汽輪發電機轉子繞組匝間短路故障程度診斷方法

李永剛 馬明晗 武玉才 董晨晨 李正文 劉淼

摘 要：為了精確識別轉子匝間短路的故障程度，保障機組經濟、安全運行，基于改進熵權理論與灰色關聯理論，采用不同故障程度下機電信號為故障樣本，建立了轉子繞組匝間短路故障程度診斷模型，并采用SDF-9型故障模擬機組進行了實驗驗證。該方法解決了利用單一特征識別偏差較大的問題，能夠精確、有效識別轉子繞組匝間短路的故障程度，以便合理安排轉子繞組匝間短路故障狀態下汽輪發電機組的運行和檢修，方法簡單且無需加裝新傳感器，能夠為現場發電機的經濟可靠運行提供指導性建議。

關鍵詞：汽輪發電機；轉子繞組；匝間短路；故障程度；改進熵權；灰色關聯

中圖分類號：TM 311

文獻標志碼：A

文章編號：1007-449X（2018）06-0062-08

Abstract：In order to accurately identify the fault degree of rotor winding interturn short circuit and ensure the economic and safe operation of the generating unit， the fault degree diagnosis model of rotor winding interturn short circuit fault is established by using electromechanical signals under different fault degrees as fault samples based on the improved entropy weight theory. Grey relation theory and experimental verification was carried out by using the SDF9 type fault simulation unit. This method solves the problem of large deviation caused by single feature recognition， and can accurately and effectively identify the fault degree of rotor winding interturn short circuit so that reasonable arrangements for the operation and maintenance of turbine generator can be carried out under rotor winding interturn short circuit fault condition. This method is simple and does not need to install new sensors， which can provide guidance for the economic and reliable operation of the generator.

Keywords：turbo generator； rotor winding； interturn short circuit； fault degree； improved entropy weight； grey relation

0 引 言

轉子繞組匝間短路故障是汽輪發電機最常見的故障之一。造成短路故障的原因有很多[1]，一方面由于電機制造過程中線圈絕緣、繞組固定等工藝問題；另一方面由于運行過程中長期振動、頻繁調峰等運行原因；還有就是由于維護、檢修過程中的一些不當操作破壞了繞組絕緣。隨著越來越多的大型機組投入到電力系統，發電機發生轉子匝間短路的故障的幾率也會有所增加。

目前，國內轉子繞組匝間短路故障檢測方法的研究開展的較為深入，主要的方法有探測線圈法[2]、勵磁電流法[3]以及定轉子振動檢測法[4-6]。另外，針對轉子繞組匝間短路時不平衡磁拉力[7-9]、電磁轉矩[10]、軸電壓[11-12]以及端部漏磁[13]的研究也有開展。雖然這些方法能夠很好的檢測出匝間短路故障的存在，但是并不能精確的檢測出繞組的短路程度。實踐證明，輕微的匝間短路故障對發電機的正常工作影響不大，發電機仍可以繼續運行。一旦故障擴大，造成多匝甚至整槽繞組短路，會使得發電機勵磁電流顯著增大，無功輸出下降，繞組溫度上升，引起機組的劇烈振動，嚴重時會造成轉子一點或兩點接地甚至更嚴重的事故。因此，如果在監測發電機轉子匝間短路的同時能夠準確診斷出故障程度，使電廠能夠合理調配機組發電容量和安排檢修，對電廠的安全、經濟運行有著重要的現實意義。

灰色關聯分析是根據因素之間發展趨勢的相似或相異程度作為衡量因素間關聯程度的一種方法[14]。灰色關聯分析對樣本量的要求不大，因此根據少量的觀測信息即可得到相對準確可靠的結果。文獻[15]將灰色關聯分析法應用于故障診斷中，有效的診斷出了高壓斷路器的機械故障；文獻[16]將灰色關聯分析應用于故障程度診斷當中，有效識別出了軸承滾動體的故障程度，提高了計算效率；文獻[17]將熵權理論加入到灰色關聯分析當中，成功識別出水電機組的振動故障。文獻[18]將熵權法和灰色關聯度應用于變壓器故障診斷，達到了識別變壓器故障的效果。

本文將灰色關聯理論與改進熵權理論同時引入到汽輪發電機轉子繞組匝間短路程度的識別之中。提取能夠標識轉子匝間短路的故障特征量作為評價指標，實驗記錄不同短路程度下的實驗數據作為樣本數據，采用熵值法計算各評價指標的權重，對汽輪發電機轉子繞組匝間短路程度進行檢測。

1 灰色關聯理論

灰色理論（grey theory）是著名教授鄧聚龍首創的判斷各因素之間關聯關系的科學理論。它對樣本的需求量很小，也不要求樣本數據具有規律性，符合定性分析的結果。

5）關聯度排序。

將（4）中求取的關聯度進行從大到小排序，表示的是參考數列與比較數列集關聯程度大小排序，即故障程度可能性的排序。找出ri最大值對應的故障特征序列，即可確定最有可能的故障程度。

2 改進熵權理論

熵原本是一個熱力學概念，最早由Shannon引入信息論。熵權法是一種客觀的賦權方法，它將各信息的重要程度進行量化，熵權越大，對評價結果的影響程度越大。

Ri為灰色加權關聯度，它將重要評價指標的影響擴大化，抑制其他評價指標對結果的干擾，使評價結果比僅采用灰色關聯分析的結果更為客觀、準確。

根據故障程度特征值的樣本集計算n個故障特征值的熵權ω（k），為每個關聯系數

SymbolxA@ i附加權重。這個權重用來區別每個故障特征對診斷故障的重要程度，突出主要故障特征，削弱次要故障特征，根據熵權對診斷結果進行增減調節，增加診斷的精確度。

3 匝間短路故障程度診斷模型

采用改進熵權與灰色關聯理論來識別汽輪發電機轉子繞組匝間短路故障程度，實際上是根據已有的故障程度樣本空間計算出各故障征兆的熵權指標，再計算出待檢測的故障序列與各故障程度序列的加權灰色關聯度，將關聯度進行從大到小排序，得到最有可能的故障程度，給出對應的診斷結論。

文獻[3]表明轉子繞組發生匝間短路后會引起勵磁電流增加。因此，勵磁電流If可作為模型的評價指標。文獻[4]表明發生一對極發電機轉子繞組發生匝間短路后，轉子的基頻振動增加，定子的基頻振動增加。因此，可以選用轉子基頻振動fr和定子基頻振動fs可作為模型的評價指標。另外，實驗發現轉子振動的三倍頻分量f3r大致為增加趨勢，而定子振動的二倍頻分量f2s大致為減小趨勢。

采用上述能夠表征轉子繞組匝間短路的5個典型故障征兆作為五類評價指標，5種故障程度（0%、3%、6%、12%、15%）作為5類評價對象，構建出轉子繞組匝間短路故障程度識別框架，如圖1所示。

4 機組實例分析

采用華北電力大學動模實驗室SDF-9型一對極故障模擬機組（如圖2所示）進行不同程度的轉子繞組匝間短路實驗分析，發電機基本參數如表1所示。

以故障機組能夠模擬的五類故障程度為故障域，則轉子繞組匝間短路故障程度識別框架為Θ={SC1，SC2，SC3，SC4，SC5}，其中SC1代表無故障運行，SC2代表故障程度為3%（分接頭1、2短接），SC3代表故障程度為6%（分接頭4、5短接），SC4代表故障程度為12%（分接頭2、3短接），SC5代表故障程度為15%（分接頭1、3短接），如圖3所示。

通過分析汽輪發電機轉子匝間短路的故障征兆，采用勵磁電流If、轉子基頻振動fr、轉子三倍頻振動f3r、定子基頻振動fs和定子二倍頻振動f2s 5種故障特征作為灰色關聯評價指標，進行初步灰色關聯分析。

實驗在并網狀態下進行，轉速為額定轉速3 000 r·min-1，機端電壓保持390 V不變，有功輸出也基本保持不變，逐漸改變轉子繞組的短路程度，采集正常運行狀態以及各故障程度下的電氣量，同時利用CD-21型速度傳感器測量轉子水平方向和定子垂直方向的振動量，試驗采集的電氣量見表2。

在保持機端電壓和有功基本不變的情況下，定子電流變化不大，勵磁電流呈上升趨勢，與文獻[3]的試驗結論相一致。

圖4為不同故障程度下A相電壓電流曲線。

圖5為不同故障程度下勵磁電流的變化趨勢。

圖6為不同故障程度下轉子振動的頻譜曲線。

圖7為不同故障程度下定子振動的頻譜曲線。

表3為故障模擬實驗采集的轉子匝間短路故障數據統計。從表中可以看出，隨著短路程度的增加轉子基頻振動增加，轉子3倍頻振動分量雖有所波動，但整體為增大趨勢，定子基頻振動增加，定子三倍頻振動分量減少。

參照（1）式對表2數據進行無量綱歸一化處理得到表4所示的故障標準樣本空間。

再進行一次12%短路程度下的轉子匝間短路實驗，將采集的故障數據作為待檢測的故障特征序列SCunknown，經無量綱歸一化處理后如表5所示。

將待檢測的標準故障序列SCunknown分別與標準故障樣本數據SC1～SC5進行灰色關聯分析，得到相應灰色關聯度ri，如表6所示。

發現僅采用灰色關聯度無法準確判定短路程度。

按照式（5）～式（9）計算各匝間短路故障特征的改進熵權，如表7所示。

按照式（7）計算待檢測故障序列SCunknown與標準故障樣本數據SC1～ SC5的灰色加權關聯度Ri，如表8所示。

將灰色加權關聯度進行由大到小排序：R（SC4）=0.878>R（SC3）=0.799>R（SC1）=0.744>R（SC5）=0.703>R（SC2）=0.658。顯然SCunknown與SC4的關聯程度最大，因此可診斷出轉子匝間短路程度約為12%，診斷結果與實際故障程度相符，并且較一般灰色關聯度的診斷效果更好，說明基于熵權與灰色關聯理論的汽輪發電機轉子繞組匝間短路故障程度診斷模型的有效性和準確性。

5 結 論

本文通過分析汽輪發電機發生轉子匝間短路后的故障特征，提出了基于改進熵權與灰色關聯理論的汽輪發電機轉子繞組匝間短路故障程度診斷模型。該模型將待檢測的故障序列與故障樣本空間進行灰色加權關聯度計算，根據最大關聯度得到故障程度診斷結果。

該方法能夠精確、有效的識別出轉子匝間短路的故障程度，能夠為現場機組運行提供指導性建議，合理安排檢修時間，在保證運行安全的前提下更大程度的提高經濟效益。

參 考 文 獻：

[1] 武玉才，李永剛.汽輪發電機轉子典型問題分析及故障診斷[M].北京：中國電力出版社，2015.

[2] 李永剛，李和明，趙華，等.基于定子線圈探測的轉子匝間短路故障識別方法[J].中國電機工程學報，2004，24（2）：108.

LI Yonggang，LI Heming，ZHAO Hua，et a1.Fault identification method of rotor interturnshortcircuitusing statorwinding detection[J].Proceedings of the CSEE，2004，24（2）：107.

[3] 李永剛，李和明，趙華.汽輪發電機轉子繞組匝間短路故障診斷新判據[J].中國電機工程學報，2003，23（6）：112.

LI Yonggang，LI Heming，ZHAO Hua.The new criterion oninter turn shortcircuit fault diagnose of steam turbine generatorrotor windings[J].Proceedings of the CSEE，2003，23（6）：112.

[4] 萬書亭，李和明，李永剛.轉子匝間短路對發電機定轉子振動特性的影響[J].中國電機工程學報，2005，25（10）：122.

WAN Shuting，LI Heming，LI Yonggang.Analysis of generator vibration characteristic on rotor winding interturn shortcircuit fault[J].Proceedings of the CSEE，2005，25（10）：122.

[5] 武玉才，李和明，李永剛，等.在線檢測發電機轉子繞組匝間短路的新方法[J].高電壓技術，2009，35（11）：2698.

WU Yucai，LI Heming，LI Yonggang，et al.New online diagnosis method for generator rotor winding interturn short circuit[J].High Voltage Engineering，2009，35（11）：2698.

[6] 武玉才，李永剛，李和明，等.機電復合故障下汽輪發電機轉子振動特性分析[J].高電壓技術，2010，36（11）：2687.

WU Yucai，LI Yonggang，LI Heming，et al.Analysis of turbine generator rotor vibration characteristic under electromechanical compound faults [J].High Voltage Engineering，2010，36（11）： 2687.

[7] 周國偉，李永剛，萬書亭，等.轉子繞組短路故障時發電機轉子不平衡電磁力分析[J].電工技術學報，2012，27（10）：120.

ZHOU Guowei，LI Yonggang，WAN Shuting，et al.Analysis on rotor unbalanced electromagnetic force of generatorunder rotor interturn short circuit fault [J].Transactionsof China Electrotechnical Society，2012，27（10）：120.

[8] 武玉才，李永剛，馮文宗，等.汽輪發電機轉子繞組短路產生的不平衡磁拉力研究[J].電機與控制學報，2015，19（3）：37.

WU Yucai，LI Yonggang，FENG Wenzong，et al.Analysis on unbalanced magnetic pull generated by turntoturnshort circuit of rotor windings within turbine generator [J].Electric Machines and Control，2015，19（3）：37.

[9] 李揚，郝亮亮，孫宇光，等.隱極同步發電機轉子匝間短路時轉子不平衡磁拉力特征分析[J].電力系統自動化，2016，40（3）：81.

LI Yang，HAO Liangliang，SUN Yuguang，et al.Characteristic analysisof unbalanced magnetic pull causedby nonsalient pole synchronous generator rotor interturn short circuit fault [J].Automation of Electric Power Systems，2016，40（3）：81.

[10] 武玉才，馮文宗，李永剛，等.勵磁繞組短路故障下汽輪發電機的電磁穩態特征[J].高電壓技術，2014，40（5）：1567.

WU Yucai，FENG Wenzong，LI Yonggang，et al.Steadystate electromagnetic characteristics of turbine generator after field winding shortcircuit fault [J].High Voltage Engineering，2014，40（5）：1567.

[11] 李和明，武玉才，李永剛.轉子繞組匝間短路對電機軸電壓的影響[J].中國電機工程學報，2009，29（36）：96.

LI Heming，WU Yucai，LI Yonggang.Influence of rotor windings interturn short circuit fault on electric machine shaft voltage [J].Proceedings of the CSEE，2009，29（36）：96.

[12] 武玉才，李永剛，李和明.基于軸電壓的隱極同步發電機轉子典型故障診斷[J].電工技術學報，2010，25（6）：178.

WU Yucai，LI Yonggang，LI Heming.Diagnosis of nonsalient pole synchronous generator rotor′s typical faults based on shaft voltage [J].Transactions of China Electrotechnical Society，2010，25（6）：178.

[13] 武玉才，李永剛.基于端部漏磁特征頻率的汽輪發電機轉子匝間短路故障診斷實驗研究[J].電工技術學報，2014，29（11）：107.

WU Yucai，LI Yonggang.Experimental study of rotor interturn short circuit fault diagnosis in turbine generator based on characteristic frequency of endleakageflux[J].Transactions of China Electrotechnical Society，2014，29（11）：107.

[14] 鄧聚龍.灰色預測與決策[M].武漢：華中理工大學出版社，1986.

[15] 楊志澤，梁良，李小勇，等.灰色關聯模型在高壓斷路器故障診斷中的應用[J].電網技術，2015，39（6）：1731.

YANG Zhize，LIANG Liang，LI Xiaoyong，et al.Application of the gray correlation model in fault diagnosisof highvoltage circuit breakers [J].Power System Technology，2015，39（6）：1731.

[16] 劉鵬，李洪儒，王衛國，等.基于補償距離評估技術與灰色關聯分析的滾動軸承故障程度識別[J].機械傳動，2015，39（10）：97.

LIU Peng，LI Hongru，WANG Weiguo，et al.Fault severity recognition of rolling bearing based on compensation distance evaluation technique and grey relational analysis [J].Journalof Mechanical Transmission，2015，39（10）：97.

[17] 安學利，周建中，劉力，等.基于熵權理論和信息融合技術的水電機組振動故障診斷[J].電力系統自動化，2008，32（20）：78.

AN Xueli，ZHOU Jianzhong，LIU Li， et al.Vibration fault diagnosis for hydraulic generator units based on entropy weight theoryand information fusion technology [J].Automation of Electric Power Systems，2008，32（20）：78.

[18] 趙峰，李碩.基于熵權和灰關聯度的變壓器故障診斷[J].電工電能新技術，2015，34（1）：57.

ZHAO Feng，LI Shuo.Fault diagnosis in transformer based on entropy weightedand grey incidence [J].Advanced Technology of Electrical Engineering and Energy，2015，34（1）：57.

[19] 邱蔻華.管理決策與應用熵學.北京：機械工業出版社，2002.

[20] 歐陽森，石怡理.改進熵權法及其在電能質量評估中的應用[J].電力系統自動化，2013，37（21）：156.

OUYANG Sen，SHI Yili.A new improved entropy method and its application in power quality evaluation [J].Automation of Electric Power System，2013，37（21）：156.

（編輯：賈志超）