残差的下界小于0，则状态信号在所述区间观测器的上界和下界之间，无故障发生；
若残差的上界小于0和/或残差的下界大于0，则状态信号不在所述区间观测器的上界和下界之间，存在匝间短路的故障。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210934136.4A CN115291104A (zh) | 2022-08-04 | 2022-08-04 | 一种燃机发电机转子匝间短路故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210934136.4A CN115291104A (zh) | 2022-08-04 | 2022-08-04 | 一种燃机发电机转子匝间短路故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115291104A true CN115291104A (zh) | 2022-11-04 |
Family
ID=83825302
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210934136.4A Pending CN115291104A (zh) | 2022-08-04 | 2022-08-04 | 一种燃机发电机转子匝间短路故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115291104A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117192443A (zh) * | 2023-11-03 | 2023-12-08 | 常州同惠电子股份有限公司 | 一种用于匝间测试仪的测试方法及测试系统 |
-
2022
- 2022-08-04 CN CN202210934136.4A patent/CN115291104A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117192443A (zh) * | 2023-11-03 | 2023-12-08 | 常州同惠电子股份有限公司 | 一种用于匝间测试仪的测试方法及测试系统 |
| CN117192443B (zh) * | 2023-11-03 | 2024-02-09 | 常州同惠电子股份有限公司 | 一种用于匝间测试仪的测试方法及测试系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Surya et al. | A simplified frequency-domain detection of stator turn fault in squirrel-cage induction motors using an observer coil technique | |
| Wang et al. | A combined ANN and expert system tool for transformer fault diagnosis | |
| CN103926506B (zh) | 基于构建函数的汽轮发电机转子绕组短路故障诊断方法 | |
| Li et al. | DGA interpretation scheme derived from case study | |
| CN101101319A (zh) | 发电机转子绕组匝间短路状态的检测装置 | |
| CN115291104A (zh) | 一种燃机发电机转子匝间短路故障诊断方法 | |
| Hong et al. | Compound fault diagnosis of rotating machinery based on adaptive maximum correlated kurtosis deconvolution and customized multiwavelet transform | |
| Rahnama et al. | Machine‐learning approach for fault detection in brushless synchronous generator using vibration signals | |
| Bhattacharya et al. | Recent trend in condition monitoring for equipment fault diagnosis | |
| Azgomi et al. | Experimental validation on stator fault detection via fuzzy logic | |
| Ma et al. | Fault diagnosis method based on multi‐source information fusion for weak interturn short circuit in synchronous condensers | |
| Lindahl et al. | Noncontact electrical system monitoring on a US Coast Guard cutter | |
| Soualhi et al. | Electrical Systems 2: From Diagnosis to Prognosis | |
| Sharp | Prognostic approaches using transient monitoring methods | |
| Nazemi et al. | Stator and rotor turn‐to‐turn fault detection in wound rotor induction machines based on the air‐gap magnetic field distortion | |
| Emadaleslami et al. | Reliability analysis on winding configurations of variable reluctance resolver under faulty conditions | |
| Lindahl et al. | Noncontact sensors and nonintrusive load monitoring (NILM) aboard the USCGC spencer | |
| Chang et al. | Fuzzy theory-based partial discharge technique for operating state diagnosis of high-voltage motor | |
| CN111366235A (zh) | 一种高压并联电抗器振动信号检测方法 | |
| Refaat et al. | Smart grid condition assessment: concepts, benefits, and developments | |
| Boonseng et al. | Noise and vibration analysis of dry-type power transformer for monitoring and data mining applications | |
| Lu et al. | Operation Risk Assessment of Hydroelectric Energy Storage Based on Data Visualization and Convolutional Neural Network | |
| CN114487714A (zh) | 基于区间观测器的励磁系统转子绕组匝间短路故障诊断 | |
| Smith et al. | Reliability survey of 600 to 1800 kW diesel and gas-turbine generating units | |
| Singh | Condition Monitoring and Fault Diagnosis Techniques of Electric Machines |
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 |