基于D-FNN的发电机转子匝间故障诊断.pdfVIP

第 39卷 云 南 电 力 技 术 Vo1．39No．5 2010年 l0月 YUNNAN ELECTRIC POWER Oct．2010 基于 D—FNN的发电机转子匝间故障诊断 田冰冰 刘 念 (四川大学电气信息学院，四川 成都 610065) 摘要：针对 目前智能方法在汽轮发电机转子匝间短路故障诊断中存在的不足，提出了一种基于扩展径向 基 (RBF)神经网络的动态模糊神经网络D—FNN的智能诊断方法。与传统的BP神经网络不同，D— FNN的结构不是预先设定而是在训练中实时动态产生并修剪，从而使该方法能有效避免BP神经网络结 构确定不合理，容易陷入局部最小，收敛速度慢，精确度不高等缺点。通过在Matlab／Simulink下仿真 一 台发 电机并网运行时转子绕组匝间短路故障获取训练样本。使用训练好的D—FNN进行故障诊断，诊 断结果表明了该方法的有效性、实用性和优越性，达到了预期诊断 目的。 关键词：汽轮发电机 转子匝间短路 D～FNN 故障诊断 中图分类号：TM26 文献标识码：B 文章编号：1006—7345 (2010)05—0046—04 1 前言 方法为指导，通常只能靠经验和试凑来给定，这 发电机转子匝间短路是一种常见的电气故障， 使得这些方法的实用性受到了限制。 动态模糊神经网络是一种结合模糊推理和神 由于轻微的转子线圈匝间短路故障对机组正常运 经网络的优点于一身的动态神经网络，其结构不 行影响不大或特征不明显，故许多匝间短路故障 是预先设定，而是动态变化的。在开始学习前， 都被忽略了，但长期运行下去将必然导致一系列 没有一条模糊规则，其模糊规则在学习过程中逐 电气和机械故障。这些故障发展到一定程度时， 渐增长而形成。较之常见的模糊神经网络方法， 不仅对机组本身的安全稳定运行构成巨大威胁， 甚至危害电力系统 的运行安全 ，因此进行发电机 该方法所得到的模糊规则数并不随输入变量的增 加而按指数增长，特别是该方法无须领域的专家 转子绕组匝间短路故障的在线监测十分必要。 知识就可以对系统 自动建模及抽取模糊规则 (知 由于发电机的结构非常复杂，而且饱和磁场 识)。动态模糊神经网络除了上述特点另外还有 是非线性的，故直接利用发电机的数学模型从理 在线学习方法、简单且有效的学习算法、学习具 论上取得故障特征的精确化结论是很困难的，运 用人工智能具有处理非线性映射问题能力的特点 有快速性等优点。 以下对汽轮发电机转子线圈匝间短路的故障 来解决此问题。可利用BP网络将发电机的输出 机理进行了分析，利用基于扩展径向基 (RBF) 有功功率P，无功功率8，和定子电流 I作为其输 神经网络的动态模糊神经网络D—FNN为推理工 人量，匝间短路匝数 占总匝数的百分数 ％为作 具，以在线采集到的发电机转子电流、定子电压、 为输出量，从而达到故障诊断 目的。还可通过建