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技术方案

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。本发明专利技术包括：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样本参数，计算出转子电阻值；以转子总进水流速、转子总进水温度和转子总出水温度作为输入量，以转子电阻作为输出量，将样本提交机器学习模型训练，获得训练好的模型；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，并计算出转子电阻值的实时值；将转子总进水流速、转子总进水温度和转子总出水温度的实时值作为输入量，输入训练好的模型，预测获得转子电阻拟合值；计算转子电阻实时值与拟合值之间的偏差值，根据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。本发明专利技术部署实施难度低，诊断结果准确可靠。诊断结果准确可靠。诊断结果准确可靠。

【技术实现步骤摘要】
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


[0001]本专利技术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。

技术介绍

[0002]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。
[0003]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。
[0004]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。
[0005]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。

技术实现思路

[0006]本专利技术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。
[0007]本专利技术采用如下技术方案：
[0008]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：
[0009][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R
F
；
[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
‑
R
F
)
÷
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R
F
；
...

【技术保护点】

【技术特征摘要】
1.一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，其特征在于，包括如下步骤：[S01]，模型训练阶段，包括：[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；[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；[S02]，在线诊断阶段，包括：[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R
F
；[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
；[S024]，计算转子电阻偏差值：a＝(R
’
F
‑
R
F
)
÷
R
’
F
×
100％；[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。2.根据权利要求1所述方法，其特征在于，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。3.根据权利要求1所述方法，其特征在于，所述[S011]之后，还包括：[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。4.根据权利要求3所述方法，其特征在于，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。5.根据权利要求1所述方法，其特征在于，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。6.根据权利要求1所述方法，其特征在于，所述[S021]之后，还包括：[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。7.根据权利要求1所述方法，其特征在于，所述[S024]之后，还包括：[S025]，偏差值抗扰处理...

【专利技术属性】
技术研发人员：尚荣艳，彭长青，方瑞明，翁超华，郭翔，
申请(专利权)人：华侨大学，
类型：发明
国别省市：