基于BP神经网络的电机局部放电类型识别方法研究.pdf

设备管理与维修2023 翼11（上）0引言大型发电机和电动机是电力工业生产的主要旋转设备，其可靠性对相关企业能否正常生产和运行有决定性作用。据统计，大约 41%的电动机或发电机故障是由于主绝缘（定子绝缘）的老化而引起的，高压电机或大容量发电机的运行可靠性在很大程度上取决于定子绕组的绝缘状况1。随着电机容量的不断增加，电机定子电压也不断升高，对电机全寿命周期可靠性的要求也大幅提升，定子绕组出现绝缘缺陷的概率越来越大，造成的后果也愈发严重。在实际运行过程中，因受到电磁力、热应力、热老化、化学老化等因素影响，电机定子绕组主绝缘材料的绝缘性能会逐渐劣化。对于电机定子绕组，绝缘劣化的主要特征之一就是绕组的局放大幅增加2。因此。对电机定子绕组定期开展局放检测并准确诊断局放类型，对于及早发现绝缘缺陷、避免缺陷恶化导致电机接地或短路故障具有重要意义。近些年，在采用智能算法对定子线棒局放类型进行识别方面，许多专家和从业人员开展了深入的研究工作。王卓等3对不同类型局部放电的脉冲相位信息、特高频信号和超声波信号进行采集，提取不同信号的特征向参数，再分别构造基于鲸鱼优化算法（WOA）改进的 BPNN 识别模型对局部放电类型识别，将 猿 个识别模型的识别结果作为证据体采用 D-S 证据组合规则进行融合，最后对融合结果进行决策。杨旗等4在收集完成输电线路在树障和污秽绝缘子两种典型隐患的预放电脉冲电流波形数据的基础上，通过提取并构建放电特征参量数据库并带入反向传播神经网络分类器中对线路隐患模型进行训练，建立了基于BP 神经网络算法的输电线路隐患预防电识别模型，识别准确率达到 92%以上。陈继明等5利用小波变换得到局部放电信号获取能量的时频分布图，运用差分盒计数法（DBC）提取能量分布图的分形维数特征，并采用线性判别分析（LDA）对特征向量进行降维处理，最后利用支持向量机（SVM）对局部放电缺陷类型进行分类，经实验室测试，缺陷识别准确率超过 96%。韩世杰等6利用EFPI 传感器对放电超声信号进行检测，提取单次超声脉冲信号波形特征形成特征参数数据库，分别应用概率神经网络算法和支持向量机算法进行模式识别并比较分析，缺陷识别平均准确率达到 85%以上。艾嘉伟等7基于 GIL（Gas-Insulatedtransmission Line，气体绝缘输电线路）典型缺陷局部放电的超声信号、特高频信号、声电（超声特高频）联合信号，构造对应的 Hankel 矩阵并提取其奇异值特征，采用 BP（Back Propagation，反向传播）神经网络进行放电类型识别并将初步识别结果作为证据体，基于D-S 证据合成法则计算信度分配，最终利用决策规则进行放电类型的识别，整体缺陷识别准确率提升至 99%以上。为准确分析电机定子线棒发生局部放电的位置，尽早查明绝缘缺陷的原因，本文在充分分析不同类型局部放电波形特征的基础上，提出了基于 BP 神经网络的电机定子线棒局部放电缺陷类型识别方法。1局放特征图谱及其特征量提取1.1概念局部放电特征图谱能够提现不同放电类型局放信号的特征，包括放电幅值与放电相位的关系、放电次数与放电相位的关系以及放电时间、放电相位和时间的关系，分别是 Q椎 统计图、N椎 统计图、PRPD（PhaseResolvedPartial Discharge，相位分辩的局部放电）图、PRPS（Phase Resolved Pulse SequenceAnalysis，脉冲序列相位分布）图、频率相关图、时频图，每种模式描述着不同的放电特征（图 1）。（1）Q椎 统计图反映的是最大放电幅值随相位分布的特征。（2）N椎 统计图反映的是放电次数对相位的分布特征。（3）PRPD 图反映的是局部放电相位分布情况，图中横坐标为相位、纵坐标为幅值，点的颜色深浅表示放电脉冲密度的强弱。现场观察时，可以根据点的颜色深浅判断较强局放信号的相位和幅值，对识别局放类型具有重要意义。（4）PRPS 图反映的是局部放电脉冲序列相位分布情况，描述相位分辨的脉冲序列，它是一种实时三维图，图中 x 轴为相位、y 轴为信号周期数量、z 轴为信号强度或幅值；频率相关图谱描述超声信号 50 Hz 和 100 Hz 的频谱能量，图谱能够显示信号的均值和峰值、50 Hz 和 100 Hz 的能量幅值等；时频图能够反映局部放电脉冲信号的频域波形和时域波形，图中横坐标为时间、纵坐标为频率，可提取多种信号的频域特征，从而将不同的放电信号分离开来。基于 BP 神经网络的电机局部放电类型识别方法研究杨玉磊（中国大唐集团科学技术研究总院有限公司华东电力试验研究院，安徽合肥230088）摘要：大型发电机和电动机在实际运行过程中，定子绕组主绝缘材料的性能会逐渐变差，绕组内部或表面的局部放电水平大幅增加，是绕组绝缘性能劣化的主要特征之一。为准确识别定子线棒发生局部放电的类型，协助查明缺陷原因制定缺陷处理方案，分析不同类型局部放电波形特征，提出基于 BP 神经网络的电机定子线棒局部放电缺陷类型识别方法，供参考借鉴。关键词：电机；定子线棒；局部放电；识别；BP 神经网络中图分类号：TM311文献标识码：BDOI：10.16621/ki.issn1001-0599.2023.11.12輧輯设备管理与维修2023 翼11（上）1.2特征量提取局部放电信号容易受缺陷自身、外部环境、运行方式变化等因素的影响而发生变化，同一缺陷在不同时刻的局部放电信号并不完全相同，但局放特征图谱的相关特性是重复发生的。因此，对局部放电特征图谱的关键指征参数进行提取，是进行局放类型识别的第一步。针对局部放电的二维图谱，一般可采用偏斜度、陡峭度、互相关系数、放电量因数和相位不对称度等特征量进行定量分析。其中，偏斜度和陡峭度主要用来描述局放波形的整体形状差异，互相关系数、放电量因数和相位不对称度主要用来描述局部波形正、负半周之间的差异。（1）偏斜度 Sk反映的是当前局放波形的形状相比于正态分布形状的偏斜程度：Sk=0，说明局放波形的左右对称，与正态分布相近；Sk跃0，说明局放波形整体向左偏移；Sk约0 则说明局放波形整体向右偏移。实际观察时，主要是用来查看局部起始电压和局放熄灭电压之间的相互关系。Sk=mi=1移（xi-滋）3伊pi驻x滓3其中，W 为半个周期内的相窗数；xi为第 i 个相窗的相位；驻x 为相窗宽度；pi、滋 和 滓 分别是以 渍i为随机变量时，相窗 i 内的事件出现的概率、均值和标准差。pi=yiWi=1移yi滋=Wi=1移pi渍i滓=Wi=1移pi（渍i-滋）2姨其中，yi为视在放电量 q 或放电重复率 n。（2）陡峭度 Ku反映的是当前局放波形的形状相比于正态分布形状的突起程度。与偏斜度一样，Ku=0 说明局放波形形状与正态分布相同，Ku跃0 说明局放波形比正态分布尖锐陡峭，Ku约0 则说明局放波形比正态分布轮廓平坦。Ku=Wi=1移（xi-滋）4pi驻x滓4蓘蓡-3（3）互相关系数 Cc 反映的是正负半周局放波形的形状相似程度。对于正负两极结构对称的局部放电，在一个放电周期内，正负半周的放电情况相同，因此波形轮廓是相近的；而对于大多数放电，由于结构的差异，正负半周的放电情况相差较大，则波形轮廓相差较大。这种正负半周局放波形轮廓的相似程度就由互相关系数进行定量描述，当 Cc为 0 时认为正负半周局放波形的轮廓差异巨大，而 Cc 为 1 时则认为正负半周局放波形的轮廓十分相近。Cc=Wi=1移qi+qi-Wi=1移qi+Wi=1移qi-蓸蔀/WWi=1移（qi+）2-Wi=1移qi+蓸蔀2/W蓘蓡Wi=1移（qi-）2-Wi=1移qi-蓸蔀2/W蓘蓡姨其中，qi是在相窗 i 内的平均放电量，上标“+”和“-”分别对应着局放波形的正、负半周；W 为半周内的相窗数。（4）放电量因数 Q 反映的是正负半周平均放电量的比值，可定量计算正负半周平均放电量的差异。Q=Wi=1移ni-qi-Wi=1移ni-/Wi=1移ni+qi+Wi=1移ni+晌尚上上上上上上上上上上上上裳捎梢梢梢梢梢梢梢梢梢梢梢梢其中，ni是在相窗 i 内的放电重复率。（5）相位不对称度 渍 反映的是正负半周局部放电起始放电相位的差别。渍=渍in-渍in+其中，渍in为正负半周内放电的起始相角，上标的“+”和“-”分别对应着局放波形的正、负半周。完成局放波形二维特征图谱相关特征量的提取之后，根据定子线棒局部放电位置的不同，可将电机内部局放类型分为内部放电、端部放电、槽间放电和端部断股放电 4 种。其中，端部断股放电本身是电弧放电，放电现象比较强烈，因此不作为局部放电讨论。针对另外 3 种不同类型的放电缺陷，通过现场试验统计了定子线棒不同放电类型的特征参量（表 1表 3）。图 1局部放电典型图谱輧輰设备管理与维修2023 翼11（上）表 1内部放电特征参量特征参量SkKuCcQ椎10.056 560.101 59-0.074 40.514 471.070 5720.065 850.111 51-0.062 50.515 121.085 3730.065 850.111 51-0.062 50.515 121.085 3740.067 300.112 24-0.055 50.516 971.087 4950.008 060.192 820.215 30.513 900.985 30表 2端部放电特征参量特征参量SkKuCcQ椎1-0.729 020.956 700.764 42.680 171.790 012-0.644 340.807 910.808 23.375 412.300 353-0.730 840.816 170.797 52.314 041.683 954-0.721 650.710 700.857 01.750 131.302 615-0.671 630.327 150.679 31.340 421.080 172基于 BP 神经网络算法的电机局放故障识别2.1BP 神经网络算法BP 神经网络是由大量的神经元互联而形成的复杂网络系统，一般由一个输入层、一个或多个中间层（隐含层）和一个输出层组成。隐含层和输出层的每个神经元接受前一层的输入，并把输出传递给下一层（图 2）。图 2 中，x1，xn表示神经元的输入；棕i1，棕in表示各输入对神经元作用的权值，训练时可以根据训练情况对权值进行调整；兹i、滋i、yi分别表示神经元的阈值、状态和输出。神经元的输入与输出满足：si=nj=1移棕i1xj-兹i滋i=g（si）yi=f（滋i）扇墒设设设设设设缮设设设设设设其中，g 为神经元的状态函数，代表神经元对输入的反应，一般取 滋i=si；f 为神经元的作用函数，代表神经元的非线性特性，有阈值型、伪线形型和 S 型（Sigmoid 函数）等 3 种类型8。2.2基于 BP 神经网络算法的模式识别方法按照定子线棒 3 种不同类型放电缺陷的原理，搭建模拟故障测试平台并分别采集其放电脉冲信号和超声信号，采集后对其进行统计分析并计算特征值，完成后开始进行 BP 神经网络训练。训练过程和模式识别结果如图 3 所示，软件分析系统的流程如图 4 所示。实际检测时，因绝缘缺陷而产生的局部放电，其衍生出的声信号（如超声波）、磁信号（如特高频和高频电磁波）及电压脉动变化耦合而来的电信号（如脉冲电流）等，通过对应传感器拾取后经滤波放大，传输至数据采集模块。数据采集模块对有效数据进行清洗并提取后，将特征信息送至统计分析模块，由 BP 神经网络算法进行识别。此外，还将数据送至分析模块进行显示、存储和导出等操作。按照上述软件工作流程，对 3 种不同的放电类型进行了模拟故障识别测试，识别结果见表 4。经统计，该算法对定子线棒3种典型放电类型的识别准确率达到 93.67%。3结论大型发电机和电动机在长周期运行过程中，受电、热、化学和环境等多种因素影响，绝缘性能持续劣化，定子线棒内部的局部放电缺陷也愈加严重。局部放电特征图谱是识别定子线棒放电缺陷类型和严重程度的重要依据，但在实际应用时因相关人员经验不足或局部特征不明显，往往存在误判的可能。本文从分析典型局部放电信号特征图谱入手，提出了描述局放图谱形状差异的 5 个特征量，通过实际测试结果给出定子线棒 3 种不同放电类型的特征参数。为了避免人员经验差异引起的误判，利用 BP 神经网络算法对采集的局放模型进行统表 3槽间放电特征参量特征参量SkKuCcQ椎10.019 23-1.176 47-0.203 71.344 850.631 9520.981 29-0.979 09-0.169 21.336 270.197 7530.879 64-0.916 77-0.173 41.246 820.184 2440.794 61-1.005 42-0.192 21.211 620.170 1050.879 64-0.916 77-0.173 41.246 820.184 24图 2神经网络结构图 4软件分析流程图 3BP 神经网络训练流程表 4定子线棒放电类型识别结果统计项目内部放电端部放电槽间放电样本总数正确率/%内部放电924410092.00端部放电395210095.00槽间放电339410094.00总体9810210030093.67輧輱设备管理与维修2023 翼11（上）0引言爆破片作为一种非再闭式压力释放装置，其作用在于出现超压影响设备安全时，爆破片破裂泄放压力介质从而保护设备主体安全。重水堆核电站在核岛内慢化剂覆盖气体系统中安装有 4 个排管容器爆破片用于系统的超压保护，作为堆芯压力容器系统的重要部件，正常运行工况下其内部介质一旦泄漏将直接导致整个核岛厂房污染，该爆破片的可靠性直接影响核电机组的安全稳定运行。因此，对该爆破片的合理设计和选择提出较为严格的要求，同时考虑到系统本身的压力波动等影响，对爆破片的可靠性与使用寿命也提出了严格要求。本文通过对该排管容器爆破片在不同工况下部件强度、模态分析以及抗震分析计算，为核电设备中爆破片的制造奠定了基础。1排管容器爆破片功能及设计参数排管容器爆破片为 18 英寸核 1 级管道上设备，位于反应堆排管容器顶部、反应性控制平台两侧。作为慢化剂覆盖气体回路上设备，该回路是封闭的氦气循环回路，当系统压力升高至90 kPa 时爆破片开始变形，上升至 138 kPa 时爆破片破裂、释放压力实现系统的超压保护功能。该爆破片为反拱刻槽型，关键参数信息见表 1。根据ASMEBPVC II-D 性能（公制），排管容器爆破片装置主要部件材料特性参数见表 2。2排管容器爆破片模态分析2.1爆破片结构模型化本文通过三维制图软件建立排管容器爆破片模型，并利用有限元分析软件进行网格节点划分，在进出口法兰连接处施加边界约束，将 X、Y、Z 方向位移限制为 0。在有限元模型的建立时，首先对分析对象进行简化，从而建立结构的力学模型。在简化过程中，会删去垫片等零件，同时也要简化圆角、倒角等局部结构。图 1 为分析中模态计算和抗震计算的网格模型，模型采用SOLID187 结构实体单元和 TARGE170、CONTA174 接触单元进行结构离散化，单元为六面体网格、大小为 10 mm。2.2计算载荷爆破片抗震分析考虑计算载荷包括：淤内压和设备自重，核电厂排管容器爆破片设计与研究刘少伟1，徐军2，杨胜凯1，高兵兵1，程鑫3（1.中核核电运行管理有限公司，浙江嘉兴314300；2.上海华理安全装备有限公司，上海201108；3.华东理工大学，上海200237)摘要：重水堆排管容器爆破片作为一种保护设备主体安全的安全附件，应用于重水堆核电厂核岛设备当中。根据排管容器爆破片运行工况要求设计各零部件并建立模型，从多个方面进行理论分析研究，结合 FEA（有限元分析）和抗震分析，为核电设备中爆破片装置的国产化制造设计奠定基础。关键词：排管容器爆破片；核电设备；FEA；抗震分析中图分类号：TM311文献标识码：BDOI：10.16621/ki.issn1001-0599.2023.11.13表 1爆破片主要设计参数参数名称相关内容参数名称相关内容抗震分类DBE，A设计温度69 益安全等级1正常运行压力0.028 MPa设计压力0.153 MPa最高运行压力0.153 MPaB 级工况压力0.153 MPa（背压）设计爆破压力0.138依0.015 MPaC 级工况压力0.028 MPa流体介质Helium表 2材料特性参数部件名称材料密度/（kg/m3）弹性模量/GPa泊松比170 益许用应力/MPa爆破片N0660084102110.31158夹持器、法兰F304L80301920.31115螺栓Gr B777502010.30172计分析并给出识别结果，通过实际样本测试，该方法的识别准确率达到 93%以上。参考文献1李传扬.高压电机定子绕组局部放电指纹库建立方法及放电模式识别技术研究 D.太原：太原理工大学，2014.2王新，杨敏，金泱，等.基于热老化的发电机定子线棒局部放电特性研究 J.绝缘材料，2021，54（4）：58-63.3王卓，郑祥，王仁锋，等.基于 WOA-BP 和 D-S 证据的高压电机局部放电模式识别方法 J.电机与控制应用，2022，49（11）：40-47.4杨旗，曾华荣，黄欢，等.基于 BP 神经网络的输电线路隐患预放电识别研究 J.电力大数据，2020，23（3）：47-54.5陈继明，许辰航，李鹏，等.基于时频分析与分形理论的 GIS 局部放电模式识别特征提取方法 J.高电压技术，2021，47（1）：287-295.6韩世杰，吕泽钦，隋浩冉，等.基于 EFPI 传感器的 GIS 局部放电模式识别研究 J.电力工程技术，2022，41（1）：149-155.7艾嘉伟，牛海清，陈泽铭，等.基于神经网络的 D-S 多信息融合 GIL局部放电联合识别方法 J.高电压技术，2022，48（12）：4925-4932.8王永.基于电-声综合分析的变压器局部放电模式识别研究 D.保定：华北电力大学，2011.编辑吴建卿輧輲