基于支持向量回归机的同步发电机励磁电流预测方法.pdfVIP

第32卷第3期 成都大学学报(自然科学版) V-01．32No．3 of scienceEdition) 2013 2013年9月 Journalchengduuniversity(Natural Sep． 文章编号：l004—5422(2013)03一0274一04 基于支持向量回归机的同步发电机 励磁电流预测方法 李红连1’2，唐炬2，方红1，谭健敏1，雷霖1 (1．成都大学电子信息工程学院，四川成都6lOl06； 2．重庆大学输配电装备及系统安全与新技术国家重点实验室，重庆400044) 摘要：为了能更准确、容易地在线诊断出同步发电机转子绕组匝间短路故障，提出了一种基于支持向量回归 机的励磁电流预测方法．利用同步发电机正常运行时不同工况下的机端电压、有功功率、无功功率和励磁电流 来建立发电机励磁电流的支持向量回归机预测方法．利用该方法预测正常运行时所需励磁电流，并与在线实测 的励磁电流进行比较，误差(相对误差)超过阈值就诊断为发生匝问短路故障．通过微型同步发电机动态模拟实 验表明，该方法的精度优于BP神经网络法和遗传规划法． 关键词：故障诊断；匝间短路；励磁电流；同步发电机；支持向量回归机 中图分类号：7鹏0r7 文献标志码：A 了成功【2一】．需指出的是，BP神经网络方法因参数 O 引 言 设置复杂，存在局部最优、过拟合等现象造成泛化性 同步发电机转子绕组发生匝间短路故障是一种 能差异大、不易移植到同类问题的建模等缺点；GP 常见的电气故障，该故障将导致转子局部过热、振 方法也存在与之相似的问题，其性能与参数设置有 动，甚至发展为转子接地故障，并可能会危及所接人 关．支持向量回归(Sup叫Vector 电网的稳定与运行安全．由于发电机转子高速旋转 V＆tor 是支持向量机(Suppon 早期易发的故障一般为少数几匝绕组短路，而匝间 算法【5qJ，继承了SVM的优点，是一种机器学习算 短路难以及时监测到．因此，进行同步发电机转子绕 法，其基于结构风险最小化原理，与神经网络等传统 组早期故障的在线监测与诊断，对故障部位及其严 机器学习方法相比，在解决小样本、高维度以及非线 重程度、故障发展趋势做出实时诊断，已逐步成为实 性问题上具有明显的优势，在推广性能上，克服了神 现同步发电机状态检修的一个重要研究方向和课 经网络由于局部最优与过拟合造成的推广、泛化性 题uJ．例如，研究人员采用精确的同步发电机数学模 能不佳的缺点，只需较少的支持向量就有很好的推 型和通过在线实测的发电机电压、有功功率、无功功 广能力，非常适合自动建模问题[5。8】．基于此，本研 率等机端参数来计算励磁电流，并与在线实测励磁 究拟采用SVR算法进行同步发电机励磁电流的自 电流进行比较，从而判断发电机转子绕组是否存在 动建模研究，以实现同步发电机转子绕组匝间短路 匝问短路故障以及短路故障的严重程度． 故障的在线自动监测与诊断． 要建立精确的同步发电机数学模型需要完整的 1 SVR算法概述 同步发电机各物理参数，这在工程上是比较难收集 到的．对此，一些科研人员意识到智能算法在参数建 SVR算法的主要思路是将低维的输人向量映射 模的