基于GRU模型的发电机转子绕组匝间短路故障诊断

针对发电机转子绕组匝间短路早期故障不易检测的问题,本文提出了一种基于门控循环单元(Gated Recurrent Unit,GRU)的深度学习网络模型来进行发电机转子匝间短路故障诊断方法.发电机在发生匝间短路故障时会形成不平衡的电磁脉冲力,使发电机产生振动;采用振动特性方法分析绕组匝间短路故障时气隙磁势、励磁电流、气隙磁密等电气参数的变化,计算出使发电机产生振动的电磁脉冲力大小.并以某250 MW燃气发电机组为例进行了匝间短路故障检测试验,试验数据由发电机正常状态、匝间短路状态、其他故障状态的振动数据组成,共计900组,数据处理采用深度学习中的GRU神经网络模型,提取振动信号中的故障特征与时间序列特征,进而实现发电机转子绕组匝间短路故障的诊断.结果表明,绕组匝间短路故障时会产生f、2f、3f、4f、5f倍频的振动,其中2f倍频振动相对较大,符合理论分析结果;利用GRU神经网络模型对发电机转子绕组匝间短路故障进行诊断,准确率达到95.14％,高于AlexNet、VGG16等其他深度学习方法.通过试验可知,GRU模型可有效对发电机转子绕组匝间短路故障进行诊断.该研究可以在故障初期通过振动信号发现发电机匝间短路故障,为绕组匝间短路故障诊断提供了新思路.