發電機組電氣故障智能檢測技術研究

肖平

摘 ?要：電氣故障是發電機組正常運行的重大隱患，及時檢出電氣故障具有重要意義。針對發電機組的電氣故障檢測問題，提出一種基于回聲狀態網絡的智能檢測方法，可以實現發電機組電氣故障的自動實時檢測。此方法中，將發電機組的常見10類故障作為輸入，進而納入回聲狀態網絡中進行學習和訓練，并根據網絡分析結果做出故障判斷。實驗過程中，通過多種傳感器配合人工巡檢采集各變量數據，通過多變量時間序列數據在回聲狀態網絡中的訓練和學習，形成故障檢測的最終結果。實驗結果表明，該文提出的智能檢測算法可以對發電機組的運行狀態進行自動實時的故障檢測。該文所提出的方法具有非人工、智能化、實時性的特點。

關鍵詞：發電機組；電氣故障；智能檢測；測試分析；回聲狀態網絡

中圖分類號：TM307.1 ? ? ?文獻標志碼：A ? ? ? ? ?文章編號：2095-2945（2024）18-0173-04

Abstract： Electrical fault is a major hidden danger to the normal operation of generator sets， so it is of great significance to detect electrical faults in time. Aiming at the problem of electrical fault detection of generator set， an intelligent detection method based on echo state network is proposed， which can realize automatic real-time detection of generator set electrical fault. In this method， 10 kinds of common faults of generator sets are taken as input， and then incorporated into the echo state network for learning and training， and the fault judgment is made according to the results of network analysis. In the course of the experiment， through a variety of sensors with manual inspection to collect variable data， and through the training and learning of multi-variable time series data in the echo state network， the final result of fault detection is formed. The experimental results show that the intelligent detection algorithm proposed in this paper can automatically and real-time detect the fault of the generator set. The method proposed in this paper is non-manual， intelligent and real-time.

Keywords： generator set; electrical fault; intelligent detection; test and analysis; echo state network

在各種形式的能源供給中，電能占有十分重要的地位。電能作為一種二次能源，是清潔型能源，并且可以為人們生產生活的各種用電器提供能源動力[1]。在電能供給體系中，發電站扮演著十分重要的角色。發電站內的發電機組通過持續工作，將電能源源不斷地輸送到電網，確保千家萬戶的電力設備可以正常使用。發電機組的構成形式復雜，并且因設備的不同而不同[2]。但是，其中最核心的部件都是變壓器。變壓器可以調整電能供給端到電能需求端的電壓差降，是發電機組工作的關鍵。為了確保發電機組的正常工作，必須對變壓器進行有效的維護[3]。在常規檢修狀態下，主要是通過人工巡檢，定期或不定期地對發電機組進行檢查，或者根據突發故障對發電機組進行有針對性的維修。人工方法的最大問題是效率低、出錯率高，并且無法對一些潛在的安全隱患及時排查。為此，本文以發電機組尤其是變壓器為關鍵組件，采用多種傳感器結合智能檢測方法進行自動化的故障檢測，以期更好地維護發電機組的安全運營。

1 ?發電機組電氣故障的分類

發電機組的構成非常復雜，包含了多種類型的設備、部件、組件。因此，發電機組的故障也千差萬別。為了便于歸納，可以采取不同的分類標準對發電機組的故障類型進行劃分。這里采取2種分類原則。

第一種分類原則，按照內部或外部的差異進行劃分，發電機組可能出現2類故障所下。

第一類，發電機組的內部故障。例如，其關鍵組件變壓器上纏繞電阻線出現故障，關鍵組件變壓器的鐵芯絕緣出現問題，連接組件螺栓絕緣出現問題，重要組件電壓開關出現問題，機油老化等。

第二類，發電機組的外部故障。例如，關鍵組件變壓器的承載油箱漏油，各組件單元之間聯動控制裝置出現問題，發電機組的整體冷卻裝置失效，輔助用溫度計失靈，繼電器組件不能正常工作等。

第二種分類原則，按照故障的發生和存續時間長短來進行劃分，發電機組可能出現2類故障如下。

第一類，發電機組的瞬時故障。當發電過程中，電壓出現短時間的劇烈波動從而導致絕緣失效，甚至引發一系列外部的電氣故障，都屬于瞬時故障。自然條件經常是此類故障的誘因，如雷暴、地震、颶風等。

第二類，發電機組的累積故障。在發電機組持續工作相當長的時間后，不斷累積的老化、破損導致的故障，如發電機組的絕緣老化失效、線組破損等。

為了便于后續的智能檢測處理，本文按照故障嚴重程度，對發電機組的故障進行3種劃分：重度故障、中度故障、輕度故障，具體見表1。

2 ?發電機組電氣故障智能檢測方法

針對發電機組的故障檢測問題，本文提出一種融合人工定期巡檢和多傳感器實時采集的方法，并通過回聲狀態網絡進行智能判斷，形成有關檢測結果的最終判斷。這里考慮到發電機組對于更高安全性的追求，在同時對表1中10個故障變量進行監測的過程中，如果其中1個變量確定為重度故障，則直接停機，等候全面檢修。如果其中1個變量確定為中度故障，立即派人去現場對該故障進行確認。當沒有出現重度故障和中度故障的時候，調用回聲狀態網絡方法，綜合10個故障變量的時間序列數據，納入智能決策算法，進行故障情況的判斷，形成最終的檢測結果。

從結構上看，回聲狀態網絡和一般的神經網絡具有相似性，但其中間層的神經元數量非常豐富，從而具有更強的計算能力和非線性逼近能力，這對于適應發電機組成因復雜的多種可能性故障，具有更強的針對性。本文采用的回聲狀態網絡，結構上如圖1所示。

從圖1中可以看出，用于發電機組故障檢測的回聲狀態網絡，分為3個層次。其中輸入是10個故障變量的時間序列數據，中間層是數量豐富且結構關系復雜的神經元組列，輸出是故障程度的判斷結果。這3個層次的數學模型，如公式（1）所示

， ?（1）

式中：I（k）為發電機組故障檢測回聲狀態網絡的輸入、C（k）為發電機組故障檢測回聲狀態網絡的中間層神經元、O（k）為發電機組故障檢測回聲狀態網絡的輸出，l、m、n為發電機組故障檢測回聲狀態網絡各層次的神經元數量，k是采樣值。

圖1中的輸入，一共包括了10種故障狀態變量，具體如下。

I1代表“漏油故障”變量，即發電機組故障檢測回聲狀態網絡的第一個輸入；I2代表“油位故障”變量，即發電機組故障檢測回聲狀態網絡的第二個輸入；I3代表“閃絡故障”變量，即發電機組故障檢測回聲狀態網絡的第三個輸入；I4代表“穢物故障”變量，即發電機組故障檢測回聲狀態網絡的第四個輸入；I5代表“散熱故障”變量，即發電機組故障檢測回聲狀態網絡的第五個輸入；I6代表“溫差故障”變量，即發電機組故障檢測回聲狀態網絡的第六個輸入；I7代表“切換開關老化故障”變量，即發電機組故障檢測回聲狀態網絡的第七個輸入；I8代表“繞組漏電故障”變量，即發電機組故障檢測回聲狀態網絡的第八個輸入；I9代表“鐵芯絕緣故障”變量，即發電機組故障檢測回聲狀態網絡的第九個輸入；I10代表“繞組變形故障”變量，即發電機組故障檢測回聲狀態網絡的第十個輸入。

基于回聲狀態網絡的智能檢測算法，其實施流程一般包括以下幾個步驟。

第一個步驟，首先將10類故障的時間序列數據，按照相同的時間坐標輸入到回聲狀態網絡的輸入單元。這時需要注意的是，10類故障數據量綱不同、閾值范圍大小不一，這就需要進行歸一化處理，以便于輸入數據都處在相同的變化范圍之內。

第二個步驟，將輸入的10個變量數據送入回聲狀態網絡的隱含層，這里有數量豐富的神經元，可以對全部數據進行整理、歸類、分析，并通過神經元之間的關系模擬逼近各個輸入之間的關系，進而建立網絡內部的各輸入變量關系模擬矩陣，以及隱含層到輸出層的關系模擬矩陣。

第三個步驟，隱含層根據大量經驗數據的學習和訓練，結合當前輸入數據，對發電機組可能存在的故障狀態進行智能判斷，并將判斷結果輸出到輸出神經元。

在回聲狀態網絡的性能測試中，分別選取了500組、1 000組數據，對其收斂性能進行測試，結果如圖2所示。

從圖2中可以看出，用于回聲狀態網絡訓練的數據量越大，其收斂速度越快，并且收斂時的迭代誤差越小。因為從圖2中2條曲線的對比可以看出，1 000組數據訓練下，收斂速度要快于500組數據的訓練結果，并且收斂時的迭代誤差減小了70%。

3 ?發電機組電氣故障智能檢測實驗

接下來的工作中，對發電機組電氣故障智能檢測的結果進行實驗驗證。這里，首先給出各變量數據的采集結構框圖，如圖3所示。

從圖3中可以看出，10種常見的故障都通過特定的檢測方法或傳感器進行檢測，從而確保及時有效地傳輸到發電機組故障檢測的數據庫端。發電機組電氣故障的智能檢測算法流程框圖如圖4所示。

這些數據將統一在智能檢測的服務器端進行處理，發電機組故障智能檢測服務器端的操作界面設計結果，如圖5所示。

圖5中，點擊設備狀態智能分析按鈕，界面中右上區域將變為設備狀態智能分析區域。區域中包含以下控件：上方可以選擇樣本數據的路徑，點擊打開文件導入樣本數據；左下包含了網絡訓練和分析過程中的參數配置，包括迭代次數、迭代閾值、輸入權重矩陣、輸出權重矩陣和隱含權重矩陣等；右下包含了網絡訓練和網絡分析2個按鈕，點擊它們可以觸發訓練功能、分析功能的響應函數。

圖5是通過樣本數據，對ESN網絡進行訓練。此次訓練過程中，設定迭代次數為1 000次，迭代閾值為0.01。如果迭代結果始終不能小于0.01，則執行1 000次迭代為止，如果迭代次數不到1 000次，迭代結果就小于0.01，也結束迭代過程。此時得到的輸入權重矩陣、輸出權重矩陣、隱含權重矩陣，就是可用于當前狀態參數分析的結果。

根據樣本數據，執行回聲狀態網絡訓練后，確定回聲狀態網絡各關鍵參數，進一步對當前采集到的發電機組狀態進行智能分析，結果如圖6所示。

從圖6的結果中可以看出，發電機組中編號為Z1S5BYQ5的變壓器，其狀態的智能分析結果為中等異常，根據事先規定的處理原則，應立即派人檢修。從上述處理過程可以看出，通過對發電機組各個可能故障狀態的臺帳記錄和實時采集，配合回聲狀態網絡智能分析方法，可以由檢測系統自動給出分析結果，實現了變壓器這一變電站核心電力設備狀態的智能檢測。

4 ?結束語

電能供給是有關日常生產和生活的最重要能量供給形式，關系到生產進度和人們日常生活的便利。發電機組是電能供給的核心設備，其安全性關系到電能供給能否可靠地進行。本文中，在傳統的常規人工檢測的基礎上，提出了一種多故障類型綜合智能檢測方法，用于發電機組故障的智能檢測。其使用的核心技術，是基于回聲狀態網絡的智能檢測算法。實現被確定劃分的各種常見故障類型，以變量的形式作為回聲狀態網絡的輸入，經過回聲狀態網絡的綜合判斷形成最終的檢測結果。實驗結果表明，本文提出的智能檢測方法，可以實現對發電機組的實時故障檢測，對于提升發電機組安全性能具有重要的實用價值。

參考文獻：

[1] 李曉明，彭昆.關于對電力電子視閥下的電力設備狀態檢修技術的應用之探討[J].電子技術與軟件工程，2018，16（3）：234-234.

[2] 李正存，唐松楊，李紅文，等.電力系統自動化專業狀態檢修技術的探究[J].中國電業（技術版），2018，12（2）：103-106.

[3] 廖瑞金，張鐿議，黃飛龍，等.基于可拓分析法的電力變壓器本體絕緣狀態評估[J].高電壓技術，2017，38（3）：521-526.