无刷励磁同步发电机旋转整流器故障的模糊神经网络诊断
刘念1,3,谢驰2
(1.四川大学电气信息学院,四川成都610065;2.四川大学测控工程系,四川成都610065;3.重庆大学电气工程学院,重庆400044)
Diagnosis of fuzzy neural network for rotating rectifier faults of generators with brushless excitation
LIUNian1,3,XIEChi2
(1.Electric Information College,Sichuan University,Chengdu 610065,China; 2.Department of Measurment & Control Engineering,Sichuan University,Chengdu 610065,China;3.Chongqing University,Chongqing 400044,China)
Abstract: Fuzzy neuralnetwork,whichis a convenientartificialintelligent processingsystem,is made up offuzzylogic and neural network.
It hasthe merits offuzzy technology and neural networktechnology.Sothis kind of diagnosis systemcan be used widelyin diagnosing faultinpowersystem.Thefuzzy neuralnetwork of detectingthefault conditionsofrotating rectifiersin synchronous generators with brushless excitationis studiedin this paper.The paperintroduces howto use thefuzzy neural networkrecognizing the faultsto constructthe diagnosis modelsothatthe ability of diagnosing thefaults has beenincreased effectively.
Key words: brushless excitation; rectifierfault; fuzzy neural network
摘要:模糊神经网络是模糊逻辑与神经网络相结合而构成的,具备模糊技术和神经网络技术的优点,应用于电力系统故障诊断中,是一种使用方便的人工智能处理系统。基于模糊神经网络对无刷励磁同步发电机旋转整流器故障诊断进行研究。经过训练后的模糊神经网络,在对旋转整流器故障进行诊断时,有较高的准确性和有效性。
关键词:无刷励磁;整流器故障;模糊神经网络
1 引言
无刷励磁技术彻底解决了大容量或超大容量同步发电机励磁电流过高所带来的一系列集电环电刷问题,保证大型发电机组能够长期连续运行。目前,越来越多的大型无刷励磁发电机组在电力系统中运行,但是无刷励磁同步发电机组中的转子旋转整流器是无刷励磁系统中最为重要的环节,必须确保其工作在正常状态。对整流器故障首先要分清故障性质,进行不同的处理:
(1)整流元件开路故障为缓变故障,可以作为故障诊断的对象,并通过保护装置适时动作切除开路故障。
(2)对整流元件短路故障,首先应考虑保护动作,要求保护装置尽快动作切除短路故障。因为短路故障可能在数秒或数分钟内烧毁绕组,没有足够的时间完成故障诊断处理。
因此,当旋转整流器任何桥臂上的功率二极管发生故障(开路),监控保护系统就应该正确定位诊断是哪一组桥臂发生故障,并迅速给予预警与保护控制,实现大型无刷励磁同步发电机组转子旋转整流器的预知性维护。
本文针对这种问题,采用了模糊神经网络识别技术,对无刷励磁同步发电机组转子旋转整流器故障建立诊断模型。模糊规则的建立是通过神经网络BP学习算法实现的,从而建立了高精度定位诊断系统,不仅扩大了诊断旋转整流器病态的范围,而且提高了故障诊断的定位精度。
2 故障诊断信号提取
无刷励磁同步发电机转子旋转整流器工作状态的在线实时监测需要转子侧旋转整流器的相关信息。由于同步发电机转子取消了滑环和电刷,转子侧旋转整流器的常见故障波形特征(故障特征)的提取无法直接完成。
一种获取转子旋转整流元件故障特征(一般指开路故障)的方法是直接采用与同步发电机同轴旋转的交流励磁机的定子励磁线圈作为探测线圈,其优点是省去了设计、安装和维护专用探测线圈的工作,而且便于现场采集信号数据,同时转子信号较 强,且含转子故障信息量大,提取过程由图1所示。
在交流励磁机定子励磁线圈上并联电容C1和C2,交流励磁机转子电枢电流产生的电枢磁场必然切割其定子励磁线圈,并感应电势,然后通过电容C1和C2分压,只需采集带有转子故障信息的电容C2两端的电压波形,进行频域分析,分解出不同幅值的各次谐波分量,作为人工智能故障诊断信号。
设电容C2两端的电压信号波Uc(t)的周期为T,由傅立叶级数展开为
由于傅立叶级数分解计算要进行大量的加减、乘除运算,故采用具有一定精度的复化梯形积分公式,式(2)傅立叶级数系数表达式为:
3 故障诊断模型
交流励磁机的定子磁极线圈受静止励磁整流装置和磁极铁心饱和的影响,使电容C2两端电压波形信号的信噪比加大。通过建立模糊神经网络的人工智能故障诊断模式,校正无刷励磁同步发电机转子旋转整流器故障信号的失真度,从而提高了故障诊断的定位精度。由于神经网络理论是模拟生物神经元的作用方式和结构,通过训练将学习信息保留,从而描述过程特性。模糊逻辑系统可表示为模糊基函数的展开式,神经网络的本质可视为一些函数的线性组合。模糊神经网络作为具有学习算法的逻辑系统,在电力系统中得到广泛应用。
研究表明,交流励磁机定子外接电容C2两端的电压波形信号频谱特性与无刷励磁同步发电机转子旋转整流器工作状态具有一定的对应关系,当转子旋转整流器发生故障时会引起电容C2两端的电压波形信号频谱特性的改变,利用神经网络的学习和记忆功能可以提取不同工况下磁极电容电压Uc(t)波形信号的频谱特性与转子旋转整流器故障的非线性关系,建立一种模糊逻辑规则。由于规则考虑了交流励磁机的定子磁极线圈受静止励磁整流装置和磁极铁心饱和的影响,模糊诊断系统具有较高的可靠性。因此,可以利用神经网络的学习算法对模糊诊断系统进行训练,实现模糊神经网络的参数辨识。
模糊神经网络由输入层、模糊推理层和输出层组成。输入模糊化函数取为高斯型隶属函数:
模糊推理层节点个数可由样本进行聚类得到,亦可根据实际要求调整以满足精度要求。θij、αij、λij分别与模糊推理层的节点相对应。输出函数可表示为:
对输出函数式(6),诊断模型的确定问题可转化为误差方程:
基于神经网络BP算法,学习过程的参数修正按式(8)、(9)、(10)对系统网络的参数进行训练,则可确定基于模糊神经网络的故障诊断系统,如图2所示。
在图2中,输入层有6个神经元,其输入信号是{,
,分别为交流励磁机定子外接电容C2两端的电压Uc(t)波形信号的基波、2次谐波、3次谐波、4次谐波、5次谐波和6次谐波的相应值;隐含层为模糊推理层,共设有5个神经元;输出层有3个神经元,输出结果为
,
则能够对无刷励磁同步发电机转子旋转整流器的8种工作状态进行准确诊断。根据模糊神经网络S型函数的特点,设置旋转整流器故障模糊神经网络的诊断输出
分别是(0.1,0.1,0.1),(0.1,0.1,0.9),(0.1,0.9,0.1),(0.1,0.9,0.9),(0.9,0.1,0.1),…,(0.9,0.9,0.9)的诊断期望值。
4 故障诊断实例
从一台360 k W无刷励磁同步发电机的交流励磁机定子外接电容C2两端采集了旋转整流器的8种运行工况数据,如表1所示。设反映同步发电机旋转整流器运行工况的集合为Q,
其中:P1为旋转整流器正常运行;P2为A相正组(A+)臂开路故障;P3为A相负组(A-)、B相正组(B+)两臂开路故障;P4为B相正组(B+)臂开路故障;P5为A相负组(A-)、B相正组(B+)两臂开路故障;P6为A相正负组(A+、A-)两臂开路故障;P7为A相负组(A-)、B相正组(B+)和C相负组(C-)三臂开路故障;P8为A相负组(A-)、B相正组(B+)和C相负组(C-)三臂开路故障。
5 结束语
大型同步发电机旋转整流器发生病变时,将引起交流励磁机电枢磁场随之变化 ,并在交流励磁机定子磁极线圈中感应出一系列谐波电势,此谐波电能反映出转子旋转整流器的运行工况。因此,本文介绍了模糊神经网络系统在大型同步发电机旋转整流器故障诊断中的应用,结果表明所建立的诊断模型具有良好的诊断效果 。
上一篇:DS系统与MIS系统安全隔离技术