基于人工神經網絡的虛擬同步機故障診斷?

（國網冀北電力有限公司技能培訓中心 保定 071000）

1 引言

中國電力研究院統計資料表明，轉子繞組匝間短路是虛擬同步發電機中最常見的電氣故障［1］。由于微小的匝間短路不會影響虛擬同步發電機組的正常運行，因此在實際操作中經常被忽略，如果出現這種故障，將會導致轉子電流增大［2］，繞組溫度升高［3］，無功功率降低［4］，電壓失真［5］，發電機組振動［6］等諸多機械故障。因此，可以根據故障的早期信號識別來評估故障嚴重程度的早期征兆及其發展趨勢。

目前，國內外已有許多學者研究了虛擬同步發電機轉子繞組匝間短路問題。文獻［7］提出了差分搜索線圈測試方法，在負載和三相短路的情況下診斷效果良好，但在負載情況下難以一次定位且對小匝間短路不敏感。文獻［8］提出基于定子等高線環流的檢測匝間短路方法，但這種方法依賴于定子繞組的結構，轉子繞組匝間短路在線診斷技術的行波法尚不成熟，并且實驗中采用交流阻抗法和損耗法，但在監測虛擬同步發電機轉子繞組匝間短路時，由于槽楔等因素的影響，該方法不能給出準確的結論且很難實現。

本文主要研究虛擬同步發電機轉子繞組匝間短路的故障機理和MMF（磁動勢）。當母線端部電壓處于恒定狀態時，分析了有功功率、無功功率和勵磁電流之間的關系。在電氣工程中找到了一種不需要進行破壞性實驗的分析方法，而且能夠準確地得到錯誤樣本，并利用人工神經網絡對虛擬同步發電機轉子繞組匝間短路進行故障診斷。

2 轉子繞組匝間短路的原因

轉子繞組匝間短路的原因主要包括制造因素和運行因素［9］。例如，轉子端部繞組的安裝不牢固，間隔塊松動，引線焊接點的修剪不良，轉子保護環內部有剩余金屬介質，離心力等動態力引起的高速旋轉的轉子繞組位移變形，轉子繞組的堵塞導致局部過熱，從而使匝間絕緣燒毀。

當發電機正在運行或從靜態轉換到動態時，由于匝間絕緣的磨損或由轉子間匝間的相對運動引起的相對錯位，導致匝間可以相互接觸，當這種故障發展到一定程度時，就會發生匝間短路電路［10］。由于這種情況的出現，發電機的有效磁場將減小，發電機的無功功率受到影響。最終導致磁路的不平衡并引起振動，然后將產生“單極電位”和“單極電流”來嚴重地對發電機軸進行磁化［11］。此外，故障點局部過熱可以擴展到轉子繞組的接地故障。

3 基于MMF的虛擬同步發電機轉子繞組匝間短路電磁特性分析

3.1 轉子繞組匝間短路的MMF分析

如圖1所示，當發電機單元正常運行時，MMF的空間分布呈梯形狀，忽略了由溝槽引起的微小間隙MMF。在轉子繞組短路時，MMF會部分損失。如圖2所示，MMF損耗導致短路磁極的部分損耗，從而短路磁極的平均值和最大值將減小。因此，匝間短路中MMF的空間分布是退磁時的空間分布。因此，短路的等效效應可以看作是在短路主MMF上加上相反方向的MMF。

在正常狀態下，轉子繞組的MMF由F0表示，短路匝數引起的MMF由ΔF表示，在短路后，轉子MMF 的小于前者的值?？紤]飽和的非凸極發電機的MMF-EMF矢量，如圖3所示。

圖1 正常運行時轉子繞組MMF的空間分布

圖2 發生短路時轉子繞組MMF的空間分布

圖3 考慮飽和的發電機的磁電勢矢量

通過激勵減少的MMF波，可得：

其中，Ff=wfIf，wf是轉子繞組的匝數；If是勵磁電流；則相位角為

在時空矢量圖中與I相同，w1是定子繞組的相序號，kw是定子繞組的系數。

假設端部電壓U、有功輸出P和無功輸出Q為不變量，則定子電流I和功率因數角φ不變，而xσ與飽和度無關，則

3.2 勵磁電流對轉子繞組匝間短路的影響

U，P，Q和If之間的關系可以反映轉子繞組的狀態。用數學方程計算發電機正常運行時勵磁電流if0，并與測得的勵磁電流ifc進行比較，確定轉子繞組匝間短路，計算相對偏差用來估計故障的嚴重程度：

4 發電機轉子繞組匝間短路故障的神經網絡診斷方法

傳統的虛擬同步發電機故障診斷是根據發電機有功功率P，無功功率Q，發電機端部電壓U，電流I，勵磁電壓等發電機參數，采用公式計算得到勵磁電流If0，然后將實際電流與If0的測量值進行比較以診斷發電機的轉子繞組匝間短路故障［12］。這種方法需要考慮磁場飽和的影響，同時需要借助準確的數學模型和發電機的參數。發電機的參數隨運行方式和運行條件的變化也會發生變化，且在線識別的準確性不是很高，因此存在一定的誤差。

人工神經網絡（ANN）不需要準確的數學模型和發電機的詳細參數，同時對發電機的運行也沒有干擾。只需要精確測量發電機端部參數，并且依靠大量的訓練樣本。通過充分的網絡訓練，可以直接以不同運行方式對故障進行診斷。因此，本文的方法不僅可以診斷故障，還可以判斷短路的嚴重程度。

通常發電機的端部電壓U為額定電壓，可以認為是恒定的。根據對發電機磁場的分析，某些P和Q對應于某個Ff，即某個wfIf。所以P，Q和If的關系可以反映匝間短路故障，用發電機參數P，Q和If作為ANN輸入，匝間短路的圓圈占全部輸出總數的比例α%作為ANN輸出。

用ANN進行故障診斷的關鍵是獲取訓練樣本。在發電機P-Q圖中，正常樣本的選取可以正常運行，但在實際發電站中，為了保證樣本的“遍歷性”，本文在正常運行條件下長時間檢測發電機參數。

為了計算發電機故障的嚴重程度和短路匝數，需要對發電機的故障樣本數進行采樣。在正常運行條件下容易獲得發電機樣本，但較難獲得發電機故障樣本。傳統方法是在動態仿真實驗室進行破壞性試驗［13］，人為地使發電機轉子繞組匝間短路，但這種方法不能直接應用在實際工程中。

本文采用平衡MMF的方法得到發電機轉子繞組匝間短路故障樣本，假設發電機在額定工況下發生匝間短路故障，短路前后P，Q和U均為常數。通過分析磁場，得到磁場的wfIf將保持不變，假設短路匝數占轉子總繞組匝數的比例為α%，則故障后磁場電流為

其中，IfN是勵磁電流的額定值。改變短路回路的數量可以將得到一系列故障樣本，并且在不同的操作條件下采集故障樣本。

本文采用主動函數為S型函數的BP神經網絡［14］，BP網絡采用3層結構。如圖4所示，輸入層有三個節點，隱藏層有四個節點，輸出層有一個節點。發電機參數包含有功功率，無功功率和勵磁電流。

圖4 ANN的示意圖

5 實驗分析

為了驗證本文方法的有效性，采用文獻［9］中的發電機參數，見表1。

表1 同步機參數

然后取其正常運行樣本。表2中給出了額定工況條件下的故障樣本。在表2中，α%是短路匝數占轉子總匝數的百分比。通過進行網絡培訓，然后進行故障診斷。

表2 神經訓練中的診斷模式

通過觀察表2可得，在保持有功功率和無功功率恒定的條件下，隨著勵磁電流的增大，模擬的短路短路匝數占轉子匝數百分比在不斷增加。因此，減小勵磁電流可以直接減少虛擬同步發電機的故障。

在具體的實驗過程中，用電流互感器（CT）和電位互感器（PT）測量定子繞組的電流I和端部電壓U，用電流互感器測量勵磁電流If。發電機容量和電壓水平決定了CT和PT作為測量系統的參數。

本文選用瑞士LEM公司生產的霍爾電流變流器測量轉子繞組中的電流If。參數I和U用于計算有功功率P和無功功率Q。

故障樣本見表3，從表3中可以看出，α%（實際值）是動態模擬實驗中短路匝數占轉子繞組匝數總數的百分比。α%（仿真）是計算機模擬中短路匝數占轉子繞組匝數總數的百分比。

表3 神經網絡輸出與實際輸出的比較

通過表3的對比實驗，證明了該方法適用于各種負載。通過測量所有運行狀態下正常發電機的I和U，計算得到相應的P和Q。因此，ANN的訓練僅需要P，Q和If來獲得所有運行狀態下參數（P，Q和If）之間的關系。

6 結語

本文將人工神經網絡應用于虛擬同步發電機故障診斷中，分析了發電機轉子繞組匝間短路故障，并根據發電機組的運行過程中的有功功率，無功功率，端部電壓和勵磁電流，直接通過計算獲得故障樣本，可以直接得到故障信息的嚴重程度。該方法可以避免仿真過程中的損壞性實驗，便于在工程中應用。這種方法的缺點是不能定位故障位置，在診斷和確認故障存在之后，如果采用用行波法等其他方法來輔助，則可以進行故障定位。