主管单位：国家能源投资集团有限责任公司
主办单位：国家能源集团科学技术研究院有限公司
国内刊号：CN 32-1808/X
国际刊号：ISSN 1674-8069
邮发代号：28-263
邮编：210023
级别：国家级
-
投稿咨询：
1677397805/1578484949
-
稿件查询：
1677397805/1578484949
- 工作时间：早上9点——下午5点(周日除外)
当前位置:首页 > 学术展示
基于GRU模型的发电机转子绕组匝间短路故障诊断
《电力科技与环保》2022年 第6期 | 马高海 刘大炜 杨宏宇 史宗辉 国能浙江余姚燃气发电有限责任公司 浙江宁波315400 上海博英信息科技有限公司 上海110006 沈阳工业大学机械工程学院 辽宁沈阳110870| 摘 要：针对发电机转子绕组匝间短路早期故障不易检测的问题,本文提出了一种基于门控循环单元(Gated Recurrent Unit,GRU)的深度学习网络模型来进行发电机转子匝间短路故障诊断方法。发电机在发生匝间短路故障时会形成不平衡的电磁脉冲力,使发电机产生振动;采用振动特性方法分析绕组匝间短路故障时气隙磁势、励磁电流、气隙磁密等电气参数的变化,计算出使发电机产生振动的电磁脉冲力大小。并以某250 MW燃气发电机组为例进行了匝间短路故障检测试验,试验数据由发电机正常状态、匝间短路状态、其他故障状态的振动数据组成,共计900组,数据处理采用深度学习中的GRU神经网络模型,提取振动信号中的故障特征与时间序列特征,进而实现发电机转子绕组匝间短路故障的诊断。结果表明,绕组匝间短路故障时会产生f、2f、3f、4f、5f倍频的振动,其中2f倍频振动相对较大,符合理论分析结果;利用GRU神经网络模型对发电机转子绕组匝间短路故障进行诊断,准确率达到95.14%,高于AlexNet、VGG16等其他深度学习方法。通过试验可知,GRU模型可有效对发电机转子绕组匝间短路故障进行诊断。该研究可以在故障初期通过振动信号发现发电机匝间短路故障,为绕组匝间短路故障诊断提供了新思路。 |
| 【分 类】 | 【工业技术】 > 电工技术 > 电机 > 一般性问题 > 电机原理 > 电机理论分析及过渡过程 |
| 【关键词】 | 发电机 匝间短路 故障诊断 振动分析 |
