基于重复脉冲法的汽轮发电机转子绕组匝间短路探测

2010-04-17范天明

科技传播 2010年11期

关键词：匝间人工神经网络绕组

范天明，曹强

嘉峪关宏晟电热有限责任公司，甘肃嘉峪关 735100

0 引言

我国电力工业正处于大电网与大机组的发展阶段。随着单机容量的不断增大，机组运行可靠性显得尤为重要，因此，研究发电机在线监测与诊断十分必要。

大型汽轮发电机的转子绕组经常会由于加工工艺不良和运行中各类机电作用的影响造成匝与匝之间的接触，导致匝间短路故障的发生。转子匝间短路故障是发电机运行中比较常见的故障，也是影响安全运行的主要原因之一。

本文针对酒钢电厂3#发电机的现场实际情况，设计并在3#发电机上进行了转子绕组匝间短路的重复脉冲试验，建立了人工神经网络模型，主要进行了以下几个方面的分析研究：

1）对采用的试验方法—重复脉冲法（RSO）的原理进行了较深入的分析，根据酒钢电厂3#发电机现场的实际情况进行了RSO试验。

2）在试验所得波形的基础上，分析并验证了RSO试验原理的正确性。

3）在试验所得数据基础上，利用MATLAB软件初步建立了一个转子匝间短路的人工神经网络（ANN）模型。

1 重复脉冲试验(RSO)

RSO重复脉冲法可用于转子匝间短路的早期发现及短路的故障定位。其试验基本过程是采用双脉冲信号发生器对发电机转子两极同时施加一个前沿陡峭的冲击脉冲波，用双线录波器录得两组响应特性曲线。将这两组响应特性曲线比较，只有当两响应曲线相同时，其差值才为一条直线，表明匝间无短路现象存在。否则，将说明匝间存在异常或短路。经过对响应曲线的计算分析或将检测结果直接与发电机出厂时厂家提供的标准波形进行比较，可判断转子绕组匝间是否存在短路以及短路点的位置。

1.1 RSO试验原理

RSO试验应用的是波过程理论（行波技术），当信号发生器发出的低压冲击脉冲波沿绕组传播到阻抗突变点的时候会导致反射波和折射波的出现，因此会在监测点测得与正常回路无阻抗突变时不同的响应特性曲线。匝间短路的程度通过故障点处的波阻抗变化大小来反映，显示在波形图上可以用2个响应特性曲线合成的平展程度来判定，有突出的地方说明匝间存在异常，并且突出的波幅大小就表明短路故障的严重程度。因此，即使绕组出现一匝短路故障，应用RSO技术对故障识别也有很高的灵敏度。

绕组可近似看作一简单的传输线，冲击波在其上的传播主要是由绕组导体在槽中的几何形状和绝缘特性决定的，绕组的耦合作用将使冲击波发生散射，但对于实心转子来说，这种散射作用影响是不大的。当冲击波加到转子滑环的一端时，冲击波的幅度由冲击波发生器内阻和绕组波阻抗所决定。冲击波从绕组的一端滑环传到另一端的时间由绕组的长度和波在绕组中的传播速度来决定。如果绕组的另一端是开路的，则反射系数K=1；如果是短路，则K=-1。反射波再返回到冲击波发生器处时若发生器的内阻抗与波阻抗相等（在电源端K=0），则冲击波被吸收，不再发生反射。由于匝间短路点的位置和程度不同，行波发生反射、折射的时刻及程度也不相同，故所测得的响应波形信号中必然包含了匝间短路故障的信息。

1.2 实验室试验

本次实验室的试验，是在华北电力大学电机教研室SDF-9型故障模拟试验机组上完成的，该机组是一台直流电动机——三相同步发电机组，它可以模拟多种情况下的转子绕组匝间短路。从试验结果可知：对于处于不同磁极的匝间短路，其特征波形在走势上恰好相反；匝间短路程度越严重，其特征波形与横轴所围的面积越大。当匝间无短路情况时其特征波形基本上是一条与横轴平行的直线。

1.3 现场试验

1.3.1 现场试验设备简介

现场试验是在酒钢电厂二期工程300MW机组上进行，机组的主要参数如表1：

表1 发电机组基本参数

信号发生器为：HP33120A 型函数/任意波形发生器；

示波器为：Tektronix TPS2014隔离通道数字示波器。

1.3.2 现场试验

现场试验的接线图和实验室的相同，根据现场情况进行调节。根据现场调节过程中几种不同情况下所得波形都为正常情况下波形。

1.3.3 试验分析

几种情况下其特征波形图（略）都基本上是一条与横轴平行的直线，这与从理论上所推导出的结论以及实验室试验所得结论是吻合的，从而说明此理论可以应用于现场实际。试验中所采集信号为机组正常情况下的特征信号，可以作为基准值，在机组运行过程中，按照试验中的方法采集特征信号，并将运行中的信号与正常情况下的基准值相比较，如果不吻合，则说明有匝间短路存在。但是这种直观的方法不能很好的确定匝间短路的位置及程度，因此，需要建立人工神经网络对故障进行较准确的分析和定位。

2 用人工神经网络对试验数据做进一步分析的探讨

2.1 基于人工神经网络的转子匝间短路判定法

人工神经网络(Artificial Neural Network，简称ANN)是由大量简单的神经元按某种方式连接形成的智能仿生动态网络。它是在不停顿地向生物神经网络（Biological Neural Network，简称BNN）的学习中开始自己的学科研究的。

数学模型是某些事物或现象的一种“类似” ，一个精确的数学模型，应该比较准确的反映出真实系统的输入、输出和状态之间的定量关系。

数学模型常见的有两类：基本模型和黑箱模型。基本模型是以现实系统的基本物理、化学定律等理论为基础而得到的一种模型，这种建模的方法往往因为现实系统的结构过于复杂，或其中存在着一些未知或不确定的参数和干扰等问题而使用价值较低。黑箱模型是对所研究现实系统一无所知的情况下，将现实系统视为“黑匣子”，而仅借助于输入和输出数据，透过数学技巧来解决系统的模式。

如果我们能够对发电机转子建立一个非常精确的数学模型，那么我们就有可能用行波理论对其匝间短路做出判断。但是，该模型是一个多输入多输出非线性模型，传统的基本模型不能够很好的解决这一问题。神经网络作为黑箱建模的一种工具就能够较好的解决这一问题。经过适当设计和训练的神经网络能够在输入和输出模式之间合成一个有效的非线性映射。这对于匝间短路检测和定位是非常关键的。

图1给出了利用神经网络进行匝间短路检测和定位的基本过程。由特征信号采集装置采集的训练数据用于神经网络训练。从特征信号中抽取的特征作为训练标准的人工多层前馈神经网络的输入。将短路的位置编码成若干输出神经元，输出神经元的数目由确定短路位置所需的分辨率决定。神经网络的输出神经元同隶属函数的数目相等。在实验期间，将神经网络输出进行解模糊，其中每一个隶属度函数根据对应的输出神经元加权。然后将加权的隶属度函数相加，所得和的质心（第一动量）就是短路位置。

图1 匝间短路测定过程框图

2.2 发电机转子匝间短路人工神经网络模型构建

构建的人工神经网络为BP(Back-Propagation Network)网络，由输入层，隐含层和输出层构成。其中输入层有10个输入神经元，隐含层有13个神经元，输出层有20个神经元，如图2所示。

图2 人工神经网络结构图

将RSO试验中所得到的特征波形每连续100个采样点分为一组，计算波形与横轴所围成的面积，将这10个面积值作为人工神经网络输入神经元的输入，如图3所示；将转子每极480匝绕组平均分成10份，两极960匝共分为20份，每一份的短路程度为输出神经元的输出，如图4所示。例如：在L1、L2间短接情况下，通过计算可得出其输入神经元输入为：[3.778817.365833.052237.398784.640026.461144.000033.05007.53529.1908]，输出神经元输出为：[0.30 00 00 00 00 00 00 00 00 00]。

用试验所得的输入、输出样本训练BP神经网络，最后将得到一个与该大型汽轮发电机转子匝间短路相对应的BP神经网络模型，以后在匝间短路探测过程中只需先进行RSO试验，然后提取特征波形，将特征波形与横轴所围得面积作为神经网络的输入，根据神经网络的输出就能够判断匝间短路的位置及程度。探测的精确度与试验设备精度、参与神经网络训练的样本数以及输出神经元的个数直接相关，而输入神经元和隐含神经元个数对精度也有一定影响。

图3 输入神经元输入数据来源示意图

图4 输出神经元输出数据涵义示意图

2.3 用MATLAB建立人工神经网络模型

神经网络工具箱是MATLAB众多工具箱之一，它以人工神经网络理论为基础，用MATLAB语言构造出典型神经网络的激活函数，使设计者对所选定网络输出的计算变成对激活函数的调用。另外，根据各种典型的修正网络权值的规则，加上网络的训练过程，用MATLAB语言编写出各种网络训练与设计的子程序，网络的设计者可以根据自己的需要去调集工具箱中有关神经网络的设计训练程序，使自己能够从繁琐的编程中解脱出来，集中精力去思考问题和解决问题，从而提高效率和解题质量（具体程序从略）。