基于对角递归神经网络的异步电动机定子绕组匝间故障诊断方法 inter-turn fault detection of asynchronous motor stator winding based on diagonal recurrent neural network.pdfVIP

第29卷第7期 电力自动化设备 V01．29No．7 ElectricPowerAutomation 囝 2009年7月 Equipment Jul．2009 ■———■■■——■■■■—■■——●■■■——●■■■——■■■■—■——一I II——●■■■■●■—■—■——■——■■———■—■—■—■————■■■■■■■■—■●■■■——●——_ 基于对角递归神经网络的异步电动机 定子绕组匝问故障诊断方法 王旭红1．一．何怡刚2 (1．长沙理工大学电气与信息工程学院，湖南长沙410076； 2．湖南大学电气与信息工程学院，湖南长沙410082) 摘要：为了有效地监测异步电动机定子绕组匝间短路故障，提出了基于对角递归神经网络的匝间故障在线 诊断方法。该方法采用2个对角递归神经网络监测匝间短路故障。一个用于估算故障的严重度，另一个用于 确定定子绕组故障匝数。同时．提出自适应动态学习算法．训练对角递归神经网络，确定网络最优隐层神经元 的个数．使诊断模型更加紧凑和精确。根据该方法构建了试验系统并进行了匝间短路试验。试验结果表明：基 于对角递归神经网络的诊断模型．在不同工况下可精确确定定子绕组短路故障的匝数。由于对角递归神经网 络具有动态处理能力．和前馈神经网络相比，克服了前馈神经网络故障诊断模型无动态处理能力的局限性。 能更有效地监测定子绕组匝间短路故障． 关键词：异步电机：定子绕组：匝间故障诊断：对角递归神经网络；自适应动态学习算法 中图分类号：TM343：TP277 文献标识码：A 与常规递归神经网络相比。其结构和算法较简单．收 0引言 敛迅速且易于在线调整．因此可用它来监测异步电 动机不同运行状态下定子绕组匝间故障。 异步电动机运行过程中。定子绕组在热、电、机 本文所提出的方法具体为：采用2个DRNN监测 械、环境应力等共同作用下．经常发生匝间短路故 异步电动机定子绕组匝间故障．一个用估算故障的 障。运行经验表明．这类故障的发生率高达电动机故 障总数的35％左右[1-引．如果长期发展下去．匝间短严重度．另一个用于确定故障绕组的短路匝数。为 路故障往往导致相间短路或接地短路故障．危害严 使DRNN模型更简单和精确．采用自适应的学习动 态算法以确定最优隐层神经元的个数。试验结果证 重。因此。对电动机的早期匝问短路故障进行检测， 及时发现并排除．对保障电机的安全运行及减少停 明了该方法的有效性。 机具有重要意义。 1 匝间故障诊断方法 通过监测定子电流负序分量诊断定子绕组匝间 故障的方法已得到诸多学者的应用…．然而因电源 异步电动机定子 电压不对称及电机结构不对称等因素的影响．使检 绕组匝间故障诊断方 ％ 测的准确度具有一定误差[5]。通常的解决方法是：结 法见图1．它由2个 ～ 巩 合异步电动机对称状态下的数学模型．对电压不对 DRNN组成。一个L 称的影响进行分析。但这种方法忽视了电机本身固 DRNN采用电机正常 有的不对称因素，从而导致误诊断[6-7J。近年来，人工