电力设备状态的智能诊断研究

韩立军

（北京国电电力有限公司萨拉齐电厂）

0 引言

电力设备是我国能源供需的重要环节， 对其可靠性和性能提出了特殊要求。发电机、 电机、 变压器和电缆线路在技术条件差的情况下运行， 既会导致与设备不可预测的故障相关的直接经济损失， 也会导致技术流程的违反， 还会导致在相同有用功率下的电力消耗增加， 从而导致大量间接的非生产性电力支出， 因此， 实际问题是确保高压电力设备的可靠高效运行。这种方法发展的主要问题是大量的非形式化定性信息， 这些信息是传统建模方法无法使用的。为了解决这个问题， 建议使用神经网络方法[1-3］。

1 神经模糊的诊断过程及模型

1.1 神经模糊系统诊断过程

神经模糊系统的电力设备状态智能诊断是通过结合神经网络和模糊逻辑的方法， 实现对电力设备状态的智能诊断和预测。该方法主要包括以下几个步骤：

1） 数据采集和预处理： 通过传感器或监测设备采集电力设备的各种参数数据， 如电流、 电压、 温度等，然后对数据进行预处理， 如去噪、 滤波等， 以提高数据质量和准确性。

2） 特征提取： 根据采集到的参数数据， 利用神经网络对数据进行特征提取， 如提取统计特征、 频域特征、 时域特征等。

3） 建立模糊规则库： 将特征提取的结果与已知的电力设备状态进行对比， 构建模糊规则库， 即将模糊规则用语义化的形式描述出来， 如"如果特征A 的值是X， 并且特征B的值是Y， 则状态为Z"。

4） 网络训练和优化： 利用采集到的数据和建立的模糊规则库， 对神经网络进行训练和优化， 以使网络能够准确地对电力设备状态进行分类和判断。

5） 状态诊断和预测： 利用训练好的神经模糊系统， 对新的电力设备状态进行诊断和预测。根据输入的特征参数， 通过推理机制运用模糊规则库， 判断设备的状态是正常还是异常， 同时可以预测故障的可能类型和发生时间[4-5］。

通过神经模糊系统的电力设备状态智能诊断， 可以实现对电力设备状态的实时监测、 故障诊断和预防， 提高电力设备的可靠性和安全性。

1.2 神经模糊系统诊断模型

特征频率峰值包含电力设备故障， 可以从定子电流的频谱分析中提取。为了进行分析， 在长期使用之前， 对一台被公认为基本参考标准的新型可使用电机的电流信号进行了一次测量。当故障发生时， 特征频率上的公共电平和单个振幅发生变化， 故障搜索是通过将当前频谱与通过计算智能进行的基本参考频谱进行比较来进行的。

中频电流信号参考式 （1）， 可以被认为是由过程噪声引起的偏置， 是从没有特征频率的电流频谱的所有振幅中获得的， 频谱分析员仅限于所考虑的归一化特征频率， 参考式 （2） 。

式中，Ai表示第i个特征频率上分析频谱的振幅，第i 个特征频率上的参考频谱的幅度；amid0参考频谱的中频电流信号； Δamid=amidi-amid0中频电流信号的绝对偏差；amidi分析频谱的中频电流信号。

如果分析的频谱与参考频谱相等， 则归一化因子ki= 0， 如果发生故障， 则中频电流信号和特征频率振幅的变化会导致归一化因子的变化。

输出是通过模糊逻辑的算法定义的， 假设输入变量提供一些确定的值k10⋅⋅⋅km0， 并且每个规则都有α级的前提条件。

对于每个单独的规则， 计算x∗1=f1和x∗2=f2的输出， 模糊逻辑系统的输出由

径向神经元的输出与线性神经元的权重向量相乘， 线性神经元的权重向量设置在区间[-1， 1］上， 使得最大对应于最小权重， 由于训练函数是最小的， 则线性神经元的输出为：

式中，ai是线性输出神经元的权重， 接收到的输出值允许估计对象的当前状态。

2 实验结果

2.1 电力设备的智能诊断

电力设备在反向负载下的长时间操作活动可能会产生故障， 因此， 有必要通过系统诊断的方式定期监测高压电力设备的检查。最简单和最容易获得的诊断方法之一是定子电流信号的频谱分析方法， 可以直接在工作设备上进行。定子电流信号的频谱分析允许对电动机及其连接的机械设备进行诊断， 在设定的时间间隔内， 记录电动机消耗的稳态电流， 如图1a 所示。使用傅立叶变换将接收到的数据转换为频域如图1b所示。

图1 （ a） 电力设备消耗电流的稳态时间序列；（b） 电力设备的频谱

2.2 实验结果研究

本文所提出的诊断方法已在具有主要结构的无刷直流驱动器上进行了评估。无刷直流电机的旋转运动通过连接到致动机构的减速齿轮的耦合来传递， 电流测量是在低电平无刷直流电机控制中进行的， 因此使用频谱电流可以仅确定与之直接连接的满载无刷直流电动机的技术条件， 减速器是一个恒定的无源负载， 对电机消耗电流的频谱没有可变影响， 总结了无刷直流电机的基本典型故障及其特征频率。

电机消耗电流的时间序列记录在旋转频率1、 10、15、 20、 25和30Hz下。进行了两种类型的等效测量， 一种是优先无故障联轴器， 另一种是出现侧裂纹的损坏联轴器。通过快速傅立叶变换将收集的数据转换到频域，并通过上述方法进行扫描。在电动机的各种旋转频率下的诊断结果参见表1。

表1 在电机不同旋转频率下诊断功能的价值

诊断结果证实了耦合故障， 从表1中可以看出， 对于不同旋转频率的相同故障， 有相应的不同诊断功能值。为了确定这些差异的原因， 有必要对诊断的特征频率进行振幅分析， 给定的特征频率允许进行以下分类， 根据以下列出的分类， 所有特征频率都是旋转频率或电力线频率的固有频率， 换向和耦合故障具有相同的特征频率。因此， 换向故障的分频函数的值减小了， 在1Hz频率下分频函数减小的原因是电机绕组切换产生的噪声。

电压纹波显示在1， 2， 3 上。电力线的谐波50Hz、 100Hz、 150Hz， 低定子故障变化缺陷显示在电力线频率100Hz的二次谐波上。诊断其他故障的特征频率是电机旋转频率的谐波， 换向故障显示在1-4上，转子缺陷显示在5-8 上， 耦合缺陷显示在旋转频率的1、 2和3次谐波上如表2所示。

表2 诊断特征频率值

从表2 中可以看出， 在旋转频率的五次谐波处，10、 20和30Hz与电力线频率的一次谐波、 二次谐波或三次谐波相等。这是由于频率为20Hz 的电压纹波和转子故障的分压函数值降低的原因。“耦合故障”的分频函数值大于-1的事实可以通过二次和三次谐波旋转的振荡阻尼来解释， 二次和第三次谐波通过旋转的4次和6次谐波的增加来平衡。

将电力线的三次谐波施加在频率为25Hz 的旋转的2次、 4次和6次谐波上， 减少了旋转频率的2次和6次谐波， 增加了旋转的4 次和8 次谐波。在30Hz 时，分频函数“定子故障”的值减少的特征是电力线的二次谐波增加， 该二次谐波在旋转的五次谐波和电力线的第二次谐波处进行补偿。

3 结束语

本文介绍了基于电流谱的无刷直流电机的神经模糊诊断方法。对初始数据的分析表明， 在低频旋转（1Hz） 上去除的电流频谱具有较大的噪声贡献， 这阻碍了对特征故障频率的正确分析。在已经在频率10、20、 25和30Hz上获得的电流谱中， 存在电力线和旋转的谐波的影响， 其可以给出关于电动机的当前技术条件的不确定信息。信息量最大的频谱是在15Hz 的旋转频率上获得的， 在该频率下存在边缘强加谐波。所描述的神经模糊诊断方法允许使用稳态驱动的电流谱来确定技术驱动条件， 从中确定归一化特征值。最新的结果构成了应用神经模糊方法的充分输入。