基于重復脈沖法的汽輪發電機轉子繞組匝間短路探測

范天明，曹 強

嘉峪關宏晟電熱有限責任公司，甘肅 嘉峪關 735100

0 引言

我國電力工業正處于大電網與大機組的發展階段。隨著單機容量的不斷增大，機組運行可靠性顯得尤為重要，因此，研究發電機在線監測與診斷十分必要。

大型汽輪發電機的轉子繞組經常會由于加工工藝不良和運行中各類機電作用的影響造成匝與匝之間的接觸，導致匝間短路故障的發生。轉子匝間短路故障是發電機運行中比較常見的故障，也是影響安全運行的主要原因之一。

本文針對酒鋼電廠3#發電機的現場實際情況，設計并在3#發電機上進行了轉子繞組匝間短路的重復脈沖試驗，建立了人工神經網絡模型，主要進行了以下幾個方面的分析研究：

1）對采用的試驗方法—重復脈沖法（RSO）的原理進行了較深入的分析，根據酒鋼電廠3#發電機現場的實際情況進行了RSO試驗。

2）在試驗所得波形的基礎上，分析并驗證了RSO試驗原理的正確性。

3）在試驗所得數據基礎上，利用MATLAB軟件初步建立了一個轉子匝間短路的人工神經網絡（ANN）模型。

1 重復脈沖試驗(RSO)

RSO重復脈沖法可用于轉子匝間短路的早期發現及短路的故障定位。其試驗基本過程是采用雙脈沖信號發生器對發電機轉子兩極同時施加一個前沿陡峭的沖擊脈沖波，用雙線錄波器錄得兩組響應特性曲線。將這兩組響應特性曲線比較，只有當兩響應曲線相同時，其差值才為一條直線，表明匝間無短路現象存在。否則，將說明匝間存在異常或短路。經過對響應曲線的計算分析或將檢測結果直接與發電機出廠時廠家提供的標準波形進行比較，可判斷轉子繞組匝間是否存在短路以及短路點的位置。

1.1 RSO試驗原理

RSO試驗應用的是波過程理論（行波技術），當信號發生器發出的低壓沖擊脈沖波沿繞組傳播到阻抗突變點的時候會導致反射波和折射波的出現，因此會在監測點測得與正常回路無阻抗突變時不同的響應特性曲線。匝間短路的程度通過故障點處的波阻抗變化大小來反映，顯示在波形圖上可以用2個響應特性曲線合成的平展程度來判定，有突出的地方說明匝間存在異常，并且突出的波幅大小就表明短路故障的嚴重程度。因此，即使繞組出現一匝短路故障，應用RSO技術對故障識別也有很高的靈敏度。

繞組可近似看作一簡單的傳輸線，沖擊波在其上的傳播主要是由繞組導體在槽中的幾何形狀和絕緣特性決定的，繞組的耦合作用將使沖擊波發生散射，但對于實心轉子來說，這種散射作用影響是不大的。當沖擊波加到轉子滑環的一端時，沖擊波的幅度由沖擊波發生器內阻和繞組波阻抗所決定。沖擊波從繞組的一端滑環傳到另一端的時間由繞組的長度和波在繞組中的傳播速度來決定。如果繞組的另一端是開路的，則反射系數K=1；如果是短路，則K=-1。反射波再返回到沖擊波發生器處時若發生器的內阻抗與波阻抗相等（在電源端K=0），則沖擊波被吸收，不再發生反射。由于匝間短路點的位置和程度不同，行波發生反射、折射的時刻及程度也不相同，故所測得的響應波形信號中必然包含了匝間短路故障的信息。

1.2 實驗室試驗

本次實驗室的試驗，是在華北電力大學電機教研室SDF-9型故障模擬試驗機組上完成的，該機組是一臺直流電動機——三相同步發電機組，它可以模擬多種情況下的轉子繞組匝間短路。從試驗結果可知：對于處于不同磁極的匝間短路，其特征波形在走勢上恰好相反；匝間短路程度越嚴重，其特征波形與橫軸所圍的面積越大。當匝間無短路情況時其特征波形基本上是一條與橫軸平行的直線。

1.3 現場試驗

1.3.1 現場試驗設備簡介

現場試驗是在酒鋼電廠二期工程300MW機組上進行，機組的主要參數如表1：

表1 發電機組基本參數

信號發生器為：HP33120A 型函數/任意波形發生器；

示波器為：Tektronix TPS2014隔離通道數字示波器。

1.3.2 現場試驗

現場試驗的接線圖和實驗室的相同，根據現場情況進行調節。根據現場調節過程中幾種不同情況下所得波形都為正常情況下波形。

1.3.3 試驗分析

幾種情況下其特征波形圖（略）都基本上是一條與橫軸平行的直線，這與從理論上所推導出的結論以及實驗室試驗所得結論是吻合的，從而說明此理論可以應用于現場實際。試驗中所采集信號為機組正常情況下的特征信號，可以作為基準值，在機組運行過程中，按照試驗中的方法采集特征信號，并將運行中的信號與正常情況下的基準值相比較，如果不吻合，則說明有匝間短路存在。但是這種直觀的方法不能很好的確定匝間短路的位置及程度，因此，需要建立人工神經網絡對故障進行較準確的分析和定位。

2 用人工神經網絡對試驗數據做進一步分析的探討

2.1 基于人工神經網絡的轉子匝間短路判定法

人工神經網絡(Artificial Neural Network，簡稱ANN)是由大量簡單的神經元按某種方式連接形成的智能仿生動態網絡。它是在不停頓地向生物神經網絡（Biological Neural Network，簡稱BNN）的學習中開始自己的學科研究的。

數學模型是某些事物或現象的一種“類似” ，一個精確的數學模型，應該比較準確的反映出真實系統的輸入、輸出和狀態之間的定量關系。

數學模型常見的有兩類：基本模型和黑箱模型。基本模型是以現實系統的基本物理、化學定律等理論為基礎而得到的一種模型，這種建模的方法往往因為現實系統的結構過于復雜，或其中存在著一些未知或不確定的參數和干擾等問題而使用價值較低。黑箱模型是對所研究現實系統一無所知的情況下，將現實系統視為“黑匣子”，而僅借助于輸入和輸出數據，透過數學技巧來解決系統的模式。

如果我們能夠對發電機轉子建立一個非常精確的數學模型，那么我們就有可能用行波理論對其匝間短路做出判斷。但是，該模型是一個多輸入多輸出非線性模型，傳統的基本模型不能夠很好的解決這一問題。神經網絡作為黑箱建模的一種工具就能夠較好的解決這一問題。經過適當設計和訓練的神經網絡能夠在輸入和輸出模式之間合成一個有效的非線性映射。這對于匝間短路檢測和定位是非常關鍵的。

圖1給出了利用神經網絡進行匝間短路檢測和定位的基本過程。由特征信號采集裝置采集的訓練數據用于神經網絡訓練。從特征信號中抽取的特征作為訓練標準的人工多層前饋神經網絡的輸入。將短路的位置編碼成若干輸出神經元，輸出神經元的數目由確定短路位置所需的分辨率決定。神經網絡的輸出神經元同隸屬函數的數目相等。在實驗期間，將神經網絡輸出進行解模糊，其中每一個隸屬度函數根據對應的輸出神經元加權。然后將加權的隸屬度函數相加，所得和的質心（第一動量）就是短路位置。

圖1 匝間短路測定過程框圖

2.2 發電機轉子匝間短路人工神經網絡模型構建

構建的人工神經網絡為BP(Back-Propagation Network)網絡，由輸入層，隱含層和輸出層構成。其中輸入層有10個輸入神經元，隱含層有13個神經元，輸出層有20個神經元，如圖2所示。

圖2 人工神經網絡結構圖

將RSO試驗中所得到的特征波形每連續100個采樣點分為一組，計算波形與橫軸所圍成的面積，將這10個面積值作為人工神經網絡輸入神經元的輸入，如圖3所示；將轉子每極480匝繞組平均分成10份，兩極960匝共分為20份，每一份的短路程度為輸出神經元的輸出，如圖4所示。例如：在L1、L2間短接情況下，通過計算可得出其輸入神經元輸入為：[3.778817.365833.052237.398784.640026.461144.000033.05007.53529.1908]，輸出神經元輸出為：[0.30 00 00 00 00 00 00 00 00 00]。

用試驗所得的輸入、輸出樣本訓練BP神經網絡，最后將得到一個與該大型汽輪發電機轉子匝間短路相對應的BP神經網絡模型，以后在匝間短路探測過程中只需先進行RSO試驗，然后提取特征波形，將特征波形與橫軸所圍得面積作為神經網絡的輸入，根據神經網絡的輸出就能夠判斷匝間短路的位置及程度。探測的精確度與試驗設備精度、參與神經網絡訓練的樣本數以及輸出神經元的個數直接相關，而輸入神經元和隱含神經元個數對精度也有一定影響。

圖3 輸入神經元輸入數據來源示意圖

圖4 輸出神經元輸出數據涵義示意圖

2.3 用MATLAB建立人工神經網絡模型

神經網絡工具箱是MATLAB眾多工具箱之一，它以人工神經網絡理論為基礎，用MATLAB語言構造出典型神經網絡的激活函數，使設計者對所選定網絡輸出的計算變成對激活函數的調用。另外，根據各種典型的修正網絡權值的規則，加上網絡的訓練過程，用MATLAB語言編寫出各種網絡訓練與設計的子程序，網絡的設計者可以根據自己的需要去調集工具箱中有關神經網絡的設計訓練程序，使自己能夠從繁瑣的編程中解脫出來，集中精力去思考問題和解決問題，從而提高效率和解題質量（具體程序從略）。

3 結論

本文針對大型汽輪發電機轉子匝間短路故障，對RSO波形探測法的原理、試驗過程及試驗數據分析作了一定的探討，可以得到如下幾點結論：

1）通過分析重復脈沖法（RSO）的原理，在試驗室利用SDF-9型故障模擬試驗機組、波形發生器及數字存儲示波器設計并進行了RSO試驗。利用試驗所得波形和數據信息進行分析，證明了RSO試驗原理的正確性，同時得到了進行轉子繞組匝間短路故障診斷的初步結論。

2）在試驗所得數據信息的基礎上，利用MATLAB軟件初步建立了一個轉子匝間短路的人工神經網絡（ANN）模型。利用此模型進行轉子繞組匝間短路故障診斷，能夠對短路位置和程度進行分析。