同步发电机短路故障模式识别方式有哪些？BP神经网络识别方法有何优点？

1前言

同步电机是电力系统中最重要的元件，所以对同步发电机突然短路故障进行仿真分析、故障诊断及排除研究是非常必要的。

为此本文中提出了一种以定子分支电流实现转子匝间短路故障定位的方法，以保障系统安全运行。

2同步发电机短路故障模型

利用叠加原理，同步发电机端突然短路相当于在电机端口突然加上了与发电机短路前的端电压大小相等，方向相反的三相电压。

短路产生时，定子绕组电流包括基频分量、倍频分量和直流分量，转子绕组包括直流分量和同频率的交流分量。

建立的同步发电机短路故障MATLAB仿真分析模型，仿真模型结构主要包括:同步发电机、并联RLC模块、三相接地模块、变压器模块等。

同步发电机采用p.u.标准的同步发电机模块，同步发电机的额定功率为200MV·A，线电压为15kV，额定频率为50Hz。

仿真设置总时间为1s，短路故障时刻为0.02s。

仿真结果得到a相正常，b、c两相同时短路的定子电流变化情况则不同，可知定子的a相电流波动幅值较小，在±0.05p.u.之间，在0.02s之前为正常状态，幅值较0.02s后出现故障时的幅值较小。

在发生故障时，b相和c相电流发生迅速且剧烈的振荡，波动幅值在±5.0p.u.之间，并伴随有近似指数规律的衰减趋势。

因此在a相正常，b、c两相同时短路时，定子的a相电流波动变化较小，而b、c两相电流较大，明显不正常。

得到b相正常，可知定子的b相电流波动幅值较小，在±0.5p.u.之间，在0.02s之前为正常状态，幅值较0.02s后出现故障时的幅值较小。

在发生故障时，a相和c相电流发生迅速且剧烈的振荡，波动幅值在±10.0p.u.之间，并伴随有近似指数规律的衰减趋势，两者的变化具有对称性。

因此在b相正常，a、c两相同时短路时，定子的b相电流波动变化较小，而a、c两相电流明显不正常。

得到c相正常，可知定子的c相电流波动幅值较小，在±0.5p.u.之间，较正常状态下的电流有所增大，在0.02s之前为正常状态，幅值较0.02s后出现故障时的幅值较小。

在发生故障时，a相和b相电流发生迅速且剧烈的振荡，波动幅值在±10.0p.u.之间，并伴随有近似指数规律的衰减趋势，两者的变化具有对称性，

3基于BP网络的同步发电机短路故障模式识别

由定子电流数据可知，BP网络的输入层神经元个数为3；设置隐含层神经元数量为10个；根据模式识别的故障种类可知共8种模式类别。

因此可设置网络输出层的神经元数量为8个，8个输出组成一个向量，向量的第i个元素代表第i种故障模式。

由Sigmoid函数可知每个故障模式的输出范围均为[0，1]，若识别得出为无故障模式，则输出向量第1位的值应最大。

根据设计目的，将0~0.02s时间内的仿真数据作为无故障模式输入数据，数据点共6个。

将0.02~0.8s时间内的仿真数据分别作为网络的训练数据，数据点共108个，得到经过训练后的BP网络模式识别器，此时网络的权值和偏置值完成迭代计算。

将0.8~1.0s时间内的仿真数据分别作为网络的测试数据，数据点共24个，为弥补单点测试结果的误判，提高诊断的准确率，以一段时间内的多个数据作为测试对象，以测试结果的平均值作为最终诊断结果。

得到训练后的模式识别器测试结果，结果中横坐标1~8分别表示8种故障模式，纵坐标为由训练后的BP网络模式识别器计算得到的数值(无单位)。

可知模式识别器很好地识别了8种模式的测试数据，单点数据诊断的准确率均大于95%，说明识别器的训练效果良好，每种模式的识别结果平均值均大于0.8。

虽然较相似的故障模式的平均值较相近，但数值均小于0.5，如对模式1进行诊断，得到模式2~模式4的诊断结果与模式1相近，但数值差别较大，并不影响最终结果的判断。

由测试结果可知，识别器对故障模式诊断的准确率为100%，这得益于多数据点识别并求平均值的算法，有效地规避了单数据点识别的偶然性，提高了识别的准确率。

4结语

以上分析通过建立同步发电机短路故障数学模型，得到故障模式测试结果，提高了BP网络模式识别器的准确率，为基于BP神经网络的同步发电机短路故障模式识别研究提供了参考。

参考文献

[1]张盛炜.风-光热-水电联合系统优化调度[D].西安:西安理工大学，2019.

[2]潘志军，彭伟林，方芳，等.大型泵站低噪声电动机设计分析及噪声测算[J].浙江水利水电学院学报，2017，29(5):7075.

[3]姜美武，姜勇.贺社水电站发电机电磁噪声分析与处理[J].浙江水利水电学院学报，2017，29(5):1417.