發電機定子單相接地故障診斷模型研究與設計

湯聯生 許孝果 張美鋒 喬蘇朋 盧應強

(1.福建華電可門發電有限公司 2.國電南京自動化股份有限公司)

0 引言

發電機定子單相接地故障是發電機運行過程中經過長期絕緣磨損、劣化之后極容易發生的故障類型。在發電機繼電保護系統中通過設置基波零序電壓保護可以覆蓋機端85% ～95%的定子繞組, 通過設置三次諧波保護定值則可以對中性點側5% ～15%的定子繞組區域進行保護, 通過兩者相結合則可以有效保護發電機定子繞組接地情況。但是, 值得注意的是在發電廠變壓器低壓側和主變高壓側發生接地故障時, 經過變壓器繞組耦合可能會引起發電機零序電壓的保護誤動作, 從這方面看保護具有一定的局限性。建立發電機定子單相接地故障診斷模型需要綜合利用多個特征量綜合判斷定子接地情況,對比單一數據來源判斷具有更高的可靠性。

1 設計概要

發生定子繞組接地故障對發電機的主要危害: 1.接地電流所產生的電弧會燒傷鐵芯等發電機組件, 進而可能使定子繞組鐵芯疊片燒結。2.大的接地電流會進一步燒毀繞組絕緣, 擴大事故面積。

正常運行中對于發電機機端三次諧波電壓和發電機中性點三次諧波電壓的比值為u2≤1.0。當發電機定子發生單相接地時u2會有增大情況。

當發電機正常運行情況, 發電機機端三次諧波電壓和中性點三次諧波電壓之間的相位差為u3∈[0°,1.5°],u3變化范圍較小。定子單相接地時,u3增大。

系統分為輸入模塊、時間序列模塊、識別故障模塊、輸出模塊, 他們的關系如圖1 所示, 以下將對各個部分分別進行詳細設計。

圖1 模塊關系

在數據交互方面, 由于JSON 所使用的字符量比XML 少很多, 輸入模塊使用的技術框架為Flask 框架, 有很好的擴展性, 較其他同類型框架更為靈活、輕便、安全且容易上手。A 相電流波峰與電壓波峰的采樣點差值絕對值u5、B 相電流波峰與電壓波峰的采樣點差值絕對值u6、C 相電流波峰與電壓波峰的采樣點差值絕對值u7后, 將JSON 數據結構的key 值抽取出來, 即u1、u2、u3、u4、u5、u6、u7, 分別對應行號0, 1, 2, 3, 4, 5, 6, 將長度為length 的key 對應的value 值抽取出來, 將新生成的數組以函數調用的方式傳入時間序列模塊。

時間序列模塊被封裝為python 函數, 時間序列模塊的輸入為n*length 的數組, 此模塊將循環處理每一行數據, 將空缺值補齊, 同時將數組轉化為字典的形式, 字典的key 也為u1、u2、u3、u4、u5、u6、u7, 但是每個key 對應的value 為列表形式, 同時, 列表長度也被設置為識別故障模塊需要的時間序列長度TimeSeriesLength,此列表數據為輸入的最新數據, 即從數組的每一行從后向前截取TimeSeriesLength 長度的數據并轉化為列表的形式以存儲在字典中對應的key 值中, 循環結束后, 將返回一個時間序列字典給識別故障模塊。

識別故障模塊包括兩種算法, 解析法識別算法和人工智能識別算法。這兩種算法都被封裝為python 函數的形式, 通過調用函數的形式使用這兩種算法。識別故障模塊接收到時間序列字典后, 首先通過滑動窗口獲取數據, 此過程第一步需要確定滑動窗口大小slide, 然后以第1 ～slide 個數據為第一個滑動窗口數據, 并以步長1 向后滑動, 得到N-slide +1 個滑動窗口數據, 在訓練人工智能算法時可將所有滑動窗口數據輸入以訓練模型, 訓練完成的模型的參數與權重將被保存到對應的pth 文件中, 在應用人工智能算法識別故障時, 只需要重新加載預訓練好的模型并將最新的時間滑動窗口數據輸入人工智能算法模型, 便可以實現故障識別。下面首先對人工智能識別算法使用的GRU 模型的設計與使用進行詳細說明。

使用GRU 模型的原因如下, 算法識別率容易提升。當訓練樣本數量增加時, 算法識別率的增速仍然較大;GRU 網絡非常靈活, 其結構容易調節。少量訓練樣本可以使用少量層數的深度學習網絡; 大量訓練樣本可以使用大量層數的深度學習網絡; 深度學習網絡可以通過調節激活函數等方法來加快大樣本的訓練速度。

為使用GRU 網絡, 需要進行數據處理, 要求數據輸入是序列數據, 格式要求是(batch, time_ step,input_ size), 使用Pytorch 的nn.Module, 在初始化函數中, 可以具體定義, 在訓練過程中, 根據模型的訓練效果靈活調整模型參數。

模型搭建完成后, 便可以定義損失函數, 其通過計算每個預測值與對應真實值之間的差值的平方, 再求這些差值的平均值以得到模型的識別精度。

完成優化器的定義之后, 便可以進行模型的訓練。在模型訓練過程中, 可依據模型的訓練效果動態調整迭代次數, 在訓練過程中, 模型采用反向傳播算法來學習網絡, 反向傳播算法的學習過程由正向傳播過程和反向傳播過程組成。依據的原理是導數的鏈式求導法則, 所以需要求損失函數對各參數的偏導, 在算出了對各參數的偏導之后, 就可以更新參數, 依次迭代直到損失收斂, 即小于某一個閾值。對損失函數值的計算由上文定義的損失函數進行, 在損失函數計算完成之后, 需要通過Pytorch 的zero_ grad () 函數進行梯度清零, 再通過backward () 函數完成反向傳播過程, 最終通過step () 函數完成參數的更新。在每一次迭代中, 都需要重復進行損失函數的計算, 反向傳播與參數更新, 同時在訓練過程中, 可以觀察損失函數的變化, 或采用early stopping 策略, 防止模型過擬合的發生, 使GRU 模型獲得更好的泛化能力。

GRU 模式識別和GRU 模式預測都使用GRU 網絡, 二者的區別在于訓練樣本不同。GRU 識別故障的訓練樣本是故障發生時的樣本; 而GRU 預測故障的訓練樣本是故障發生前的樣本。在模型訓練完成后, 便可將模型參數與權重保存在相應的pth 文件中, 在應用此模型時, 便不再需要重新訓練模型。

解析法識別算法主要用于識別故障位置, 此模塊首先提取采樣周期u4和故障波形數據u5、u6、u7, 然后計算u5、u6、u7中的最大值v, 該最大值對應相的下相就是故障相, 其次計算偏移角θ=360 ×v/u4以及計算m=n·θ/360。n為每分支匝數。m就是故障點相對中性點的匝數位置。識別故障模塊最后將識別到的故障原因, 狀態以及故障位置包裝為字典形式, 并以此為參數調用輸出模塊。

輸出模塊的主要作用是將故障狀態封裝成JSON結構輸出給客戶端, 客戶端與服務端的通信協議使用http 協議。服務端設置監聽IP 地址和端口?？蛻舳送ㄟ^IP 地址和端口訪問服務端。一級界面如圖2 所示。

圖2 一級界面

二級界面如圖3 所示。

圖3 二級界面

2 總體描述

協議內容主要包括輸入和輸出兩類。

客戶端輸入: A 相電流波峰與電壓波峰的采樣點差值絕對值u5、B 相電流波峰與電壓波峰的采樣點差值絕對值u6、C 相電流波峰與電壓波峰的采樣點差值絕對值u7。

u1、u2、u3是浮點數。u4的單位是采樣點數, 是整型數。u5、u6、u7是浮點數。

服務端輸出: JSON 結構封裝的1 個故障原因s1、1 個狀態s2、1 個故障位置s3。

故障原因s1是整型數, 其數值與含義如表1 所示。

表1 故障原因的數值與含義

狀態s2是整型數, 其數值及含義如表2 所示。

表2 故障原因的數值與含義

故障位置s3是故障點相對中性點的匝數位置, 其值為整型數。

3 軟件功能

“輸入模塊”接收客戶端輸入, 輸出解析JSON結構后的數組給“時間序列模塊”?！皶r間序列模塊”將輸入數組轉換成時間序列, 再輸出給“識別故障模塊”?！白R別故障模塊”輸出故障原因、狀態、故障位置給“輸出模塊”?！拜敵瞿K”將故障狀態封裝成JSON 結構輸出給客戶端。

4 運行過程

“識別故障模塊”的識別流程圖如圖4 所示:

圖4 識別故障流程圖

“識別故障模塊”的識別方法分為2 類: 解析法識別、人工智能識別。解析法識別使用決策樹來識別故障原因和狀態。解析法識別特點如下, 優點: 算法簡單高效, 所需樣本少, 缺點: 算法識別率不高。

5 結束語

隨著科技和生產的發展, 人們對智能運行、機器自動化診斷要求越來越高。電力系統的發展使得機器自動判斷應用成為迫切需求。