论文部分内容阅读
随着电力系统的发展,大容量发电机已经成为整个电力系统的心脏,大容量发电机组发生故障不仅会损坏电机本身,而且会对整个电力系统的安全稳定运行造成威胁,带来巨大的经济损失和社会影响,在线故障诊断能够及时的发现故障,避免故障恶化,有助于合理安排检修,提高经济效益。因此,研究对大型发电机组的在线诊断方法具有重要意义和工程实用价值。论文针对同步发电机转子绕组匝间短路故障提出了一种在线诊断方法。在分析国内外研究现状的基础上,可知单一的故障诊断方法或多或少存在缺陷,因此本文提出利用小波包分析和改进神经网络相结合的复合型、智能型诊断方法。首先,通过对匝间短路时磁动势和电动势的分析,提出利用励磁电流与匝间短路匝数之间存在的类似线性关系作为匝间短路的判据,通过MATLAB仿真得到各不同匝间短路程度的励磁电流信号。为使励磁电流信号能够作为神经网络的输入向量并包含故障特征信息,利用小波分析在信号处理方面的高分辨率优势,将励磁电流信号进行三层小波包分解和小波包系数重构,求解8个子频带的能量特征组合成能量特征向量,作为神经网络的输入信号。论文利用BP神经网络实现故障程度识别,通过理论分析和试验测试相结合,确立BP神经网络的各个参数。针对BP神经网络收敛速度慢、容易陷入局部极小值等缺点,提出利用混合蛙跳算法(SFLA)对BP神经网络初始权值和阀值进行优化。引入混沌算子,对传统混合蛙跳算法进行改进,提高其收敛性能,提出改进的混合蛙跳算法(ISFLA),仿真试验表明改进后算法收敛性有了显著提升。最后,提出改进混合蛙跳算法优化的BP神经网络(ISFLA-BP)模型,以能量特征值为训练样本和输入信号,建立了同步发电机转子绕组匝间短路故障程度的诊断系统,并且将其诊断结果与基于BP神经网络的诊断模型进行对比。仿真表明,本文提出的在线诊断系统能够实现同步电机转子绕组匝间短路故障程度的准确识别,并且在精度和稳定性上优于BP神经网络。