基于大數據的智能水電站狀態分析方法

艾遠高，羅仁彩，余志強，黃家志

（長江電力三峽水力發電廠，湖北 宜昌443133）

1 引言

智能電網、智能水電站關鍵設備研制工作的深入展開，以及計算機監控、保護測控、狀態監測等自動化系統的廣泛應用，促進了自動化控制、信息技術在水電站狀態分析的快速發展，迎來了水電大數據時代。

大數據技術，即從各種類型數據中，快速獲取有價值信息的能力，是數據分析的前沿技術[1]。大數據具備“4 V”特征，即規模大（Volume）、類型多（Variety）、價值密度低（Value）和變化快（Velocity）[2]。在大數據時代，水電機組每天持續增長的數據量、信息量，對水電設備的狀態分析水平有了更高的要求。當前，大數據技術在電力行業還處于起步階段，在設備狀態分析領域的大數據技術有時間序列分析、遺傳規劃算法等，通過尋找設備信息間的關聯關系，大數據技術提高了設備異常狀態分析準確性[3]。

本文闡述了水電機組及大數據的特點，在此基礎上，提出了智能狀態分析方法，計算機組設備性能指標，開展狀態異常分析，同時建立了智能健康狀態關聯分析模型，并利用此方法對水電機組設備狀態進行分析，為機組進行狀態檢修決策提供依據與參考。

2 水電機組現狀

2.1 水電機組特征

當前，我國水電機組特征主要有：

（1）單機容量巨大，穩定運行要求高。機組直接影響著電力系統穩定、可靠運行[4]，而大容量、高參數和高水頭變幅工況條件對當前水電機組安全穩定運行提出了更高要求。

（2）機組結構復雜，設備分析難度大。電站內機組類型眾多，機組因設備制造廠家工藝和技術不同而不同，機組設備特性和運行機理都還處于數據積累與不斷探索中，設備狀態分析難度大。

（3）自動設備眾多，狀態分析挑戰多。為有效地監控、分析機組運行狀況，使用了大量包含機組保護、在線監測的自動化設備。系統之間交互接口、數據信息共享面臨嚴峻挑戰，機組設備狀態分析信息共享和功能有待進一步提高。

2.2 水電機組大數據特點

水電機組作為電網發電環節的重要組成部分，具有大數據的典型特征：

（1）數據類型繁多。機組數據廣域分布、種類眾多，包括實時數據、歷史數據、文本數據、多媒體數據、時間序列數據等各類結構化、半結構化數據以及非結構化數據，各類數據查詢與處理的頻度和性能要求也不盡相同。比如，機組設備狀態監測數據中的瓦溫數據1 min采樣一次，而變壓器絕緣放電數據的采樣速率高達幾百kHz和MHz，甚至GHz。

（2）數據體量巨大。不少電站機組均配備了LCU、調速和勵磁、智能抄表、工業電視、保護錄波、設備狀態監測與分析等自動化系統，每個系統產出的數據體量巨大，僅以某巨型水電站機組LCU數據為例，每臺機組LCU數據點有3 000余個，按采樣間隔1 s計算，該電站年產生的LCU數據即達TB級。

（3）處理速度快。水電設備“水力”、“機械”、“電氣”相互耦合，異常情況下需在秒級內對大量數據進行分析，以支持設備分析決策制定。對在線狀態數據的處理性能要求遠高于離線數據。這種在線的流數據分析與挖掘方式，同傳統數據挖掘技術相比有本質的不同[5]。

（4）價值密度低。以機組主變局部放電數據為例，連續不間斷監測過程中，可能有用的數據僅僅有1～2 s。水電設備所采集的絕大部分數據都是正常數據，只有極少量的為異常數據，而異常數據則是狀態檢修最重要的憑證之一。

3 智能狀態分析方法

基于大數據的機組智能狀態分析方法如圖1所示，在機組設備狀態海量數據獲取基礎上，對設備性能指標自動計算，檢測設備是否發生性能指標越限和性能降低；開展設備狀態異常自動分析，綜合運用閾值分析和趨勢分析等方法，如發現狀態異常則實時報警；同時，根據機組海量運行數據，建立機組健康狀況關聯參數，通過構建水電機組異常狀態識別模型來智能識別、評估設備健康狀況，開展基于大數據的機組狀態分析，為機組實現大數據智能應用及檢修決策提供依據。

圖1 基于大數據的智能水電站狀態分析方法

3.1 性能指標自動計算

性能直接反映系統設備健康狀況的水平，因此，可以通過評價系統的性能來掌握設備的健康狀況。設備的性能評價通過性能指標來體現[6]。

在機組自動化系統實現自動識別機組工況過程或試驗項目后，根據性能指標計算要求自動記錄工況過程或試驗過程數據，在過程結束后根據公式、算法或經驗指標實現性能指標的自動計算。

如機組調速液壓系統中，油泵的打油速度QL（t）是評價調速液壓系統油泵的重要性能指標，一個油泵加卸載周期內打油速度可認為是常數，其中，HC（t1）、HC（t2）分別為t1、t2時刻集油容器中（以集油容器底部為基準）的油位，通過監控系統通信獲得；S（HC）為集油容器在高度HC處的集油面積。

同時，在水電站運行、維護人員現場日常巡檢、設備分析中，結合工作實際和使用習慣，調速油液壓系統有如下現場性能指標：

加卸載間隔時間TD：在相鄰兩次打油均為自動打油的條件下，后一次壓油泵啟泵打油時間與前一次啟泵打油時間之差，單位為分鐘（min）。

日加卸載次數ND：24 h內自動打油條件下壓油泵啟動加卸載次數，單位為每日次（次/d）。

3.2 狀態異常自動分析

系統狀態異常分析主要通過狀態報警閾值自動分析計算方法[6]來實現。一般來說，每個狀態Ct都有其低限Cmin和高限Cmax，在某些情況下，Ct還有低低限Clmin和高高限Chmax這些閾值限制通常可以參考相關的標準或相關設備制造廠家提供的規定。如果：Cmin≤Ct≤Cmax，則設備狀態正常；否則，可能發生了異常故障（包括報警級和保護級異常）。另外，如果設備的運行狀態量朝正常閾值范圍外變化且變化速度較快，則發生了異常。

同樣，與性能指標計算類似，對于有些設備的運行狀態，沒有國家標準可以參考，報警閾值的設定需要根據監測方法和實際機組運行經驗來確定，并通過運行實踐修正。

3.3 健康狀況智能關聯

根據機組運行海量數據，包括結構化數據、非結構化數據、試驗數據、照片數據及交互分析數據等確定反映機組運行狀態的特征量。根據影響特征量的運行條件參數，確定各特征量在不同運行條件下的標準值及指標值，手動或自動建立機組健康狀況智能關聯。通過綜合分析電站機組大數據，結合大數據趨勢，建立包含設備工況相關聯分析模型。

進而通過觀察設備性能變化趨勢，檢測性能降低或者降低的程度，評估設備健康狀況，為設備狀態檢修提供決策依據。

（1）閾值分析

閾值分析即是根據機組監控系統、調速控制器（及傳感器）采集的實時運行數據，采用數據校驗法對其進行分析。數據校驗的參考值是系統運行的正常范圍的閾值，如高高限、高限、低限、低低限等，通過對比分析，在實時運行大數據中識別異常數據。

某電站壓油系統運行閾值如表1所示，以壓油罐油位為例，調速系統正常工作狀態下，油位值應自動保持在2 600～2 860 mm之間，當通過狀態監測發現壓油罐油位實時運行值低于2 600 mm或高于2 860 mm時，就可以認為出現了數據狀態異常，然后以此異常作為事件來觸發壓油罐油位異常分析流程進行故障分析。

表1 某電站壓油系統運行參數表（部分）

（2）工況關聯分析

設備運行狀態和機組運行工況密切相關。工況關聯分析是指狀態參數、性能指標隨設備工況變化趨勢（如油位變化率隨有功調節（導葉開度）、補氣閥啟停變化等）進行分析。

對調速液壓系統而言，通過關聯機組有功P、油泵打油性能p等工況參數，來分析、判斷調速油系統運行狀態是否正常、是否存在性能降低。如判斷機組有功調節下油位變化率，機組調節負荷有功變化過程中，導葉開度隨之變化，導致調速油系統用油量變大，油系統壓油泵加卸載時間變短，加卸載次數變多。

即通常情況下，可用數學函數表達算式

來定義調速液壓系統油泵設備P（O）的狀態分析模型，相關聯的狀態指標有機組有功P，油泵打油性能p及設備環境溫度T等。

（3）對比分析

對比分析方法包括橫向性能對比和縱向性能對比。通過相似機組同工況下的計算性能指標對比，或與歷史相同工況條件下的特征參數對比，可以排查出設備狀態模型中性能指標異常參數，進而對設備健康狀態做出評價。

例如，單個油泵加卸載周期計算得出的特征參數只能反映油泵當前的性能，無法對設備是否異常（故障）的真實原因做出客觀評價。而對比分析往往能反映出設備打油情況和結構的損壞程度，因此有必要對調速油系統特征參數進行對比分析。

通過健康狀態智能關聯分析，對發生狀態突變和健康度低于預設值（不同機組、不同參數的健康度預設值不同）的時刻進行預警，建立最終的機組異常狀態智能識別模型。

4 方法應用

以某電站巨型水電機組全工況調速液壓系統油泵狀態分析為例說明狀態分析、設備健康狀況智能識別方法的應用。

某電站機組液壓系統1號泵運行時，集油槽油溫升高速度異常，進而導致設備報警，如下頁圖2所示。

（1）閾值分析

該機組液壓系統1號油泵運行時集油槽油溫曾多次達到高限閾值（50℃）的報警值。同時，如果將運行1號泵切至其他泵，溫度又可快速下降至正常范圍。

圖2 某電站機組調速油系統油泵運行趨勢分析截圖1

（2）關聯分析

結合水電站機組調速液壓系統大數據，如圖3所示，1號泵運行時，一次加卸載周期平均為13.5 min；3號泵運行時，一次加卸載周期平均為12 min。結合機組趨勢分析系統數據，統計比較后發現該機組1號泵運行時，一次加載將油壓從6.1 MPa打至6.3 MPa加載油壓上升速度過慢，需要時間明顯比其他泵長。

圖3 某電站機組調速油系統油泵運行趨勢分析截圖2

通過查詢機組趨勢分析系統，大數據統計、計算比較后發現該機組該段時間范圍內1號泵運行時，將油壓從6.1 MPa加載至6.3 MPa需要的加載時間明顯比其他泵長，如表2所示。

表2 某電站機組調速系統油泵運行大數據分析表

同時，由圖2、圖3可知，1號油泵未運行時，集油槽冷卻器可以維持油槽油溫在正常范圍，即可排除油冷卻器及管路等其他設備可能（設備環境溫度T）的問題。

綜合表2和圖2、3數據，即有，調速液壓系統油泵設備狀態分析模型P（O）=f（P，p，T）中關聯的狀態指標機組有功P、設備環境溫度T未出現明顯異常。

對比調速液壓系統油泵設備狀態分析模型相關聯的狀態指標機組有功P、油泵打油性能p及設備環境溫度T指標，可知，1號泵的打油效率偏低是造成集油槽油溫升高報警的一個主要原因。即該情況下，調速液壓系統油泵設備狀態分析模型P（O）=f（P，p，T）因油泵p性能出現異常，壓油泵打油效率降低，導致此時油泵回路效率降低，使得集油槽油溫快速升高而報警。

5 結語

本文在闡述了水電機組特征及大數據的特點基礎上，結合水電站數據特性，提出了智能水電站機組狀態分析方法，對機組設備性能指標自動進行計算，開展設備狀態異常自動分析；同時，根據機組運行大數據、機組健康狀況關聯參數，構建水電機組異常狀態智能識別模型，對機組設備關聯分析，評估設備健康狀況。并將基于大數據的機組狀態分析方法應用于某巨型水電站機組設備分析上，取得了較好效果。實踐證明該方法具有可行性和實用性，拓展了機組設備狀態分析方法，具有廣闊的應用前景。