摘 要：
分析了发电机发生转子绕组匝间短路故障后的电磁特性，得到识别故障的特征，根据 在确定状态下，发电机磁势保持不变，运用人工神经元网络方法，通过对故障样本的比较， 诊断出转子绕组匝间短路故障。
关键词：匝间短路；人工神经元网络；故障样本
Abstract: EleCTRomagnetIC characteristic after interturn short- circuit fault oCC urs in generator rotor winding is analyzed and the feature of fault identificati on is obtained. Based on that the MMF is constant on some condition, the ANN is used to diagnose the interturn short-circuit fault through the comparison of fau lt samples.
Keywords: interturn short-circuit; artificial neural network; f ault samples
目前，国内外许多学者已对发电机转子绕组匝间短路故障诊断进行了研究，英国学者J.W.Wo od等提出给转子加阶跃脉冲测量其反射的回复波检测法［1］；俄罗斯的B.R卡茨曼 提出利用转子绕组匝间短路时在定子并联支路中存在环流的现象来检测匝间短路故障［ 2］。这些方法在 理论上可行，但实现却有一定的困难，而且存在其不能对故障进行定位的缺点。国内对转子 绕组匝间短路故障的诊断方法主要有气隙线圈法、环流检测法、交流阻抗法和功率损耗法。 气隙线圈法在发电机三相短路时效果较好，而在发电机正常运行时，由于电枢反应，效果会 受到影响：环流检测法因受电机结构和运行条件等限制，难以及时对故障进行诊断；而交流 阻抗和功率损耗法，这种方法对判定较轻微的匝间短路故障有时不能获取准确的结论。因此 ，上述方法都具有一定的不足和缺陷。
首先研究了发电机转子绕组匝间短路故障产生的机理，并分析了转子绕组匝间短路故障 的电磁特性，从而找到一种故障诊断的依据，并提出了运用人工神经元网络对匝间短路故障 进行诊断的方法。
1发电机转子绕组匝间短路故障分析
1.1造成匝间短路的原因
造成发电机转子绕组匝间短路故障的原因很多。现场运行经验表明，发电机转子绕组匝间短 路故障多发生在绕组端部，尤其是在有过桥连线的一端居多，分析其原因为：设计不合理， 如端部弧线转弯处的曲率半径过小，运行中在离心力的作用下，匝间绝缘被压断，造成了匝 间短路；制造质量不良，绕组铜导线加工工艺方面的缺陷造成的不严格倒角与去毛刺等；转 子端部绕组固定不牢，垫块松动；绕组端部残余变形引起匝间短路，有的发电机在运行中长 期受电、热和机械应力的作用，绕组端部发生残余变形，引起匝间短路；冷态启动后转子电 流突增使转子变形或局部绝缘损伤等［3］；氢气湿度过大引起线圈短路等等。
1.2转子匝间短路电磁特性分析
在一定的运行条件下，如果存在转子匝间短路，由于励磁绕组的有效匝数减少，为满足气隙 合成磁通条件，励磁电流必然增大。机组正常运行时，当略去开槽造成磁势的少许不连续性 ，转子磁势的空间分布非常接近于梯形波。转子的短路效应将会导致磁势局部损失，从而使 有短路磁极的磁势峰值和平均值减少。造成的磁势损失可用一个解析模型简便表示，将匝间 短路认为是退磁的磁势分布，它反向作用在有短路磁极主磁场的磁势上，为正常条件下的磁 势减去由短路引起的磁势突变，采用叠加原理，可求出合成磁势的大小，磁势的损失使得更 倾向于线性变化，故可忽略主磁通回路的饱和。简单的矢量表示为：F合成= F0-ΔF。式中，F0表示正常条件下转子绕组磁势，ΔF表示短路线匝产生的磁势， F合成表示匝间短路合成磁势。有效磁场的减弱，会使对应的内电势较正常时有明 显的下降，在发电机端电 压保持恒定的情况下，无功损耗会相应下降。因此，转子绕组匝间短路引起励磁电流增大而 无功却相对减少。所以，发电机转子绕组匝间短路时，因励磁绕组有效匝数减少，为了满足 气隙合成磁通条件，励磁电流必然增大，而无功相对减少，这可以作为识别转子绕组匝间 短路故障的一个特征［4］。因此，可求出发电机不同负载所对应的励磁电流，从而 实现发电机匝间短路故障诊断。
3人工神经元网络
人工神经元网络(Artificial Neural Network)是一种模拟人类智能的技术，它通过神 经元建立起输入、输出状态间的“映射”关系，具有很强的自组织、自学习能力。通过训练 学习，它能自动调整各神经元之间的结合程度，使网络能正确映射其输入输出关系。因此， 人工神经元网络是一种具有前途的故障诊断方法。人工神经网络不包含具体的规则，而是将 诊断规则隐含于其权值矩阵中，主要通过对已知故障样本的学习，来获得对未知故障进行诊 断的能力。
在人工神经元网络的故障诊断中，采用最多的是BP(Back Prppagation)算法。BP网络是一多 层前馈型网络，其结构如图1所示。图1中的整个训练过程为：首先根据网络当前的内部表达 ，对输入样本进行前向计算，然后比较网络的输出与期望输出之间的误差，若误差小于规定 值，则训练结束；否则，将误差信号按原有的通路反向传播，逐层调整权值和阀值，如此前 向计算和反向传播反复循环，直至达到误差精度的要求，其实现过程流程图如图2。
采用三层BP网络，通过P个标准样本学习，由图1可得
设有标准输出t1，则误差E为：
则对P个训练样本的误差为：
3人工神经元网络诊断方法及仿真
根据人工神经元网络的特点，在进行诊断时不需要精确的数学模型及发电机的诸多 参数，在不干扰发电机运行的情况下，只需要准确地测量发电机的机端参数，然后依靠大量 的训练样本及充分的网络训练就可以诊断不同方式下的故障。如果存在有故障样本，则除了 可诊断出故障，还可以进一步进行故障严重性的估计［6］。发电机运行时，U额定电 压，假定其不变，根据发电机磁场分析，一定的P、Q对应一定的磁势，即安匝ωfIf,所 以P、Q和If之间的关系可以体现匝间故障短路情况，以P、Q和I作为人工神经元网络的输 入，匝间短路匝数占总匝数的比例a%作为输出。
为了获取训练样本，假定发电机额定运行状态下发生匝间短路故障时，短路前后有功无功和 电压保持不变，通过分析可知磁势维持不变，设短路匝数占转子绕组总匝数的a%,则得到故 障后励磁电流If=IIN/(1-a%), IIN为励磁电流的额定值。通过改变a可得到 不同状况下的故障样本。
取文献中的发电机正常运行和故障运行的参数为样本，见表2和表3，其中带*表示标么值 。网络训练后诊断故障如表4。人工神经元网络采用三层BP网络，发电机的有功、无功和励 磁电流均采用标么值。MATLAB仿真结果见表4，可以得出结论：用BP网络诊断结果与实际情 况基本相符,匝数比例误差在2%以内。
4结论
在发电机端电压、有功功率和无功功率不变的条件下，通过分析励磁电流增大而磁势不变， 从而获取故障样本，用人工神经元网络方法可以诊断发电机转子绕组匝间短路故障，且此方 法对发电机本身不具有损坏性，简单易行。但同时由于所选的故障样本不可能包含全部的故 障、短路匝数及短路位置的所有参数，因此在实际中还需要积累大量的实际经验以弥补此缺 陷。
参考文献
［1］WOOD J W.Rotor winding short detection［J］. IEEE Pro. ,1986,133(3):30-35
［2］B.r.kaumah(苏)（USSR）等.汽轮发电机转子热不平衡的发现和消除［J］ 国外大电机,1992,(3):10-14.
［3］李伟清,王绍禹.发电机故障检查分析及预防［M］. 北京：中国电力出版社,1996.
［4］阮羚,周世平,周理兵.大型汽轮发电机转子匝间短路在线监测方法的研究及 应用［J］.中国电机工程学报,2001,21(12):60-63.
［5］Jianyong Deng,YunPIN Chen.On-line Diagnosis for Shorted Field-turn s of Sy nchronous Generator Based on Artificial Neural Networks［J］.IEEE,2000:1675-1678 .
［6］李之昆,马宏忠.基于ANN的发电机转子绕组匝间短路诊断方法［J］高电压技术,2004，30(1):31-38.
