基于磁熱耦合特性的水輪發(fā)電機(jī)定子溫度預(yù)測

李勇 陳波 王宗收 李世昌 李爭

摘 要：為避免水輪發(fā)電機(jī)運(yùn)行過程由于定子溫度過高產(chǎn)生故障，保障其性能的正常發(fā)揮，建立了水輪發(fā)電機(jī)溫度場分布模型，提出了一種溫度預(yù)測方法。首先，以張河灣抽水蓄能電站的水輪發(fā)電機(jī)為基礎(chǔ)，依據(jù)電磁場理論，對發(fā)電機(jī)在工況下電磁場和定子部分損耗進(jìn)行分析，建立其三維有限元模型;其次，運(yùn)用磁熱耦合特性計(jì)算獲得發(fā)電機(jī)定子溫度場分布;再次，采用人工魚群算法（AFSA）和BP神經(jīng)網(wǎng)絡(luò)算法相結(jié)合，構(gòu)造定子繞組和定子頂部的溫度預(yù)測模型;最后，將仿真結(jié)果和監(jiān)控改造后的實(shí)測數(shù)據(jù)進(jìn)行對比驗(yàn)證。結(jié)果表明，通過人工魚群算法對BP神經(jīng)網(wǎng)絡(luò)優(yōu)化，提高了定子溫度預(yù)測模型的精度。本文給出了有限元仿真模型和AFSA-BP溫度預(yù)測模型，為大功率水輪發(fā)電機(jī)定子溫度故障分析以及電機(jī)的設(shè)計(jì)優(yōu)化提供了參考。

關(guān)鍵詞：數(shù)據(jù)處理;定子損耗;有限元分析;磁熱耦合;人工魚群算法

中圖分類號：TM312?? 文獻(xiàn)標(biāo)識碼：A

doi：10.7535/hbkd.2021yx06002

Prediction of stator temperature of hydro-generator based on magnetic-thermal coupling characteristics

LI Yong1，CHEN Bo1，WANG Zongshou1，LI Shichang1，LI Zheng2

（1.Operation and Maintenance Department，Hebei Zhanghewan Energy Storage and Power Generation Company Limited，Shijiazhuang，Hebei 050300，China;2.School of Electrical Engineering，Hebei University of Science and Technology，Shijiazhuang，Hebei 050018，China）

Abstract：In order to avoid the fault caused by over high temperature of the stator and ensure the normal performance of the hydro-generator，a temperature field distribution model of the hydro-generator was established，and a temperature prediction method was proposed.First，based on the hydro-generator of Zhanghewan Pumped Storage Power Station and electromagnetic field theory，the electromagnetic field and stator loss of the hydro-generator under working conditions was analyzed and its three-dimensional finite element model was established.Next，the stator temperature field distribution of the hydro-generator was calculated by using magneto-thermal coupling relationship.Then，the artificial fish swarm algorithm （AFSA） and BP neural network algorithm were combined to construct the temperature prediction model for stator winding and stator top.Finally，the simulation results were compared with the measured data of the upgraded system.The results show that the optimization of BP neural network by artificial fish swarm algorithm improves the accuracy of the stator temperature prediction model.The finite element simulation model and ASFA-BP temperature prediction model are constructed，which provides reference for high-capacity hydro-generators motor stator temperature fault analysis as well as for optimum design of motors.

Keywords：

data processing;stator loss;finite element analysis;magneto-thermal coupling;artificial fish swarm algorithm

隨著水力資源在世界總資源中的占比越來越大，水輪發(fā)電機(jī)單機(jī)容量不斷增大。針對大型水輪發(fā)電機(jī)的分析與研究也越來越多[1]，大型水輪機(jī)作為水力發(fā)電系統(tǒng)的重要組成部分，無論是對電機(jī)的電磁場進(jìn)行分析，還是對電機(jī)發(fā)熱問題和溫升故障的研究都備受關(guān)注[2-4]，因此需要對電機(jī)的溫升情況進(jìn)行研究和預(yù)測，利用反饋出來的數(shù)據(jù)進(jìn)行監(jiān)控改進(jìn)，確保發(fā)電機(jī)工作時(shí)的穩(wěn)定性和溫升預(yù)測的準(zhǔn)確性[5-7]。

近年來，中國針對大型水輪機(jī)各方面的研究都取得了很大進(jìn)展。張大為等[8]針對大型水輪發(fā)電機(jī)的定子溫度分布問題進(jìn)行了計(jì)算，并結(jié)合有限元方法進(jìn)行驗(yàn)證;韓力等[9]建立2D模型，針對大型水輪機(jī)的損耗和發(fā)熱問題進(jìn)行研究，分析了水輪發(fā)電機(jī)轉(zhuǎn)子電磁場及溫度場的變化情況;HAMEYER等[10]探索了計(jì)算溫度各耦合場之間的聯(lián)系，并對耦合場計(jì)算方法進(jìn)行了分類，提出強(qiáng)、弱耦合關(guān)系的概念;安然等[11]應(yīng)用FE和LPTN，使電機(jī)物理場的研究由單維向多維發(fā)展，計(jì)算精度得到了提高。

伴隨人工智能和機(jī)器學(xué)習(xí)的快速發(fā)展，衍生出來的針對電機(jī)運(yùn)行溫度預(yù)測算法的應(yīng)用越來越廣泛。岑崗等[12]提出了一種基于PPO算法和RL網(wǎng)絡(luò)的永磁同步電機(jī)溫度預(yù)測模型，具有很高的精度和可靠性;侯冶等[13]以保證牽引電機(jī)安全運(yùn)行為目的，以牽引電機(jī)運(yùn)行數(shù)據(jù)為基礎(chǔ)，采用非線性自回歸神經(jīng)網(wǎng)絡(luò)對電機(jī)進(jìn)行溫度預(yù)測;潘柏根等[14]探究了應(yīng)用無感線圈對電機(jī)進(jìn)行在線監(jiān)測和監(jiān)控;周龍南等[15]對定子繞組溫度進(jìn)行監(jiān)測，探究了其變化規(guī)律，提出了定子繞組溫度的檢測方法。

河北張河灣蓄能發(fā)電站是河北最大的抽水蓄能電站，是河北南部電網(wǎng)的重要組成部分之一。本文以張河灣蓄能發(fā)電站提供的資料和數(shù)據(jù)為基礎(chǔ)，在已有研究的基礎(chǔ)上，采用有限元仿真與算法相結(jié)合的分析思路預(yù)測發(fā)動機(jī)定子溫度，以期為電機(jī)定子溫度故障分析和監(jiān)控確定提供參考。

1 電機(jī)模型的建立

以張河灣抽水蓄能公司額定容量為278 MVA的立軸半傘式水輪發(fā)電機(jī)為研究對象，考慮到電機(jī)的復(fù)雜程度，為了便于計(jì)算，在符合客觀運(yùn)行條件下，對文中的設(shè)計(jì)模型進(jìn)行了設(shè)定：首先假設(shè)電機(jī)的磁場在軸向分布均勻，在2D模型中對電機(jī)電磁場進(jìn)行分析和計(jì)算，由于資源有限，為簡化計(jì)算量，假設(shè)定子線圈，定子鐵芯中沒有渦流，由此可以認(rèn)為該發(fā)電機(jī)的磁場為穩(wěn)定的磁場。采用Ansoft Maxwell軟件建立了三維電機(jī)模型，如圖1所示，通過仿真進(jìn)行有限元分析，在仿真結(jié)果中得到該發(fā)電機(jī)的電磁性能曲線。

假設(shè)本文發(fā)電機(jī)模型中鐵芯的磁導(dǎo)率各向同性，根據(jù)有限元計(jì)算模型，獲得發(fā)電機(jī)的內(nèi)部磁感線和磁通密度云圖，如圖2、圖3所示。

從圖2可以看出，在額定工況的某一時(shí)刻，磁感線都是閉合的回路，依次穿過所在的磁極、氣隙和鐵芯，最后進(jìn)入下一個(gè)磁極，形成磁場，絕大多數(shù)的磁力線都按照該路徑形成磁場。由圖3磁通密度云圖可以看出，2個(gè)相鄰繞組中間部分磁通密度相對較大。

為了提高計(jì)算準(zhǔn)確度，在仿真過程中對轉(zhuǎn)子和定子間氣隙中的磁力線的密度和分布進(jìn)行分析，需了解定子繞組中的磁勢諧波產(chǎn)生的附加損耗，應(yīng)用數(shù)值分析中的迭代計(jì)算法，通過仿真得到氣隙上磁通密度如圖4所示。由圖4可以看出，氣隙磁通密度的平均值為2.651 T。同時(shí)由圖3可以看到，定子鐵芯處的磁通密度最大值為3～4 T，而在轉(zhuǎn)子永磁體磁極之間的磁通密度較大，最大值可達(dá)8 T，與電機(jī)實(shí)際情況相符。

跟常規(guī)發(fā)電機(jī)一樣，水輪發(fā)電機(jī)的熱量主要來源于定子的鐵芯損耗，其主要由2部分組成：磁滯損耗和渦流損耗[16]。除了主諧波以外的諧波層層相加，在定子與轉(zhuǎn)子間的固體上產(chǎn)生損耗，即渦流損耗。渦流損耗正比于轉(zhuǎn)速平方，磁滯損耗正比于轉(zhuǎn)速。對于永磁類電機(jī)的分析，鐵耗在整個(gè)電機(jī)損耗中占有很重要的地位。針對定子損耗進(jìn)行分析計(jì)算如下。

不考慮集膚效應(yīng)時(shí)，鐵芯損耗的計(jì)算公式[17]為

Pv=Ph+Pc+Pe=afBm2+bfBm2+cf1.5Bm1.5，（1）

式中：Ph為磁滯損耗;Pc為渦流損耗;Pe為附加損耗;Bm為磁通密度幅值;a，b，c分別為磁滯損耗系數(shù)、渦流損耗系數(shù)和異常損耗系數(shù)，其中

c=π2γd26ρ，（2）

式中γ，d，ρ分別為電導(dǎo)率、硅鋼片的厚度和鐵磁材料的密度。

定子鐵芯中硅鋼片的鐵芯損耗計(jì)算公式為

PFe=kaPvGFe，（3）

式中：GFe為水輪發(fā)電機(jī)中定子鐵芯中硅鋼片的質(zhì)量;ka為經(jīng)驗(yàn)系數(shù)。

定子軛部損耗系數(shù)的計(jì)算公式為

Phej=afBjm2+bfBjm2+cfBjm1.5，（4）

式中Bj為定子軛部的磁通密度。

定子軛部鐵耗的計(jì)算公式為

PFej=kaphejGj，（5）

式中：Gj為定子軛部的質(zhì)量;ka為系數(shù)，對于同步電機(jī)，當(dāng)容量PN≥100 kVA時(shí)，ka=1.3。

定子齒部的損耗系數(shù)為

phet=afBtm2+bfBtm2+cffBtm1.5。（6）

定子齒部的鐵耗計(jì)算公式為

pFet=kaphetGt，（7）

式中：Gt為定子齒的質(zhì)量;ka為系數(shù)，對于同步電機(jī)，當(dāng)容量PN≥100 kVA時(shí)，ka=1.7。

經(jīng)過有限元計(jì)算，得到定子的各部分磁通密度，代入上述公式中，經(jīng)計(jì)算得到發(fā)電機(jī)定子各部分損耗如下：在空載情況下，齒部的損耗為293 kW，軛部損耗為319 kW;計(jì)算過程中，選取軛部的經(jīng)驗(yàn)系數(shù)為1.39，齒部的經(jīng)驗(yàn)系數(shù)為1.62。經(jīng)過計(jì)算可知，定子齒部鐵耗為309 kW，定子軛部的鐵耗為319 kW。

2 定子溫度的仿真與分析

電機(jī)的磁熱耦合方法一般有2種：單項(xiàng)耦合和雙項(xiàng)耦合。單項(xiàng)耦合先計(jì)算電磁場，獲得損耗，再將損耗結(jié)果施加到電機(jī)各部分，進(jìn)而在溫度場中計(jì)算分析;雙項(xiàng)耦合先進(jìn)行磁場分析，再進(jìn)行電磁計(jì)算，把結(jié)果導(dǎo)入溫度場分析，然后再將溫度場的計(jì)算結(jié)果反饋回電磁場，修改相關(guān)的電磁材料與溫度相關(guān)的屬性參數(shù)后再次計(jì)算、求解，直到達(dá)到收斂為止。單項(xiàng)耦合的優(yōu)點(diǎn)是速度快，節(jié)省時(shí)間，仿真效率高;雙項(xiàng)耦合雖然更加準(zhǔn)確，但是對計(jì)算機(jī)要求高、計(jì)算量大、仿真效率低。故本文采用單項(xiàng)耦合對電機(jī)進(jìn)行溫度分析[18-20]。

根據(jù)理論分析，內(nèi)部的穩(wěn)態(tài)溫升分布的偏微分方程如下[21-22]：

λ2Tx2+λ2Ty2+λ2Tz2=-qv，-λTnS1=q0，λTnS2=-αT-Tf，（8）

式中：T為溫度;qv為內(nèi)部熱源密度;λ為導(dǎo)熱率;n為邊界面單位法向量;q0為通過絕熱面S1的熱流密度;S1，S2分別為求解域的2個(gè)邊界面（絕熱面和對流傳熱面）;Tf為周圍流體介質(zhì)的溫度。

根據(jù)變分原理有：

KT=12∫vλxTx2+λyTy2+λzTz2-Tq，dV+12∫αT-2TfT dS=min，（9）

式中：λx，λy，λz分別為為x，y，z方向上的導(dǎo)熱率;V為求解區(qū)域，當(dāng)KT=0時(shí)，式（9）取得極值。

對求解域進(jìn)行計(jì)算，得到溫度場的計(jì)算方程為

[K]·[T]=[F]，（10）

式中：K為總體系數(shù)矩陣;T為求解域內(nèi)所有節(jié)點(diǎn)組成的溫度矩陣;F為總體熱源矩陣。

上述損耗即為定子的熱源，設(shè)置散熱系數(shù)，認(rèn)定定子內(nèi)部熱傳遞已達(dá)到穩(wěn)態(tài)，忽略熱輻射，最后進(jìn)行仿真，結(jié)果如圖5—圖8所示。圖5為定子整體的溫升情況，圖6為定子鐵芯齒部的溫升圖，圖7為定子繞組的溫升情況，圖8為定子絕緣體的溫升情況?？梢钥闯?，定子齒部的溫度低于定子繞組的溫度，這是因?yàn)槔@組熱流密度與定子繞組相比較大，而且鐵芯的散熱更為良好，定子繞組由絕緣體包裹，散熱不好。定子軛部與定子齒部溫度進(jìn)行對比，可以看到前者溫度相對較低，齒部溫度略高，在距離繞組較近且靠近齒部中間出現(xiàn)最值，出現(xiàn)這種現(xiàn)象的原因是齒部與軛部的熱流密度不同，軛部處較小，并且齒部靠近發(fā)熱嚴(yán)重的繞組。

3 大型發(fā)電機(jī)溫度預(yù)測的人工魚群算法模型

電機(jī)內(nèi)不同部位產(chǎn)生的損耗不同，造成電機(jī)局部溫度過高而電機(jī)整體溫度并不高。由于電機(jī)結(jié)構(gòu)復(fù)雜，隨著電機(jī)材料的不斷更替，導(dǎo)致?lián)p耗、散熱系數(shù)、導(dǎo)熱系數(shù)等數(shù)值難以獲取。在非線性系統(tǒng)中，BP神經(jīng)網(wǎng)絡(luò)因其具有強(qiáng)大的映射能力和學(xué)習(xí)能力，因此可以在短時(shí)間內(nèi)對發(fā)電機(jī)內(nèi)部的溫升情況進(jìn)行詳細(xì)預(yù)測，但是BP神經(jīng)網(wǎng)絡(luò)也有局限性，由于BP神經(jīng)網(wǎng)絡(luò)存在學(xué)習(xí)速度慢、容易陷入局部極小值等缺陷，所以采用人工魚群算法（AFSA）對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，并使用優(yōu)化之后的算法預(yù)測大型水輪發(fā)電機(jī)定子的溫度。通過對有限元模型計(jì)算得到的結(jié)果和AFSA模型的預(yù)測結(jié)果進(jìn)行比較分析，證明模型搭建的有效性、可行性[23]。

3.1 輸入信號與輸出信號的關(guān)系

本文將輸入信號設(shè)為Xi，其中i=1，2，…，n。輸出信號設(shè)為Yj，j=1，2，…，m。輸入信號與輸出信號關(guān)系表示為

Sk=∑ni=1vkjXi+vk0， 1≤k≤h，（11）

Zk=σSk， 1≤k≤h，（12）

Yj=∑hk=1ωjkZk+ωj0， 1≤j≤m，（13）

式中：Sk為隱含層輸入;Zk為隱含層輸出;vkj為輸入層與隱含層的連接權(quán)值;vk0為隱含層閾值;ωjk為隱含層到輸出層的連接權(quán)值;ωj0為輸出層的閾值。

通過訓(xùn)練樣本的仿真輸出計(jì)算誤差并反向傳播，不斷調(diào)整權(quán)重和閾值，使結(jié)果能夠滿足誤差要求，誤差函數(shù)表示為

E=12∑ta=1∑mk=1qak-pak2，（14）

式中：qak為實(shí)際輸出;pak為期望輸出。

3.2 基于BP神經(jīng)網(wǎng)絡(luò)的人工魚群優(yōu)化預(yù)測模型

因?yàn)锽P神經(jīng)網(wǎng)絡(luò)閾值和權(quán)值的選取是隨機(jī)的，所以收斂次數(shù)不一致，甚至在規(guī)定次數(shù)內(nèi)無法達(dá)到標(biāo)準(zhǔn)誤差。本文采用人工魚群算法對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化。

3.2.1 人工魚群算法

在一個(gè)D維的空間中人工魚群中個(gè)體的狀態(tài)為Xi=Xi1，Xi2，…，XiD，i=1，2，…，N，每條人工魚表示問題的1個(gè)解。Y表示人工魚當(dāng)前位置的適應(yīng)度，根據(jù)當(dāng)前位置Xi的適應(yīng)度Yi的大小評估其優(yōu)劣，個(gè)體之間距離為dij=‖Xv-Xi‖，通過覓食、聚群、追尾行為尋找最優(yōu)解[24]。

1）覓食行為

Xv=Xi+random·visual，（15）

Xinext=Xi+random·step·Xv-Xi‖Xv-Xi‖。（16）

若Yv>Yi，則表示該位置食物濃度高，人工魚向該方向移動至Xinext，若不滿足并且到達(dá)最大嘗試次數(shù)，則隨機(jī)移動。

2）聚群行為

假設(shè)在t時(shí)刻，人工魚群的狀態(tài)為Xi，在視線范圍內(nèi)的伙伴數(shù)量是Nf，形成集合Si，若不存在其他伙伴，則人工魚執(zhí)行覓食行為，若存在其他伙伴，伙伴群體中心位置為Xc，且YmNf>δYi，則人工魚向該位置移動。

3）追尾行為

人工魚視野范圍內(nèi)最優(yōu)位置為Xm，對應(yīng)的Ym為適應(yīng)度最大值，若YmNf>δYi，表示當(dāng)前位置食物多。

3.2.2 人工魚群優(yōu)化過程

本文要優(yōu)化的變量是神經(jīng)網(wǎng)絡(luò)的Vki，ωjk，bk，bj，每條人工魚代表一組神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值。將E的倒數(shù)作為Y值，求適應(yīng)度Y的極大值，見式（17）。

Y=1E=1/12∑ta=1∑mk=1qak-pak2。（17）

基于人工魚群算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)具體步驟如下：

1）設(shè)置BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、權(quán)值以及閾值維度;

2）隨機(jī)生成一個(gè)人工魚群，對其進(jìn)行初始化并設(shè)置其參數(shù);

3）計(jì)算初始化人工魚群中單個(gè)人工魚的適應(yīng)度Y，并比較不同人工魚個(gè)體的Y值的大小，用最優(yōu)的Y值更新公告板;

4）人工魚在視野范圍內(nèi)尋找同伴，并比較Y值大小，執(zhí)行覓食、追尾、聚群等行為，繼續(xù)尋找Y的最優(yōu)值;

5）對公告板信息以及迭代次數(shù)進(jìn)行更新儲存，在此基礎(chǔ)上，判斷是否滿足約束條件，滿足條件，跳出迭代，繼續(xù)下述步驟，否則，再次進(jìn)行迭代尋優(yōu);

6）輸出最優(yōu)解以構(gòu)建BP神經(jīng)網(wǎng)絡(luò)，進(jìn)行模型預(yù)測。

3.3 評估指標(biāo)

通過平均絕對百分比誤差yMAPE和均方根誤差yRMSE2種誤差指標(biāo)評價(jià)3號機(jī)組定子繞組溫度和定子鐵芯上端部溫度，誤差越小，預(yù)測模型越準(zhǔn)確。2種誤差計(jì)算公式如式（18）和式（19）所示[25-26]：

yMAPE=100%n∑n1=1yai-ypiyai，（18）

yRMSE=∑ni=1yai-ypi 2n。（19）

式中：n為預(yù)測結(jié)果的總個(gè)數(shù);yai為第i個(gè)測試點(diǎn)的實(shí)際值;ypi為第i個(gè)測試點(diǎn)的預(yù)測值。

3.4 預(yù)測結(jié)果與分析

張河灣蓄能發(fā)電公司監(jiān)控改造后系統(tǒng)提高了電機(jī)各部分溫度檢測采樣頻率，利用提高采樣頻率后的數(shù)據(jù)和提高采樣頻率前的數(shù)據(jù)進(jìn)行定子溫度預(yù)測，通過BP神經(jīng)網(wǎng)絡(luò)對2種頻率下的溫度進(jìn)行預(yù)測對比，并通過人工魚群算法優(yōu)化。將機(jī)組有功功率、無功功率、勵磁系統(tǒng)A套電流、上導(dǎo)軸承溫度、下導(dǎo)軸承溫度作為輸入信號，輸出信號為定子繞組溫度、鐵芯上端部溫度、鐵芯下端部溫度。其中勵磁系統(tǒng)A套電流數(shù)據(jù)如圖9所示。

在本文中，將BP神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置為25次輪回顯示1個(gè)結(jié)果，學(xué)習(xí)速度為0.01，最大訓(xùn)練次數(shù)為5 000，均方誤差為0.000 1。圖10和圖11顯示了人工魚群算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)對溫度的預(yù)測。

BP神經(jīng)網(wǎng)絡(luò)和人工魚群算法優(yōu)化的預(yù)測值的平均絕對百分比誤差和均方根誤差如表2所示。

綜上可知，張河灣公司將頻率提高后，預(yù)測精度有所提高，AFSA-BP算法對溫度的預(yù)測精度同樣提高。相較于低頻采樣頻率，高頻采樣頻率下的定子繞組溫度RMSE和MAPE均有所下降，并且AFSA-BP算法的誤差最小。高頻采樣頻率的定子鐵芯上端部溫度和下端部溫度的RMSE和MAPE均小于低頻情況下的，并且AFSA-BP誤差最小。采樣頻率的提高及預(yù)測算法的優(yōu)化降低了預(yù)測溫度誤差，極大地提高了預(yù)測精度，可為判斷發(fā)電機(jī)定子溫度異常提供準(zhǔn)確的參考數(shù)據(jù)。

4 結(jié) 論

本文以張河灣抽水蓄能公司的立軸半傘式水輪發(fā)電機(jī)（最大功率為268 MW）為例進(jìn)行研究，得出結(jié)論如下。

首先，利用有限元方法分析電機(jī)的電磁場，通過仿真得到磁通密度云圖和磁感線分布圖，結(jié)合相應(yīng)公式進(jìn)行計(jì)算，從而得到電機(jī)各部分對應(yīng)的損耗，針對損耗存在的位置和情況，可以對電機(jī)構(gòu)造改進(jìn)和優(yōu)化提供理論參考，對于電機(jī)的性能提升具有現(xiàn)實(shí)意義。

其次，采用磁熱耦合有限元分析和理論計(jì)算相結(jié)合的方法，得出了大型水輪發(fā)電機(jī)定子溫度變化情況，穩(wěn)定運(yùn)行之后，水輪發(fā)電機(jī)定子最高溫度主要表現(xiàn)在定子內(nèi)側(cè)繞組的位置上，經(jīng)過分析可知，主要是因?yàn)槎ㄗ永@組材料的絕緣性以及散熱性存在問題，需要加以改善，驗(yàn)證了磁熱耦合在水輪發(fā)電機(jī)當(dāng)中應(yīng)用的可行性。

最后，在溫度預(yù)測模型方面，根據(jù)張河灣公司提供的監(jiān)控改造后的數(shù)據(jù)，采用AFSA-BP溫度預(yù)測模型的效果明顯高于單一的BP溫度預(yù)測模型，yMAPE和yRMSE的數(shù)值明顯下降，說明AFSA對于BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化效果良好，避免了BP神經(jīng)網(wǎng)絡(luò)陷入局部最優(yōu)等問題，提高了預(yù)測精度。

綜上所述，有限元模型的搭建、AFSA-BP溫度預(yù)測模型的使用，在大型水輪發(fā)電機(jī)的優(yōu)化設(shè)計(jì)過程中有很好的應(yīng)用前景，對一般電機(jī)同類問題的解決也具有一定的參考價(jià)值。

本文僅分析說明了定子齒部與軛部損耗較大并產(chǎn)生較高溫度，但并沒有提出有效解決溫升的方案，針對此類問題進(jìn)行優(yōu)化設(shè)計(jì)將是該類電機(jī)下一步的研究方向。

參考文獻(xiàn)/References：

[1] 饒雙全，李建富，周光厚，等.大型水輪發(fā)電機(jī)阻尼繞組對不對稱運(yùn)行的影響分析[J].水電與抽水蓄能，2020，6（5）：43-48.

RAO Shuangquan，LI Jianfu，ZHOU Guanghou，et al.Analysis of the influence of damping winding of large hydro-generator on asymmetric operation[J].Hydropower and Pumped Storage，2020，6（5）：43-48.

[2] 付文秀，蘇杰.基于果蠅優(yōu)化算法的水輪發(fā)電機(jī)組PID參數(shù)優(yōu)化[J].計(jì)算機(jī)仿真，2015，32（2）：383-386.

FU Wenxiu，SU Jie.Optimal PID governor tuning of hydraulic turbine generators with drosophila optimization[J].Computer Simulation，2015，32（2）：383-386.

[3] LUU P T，LEE J Y，LEE J H，et al.Electromagnetic and thermal analysis of permanent-magnet synchronous motors for cooperative robot applications[J].IEEE Transactions on Magnetics，2020，56（3）：1-4.

[4] 張敬齋.RBF神經(jīng)網(wǎng)絡(luò)在水輪發(fā)電機(jī)故障診斷中的應(yīng)用[J].計(jì)算機(jī)仿真，2011，28（12）：314-317.

ZHANG Jingzhai.Research on hydraulic generator faults diagnosis based on PSO-RBFNN[J].Computer Simulation，2011，28（12）：314-317.

[5] 郝福剛.1000MW水輪發(fā)電機(jī)端部電磁場及結(jié)構(gòu)件損耗分析計(jì)算[D].哈爾濱：哈爾濱理工大學(xué)，2010.

HAO Fugang.Calculation and Analysis of Electromagnetic Field and Losses in End Structural Components for 1 000MW Hydro-generator[D].Harbin：Harbin University of Science and Technology，2010.

[6] 杜燦勛，桂衛(wèi)華，周光厚.大型全空冷水輪發(fā)電機(jī)定子線棒損耗和溫度場綜合計(jì)算[J].中國電機(jī)工程學(xué)報(bào)，2012，32（12）：111-119.

DU Canxun，GUI Weihua，ZHOU Guanghou.Excessive losses and temperature field calculation of stator coil bars in air-cooled large hydro-generators[J].Proceedings of the CSEE，2012，32（12）：111-119.

[7] 梁艷萍，孫洋，孫玉田.1 000 MW水輪發(fā)電機(jī)定子股線環(huán)流損耗分析計(jì)算[J].電機(jī)與控制學(xué)報(bào)，2011，15（7）：65-70.

LIANG Yanping，SUN Yang，SUN Yutian.Calculation and analysis on circulating current losses in the stator bar strands of a 1 000 MW hydro-generator[J].Electric Machines and Control，2011，15（7）：65-70.

[8] 張大為，湯蘊(yùn)璆，遲速，等.大型水輪發(fā)電機(jī)定子最熱段三維溫度場的有限元計(jì)算[J].哈爾濱電工學(xué)院學(xué)報(bào)，1992（3）：186-194.

ZHANG Dawei，TANG Yunqiu，CHI Su，et al.The calculation of 3D temperature field in the hottest region of hydroelectric generator stator by FE method[J].Electric Machines and Control，1992（3）：186-194.

[9] 韓力，范鎮(zhèn)南，周光厚，等.大型水輪發(fā)電機(jī)電磁場模型及其對溫度場的影響[J].重慶大學(xué)學(xué)報(bào)，2010，33（9）：47-55.

HAN Li，F(xiàn)AN Zhennan，ZHOU Guanghou，et al.Electromagnetic field models and their influences on the temperature field of large hydro-generator[J].Journal of Chongqing University，2010，33（9）：47-55.

[10]HAMEYER K，DRIESEN J，DE GERSEM H，et al.The classification of coupled field problems[J].IEEE Transactions on Magnetics，1999，35（3）：1618-1621.

[11]安然，閆業(yè)翠，馬其華，等.電動汽車輪轂電機(jī)溫度場計(jì)算研究綜述[J].軟件導(dǎo)刊，2020，19（8）：275-280.

AN Ran，YAN Yecui，MA Qihua，et al.Review of the research in temperature field calculation of in-wheel motors for electric vehicles[J].Software Guide，2020，19（8）：275-280.

[12]岑崗，張晨光，岑躍峰，等.基于近端優(yōu)化的永磁同步電機(jī)溫度預(yù)測方法[J].汽車技術(shù)，2021（3）：26-32.

CEN Gang，ZHANG Chenguang，CEN Yuefeng，et al.A temperature prediction method of PMSM based on proximal optimization[J].Automobile Technology，2021（3）：26-32.

[13]侯冶，徐海龍.基于NARX的牽引電機(jī)溫度預(yù)警技術(shù)研究[J].大電機(jī)技術(shù)，2020（6）：27-32.

HOU Ye，XU Hailong.Research on temperature abnormal warning of traction motors based on NARX[J].Large Electric Machine and Hydraulic Turbine，2020（6）：27-32.

[14]潘柏根，趙云峰，張俊，等.基于無感線圈應(yīng)用于電機(jī)在線檢測和監(jiān)控的探究[J].微電機(jī)，2020，53（12）：100-103.

PAN Baigen，ZHAO Yunfeng，ZHANG Jun，et al.Research on application of non-inductance coil in on-line detection and monitoring of motor[J].Micromotors，2020，53（12）：100-103.

[15]周龍南，高波，周云飛，等.簡述異步電機(jī)定子繞組溫度的檢測方法[J].內(nèi)燃機(jī)與配件，2018（18）：136-137.

[16]梁艷萍，張沛，陳晶，等.1 000 MW空冷水輪發(fā)電機(jī)端部結(jié)構(gòu)件渦流損耗[J].電工技術(shù)學(xué)報(bào)，2012，27（12）：213-218.

LIANG Yanping，ZHANG Pei，CHEN Jing，et al.Eddy current losses of end structures for 1 000 MW air-cooled hydro-generator[J].Transactions of China Electrotechnical Society，2012，27（12）：213-218.

[17]梁艷萍，孫洋，孫玉田.1 000 MW水輪發(fā)電機(jī)定子股線環(huán)流損耗分析計(jì)算[J].電機(jī)與控制學(xué)報(bào)，2011，15（7）：65-70.

LIANG Yanping，SUN Yang，SUN Yutian.Calculation and analysis on circulating current losses in the stator bar strands of a 1 000 MW hydro-generator[J].Electric Machines and Control，2011，15（7）：65-70.

[18]朱殿華，郭偉，張雪.水輪發(fā)電機(jī)通風(fēng)散熱系統(tǒng)的耦合仿真與參數(shù)分析[J].水力發(fā)電學(xué)報(bào)，2009，28（4）：176-180.

ZHU Dianhua，GUO Wei，ZHANG Xue.Study on simulation of fluid-solid thermal coupled fields for the ventilation and heat rejection system of hydrogenerator[J].Journal of Hydroelectric Engineering，2009，28（4）：176-180.

[19]安蔚瑾，許紅靜，郭偉，等.水輪發(fā)電機(jī)定子三維溫度場數(shù)值模擬[J].天津大學(xué)學(xué)報(bào)，2008，41（8）：967-971.

AN Weijin，XU Hongjing，GUO Wei，et al.Numerical simulation of three-dimensional temperature field for stator of hydro-generator[J].Journal of Tianjin University，2008，41（8）：967-971.

[20]廖旭升.水輪發(fā)電機(jī)轉(zhuǎn)子阻尼繞組溫升過高的原因綜述[J].廣西水利水電，2007（2）：49-50.

LIAO Xusheng.Analysis of too high temperature rise of turbine generator rotor damper winding[J].Guangxi Water Resources & Hydropower Engineering，2007（2）：49-50.

[21]韓力，范鎮(zhèn)南，周光厚，等.大型水輪發(fā)電機(jī)電磁場模型及其對溫度場的影響[J].重慶大學(xué)學(xué)報(bào)，2010，33（9）：47-55.

HAN Li，F(xiàn)AN Zhennan，ZHOU Guanghou，et al.Electromagnetic field models and their influences on the temperature field of large hydro-generator[J].Journal of Chongqing University，2010，33（9）：47-55.

[22]朱殿華，郭偉.水輪發(fā)電機(jī)多物理場綜合優(yōu)化設(shè)計(jì)[J].天津大學(xué)學(xué)報(bào)，2011，44（3）：277-282.

ZHU Dianhua，GUO Wei.Integrated optimization design of hydro generator based on multi-physics field[J].Journal of Tianjin University，2011，44（3）：277-282.

[23]胡向東，李秋實(shí).基于人工魚群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的WSN數(shù)據(jù)融合[J].重慶郵電大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，30（5）：614-619.

HU Xiangdong，LI Qiushi.WSN data fusion based on neural network optimized by artificial fish swarm algorithm[J].Journal of Chongqing University of Posts and Telecommunications（Natural Science Edition），2018，30（5）：614-619.

[24]金秀章，于靜，劉岳.基于人工魚群—徑向基神經(jīng)網(wǎng)絡(luò)的NOx預(yù)測模型[J].動力工程學(xué)報(bào)，2021，41（7）：551-557.

JIN Xiuzhang，YU Jing，LIU Yue.NOx prediction model based on artificial fish swarm-radial basis function neural network[J].Journal of Chinese Society of Power Engineering，2021，41（7）：551-557.

[25]李澤陽，鄭飂默，李備備，等.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的機(jī)床溫度預(yù)警[J].組合機(jī)床與自動化加工技術(shù)，2021（9）：81-84.

LI Zeyang，ZHENG Liaomo，LI Beibei，et al.Temperature warning of machine tool based on improved BP neural network[J].Modular Machine Tool & Automatic Manufacturing Technique，2021（9）：81-84.

[26]胡志洋，李翠梅，薛天一.基于灰色關(guān)聯(lián)和ABC-BP神經(jīng)網(wǎng)絡(luò)的葉綠素a濃度預(yù)測[J].水電能源科學(xué)，2021，39（1）：55-58.

HU Zhiyang，LI Cuimei，XUE Tianyi.Prediction of chlorophyll-a concentration based on grey relational analysis and ABC-BP neural network[J].Water Resources and Power，2021，39（1）：55-58.

收稿日期：2021-09-23;修回日期：2021-10-12;責(zé)任編輯：馮 民

基金項(xiàng)目：國家自然科學(xué)基金（51877070）;國網(wǎng)新源控股有限公司科研項(xiàng)目（KJ_2020_153）

第一作者簡介：李 勇（1981—），男，河北石家莊人，高級工程師，碩士，主要從事抽水蓄能機(jī)組監(jiān)控系統(tǒng)方面的研究。

通訊作者：李 爭教授。E-mail：Lzhfgd@163.com

李勇，陳波，王宗收，等.

基于磁熱耦合特性的水輪發(fā)電機(jī)定子溫度預(yù)測

[J].河北科技大學(xué)學(xué)報(bào)，2021，42（6）：553-560.

LI Yong，CHEN Bo，WANG Zongshou，et al.

Prediction of stator temperature of hydro-generator based on magnetic-thermal coupling characteristics

[J].Journal of Hebei University of Science and Technology，2021，42（6）：553-560.