一种基于ELM的发电机励磁系统故障预测系统及方法与流程

一种基于elm的发电机励磁系统故障预测系统及方法
技术领域
1.本发明涉及混合储能优化技术领域，具体而言，涉及一种基于elm的发电机励磁系统故障预测系统及方法。


背景技术：

2.目前，同步发电机的励磁系统在投入运行之前，事先对励磁系统的参数进行了科学的整定，但是，在投入运行后，由于励磁系统的设备繁多，控制过程复杂，缺乏合理的维护措施和及时的故障诊断，而现场仅仅依靠工作人员对励磁系统进行状态监控和故障排除，不仅可行性低下，而且容易出现疏漏，因此常常导致电力系统的稳定性随着时间的推移而下降。基于此，我们设计了一种基于elm的发电机励磁系统故障预测系统及方法，对同步发电机的励磁系统进行故障预测，以实现电力系统运行的安全稳定。


技术实现要素：

3.本发明的目的在于提供一种基于elm的发电机励磁系统故障预测系统及方法，其用于解决上述技术问题。
4.本发明的实施例通过以下技术方案实现：
5.一种基于elm的发电机励磁系统故障预测系统，包括：
6.励磁系统故障诊断器，用以对励磁系统进行故障预测，其内部设置有完成训练的elm模型，该模型的训练过程为：获取励磁系统的故障电路波形，并通过傅里叶变换算法对励磁系统的故障电路波形进行分析，得到励磁系统的相位特征参数；以励磁系统的相位特征参数作为预设的elm模型的训练输入样本，并以预设的二进制编码表征励磁系统的故障分类，以作为elm模型的期望输出样本，经模型训练与参数预设后，得到完成训练的elm模型并导入至励磁系统故障诊断器内。
7.可选的，其中，励磁系统的相位特征参数包括直流分量相位、基波相位、二次谐波相位、三次谐波相位。
8.可选的，所述傅里叶变换算法的计算公式为：
[0009][0010]
其中，x(t)为特征信息，x(n)为时域信号，n为序列长度，n为第n个序列，k为序列x(n)经dft变换得到序列x(k)的序列元素下标，0≤k≤n-1，为欧拉公式，j为虚部。
[0011]
可选的，所述elm模型的参数预设具体包括：连接权值、期望误差、学习速率以及最大循环次数。
[0012]
可选的，所述连接权值具体设置在-1到1之间，所述期望误差小于0.01，所述学习速率为1，所述最大循环次数最少为10000次。
[0013]
可选的，所述elm模型的目标函数为：
[0014][0015]
min e＝min||hβ-t||
[0016][0017][0018]
其中，e为目标函数，m为迭代次数，j为起始迭代数，yi为输出值，ti为迭代中的训练目标，h为隐含层输出矩阵，β为输出权重，t为最终训练目标，为最小二乘解，h-1
为广义逆矩阵。
[0019]
一种基于elm的发电机励磁系统故障预测方法，其应用于上述任一项所述的基于elm的发电机励磁系统故障预测系统，该方法的步骤包括：
[0020]
采集励磁系统的电路信号，并根据各个电路之间的信号差值判断励磁系统是否发生电路故障，若否，则排除励磁系统出现电路故障，并重新采集励磁系统的电路信号；若是，则进入下一步骤；
[0021]
录制励磁系统的故障电路波形，通过励磁系统故障诊断器对励磁系统的故障电路进行诊断，确定励磁系统故障电路的特征参数与具体位置，完成对励磁系统的故障电路预测。
[0022]
本发明实施例的技术方案至少具有如下优点和有益效果：
[0023]
本实施例结合模型参考法和神经网络法，设计了励磁系统故障诊断器，以故障波形fft的相位特征参数代替幅值特征参数作为elm的训练输入样本，实现了对单励磁功率单元的故障诊断。实验结果表明，改进后的智能诊断模型能够有效提高故障诊断的正确率。验证了该故障诊断器的有效性和准确性。最后，通过对晶闸管的老化失效分析，确定了晶闸管故障预测的特征参数，搭建了基于神经网络的故障预测模型，实现了对励磁系统故障的有效预测。
附图说明
[0024]
图1为本发明提供的一种基于elm的发电机励磁系统故障预测系统的框架构造示意图；
[0025]
图2为本发明提供的神经网络学习系统示意图；
[0026]
图3为本发明提供的网络学习结构示意图；
[0027]
图4为本发明提供的故障诊断流程示意图；
[0028]
图5为本发明提供的神经网络故障预测模型示意图。
具体实施方式
[0029]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施
例的组件可以以各种不同的配置来布置和设计。
[0030]
如图1所示，随着我国电力设备制造水平的不断提高，发电机组单机容量不断增大。某地的水电机组单机容量达到1000mw，为目前世界之首。其社会和经济效益不言而喻，但机组事故停机对电网的影响也随之增大。针对大容量发电机组，通过故障预测及时发现故障趋势，提前采取措施消除设备隐患，对电网运行的安全可靠性具有十分重要的意义。在实践过程中，人们逐渐发现控制系统的性能并不总是保持在良好的状态。在电力系统的运行过程中同样如此，即使在电气设备投入运营的前期，电力系统能够达成预定的运营目标，但随着运行时间的增长，由于电力系统受到各种不利因素的影响，例如恶劣天气、人员误操作、设备老化等问题，电力系统的运行稳定性将会逐渐下降，最终导致与预期的控制要求出现较大的差距。如果励磁控制系统在投入运行之前没有经过参数整定试验，或者参数整定的结果不合理，可能会对电力系统的稳定性产生较大的影响，这都属于人员的误操作引起的故障，是能够进行合理的规避的。但事实上，即使在励磁控制系统投入运行之前，对控制系统的参数进行了科学的整定，但在后来的运行中，由于没有采取合理的维护措施和及时的故障诊断，就会导致电力系统的稳定性随着时间的推移而下降。过程设备故障控制系统中的设备故障也是影响控制系统性能的重要因素。如果励磁控制系统在设计初期就存在问题缺陷，那么投入到电力系统中后，也会对电力系统的运行稳定性产生较大的影响。同步发电机的励磁控制系统设备繁多，控制过程复杂，依靠现场工作人员对励磁控制系统进行状态监控和故障排除是不现实的。因此，为了上述问题，本发明提供了其中一种实施例：一种基于elm的发电机励磁系统故障预测方法，包括如下步骤：
[0031]
步骤1，对故障波形进行快速傅里叶变换算法fft分析；
[0032]
步骤2，根据步骤1的结果采集直流分量相位，基波相位，二次谐波相位，三次谐波相位当做特征信息，作为elm的训练输入样本，用二进制编码表示所有故障的分类作为神经网络的期望输出样本；
[0033]
步骤3，根据步骤2得到的数据对elm网络进行参数预设；
[0034]
步骤4，根据步骤3的elm模型的结构和参数都确定好后，就可以进行故障诊断；
[0035]
步骤5，采集晶闸管的表面温度参数、环境温度参数等作为预测模型的输入参数，输出参数用归一化的健康参数来表示；
[0036]
步骤6，根据步骤5得到的参数对elm模型参数进行预设；
[0037]
步骤7，根据步骤6得到的参数可以进行设备的剩余使用寿命预测。
[0038]
在本实施例中，fft算法原理是将连续的时域信号用无数个不同频率的正弦波叠加表示，通过对不同频率的正弦波进行分析，得到相应的特征信息。离散傅里叶变换公式如下：
[0039][0040]
其中，x(t)为特征信息，x(n)为时域信号，n为序列长度，n为第n个序列，k为序列x(n)经dft变换得到序列x(k)的序列元素下标，0≤k≤n-1，为欧拉公式，j为虚部。
[0041]
在本实施例中，步骤2的具体实现方法为：用二进制编码来表示所有的故障类型，作为神经网络的期望输出样本。前3位二进制代码表示故障大类，分别为000、001、010、011、
100五种，故障小类用后位二进制代码表示，由于每种故障大类的故障小类最多只有6种，所以后3位的二进制代码完全可以涵盖所有的故障小类。例如编码010001中，前3位编码010代表第2大类，后3位编码001代表第1小类，所以这个编码就对应第2大类的第1小类，即v1v4故障；编码100101表示第4大类中的第5小类，即v4v5故障。
[0042]
在本实施例中，步骤3的具体实现方法为：其搜索代理位置公式更新如下式所示：
[0043]
d＝|x(t)-cx
best
(t)|
[0044]
x(t+1)＝x
best
(t)-ad
[0045]
式中：t是当前迭代值；a和c分别表示系数；x
best
(t)和x(t)分别表示当前的最佳位置和搜索代理目前所在的位置。a和c的数学计算公式如下所示：
[0046]
a＝2a(r
1-1)
[0047]
c＝2
·
r2[0048][0049]
其中，r1和r2是分布在区间[0,1]的随机值，a在迭代过程线性减小。在每次迭代中，当有更好的方案时更新x
best
的位置。用螺旋方程来更新座头鲸的位置：
[0050]
x(t+1)＝d
·ebl
·
cos(2πl)+x
best
(t)
[0051]
d＝|x(t)-x
best
(t)|
[0052]
其中，b定义为对数螺线形状常数；l为[-1,1]之间的随机数；当a的值位于区间[-1,1]之外时，鲸鱼算法寻找远离参考位置的代理的位置，随机选定一个搜索代理的位置作为最优位置。其中，x
rand
为随机给定的代理位置：
[0053]
d”＝|x
rand
·
c-x|
[0054]
x(t+1)＝x
rand-a
·
d”[0055]
在本实施例中，步骤5的具体实现方法为：输入样本xm＝(t,t0)。预测模型可以根据输入样本随时间的变化规律，对晶闸管的健康状态进行评估，预测未来是否可能发生故障。为了实现故障模型的预测功能，需要对模型的参数进行预设，包括神经网络的连接权值、期望误差、学习速率以及最大循环次数等。根据以往的经验值，连接权值可以设置在-1到1之间，误差小于0.01，学习速率为1，最大循环次数为10000次。
[0056]
在本实施例中，步骤6的具体实现方法为：实际采集到的样本数据代入预测模型中，模型会根据不同的输入样本数据输出结果，将结果与理论值对比，就可以判断设备是否发生故障，评估设备当前的运行状态，预测设备的剩余使用寿命，并提醒工作人员及时进行器件的维护和更换。
[0057]
如图2所示，本实施例采用elm模型为神经网络学习模型，分为三个部分：输入部，训练部输出部，外部输入样本在训练部中通过不断的迭代接近期望输出，达到一定的误差标准后给出一组实际的输出样本，这组输出样本就可以作为评价标准与故障数据进行对比，得出故障具体位置。假设有p个学习样本的矢量数据，期望得到的输出值分别是d
(1)
,d
(2)
,
…
,d
(p)
，训练过程是通过误差不断修正权值让y
(p)
接近对应的d
(p)
，其中第p个样本的实际输出值表示为y
(p)
。当第p个样本输入bp网络并且产生输出时，它的均方误差可以表示为每个输出单元的误差平方之和，即式(1)所示：
[0058][0059]
所有样本都输入之后，所有样本输出的误差之和可表示为式(2)：
[0060][0061]
假设神经网络中的某一个连接权值是ω
sp
，可以按照梯度下降法在批量处理的情况下推导出批权值修正量：
[0062][0063]
设输出层表示为式(4)：
[0064][0065]
其中t为迭代次数。求解过程中采用δ学习规则，即：
[0066][0067]
其中则输出层权重可表示为：
[0068][0069]
在推导过程中我们可以看出，e
(p)
是y0,y1,
…
,y
m-1
的函数，但是y
l
只受ω”kl
(t)的影响；响；
[0070]
对隐层：
[0071]
[0072]
求解过程采用δ学习规则，即式(8)所示：
[0073][0074]
其中，则隐含层权重可表示为式(9)：
[0075][0076]
同样我们可以看到，在此推导过程中，e
(p)
是y0,y1,
…
,y
m-1
的函数，ω'
jk
影响每一个y
l
。
[0077]
综上所述，该学习阶段可以分为两个过程，首先是由前向后正向推导输出层和隐层的输出值，接着是权值修正过程即由后向前误差反向传播。
[0078]
如图3所示，本实施例中的elm模型是在单隐含层前馈神经网络的基础上提出的，具有结构简单、学习能力强等优点。设l个隐含层神经元elm的激活函数式g,则elm的输出函数可以表示为：
[0079][0080]
式中：ωi和βi分别表示输入值与输出值量与第i个隐含层神经元之间的链接值；第i个隐含神经元的偏置值大小是bi。输入集是x。转化为行列式形式，则为：
[0081][0082]
hβ＝y
ꢀꢀ
(11)
[0083]
其中h为隐含层输出矩阵。elm模型求解的目标函数为式(12)：
[0084][0085]
对于式(12)的求解，通常采用的梯度下降法存在容易陷入局部最优解的缺点，而极限学习机则是通过寻找网络的最优参数来使目标函数最小。
[0086]
min e＝min||hβ-t||
ꢀꢀ
(13)
[0087]
在elm算法中，网络初始化中随机给定输入权值ω和偏置b在网络初始化随机赋值给定，这样h就为一个确定矩阵。因此，极限学习机的训练过程就是找到最小二乘解的过程，即：
[0088][0089]
输出权值矩阵即为式(15)：
[0090][0091]
其中，h-1
为广义逆矩阵。由此极限学习机的训练就是一个不断寻找非线性最优解的过程，最终，求得使目标函数取值最小的最优极限学习机权值
[0092]
如图4所示，本实施例下，当故障发生时，故障电路的输出电流信号可以作为故障判别的信号之一，但是由于电流信号输出的波头密集，会使诊断结果产生误差，并且对电流信号进行分析也比较复杂，因此，本实施例设计三相整流电路的故障诊断器，能够帮助我们更准确的判断故障是否发生。利用两个电路之间的信号差值来判断电路是否发生故障。若发生故障，可以将故障时的电压波形录制下来，以指示灯的形式告知工作人员电路发生故障，然后利用搭建好的elm网络模型对故障电路进行诊断，并通过人机界面显示给维修人员，帮助维修人员更快的确定故障发生的具体位置，以便进行故障的维修。
[0093]
如图5所示，本实施例将现场采集到的数据经过归一化处理后输入到elm神经网络模型中，经过多次的迭代运算，最后得出参数的应用模型。该预测模型可以根据输入样本随时间的变化规律，对晶闸管的健康状态进行评估，预测未来是否可能发生故障。为了实现故障模型的预测功能，需要对模型的参数进行预设，包括神经网络的连接权值、期望误差、学习速率以及最大循环次数等。根据以往的经验值，连接权值可以设置在-1到1之间，误差小于0.01，学习速率为1，最大循环次数为10000次。模型的结构和参数都确定好以后，就可以正式对模型进训练，通过训练得到输出样本。
[0094]
在本实施例中，数据的采集可以通过南瑞nes6100型号的励磁柜在现场的实际数据来实现，励磁系统可以通过常规的电气接口或者光纤以太网接口进行数据的传输，可以通过调节器装置的键盘操作获取调节器装置的各种信息，也可以通过调节器装置前面的以太网接口将pc机与装置相连，借助于辅助软件来浏览励磁系统的各项参数。同时可以根据实验需求在励磁调节柜的参数设置模块中，调节所需要改变的参数。
[0095]
综上所述，本实施例结合模型参考法和神经网络法，设计了励磁系统故障诊断器，以故障波形fft的相位特征参数代替幅值特征参数作为elm的训练输入样本，实现了对单励磁功率单元的故障诊断。实验结果表明，改进后的智能诊断模型能够有效提高故障诊断的
正确率。验证了该故障诊断器的有效性和准确性。最后，通过对晶闸管的老化失效分析，确定了晶闸管故障预测的特征参数，搭建了基于神经网络的故障预测模型，实现了对励磁系统故障的有效预测。
[0096]
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。