基于二维CNN与多源机电信息融合的同步电机转子匝间短路故障诊断方法

为提高同步电机转子绕组匝间短路故障的诊断准确率,以一台型号为SDF-9的一对极同步发电机为研究对象,提出了一种基于二维卷积神经网络(Convolutional Neural Networks, CNN)与多源机电信息融合的匝间短路故障诊断方法。首先选取故障前后的定子环流、转子振动、定子振动信号为故障特征,采用信号-图像转换方法将一维时序信号转化为二维灰度图像。其次将处理后的图像分别作为二维CNN模型的前置输入进行训练。最后采用D-S证据理论将3种证据体的输出概率进行决策融合。结果表明：该方法消除了单一信号易受传感器故障及环境变化的影响,故障诊断准确率显著提高,并与其他传统故障诊断算法的诊断结果进行对比分析,验证了此方法的有效性。     

大型调相机动态响应下的电磁转矩分析

凭借着强无功支撑能力,大型调相机在特高压直流输电(LCC-HVDC)中发挥着愈发重要的作用,本文分析了大型调相机的动态响应特性,推导了调相机的电磁转矩表达式,得出了动态响应下电磁转矩变化与定子电流、转子励磁电流变化趋势相关的结论.文中通过PSCAD/EMTDC建立了含同步调相机的LCC-HVDC模型,对受端电网单相接地短路与三相短路下调相机的动态响应和电磁转矩变化进行了仿真验证,发现机端电压下降时,随着调相机的无功动态响应,电磁转矩与定子电流、转子励磁电流变化趋势相同,呈现先增大后减小的变化趋势,同时对于三相对称故障引起的电磁转矩变化表现出一定的对称性,为大型调相机的运行与电网故障的判断监控提供了一定的理论基础.     

基于MSK-CNN和多源机电信息融合的同步发电机故障诊断方法

同步发电机结构复杂且运行环境多变，传统的故障诊断方法依赖于专家的先验知识，易受噪声干扰，难以准确识别且耗时耗力。本文提出一种基于多尺度核卷积神经网络(MSK-CNN)和多源机电信息融合的同步发电机故障诊断方法，直接从原始信号中自动学习有效的故障特征，同时在单个框架中对故障类型进行分类，为同步发电机提供端到端的故障诊断系统，无需额外的信号处理和专家经验。首先通过多尺度核算法在不同尺度上并行获取互补且丰富的诊断信息，提高特征学习能力。然后采用多源机电信息融合，选取相电压、转子振动、定子振动信号分别作为输入进行特征融合。最后以一台SDF-9型1对极同步发电机为实验对象进行实验验证，故障诊断准确率为99.64%,与传统故障诊断方法进行对比，显示了该方法的优越性。     

基于ITD-ELM的发电机转子绕组轻微匝间短路故障诊断

针对转子绕组匝间短路早期故障不易检测的问题，本文提出一种基于本征时间尺度分解ITD(intrinsic time-scale decomposition)和极限学习机ELM(extreme learning machine)的发电机转子绕组轻微匝间短路故障诊断方法。首先，采用ITD算法将同步发电机的运行数据分解为若干旋转PR(proper rotation)分量，并根据峭度准则进行信号重构；然后将重构后的信号作为输入量，诊断结果作为输出量，构建基于ITD-ELM的发电机匝间短路故障诊断模型；最后以一台型号为MJF-30-6的同步发电机数据为样本，对其轻微匝间短路故障进行诊断，结果表明：基于ITD-ELM模型的故障诊断准确率较单一的ELM模型显著提高，验证了本文所提故障诊断方法的有效性和准确性。