故障辨识范文

故障辨识范文（精选7篇）

故障辨识 第1篇

在高压输电线路中, 单相接地故障是最常发生的故障, 单相接地故障有时经过高过渡电阻并伴有电弧, 具有故障电流突变量小、电流水平不稳定、存在谐波和高频分量等不利于保护可靠检测的故障特征, 引起两套主保护相继动作而不是同时动作、或一套主保护动作而另一套不动作、甚至出现主保护不动而后备保护动作等复杂现象。因此, 线路故障跳闸后, 正确快速辨识出高阻接地故障显得尤为重要。

同时, 线路故障跳闸后, 为了减少输电线路故障巡查的工作量, 迫切需要在系统发生故障后能准确快速地查找出故障点[1,2,3,4,5], 缩短故障恢复时间, 提高供电可靠性。目前线路保护和故障录波器大多采用阻抗测量原理的测距算法, 该算法受故障类型、故障电阻和线路对端负荷阻抗等因素影响较大, 当发生高阻接地故障时, 其测距结果会严重偏离真实故障距离, 无法满足现场的应用要求。

本文根据线路故障跳闸的综合信息, 提出了一种快速准确辨识高阻接地故障并进行故障定位的方法。该方法的核心思想是根据故障序网络分析原理和差动保护原理, 利用电网分布式继电保护计算系统进行故障辨识和定位。故障计算和现场巡线结果证实了本方法的有效性和准确性。

1 事故简述

2012年5月5日14时36分03秒, 某220 k V输电线路发生故障。该线路两侧都配置南瑞继保公司RCS-931A型光纤差动保护和RCS-902CFM型光纤距离保护。故障线路甲侧保护动作如下:RCS-931A光纤差动保护在故障18 ms后相电流差动保护动作, 跳开C相开关, RCS-902CFM保护启动但未动作出口, 1 000 ms后双套保护重合闸动作并重合于故障, RCS-931A光纤差动保护在C相开关合闸175 ms后将开关三相跳开, 线路重合失败。故障线路乙侧保护动作行为与甲侧保护动作相似, 不再具体描述。现场保护定值和动作信息见附录表1、表2, 故障线路两侧保护录波图如图1~图4。

2 线路故障原因分析

2.1 故障类型辨识

故障发生后, 通过电网故障录波器联网系统读取了故障线路、母线以及与故障线路存在电气联系的相邻线路的故障录波图, 详见附录图1~图2。

经过仔细分析发现该输电线路发生故障时电网主要故障特征如下:

1) 故障线路两侧C相母线电压几乎没有下降;

2) 故障线路两侧C相电流增大, 零序电流增大;

3) 相邻线路 (1) C相电流增大, 但增加幅度较小;

4) 相邻线路 (2) C相电流几乎减小至零。

通过对甲侧和乙侧RCS-931A录波图进行详细分析, 线路两侧故障前、故障后电压电流相量如附录表3。从表3可以看出, 故障线路故障前电压超前电流30°左右 (负荷阻抗角) , 但故障时两侧C相电压和电流几乎同相位 (夹角为0°) , 说明线路为经过较大的纯电阻性的高阻接地。

2.2 故障线路辨识

根据零序差动保护原理, 首先将故障跳闸线路及与其相邻线路组成的区域作为保护区域, 如图5所示。

通过对故障时各线路的零序电流进行计算分析, 可以很容易地辨识该区域的运行状态。在正常运行状态时, 该区域内各线路流过电流均为负荷电流, 零序电流值为负荷三相不平衡电流, 其值通常较小, 即其中, [3I0]f N为跳闸线路乙侧零序电流, [3I 0]i为相邻线路 (i) 的零序电流, 则该区域未发生接地故障;当区域内任意一点发生接地故障 (包括高阻接地) 时, 各条线路零序电流的矢量和的幅值必然大幅增加, 即时, 则该区域发生接地故障。由故障录波数据可知, 显然区域内发生了接地故障[6,7,8,9]。

接下来根据故障录波数据逐一计算保护区域内相邻线路 (1) ~ (5) 和跳闸线路两侧零序电流矢量和, 可得

根据零差保护原理, 非故障线路两侧零序电流矢量和为零, 故障线路两侧零序电流矢量和应大于零。从式 (1) 可看出, 只有跳闸线路两侧零序电流矢量和大于零, 因此根据故障特征和以上分析, 综合判断电网故障为跳闸线路C相发生高阻接地故障。

3 故障定位

目前线路保护和故障录波器基本都配置基于阻抗测量原理的测距功能, 阻抗测距算法普遍采用解微分方程算法, 此算法简单, 实时性好, 不受电网频率波动等影响, 但由于方程中限制只能求解两个未知数, 因此, 它们一般假设保护安装处电流与故障电流同相位, 这种假设导致线路发生高阻接地故障时, 其测距结果 (如附录表2) 会严重偏离真实故障距离, 无法满足故障点准确定位要求。

3.1 故障点计算

由2.1节分析可知, 输电线路的故障类型应为C相发生高阻接地故障, 接下来本文基于故障录波信息和网络拓扑结构, 根据电网故障序网络分析原理, 利用电网“分布式继电保护计算系统” (BASE2000系统) 计算故障点位置及接地电阻高阻阻值[10,11,12]。

当线路发生高阻接地时, 系统示意图如图6所示。

由于线路高阻接地, 因此故障电流并不是很大 (故障线路故障相二次电流仅为0.8 A) , 此时负荷电流不可以忽略, 流过线路的电流应为故障电流与负荷电流的矢量和, 因此当故障电流与负荷电流方向相反时, 有可能导致故障时某些线路的电流反而会变小 (如本次故障时的相邻线路 (2) ) 。

为保证高阻接地故障定位的准确度, 必须采用与负荷电流大小无关的方法进行故障定位, 为此, 本文采用与负荷电流无关的零序网络进行故障定位, 系统故障零序等效网络如图7所示。

从图7可以看出, 故障线路两侧零序电流的比值等于故障点K到零序网络两侧等效零序电抗的反比, 即

而与接地电阻Rg的阻值大小无关。两站的零序电流由两侧保护装置的保护录波文件可得

然后按照线路故障前电网运行方式利用BASE2000系统中短路计算程序模块进行搜索, 在故障线路搜索到一故障点, 该故障点为故障线路距甲侧76.0%处发生C相接地故障时, 线路两侧零序电流的比值为0.402, 因此该故障点即为所求故障点。故障线路线路全长为53.85 km, 即故障点为距甲侧53.850.76=40.93 km处。

3.2 结果对比

故障点确定后, 再根据故障时故障录波器所录线路的故障零序电流值即可计算出接地电阻的阻值, 经计算, 接地电阻阻值为2.9248.4=141.3Ω。故障点和接地电阻确定后, 进行短路计算就可以算出电网所有支路的零序电流值, 再与故障时故障录波器所记录数值进行比较, 比较结果如表1。

从表1可以看出, 大多数支路 (故障线路两侧、相邻线路 (2) 、相邻线路 (3) 、相邻线路 (4) 、相邻线路 (5) ) 零序电流计算值与故障时实际录波值比较吻合。相邻线路 (1) 计算值与录波值虽存在一定的偏差, 经分析认为由故障时零序电流较小、电流互感器的传变误差等导致。

3.3 现场巡线结果

将理论计算后的故障点告知故障线路所属供电公司, 经巡线勘查, 证实该故障线路距甲侧76%处附近为山区, 山区覆盖较多树木, 故障时线路对山坡树木放电。

4 结语

本文基于一起220 k V输电线路故障录波数据, 利用序网络故障分析理论和电网分布式继电保护计算系统 (BASE2000系统) 进行了故障类型辨识和故障点定位, 故障电流计算值与故障录波数据对比结果及巡线结果均证实了该方法的有效性和正确性。结果表明, 本文所提出的高阻接地故障辨识方法快速有效, 故障点定位方法不受过渡电阻、负荷电流等因素的影响, 有较高的测距精度。

附录

参考文献

[1]李强, 王银乐.高压输电线路的故障测距方法[J].电力系统保护与控制, 2009, 37 (23) :192-197.LI Qiang, WANG Yin-le.Fault location methods for high voltage power transmission lines[J].Power System Protection and Control, 2009, 37 (23) :192-197.

[2]罗显通, 罗建.一种适于高阻接地的单端时域测距算法[J].电力系统保护与控制, 2010, 38 (8) :6-9.LUO Xian-tong, LUO Jian.A time-domain fault location algorithm for high resistance grounding using one terminal data[J].Power System Protection and Control, 2010, 38 (8) :6-9.

[3]王波, 王伟, 陈超.基于同步相量测量技术的输电线路故障测距综述[J].电力系统保护与控制, 2009, 37 (13) :122-128.WANG Bo, WANG Wei, CHEN Chao.A survey of fault location on transmission line based on synchronized phasor measurement technique[J].Power System Protection and Control, 2009, 37 (13) :122-128.

[4]全玉生, 李平, 张煜, 等.基于微分方程的单端故障测距新算法[J].电网技术, 2004, 28 (21) :47-50.QUAN Yu-sheng, LI Ping, ZHANG Yu, et al.A new one-terminal fault location algorithm based on differential equation[J].Power System Technology, 2004, 28 (21) :47-50.

[5]李欣唐, 贠志皓, 孟昭勇.一种适于高阻接地短路的故障测距新算法[J].电力自动化设备, 2000, 20 (4) :15-18.LI Xin-tang, YUN Zhi-hao, MENG Zhao-yong.A new algorithm of fault allocation for high impedance grounding[J].Electric Power Automation Equipment, 2000, 20 (4) :15-18.

[6]王梅义.电网继电保护应用[M].北京:中国电力出版社, 1999.WANG Mei-yi.Application of relay protection in power system[M].Beijing:China Electric Power Press, 1999.

[7]贺家李, 宋从矩.电力系统继电保护原理[M].北京:中国电力出版社, 1994.HE Jia-li, SONG Cong-ju.The relay protection principium of electric power system[M].Beijing:China Electric Power Press, 1994.

[8]朱声石.高压电网继电保护原理与技术[M].北京:中国电力出版社, 2005.ZHU Sheng-shi.Relay protection theory and technology[M].Beijing:China Electric Power Press, 2005.

[9]毛锦庆, 赵自刚, 马杰, 等.电力系统继电保护使用技术问答[M].2版.北京:中国电力出版社, 2009.MAO Jin-qing, ZHAO Zi-gang, MA Jie, et al.Practical technical questions and answers of power system relay protection[M].Second Edition.Beijing:China Electric Power Press, 2009.

[10]刘健, 赵海鸣.继电保护整定计算及定值仿真系统[J].继电器, 2002, 30 (9) :47-49.LIU Jian, ZHAO Hai-ming.System of setting calculation and simulation of relay protection[J].Relay, 2002, 30 (9) :47-49.

[11]王慧芳, 何奔腾.继电保护整定计算软件的交互设计方法研究[J].继电器, 2005, 33 (11) :59-62.WANG Hui-fang, HE Ben-teng.Interaction design of setting calculation software in relay protection[J].Relay, 2005, 33 (11) :59-62.

基于故障录波器的机组参数辨识 第2篇

北美电力可靠性公司(North American Electric Reliability Corporation)提出了一个关于建模、数据和分析的可靠性标准,其中关于发电机、励磁系统及原动机模型参数验证的标准为MOD26和MOD27[1]。该标准认为,为了使得电力系统安全运行及规划研究的结果具有可信度,必须定期(每隔5 a)进行常规的发电机、励磁系统、原动机与调速器模型验证和测试。该标准强化了机组参数定期测试的必要性和重要性。

当前有关于发电机系统参数的辨识方法,大多是在发电机离线的情况下,通过实验的方法,给发电机系统加入外部激励信号,记录发电机系统在此输入信号作用下的输出曲线,进而辨识出系统的参数[2,3,4,5]。文献[6-8]实现了基于现场阶跃实验的励磁系统参数辨识。文献[9-12]通过快速傅里叶变换(FFT)将时域信号转换到频域,再利用最小二乘法(LSM)原理辨识出励磁系统的模型参数。上述文献对于非线性环节的估计基本上均是基于经验公式进行。为了实现对非线性环节更准确的估计及辨识,文献[13-21]提出了基于遗传算法及蚁群算法的参数辨识。上述方法均是通过人为添加外部扰动信号并记录各个模块及系统的输出,然后通过曲线拟合的方式辨识出相应模块及系统的参数。该种方法的优点较明显,即可以对任意环节进行相应的测试,但也存在相应的缺点:

a.比较繁琐,且由于要人为地在系统的特定环节引入外加信号,可能会给机组带来一定的潜在伤害;

b.该实验只能在机组离线的方式下进行,因此会影响机组的正常运行;

c.机组某些参数在带载和离线运行时并不完全一样,通过实验方式获得的机组离线参数,相对于机组在线运行而言,只能是近似的,而更准确的参数应该是在机组在线运行状态下测试所获得的参数。

近年来,由于相量测量单元PMU(Phasor Measurement Unit)技术的发展,电气量的在线测量和记录技术已经比较成熟。文献[22]提出了基于PMU的功角测量的在线频率响应辨识方法,但当待辨识参数为同步电机的基本参数时,q轴参数的个数多于方程的个数,故存在解不能唯一确定的问题。文献[23]提出了基于PMU的励磁系统参数辨识,该方法通过PMU所记录的机端电压、电流及励磁电压、电流等电气量,建立发电机与励磁系统的解耦方程组,利用PMU所记录的电气量时间序列数据,对该模型进行辨识而得到励磁系统参数。该方法相对于通过实验来实现机组参数辨识的方法简单了许多。

由于PMU系统比较昂贵,且并非所有机组所在母线均装设相应单元,只是在关键机组及变电站处装设,所以若只单纯地依靠它的量测数据,很难实现所有机组参数的在线测试。而每台机组均装设故障录波器DFR(Digital Fault Recorder),当它感觉到系统发生故障时,就自动把故障发生前后一段时间该台机组的所有电气量以毫秒级频率记录下来。因此,本文提出基于DFR的机组参数在线参数辨识方法,以实现所有机组参数的测试。

1 基于DFR的机组参数辨识过程

1.1 DFR简介

DFR在电力系统或机组发生故障或振荡时自动记录装置安装处的各种信息。安装在网络节点中的DFR,记录包括节点电压、电流、有功功率、无功功率及系统频率在系统波动期间的变化全过程;而安装在发电机节点处的DFR,记录包括机端电压、机端电流、有功功率、无功功率、机组转速、励磁电压和励磁电流等相关数据在系统波动及机组故障期间的变化全过程。所记录的数据主要用于故障后对事故原因的分析。

录波器主要包括采集模块和管理分析模块。采集模块主要完成录波数据的采集、分析计算、录波启动判别等;管理分析模块主要完成数据的记录、分析和管理,故障类型分析,故障定位和故障再现等功能[24,25]。装置的原理框图如图1所示。

图1中的核心控制器通过对故障前后各种电气量的变化情况进行分析和比较,判断系统是否发生故障,从而决定是否启动数据的记录过程。故障录波器的采样频率一般在1~10 k Hz之间,并且采用分段记录方式:记录扰动前的状态数据不少于0.04 s;扰动初期数据记录不少于0.1 s;扰动中期数据记录不少于1.1 s。

1.2 基于DFR的参数辨识流程

发电机系统包括发电机、励磁系统、原动机及调速器,各模块之间的调节和控制关系可以用图2表示。

当DFR把系统扰动(或故障)期间机组的所有相关参数记录之后,依据图2所示的各个模块之间的关系,以各个模块待辨识参数为控制变量,分别建立各个模块的数学模型,采用优化和数据匹配的方式,得到各个模块待辨识参数。其过程如图3所示。

2 用于机组参数辨识的子系统建模方法

2.1 发电机模块

相关变量符号说明如下:ra为定子绕组电阻;xd、xq为d轴、q轴同步电抗;x′d、x′q为d轴、q轴暂态电抗;xd″、xq″为d轴、q轴次暂态电抗;τ′d0、τ′q0为d轴、q轴暂态开路时间常数;τ″d0、τ″q0为d轴、q轴次暂态开路时间常数;ed′、eq′、ed″、eq″为d轴、q轴的暂态电势和次暂态电势;ω为机组转速;Efd为励磁电压;φd、φq为d轴、q轴磁链;ut、ud、uq为机端电压、机端d轴电压、机端q轴电压;it、id、iq为机端电流、机端d轴电流、机端q轴电流。

对于发电机而言,待辨识的参数包括ra、xd、xq、x′d、x′q、xd″、xq″、τ′d0、τ′q0、τ″d0、τ″q0。描述发电机动态过程的微分代数方程组是7阶Park方程组;输入数据是机组转速ω、励磁电压Efd、机端d轴电流id、机端q轴电流iq;输出数据是机端电压ut。它们的关系如图4所示。

故障录波器实际测量到的是a、b、c三相机端电流it及电压ut,并不是机端d轴、机端q轴电流(id、iq);所以,首先要对测量到的机端电流进行如下的abc-dq坐标变换(机端电压的变换与之类似),即:

下面给出发电机的7阶Park方程组。

定子绕组电压方程:

定子绕组磁链方程:

转子绕组电压平衡方程:

把式(4)中的方程化为差分方程,并令y向量包括ed′、ed″、eq′、eq″;x0为待辨识参数向量,包括xd、x′d、xd″、xq、x′q、xq″、τ′d0、τd0″、τq0′、τq0″;u0表示输入向量,包括id、Efd、iq。相应的差分方程组可以表示为:

由式(5)可以求得y,然后把y代入式(2)、(3),并化简,得到:

其中,xgen代表待辨识参数,包括ra、xd、xq、x′d、x′q、xd″、xq″、τ′d0、τ″d0、τ′q0、τ″q0;ugen代表输入量,包括id、iq、ω、Efd。把式(6)代入式(7),并化简,得到如式(8)所示的机端电压ut与待测量xgen及输入ugen之间的关系。

当xgen为估计值时,结合相应的ugen,即可求得相应的输出。

2.2 励磁系统模块

对于实际的励磁系统,其型式及结构众多。本文以BPA软件所能处理的11种模型(包括FA、FB、FC、FD、FE、FF、FG、FH、FJ、FK、FL)作为辨识对象。下面以FA型励磁系统的建模为例说明建模过程。FA型励磁系统传递函数框图如图5所示。

根据图5所示的传递函数框图,在Us信号能够量测或算得之后,分别写出每一个环节的微分方程,再离散化为代数方程,最后将各个环节的代数方程联立,就获得了励磁系统的数学模型。

在图5的串联校正环节中,u1代表输入;y1代表输出;令x1代表待辨识参数,包括τb、τc。将传递函数化为微分方程:

式(9)经差分及化简之后,可以表示为:

在图5的功率放大环节中,y1代表输入;ur代表输出;令x2代表待辨识参数,包括τa、Ka、Uamax、Uamin。将传递函数化为微分方程:

式(11)经差分及化简之后可以表示为:

在图5的并联校正环节中,Efd代表输入;Uf代表输出;令x3代表待辨识参数,包括τf、Kf。将传递函数化为微分方程:

式(13)经差分及化简之后可以表示为:

在图5励磁机与饱和环节中,ur代表输入;Efd代表输出;令x4代表待辨识参数,包括τe、Ke、Se。将传递函数化为微分方程:

式(15)经差分及化简之后可以表示为:

将式(10)、(12)、(14)、(16)联立,化简可得:

式(17)中,x5代表励磁系统中所有待辨识参数,包括τb、τc、Ka、τa、Kf、τf、Uamax、Uamin;u2代表励磁系统输入量,包括id、iq;当x5为其估计值时,结合u2,由式(17)即可求得。

需要指出的是,在PSS出口信号Us可以测得的前提下,上述励磁模型中的所有参数均是可辨识的,限于篇幅,略去其证明。

2.3 原动机与调速器模块

本文以IEEE 1981版GS型调速器模型和TA型原动机模型的建模为例说明其建模过程。传递函数框图分别如图6、图7所示。以下的推导基于P0信号可以量测得到。

下面分别对图6调速器每个环节进行建模。

在图6的模块1中,u3代表输入,即为ω;y2代表输出;令x6代表待辨识参数,包括τ1、τ2。将传递函数化为微分方程:

对上式进行差分,然后化简得到:

在图6的模块2中,y3代表输入,y3=P0-y2-Pgv,其中P0为初始有功功率,Pgv为调速器的输出;y4代表输出。将传递函数化为代数方程:

式(20)可简写为:

在图6的模块3中,y4代表输入;y5代表输出;令x7代表待辨识参数,包括τ3。将传递函数化为代数方程:

它可以表示为:

在图6的模块4中,y5代表输入;y6代表输出;令x8代表待辨识参数,包括Pup、Pdown。将传递函数化为代数方程:

它可以记为:

在图6的模块5中,y6代表输入,y7代表输出。将其传递函数化为微分方程:

将其进行差分并化简之后,可以表示为:

在图6的模块6中,y7代表输入;Pgv代表输出;令x9代表待辨识参数,包括Pmax、Pmin。与其相对应的函数为:

它可以表示为:

至此,调速器每个环节已分别化为微分或代数方程。将式(19)、(21)、(23)、(25)、(27)、(29)联立,写出调速器输入量ω与输出量Pgv函数关系式,得:

其中,u3代表调速器输入量ω;x10代表调速器中所有待辨识参数,包括τ1、τ2、τ3、Pup、Pdown、Pmax、Pmin;Pgv代表调速器的输出量。

对于图7所示的原动机传递函数框图,仅有一个环节,其相应的传递函数为:

将其进行差分并化简之后,可以表示为:

把式(30)代入式(32),可得:

其中,x12代表原动机与调速器系统中所有待辨识参数,包括τ1、τ2、τ3、Pup、Pdown、Pmax、Pmin、τch;u3代表输入量ω;Pm代表输出量。从式(33)中就可以得到输入量ω与输出量Pm的函数表达式。当x12为其估计值,结合u3,由式(33)即可求得输出量。

与励磁系统类似,在其参考值P0可以确定的前提下,上述原动机调速系统模型中的所有参数均是可辨识的,限于篇幅,其公式推导略。

3 基于优化技术的机组参数辨识

3.1 参数辨识策略

若把分别用式(8)、式(17)及式(33)表示的发电机模块、励磁系统模块及调速器模块等的输入/输出关系中的待辨识参数用向量x表示,输入变量用向量u表示,输出变量用向量z表示,输入和输出之间的关系用函数f()表示,则其关系可记为:

对于N对DFR数据(为保持一定的冗余度,N是待辨识变量数的1.5~3倍),若对于每一输入u,待辨识变量估计值记为,估计输出为,则辨识问题即为求如式(35)所示的最优x:

因此本文提出如下的辨识策略:

步骤1 k=0,给定ε;

步骤2对于由DFR记录所得的输入u,待测量当前估计值为,基于式(34),即可获得当前辨识输出;

步骤3计算与实际输出z(k)的差为Δz(k)。若|Δz(k)|<ε,获得了待测值的最优估计值,算法结束,否则基于优化技术,对于当前待测量估计值进行调整,获得其新值;

步骤4 k=k+1,转向步骤2。

上述辨识策略的过程如图8所示。

对于图8中的优化算法,本文采用基于速度位置搜索模型的粒子群优化(PSO)算法。

3.2 PSO算法简介[26]

PSO算法的思想是将每个个体看作是在D维搜索空间中的一个没有重量和体积的粒子,每个粒子代表搜索空间的一个候选解,所有的粒子都有一个由优化问题决定的适应值,及粒子飞行方向和距离。在给定误差阈值,迭代次数上限,惯性权重w,学习因子c1、c2,以及相互独立的随机数r1、r2等相关参数之后,通过迭代不断地更新粒子的位置和速度,使得目标函数达到给定的误差阈值或者迭代次数到达给定迭代次数上限,而得到最优解。

4 应用实例

本文应用上述辨识方法,利用天津大港电厂某一台发电机的DFR数据进行了相应的机组参数辨识计算,以验证算法的正确性。

大港电厂的DFR所记录的数据包括:三相定子电压和电流;三相有功和无功功率;频率;励磁电流和励磁电压。

2006年7月,大港电厂1号机组励磁系统发生TV一次侧断线,最终导致机组解列。DFR记录此次事故的整个过程,该记录中的数据经过标幺转换之后波形如图911所示,图中,纵坐标均为标幺值,分别为机端电压ut、有功功率P、励磁电压uf。

大港电厂1号机组的发电机采用7阶模型;其励磁系统模型为BPA程序中的FU类模型。

在本文算例的辨识过程中,为了使得辨识结果具有推广性,用于辨识的输入输出数据对均保持3倍的冗余度,即为待辨识参数的3倍。辨识优化过程的各参数初值为制造产家提供的数值。试验机器配置如下:CPU,1200 MHz;RAM,376 MB。

该算例的PSS出口信号根据大港电厂的建议,因其结构及参数多年不变,采用DFR的录波信号算得。采用本文上述辨识方法所辨识得到的发电机参数、励磁系统参数以及厂家提供的参数,分别示于表1、2中(皆为标幺值)。其中辨识平均值表示连续辨识10次之后,所得到的平均值,作为辨识的最终结果;,其中n为相应参数辨识的次数,xi为相应参数第i次辨识结果(i=1,2,,n),为这n个辨识结果的平均值。从表1及表2结果可以看出,辨识结果的平均差和方差都较小,故辨识结果的稳定性较高。

从表1的参数对比可以看出,最大的差别达到21.1%(如参数τd0″);而表2中的参数对比,最大的差别达到21.7%(如参数Kc)。因此,可以看出辨识之前及辨识之后参数具有明显的差别。在误差为10-3数量级时,辨识一次的时间平均是1 s。因此,本文的算法具有较快的计算速度。

分别将经辨识得到的参数、厂家提供的初始参数,代入相应的励磁系统及发电机模型,分别得到经辨识之后的机组机端电压输出和厂家参数未辨识输出,并与相应的实测数据画在同一图中进行对比。发电机系统参数的辨识对比结果如图12所示,输入数据是机组转速ω、励磁电压Efd、机端d轴电流id、机端q轴电流iq;输出数据是机端电压ut。

励磁系统的辨识对比结果如图13所示,输入是机端d轴电流id、机端q轴电流iq;输出数据是励磁电压Efd。

将发电机模块与励磁系统模块综合起来视为一个整体(此处称之为整体系统),即以励磁系统的输入为输入,以机端电压为输出,并分别利用厂家给的参数所做出的输出(即未辨识输出)和实测曲线进行对比,其对比曲线如图14所示。

从图1214可以看出,采用经过辨识后的参数,其仿真输出的结果明显更加接近实测曲线;从而表明由辨识所获得的参数更加接近于实际参数。

需要指出的是,因大港电厂无法提供原动机及调速器传递函数中相关参数的出厂或试验参数,故本文无法进行相应的辨识。因其辨识过程与励磁系统及发电机模块的相关参数完全一样,因此,只要有相应参数的初始值,预期采用DFR录波一样可以完成其辨识,并能取得与励磁系统及发电机系统类似的辨识效果。

5 结论

本文提出了基于DFR的机组参数辨识方法。该方法采用DFR所记录的有关机组电气量,通过数学建模及优化,无需现场试验即可实现对机组系统所有参数的辨识。该方法具有辨识精度高且实际应用方便的优点,因此,具有较强的工程实际推广价值。

摘要：提出基于故障录波器(DFR)的机组参数辨识新方法,采用DFR所记录的有关机组的量测量,通过对发电机子系统、励磁子系统、调速及原动机子系统等所有子系统进行数学建模,获得各子系统输入、输出及待测量之间的函数关系。采用基于粒子群的调节优化技术,对所有待测量进行迭代调整和优化,使得模型输出逼近实际输出。该方法无需进行现场试验,仅基于DFR记录数据即可实现机组各子系统所有参数的辨识。算例表明该方法具有辨识精度高、计算速度快且实际应用方便的优点。

故障辨识 第3篇

气体绝缘组合电器( GIS) 是电力系统重要设备之一,通过对GIS的局部放电监测,可以有效发现GIS内存在的绝缘缺陷,避免绝缘事故发生。关于GIS局部放电的检测方法主要有超声波法、超高频法和SF6气体分解物组分检测法等。SF6气体分解物组分检测法具有较强的抗干扰性,纯净的SF6气体化学性能稳定,不易分解,但在局部放电、火花放电、电弧放电和过热等因素作用下会分解[1],并形成一些稳定的气态衍生物。通过分析其组分特性来诊断SF6气体绝缘电气设备的绝缘状态,已成为本领域研究的热点[2,3]。所以,如何完善SF6气体放电分解反应机理和各种组分检测技术,并形成可靠、稳定的在线检测系统则成为重要的研究方向。

目前,关于局部放电模式识别的方法主要有统计学方法、信号处理方法、图像处理方法、模糊逻辑方法、人工神经网络和专家系统等[4,5]。由于GIS设备局部放电受很多因素的影响,现有的专家知识不能囊括所有情况,因此可以通过神经网络建立判断规则。自适应模糊神经推理系统( ANFIS) 将神经网络和模糊技术结合起来,能有效地发挥各自的优势,将模糊数学算法代入神经网络结构中,使其既具有自适应学习能力,又利用模糊规则使神经元权值具有了明确意义,增加了容错性[6]。ANFIS已在自动化技术、计算机软件及应用、电信技术和电力工业等方面得到了广泛应用,在电力工业中多用于变压器[7,8]、电动机和水电机组的故障诊断等,而在GIS及SF6气体分解组分的研究中暂未见报道。本文将具体分析如何将ANFIS与SF6气体分解组分相结合,应用于GIS故障诊断领域。

2 ANFIS特征量的选取

2. 1 GIS四种典型绝缘缺陷模型

本文在GIS设备局部放电故障辨识中采用四种典型绝缘缺陷,分别是高压导体突出物缺陷( N类绝缘缺陷) 、自由金属微粒缺陷( P类绝缘缺陷) 、绝缘子金属污染物缺陷( M类绝缘缺陷) 和绝缘子外气隙缺陷( G类绝缘缺陷) 。其结构如图1 所示,左图为典型缺陷模型,右图为各个缺陷在GIS内部的实时监控画面。

自由金属微粒由5 个直径0. 3cm的圆铁球与25 个直径0. 1cm的圆铁球构成,放入一个长3cm、直径2cm的半球形玻璃罩中; 高压导体突出物由圆饼( 厚0. 8cm,直径3cm) 、圆柱( 柱长0. 5cm,直径1cm) 与圆锥( 锥长1cm,直径1cm) 构成; 绝缘子金属污染是在直径2. 5cm、长7cm的聚四氟乙烯构成的圆柱上用胶水粘铜金属粉末构成; 绝缘子外气隙在直径4cm、长6cm的环氧树脂构成的圆柱内有气隙,底端由长1cm、直径1cm的铜圆柱构成。

2. 2 SF6气体分解物特征

国内外的大量研究证明[9,10,11,12,13],在局部放电( PD)作用下SF6气体分解的主要稳定产物有SOF2、SO2F2、SOF4、SO2、CF4、CO2和HF。上述气体中HF是强酸性气体,极易溶于水并与金属发生腐蚀反应,测量结果不能真实地反映其含量; SOF4容易发生水解反应,其含量受微水含量的影响较大,也不能作为局部放电特征量; SO2在局部放电故障初期,含量相对较低,也不适宜选为特征量。综上所述,本文选择SO2F2、SOF2、CF4和CO2作为SF6局部放电类型辨识的特征组分进行检测与辨识。

通过SF6气体分解组分含量来辨识局部放电故障类型,通常有两种选取方法,一是直接选取气体含量作为特征量对故障类型进行辨识,二是仿照变压器油色谱分析,采用c( CF4) /c( CO2) 、c( SOF2) /c( SO2F2) 、c( SOF2+ SO2F2) /c( CO2+ CF4) 三个比值作为辨识特征量。

本文缺陷类型实验数据取自唐炬、孟庆红等人相关研究[14]。四种绝缘缺陷下各种特征组分的含量随时间变化如图2 ~ 图5 所示,四种绝缘缺陷下各比值随时间变化情况如图6 ~ 图8 所示。

从图2 ~ 图5 可以看出,四种绝缘缺陷下,SF6气体的分解特性存在一定的差异,可以利用SF6气体分解组分对绝缘缺陷进行识别,但是四条曲线彼此之间均有交叉,不能够很好地区分四种故障类型。

如图6 ~ 图8 所示,不同绝缘缺陷类型下SF6气体分解组分含量比值的变化是不同的,但其比值会稳定在一个范围内,不同绝缘缺陷下的SF6气体分解组分含量比值具有较大的区分度。如图6 中采用c( SOF2) /c( SO2F2) 比值可以较好地辨识自由金属微粒故障类型。在此基础上采用c ( CF4) /c( CO2) 比值可以识别出绝缘子金属污染故障类型( 如图7 所示) ,进一步采用c ( SOF2+ SO2F2) /c( CO2+ CF4) 比值可以识别出高压导体突出物故障类型( 如图8 所示) 。

通过对比发现,选择三种气体含量比值可以很好地辨识自由金属微粒、绝缘子金属污染和高压导体突出物故障类型,剩余一种故障类型即为绝缘子外气隙故障类型。可见将三种气体含量比值作为辨识特征量具有可行性。

2. 3 气体含量比值物理意义

有文献提出c( SOF2) /c( SO2F2) 的值可用来表征局部放电能量的大小,c( CF4) /c( CO2) 的值可表征绝缘缺陷的结构,c ( SOF2+ SO2F2) /c ( CO2+CF4) 反映绝缘材料和金属材料的劣化程度[15]。本文从另一个角度提出气体含量比值的物理意义。

( 1) 由于SOF2和SO2F2中的S元素都来自SF6,所以其反映了六氟化硫气体的分解程度。c( SOF2) /c( SO2F2) 的物理意义是SF6在放电分解过程中S原子进入SOF2分子与进入SO2F2分子的比值。

虽然四种故障类型S原子进入SOF2分子与进入SO2F2分子没有明显特征,但是其比值却能够反映出不同的故障类型放电情况,而且可以较好地辨识自由金属微粒故障类型。

( 2) CF4和CO2中的C元素来自于绝缘物质和金属钢,c( CF4) /c( CO2) 的物理意义是GIS局部放电时绝缘物质和金属钢中C原子进入CF4分子与CO2分子的比值。

由于四种故障类型的放电环境、放电量等不同,使得C原子进入CF4和CO2分子的比值能够有效反应出不同绝缘缺陷的特征,同( 1) 相结合可以有效地区分出绝缘子金属污染故障类型。

( 3) c( SOF2+ SO2F2) 反映六氟化硫气体的分解程度,c( CO2+ CF4) 反映GIS绝缘及金属的损耗程度。c( SOF2+ SO2F2) /c( CO2+ CF4) 的物理意义为SF6分解时进入SO2F2和SOF2分子的S原子的总和与进入CO2和CF4分子的C原子总和的比值,反应了SF6气体分解程度与绝缘腐蚀程度的比值。

3 ANFIS用于GIS故障诊断系统

3. 1 系统结构

本文提出的用于GIS故障诊断的ANFIS结构如图9 所示。输入集为R = { c ( CF4) /c ( CO2) 、c( SOF2) /c( SO2F2) 、c ( SOF2+ SO2F2) /c ( CO2+CF4) } ; 第1 层为模糊化层,该层选用9 个隶属函数,参数通过网络的学习可自动调整; 第2 层为规则层,该层的每个神经元和Sugeno类型的单个模糊规则相对应,规则神经元从各自的模糊化神经元接收输入,并计算它表示的规则强度,该层使用27 个节点,可完全覆盖论域空间; 第3 层为归一化层,该层每个神经元接收来自规则层的所有神经元输入,并计算给定规则的归一化激活程度; 第4 层为逆模糊化层,该层每个神经元均连接到各自的归一化神经元上,同时接收初始输入R1、R2、R3; 第5 层为一个总和神经元,该神经元计算所有逆模糊化神经元输出的总和,并产生最后的ANFIS输出。

3. 2 训练算法

ANFIS生成的是Sugeno型模糊推理系统,该系统为多输入单输出系统。输出为1,代表N类绝缘缺陷; 输出为2,代表P类绝缘缺陷; 输出为3,代表M类绝缘缺陷; 输出为4,代表G类绝缘缺陷。

将原始数据划分为4 组训练样本和4 组测试样本,表1 为训练样本。其中,R1、R2、R3为输入变量,分别代表c( CF4) /c( CO2) 、c( SOF2) /c( SO2F2) 、c( SOF2+ SO2F2) /c( CO2+ CF4) ,Y为输出变量。

按照设定好的参数进行训练,训练结果如图10所示,训练误差为3. 9056e-006,收敛于第50 步,且误差曲线平滑性较好。

4 局部放电模式识别结果

在完成ANFIS的训练后,将测试样本数据输入ANFIS模型进行验证,具体数据如表2 所示。其中R1*、R2*、R3*为输入变量,Y为输出变量,Y*为期望输出变量。

测试结果如图11 所示。其中·代表期望输出,* 代表ANFIS实际输出。从图中可以看出测试数据的输出与期望输出基本吻合,所以此系统有效,即ANFIS模糊神经网络应用于SF6气体分解组分的分析是可行的。

5 结论

本文首次将ANFIS算法用于GIS设备局部放电故障辨识,得出如下结论。

( 1) 特征量的选取将直接影响辨识的正确率。以SF6气体分解组分含量比值为特征量可以较好地辨识多类故障,并且本文从另一个角度阐述了气体比值的物理意义。

( 2) 局部放电类型的ANFIS辨识系统识别效果好,收敛速度快,且对样本数量要求低。

摘要：为了实现气体绝缘组合电器设备局部放电故障类型的辨识,本文通过分析四种典型绝缘缺陷局部放电时SF6气体分解组分特点,选取四种气体分解物含量比值作为特征向量,阐释了气体含量比值的物理意义,构造了三输入单输出的自适应模糊神经推理系统(ANFIS),对该模型的有效性进行了测试。测试结果表明局部放电类型的ANFIS辨识系统识别效果好,收敛速度快,且对样本数量要求低。

故障辨识 第4篇

我国配电系统大部分为经消弧线圈接地或中性点不接地系统,也称为中性点非有效接地系统或小电流接地系统[1]。随着生产技术的发展,对配电网供电的可靠性和安全性要求也随之增高,在电网中有故障发生时要求能够快速、可靠地检测出故障并且能够在较短时间内切除故障。目前,对于接地故障选线以及故障定位的研究比较多而且取得了一定的成就[2~9]。但是,引发电网零序电压升高的原因有很多,如何对这类故障进行辨识,判别故障是否属于接地故障国内外目前没有系统的研究。解决故障辨识问题是进行接地故障选线和消弧线圈控制的前提。

从故障波形的识别角度,单相接地与串联谐振故障特征相似,因此无法单纯从稳态量或某一种状态的量进行数值上的辨识。本文对两类故障发展过程进行分析,发现故障过程存在不同状态,从而提出基于状态顺序和状态量的辨识算法,并通过ATP仿真数据和10 k V系统模拟网实验数据论证该方法的正确性和可靠性。

1 单相接地与串联谐振对比分析

1.1 零序电压的稳态对比分析

如图1所示在谐振接地系统中A相发生单相接地故障,假设系统完全对称,线路每相对地电容为C,接地电阻为Rg,消弧线圈电感为L,忽略线路对地电阻影响,接地后零序稳态电压为[10]:

式中:R*g=Rg(3ωC-1/(ωL)),设为参考向量,随着R*g从-∞~+∞变化,U0 a变化轨迹是以-UA为直径的圆,当B相和C相故障时,同理得到B相C相故障时零序电压轨迹如图2所示。

在实际谐振系统电网中,三相对地电容互不相等,中性点存在一定数值的不对称电压,消弧线圈投入运行后,三相对地电容与消弧线圈的电感构成谐振回路,零序电压为:

其中:为不对称电压,d为电网阻尼率,v为消弧线圈补偿度,当电网处于谐振状态时v≈0,不对称电压由线路电容的不对称情况决定,一般为0.5%~1.5%UA[1],d一般为3%~7%[1]。由公式2得到串联谐振零序电压变化范围7%~50%UA。其轨迹是半径从7%~50%UA圆环面,如图2所示。

在向量图2中,故障电压低于50%UA的阴影部分,单相接地和串联谐振零序电压存在相等的可能,所以这部分无法单纯利用零序稳态电压条件进行辨识。

1.2 零序电压的暂态过程分析

单相接地故障暂态等效电路如图3,Le三相线路和电源变压器等在零序回路中等值电感;故障暂态自由振荡频率一般较高,所以消弧线圈电感L>>Le,可以不予考虑,得到单相接地故障零序暂态电压:

式中:u'是以电源频率ω变化的强制分量,u'是以ω1振荡的自由分量。

传统的固定补偿消弧线圈通常整定在谐振点附近过补偿运行。线路电容变化引起串联谐振暂态等效电路如图4所示。

当切除部分线路引发串联谐振,忽略消弧线圈电感等效电阻rL,零序电压为:

式中:ic0、uc0为系统初始状态,串联谐振发生时ω0=ω1,u'c是以电源频率ω变化的强制分量,'cu是以1ω振荡的自由分量。

综上单相接地故障和固定补偿消弧线圈串联谐振故障都存在电压暂态量,暂态量的大小由接地条件和故障时间有关,所以无法从暂态上进行有效辨识。

自动调谐消弧线圈接地系统中,预调式消弧线圈工作时处于全补偿状态,通过接入阻尼电阻R抑制串联谐振。单相接地故障发生后,由控制器发出信号切除阻尼电阻实现对电容电流的最佳补偿。随调式消弧线圈远离谐振点工作,单相接地故障发生后消弧线圈被调节到靠近谐振点的状态以实现对电容电流的补偿。接地故障消失后,预调式消弧线圈的阻尼电阻仍处于切除状态或者随调式消弧线圈仍在谐振点运行,则导致串联谐振[11],这种串联谐振状态与单相接地状态无法用简单的方法辨别。

1.3 零序电压故障过程对比分析

1.3.1 单相接地故障过程

单相接地故障包括:瞬时接地,短时接地,间歇性接地和永久性接地故障。

如图5所示,单相接地故障都是由接地瞬间暂态、接地故障稳态和接地故障消失的过渡态三个状态组合构成。在以上四种单相接地故障过程中,这三种状态的顺序和时间长度各不相同。

1.3.2 自动调谐消弧线圈串联谐振过程

自动调谐消弧线圈产生串联谐振的原因是接地故障消失后,消弧线圈仍然处于故障时的工作状态。预调式与随调式消弧线圈的调节方式不同,但产生串联谐振故障发展过程相同。

在单相接地故障消失后,零序电压逐渐衰减到零。由于不平衡电压的存在,消弧线圈电感与线路电容发生串联谐振,零序电压上升。由于存在消弧线圈从接地时并联谐振到接地消失后串联谐振的过渡,体现为零序电压先下降后上升,如图6所示。

1.3.3 固定补偿消弧线圈故障过程

如图7所示,消弧线圈固定补偿系统串联谐振故障过程与单相接地故障相似。由式(3)与式(4)可以看出,产生相同零序稳态电压的暂态过程不同,可以通过对暂态量的区分达到辨识的目的。

由以上分析可知,单相接地和串联谐振无法完全单纯依靠某一种状态来实现对两种故障的辨识。两种故障在发展过程不同。即两类故障过程有不同的状态顺序和状态量,所以通过识别状态顺序和状态量可以实现故障辨识。

2 基于零序电压发展过程的接地和串联谐振故障辨识

2.1 故障发展过程各状态的定义及特征描述

如图6所示,定义连续三个周波以上有相同变化规律的波形为一个状态,将故障发展过程分成四种状态:

M:故障暂态。故障发生瞬间,零序电压幅值突变,存在大量暂态分量。

N:接地故障稳态。电压幅值变化小,电压稳定,有少量谐波存在。

P:故障下降暂稳态。故障结束零序电压向正常状态下过渡,电压逐渐降低。

PX:故障上升暂稳态。串联谐振形成,零序电压经过渡过程进入消弧线圈串联谐振状态,零序电压逐渐升高。

2.2 故障发展过程各状态辨识及状态量提取

2.2.1 M状态起点确定和状态量提取

单相接地暂态突变点可以用小波分析容易地检测出来[12]。奇异点检测是小波变换的突出优点。通过小波变换,每进行一个尺度的小波分解,就会提取出一个频段的信号分量[13],本文采用紧支撑正交小波Daubechies提出的阶数为5的小波(简称db5小波)来检测:

其中:ψ(t)=2-j/2ψ(2-jt-k)为离散化的小波簇,x(t)为故障信号。小波尺度a=2j,位移b=2j k。计算尺度3中最大值WM出现的时刻tM为M状态的起始时刻,定义此时WM为M状态的状态量。

2.2.2 N、P、PX状态起点确定和状态量提取

这三种状态的不同为电压幅值的变化趋势不同。所以可以通过变化率∆的不同来划分三种状态的时间节点,找出∆相同的时间段,即作为一个状态。

用梯形法数值积分计算工频半周期电压均值Sm:

其中:fs为采样频率,m为工频周波数。对[Sm]再应用三次样条函数中计算节点导数的三转角方程,用自然边界条件计算导数数组[S'm],所以状态变化率为∆=S'm,设定变化率阈值S'0=S'n=0δ:

定义平均变化率WP=∑∆/m为P和PX状态的状态量,定义WN=Sm为N的状态量。

2.3 补偿电网接地与串联谐振辨识方法

首先通过1.3节对故障特征的分析建立故障过程特征库如表1,例如自动消弧线圈串联谐振故障状态顺序描述为:MNPPX N。间歇性接地故障描述为:等。

注:表中MMn(n≥1)表示多个暂态过程。

然后应用故障过程辨识算法对故障数据进行处理,辨识各个状态时间节点和状态量,将各状态按时间节点进行排序,得到故障特征顺序。最后与故障过程状态库进行比较得出故障结论。

固定补偿电网可以进一步通过状态量的比较进行辨识。通过仿真和实验数据得到:固定补偿消弧线圈串联谐振故障和单相高阻接地故障比较,当零序电压大小落在图2的阴影部分时,即稳态状态量WN<27.3,串联谐振故障的M状态的状态量远大于单相接地故障中M状态的状态量。比较公式(3)和(4)发现,固定补偿串联谐振故障是由零序回路电容的突变引起,而单相接地故障零序回路中存在大电阻,所以突变量小于前者。设定固定补偿消弧线圈串联谐振暂态M状态量范围50

3 算例

3.1 自动补偿系统串联谐振故障算例

为验证算法有效性,在上海交通大学高压实验室进行实验,实验用模拟电网由380 V/10 k V变压器和六条馈线构成,预调式消弧线圈补偿,电容电流大35 A,阻尼率6%。实验采用4.2Ω接地电阻模拟单相接地引起串联谐振,接地时间约4 s,得到的零序电压如图8所示。

数据辨识程序得到表2,故障辨识结果:单相接地故障后串联谐振故障。

3.2 固定补偿系统串联谐振故障算例

仿真数据采用上海某变电站线路数据模型,35/10 k V变压器,线路由电缆和架空线混合构成,共计对地电容电流为14.43 A,不对称度为1.5%,电网阻尼率5%,消弧线圈补偿度为欠补偿10.84%,线路电容电流减小引起串联谐振,零序电压如图9所示。

辨识程序得到表3,故障辨识结果:固定补偿串联谐振故障。

4 结论

本文提出了过程分析的故障辨识方法。通过定义故障发展过程的不同状态及状态量,计算各状态的起始时刻及其状态量,建立了单相接地故障与串联谐振故障的特征库,实现了基于故障发展过程的补偿电网故障辨识,通过实验数据及仿真数据的验证表明该方法较好地解决了单相接地故障和串联谐振故障的识别诊断问题。该方法已成功应用于小电流接地故障综合诊断系统进行接地故障诊断和选线。

摘要：针对中压配电网谐振接地系统发生单相接地故障和串联谐振故障引起的零序电压升高现象进行分析,从故障过程整体的特征入手,通过定义故障过程各个状态和状态量,提出了一种基于过程分析的辨识方法,并编写算法通过仿真数据和实验数据验证,证明该算法具有很高的识别率和可靠性,并在现有的故障选线硬件平台上实现。

故障辨识 第5篇

直升机具有很高的机动性和悬停能力,非常适合执行跟踪灵活运动目标的任务,也可应用于定点侦查和详细的场景监视任务。同时,直升机系统不像固定翼飞机和飞艇那样拥有完美简化的稳定控制模型,因此,自主无人直升机的任意一个故障(比如:舵机、传感器、控制系统)都可能导致灾难性结果。如果这个故障得不到及时的发现和合理的解决,极有可能导致直升机坠毁。

故障检测隔离技术(FDI)[1]已经被广泛应用于过程工业中检测传感器和舵机的故障。本文设计了一个用于自主式直升机的故障检测系统,该系统可用于小型自主式无人直升机的故障检测。主要介绍了故障检测隔离的理论依据及其在小型无人直升机上的应用。

1 故障检测隔离

安全性和可靠性是动力学系统重要的指标,这些指标在类似无人直升机的临界安全的系统中应用尤为重要。早期的故障诊断方法可以有效地避免系统关机、崩溃,甚至于对人员和材料的损伤[2,3,4,5,6]。

在反馈控制系统中的故障监视由故障检测和隔离组成。容错控制是指生成控制指令的程序能够较低的依赖于存在的某个特定的故障输入。

图1中给出了适用于常规容错控制系统的设计示意图,容错控制包括4个主要的组成部分:设备本体(包括传感器和舵机)、FDI模块单元、反馈控制器以及监管系统。其中FDI模块单元给管理系统提供各种故障信号。基于系统输入输出信息以及来自FDI的故障决策信息,监管系统将会重构传感器和/或舵机的设置以隔离出故障,并变换或者适应控制器从而达到融合故障信息的效果。FDI模块单元是容错控制的一个基本单元,本文将集中计论FDI技术在直升机控制系统中的应用。

1.1 故障识别方案

图2中给出该方案的故障识别示意图,u和y分别为无人直升机的输入输出变量。观测器模块通过辨识得到的一个直升机自由故障条件输入输出模型。观测器的输出为无人直升机的输出估计yest。残差R是由比较估计输出和实际输出而来[7,8,9]。如果系统中出现故障,故障诊断系统将会通过分析生成的残差来确定和隔离故障。

1.2 小型无人直升机系统中的FDI

对于大多数小型无人直升机而言,都不具有独立的总距控制舵机,这时情况会有些复杂,因为一旦主旋翼舵机出现故障,总距角和周期变距角将都会受到一定的影响。

而舵机的故障经常会出现在内部的齿轮上,这就容易导致舵机不能向至少一个或两个方向移动。在这种情况下,舵机故障可以认为舵机卡死,其他的舵机故障可以考虑是电路问题,它也会导致舵机不可用。即使不是舵机卡死,其他舵机可以正常工作,这样的故障同样会影响相应的机械链接部件。那么就会出现以下几种类型的故障:

(1)控制滚转(俯仰)运动的一个伺服电机出现故障,但是不是卡死的情况下,对于总距通道的控制可以通过调节其他三个电机来完成,但是周期变距的控制不仅不能依靠操作单个舵机完成,而且会对控制效果影响较大。这种情形可以视为滚转舵机(俯仰)出现了故障。接下来,作用于滚转(俯仰)周期变距的控制信号需要成倍增强,从而使可用舵机将倾斜盘调整到期望的位置。

(2)如果关于滚转(俯仰)通道的伺服电机出现卡死故障,总距和滚转(俯仰)舵机都会失灵,这种情况可视为总距舵机故障和滚转(俯仰)周期变距舵机故障。假设故障伺服电机不是卡死在其工作区间边界的条件下,可以采用转速控制来调整升力大小。

(3)另一种非常见情况是总距舵机不能工作或者由于机械连接故障使它只能在一个限定的小范围内工作,这种情况下也视为总距舵机故障,同样采取用转速控制来调整升力大小。

在后两种情况下,如果采用转速控制策略,就必须考虑由于转速的变化以及积分误差所导致的平衡点变化给俯仰周期变距控制器带来的影响。这就要求直升机的控制稳定性和可靠性必须重新配置。

2 故障检测结果分析

接下来从两个不同类型的故障源测量飞行数据来检测直升机舵机故障检测系统的可靠性。

2.1 基于非线性动力学模型仿真数据的故障检测

所采用的全包线非线性动力学模型,包括缸体动力学模型,舵机动力学模型,包含稳定杆的力和力矩的模型,该模型的结构类似于Kim和Tilbury于1998年提出来的模型[10]。

根据全包线非线性动力学模型的仿真数据,测试四个通道的舵机故障检测:总距通道、尾桨通道、滚转和俯仰通道的周期输入。

总距通道故障检测即结果如图3所示,从图中可以看出在t=5 s时,在配平点给直升机总距通道舵机植入故障信息,直升机垂向速度Vz及Vz的预测估计值和方差都出现了跳变。之所以能够得到总距通道舵机出现故障是由残差估计所得到的,因为在总距舵机故障植入时,残差值会超出预设的自由故障曲线(图中虚线)。当把故障植入到滚转通道时,根据仿真数据分析可以得到如图4所示的分析图。

2.2 基于小型无人直升机实际飞行数据的故障检测

虽然通过计算机仿真可以轻松得到仿真数据,故采用非线性动力学模型相对比较容易测试多级故障检测系统。但是从另一方面来说,尽管真实飞行试验耗时耗力且不一定可行,但是它仍是用来测试多级故障检测系统可靠性最好的方式。

舵机出现故障对于直升机来说非常的危险,因为它很容易导致直升机失控或者坠毁,即便是对于一个经验丰富的直升机操控手来说也是充满危险性的。为了无人直升机测试故障检测隔离系统在真实飞行条件下的可靠性,在保证无人直升机及机组人员安全的前提下对故障条件进行充分的模拟仿真。

无人直升机在真实舵机故障条件下的飞行数据图如图5所示,在无人直升机飞行试验中,当t=18 s时,给总距通道植入故障信号,则出现了舵机不能跟踪控制器总距输入。

由FDI系统飞出的总距通道的残差如图6所示,可以看出在正常操纵故障范围内残差在所设置的安全线以下,当舵机出现故障时,可以轻松地从残差分析图中得到故障舵机的信息。

3 结论

在使用无人直升机的时候需要不断地提高直升机的安全系数来减少或避免飞行事故的发生,在这一领域无人直升机故障检测隔离技术将会起到巨大的作用,本文中详细地介绍了一种故障检测系统并通过实际飞行进行了试验验证。该系统已经通过了直升机非线性模型各通道的仿真验证,也在各种总距通道舵机故障条件下输入输出信息验证该系统的可用性。

参考文献

[1] 孙涛，宋彦国.一种无人直升机飞行力学模型辨识方法研究[J].航空学报，2007，28（z1）：14-18.

[2] 吴建德，李平，韩波.一种基于参数辨识的微小型无人直升机建模方法[J].航空学报，2007，28（4）：845-849.

[3] 李洁，赵佳.无人直升机辨识的一种新方法[J].火力与指挥控制，2009（11）：48-51.

[4] 马动涛，闫建国.无人直升机数据采编系统的设计[J].计算机测量与控制，2005，13（4）：389-391.

[5] 刘歌群.无人机飞行控制器设计及检测与控制技术研究[D].西安：西北工业大学，2004.

[6] METTLER B. Modeling small-scale unmanned rotorcraft for advanced flight control design [D]. Pittsburgh： Carnergie Mellon University， 2001.

[7] PATTON R J， UPPAL F J， LOPEZ-TORIBIO C J. Soft computing approaches to fault diagnosis for dynamic systems： a survey [C]// 4th IFAC Symposium on Fault Detection Supervision and Safety for Technical Processes. Budapest： IFAC， 2000： 298-311.

[8] YAVRUCUK I， PRASAD J V R. Simulation of reconfigurable Heli-UAVs using main rotor RPM control in failure modes [C]// 1999 AIAA Modelling and Simulation Technologies Conference and Exhibit. Portland， USA： AIAA， 1999： 110-115.

[9] KIM S， TILBURY D M. Mathematical modelling and experimental identification of a model helicopter [C]// Proceedings of 1998 AIAA Modelling and Simulation Technologies Conference. [S.l.]： AIAA， 1998： 203-213.

故障辨识 第6篇

一般情况下,系统的参数不能被直接测量,卡尔曼滤波算法能够根据系统的输出,间接估计出现故障的参数,被广泛应用于故障参数辨识领域[1,2,3]。实际中大部分系统具有一定的非线性[4],因此需要采用非线性滤波算法实现故障参数估计[5]。扩展卡尔曼滤波(EKF)作为一种常用的非线性滤波算法[6,7],方法简单且易于实现,但是当系统的非线性较强时,EKF的估计精度较差,甚至可能滤波发散。为了解决这个问题,有学者提出了无迹卡尔曼滤波(UKF)算法[8,9],文献[10]根据不同UKF的残差实现故障诊断,但是UKF在数值计算过程中存在着舍入误差,随着滤波的进行,累积的舍入误差可能会导致滤波协方差矩阵不再保持正定性,造成滤波过程的不稳定。平方根UKF(SRUKF)能够有效地解决舍入误差引起的不稳定问题[11,12],文献[13]利用SRUKF对涡扇发动机进行故障诊断,实验结果表明SRUKF的估计误差小于EKF算法和UKF算法。但是,当系统模型的不确定性较大或者系统出现突变故障时,普通的SRUKF对故障参数的估计精度不高,甚至可能出现滤波失效。文献[14]提出了带多重渐消因子的强跟踪滤波算法,其通过在预测误差方差阵中引入渐消因子,增强滤波算法对模型存在较大误差情况下的鲁棒性。文献[15]将强跟踪滤波应用于电路参数跟踪问题,实时诊断电路的元件故障。文献[16]提出强跟踪UKF(STUKF)算法,但是与普通UKF相似,STUKF存在着滤波不稳定问题。

文献[14]提出的强跟踪滤波算法在求得渐消因子时,需要计算状态方程和量测方程的一阶偏导矩阵,但是SRUKF在本质上属于非偏导矩阵计算的滤波算法,为此,本文推导出适用于SRUKF的多重渐消因子计算公式,使其适应SRUKF的本质特性,提出带多重渐消因子的强跟踪SRUKF(MST-SRUKF),并通过实验证明了MST-SRUKF方法的有效性。

1 SRUKF多重渐消因子计算

非线性离散系统如下:

式中:xk∈Rnx和zk∈Rm分别代表状态向量和量测向量;fk-1(⋅)和hk(⋅)分别表示系统状态方程和量测方程;wk和vk分别表示过程噪声和量测噪声,其均值分别是qk和rk,协方差是Qk和Rk,其中Qk和Rk均为正定对称矩阵。

1.1 强跟踪滤波原理

对于式(1)所示的系统,当状态方程fk-1(⋅)或量测方程hk(⋅)的不确定较大时,普通SRUKF的滤波算法对状态变量的估计精度较差。在这种情况下,可以利用强跟踪滤波算法进行状态变量的估计,其利用在状态预测协方差矩阵Pk|k-1中引入渐消因子,实时调整增益矩阵,使得:

式(2)为滤波算法自身具备的性能,而式(3)则可以保证不同时刻的输出残差序列具有正交特性。如果系统模型误差较大或者发生突变时,均会破坏残差序列的正交性,则式(3)可以保证强跟踪滤波算法对误差较大模型的鲁棒性。此外,有些情况下模型的误差对不同状态变量影响程度不同,若能利用多个渐消因子进行强跟踪滤波,使得不同状态变量得到相应的强跟踪力度,则可以进一步提高估计的准确性。

1.2 多重渐消因子计算

文献[14]给出强跟踪EKF的多重渐消因子计算公式为:

式中:λk表示多重渐消因子矩阵;λki≥1为第i个状态变量对应的渐消因子;αi≥1为第i个渐消因子的比例系数,如果某个状态变量对应的状态方程的误差较大,则选择一个较大的值,以增强滤波算法对该状态变量的强跟踪程度。

上面计算多重渐消因子公式需要计算状态方程和量测方程的偏导矩阵。而SRUKF算法本质上为不需要计算偏导矩阵的滤波算法,为了保证多重渐消因子强跟踪SRUKF的这一特点,下面推导SRUKF中基于非偏导矩阵计算的渐消因子计算公式。

由于与量测噪声vk具有互不相关性,可以得到:

式(11)可以变为:

将式(12)代替式(6)中的Hk,得:

对于式(7)中的Fk|k-1Pk-1|k-1FTk|k-1,存在如下关系:

将式(12)和式(14)代入式(7)中,得:

最后,将式(13)中的Nk和式(15)中的Mk代入式(5)中,得到MST-SRUKF中多重渐消因子求解公式为:

2 MST-SRUKF

在SRUKF滤波算法的基础上,根据第1.2节推导的适用于SRUKF的多重渐消因子计算公式,本节给出多重渐消因子强跟踪SRUKF算法流程。

(1)确定状态估计初始值协方差矩阵初始值P0和Q0

对P0和Q0进行Cholesky分解,得:

(2)计算Sigma点采样系数

Sigma采样点ξi和采样系数Wi的计算公式如下:

(3)时间更新过程

采用与Sxk-1计算Sigma点ξxi,k-1(i=0,1,2,…,L),L=2nx。根据状态方程fk-1(⋅)+qk-1,将ξxi,k-1转换为计算γi,k|k-1,利用γi,k|k-1计算出一步状态预测值和未引入渐消因子的协方差平方根矩阵(Sxk|k-1)':

其中,

式中:U=KkSzk|k-1表示QR分解;cholupdate(⋅)表示Cholesky因子更新运算,均为Matlab标准命令,具体可以参考文献[12]。

(4)计算多重渐消因子

采用与(Sxk|k-1)′计算Sigma点ξi,k|k-1′。

将式(29)和式(30)代入式(16)中,计算多重渐消因子λk,则引入λk后的协方差平方根矩阵Sxk|k-1为:

(5)量测更新过程

采用与Sxk|k-1计算Sigma点ξi,k|k-1。

其中,

当得到新的量测变量后,进行滤波量测更新,得到状态估计值

3 实验验证

3.1 仿真模型

利用连续搅拌反应釜(CSTR)作为本实验的仿真模型,CSTR的状态函数可以表示为:

量测函数可以表示为:

式中:状态变量[x1x2]T分别代表出料浓度CA和反应温度T;[z1z2]T为量测变量,式(43)中其他参数的取值如表1所示。

设定采样间隔Δt=0.01 min,仿真总时长为380Δt。假设CSTR模型中的参数V为需要估计的参数,为了对V进行估计,将V扩展为状态变量[x1x2V]T,在实际中V的变化函数是未知的,根据状态和参数联合估计法[15],引入辅助状态方程Vk=Vk-1。状态变量和参数V的初始值为x1,0=0.037 mol/L,x2,0=402.35 K,V0=99.96 L。wk=[w1,k,w2,k,w3,k]T和vk=[v1,k,v2,k]T分别为过程噪声和量测噪声,其中w1,k~N(0,0.000 22),w2,k~N(0,0.022),w3,k~N(0,0.0012),v1,k~N(0,0.000 12),v2,k~N(0,0.022)。

3.2 实验结果

为了验证本文提出方法在故障参数V变化方程未知情况下的有效性,分别考虑已知的缓变故障、状态初始值未知的缓变故障、模型参数存在容差的缓变故障和突变故障四种情况下,MST-SRUKF对故障参数的估计能力。此外采用平方根UKF(SRUKF)、强跟踪UKF(STUKF)作为对比方法。

3.2.1 初始值已知的缓变故障

假设参数V按式(45)发生变化:

式中,噪声dkV~N(0,0.000 12),如图1所示分别为V正常和按式(45)变化时z1和z2的变化曲线,由图1可以看出,当V变化时,影响z1和z2的变化趋势。

式(45)中V的变化方式是未知的,分别利用SRUKF,STUKF和本文提出的MST-SRUKF估计故障参数V。由于V的状态函数是未知的,而采用辅助状态方程Vk=Vk-1存在较大不确定性,为此MST-SRUKF中V对应的多重渐消因子比例系数要大些,这里令比例系数为[1 1 2]。三种方法对V的估计值和估计误差绝对值如图2所示,经过20次蒙特卡罗仿真,三种方法的估计值RMSE误差如表2所示。可以看出,SRUKF的估计精度较差,STUKF和MST-SRUKF均能有效地跟踪故障参数V的变化趋势,相比之下,MST-SRUKF的估计精度更高。

3.2.2 初始值未知的缓变故障

假设状态变量x1,x2和参数V的初始值未知,随机假设初值x1,0=0.03 mol/L,x2,0=400 K,V0=150 L。经过20次蒙特卡罗仿真,RMSE误差如表2所示,可以看出,在初始值未知情况下,MST-SRUKF的估计误差最小。

L

3.2.3 模型参数不匹配

假设除了待估计参数V外,CSTR中其他参数存在±1%的偏差,经过20次蒙特卡罗仿真,SRUKF,STUKF和MST-SRUKF对参数V的RMSE估计误差如表2所示。由表2可知,STUKF和MST-SRUKF对CSTR中模型参数存在偏差时,也能具备很好的故障参数估计能力。

3.2.4 突变故障

假设参数V在k=200和k=400时刻按式(46)出现突变故障,

三种方法对参数V的估计值如图3所示,可以看出,在V出现突变的情况下,SRUKF经过多步才跟踪上突变参数V,STUKF和MST-SRUKF能较好地跟踪参数的突变情况,相比之下,MST-SRUKF的估计精度更高一些。MST-SRUKF对参数V的渐消因子如图4所示。

由图4可知,在k=200和k=400时刻MST-SRUKF的渐消因子出现峰值,其利用较大的渐消因子来增强对突变情况的跟踪能力,提示了MST-SRUKF估计突变参数的机理。

通过在初始值已知的缓变故障、状态初始值未知的缓变故障、模型参数存在容差的缓变故障和突变故障情况下对参数V的估计结果表明,本文提出的MST-SRUKF可以较好地对变化趋势未知情况下的故障参数进行估计,其估计精度略高于STUKF,而对于普通SRUKF,由于其缺乏对故障参数变化函数未知情况下的强跟踪能力,估计误差较大。

4 结论

故障辨识 第7篇

基于神经网络的电机故障诊断辨识是继传统故障辨识方法之后的一种智能诊断技术, 以学习能力、自适应能力、非线性逼真能力等诸多优点受到了普遍的关注并得到了迅速的发展。对于神经网络结构, 众多专家学者提出了多种神经网络结构模型, 如:BP网络、ART网络、Hopfield网络、BAM网络等, 其中最常用的是BP神经网络, 其以自学习能力和能实现任何复杂非线性映射的功能而著称, 能够模拟很多映射关系。然而BP算法存在着两个不足:收敛速度慢且极易陷入局部最优解。

针对基于BP神经网络发电机转子匝间短路故障辨识存在的不足, 本文提出了遗传算法优化神经网络的辨识方案。根据遗传算法全局搜索随机寻优的属性, 能有效地克服单纯采用BP神经网络容易产生局部最优解的不足, 将遗传算法与BP神经网络相结合, 利用BP神经网络能以任意精度逼近任意非线性函数的特点和遗传算法进行全局寻优, 达到理想的诊断效果[1]。通过仿真和实验, 证明了此方法的可行性和有效性。

1 基于遗传神经网络的发电机转子匝间短路故障辨识

1.1 发电机转子绕组匝间短路电磁特性分析

在一定的运行条件下, 如果转子匝间短路, 由于励磁绕组的有效匝数减少, 导致其磁动势峰值减少, 转子两侧的磁动势将不再对称, 不对称磁势会在定子绕组产生附加谐波电势, 励磁电流必然增大[2,3]。匝间短路发生后, 可以看作是退磁的磁势分布。它反向作用在一个特定极或有短路的磁极主磁场的磁势上。只考虑由于短路引起的基本问题, 将正常条件下的磁势减去由短路引起的磁势突变, 即可得到故障后的合成磁势[4]。这种考虑意味着问题是线性的, 所以可以利用叠加原理。由于磁动势关于纵坐标对称, 故合成磁动势含有余弦分量, 而不含正弦分量和直流分量。短路后, 转子磁动势变为F合成=F0-ΔF0比原磁动势F0减小[5,6]。根据磁场分析, 一定的P、Q对应一定的磁势, 既安匝WfIf, 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作为神经网络的输入量, 匝间短路匝数占总匝数的比例a%作为输出量。

本文采用磁势平衡法求匝间短路时的故障样本。假定发电机额定运行状态下发生匝间短路故障, 短路前后P、Q、U维持不变, 通过磁场分析可知, WfIf维持不变, 设短路匝数占转子绕组总匝数为a%, 则故障后励磁电流为If=IIN/ (1-a%) , 其中IIN为励磁电流的额定值。改变短路匝数可得一系列故障样本及不同运行工况下的故障样本[7]。

1.2 遗传神经网络算法设计

遗传神经网络算法流程如图1所示。

1.2.1 Step1种群初始化编码

基于遗传算法建立的三层BP神经网络采用实数进行初始编码。按照[W1, B1, W2, B2]的顺序进行编码。其中W1是输入层到隐含层的权值向量, B1为隐含层的阈值向量, W2为隐含层至输出层的权值向量, B2为输出层的阈值向量。设S为一个染色体的编码长度, m、r、n分别为输入层、隐含层及输出层的节点数, 则:

1.2.2 Step2计算适应度值

将初始化的网络权值和阈值代入构建的神经网络, 输入测试数据, 得到网络输出向量outputn, 设实际输出为output, 绝对误差和:

适应度f=1/err。可见err越小, 适应度值越高。

1.2.3 Step3选择

采用轮盘赌方法来选择新的种群。其步骤如下:

(1) 计算各染色体uk的适应度值err (uk) ;

(2) 计算群体的适应度总和F=err (uk) ;

(3) 计算每个染色体的选择概率Pk=err (uk) /uk;

(4) 计算每个染色体的累计概率, 然后生成一个[0, 1]之间的随机数r, 如果r≥Qj, 就选择uk;否则选择第k-1个染色体uk-1, 使得Qk-1rQk。转动轮盘的次数与初始生成的种群规模数相同。

1.2.4 Step4交叉

产生随机概率Pi与交叉概率Pc对比, 如果PiPc, 则对应的染色体被选中, 随机产生一个位于[0, 1]的随机数j, 设被选中的父代个体为V1和V2, 则交叉产生的新个体为:

1.2.5 Step5变异

本文采用改进的自适应变异算子, 使得群体中最大适应度的个体变异率不为零。其公式为:

其中, favg为平均适应度值。若随机产生的概率Pi

1.2.6 Step6赋值

将取得的合适的初始权值赋予BP神经网络进行训练, 得到仿真结果。

2 仿真

取文献[7]中的发电机正常运行和故障运行的参数为样本, 如表1、表2所示, 其中带*表示标幺值。遗传神经网络采用三层BP神经网络, 有功、无功和励磁电流均采用标幺值。MATLAB仿真结果如表3所示。

由表3的比较可知, 仿真结果与实际情况基本相符, 匝数比例误差保持在2%以内, 基本取得了理想的诊断结果。

3 结语

通过引入遗传算法对BP神经网络进行权重和和阀值优化, 使模型具有了全局寻优、收敛速度快及评价结果客观、准确等优点, 并且避免了为得到故障样本所做的损坏性试验过程, 简单易行。但它的不足之处在于, 当故障规模很大时, 遗传算法性能变差, 计算量大, 十分耗时;当样本中缺乏重要特征基因时, 遗传算法可能出现过早收敛而不能达到最优解等。文献[9]中提到的并行处理的快速遗传算法能够提高运行速度, 目前正在研究当中, 其能够克服上述不足, 本文后续研究也会作出相应的改进。

摘要：针对BP神经网络对发电机转子匝间短路故障识别方法存在收敛速度慢且极易陷入局部最优解的不足, 在分析发电机转子绕组匝间短路后的电磁特性及电机气隙磁场的基础上, 提取了故障特征量, 采用遗传神经网络法对发电机转子匝间短路故障进行辨识, 通过引入遗传算法对BP神经网络进行权重和阀值优化, 使模型具有全局寻优、收敛速度快及评价结果客观、准确的优点, 并且避免了为得到故障样本所做的损坏性试验过程。仿真结果表明了该方法的可行性和有效性。

关键词：匝间短路,故障诊断,遗传算法,神经网络

参考文献

[1]高贤维, 刘三民, 王杰文.基于遗传算法和神经网络的特征提取[J].计算机与现代化, 2008 (4)

[2]盛义发, 喻寿益, 桂卫华, 等.轨道车辆用永磁同步电机系统弱磁控制策略[J].中国电机工程学报, 2010, 30 (9)

[3]盛义发, 喻寿益, 桂卫华, 等.城轨牵引内置式永磁同步电机驱动系统效率优化控制[J].中南大学学报 (自然科学版) , 2011, 42 (7)

[4]Penman J, Jiang H.The detection of stator and rotor winding short circuits in synchronous generators by analyzing excitation current harmonics[C].Opportunities and Advances in International Electric Power Generation International Conference, 1996

[5]李艳平, 吴为民, 郭虎奎.基于GA-BP的变压器故障诊断[J].能源技术, 2010, 31 (3)

[6]马宏忠.电机状态检测与故障诊断[M].北京:机械工业出版社, 2008

[7]Tsukerman, I.A., Konrad, A.Coupled Filed-Circuit Problems:Trends and Accomplishments[J].IEEE Transactions on Magnetics, 1993, 29 (2)

[8]崔伟.基于遗传神经网络的矿井通风机故障诊断研究[J].煤炭技术, 2010, 29 (5)