一种调相机绝缘故障预测方法及系统与流程

本发明属于电机绝缘诊断技术领域，具体涉及一种调相机绝缘故障预测方法及系统。

背景技术：

随着直流输电规模的不断增大，电能质量问题更加突出，电网系统对无功功率的需求与日剧增。同步调相机作为专用的无功补偿源，其具有输出的无功功率可连续控制、灵活调节、精度高、无差调节等优点。

同步调相机是一种无机械负载、处于特殊工作条件下的同步电动机，通过改变其励磁电流的大小，可以控制它是从电力系统中吸收无功功率还是输出无功功率。在无需补偿的条件下，转子励磁绕组电流为额定空载励磁电流，此时机端电压与电网电压相同。又由于转子没有机械负载，所以此时定子电枢绕组中几乎没有电流，故调相机不发出无功功率。在系统电压偏低时，它过励磁运行，成为无功电源，可向系统提供无功功率，将系统电压调高；在系统电压偏高时，它欠励磁运行，成为无功负荷，从系统吸收无功功率，将系统电压调低。这样，同步调相机就向电网中注入了容性或感性的无功电流，也称为发出容性或感性的无功功率。

调相机一般装设于枢纽变电站。采用调相机进行无功补偿的优点是调整无功负荷十分方便，通过改变励磁电流的大小就可以平滑、连续地调节其无功出力；可双向调节，既能吸收无功功率又能发出无功功率；满载运行的调相机具有一定的过负荷能力，当因电力系统发生故障电压急剧降低，使稳定性受到威胁时，调相机可以过负荷运行一小段时间，使运行人员在这段时间内能够进行相应的处理，避免电压崩溃等严重事故的发生，对于保持电力系统稳定的作用比电容器要好。

目前，特高压换流站调相机的调试和运维水平还处于经验积累阶段。运行过程中发生各种故障在所难免。主绝缘系统是调相机最重要的部分之一。在长期的运行过程中，大型调相机主绝缘(定子绝缘)要遭受电、热和机械应力等联合作用，这将使其机械性能逐渐变差、介电性能逐渐变坏、电气强度降低，即老化，最终导致绝缘击穿。在电动机或发电机的故障中，大约41％是由主绝缘老化引起的，定子绕组的绝缘状况在很大程度上决定了调相机的运行可靠性。因此，在线监测调相机的绝缘系统，发现早期的绝缘缺陷，判断调相机的绝缘的老化程度，对潜在的故障隐患进行诊断、预警，有助于延长大型调相机的使用寿命，避免发生绝缘早期失效，将故障对人员和设备安全的威胁降至最低。

国内外有针对小型电动机的绝缘、噪声、振动、电磁场分布规律的研究，主要是为提高产品设计水平，而对大容量的调相机的绝缘、噪声、振动、电磁场分布规律的研究较少，对运行中调相机进行状态评价研究者更少，通过状态评价提出控制调相机运行方式措施者几乎没有。但是，调相机尺寸庞大，结构复杂，零部件众多，因此，对于大型旋转电机而言，并不能只通过某一个传感器采集的设备信息进行诊断分析，这样得到的诊断结论往往是片面的，很容易出现误判和漏判的情况。如果能够将监测绝缘电老化、热老化、机械老化与环境老化参数的多个传感器的测量信息综合考虑，对设备进行多传感器的信息融合诊断，那么才能得出更加全面和准确的诊断结论。亟需一个适调相机绝缘状态的诊断系统。

技术实现要素：

本发明要解决的技术问题：针对现有技术的上述问题，提供一种调相机绝缘故障预测方法及系统，本发明针对调相机绝缘检修困难的问题，能够综合调相机绝缘电老化、热老化、机械老化与环境老化参数对调相机的绝缘状态进行诊断分析，具有诊断结构准确全面的优点，能够针对调相机及时监测绝缘状态并预测故障，以便采取相应措施。

为了解决上述技术问题，本发明采用的技术方案为：

一种调相机绝缘故障预测方法，其特征在于，所述绝缘故障预测方法包括以下步骤：

步骤1：数据采集，采集被诊断调相机绝缘的电老化数据、热老化数据、机械老化数据与环境老化数据；

步骤2：对步骤1所采集的数据进行预处理，将所采集数据中的奇异点剔除；

步骤3：确定学习样本集，采集调相机历史运行中形成的电老化数据、热老化数据、机械老化数据与环境老化数据，按照步骤2的方式对数据进行预处理，将预处理后的历史运行中的电老化数据、热老化数据、机械老化数据与环境老化数据作为学习样本集，进行学习分类，并形成学习分类模型，该样本集中既包含调相机绝缘正常时的各项参数数据又包含调相机绝缘故障时的各项参数数据；

步骤4：确定小波神经网络结构参数：结构参数有学习速率、误差阈值、输入层节点数、隐含层节点数以及输出层节点数；

步骤5：构建小波神经网络模型：使用步骤4所得的结构参数和步骤3所得的训练样本集进行网络训练，获得训练后的小波神经网络模型；

步骤6：将步骤1实时采集的被诊断调相机绝缘的电老化数据、热老化数据、机械老化数据与环境老化数据，输入到步骤5经训练后得到的小波神经网络模型，最终输出调相机绝缘故障状态的预测结果。

本发明进一步包括以下优选方案。

在步骤1以及步骤3中所述的电老化数据包括安装于电机中性点接地线上的中性点耦合局部放电监测器的局部放电数据，安装于线圈的顶部、槽锲的下部的槽耦合器的局部放电数据，以及安装于调相机多个测点的局部放电监测器的局部放电数据。

在步骤1以及步骤3中所述的热老化数据包括调相机转子表面温度分布和转子温度数据，以及安装于调相机的定转子绕组周围的多个测点的温度数据。

在步骤1以及步骤3中所述的机械老化数据包括定子绕组端部振动监测器监测到的端部振动和位移数据和安装在调相机的转轴和机座周围多个测点检测得到的振动幅值、频率以及轴心轨迹的数据。

在步骤1以及步骤3中所述的环境老化数据包括监测调相机绝缘湿度和油污的相关数据。

在步骤2中，所述剔除信号数据奇异点是计算采集数据的标准偏差σ，再按照统计概率理论将偏差大于3σ的数据剔除。

在步骤3中，学习样本集的选取如下：

从被诊断调相机的历史设备信息库任意选择n个电老化数据、热老化数据、机械老化数据与环境老化数据的相关电参量作为小波分析的对象，从而形成n组数据中心向量作为输入向量，所述历史设备信息库包括被诊断调相机历史运行的电老化、热老化、机械老化与环境老化数据，每组数据包括电老化局部放电各个监测点的k组局部放电数据，热老化各个监测点的k组温度数据，机械老化各个监测点的k组振动、位移数据和环境老化各个检测点的k组绝缘湿度和油污的数据。

在步骤4中，小波神经网络结构参数的确定如下：

s1)确定学习速率设为v(一般取0.01-0.8之间)；误差阈值设为δ，其中误差阈值δ，本领域普通技术人员可以根据实际情况选取；

s2)确定输入、输出层节点数：选取调相机的电老化、热老化、机械老化与环境老化参数的n个特征量，并以作为神经网络的输入，因此神经网络输入层节点数为n，神经网络对电机绝缘状态诊断的结果有o个，因此输出层节点数设为o个；其中，o代表所有故障的总和，包括：

电老化故障：绝缘击穿，局部放电激增；

热老化故障：局部过热导致绝缘损坏，从而导致的短路故障；

机械老化：转子震动偏心、轴承损坏、缺项运行；

环境老化：潮湿、油污浸渍；

s3)确定隐含层节点数范围，根据以下公式确定隐含层节点数h的取值范围：

式中：n表示输入层节点数；h表示隐含层节点数；o表示输出层节点数；常数α取1～10之间的数；

s4)确定最优隐含层节点数，通过α的不同取值改变隐含层节点数，训练m次后，对比训练误差，选择误差最小时的隐含层节点个数作为最优隐含层节点数，其中训练次数m次，本领域普通技术人员能够根据实际情况进行选取。

所述的小波神经网络采用的小波基函数为morlet母小波基函数。

本申请还公开了一种基于前述预测方法的调相机绝缘故障预测系统，包括计算机设备，所述计算机设备被编程以执行本发明用于调相机的绝缘状态的诊断方法的步骤。

一种基于前述预测方法的调相机绝缘故障预测系统，包括历史数据采集模块、数据预处理模块、小波神经网络、小波神经网络初始化模块、小波神经网络参数确定模块、训练后的小波神经网络、实时数据采集模块和绝缘故障预测结果输出模块；其特征在于：

所述历史数据采集模块采集调相机历史运行中形成的电老化数据、热老化数据、机械老化数据与环境老化数据，然后通过数据预处理模块对采集数据进行预处理后作为小波神经网络的学习样本集输入小波神经网络；

依次通过小波神经网络参数确定模块、小波神经网络初始化模块确定小波神经网络结构参数并初始化；

通过学习样本的训练得到训练后的小波神经网络；

实时数据采集模块实时采集调相机运行中的电老化数据、热老化数据、机械老化数据与环境老化数据，经数据预处理模块预处理后输入至训练后的小波神经网络，将调相机绝缘故障的预测结果传送至绝缘故障预测结果输出模块。

本发明具有下述优点：本发明通过获取被诊断调相机绝缘的电老化、热老化、机械老化与环境老化参数信息并构成输入向量，将输入向量输入训练好的学习分类模型，得到被诊断调相机绝缘的故障状态，本发明针对调相机绝缘检修困难的问题，能够综合调相机绝缘电老化、热老化、机械老化与环境老化参数对调相机的绝缘状态诊断分析，极大提高调相机绝缘故障趋势预测的效率，为调相机的安全可靠运行提供了保障，减少了调相机绝缘运维费用，为调相机的智能健康管理提供了可行性。

附图说明

本发明的附图说明如下

图1为本发明调相机绝缘故障预测方法的流程示意图。

图2为本发明小波神经网络模型的结构示意图。

图3为本发明实施例系统的基本结构示意图。

图4为本发明调相机绝缘故障预测系统的结构示意图。

具体实施方式

下面结合说明书附图，对本发明的技术方案做进一步详细介绍。

如图1所示，本发明公开了一种调相机绝缘故障预测方法，其实施步骤包括：

步骤1：数据采集，采集被诊断调相机绝缘的电老化数据、热老化数据、机械老化数据与环境老化数据，上述数据包括正常运行数据和故障运行时数据；

电老化数据包括安装于电机中性点接地线上的中性点耦合局部放电监测器的局部放电数据，安装于线圈的顶部，槽锲的下部的槽耦合器的局部放电数据，以及安装于调相机多个测点的局部放电监测器的局部放电数据。热老化数据包括监测调相机转子表面温度分布和转子温度数据，以及安装于调相机的定转子绕组周围的多个测点的温度数据。机械老化数据包括定子绕组端的电涡流位移传感器监测到的端部振动和位移数据和安装在调相机的转轴和机座周围多个测点检测得到的振动幅值、频率以及轴心轨迹的数据。环境老化数据包括监测调相机绝缘湿度和油污的相关数据。计算机通过rs485串行通讯总线对兆欧表进行控制，可以实现实时或根据需要采集绝缘电阻阻值，并通过绝缘电阻的阻值判断受潮情况。同时由参考标准：ieee43-2013确定绝缘电阻小于5mω判定为绝缘失效。油污数据则由绝缘过热烟雾监测仪监测，通过监测油渍热分解后的微粒含量来判断油污情况。

步骤2：对步骤1所采集的数据进行预处理，将所采集数据中的奇异点剔除；

本实施例中，所述剔除信号数据奇异点是计算采集每种数据的标准偏差σ，再按照统计概率理论将偏差大于3σ的数据剔除。

步骤3：确定学习样本集，采集调相机历史运行中形成的电老化数据、热老化数据、机械老化数据与环境老化数据，按照步骤2的方式对数据进行预处理，将预处理后的历史运行中的电老化数据、热老化数据、机械老化数据与环境老化数据作为学习样本集，进行学习分类，并形成学习分类模型，该样本集中既包含调相机绝缘正常时的各项参数数据又包含调相机绝缘故障时的各项参数数据；

从被诊断调相机的历史设备信息库任意选择n个涉及权利要求1中所述的相关电参量作为小波分析的对象，从而形成n组数据中心向量作为输入向量，所述历史设备信息库包括被诊断调相机历史运行的电老化、热老化、机械老化与环境老化参数的电参量信息数据，每组数据包括电老化局部放电各个监测点的k组局部放电数据，热老化各个监测点的k组温度数据，机械老化各个监测点的k组振动、位移数据和环境老化各个检测点的k组绝缘湿度和油污的数据。

步骤4：确定小波神经网络结构参数：结构参数有学习速率、误差阈值、输入层节点数、隐含层节点数以及输出层节点数；

本实施例中，小波神经网络如图2所示，该小波神经网络结构参数的确定如下：

s1)学习速率设为v(一般取0.01-0.8之间)；误差阈值设为δ；

s2)输入、输出层节点数的确定。根据权利要求4中所述的学习样本集的选取方法，选取电机的电老化、热老化、机械老化与环境老化参数的n个特征量，并以作为神经网络的输入，因此神经网络输入层节点数为n，神经网络对电机绝缘状态诊断的结果有o个，因此输出层节点数设为o个。

s3)隐含层节点数范围的确定。根据以下经验公式确定隐含层节点数h的取值范围：

式中：n表示输入层节点数；h表示隐含层节点数；o表示输出层节点数；常数α取1～10之间的数；

s4)最优隐含层节点数的确定。通过α的不同取值改变隐含层节点数，训练m次后，对比训练误差，选择误差最小时的隐含层节点个数作为最优隐含层节点数。

在本申请实施例中，所述的小波神经网络采用的小波基函数为morlet母小波基函数。

步骤5：构建小波神经网络模型：使用步骤4所得的结构参数和步骤3所得的训练样本集进行网络训练，获得训练后的小波神经网络模型；

步骤6：将步骤1实时采集的被诊断调相机绝缘的电老化数据、热老化数据、机械老化数据与环境老化数据，输入到步骤5经训练后得到的小波神经网络模型，最终输出调相机绝缘故障状态的预测结果。

本实施例还提供一种调相机绝缘故障预测系统，包括计算机设备，该计算机设备被编程以执行本实施例调相机绝缘状态的诊断方法的步骤。参见图3，该系统由绝缘电老化监测模块、绝缘热老化监测模块、绝缘机械老化监测模块、绝缘环境老化监测模块、计算机设备、移动终端、报警装置以及打印装置组成。绝缘电老化监测模块包括安装于电机中性点接地线上的中性点耦合局部放电监测器，安装于线圈的顶部，槽锲的下部的槽耦合器，以及安装于调相机多个测点的局部放电监测器，可实时监测调相机绝缘的实时局部放电。绝缘热老化监测模块包括监测调相机转子表面温度分布和转子温度的传感器，监测转子绕组温度的传感器以及安装于调相机的定转子绕组周围的多个测点的传感器。绝缘机械老化监测模块包括监测调相机端部振动和位移参数的定子绕组端部振动传感器和安装在调相机的转轴和机座周围多个测点检测振动幅值、频率以及轴心轨迹的参数的传感器。绝缘环境老化监测模块包括监测调相机绝缘湿度和油污的相关参数的传感器。各个模块监测的信号传输至服务器。计算机设备安装在调相机附近，计算机设备对各个模块传输的信号进行处理，通过存储于计算机设备的调相机历史设备信息(包括正常运行和故障运行时的信息)，对调相机进行实时绝缘状态诊断。移动终端可以通过网络对计算机设备进行访问，实时了解调相机的设备信息。报警装置在绝缘故障时，发出报警，并上传至移动终端，提醒发生绝缘故障。打印装置，打印诊断信息。

如附图4所示为调相机绝缘故障预测系统的结构示意图，包括历史数据采集模块、数据预处理模块、小波神经网络、小波神经网络初始化模块、小波神经网络参数确定模块、训练后的小波神经网络、实时数据采集模块和绝缘故障预测结果输出模块。

所述历史数据采集模块采集调相机历史运行中形成的电老化数据、热老化数据、机械老化数据与环境老化数据，然后通过数据预处理模块对采集数据进行预处理后作为小波神经网络的学习样本集输入小波神经网络；

依次通过小波神经网络参数确定模块、小波神经网络初始化模块确定小波神经网络结构参数并初始化；

通过学习样本的训练得到训练后的小波神经网络；

实时数据采集模块实时采集调相机运行中的电老化数据、热老化数据、机械老化数据与环境老化数据，经数据预处理模块预处理后输入至训练后的小波神经网络，将调相机绝缘故障的预测结果传送至绝缘故障预测结果输出模块。

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。