基于核卷积神经网络的发电机转子绕组匝间短路诊断方法与流程

本发明涉及一种发电机转子绕组匝间短路诊断方法，特别是涉及一种基于核卷积神经网络的发电机转子绕组匝间短路诊断方法，属于电力设备故障诊断。

背景技术：

1、同步发电机作为结构复杂的机电耦合装置，容易发生各种电气故障。转子绕组匝间短路故障是最容易发生的故障之一，当同步发电机发生匝间短路故障后，短路槽处气隙磁密减小，转子电流增大，气隙磁场分布不均匀导致电磁力不平衡，转子受到不平衡磁拉力，进而使机组发生异常振动。如果不能及时发现并处理，可能会导致大轴磁化，机组停机，破坏电力系统的安全稳定性。因此，研究可靠的同步发电机转子绕组匝间短路故障诊断方法。提高诊断准确率，对电力系统的安全运行具有重要意义。

2、传统的故障诊断方法都是通过信号处理方法人为提取同步电机的故障特征量，如气隙磁密偶次谐波、定子环流偶次谐波、不平衡磁拉力基波等，并结合机器学习算法实现诊断目的。但同步发电机的实际运行环境复杂多变，存在大量的噪声干扰，影响诊断准确率。且传统方法依赖于专家的先验知识，针对不同类型的机组需要设计特定的特征提取器，耗时大，泛化性差。

3、随着大数据和计算机技术的不断发展，深度学习因其具有强大的学习能力和特征提取能力广泛应用于图像识别领域中，可以弥补传统故障诊断方法的缺陷，但目前在同步发电机故障诊断领域应用较少。同步电发电机信号是具有周期性的时间序列，若能利用深度学习从不同尺度深入挖掘信号，获取更丰富的故障特征，可以有效提高故障诊断准确率。

技术实现思路

1、本发明的目的是提供一种基于核卷积神经网络的发电机转子绕组匝间短路诊断方法。

2、为实现上述目的，本发明采用如下技术方案：

3、一种基于核卷积神经网络的发电机转子绕组匝间短路诊断方法，包括如下步骤：

4、步骤1，构建训练集和测试集：同步采集同步发电机正常运行和同步发电机的转子绕组匝间短路3％、5％、10％四种工况下的转子振动信号；对采集到的转子振动信号进行切片处理，并按8:2比例随机抽取数据集划分为训练集和测试集；

5、步骤2，建立多尺度核卷积神经网络模型：所述多尺度核卷积神经网络模型包括输入层、特征提取层、全连接层、输出层；其中，特征提取层由三种不同卷积核尺寸的卷积神经网络单元构成，每个卷积神经网络单元包括依次连接的第一卷积层、第一归一化处理层、第一池化层、第二卷积层、第二归一化处理层、激活函数层、第二最大池化层；

6、步骤3，模型训练：将训练集输入多尺度核卷积神经网络模型进行训练，利用特征提取层中的多尺度核并行学习故障信息，将多尺度核提取到的故障特征汇聚输入flatten层进行融合，并通过全连接层传递到softmax输出层，迭代过程中利用交叉熵损失函数计算诊断结果与真实类别之间的误差，对多尺度卷积核卷积神经网络结构和超参数进行调整，重复上述过程进行多次训练，直至测试样本的准确率满足实际诊断要求(即准确率大于98％)，确定最优多尺度核卷积神经网络结构。

7、步骤4，故障诊断：采集待预测工况下的转子振动信号，将其输入最优多尺度核卷积神经网络模型中，利用特征提取层中的多尺度核并行学习故障信息，将多尺度核提取到的故障特征汇聚输入flatten层进行融合，并通过全连接层传递到softmax输出层，得到最终的诊断结果。

8、进一步，所述步骤1中，使用同步发电机转子振动加速度传感器采集同步发电机转子振动信号；取600个采样点为单位长度进行切片处理，每种工况下的转子振动信号经过切片处理得到2000个数据集。

9、进一步，所述输入层中的每个转子振动样本大小为600×1，所述全连接层包含128个神经元，激活函数为relu函数；所述输出层采用softmax分类器，输出类别为4，分别对应同步发电机正常、转子绕组匝间短路3％、5％、10％四种运行工况。

10、进一步，所述第一卷积神经网络单元中第一卷积层的卷积核尺寸为3×1，激活函数为relu函数，卷积核数目为32，步长设定为1，采用补零填充法，所述第一卷积神经网络单元中第一最大池化层的池化区域宽度为2×1，卷积核数目为32；所述第一卷积神经网络单元中第二卷积层的卷积核尺寸设为3×1，激活函数为relu函数，卷积核数目为64，步长设定为1，采用补零填充法；所述第一卷积神经网络单元中第二最大池化层的池化区域宽度为2×1，卷积核数目为64；所述第一卷积神经网络单元中第二最大池化层的池化区域宽度为2×1，卷积核数目为64。

11、进一步，所述第二卷积神经网络单元中第一卷积层的卷积核尺寸设为5×1，为避免梯度饱和选择激活函数为relu函数，卷积核数目为32，步长设定为1，采用补零填充法；所述第二卷积神经网络单元中最大池化层1的池化区域宽度为2×1，卷积核数目为32；所述第二卷积神经网络单元中第二卷积层的卷积核尺寸设为5×1，激活函数为relu函数，卷积核数目为64，步长设定为1，采用补零填充法；所述第二卷积神经网络单元中第二最大池化层的池化区域宽度为2×1，卷积核数目为64；

12、进一步，所述第三卷积神经网络单元中第一卷积层的卷积核尺寸设为7×1，激活函数为relu函数，卷积核数目为32，步长设定为1，采用补零填充法；所述第三卷积神经网络单元中第一最大池化层的池化区域宽度为2×1，卷积核数目为32；所述第三卷积神经网络单元中第二卷积层的卷积核尺寸设为7×1，为避免梯度饱和选择激活函数为relu函数，卷积核数目为64，步长设定为1，采用补零填充法。

13、采用上述技术方案，本发明取得如下技术效果：

14、1、本发明从不同尺度并行提取信号中的故障特征，大大提高了特征学习能力，得到丰富的故障信息，抗干扰能力强，使故障诊断准确率有效提高。

15、2、本发明将转子振动信号输入多尺度核卷积神经网络模型中进行训练，利用多尺度卷积核并行学习，获取丰富且互补的故障信息，准确诊断同步发电机的运行状态。

16、3、本发明提出了一种端到端的同步发电机转子绕组匝间短路故障诊断系统，解决了传统方法依赖于专家经验，耗时大的问题，进一步提高了同步发电机转子匝间短路故障诊断准确率。

技术特征：

1.一种基于核卷积神经网络的发电机转子绕组匝间短路诊断方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于核卷积神经网络的发电机转子绕组匝间短路诊断方法，其特征在于，所述步骤1中，使用同步发电机转子振动加速度传感器采集同步发电机转子振动信号；取600个采样点为单位长度进行切片处理，每种工况下的转子振动信号经过切片处理得到2000个数据集。

3.根据权利要求1所述的基于核卷积神经网络的发电机转子绕组匝间短路诊断方法，其特征在于，所述输入层中的每个转子振动样本大小为600×1，所述全连接层包含128个神经元，激活函数为relu函数；所述输出层采用softmax分类器，输出类别为4，分别对应同步发电机正常、转子绕组匝间短路3％、5％、10％四种运行工况。

4.根据权利要求1所述的基于核卷积神经网络的发电机转子绕组匝间短路诊断方法，其特征在于，所述第一卷积神经网络单元中第一卷积层的卷积核尺寸为3×1，激活函数为relu函数，卷积核数目为32，步长设定为1，采用补零填充法，所述第一卷积神经网络单元中第一最大池化层的池化区域宽度为2×1，卷积核数目为32；所述第一卷积神经网络单元中第二卷积层的卷积核尺寸设为3×1，激活函数为relu函数，卷积核数目为64，步长设定为1，采用补零填充法；所述第一卷积神经网络单元中第二最大池化层的池化区域宽度为2×1，卷积核数目为64；所述第一卷积神经网络单元中第二最大池化层的池化区域宽度为2×1，卷积核数目为64。

5.根据权利要求1所述的基于核卷积神经网络的发电机转子绕组匝间短路诊断方法，其特征在于，所述第二卷积神经网络单元中第一卷积层的卷积核尺寸设为5×1，为避免梯度饱和选择激活函数为relu函数，卷积核数目为32，步长设定为1，采用补零填充法；所述第二卷积神经网络单元中最大池化层1的池化区域宽度为2×1，卷积核数目为32；所述第二卷积神经网络单元中第二卷积层的卷积核尺寸设为5×1，激活函数为relu函数，卷积核数目为64，步长设定为1，采用补零填充法；所述第二卷积神经网络单元中第二最大池化层的池化区域宽度为2×1，卷积核数目为64。

6.根据权利要求1所述的基于核卷积神经网络的发电机转子绕组匝间短路诊断方法，其特征在于，所述第三卷积神经网络单元中第一卷积层的卷积核尺寸设为7×1，激活函数为relu函数，卷积核数目为32，步长设定为1，采用补零填充法；所述第三卷积神经网络单元中第一最大池化层的池化区域宽度为2×1，卷积核数目为32；所述第三卷积神经网络单元中第二卷积层的卷积核尺寸设为7×1，为避免梯度饱和选择激活函数为relu函数，卷积核数目为64，步长设定为1，采用补零填充法。

技术总结
本发明提供了一种基于核卷积神经网络的发电机转子绕组匝间短路诊断方法，实时采集同步发电机工作在正常运行工况以及3％、5％、10％转子绕组匝间短路工况下的转子振动信号，按照8：2随机划分为训练集和测试集；确定最优多尺度核卷积神经网络结构；将转子振动信号进行切片处理后输入多尺度核卷积神经网络模型中进行训练，利用多尺度卷积核并行学习，获取丰富且互补的故障信息，准确诊断同步发电机的运行状态。本发明提出了一种端到端的同步发电机转子绕组匝间短路故障诊断系统，解决了传统方法依赖于专家经验，耗时大的问题，进一步提高了同步发电机转子匝间短路故障诊断准确率。

技术研发人员：岳文亭,田波,张云利,崔跃骞,冯雪萍,王华,刘俊
受保护的技术使用者：国网甘肃省电力公司刘家峡水电厂
技术研发日：
技术公布日：2024/1/12