[发明专利]一种异步化超高压同步发电机失磁故障诊断方法

说明书

本发明涉及异步化超高压同步发电机技术领域，尤其涉及一种异步化超高压同步发电机失磁故障诊断方法。包括以下步骤：步骤(1)，采集异步化超高压同步发电机的转子电压信号，定子电压信号和定子电流信号；步骤(2)，进行小波包分析，得到转子电压信号，定子电压信号和定子电流信号的各子频带的能量值特征向量；步骤(3)，构建BP神经网络，应用Levenberg‑Marquardt算法进行训练并输出故障状态；步骤(4)，构建逻辑运算单元，将不同信号分析得到的故障状态通过逻辑运算，最终输出故障状态。本发明实现了对异步化超高压同步发电机失磁故障的诊断，可以快速、准确地判断失磁故障的类型，并且有效地排除了在判断失磁故障时定子端三相短路故障的干扰。

技术领域

本发明涉及异步化超高压同步发电机技术领域，尤其涉及一种异步化超高压同步发电机失磁故障诊断方法。

背景技术

异步化超高压同步发电机是一种结合了异步化同步发电机和超高压发电机的新型发电机，其同时具有异步化同步发电机和超高压发电机的优点，是一种可以直接并网的新型高压发电机，异步化超高压同步发电机与传统发电机相比有如下优点：有功功率、无功功率及转速可独立调节，可实现变速恒频发电，可实现深度进相运行。

发电机突然部分或全部失磁是发电机励磁回路常见的故障之一，发电机励磁绕组短路或者断路均会导致失磁故障，失磁故障会导致电机局部过热、系统元件过电流，甚至会使电力系统发生崩溃现象，严重威胁大型发电机组的安全稳定运行。如果采用有效的失磁故障诊断技术，准确判断出失磁故障即可保证发电系统安全稳定运行，所以，对异步化超高压同步发电机失磁故障诊断的研究是极为必要的，一种异步化超高压同步发电机失磁检测系统[CN206627603U]利用主辅助判据相结合的方式检测失磁故障，但无法判断出导致失磁的故障类型。目前，国内还没有对于异步化超高压同步发电机失磁故障类型诊断方法的相关研究。

发明内容

为了克服上述现有对于异步化超高压同步发电机失磁故障类型诊断方法的缺失，本发明提供了一种异步化超高压同步发电机失磁故障诊断方法。

一种异步化超高压同步发电机失磁故障诊断方法，包括以下步骤：

步骤(1)，采集异步化超高压同步发电机的转子电压信号，定子电压信号和定子电流信号；

步骤(2)，进行小波包分析，得到转子电压信号，定子电压信号和定子电流信号的各子频带的能量值特征向量；

步骤(3)，构建神经网络W1，神经网络W2和神经网络W3；将小波包分析提取的转子电压信号的能量值特征向量作为神经网络W1的输入向量，进行训练并输出故障状态G1；将小波包分析提取的定子电压信号的能量值特征向量作为神经网络W2的输入向量，进行训练并输出故障状态G2；将小波包分析提取的定子电流信号的能量值特征向量作为神经网络W3的输入向量，进行训练并输出故障状态G3；

步骤(4)，构建逻辑运算单元，将故障状态G1，故障状态G2和故障状态G3作为逻辑运算单元的输入，逻辑运算单元输出故障状态G。

所述小波包分析包含对转子电压信号，定子电压信号和定子电流信号进行去噪，分解，重构和提取小波包能量值。

所述小波包分析法使用的是db4小波函数信号并进行三层小波包分解，得到第三层各子频带小波包能量值。

将所述的小波包能量值组成能量值特征向量T＝{E0，E1，E2，E3，E4，E5，E6，E7}，用于神经网络的输入。

所述的神经网络W1，神经网络W2和神经网络W3均采用3层BP神经网络，包含输入层，隐含层和输出层，输入层的神经元节点数为8，输出层的神经元节点数为3，隐含层神经元节点数满足：其中h为隐含层神经元节点数，n为输入层神经元节点数，m为输出层神经元节点数，a为调节常数，a的取值范围为1到10之间。