水電廠勵磁系統故障分析及改進措施研究

李大焱

(國投云南大朝山水電有限公司，昆明 650213)

0 引言

電力資源是我國基礎性能源之一，在我國生產活動中起到了關鍵作用，因此電力生產至關重要。電力主要通過電廠產生，電廠將自然資源通過某種裝置轉換為電能，水電廠就是其中之一[1]。在水電廠運行過程中，勵磁系統起到了關鍵作用，具體包括維持機端電壓、合理分配發電機間的無功負荷、根據運行要求對發電機實行最大勵磁限制及最小勵磁限制、在電力系統發生短路故障時,能增大短路電流，提高帶時限繼保護的靈敏性等。在此背景下，勵磁系統故障分析與改進對于保證水電廠正常供電，提供水電廠電力生產質量都具有重要的現實意義[2]。

對水電廠勵磁系統故障研究有很多，如在國內，20世紀80年代初開始進行勵磁系統故障研究工作，如潘家口水電廠水利電力勘測設計研究院設計了一種勵磁系統故障監測診斷裝置，并投入到勵磁系統故障分析當中，實現了其運行狀態的監測，及時發現故障問題；華中科技大學與葛洲壩電廠合作共同研發了專門應用與勵磁系統故障的監測與診斷系統，以應對水電廠勵磁系統故障問題。在國外，20世紀60年代就開始了對勵磁系統故障的研究工作，如美國ABB公司研制出基于故障錄波器的UNITROL 6000設備，該設備可實現上千故障的處理與存儲。加拿大某公司研發了一套在線GEMS系統，實現了對勵磁系統運行狀態的24小時在線的實時監測。

基于上述研究，本文進行水電廠勵磁系統故障分析及改進措施研究，以期為水電廠勵磁系統故障解決提供建議和參考。最后經測試分析，水電廠勵磁系統故障分析準確性較高，為故障改進工作提供了可靠依據，從而提高水電廠電力生產質量。

1 水電廠勵磁系統故障分析研究

水電廠勵磁系統是供給同步發電機勵磁電流的電源及其附屬設備的統稱，主要包括調節器以及功率單元兩個部分，具體如圖1所示。

圖1 水電廠勵磁系統組成結構

由圖1可知，本文水電廠勵磁系統故障主要發生在兩個環節上，故障主要包括功率柜故障、調節器故障等兩種[3]。此外還包括失磁故障、整流電源故障、熔斷器爆裂故障、逆變滅磁失敗故障等[4]。每種故障發生后，都會造成勵磁電壓波形的變化。根據上述特點，基于勵磁電壓波形進行水電廠勵磁系統故障分析，分析包括故障錄波、處理、分析等三部分。

1.1 故障錄波

得到勵磁電壓信號是進行故障分析的基礎和前提，因此在故障分析中，首要解決的問題就是故障錄波，也就是采集勵磁電壓信號。勵磁電壓信號采集主要通過電壓傳感器實現。電壓傳感器是一種通過測量電量參數，然后將其轉換為直流電流、直流電壓模擬信號輸出的測量裝置，主要用于設備或系統故障分析當中[5]。

勵磁系統通電，運行勵磁系統的同時利用電壓傳感器采集其電壓信號，然后按照如下流程：非電學量→敏感元件→轉換元件→調理電路→電學量，將電壓信號非電學量轉換成易于傳輸或測量的電學量[6]。

在上述電壓傳感器錄波過程中，勵磁電壓信號調理至關重要，具體包括信號放大、濾波、隔離等。

1)信號放大。采集到的電壓信號中有的信號是弱信號，質量不高，因此需要將其放大，以提高分辨率。一般通過放大器來實現[7]。

2)信號濾波。信號在采集和傳輸過程中，受到環境以及自身設備的影響，會感染噪聲，導致有用的電壓信號被掩蓋起來，不利于后續故障分析，因此需要進行信號濾波，除去不需要的頻率成分。信號濾波方法有很多，如奇異值分解、小波變換、獨立向量分析等。在這里采用高斯濾波器進行濾波。高斯濾波器基本思路是將高斯核函數與原始電壓信號進行卷積運算，得到濾波后電壓信號[8]。

具體過程如下：

(1)設勵磁系統電壓信號為fk(m)，采樣點時間為m，高斯濾波權值為wk(m,σ)，迭代次數為K。

(2)計算fk(m)的長度L，也就是取樣點個數；

(3)令初始迭代次數k=0；

(5)分別選擇σ>Fave、σ>Fave、σ≈Fave計算濾波器的加權系數。

(6)分別選擇σ>Fave、σ>Fave、σ≈Fave對電壓信號進行濾波，即對f(m)進行加權平均。

(7)判斷是否滿足迭代結束條件，即k=K。滿足，則輸出結果；若不滿足，則回到步驟(4)，繼續進行計算。

3)信號隔離。避免傳感器和水電廠勵磁系統連接錄波時出現電連接，需要進行隔離保護以及避免形成接地回路，引起誤差[9]。

1.2 勵磁系統故障識別分析

勵磁系統故障識別分析是本文研究的核心，即通過采集到的電壓信號，分析出其故障類型，這對于后期進行故障改進具有重要的作用，能夠提高故障改進效率和質量[10]。本章節勵磁系統故障識別主要基于人工神經網絡算法來實現。神經網絡算法是一種模擬人腦神經元網絡運行原理而產生的智能算法。神經網絡算法由大量的節點(或稱神經元)之間相互聯接構成的多層網絡，具體為輸入層、隱含層和輸出層，具有很強的自適應、自組織和實時學習的特點，在故障識別與分析領域發揮了重要作用[11]。本文就基于人工神經網絡算法進行勵磁系統故障識別。人工神經網絡包括學習和測試兩個過程。

人工神經網絡學習過程正向傳播階段是指將采集到的水電廠勵磁系統故障電壓信號從輸入層輸入，經過隱含層運算，最后在輸出層輸出結果。這時輸出結果與期望值相對比，若誤差小于設定的閾值，則完成神經網絡訓練；若得到的二者誤差大于設定的閾值，則進入誤差的反向傳播階段，不斷調整各層網絡之間的權值[12]。誤差信號反向傳播階段：將輸出結果與期望值之間的誤差信號從輸出層輸入，并按照隱含層、輸入層順序逆向傳播。在這一過程中，會通過誤差反饋不斷調節神經網絡的權值，以此來修正神經網絡，使得輸出的結果更接近期望輸出[13]。

人工神經網絡測試過程：在上述人工神經網絡學習過程結束后，會得到一個修正好的神經網絡。在測試過程中，直接將測試樣本輸入到修正好的神經網絡中，即可得到故障識別結果[14]。

隱含層或輸出層第i個單元的輸出為：

yi=f×(wijxj+gi)

(1)

式中，f為作用函數；wij為上一層第j個節點與該層第i個節點的連接權；xj為上一層第j個節點的輸出；gi為上一層第i個節點的閾值。

f通常釆用S型函數(Sigmoid)作為轉換函數。

(2)

設學習過程中第p個樣本中第i個節點的輸出值為ypi，期望輸出值為spi，則有偏差：

(3)

其中:n為上一層節點總數。

通過自學習調整權值wij，使得偏差Ep

有一天北舞來招生，我就想試一試吧，不用有太大壓力，反正相比那些從五六歲就開始練的同學，我跳得挺爛的，肯定沒戲，就不知天高地厚地去考試了。當時跳完之后，評委席上的老師都“撲哧”笑了。

在上述研究中提到故障類型水電廠勵磁系統故障主要包括功率柜故障、失磁故障、調節器故障、整流電源故障、熔斷器爆裂故障、逆變滅磁失敗故障等幾種[16]，因此將這些故障作為每一種勵磁系統運行狀態下對應的輸出向量，具體如表1所示。

表1 勵磁系統運行狀態對應的人工神經網絡理想輸出

2 勵磁系統故障改進措施

針對功率柜故障、失磁故障、調節器故障、整流電源故障、熔斷器爆裂故障、逆變滅磁失敗故障等，勵磁系統故障改進措施如下。

2.1 功率柜故障故障改進措施

勵磁系統是勵磁系統最常見的故障之一，造成的原因主要有三種：風壓低，風壓繼電器接點抖動；風溫過高；電流不平衡。針對這三個原因處理方法有三個：調整風壓繼電器行程開關的角度；對比兩個功率柜，檢查測溫電阻是否正常；檢查是否有可控硅不導通或霍爾變送器測量誤差[17]。

2.2 調節器故障改進措施

調節器是勵磁系統的主要組成結構，其故障主要表現在三個方面[18]，以及具體處理方法如表2所示。

表2 調節器故障

2.3 失磁故障改進措施

失磁故障出現后面，勵磁系統的電壓值會在一段時間內急速下降到負值，并且同時電力和定子的電壓伴有極大的波動，因此一旦出現失磁故障，先不要忙著查找原因，而是需要第一時間緊急停機，然后在做靜態試驗分析查找原因，最后根據查重到的原因進行故障排除[19]。

2.4 熔斷器爆裂故障改進措施

熔斷器爆裂故障是相間短路之后本應熔斷器迅速熔斷，機組出現跳閘而停止運行的故障。該故障發生后，應當立即關閉電源，然后對機部位進行全面檢查，并更換合格的高壓側熔斷器[20]。

2.5 整流電源故障

整流電源故障包括交流電源消失、直流電源消失兩種表現形式，因此故障處理方法也不同，具體如表3所示[21]。

表3 整流電源故障

2.6 逆變滅磁失敗故障改進措施

逆變滅磁失敗是指勵磁系統在停電后，機端電壓仍大于10%額定值。造成這一現象的原因有：調節器脈沖輸出混亂，未與可控硅對應；整流器陽極輸入電源相序錯誤；有可控硅損壞，導致在轉子回路中形成續流回路[22]。針對這三種原因，改進措施有三個：檢查各脈沖信號線是否正確接入對應的可控硅觸發回路；檢查輸入電源相序，確保為正相序；做開環試驗檢查各可控硅是否正常[23]。

3 仿真實驗分析

3.1 實驗樣本

本實驗樣本分布情況如表4所示。其中，學習樣本來自某水電廠數據庫，測試樣本來自霍爾電壓傳感器現場采集。

表4 實驗樣本

3.2 故障信號采集

本實驗中選擇霍爾電壓傳感器采集測試樣本數據(采集情況見表4)。該電壓傳感器具體技術指標設置如表5所示。

3.3 神經網絡訓練

利用表4中樣本對人工神經網絡進行訓練，神經網絡輸入層有7個神經元；隱含層神經元為11個，學習率為0.25，迭代次數為3 500；系統誤差為10-5。神經網絡輸入樣本特征庫如表6所示。

由表6可知，神經網絡輸入樣本故障分為功率柜故障、調節器故障、失磁故障、熔斷器爆裂故障、整流電源故障、以及逆變滅磁失敗故障情況，若樣本中存在故障顯示1，反之則顯示0。需提取故障數據噪聲，消除數據噪聲對故障信號屬性判斷的干擾，完成神經網絡輸入樣本故障數據的采集。

表5 霍爾電壓傳感器技術參數

表6 神經網絡輸入樣本特征庫(部分)

3.4 評估指標

本文評估指標選取AUC值作為評判標準，AUC值為ROC曲線所覆蓋的區域面積。AUC越接近1，故障分析效果越好。

假定ROC曲線由坐標為{(x1,y1),(x2,y2),...,(ym,ym)}的點按序連接而形成(x1=0,xm=1)，則AUC可估算為：

(4)

3.5 結果分析

將測試樣本輸入到訓練好的神經網絡當中，根據得到的結果繪制ROC曲線，如圖2所示。

圖2 ROC曲線與AUC

按照上述公式(4)計算AUC值，得出AUC=0.964，接近1，由此說明本文水電廠勵磁系統故障分析結果較為準確，證明了本文分析方法的有效性，為后期故障改進和排除提供了可靠的依據。

4 結束語

綜上所述，勵磁系統在水電廠電力生產中起到了關鍵作用，一旦出現故障，將直接影響電力輸出。為此，為保證電力供應質量，勵磁系統故障分析與改進具有重要的現實意義。本文經測試，水電廠勵磁系統故障分析準確較高，為后續故障改進和排除提供了可靠的依據。然而，由于時間和精力有限，在本文研究中仍存在一些缺陷，即在實驗階段，選擇的實驗樣本種類較少，因此分析結果不全面，具有一定的局限性，因此在未來的研究中，需要加入更多的實驗樣本，以使故障分析。更加完整。