劣化分析技術在水口電站趨勢預警中的應用

鄭 杰

（福建水口發電集團有限公司，福建 福州035004）

0 前言

隨著我國水電事業的大力發展，水電裝機規模和單機容量也快速增長，大容量、高水頭及水頭變化大的工況條件使當前電站運行安全和機組運行安全面臨更大挑戰。穩定性指標作為評價水輪發電機組性能的三大指標之一，直接影響水電廠的安全和效益，對電力系統穩定性和可靠性擔負著重要作用，因此也越來越受到大家的重視。水電機組的劣化水平體現設備的健康狀況，直接關系到水電站的安全穩定運行等重要的安全和經濟效益指標，其社會效益巨大。本文以福建水口集團各水電站機組為背景,結合各電站機組的結構特點,綜合水電機組穩定性、能量特性等因素，提出了一種基于劣化分析的趨勢預警方法。

1 故障預警在水電廠應用現狀

目前，我國水電廠的運行方式正處在“無人值班，少人值守”模式的發展時期，為了使機組在此模式下能夠安全、經濟、可靠地運行，對機組的健康評價和故障預警越來越得到了重視。目前水電機組往往采用現場試驗和簡單限值比較的方式進行狀態評估和監測預警，這種方法雖然在一定程度上能夠對部分機組異常運行起到預警和保護的作用，但由于水輪機組運行工況復雜，受水力干擾明顯，這種簡單的方法越來越無法滿足現場的需求。因此，基于劣化的設備健康評級及預警方法也就越來越得到大家的認可和推崇。

基于力學的劣化評估方法是以結構部件失效與破壞的動力學特性為基礎，來評估設備的劣化程度。這種方法最早應用于軍事領域，并逐漸在電子產品機內測試（BIT）、發動機健康監控、結構件健康監控、齒輪箱、液壓系統健康監控等具體領域得到了應用和發展。Howard、Liu Qia、李靜等人都在這個方向上做了大量的理論研究，在齒輪嚙合中齒面硬度疲勞失效、軸系疲勞損傷方面都取得了不錯的應用效果。區別于常規設備，水電機組受水、機、電、磁等多場耦合作用，其劣化失效過程往往非常復雜，因此在水電機組的劣化分析領域，目前的研究還處于起步的階段。

2 水輪發電機組基于劣化分趨勢預警的評價方法

2.1 劣化的評價方法

針對水電機組這一典型的多部件、多因素的復雜系統，需要采用設備健康評價模型為“設備評價-設備部件評價-基礎特征指標劣化評價-特征參數”4層體系的設備綜合劣化評價模型，對機組進行準確描述。也就是按照“設備部件基礎特征參數→計算基礎特征參數劣化指數→計算部件劣化指數→計算設備劣化指數”的流程來進行劣化評價，最終得到設備（發電機、水輪等）的劣化評價指數，其模型示意圖見圖1。

2.2 特征參數提取

通常衡量機組振動水平大小主要采用通頻峰峰值、有效值。從結構疲勞老化角度來講，更高頻的振動會加速結構的疲勞過程，而且在水輪發電機組中不同故障通常與特定的頻率相關。因此從進行劣化評價的角度而言，不僅應考慮振動通頻峰峰值、有效值，而且更應綜合考慮與故障相關的頻率成分的變化，以頂蓋部件為例，其典型的劣化特征參數見表1。

表1 典型特征參數（轉輪室部件部分）

水電機組在一定的水頭和負荷下會形成特定的振動區，機組不能在該區域內長時間連續運行，否則易導致各部件連接松動、引發零部件或焊縫疲勞裂紋。因此需要表征水電廠振動區劣化特性。表2是反映機組振動區劣化的特征參數。

在理想條件下，水輪發電機組在同樣的水頭、負荷（或導葉開度）下，水輪機效率（耗水率）應該是近似不變的，因此在同樣的水頭、負荷（或導葉開度）下，水輪機效率的下降(或耗水率的上升)能在一定程度上反映出水輪機結構的損傷或性能的退化，反映機組能量變化的特征參數如表3所示。

表2 反映機組振動區劣化的特征參數

表3 機組能量特征參數

2.3 機組設備劣化評價模型

通過大量機組失效案例和統計規律得出，機組劣化往往不是呈線性狀態，而是分階段逐步劣化的，其劣化狀態成“浴盆曲線”，浴盆曲線如圖2所示，本文提出3種劣化數學模型，分別為Li_linear線性退化模型、Li_e1指數退化模型1、Li_e2指數退化模型。

圖2 機組劣化浴盆曲線圖

（1）線性退化模型下的劣化指數：

（2）早期敏感型指數退化模型下的劣化指數（退化因子K2=2.0）：

（3）晚期敏感型指數退化模型下的劣化指數（退化因子K1=2.0）：

2.4 水電機組劣化指數的趨勢預警算法選擇

進行趨勢預警，核心是要解決趨勢預測問題。根據歷史數據預測正常條件下的劣化指數變化規律，再與實際測量獲得的指數進行比較，檢測是否已經發生偏離，通過設定合理的偏離值，來實現趨勢預警。

在水輪發電組的振動、擺度信號趨勢預測中，需要結合水電機組數據特征選擇恰當的趨勢預測方法。總體來說，機組狀態參數有以下特點：

（1）振動、擺度與機組功率之間的強非線性

具體表現在機組的振動、擺度、壓力脈動與機組負荷、工作水頭并非線性關系，而且在振動負荷區偏離設計水頭工況下振動、擺度會急劇變化。圖3是水口1號機組不同水頭下上導X擺度測值和機組負荷相關曲線（縱坐標是擺度X，橫坐標是機組功率）。

圖3 不同水頭下上導擺度X與機組負荷之間的相關曲線

從圖3可以看出，在同一水頭下，擺度與機組負荷呈現非線性的關系。尤其是在100～140 MW負荷區間，微小的負荷變化，將會引起機組擺度、振動的較大變化。另外，在同樣的負荷（及同一個水頭）條件之下，測量獲得的擺度并不是固定的一個值，而是呈現出一個較為穩定的分布范圍，這就是擺度、振動的隨機性特點

（2）機組運行特點導致的工況的有限性

由于機組存在振動區的問題，大多數機組在運行調度時會避開振動區運行，這樣導致的結果是在線監測系統無法采集到振動負荷區的振動、擺度數據；另外，由于水電站水情和調度的原因，機組運行的工作水頭往往局限的靠近設計水頭附近的若干個水頭之下，因此在線監測系統難以采集到更多更全水頭下的振動、擺度數據。圖4為水口電站6號機組不同負荷下的上導擺度測量的數據。

圖4 6號機組上導擺度與機組負荷之間的相關曲線

從圖4中可以看出，6號機組的上導擺度在有功30～100 MW之間無任何數據，證明機組在該負荷區無穩定運行過，但是對分析系統而言，振動、擺度、氣隙為主要因素計算形成的設備及設備部件劣化指數也應具備上述特點。因此需要將上述特點對照到各類回歸算法，分析各類算法的適用性。

因此，從可靠的工程實踐出發，這里采用了基于機組負荷、工作水頭、無功等多個工況邊界參數的多維分格趨勢預測算法，來檢測劣化指數的趨勢變化。

3 趨勢預警案例分析

本文以水口3號機組水輪機的關鍵部件頂蓋的劣化指數為基礎進行分析計算。為了簡化說明，頂蓋劣化指數僅采用表4所示6個特征參數進行劣化計算。

表4 簡化的頂蓋劣化指數計算模型

水口電站3號機組于某年8月28日發生了較為嚴重的事故。由于當時安裝在該機組上的在線監測只采用擺度的峰峰值報警，因此未能及時提前發現事故征兆，未能對該機組的故障作事故預警，但是采用劣化趨勢的方法可以很有效的對此故障進行識別。

圖5為機組正常運行時用表4計算得到的頂蓋劣化分布圖，從圖中可以看出頂蓋劣化指數分布在88.6～97.3之間，其平均劣化指數為92.0。

圖5 53～53.5 m水頭、195～200 MW下頂蓋劣化指數分布圖

圖6為事故前后頂蓋劣化指數分布圖，從圖中可以看出，在8月15日頂蓋劣化指數已經偏離了原來統計樣本的下邊界88.6，說明在8月15日該機組已經產生缺陷。隨后，頂蓋劣化指數繼續下降，說明該機組的缺陷繼續發展和擴大，8月24日后劣化指標開始快速下降，到8月26日劣化指標已經達到最低值，最小劣化指標甚至達到了52.67，持續降低的劣化指標說明該機組缺陷發展加速。此后劣化指數稍有回升，但是依然遠低于原來正常狀態下的邊界，說明該機組缺陷已經發展到永久不可恢復的缺陷，直到8月28事故發生，機組停機。

圖6 事故前后頂蓋劣化指數變化圖（53～53.5 m水頭、195～200 MW）

4 結束語

引起水電機組劣化失效的因素有很多，在本文中提出的多維度、多參數融合的劣化評價模型雖然具有一定的全面性，但是設備的失效模式是非常復雜的，對水電機組劣化失效分析來說還屬于起步階段，后期還需要進一步研究機組的劣化機理和失效模式。