LSTM-CNN网络在同步电机励磁绕组匝间短路故障预警中的应用

李俊卿， 陈雅婷

(华北电力大学 电气与电子工程学院，河北 保定 071003)

0 引 言

同步电机是电力系统构架中的重要组成设备，维持其正常稳定运行是构建电力系统安全稳定的必要条件[1]。同步电机转子工作环境恶劣，尤其是大型电机带载时，转子需承受强电场、磁场和大机械力，因此励磁绕组匝间短路故障在同步电机故障中十分常见[2]。该故障导致励磁电流增大，无功输出减少，若故障进一步发展可能会烧伤转子轴颈和轴瓦[3,4]。此外，该故障还会导致同步电机定转子振动加剧、定子电流出现谐波、电机温度场发生变化等一系列问题[5-8]。励磁绕组匝间短路在故障早期对电机本身危害不大，但若不及时处理，会导致故障进一步发展，对同步电机造成严重的损害[9]。因此，同步电机励磁绕组匝间短路故障的早期预警对于维护设备的稳定运行起着十分重要的作用。

目前应用于同步电机励磁绕组匝间短路的诊断方法主要有离线检测和在线检测两种。离线检测法主要包括交流阻抗及损耗法、直流电阻法和开口变压器法等，关于此类方法已有较多相关文献[10]。离线检测法需在同步电机停机之后才能进行，无法实现对故障的实时监测，随着电力物联网概念的不断发展，对同步电机在线故障检测提出了更高的要求。

在线检测由传感器实时获得电机运行过程中的各物理量，通过数学建模、数据分析实现对故障的诊断。目前已有的励磁绕组匝间短路在线诊断方案有定子并联支路环流法、定转子振动法、温度场变化法等[11-16]。在线检测法解决了故障检测及时性的问题，但由于理想模型往往经过一定程度的简化，在实际工况运行中难免存在误差。

近年来深度学习在电力系统的故障诊断、负荷预测和电力系统暂态评估等方面的应用越来越广泛,其中长短时记忆网络(Long Short-Term Memory, LSTM)和卷积神经网络(Convolutional Neural Network, CNN)的表现尤为突出[17-20]。目前，将深度学习应用于同步电机的故障诊断已有一定的研究成果。文献[21,22]将自编码器堆叠构成的深度学习网络应用在永磁电机的故障分类诊断中。文献[23]利用二维CNN对无刷直流电机的时频特性图进行识别，实现了多种故障的检测和分类。文献[24]把一维CNN和门控循环单元相结合，应用于水轮机的故障识别。深度学习具有极佳的拟合能力，可以对现场采集的数据进行直接拟合，免去了数据处理的过程，且相较于建立同步电机的数学模型而言，神经网络拟合没有对机组的运行过程简化，更符合实际情况。因此，本文提出了一种基于LSTM-CNN深度学习网络的同步电机励磁绕组匝间短路早期故障预警模型。利用历史数据训练网络，构建发电机正常运行时励磁电流与定子三相电压、定子振动、转子振动、同步电机输出有功功率和无功功率之间的函数关系，充分考虑了与匝间短路故障相关的物理量。电机运行过程中，将各物理量输入网络，即可通过励磁电流偏离正常值的程度来实现同步电机的故障预警。

1 LSTM-CNN原理

1.1 LSTM网络

1997年，Hochreater和Schmidhuber最先提出了LSTM网络，该网络是递归神经网络(Recurrent Neural Network, RNN)的改进和延伸。LSTM解决了RNN在数据训练过程中梯度消失或爆炸的问题，在时间序列的拟合和预测方面有着很高的精度，目前已被广泛应用于语音识别、图片描述、自然语言处理等诸多领域。LSTM原理如图1所示。

图1 LSTM原理图Fig.1 LSTM schematic diagram

输入数据沿网络正向进行计算，包括ft，it，ct，ot，ht五个向量，信号传播方向如图2所示。其中各向量可由式(1)计算[25]：

(1)

图2 LSTM信号传播图Fig.2 LSTM signal propagation diagram

1.2 CNN网络

CNN由多层感知机演变而来，隶属于前馈神经网络。CNN所具有局部连接和权值共享的特性，使得该网络需要的参数更少，进而降低了模型的复杂度，提高了训练速度。CNN由若干个卷积层(Convolution Layer, CL)，池化层(Pooling Layer, PL)和全连接层(Fully Connected Layer, FCL)组成。其中，CL和PL的数目不固定，存在多种排列方式，如CL与PL交替排列或多层CL叠加一个PL。根据对输入数据的处理方式不同，CNN可以分为一维CNN、二维CNN和三维CNN。

一维CNN的网络输入为三维结构(样本个数，与过去相关时刻，特征维数)，其原理如图3所示。

图3 一维卷积神经网络原理图Fig.3 Schematic diagram of one-dimensional convolutional neural network

(1)CL计算

CL的主要作用是对输入数据进行特征提取。原始输入数据经过CL后得到特征图，即CL的计算结果[20]。

(2)

式中：ai,j为特征图第i行第j列元素；f为激活函数；b为滤波器尺寸；s为滤波器步长；d为输入数据的特征维数；wm,n为滤波器第m行第n列权重；xi+m,n为输入数据中第i+m行第n列元素；wb为滤波器的偏置。

(2)PL计算

PL的主要作用是对特征图进行采样处理，滤除冗杂参数，以防止网络出现过拟合。池化的方法有很多，其中最常用的方法为最大池化(Max pooling)。

p=max{ai,j}

(3)

式中：p为池化结果；ai,j为池化窗口内的特征图数据。

2 模型构建

2.1 输入量选择

针对隐极同步发电机，在不考虑自动励磁调节器的情况下，分析了发电机运行电气量、定子振动和转子振动与励磁电流之间的关系。

(1)故障下的电气量

励磁绕组匝间短路故障导致绕组有效匝数减少，为保持气隙磁动势守恒，导致励磁电流增大。短路故障发生时，根据楞次定律，励磁电流的增大并不能完全抵消掉短路效应的去磁作用，因而同步电机输出无功会受到影响。文献[26]在忽略主磁通回路的饱和及定子内壁开槽造成磁势不连续性的前提下，利用派克方程，对汽轮发电机励磁电流表达式为进行了详细的推导：

(4)

式中：as、afd分别为定子绕组支路数和励磁绕组支路数；wfd、w分别为励磁绕组匝数和定子绕组匝数；τ、l分别为电机极距和定子铁心有效长度；k0dfd1、k0d1分别为励磁绕组基波绕组系数和定子基波绕组系数；ifdd、id分别为励磁电流基值和定子电流基值；λd11为气隙磁导系数；Ld为定子自感基值；xd为同步电机直轴同步电抗；U为同步电机定子端电压；S为同步电机输出有功；Q为同步电机输出无功。

式(4)表明，同步电机运行过程中，励磁电流的变化可在电机的电压、有功功率和无功功率中得以体现。

(2)故障下的定子振动

励磁绕组发生匝间短路故障后，线圈的对称性被破坏，气隙中的基波磁势减弱，谐波成分增加。文献[27]分别分析了一对极和多对极情况下，汽轮发电机励磁绕组匝间短路故障下的电磁力波幅值，所得结果如表1、表2所示。

表1 一对极汽轮发电机电磁力波频率及幅值

表2 多对极汽轮发电机电磁力波频率及幅值

由表1可以看出，一对极时，励磁绕组匝间短路后Fd1的产生使得基波磁势幅值变为F1，因此，2fr下的电磁力波值减小，定子2fr频率振动幅值减小。 由表2可以看出，多对极时，Fd1和Fd2的产生使得定子fr和2fr频率振动增大。

综上所述，一对极时定子2fr频率振动幅值减小，多对极时定子fr和2fr频率振动增大是励磁绕组匝间短路的故障特征之一。

同步电机发生励磁绕组匝间短路故障后，转子受力不平衡，在忽略了气隙磁动势4次以上谐波分量的前提下，文献[28]对同步电机转子受力情况进行了深入分析，最终得到故障下的转子在x轴，y轴方向受到的电磁拉力为

(5)

式中:a，c为与ω无关的常量。由式(5)可以看出，转子上出现有异于正常情况下的2次和4次振动，是励磁绕组匝间短路的故障特征之一。

2.2 模型构建

(1)LSTM-CNN网络模型搭建

根据上述分析，以隐极同步电机定子三相电压、有功功率、无功功率、转子振动和定子振动作为输入量，以励磁电流作为输出量，构建一个输入维度为7，输出维度为1，网络层数为5的LSTM-CNN网络预测模型，模型结构如图4所示。

图4 LSTM-CNN网络原理图Fig.4 Schematic diagram of LSTM-CNN network

以机组正常运行时测得物理量作为训练数据，将输入量和输出量归一化处理，对模型进行训练，模型评价指标采用方均根误差(Root-Mean-Square Error, RMSE)。

(6)

(7)

式中：n为样本个数；yi为实测值；f′(xi)为f(xi)反归一化后的模型输出值，其表达式为

日常观察是年轻父母了解和掌握家庭教育情况的最简单实用的基本方法。建议年轻父母养成写“育儿手记”的习惯，记录孩子成长的点点滴滴，并从中及时发现家庭教育问题。也可以做成统计表格，对家庭教育行为进行对比和统计，使家庭教育问题更加具体清晰。

f′(xi)=f(xi)(fmax(xi)-fmin(xi))+fmin(xi)

(8)

式中：fmax(xi)；fmin(xi)分别为模型输出值中的上下极限值。

(2)故障判定准则

训练好的LSTM-CNN网络可以表示正常情况下励磁电流与同步电机定子三相电压、有功功率、无功功率、转子振动和定子振动之间的函数关系。当机组发生故障时，网络输入量为故障情况下的物理量，网络模型为正常情况下的函数关系，因此网络输出为正常情况下的励磁电流值。而实测的励磁电流值为故障情况下的电流值，其值必然大于网络输出的励磁电流值。定义每一个时刻t下的励磁电流偏移距离Dt为LSTM-CNN网络预测值和实时监测值的欧氏距离，则Dt为

(9)

理想情况下故障偏移距离均会大于正常偏移距离，然而在训练过程中，为保证模型的泛化能力，必然存在某些拟合不精确的时间点，这些时间点上的正常偏移距离可能接近甚至超过故障偏移距离。因此，为了避免误判，在确定故障预警阈值前，利用箱型图(Box-plot)对异常点进行处理。箱形图能显示出一组数据的上边缘值、下边缘值、中位数以及上下四分位数，如图5所示[29]。

图5 箱型图Fig.5 Box-plot

(10)

以箱型图的上边缘为界，大于上边缘的值为异常值。滤除异常值后，以正常偏移距离的最大值为故障预警阈值。

在实际数据采集过程中，除了模型本身的因素外，外界干扰因素造成的测量值不准确也会影响网络预测值，如个别故障偏移距离小于故障预警阈值或个别正常偏移距离大于故障预警阈值。这种情况在实际操作中无法避免，因此需确定一个判断时间保证故障预警的灵敏性和可靠性。若判断时间内所有时间点的偏移距离均大于故障预警阈值则发出警告，预警流程如图6所示。根据实际机组测量环境干扰程度的不同，可设定不同的判断时间以调整诊断模型的灵敏度，即判断时间越长(短)灵敏度越低(高)。本文取正常偏移距离连续超过故障预警阈值的最长时间段，即最大连续时间点数的2倍为判断时间。

图6 故障预警流程图Fig.6 Flowchart of fault warning

3 实验验证

3.1 数据采集

以华北电力大学动模实验室MJF-30-6型隐极同步电机为例，将励磁绕组25%处抽头与阻值为1.1 kΩ滑线变阻器并联，模拟轻微励磁绕组匝间短路故障。为了验证训练好的模型可以对训练集所覆盖的负载变化范围内的故障情况预警，采集同步电机正常运行时负载从0～6.2 kW变化过程中的有功功率、无功功率、定子三相电压、转子振动、定子振动和转子励磁电流的瞬时值作为网络模型训练数据，采样频率为5 000 Hz，采样时长2.4 s。采集同步电机故障情况下负载从0～2 kW变化过程中的有功功率、无功功率、定子三相电压、转子振动、定子振动和转子励磁电流的瞬时值作为故障数据，采样频率为5 000 Hz，采样时长2.4 s。励磁绕组接线如图7所示。

图7 实验接线图Fig.7 Excitation winding wiring diagram

3.2 模型训练

依据搭建的模型，对LSTM-CNN网络训练200次后所得网络训练损失函数及励磁电流训练结果如图8和图9所示，RMSE=0.47。

图8 LSTM-CNN网络模型的损失值Fig.8 Loss value of LSTM-CNN network model

图9 LSTM-CNN网络训练结果图Fig.9 Training results of LSTM-CNN network

3.3 故障预警

模型训练完成后，将同步电机正常运行时的数据输入模型，根据式(9)可得正常情况下的偏移距离，并绘制箱型图如图10。由图10可以看出，箱型图的上边缘为0.089。以箱型图滤除异常值后的最大偏移距离为故障预警阈值，则故障预警阈值为0.088。

图10 正常偏移距离箱型图Fig.10 Box-plot of normal offset distance

绘制正常情况下的偏移距离及故障预警阈值，如图11所示。由图11可以看出，正常偏移距离连续超过故障预警阈值的最大时间点数为5，因此确定判断时间为10个时间点。

图11 正常情况下的偏移距离Fig.11 Normal offset distance

将故障情况下的12 000个数据点输入模型进行故障预警，其励磁电流网络预测值与故障实测值对比如图12所示，偏移距离如图13所示。

图12 故障励磁电流网络预测值与实测值对比Fig.12 Fault excitation current comparison diagram of network predicted value and measured value

图13 故障情况下的偏移距离Fig.13 Fault offset distance

由图12可以看出，轻微故障情况下励磁电流值略大于正常情况下的励磁电流值。由图13可以看出，故障励磁电流偏移距离大部分大于故障预警阈值，且存在连续10个时间点的偏移距离大于故障预警阈值。实验证明，模型可以在训练集所覆盖的负载范围内实现对励磁绕组匝间短路早期故障的预警。现场中，大部分大型汽轮发电机都装有数据采集装置，可以实现对电机的各个运行物理量的实时采集和记录工作。模型训练时，网络模型的训练集应涵盖机组运行中最小负荷到最大负荷范围内的数据，以保证在任何负荷状态下均能实现故障预警。

3.4 模型拟合对比

在相同的训练数据参数及历史数据下，分别对5层LSTM网络、5层CNN网络和5层LSTM-CNN网络进行训练，训练次数为200次，训练效果如图14所示，训练时间及误差如表3所示。

图14 正常运行时三种网络励磁电流训练结果对比图Fig.14 Comparison of excitation current training results of three kinds of networks in normal operation

表3 LSTM, CNN, LSTM-CNN网络训练结果对比

由图14及表3可以看出，LSTM网络训练时间最长但拟合效果较好，CNN网络训练时间最短但拟合效果差，而LSTM-CNN网络将LSTM网络与CNN网络的优势融合，在大幅减少了训练时间的基础上减少了方均根误差，提高了拟合精度，所以，LSTM-CNN网络在数据拟合中表现最佳，可以用于故障预测。

4 结 论

本文提出了一种基于LSTM-CNN网络的同步电机励磁绕组匝间短路的早期故障预警方法。模型以同步电机运行过程中的三相电压、输出有功功率、无功功率、定子振动和转子振动为输入量，以励磁电流为输出量构建了LSTM-CNN励磁绕组匝间短路故障预警模型，得到如下结论：

(1) LSTM-CNN融合了LSTM网络与CNN网络的优点，具有更快的训练速度和更高的拟合精度，可以实现对励磁电流较为精确的拟合。

(2) 电机故障情况下，LSTM-CNN网络可以预测各个输入量所对应的正常励磁电流，该电流小于实测的故障励磁电流。

(3) 以滤除异常值后正常偏移距离的最大值为故障预警阈值，以连续超过故障预警阈值的最长正常偏移距离时间点数的2倍为判断时间，可以在训练集覆盖的负载范围内实现对励磁绕组匝间短路早期故障的预警。

(4) LSTM-CNN网络可以挖掘发电机物理量间潜在的函数关系。根据同步电机的不同类型，准确的分析选择与励磁电流相关的物理量后，LSTM-CNN网络模型可以实现对不同类型同步电机励磁绕组匝间短路的故障预警。