基于LSTM 神經網絡的發電機繞組散熱異常監測系統設計

劉明哲，毛振攀，周桐，李錦云，喬加奇

（中國三峽新能源（集團）股份有限公司，北京 101199）

引言

發電機是一個高速旋轉運作的設備，其內部結構復雜、構成零件較多，且部件之間的連接裝置繁瑣，使其故障率升高。發電機故障種類較多，在前期沒有及時發現和處理故障，就會形成惡性事故，危及電網的安全運行，甚至可能影響到鄰近機組和電網用戶，造成嚴重的經濟損失。在大電機高速運轉過程中，繞組因損耗會產生大量的熱量，必須配備相應的冷卻系統[1]。如果出現繞組散熱量過大、冷卻系統性能過低或者冷卻系統失效等問題，繞組散熱量就會隨著時間累積越來越多，使得繞組周圍溫度短時間內迅速上升，對繞組、定子、絕緣材料等均會產生較大的破壞，威脅著發電機運行的安全性與可靠性。近年來，發電機的繞組熱故障已經成為制約發電機穩定運轉的關鍵因素之一[2]。由此可見，設計一個高效、精準的發電機繞組散熱異常監測系統具有一定的現實意義。

文獻[3]以比例-積分-微分控制為基礎，設計了局部過熱故障模擬和檢測系統，該系統具備自動測控局部過熱溫度、實測功率和檢測氣體分解產物的功能，適用于對純氣體和氣固絕緣系統的局部過熱故障模擬。文獻[4]運用超像素分割法，將紅外圖像分割成多個不重疊的超像素區域，利用低秩表示技術實現熱故障診斷，挖掘空間結構和紅外溫度的信息，提高熱故障診斷的準確性。但是上述方法的繞組散熱異常監測實時性與精度較差。

因此，設計基于LSTM 神經網絡的發電機繞組散熱異常監測系統，應用LSTM 神經網絡，提升繞組散熱異常監測整體性能。

1 發電機繞組散熱異常監測系統設計

1.1 發電機繞組散熱穩態平衡方程構造模塊

為了提升發電機繞組散熱異常監測[5]的效率與質量，構造發電機繞組散熱穩態平衡方程，分析發電機繞組散熱特性。

在發電機正常作業環境下，繞組由于高速運轉產生大量的熱量，使得周圍溫度逐漸升高，因此必須配備適當的冷卻裝置[6]。若是繞組附近溫度過高，不僅會影響繞組及其周圍零部件性能的正常發揮，而且會影響發電機的正常運轉。

常規情況下，采用ANSYS 模擬發電機正常運轉狀況下繞組散熱情況，構造繞組散熱平衡矩陣方程，表示為：

式中：

Qt—時刻t 發電機線圈所散發出的熱量，即熱通率的負載矢量；

[ζt]—繞組在t 時刻的比熱矩陣；

{T′}—溫度微分矩陣的時間；

[αt]—繞組在t 時刻的熱傳導矩陣；

{T}—溫度矩陣。

由于發電機是一個未封閉裝置，繞組附近也會存在熱量流入與熱量流出現象，因此發電機繞組散熱量滿足公式（2）：

式中：

Q1—流入發電機繞組的熱量；

Q2—流出發電機繞組的熱量。

若是發電機繞組散熱滿足公式（2），表明發電機繞組處于熱穩態環境[7]，繞組溫度保持靜態不變，隨著時間的變化，繞組溫度不會發生明顯的變化。通過上述描述，獲得發電機繞組散熱穩態平衡方程，表達式為：

上述過程完成了發電機繞組散熱穩態平衡方程的構造，清晰地展示了繞組散熱特性，為后續研究的進行提供支撐。

1.2 發電機繞組溫度模型構建模塊

以上述構造的發電機繞組散熱穩態平衡方程為基礎，基于繞組運行狀態參數構建發電機繞組溫度模型，為后續發電機繞組溫度信號采集與處理提供依據。

電流通過繞組會產生一定的銅損[8]，致使繞組溫度逐漸升高，產生巨大的熱量，再由繞組外的絕緣材料傳遞給相鄰部件與周邊環境[9]。繞組熱量大部分以熱傳導形式[10]傳遞給定子鐵芯，小部分熱量通過對流散熱形式傳遞給發電機間隙區域。根據傳熱學理論，構建發電機繞組溫度模型，表達式為：

式中：

Tr—發電機定子繞組溫度；

Q3—繞組對定子鐵芯傳導的熱量；

Rr—熱傳導熱阻；

Tb0—定子鐵芯初始溫度；

ΔTb—定子鐵芯溫度變化值；

Tb—定子鐵芯溫度；

Q4—繞組向發電機間隙區域傳遞的熱量；

βr—繞組散熱率；

Tq—發電機間隙溫度；

通過上述表達式完成了發電機繞組溫度模型的構建，明確了繞組溫度計算方法，為后續繞組溫度信號采集與處理提供一定的理論依據。

1.3 發電機繞組溫度信號采集與處理模塊

以上述構建的發電機繞組溫度模型為依據，選擇適合的繞組溫度信號采集設備，實時采集發電機繞組溫度信號，并進行一定的預處理，為后續發電機繞組散熱異常監測的實現提供信號依據。

依據發電機繞組散熱特性，選取拉曼型光纖溫度傳感器作為數據采集裝置，能夠對繞組溫度場進行獲取，具體如圖1 所示。

圖1 繞組溫度場示例圖

為了方便后續繞組散熱異常的監測，將溫度場信息轉化為相應的發電機繞組溫度信號，但是，其信號較為微弱，若是信噪比較低，容易被淹沒在噪聲信號中[11]。由此可見，采集的發電機繞組溫度信號不能直接應用，需要進行去噪處理。

此研究應用線性累加平均方法消除繞組溫度信號中的噪聲信號。設定繞組溫度信號表示為：

式中：

ft—時刻t 采集獲得的發電機繞組溫度信號；

st—繞組溫度信號中的有效信號；

εt—噪聲信號，隸屬于高斯白噪聲。

線性累加平均方法需要以時間間隔δ 對繞組溫度信號進行采樣，即繞組i 處第k 次采樣結果表示為：

由于繞組溫度信號采樣是在同步狀態下進行的，因此可以將tk作為0。將多次采樣繞組溫度信號進行線性累加，獲得繞組i 處溫度信號為

式中：

m—繞組溫度信號采樣次數；

siδ—tk取0 時的有效溫度信號；

—噪聲信號的有效值。

信噪比是體現繞組溫度信號中噪聲信號占比的關鍵指標，也是衡量消噪處理效果的有效參數[12]。經過m次線性累加，將多個輸入信號相加并取平均值，減小了噪聲對信號的影響，而信號強度保持不變甚至增加，從而提高了信噪比。為了驗證線性累加對于繞組溫度信號信噪比的影響，計算經過m次線性累加后的繞組溫度信號信噪比增益。繞組溫度信號信噪比增益為經過m次線性累加后的繞組溫度信號信噪比與原始繞組溫度的信噪比的比值，數值的計算過程如公式（8）所示：

式中：

SINR—繞組溫度信號信噪比增益數值；

sm、εm—經過m次線性累加后的繞組溫度信號中的有效信號和噪聲信號；

s、ε分別表示原始繞組溫度信號中的有效信號。

通過上述過程完成了繞組溫度信號的采集與去噪，記為Ft，為后續研究目標的實現做好充足的準備。

1.4 發電機繞組散熱異常監測模塊

以上述消噪處理后的繞組溫度信號Ft為基礎，應用LSTM 神經網絡制定發電機繞組散熱異常監測程序，從而實現發電機繞組散熱異常的檢測與預警，防止繞組熱故障的發生，保障發電機的穩定運行[13]。

LSTM 神經網絡結構如圖2 所示。

圖2 LSTM 神經網絡結構示意圖

如圖2 所示，LSTM 神經網絡引入了“門”結構，在神經網絡眾多算法中脫穎而出，能夠解決長序列問題。由于發電機持續高速運轉，得到的繞組溫度信號屬于長序列形式，LSTM 神經網絡更加有利于繞組散熱異常的監測[14]。

基于LSTM 神經網絡的發電機繞組散熱異常監測程序如圖3 所示。

圖3 發電機繞組散熱異常監測程序圖

如圖3 所示，遺忘門主要通過使用激活函數sigmoid對輸入繞組溫度信號Ft進行處理，遺忘無用信號。其輸出結果為：

式中：H

Wf—遺忘門加權矢量；

Ht-1—時刻t- 1隱藏層輸出結果；

Bf—遺忘門偏差矢量。

輸入門[15]主要是對繞組溫度信號流入程度進行控制，需要根據實際繞組溫度信號體量來設置。

通過應用激活函數tanH 衡量繞組溫度信號是否超過閾值，來決定是否加入候選向量，具體規則如式（10）所示：

式中：

ξ—發電機繞組溫度閾值，需要根據繞組材料、散熱性能等多個因素進行確定。

輸出門在接收到繞組溫度異常信號時，提取精確的溫度信號，并自動生成預警信息，提醒工作人員對繞組相關部件進行維修。

通過上述過程實現了發電機繞組散熱異常的監測，為工作人員檢修提供便利，也為繞組、發電機的穩定運行提供保障。

2 實驗與結果分析

為驗證所提方法的有效性，選取文獻[3]方法和文獻[4]方法作為對比系統1 與對比系統2，設計發電機繞組散熱異常監測對比實驗，以此來驗證設計系統的應用效果。

2.1 實驗對象選取

選取某型號發電機作為實驗對象，并對繞組溫度信號采樣點進行科學配置，為實驗數據的獲取提供支撐。實驗對象及其采樣點配置情況如圖4 所示。

圖4 實驗對象及其采樣點配置情況示意圖

如圖4 所示，在實驗對象上設置了10 個采樣點，其間隔幾乎一致，可以完整地采集到繞組溫度信號，為繞組散熱異常監測提供充足的、準確的信號支撐。

2.2 發電機繞組溫度閾值確定

發電機繞組溫度閾值是繞組散熱異常監測的關鍵依據，其數值大小直接影響著繞組散熱異常監測的精度。繞組溫度閾值過大，會對繞組及其絕緣材料產生極大的不利影響；繞組溫度閾值過小，會增加預警信息體量，工作量暴漲，不利于發電機的正常應用。

通過測試獲得發電機繞組溫度閾值ξ與繞組散熱異常監測誤差之間的關系如圖5 所示。

圖5 發電機繞組溫度閾值與繞組散熱異常監測誤差關系示意圖

如圖5 數據所示，當發電機繞組溫度閾值ξ取值為70oC 時，繞組散熱異常監測誤差達到最小值3 %。因此，確定發電機繞組溫度閾值ξ最佳取值為70oC。

2.3 實驗結果分析

以選取的實驗對象和確定的發電機繞組溫度閾值為基礎，進行發電機繞組散熱異常監測對比實驗，通過繞組溫度信號信噪比與繞組散熱異常監測結果分析設計系統的應用性能。

通過實驗獲得繞組溫度信號信噪比數值如表1 所示。

表1 繞組溫度信號信噪比數值表/dB

根據表1 可知，設計系統應用后，獲得的繞組溫度信號信噪比數值均高于兩個對比系統，最大值達到了97.41 dB，表明設計系統對于繞組溫度信號的處理更好。通過實驗獲得繞組散熱異常監測結果如圖6 所示。

圖6 繞組散熱異常監測結果示意圖

根據圖6 可知，設計系統應用后，獲得的繞組散熱異常監測結果與實際監測結果保持一致，而對比系統1與2 獲得的繞組散熱異常監測結果與實際監測結果存在著較大的偏差，說明設計系統能夠更加精準地監測繞組溫度的變化，判定繞組散熱異常情況，為發電機穩定運行提供更有效的保障。

3 結束語

為了提升發電機運轉的可靠性，設計基于LSTM 神經網絡的發電機繞組散熱異常監測系統。通過實驗證明了設計系統的信噪比最大值達到了97.41 dB，且異常監測結果與實際監測一致，能夠提升繞組溫度信號信噪比，增大繞組散熱異常監測結果精確性，為發電機的后續發展與應用提供幫助。