一种基于PCC-SVM的发电机转子匝间短路在线监测方法与流程

一种基于pcc-svm的发电机转子匝间短路在线监测方法
技术领域
1.本发明涉及电气设备缺陷检测和预警领域，具体涉及一种基于pcc-svm的发电机转子匝间短路在线监测方法。


背景技术：

2.转子绕组匝间短路缺陷是汽轮发电机最常见的缺陷之一，所导致的突发故障不仅扰乱了发电厂的生产计划，还给生产运行带来很大压力。若故障未能及时被发现，继续发展下去甚至会引起转子绕组接地、大轴磁化等严重故障，造成更为严重的经济损失。因此，对大型汽轮发电机转子绕组匝间绝缘状态进行在线检测评估，对匝间短路缺陷进行预警十分必要。
3.转子绕组匝间短路故障的准确判断是复杂的系统工程，与故障位置、严重程度、运行年限等因素均有关。目前，国内转子绕组匝间短路故障在线监测方法主要有基于磁场探测的故障监测法，利用机组振动特性的故障监测法，利用运行中的电气量的故障监测法。另外，针对转子绕组匝间短路时不平衡磁拉力、电磁转矩、轴电压以及端部漏磁的研究也有开展。其中，基于磁场探测的故障监测法由于需加装线圈，且在发电机满载状态下，由于电枢反应的影响，探测线圈获得的各槽波形变化及其细微，难以判别故障发生。要励磁电流法由于监测方便，不需要额外增设传感器，较为适合在线监测与评估。励磁电流法通过解析法计算励磁电流的理论值，并与发电机实际励磁电流值进行比较，以励磁电流的相对变化率为依据，建立在线识别的判据。但是，传统解析法计算励磁电流理论值时，没有考虑发电机内部磁场的饱和状态发生变化，忽略了同步电抗的变化对计算励磁电流值的影响，对励磁电流的计算不够精确，可能会导致误判率较高。


技术实现要素：

4.本发明的目的是提供一种能够较好地对发电机转子绕组匝间短路缺陷在线检测，从而保障发电机可靠运行的发电机转子绕组匝间短路缺陷在线检测方法。
5.为达到上述目的，本发明提供了一种基于pcc-svm的发电机转子匝间短路在线监测方法，用于对发电机的转子绕组是否发生匝间短路缺陷进行检测，包括以下步骤：
6.s1、根据所述发电机一段时间内运行的历史数据，利用皮尔逊相关系数计算所述发电机多个运行参数之间的相关性，以得到一类或多类的特征参数；
7.s2、对所述特征参数附加是否出现匝间短路故障的标签，以得到训练样本集；
8.s3、利用所述训练样本集数据对支持向量机模型进行训练，以得到故障判别模型；
9.s4、利用所述故障判别模型对所述发电机待分析的运行参数进行分析，以得到其出现匝间短路故障的概率，若在一段时间内所述出现匝间短路故障的概率持续超过预设的安全阈值，则进行报警提示。
10.进一步地，所述特征参数的类型包括励磁电流与轴承振动的相关系数、励磁电压与轴承振动的相关系数、同一轴承多个方向振动的相关系数以及不同轴承间振动的相关系
数。
11.进一步地，对不同类型的特征相关参数进行自由组合，形成不同的运行数据集，并分别通过所述支持向量机模型计算测试结果的准确率，以得到最佳特征相关参数组合。
12.进一步地，选取所述发电机不同时长的历史数据，并进行步骤s1-s2的处理，然后分别在所述支持向量机模型中进行训练，并得到运算所需时间，以确定最佳样本时间。
13.进一步地，依据所述最佳样本时间，选取相同型号的发电机的历史运行参数，通过皮尔逊相关系数计算，并附加是否出现匝间短路故障的标签，以得到测试集。
14.进一步地，将所述测试集中所述最佳特征相关参数组合对应的运行数据集输入所述支持向量机模型进行测试，并与相应的标签结果进行比较，得到测试结果的准确率，若不符合准确率的要求，则修改所述支持向量机模型的模型参数。
15.进一步地，所述模型参数包括惩罚参数和标准差参数。
16.进一步地，在步骤s3中，对所述训练样本集内的不同数据组使用径向基核函数的支持向量机进行训练。
17.进一步地，在步骤s1中，对所述发电机的历史数据进行清洗，去除停机时间段及数据偏离正常值的数据后，再利用皮尔逊相关系数计算所述发电机运行参数两两之间的相关性。
18.进一步地，所述轴承振动的方向包括所述轴承的径向上的两个相互垂直的方向。
19.由于上述技术方案运用，本发明与现有技术相比具有下列优点：
20.(1)简化了短路缺陷判断流程，实现了故障自动报警；
21.(2)无需技术经验对参数进行分析，适用于普通现场技术人员；
22.(3)故障判断的准确率高。
附图说明
23.附图1为本发明实施例提供的基于pcc-svm的发电机转子匝间短路在线监测方法的流程示意图；
24.附图2为本发明实施例提供的基于pcc-svm的发电机转子匝间短路在线监测方法中1号机组运行参数相关系数热力图；
25.附图3为本发明实施例提供的基于pcc-svm的发电机转子匝间短路在线监测方法中2号机组运行参数相关系数热力图；
26.附图4为本发明实施例提供的基于pcc-svm的发电机转子匝间短路在线监测方法中样本时间与运算时间及分类准确度的关系示意图；
27.附图5为本发明实施例提供的基于pcc-svm的发电机转子匝间短路在线监测方法中样本集模型优化结果示意图；
28.附图6为本发明实施例提供的基于pcc-svm的发电机转子匝间短路在线监测方法中测试集模型优化结果示意图；
29.附图7为本发明实施例提供的基于pcc-svm的发电机转子匝间短路在线监测方法中发电机维修前故障概率的时间关系示意图；
30.附图8为本发明实施例提供的基于pcc-svm的发电机转子匝间短路在线监测方法中发电机维修后故障概率的时间关系示意图。
具体实施方式
31.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
32.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。
33.在本发明的一个实施例中，提供了一种基于pcc-svm的发电机转子匝间短路在线监测方法，用于对发电机的转子绕组是否发生匝间短路缺陷进行检测，包括以下步骤：
34.s1、根据所述发电机一段时间内运行的历史数据，利用皮尔逊相关系数计算所述发电机多个运行参数之间的相关性，以得到一类或多类的特征参数；
35.s2、对所述特征参数附加是否出现匝间短路故障的标签，以得到训练样本集；
36.s3、利用所述训练样本集数据对支持向量机模型进行训练，以得到故障判别模型；
37.s4、利用所述故障判别模型对所述发电机待分析的运行参数进行分析，以得到其出现匝间短路故障的概率，若在一段时间内所述出现匝间短路故障的概率一直超过预设的安全阈值，则进行报警提示。
38.其中，所述特征参数的类型包括
①
励磁电流与轴承振动的相关系数、
②
励磁电压与轴承振动的相关系数、
③
同一轴承多个方向振动的相关系数、
④
不同轴承间振动的相关系数。具体地，同一轴承多个方向振动的相关系数是指所述转子一端的轴承径向上的两个相互垂直的方向的振动相关关系，比如竖直方向(y方向)和水平方向(x方向)，不同轴承间振动的相关系数是指所述转子两端对应轴承的振动相关关系。
39.需要对不同类型的特征相关参数进行自由组合，形成不同的运行数据集，并分别通过所述支持向量机模型，与相应的标签结果进行比较，计算测试结果的准确率，以得到最佳特征相关参数组合。
40.对最佳特征相关参数组合，选取所述发电机不同时长的历史数据，并进行步骤s1-s2的处理，然后分别在所述支持向量机模型中进行训练，并得到运算所需时间，以确定最佳样本时间。
41.依据所述最佳样本时间，选取相同型号的发电机的历史运行参数，通过皮尔逊相关系数计算，并附加是否出现匝间短路故障的标签，以得到测试集。将所述测试集中所述最佳特征相关参数组合对应的运行数据集输入所述支持向量机模型进行测试，并与相应的标签结果进行比较，得到测试结果的准确率，若不符合准确率的要求，则修改所述支持向量机模型的模型参数。
42.本实施例主要通过机组振动特性作为故障监测的依据。由于绕组绝缘损坏等原因造成转子匝间短路后，便会形成短路电流，从而形成局部过热点。而局部过热又会进一步引起绝缘损坏，导致更严重的匝间短路，呈现恶性循环局面。匝间短路形成的局部过热，使转
子产生热不平衡，匝间短路还可以引起磁通量的不对称，出现不对称的磁拉力，这种磁拉力可以激发一倍频，二倍频和四倍频振动。而且由电磁力引起的振动在断电后便立即消失。因此对匝间短路可以通过频谱和解列后振动有无突变作出分析。造成机组轴系振动的因素有很多，但由发电机本身因素引起的主要是转子匝间短路和热不平衡。正常运行中的发电机转子，其磁场是均匀对称的，当转子出现严重的匝间短路时，磁场的对称性会遭到破坏使转子各方向所受到的应力不均匀，最终导致轴系振动发生变化。以两极机为例，正常时，转子磁极n极和s极的磁通分布是对称的，一旦发生匝间短路，由于存在安匝差，磁通分布发生变化，在匝间短路点的磁密减小，产生不平衡的磁拉力，磁拉力的交变频率为倍频，引起转子倍频振动，且振幅随励磁电流的增大而增大。
43.参见图1，本实施例具体可以通过以下步骤进行：
44.步骤1、选取一段时间的历史数据，对数据进行清洗，去除停机时间段及数据偏离正常值的数据。
45.步骤2、使用皮尔逊相关系数(pcc)计算发电机历史数据两两间的相关系数r，作为特征参数，其中初始样本时间t0选择为24h，计算表达式如公式1所示：
[0046][0047]
式中，分别为两组样本的平均值。
[0048]
其中，pcc的取值范围是[-1,1]，大于零表示两者为正相关方向，小于零表示两者为负相关方向。
[0049]
为计算后的相关系数数据集增加标签，若机组没有转子匝间短路故障，则标签值设为-1，若存在转子匝间短路故障，则标签值设为1，以得到一个训练样本集。
[0050]
步骤3、根据相关系数的特点，可以将其分为以下四组：
①
励磁电流与轴承振动的相关性、
②
励磁电压与轴承振动的关系、
③
同一轴承x,y方向振动的相关系、
④
不同轴承间振动的相关性。
[0051]
步骤4、对样本集内不同数据组使用径向基(rbf)核函数的支持向量机(svm)模型进行训练。对于非线性可分问题，可以将训练样本映射到一个新的高维空间，映射表达式如公式2所示。
[0052][0053]
在高维度特征空间h中训练样本有较号的分离性，因此非线性svm可以通过求解公式3使得优化问题得到解决。
[0054][0055]
式中，c》0，c是惩罚参数，用来综合间隔与错分之间的权重，ξi为松弛变量。
[0056]
定义核函数k(xi,xj)＝(φ(xi)
·
φ(xj))，则公式3的lagrange对偶问题可描述为公式4。
[0057][0058]
式中，ξi，i＝1，...，m为松弛变量，c》0是惩罚系数，用来综合间隔与错分之间的权重。
[0059]
其中，rbf核定义如公式5。
[0060][0061]
式中σ为标准差，用于描述样本数据分布情况，对于svm模型，σ过大，会造成svm模型分类能力差，且无较好的推广能力，σ过小则会造成“过拟合”现象。
[0062]
步骤5、假设c＝1，σ＝1，对选取四组数据分别进行计算模型分类的准确率，选取准确率最高的数据组合。
[0063]
步骤6、分别结算1h、4h、8h、16h、24h、48h对应训练样本集的计算时间与准确率，确定最佳样本时间t。
[0064]
步骤7、使用网格搜索对不同的c与σ值进行计算，求得分类准确率最高的c与σ值。
[0065]
步骤8、使用步骤2的方式，构建一个测试集，其样本设计选取步骤6中求得的最佳样本时间t。
[0066]
步骤9、使用步骤8中得到的测试集测试故障判别模型的准确度，若正确率达标，此判别模型合格，若不符合，则返回步骤5，修改模型参数，直到测试准确度达标。
[0067]
步骤10、定期计算发电机运行参数在之前t时间内的相关系数，根据步骤5中得到的数据组合得到运行数据集，将运行数据集输入到故障判别模型内，得到此发电机存在故障标签及故障概率。
[0068]
步骤11、若在一段时间t1内故障概率超过阈值a％，则进行报警，否则，便一直进行计算进行检测。
[0069]
下面以一个具体的应用案例进行说明：
[0070]
对某电厂640mw发电机转子匝间短路故障进行判别，该电厂有两台机组，通过运行数据，使用pcc分别计算两台机组运行数据的相关性，获得的相关性热力图如图2和图3所示。
[0071]
从图3中可知，2号机组各参数相关系数均大于0.6，属于强相关关系，可判断2号机组存在转子匝间绝缘故障。
[0072]
对依照1、2号机历史数据求得的训练样本集，并增加标签，1号机数据标签设置为-1，2号机数据标签设置为1。
[0073]
使用系统内其他同型号机组运行数据计算相关系数，得到测试集合，同样对测试集添加标签数据。
[0074]
设置c与σ值为1，对四组数据进行单独测试和组合测试，求得不同特征参数测试的准确率，如表1所示，表1中
①
、
②
、
③
、
④
分别指代励磁电流与轴承振动的相关系数、励磁电压与轴承振动的相关系数、同一轴承x、y方向振动的相关系数、不同轴承间振动的相关系数。综合训练样本集与测试集的准确率，选取励磁电流与轴承振动的相关系数、同一轴承x、y方向振动的相关系数及不同轴承间振动的相关系数这三组参数作为模型特征参数。
[0075]
表1不同特征参数的测试结果准确率
[0076]
特征参数样本集测试集特征参数样本集测试集
①
95.71％96.23％
②
100％90.57％
③
84.29％87.74％
④
85.71％82.08％
①

②
100％92.45％
①

③
97.14％96.23％
①

④
97.14％96.23％
②

③
100％90.57％
②

④
100％89.62％
③

④
87.14％87.74％
①

②

③
100％92.45％
①

②

④
100％92.45％
①

③

④
98.57％96.23％
②

③

④
100％91.51％
①

②

③

④
100％93.4％
ꢀꢀꢀ
[0077]
根据pcc计算原理，计算时间与样本长度成正比，为了节约计算资源，选取合适的样本时间很有必要。通过对运行参数选取不同的样本时间进行计算，得到的准确度与运算时间如图4所示，可以看到，同样为计算一个月的相关性参数，随着样本时间的增加，计算时间也线性增加。与此同时，样本集与测试集本身的分类准确率在20小时时到达到99％以上，再增加样本时间，其准确度并无明显上升。由于火电厂当前调频调峰任务较多，一般在白天负荷较高，夜晚负荷较低，同时综合考虑运算消耗、分类准确率，选择样本时间长度为24小时。
[0078]
采用pcc-svm模型建立所述预测模型，使用网格搜索svm模型的c与σ值进行调试优化，模型优化结果如图5和图6所示，此时模型参数对应设置为c＝1，σ＝4，以作为最终的故障判别模型，使用优化后的模型对当前运行数据进行判别，获得机组故障概率图。此发电机2021年2月返厂维修，发电机返修前故障概率图如图7所示，发电机返修后故障概率图如图8所示，可得到返修后的发电机的故障预测率大幅下降，与实际相符，进一步验证了模型的可靠性。
[0079]
针对利用机组振动特性的故障监测法依赖于技术人员经验的情况，本发明提供的在线检测方法提出了pcc-svm模型，利用发电机运行数据得到一个转子匝间短路缺陷在线监测模型，可输出故障概率及报警信号，无需技术经验对参数进行分析，适用于普通现场技术人员，并不一定要求专业人员。本发明利用机组振动特性的故障监测法，利用发电机固有的电磁特性，发现转子振动与转子励磁电流的大小存在一定的正比关系，虽然它还受到来自实际系统中一定的非线性因素的影响，不过这些影响都不能改变转子发生匝间短路故障后，其振幅跟随励磁电流变化的内在规律。即只要转子内部存在着匝间短路故障，那么转子的轴振值就会随着励磁电流的变化而变化。因此，当检测到转子的轴振值与励磁电流之间存在着明显的正相关性或随动性时，就可以断定转子内部存在着匝间短路故障。
[0080]
以上所述仅为本发明的优选实施例，并非因此限制其专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，直接或间接运用在其他相关的技术领
域，均同理包括在本发明的专利保护范围内。