基于智能电阻法的双水内冷发电机转子匝间短路诊断方法及系统

1.本发明涉及发电机故障诊断领域，特别涉及大中型同步发电机在线故障诊断领域，具体为一种基于智能电阻法的双水内冷发电机转子匝间短路诊断方法及系统。


背景技术：

2.双水内冷发电机是上海电机厂独创的一种大型同步发电机，在国内使用较多，其结构复杂，价格昂贵，一旦发生转子匝间短路故障，轻则造成损耗加剧性能降低，严重时造成发电机无法正常运行，甚至可能烧毁机组，因此对其进行在线故障诊断极其重要。
3.发电机(组)是一个涉及机械、电磁、材料、化工等多学科的复杂系统，运行时各种电气参数乃至非电参数相互影响，关系错综复杂，无法用经典的物理建模方式得到精确的数学模型。传统的双水内冷发电机转子匝间短路在线诊断系统及方法，无法采用现有条件实现，一般都需要破坏发电机结构，在发电机内部加装探测器件，不仅安装部署门槛高，而且留有极大的安全隐患，检测效果也不尽人意。
4.人工智能技术的兴起和发展，提供了一种全新的故障诊断解决方案，即使没有精确的数学模型，通过机器学习算法，也可以预测到比较精确的结果。采用人工智能技术加持的发电机转子在线诊断系统及方法，只需要从dcs系统中调取已有实时读数，进行机器学习和智能预测，通过对比预测值和实际值，就可以对发电机运行状态进行评估，实时诊断故障。
5.同步发电机发生转子匝间短路后，转子电阻会降低，通过和正常运行时同等工况的转子电阻对比，就可以判定发电机是否发生了转子匝间短路，以及短路严重程度(短路匝数)。需要注意的是，转子电阻不是固定不变的，其阻值和温度直接相关，传统算法无法精确获取转子绕组温度，因此无法进行精确故障诊断。


技术实现要素：

6.本发明的主要目的在于克服现有技术中的上述缺陷，提出一种基于智能电阻法的双水内冷发电机转子匝间短路诊断方法及系统，引入人工智能算法，采用训练好的模型智能预测(拟合)转子电阻，结合转子电阻拟合值和转子电阻的实时值计算转子电阻偏差值以实现同步发电机转子匝间短路在线诊断，原理简单清晰，安装部署门槛低。
7.本发明采用如下技术方案：
8.一方面，一种基于智能电阻法的双水内冷发电机转子匝间短路诊断方法，包括如下步骤：
9.[s01]，模型训练阶段，包括：
[0010]
[s011]，样本收集：收集转子电压、转子电流、转子总进水流速、转子总进水温度和转子总出水温度的样本值，并将转子电压的样本值除以转子电流的样本值得到转子电阻值的样本值；
[0011]
[s013]，模型训练：将收集的转子总进水流速、转子总进水温度和转子总出水温度的样本值作为输入量，将收集的转子电阻值的样本值作为输出量，提交机器学习模型训练，获得训练好的模型；
[0012]
[s02]，在线诊断阶段，包括：
[0013]
[s021]，实时数据获取：从dcs获取实时数据，获取转子电压、转子电流、转子总进水流速、转子总进水温度和转子总出水温度的实时值，将转子电压的实时值除以转子电流的实时值得到转子电阻值的实时值rf；
[0014]
[s023]，计算转子电阻拟合值：将获取的转子总进水流速、总进水温度和总出水温度的实时值作为输入量，输入训练好的模型，通过机器学习算法预测获得转子电阻拟合值r’f
；
[0015]
[s024]，计算转子电阻偏差值：a＝(r’f-rf)
÷
r’f
×
100％；
[0016]
[s026]，诊断并输出结果：根据转子电阻偏差值判定转子是否发生了匝间短路，并标示匝间短路严重程度。
[0017]
优选的，所述[s011]中的样本参数收集方法，包括采集一段时间运行数据以积累历史数据，或者直接读取/导入已有历史数据。
[0018]
优选的，所述[s011]之后，还包括：
[0019]
[s012]，样本筛选：排除不符合规则的干扰数据以提高模型准确性；对样本进行多次排序和抽样，在保证样本广泛性的前提下，适当限制样本数量，以提高模型训练和预测效率。
[0020]
优选的，所述[s012]中的样本排序方法，包括按转子电压、转子电流、转子总进水流速、转子总进水温度、转子总出水温度和转子总进出水温差中的至少一个的大小进行排序；所述[s012]中的样本抽样方法，包括随机抽样、均匀抽样、正态分布抽样或反正态分布抽样方法。
[0021]
优选的，所述[s013]和[s023]中的机器学习算法，包括支持向量机算法或神经网络算法。
[0022]
优选的，所述[s021]之后，还包括：
[0023]
[s022]，数据清洗：根据设定的规则对数据进行判别，如果不符合设定要求，则跳过后续处理和诊断流程，以减少干扰数据造成的误诊和漏诊。
[0024]
优选的，所述[s024]之后，还包括：
[0025]
[s025]，偏差值抗扰处理：对转子电阻偏差值进行抗扰处理，得到转子电阻偏差值平滑值a’，以提高系统诊断结果输出的稳定性和可靠性；
[0026]
其中，所述抗扰处理包括移动平滑、数字滤波、降噪消抖或趋势拟合。
[0027]
优选的，所述[s021]之后，还包括：对转子电阻的实时值进行抗扰处理；所述抗扰处理包括移动平滑、数字滤波、降噪消抖或趋势拟合。
[0028]
优选的，所述[s026]具体包括：
[0029]
如果转子电阻偏差值a或经过抗扰处理的转子电阻偏差值a小于预设报警阈值ea，则判断未发生转子匝间短路，否则判断为故障；ea默认值为(1
÷
z2)
×
100％，其中z2为转子绕组匝数；a数值越大，转子匝间短路程度越严重，短路匝数越多。
[0030]
另一方面，一种基于智能电阻法的双水内冷发电机转子匝间短路诊断系统，包括：
[0031]
[m01]，模型训练模块，包括：
[0032]
[m011]，样本收集单元：收集转子电压、转子电流、转子总进水流速、转子总进水温度和转子总出水温度的样本值，并将转子电压的样本值除以转子电流的样本值得到转子电阻值的样本值；
[0033]
[m012]，样本筛选单元：排除不符合规则的干扰数据，并对样本进行多次排序和抽样；
[0034]
[m013]，模型训练单元：将收集的转子总进水流速、转子总进水温度和转子总出水温度的样本值作为输入量，将收集的转子电阻值的样本值作为输出量，提交机器学习模型训练，获得训练好的模型；
[0035]
[m02]，在线诊断模块，包括：
[0036]
[m021]，实时数据获取单元：获取转子电压、转子电流、转子总进水流速、转子总进水温度和转子总出水温度的实时值，将转子电压的实时值除以转子电流的实时值得到转子电阻值的实时值rf；
[0037]
[m022]，数据清洗单元：根据设定的规则对获取的实时数据进行判别，如果不符合设定要求，则跳过后续处理和诊断流程；
[0038]
[m023]，转子电阻拟合单元：将转子电压、转子电流、转子总进水流速、转子总进水温度和转子总出水温度的实时值作为输入量，代入训练好的模型，通过机器学习算法预测获得转子电阻拟合值r’f
；
[0039]
[m024]，转子电阻偏差计算单元：使用公式a＝(r’f-rf)
÷
r’f
×
100％计算出转子电阻偏差；
[0040]
[m025]，转子电阻偏差值抗扰处理单元：通过移动平滑、数字滤波、降噪消抖或趋势拟合算法，处理得到转子电阻偏差值的平滑值；
[0041]
[m026]，短路判定单元：根据转子电阻偏差值或平滑值的数值判定转子是否发生了匝间短路，并标示匝间短路严重程度。
[0042]
与现有技术相比，本发明的有益效果如下：
[0043]
(1)本发明引入人工智能算法，采用训练好的模型智能预测(拟合)转子电阻，结合转子电阻拟合值和转子电阻的实时值计算转子电阻偏差值以实现同步发电机转子匝间短路在线诊断，原理简单清晰，安装部署门槛低；
[0044]
(2)本发明通过对训练样本的预处理(样本筛选)，可以大大提高模型的准确性和处理速度；
[0045]
(3)本发明在实时数据在线诊断时，通过对数据预处理(数据清洗)和对计算结果后处理(抗扰处理)，能够大大提高系统运行的稳定性和可靠性。
附图说明
[0046]
图1为本发明的基于智能电阻法的双水内冷发电机转子匝间短路诊断方法的实施流程图；
[0047]
图2为本发明的基于智能电阻法的双水内冷发电机转子匝间短路诊断系统的结构框图。
具体实施方式
[0048]
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本技术所附权利要求书所限定的范围。
[0049]
参见图1所示，本实施例一种基于智能电阻法的双水内冷发电机转子匝间短路诊断方法，包括
[0050]
[s01]，模型训练阶段，主要包括：[s011]，样本收集；[s012]，样本筛选；[s013]，模型训练；
[0051]
[s02]，在线诊断阶段，主要包括：[s021]，实时数据获取；[s022]，数据清洗；[s023]，计算转子电阻拟合值；[s024]，计算转子电阻偏差值；[s025]，偏差值抗扰处理；[s026]，诊断并输出结果。
[0052]
所述[s011]，样本收集，具体包括：
[0053]
系统部署完成后，开始为期两个月(具体根据需要进行设置)样本收集阶段，具体为通过dcs系统采集包括转子电压、转子电流、转子总进水流速、转子总进水温度和转子总出水温度等样本参数的样本值，以上样本参数的样本值缓存在本地，采样间隔15秒(具体根据需要进行设置)。
[0054]
所述[s012]，样本筛选，具体包括：
[0055]
在采样阶段同步完成干扰样本数据过滤，通过系列可设定规则(细节略，可采用现有规则)，判定样本数据是否为干扰数据并标记合格或不合格；样本收集阶段结束后启动模型训练前，分四次从样本库中对标记合格的样本进行抽样，首先按转子电阻大小排序，均匀分布抽取3000条(具体根据需要进行设置)样本，接着按转子总进水温度大小排序排序，均匀分布抽取3000条(具体根据需要进行设置)样本，然后按转子总出水温度大小排序，均匀分布抽取3000条(可设)样本，最后按转子总进出水温差大小排序，均匀分布抽取3000条(具体根据需要进行设置)样本。
[0056]
所述[s013]，模型训练，具体包括：
[0057]
将样本筛选抽取出来的样本，以转子总进水流速、总进水温度和总出水温度等参数作为输入量，以转子电阻值作为输出量，输入libsvm程序模块进行模型训练，并根据交叉验证结果判断是否需要参数寻优，获得训练好的模型(含参数)，保存在数据库中。
[0058]
所述[s021]，实时数据获取，具体包括：
[0059]
从dcs获取实时数据。采样周期1分钟(具体根据需要进行设置)，获取包括转子电压、转子电流、转子总进水流速、转子总进水温度和转子总出水温度等运行参数的实时值；将转子电压除以转子电流得到转子电阻值的实时值rf；
[0060]
所述[s022]，数据清洗，具体包括：
[0061]
根据设定的规则对数据进行判别，如果不符合设定要求，则跳过后续处理和诊断流程。
[0062]
所述[s023]，计算转子电阻拟合值，具体包括：
[0063]
将转子总进水流速、总进水温度和总出水温度等参数的实时值作为输入量，代入训练好的模型，通过libsvm程序模块预测获得转子电阻拟合值i’f
。
[0064]
所述[s024]，计算转子电阻偏差值，具体如下：
[0065]
a＝(r’f-rf)
÷
r’f
×
100％
[0066]
其中，a表示转子电阻偏差值。
[0067]
所述[s025]，偏差值抗扰处理，具体包括：
[0068]
通过移动平滑算法(滑窗宽度可设)，得到转子电阻偏差值平滑值a’。
[0069]
当然，还可以采用其他抗扰处理算法如数字滤波、降噪消抖或趋势拟合算法进行抗扰处理，本发明不做限制。
[0070]
所述[s026]，诊断并输出结果，具体包括：
[0071]
如果a’大于报警值(根据实际需要进行设定)，则进入报警处置流程；如果a’大于预警值(根据实际需要进行设定)，则进入预警处置流程；否则通知用户系统运行正常。系统发出预警或报警提醒后，运维人员可以通过a’数值直观了解短路故障概率和程度。
[0072]
参见图2所示，本实施例一种基于智能电阻法的双水内冷发电机转子匝间短路诊断系统，包括：
[0073]
[m01]，模型训练模块，包括：
[0074]
[m011]，样本收集单元：收集包括有功功率、无功功率、定子电压、定子电流和转子电阻的样本参数；
[0075]
[m012]，样本筛选单元：排除不符合规则的干扰数据，并对样本进行多次排序和抽样；
[0076]
[m013]，模型训练单元：将收集的有功功率、无功功率、定子电压和定子电流作为输入量，将收集的转子电阻值作为输出量，提交机器学习算法进行模型训练，得到训练好的模型；
[0077]
[m02]，在线诊断模块，包括：
[0078]
[m021]，实时数据获取单元：获取有功功率、无功功率、定子电压、定子电流、转子电阻等参数的实时值；
[0079]
[m022]，数据清洗单元：根据设定的规则对获取的实时数据进行判别，如果不符合设定要求，则跳过后续处理和诊断流程；
[0080]
[m023]，转子电阻拟合单元：将有功功率、无功功率、定子电压和定子电流参数的实时值作为输入量，代入训练好的模型，通过机器学习算法预测获得转子电阻拟合值i’f
；
[0081]
[m024]，转子电阻偏差计算单元：使用公式a＝(i’f-if)
÷
i’f
×
100％；其中，a表示转子电阻偏差值，if表示转子电阻的实时值；
[0082]
[m025]，转子电阻偏差值抗扰处理单元：通过移动平滑、数字滤波、降噪消抖或趋势拟合算法，处理得到转子电阻偏差值的平滑值；
[0083]
[m026]，短路判定单元：根据转子电阻偏差值或平滑值的数值判定转子是否发生了匝间短路，并标示匝间短路严重程度。
[0084]
一种基于智能电阻法的双水内冷发电机转子匝间短路诊断系统的具体实现同一种基于智能电阻法的双水内冷发电机转子匝间短路诊断方法，本实施例不再重复说明。
[0085]
本发明为使用人工智能技术的解决方案，利用大量正常运行时的发电机运行数据，使用机器学习算法，建立起转子电阻和进水流速、进水温度、出水温度等参数的智能关系模型，在日常运行阶段，利用此模型，智能预测得出转子电阻拟合值，将实时值和此拟合
值对比，判断发电机转子是否发生了匝间短路故障。
[0086]
上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。