电厂辅机系统高压大功率电动机数字孪生建模及应用.pdf

电厂辅机系统高压大功率电动机数字孪生建模及应用戴鑫1，郑鹏飞1，张海艳1，刘晓敏1，杨广亮2（1.包头东华热电有限公司，内蒙古包头014040；2.华北电力大学 电气与电子工程学院，北京102206）0引言感应电动机（Induction Motor，IM）是电力系统中的重要动态负荷，在工业负荷中占比约 90%1。精确掌握电动机的运行状态对保障电力系统的稳定运行具有重要意义。利用数字孪生（DigitalTwin，DT）技术2在虚拟空间建模，可实现对物理实体的状态监控与故障预警，已经广泛应用于电动机制造、电力物联网构建3-5等领域，为电厂辅机系统高压大功率电动机的状态检测及故障预警提供新思路。已有学者在电动机状态检测方面开展了大量A b s t r a c t：Aiming at the problems in monitoring the status of highvoltage and highpower motors in power plant auxiliarysystems,this paper proposes a digital twin(DT)modeling method.In order to avoid inapplicability of the model due to timevarying motor parameters,the DT model periodically uses improved particle swarm optimization algorithm to identify andupdate motor parameters online.To meet the real time requirements of motor status monitoring and fault warning,anadaptive variable step size algorithm is proposed.Based on the amplitude and asymmetry of the simulation and actualcurrent vector,transient processes such as abrupt change of load and asymmetric faults can be determined quickly.Finally,the DT model is applied to a 6 kV,1600 kW induction motor in the auxiliary system of the power plant.The resultsindicate that the DT model can quickly and accurately identify operating conditions of the motor,therefore ensuring the realtime diagnosis of motor operating conditions.K e yw o r d s：induction motor;digital twin;variable step size simulation;fault identification;parameter identificationD i g i t a l T w i nM o d e l i n ga n dA p p l i c a t i o no fH i g h Vo l t a g ea n dH i g h Po w e rM o t o r si nPo w e rPl a n tA u x i l i a r ySy s t e msDAI Xin1,ZHENG Pengfei1,ZHANG Haiyan1,LIU Xiaomin1,YANG Guangliang2（1.Baotou Donghua Thermal Power Plant,Baotou014040,China;2.School of Electrical and Electronic Engineering,North China Electric Power University,Beijing102206,China）摘要：针对电厂辅机系统中高压大功率电动机状态监测存在的问题，提出了一种电动机数字孪生建模方法。为避免电动机参数时变导致模型不适用，孪生模型周期性采用改进粒子群算法在线辨识并更新电动机参数。为满足电动机状态监测及故障预警的实时性要求，采用了自适应变步长算法，可根据仿真与实际电流矢量的幅值、不对称度，迅速判断电动机是否存在突加负载、不对称故障等暂态过程。最后，针对电厂辅机系统中一台6 kV、1600 kW感应电动机进行数字孪生建模。结果表明，孪生模型能够迅速、准确地识别电动机运行工况，确保电动机工况诊断的实时性。关键词：感应电动机；数字孪生；变步长仿真；故障识别；参数辨识文献标志码：B文章编号：1008-6218（2023）05-0042-06中图分类号：TM32doi:10.19929/ki.nmgdljs.2023.0068引用格式：戴鑫，郑鹏飞，张海艳，等.电厂辅机系统高压大功率电动机数字孪生建模及应用J.内蒙古电力技术，2023，41（5）：4247.DAI Xin,ZHENG Pengfei,ZHANG Haiyan,et al.Digital Twin Modeling and Application of HighVoltage and HighPowerMotors in Power Plant Auxiliary SystemsJ.Inner Mongolia Electric Power,2023,41(5):4247.内 蒙 古 电 力 技 术INNER MONGOLIA ELECTRIC POWER基金项目 华电集团内蒙古能源有限公司科技项目“高压大功率电动机运行态势感知研究”（1011D202200472）2023年第41卷第5期42研究，目前感应电动机检测方法主要包括传统有线监测、无线监测6-8及基于智能算法的监测方法9-11。针对传统监测方法需要布置众多传感器、接线繁琐等问题10，文献6利用微型智能低功耗的传感器构建无线传感器网络系统，实现对电动机数据的无线监测，避免了大量布线，具有不受复杂环境影响且经济、方便等优点。在智能算法方面，文献9提出了一种四元数算法，结合电动机工况判据，仅需较小的样本即可精确判断电动机是否存在轴承故障或机械不平衡。文献12利用边缘计算技术，在靠近边缘设备处分析数据，仅传输少量数据至云端，有效降低了电动机故障无线监测的网络带宽成本。文献13提出了一种时域平均算法来准确监测故障特征。另外还有根据检测的物理量（如电流14、振动15、温度16等信号）的监测方法。例如，文献17-18通过监测电流矢量判断电动机是否发生了故障；文献19通过电压瞬时频率监测感应电动机的轴承状态。综上所述，以往针对电动机工况辨识及故障预警的研究主要集中在无线监测、智能算法等方面，而将数字孪生技术运用于电动机检测的研究较少。本文基于电动机经典电磁暂态模型，针对电厂辅机系统中的一台6 kV、1600 kW感应电动机进行数字孪生建模。实际应用结果表明，孪生模型能够快速、准确地识别电动机工况，验证了孪生模型适用于电厂辅机系统高压大功率电动机的实时状态监测。1电动机数字孪生建模及算法1.1数字孪生系统结构数字孪生模型不仅包含基于物理的微分代数模型，还包括基于数据驱动的模型，涉及内容较广。本文主要针对数字孪生模型的电气部分建模及其与实际电动机的数据交互开展研究，提出的电动机数字孪生系统包括感应电动机、数据采集模块、孪生仿真模块、电动机运行态势评测模块。其中数据采集模块用于采集电动机定子电流等关键信号；孪生仿真模块实现电动机的精确建模，并与实际电动机实时交互；电动机运行态势评测模块用于分析电动机运行工况并实现故障预警等功能。电动机数字孪生系统结构示意图如图1所示。1.2感应电动机数学模型为了便于采用粒子群算法辨识电动机参数，选取了定子电流、转子磁链、转速为状态变量。考虑到本文采用定子矢量图判断电动机运行工况，因此模型建立在静止坐标系上。感应电动机状态方程如式（1）式（4）所示。x=Ax+Bu r=n2pLm()isr-isr-npTLLrr/()JLrr，（1）x=isisrrTu=ususT，（2）A=0Lm()LssLrrTrrLm()LssLrr0-rLm()LssLrrLm()LssLrrTrLm/Tr0-1/Tr-r0 Lm/Trr-1/Tr，（3）B=1/Lss00 00 1/Lss0 0T，（4）式中：x为状态变量；A为系统矩阵；B为输入矩阵；u为输入矢量；x、分别表示x、的导数；is、is、r、r分别为、轴定子电流分量与转子磁链分量；us、us为、轴定子电压；r为电角速度；Rs、Rr分别为定转子电阻；Lss、Lrr分别为定、转子总电感；Lm表示定转子互感；np为极对数；J为转动惯量；为漏感系数，=1-L2m/()LssLrr；Tr为 转 子 时 间 常 数，Tr=LrrTr；为中间变量，=-()RsL2rr+RrL2m()LssL2rr；TL为负载转矩。1.3电动机参数在线辨识方法电动机参数的准确性将影响孪生模型仿真结果，进而影响对电动机工况判断的准确性。为了避免电动机不同工况下参数时变带来的影响，孪生模型周期性地采用粒子群算法进行在线参数辨识。图1感应电动机数字孪生系统结构Fig.1 Structure of IM digital twin systemM无穷大电网传感器感应电动机数据采集模块孪生仿真模块电动机状态评估电动机运行态势评测模块Us、Is图中：Us机端电压；Is电动机电流。2023年第41卷第5期戴鑫，等：电厂辅机系统高压大功率电动机数字孪生建模及应用43为便于计算，假设定、转子总电感相同，即Lss=Lrr。标准粒子群算法易陷入局部最优解，为有效控制粒子速度达到局部与全局搜索能力的平衡，本文采用基于压缩因子的改进粒子群算法20计算电动机参数，待求参数为4维向量Rs,Rr,Lss,LmT，粒子群的位置、速度更新公式如式（5）式（6）所示：vid()k+1=xvid()k+c1r1pid()k-xid()k+c2r2pgd()k-xid()kxid()k+1=xid()k+vid()k+1，（5）=2|2-2-4，（6）式中：vid()k、xid()k分别为第d维搜索空间中第i粒子的第k次迭代的速度和位置；r1、r2是0与1之间的随机数；c1、c2分别为个体、群体加速因子；为压缩因子；为中间变量，=c1+c2；pid()k、pgd()k分别为第d维第i个粒子与全体粒子的历史最优位置。算法的适应度F（即目标函数）为定子电流仿真与实测值的偏差，如式（7）所示：F()Rs,Rr,Lss,Lm=k=1Nl%s()k-is()k2+l%s()k-is()k2，（7）式中：N为数据个数；l%s()k、l%s()k为、轴第k步定子电流的实测值；is()k、is()k为、轴第k步定子电流的计算值。电流的计算值由式（1）离散化可得，如式（8）所示。is()k+1=is()k+dt2-a11is()k+a12r()k+a13 r()k r()k+a14u s()kis()k+1=is()k+dt2-a11is()k+a12r()k-a13 r()k r()k+a14u s()k，（8）式中：dt2为孪生模型仿真步长；u s()k、u s()k为、轴第k步定子电压的实测值；r()k、r()k为第k步、轴转子磁链实测值；r()k为第k步转速实测值；a11，a11，a11，a14为系数，a11=RsL2ss+RrL2m/()L3ss，a12=Lm/()L2ssTr，a13=Lm/()L2ss，a14=1/()Lss。1.4自适应变步长算法为了缩短数字孪生系统的仿真耗时，实现与电动机的实时联合仿真，孪生模型采用自适应变步长算法。根据孪生模型与电动机实测值的偏差确定孪生模型仿真步长，如式（9）式（11）所示。自适应变步长算法示意图如图2所示。L=max|i*s-isi*s,|i*s-isi*s，（9）T=5，L0.14，0.07L0.13，0.04L0.072，0.004L0.041，L0，当 电 流 实 测 值 I,m(I)与 计 算 值 I,c(I)的 偏 差 在()1-I,avg(I),()1+I,avg(I)区间内时，认为电动机处于正常运行状态，如式（12）式（13）所示。图2自适应变步长算法示意图Fig.2 Schematic diagram of adaptive variabledt2dt1L=0.12L=0.08L=0.05由状态变量偏差确定仿真步长数字孪生仿真步长表1电动机工况实用判断方法Tab.1 Practical judgment method for IMoperating conditions电流矢量图幅值突然变大正圆变为椭圆曲线存在波动定子电压情况电压正常定子电压增大电压正常电压不对称电压正常电压含谐波工况诊断负载转矩突增等工况电压增大导致电流增大发生匝间短路等不对称故障电压不对称导致电流不对称电动机内部引起的电流谐波电压谐波导致电流谐波2023年第41卷第5期内 蒙 古 电 力 技 术44当孪生仿真系统测量到一定程度的电流偏差时，即从备选故障（转子断条、匝间短路等）模型库中选择与实际最匹配的模型，从而识别故障。I,avg(I)=h=1HIh,m(I)-Ih,c(I)H，（12）式中：H表示周期个数。()1-I,avg(I)|I,c(I)-I,m(I)()1+I,avg(I)。（13）1.6数字孪生仿真整体流程本文提出的数字孪生模型仿真流程如图4所示。具体包含以下步骤：（1）由传感器测得电压、电流等数据，并删除异常数据。（2）判断是否需要更新电动机参数。如需要，则采用粒子群算法计算电动机参数并更新。（3）计算状态量仿真与计算值的最大偏差L，并根据式（11）确定数字孪生仿真步长dt2。（4）求解感应电动机状态方程。（5）结合电流矢量图与电动机工况实用判别方法，判断电动机运行状态。2算例分析为了验证数字孪生模型的实际效果，将其应用于某电厂辅机系统中的一台高压大功率感应电动机。首先运用基于压缩因子的改进粒子群算法辨识电动机参数，算法中采用的参数如表2所示。迭代过程中适应度变化曲线如图5所示。辨识得到的电动机参数如表3所示，算法寻优总耗时6.87 s。实测电流与孪生模型计算的电流矢量如图6所示。传感器测量步长dt1为250 s。由图6可知，计算所得电流矢量图为正圆，而实测电流矢量图偏离正圆。表明实际电动机的三相电流不完全对称，但偏离正圆的程度较小，故不认为其发生了不对称故障。此外，实测电流矢量图存在一定程度的波动，是由电动机本体导致的谐波引起的。图3不同工况的电流矢量图Fig.3 Current vector diagrams under differentoperating conditions正常幅值增大II090180270090180270正常变为椭圆II180270II090正常波动（a）突加负载（b）匝间短路（c）谐波干扰图中：I、I分别为电流的幅值与相位。图4数字孪生仿真流程图Fig.4 Digital twin simulation flow chart开始从实际运行中的感应电动机采集定子电压、电流和转速，并去除异常数据判断是否需要更新电动机参数采用粒子群算法计算电动机参数是否计算状态量最大偏差值L确定仿真步长dt2求解感应电动机状态方程对比计算与实测的电流矢量图判断电动机工况结束2023年第41卷第5期戴鑫，等：电厂辅机系统高压大功率电动机数字孪生建模及应用45表4对比了采用传统模型与数字孪生模型计算5 s稳态与暂态过程的仿真耗时，其中暂态过程以电动机突加负载为例。为确保仿真精度，传统模型的步长选定为50 s；孪生模型根据自适应变步长算法自动调节步长。由表4可知，当电动机稳态时，采用数字孪生模型的耗时相比传统模型缩短了2.90 s；暂态时，仿真耗时缩短了2.54 s。表明本文所提的自适应变步长方法在电动机不同工况下均能够有效缩短仿真耗时，提升了电动机状态监测的效率。3结论本文针对电厂辅机系统中高压大功率电动机状态监测存在的问题，建立了感应电动机数字孪生模型，确立了实际电动机与虚拟电动机的数据交互方法，并通过电动机工况实用判断方法判断电动机运行状态。最后进行了实验验证，主要结论如下：（1）所提出的自适应变步长算法根据仿真与实测值确定仿真步长，能有效缩短仿真耗时，满足状态监测的实时性要求。（2）提出基于电流矢量的电动机工况实用判断方法，结合电压情况，能够区分出电动机稳定运行时的微小电流波动，并判断电动机是否存在不对称故障、突加负载等暂态工况。（3）针对6 kV、1600 kW感应电动机进行实验验证，结果表明，本文提出的数字孪生系统在稳态、暂态仿真耗时分别缩短了2.90 s与2.54 s，且能准确判断电动机运行工况，体现了孪生模型的有效性。参考文献：1 孙华东，周孝信，李若梅.感应电动机负荷参数对电力系统暂态电压稳定性的影响J.电网技术，2005，29（23）：16.SUNHuadong,ZHOUXiaoxin,LIRuomei.Influenceofinductionmotorloadparametersonpowersystemtransientvoltage stabilityJ.Power System Technology,2005,29(23):16.2 陶飞，刘蔚然，刘检华，等.数字孪生及其应用探索J.计算机集成制造系统，2018，24（1）：118.TAO Fei,LIU Weiran,LIU Jianhua,et al.Digital twin and表2改进粒子群算法参数Tab.2 Parameters of improved particle swarmoptimization algorithm参数粒子数个体加速因子群体加速因子粒子速度上界粒子速度下界粒子位置上界粒子位置下界符号nc1c2vmaxvminpmaxpmin数值502.052.051.0-1.01.00表3电动机参数Tab.3 Motor parameters参数额定电压/kV额定功率/kW定子电阻/转子电阻/励磁电感/H定子总电感/H转子总电感/H转动惯量/kg m2符号UnPnRsRrLmLssLrrJ数值616000.196 10.160 30.355 60.358 60.358 61920表4不同模型的仿真耗时Tab.4 Consumed simulation time of different models模型类别传统模型数字孪生模型仿真步长定步长50 s变步长工况稳态暂态稳态暂态仿真耗时/s14.0214.5111.1211.97图5算法适应度变化曲线Fig.5 Fitness change curve of the algorithm0100200300迭代次数6420适应度图6仿真与实测电流矢量对比Fig.6 Comparison of simulated and measured current ectors904006030033300270240210180150120200实测计算II2023年第41卷第5期内 蒙 古 电 力 技 术46itspotentialapplicationexplorationJ.ComputerIntegratedManufacturing Systems,2018,24(1):118.3 任巍曦，张文煜，李明，等.基于数字孪生的风电机组轴承故障诊断方法研究J.弹箭与制导学报，2022，42（3）：97104.REN Weixi,ZHANG Wenyu,LI Ming,et al.Fault diagnosisof wind turbine bearing based on digital twinJ.Journal ofProjectiles,Rockets,Missiles and Guidance,2022,42(3):97104.4 石浩，杨祖伟，张佳欣.基于数字孪生的电机智能车间研究与应用探索J.电机与控制应用，2021，48（5）：105112.SHIHao,YANGZuwei,ZHANGJiaxin.Researchonintelligent workshop of motor based on digital twinJ.ElectricMachines&Control Application,2021,48(5):105112.5 赵鹏，蒲天骄，王新迎，等.面向能源互联网数字孪生的电力物联网关键技术及展望J.中国电机工程学报，2022，42（2）：447458.ZHAOPeng,PUTianjiao,WANGXinying,etal.Keytechnologiesandperspectivesofpowerinternetofthingsfacing with digital twins of the energy internetJ.Proceedingsof the CSEE,2022,42(2):447458.6 徐志，杨永明，王波，等.电机定子温度在线监测的无线传感器网络节点设计J.传感器与微系统，2010，29（7）：7880，83.XU Zhi,YANG Yongming,WANG Bo,et al.Wireless sensornetworks node design for motor stator temperature monitoringJ.Transducer and Microsystem Technologies,2010,29(7):7880,83.7 王轶群.基于STM32的电机数据无线采集系统J.仪表技术与传感器，2018，55（3）：6466.WANGYiqun.Wirelessdataacquisitionsystemformotorbased on STM32J.Instrument Technique and Sensor,2018,55(3):6466.8 邓鳌.无线传感网络在大型机电系统健康监测中的应用J.武汉理工大学学报（信息与管理工程版），2006，28（11）：125127，131.DENGAo.ApplicationofwirelesssensornetworkinlargeelectromechanicalsystemhealthmonitoringJ.JournalofWuhan University of Technology(Information&ManagementEngineering),2006,28(11):125127,131.9 CONTRERASHERNANDEZ J L,ALMANAZA D L,LEDESMAS,et al.Quaternion signal analysis algorithm for induction motorfault detectionJ.IEEE Transactions on Industrial Electronics,2019,66(11):88438850.10 LIU D,ZENG H,XIAO Z,et al.Fault diagnosis of rotor usingEMD thresholdingbased denoising combined with probabilisticneural networkJ.Journal of Vibroengineering,2017,19(8):59205931.11 LIANG X,ALI M Z,ZHANG H.Induction motors fault diagnosisusing finite element method:A reviewJ.IEEE Transactionson Industry Applications,2019,56(2):12051217.12 潘显斌，孙康，徐震.基于边缘计算的电机故障智能监测系统J.计算机时代，2022，40（10）：6972，76.PAN Xianbin,SUN Kang,XU Zhen.Intelligent monitoringsystem of motor fault based on edge computingJ.ComputerEra,2022,40(10):6972,76.13 张海刚，尹怡欣，祝乔，等.基于定子电流监控的轴承故障在线监测J.控制理论与应用，2015，32（4）：513520.ZHANGHaigang,YINYixin,ZHUQiao,etal.Onlineapproach for bearing fault detection in induction motor usingstator current monitoringJ.Control Theory&Applications,2015,32(4):513520.14 NANDI S,TOLIYAT H A,LI X.Condition monitoring and faultdiagnosis of electrical motors:A reviewJ.IEEE Transactionson Energy Conversion,2005,20(4):719729.15 ALI M Z,SHABBIR M N S K,LIANG X,et al.Machinelearningbased fault diagnosis for singleand multifaults ininduction motors using measured stator currents and vibrationsignalsJ.IEEE Transactions on Industry Applications,2019,55(3):23782391.16 侯冶，徐海龙.基于NARX的牵引电机温度预警技术研究J.大电机技术，2020，50（6）：2732.HOUYe,XUHailong.Researchontemperatureabnormalwarning of traction motors based on NARXJ.Large ElectricMachine and Hydraulic Turbine,2020,50(6):2732.17 CRUZ S M A,CARDOSO A J M.Stator winding fault diagnosisin threephase synchronous and asynchronous motors,by theextendedPark svectorapproachJ.IEEETransactionsonIndustry Applications,2001,37(5):12271233.18 SCHOEN R R,LIN B K,HABETLER T G,et al.Anunsupervised,online system for induction motor fault detectionusingstatorcurrentmonitoringJ.IEEETransactionsonIndustry Applications,1995,31(6):12801286.19 DALVAND F,KALANTAR A,SAFIZADEH M S.A Novelbearingconditionmonitoringmethodininductionmotorsbased on instantaneous frequency of motor voltageJ.IEEETransactions on Industrial Electronics,2016,63(1):364376.20 翟兆睿，苏守宝.一种动态压缩因子的分数阶粒子群优化J.重庆理工大学学报（自然科学），2019，33（7）：94101.ZHAI Zhaorui,SU Shoubao.A fractionalorder particle swarmoptimizationwithdynamicconstrictionfactorJ.JournalofChongqing Institute of Technology(Natural Science),2019,33(7):94101.编辑：李殊瑶收稿日期 2023-05-15作者简介 戴鑫（1981），男，内蒙古人，学士，工程师，从事火力发电厂技术管理工作。Email：杨广亮（1998），男，江西人，硕士，从事感应电动机建模仿真与故障诊断工作。（通信作者）Email：2023年第41卷第5期戴鑫，等：电厂辅机系统高压大功率电动机数字孪生建模及应用47