RBF-NN对发电机转子绕组匝间短路的诊断 RBF-NNs Diagnosis of Generator Rotor Winding Inter-turn Short Circuit Fault.pdfVIP

下载本文档

1
0
约1.61万字
约 4页
2017-08-02 发布于上海
举报
版权申诉

RBF-NN对发电机转子绕组匝间短路的诊断 RBF-NNs Diagnosis of Generator Rotor Winding Inter-turn Short Circuit Fault.pdf

1、有哪些信誉好的足球投注网站（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

RBF-NN对发电机转子绕组匝间短路的诊断 RBF-NNs Diagnosis of Generator Rotor Winding Inter-turn Short Circuit Fault

第23卷第1期电力系统及其自动化学报 V01．23No．1 oftheCSU—EPSA Feb． 2011 2011年2月 Proceedings RBF—NN对发电机转子绕组匝间短路的诊断曲正伟，荣亚君，刘帅，葛葆华，龚源 (燕山大学电气工程学院，秦皇岛066004) 摘要：为了能更准确地诊断出发电机转子绕组匝间短路故障，基于改进的双层动态均值聚类分析的径向基神经网络对转子绕组匝间短路故障进行了诊断。同时，通过对同步发电机转子绕组故障信号进行分析，并把从中提取的故障信号的特征量作为学习样本，通过改进的径向基神经网络的训练，使构造的径向基神经网络能够反映样本的特征向量和转子绕组匝间不同程度的短路类型之间的映射关系，从而达到故障诊断的目的。仿真实验表明，该算法可以进行有效的故障诊断，精度优于传统的反向传播BP(backpropagation)神经网络。关键词：同步发电机；转子绕组；匝间短路；径向基神经网络；故障诊断中图分类号：TM31文献标志码：A 文章编号：1003—8930(2011)01—0114—04 RBF-NNs ofGeneratorRotor Diagnosis Winding Inter-turnShortCircuitFault Yuan QuZheng—wei，RONGYa-jun，LIUShuai，GEBao—hua，GONG ofElectrical 066004，China) (College Engineering，YanshanUniversity，Qinhuangdao ordertOmoreaccurate of rotor inter-turnshort—circuitradial Abstract：In generator fault，a diagnosis winding basisfunctionneural basedonan two-tier means network，which dynamicclusteringanalysis improved diagno— sestherotor inter-turnshortcircuitfaultinthis thesame the winding paper．At time，thispaperanalysessyn— chronous rotogs fault extractthefault characteristicas generatorwindingsignal，and signal quantitieslearning RBF networks enable the neural constructionofradialbasisfunction samples．Throughimproved training，we reflectthecharacteristicsofthe vectorand