本发明涉及异步化超高压同步发电机技术领域，尤其涉及一种异步化超高压同步发电机失磁故障诊断方法。
背景技术：
异步化超高压同步发电机是一种结合了异步化同步发电机和超高压发电机的新型发电机，其同时具有异步化同步发电机和超高压发电机的优点，是一种可以直接并网的新型高压发电机，异步化超高压同步发电机与传统发电机相比有如下优点：有功功率、无功功率及转速可独立调节，可实现变速恒频发电，可实现深度进相运行。
发电机突然部分或全部失磁是发电机励磁回路常见的故障之一，发电机励磁绕组短路或者断路均会导致失磁故障，失磁故障会导致电机局部过热、系统元件过电流，甚至会使电力系统发生崩溃现象，严重威胁大型发电机组的安全稳定运行。如果采用有效的失磁故障诊断技术，准确判断出失磁故障即可保证发电系统安全稳定运行，所以，对异步化超高压同步发电机失磁故障诊断的研究是极为必要的，一种异步化超高压同步发电机失磁检测系统[CN206627603U]利用主辅助判据相结合的方式检测失磁故障，但无法判断出导致失磁的故障类型。目前，国内还没有对于异步化超高压同步发电机失磁故障类型诊断方法的相关研究。
技术实现要素：
为了克服上述现有对于异步化超高压同步发电机失磁故障类型诊断方法的缺失，本发明提供了一种异步化超高压同步发电机失磁故障诊断方法。
一种异步化超高压同步发电机失磁故障诊断方法，包括以下步骤：
步骤(1)，采集异步化超高压同步发电机的转子电压信号，定子电压信号和定子电流信号；
步骤(2)，进行小波包分析，得到转子电压信号，定子电压信号和定子电流信号的各子频带的能量值特征向量；
步骤(3)，构建神经网络W1，神经网络W2和神经网络W3；将小波包分析提取的转子电压信号的能量值特征向量作为神经网络W1的输入向量，进行训练并输出故障状态G1；将小波包分析提取的定子电压信号的能量值特征向量作为神经网络W2的输入向量，进行训练并输出故障状态G2；将小波包分析提取的定子电流信号的能量值特征向量作为神经网络W3的输入向量，进行训练并输出故障状态G3；
步骤(4)，构建逻辑运算单元，将故障状态G1，故障状态G2和故障状态G3作为逻辑运算单元的输入，逻辑运算单元输出故障状态G。
所述小波包分析包含对转子电压信号，定子电压信号和定子电流信号进行去噪，分解，重构和提取小波包能量值。
所述小波包分析法使用的是db4小波函数信号并进行三层小波包分解，得到第三层各子频带小波包能量值。
将所述的小波包能量值组成能量值特征向量T＝{E0，E1，E2，E3，E4，E5，E6，E7}，用于神经网络的输入。
所述的神经网络W1，神经网络W2和神经网络W3均采用3层BP神经网络，包含输入层，隐含层和输出层，输入层的神经元节点数为8，输出层的神经元节点数为3，隐含层神经元节点数满足：其中h为隐含层神经元节点数，n为输入层神经元节点数，m为输出层神经元节点数，a为调节常数，a的取值范围为1到10之间。
所述神经网络W1,神经网络W2,神经网络W3均采用Levenberg-Marquardt算法，隐含层神经元选择S型正切函数为激活函数，输出层神经元选择S型对数函数为激活函数。
本发明的有益效果：
(1)应用小波包分析采样信号，小波包分析方法克服了传统的基于傅里叶变换的信号分析方法难以对故障信号中的微弱信号和奇异信号成分进行特征提取的缺点，进一步利用神经网络的学习训练功能进行状态识别，使诊断结果更加准确、可靠；
(2)对转子电压信号、定子电压信号和定子电流信号分别进行采集，并加入逻辑运算单元，使诊断结果的准确性和可靠性进一步提高；
(3)可以对发电机励磁绕组短路失磁故障、发电机励磁绕组断路失磁故障及定子端三相短路故障三种故障状态进行诊断，可以准确判断出失磁故障类型，并且有效地排除了在判断失磁故障时定子端三相短路故障的干扰；
(4)本发明的BP神经网络采用L-M算法对网络进行训练，克服了标准的BP算法收敛速度慢，易陷入局部极小的问题。
附图说明
图1为本发明故障诊断过程图；
图2为本发明的三层小波包分解过程示意图；
图3为本发明的逻辑运算单元的逻辑框图。
图中：L1，L2，L3，L4，L5，L6-逻辑与门，L7-逻辑或门。
具体实施方式
在下文中将结合附图对本发明的示范性实施例进行描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明实施例，而非对本发明实施例的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明实施例相关的部分而非全部结构，且附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸。
如图1所示，一种异步化超高压同步发电机失磁故障诊断方法，包括以下步骤：
步骤S1，采集异步化超高压同步发电机的转子电压信号，定子电压信号和定子电流信号。采集到的信号中包括：发电机正常运行时的信号，发电机励磁绕组短路时的信号，发电机励磁绕组断路时的信号，发电机定子端三相短路时的信号。
步骤S2，对采集到的信号进行小波包分析，所述小波包分析法使用的是db4小波函数信号并进行三层小波包分解，即消失矩N＝4，得到8个不同频带内的信号，进一步地，如图2为三层小波包分解过程示意图，其中，A表示低频，D表示高频，末尾的序号表示小波包分解的层数。其分解关系为：S＝AAA3+DAA3+ADA3+DDA3+AAD3+DAD3+ADD3+DDD3。S则为总的重构信号，从分解关系中可以看出，小波包对信号的高频部分分解得更细致，能充分利用提取的信号；将所述小波包分解得到的各子频带的分解系数逐层进行重构，提取各频带范围内的信号并求出各子频带小波包能量值，并组成能量值特征向量T＝{E0，E1，E2，E3，E4，E5，E6，E7}，在利用matlab软件仿真计算中，由于能量值往往很大，一般可以采用对其进行归一化处理。
步骤S3，构建神经网络W1，神经网络W2和神经网络W3；所述的神经网络W1，神经网络W2和神经网络W3均采用3层BP神经网络，包含输入层，隐含层和输出层，输入层的神经元节点数为8，即通过小波包分析得到的能量值特征向量，输出层的神经元节点数为3，为故障状态，其中正常运行状态为(1，1，1)，励磁绕组短路导致的失磁故障为(0，0，1)，励磁绕组断路导致的失磁故障为(0，1，0)，定子端三相短路为(1，0，0)；隐含层神经元节点数满足公式：其中h为隐含层神经元节点数，n为输入层神经元节点数，n取值为8，m为输出层神经元节点数，m取值为3，a为调节常数，a的取值范围为1到10之间。因此本发明神经网络的隐含层神经元节点数取值范围在5至14之间，本实施例取14。
将转子电压的能量值特征向量作为神经网络W1的输入向量，与之对应的故障状态作为期望输出，进行训练；将定子电压能量值特征向量作为神经网络W2的输入向量，与之对应的故障状态作为期望输出，进行训练；将定子电流能量值特征向量作为神经网络W3的输入向量，与之对应的故障状态作为期望输出，进行训练；具体来说，将采集到的是励磁绕组短路时的转子电压信号进行小波包分析，将经小波包分析之后的转子电压能量值特征向量作为神经网络W1输入向量，将励磁绕组短路的故障状态(0，0，1)作为期望输出，对神经网络W1进行训练。将采集到的是励磁绕组断路时的转子电压信号进行小波包分析，将经小波包分析之后的转子电压能量值特征向量作为神经网络W1输入向量，将励磁绕组短路的故障状态(0，1，0)作为期望输出，对神经网络W1进行训练。对于神经网络W1的其他故障的训练方法与上述方法一致，对于神经网络W2和神经网络W3的训练同理可知。训练完毕后，神经网络W1即可对转子电压的能量值特征向量进行分析，得出故障状态G1。同理，神经网络W2输出故障状态G2,神经网络W3输出故障状态G3。
所述神经网络W1,神经网络W2和神经网络W3均采用Levenberg-Marquardt算法,简称L-M算法，L-M算法实际上是梯度下降法和牛顿法的结合，可以提高学习效率，隐含层神经元选择S型正切函数为激活函数，输出层神经元选择S型对数函数为激活函数。最大训练次数为1000，目标误差为0.001，学习速率为0.1。
步骤S4，将故障状态信号G1，故障状态信号G2和故障状态信号G3作为逻辑运算单元的输入，运算单元输出故障状态信号G。逻辑运算单元的结构如图3所示，逻辑运算单元由与门L1，L2，L3，L4，L5，L6和或门L7组成，进一步讲，信号G1与信号G2通过与门L1，若信号G1与信号G2相同，则与门L1输出1，若信号G1与信号G2不同，则L1输出0，L1的输出与信号G1通过与门L4，这意味着，当信号L1为0时，L4的输出也为0，当L1为1时，L4的输出即为信号G1，与门L4，L5和L6的输出一同作为或门L7的输入，三个独立的分析结果，经过逻辑运算单元，如果其中有两个故障状态一致，则故障状态G输出该故障状态，如果三个故障信号互不相同，则故障状态输出为0，这说明算法不理想，或者该故障不在故障诊断的范围内，可以将三个故障信号全部输出，提供给技术人员进行分析。
选择四组不同状态的数据对系统进行测试，第一组为发电机正常运行时的数据，第二组为定子端三相短路时的数据，第三组为励磁绕组短路时的数据，第四组为励磁绕组短路时的数据。
将求出的故障状态输入到逻辑运算单元，最终得到故障状态，如表1所示：
表1
最后说明的是，尽管根据有限数量的实施例描述本发明，但是受益于上面的描述，本技术领域内的技术人员应当理解，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和宗旨的情况下，对于本技术领域的普通技术人员来说，许多修改和变更是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。