瓦斯發電機組外循環冷卻系統節能改造

原寬

【摘?要】目前，我國的各行各業的發展迅速，發電機組的安全與穩定運行是電網能否穩定運行的先決條件，對發電機組進行實時狀態監測與故障診斷可及時發現電網的隱患，且對保證發電機組的穩定運行具有重大意義。發電機一般由定子、轉子、端蓋、機座以及軸承等零部件組成，而每個單獨的零部件又由很多的零部件構成。由于發電機的組成元件過于復雜，因此如何有效設計發電機組的監測點、有效提取到發電機組的狀態信息就尤為困難。因此，有效地對發電機進行狀態監測與故障診斷具有很高的工程應用價值與實際意義。

【關鍵詞】瓦斯發電機組;外循環冷卻系統;節能改造

引言

煤礦瓦斯發電機組采用外循環的冷卻水開式設計，一套冷卻水循環系統可供多臺發電機組冷卻降溫，存在不節能現象?，F從冷卻水循環系統節水、節電兩方面入手，著重分析冷卻水循環系統的運行方式，根據瓦斯發電機組的開機率改變其對應的運行方式。通過運行數據分析，節能改造取得了很好的經濟效益，達到節水、節電的目的。

1發電機電壓表指示有誤，影響并網10個小時

2001年10月6日，1號機組多次并網操作中，自動同期裝置均不能輸出合閘信號，導致10個小時不能并網;并伴隨過激磁V/HZ保護動作報警，但發電機電壓表計指示為20kV、空載頻率指示50HZ，均為額定值。期間，電氣維修人員對自動同期裝置、AVR系統、并網TV二次電壓輸出、各測量回路、電氣保護及邏輯、并網斷路器及其操作回路等進行了全面排查，未發現異常。當了解上述情況后，立即建議更換發電機20kV電壓表。措施采納后，發電機很快并網成功。即在不到10分鐘內解決了10個小時不能并網的重大事件。異常的正確判斷，是由一組數據開始的。當時，發電機出口電壓及主勵磁機空載勵磁電流、勵磁電壓表指示分別為20kV、60.5A、4.05V。在正?？蛰d額定運行時，由于定子鐵芯磁通未進入磁飽和狀態，上述三個特性數據相互之間應為線性比例（或接近線性比例）關系，而當時這種對應關系實際發生了一點偏差。即勵磁參數60.5A、4.05V之間呈現對應關系，而勵磁參數60.5A、4.05V與發電機出口電壓20kV之間均不能比例對應。并且主勵磁機空載勵磁電流、勵磁電壓已大于額定空載數值（57A、3.84V）5%左右，而發電機電壓為20kV，等于額定值。由此可判斷：既然勵磁參數之間符合比例關系，那么主勵磁機空載勵磁電流、勵磁電壓表應判斷為指示準確;而由發電機電壓與空載勵磁電流、勵磁電壓均不成比例，且已校驗其傳感器輸出正常，可初步判斷發電機電壓表表頭指示有誤，即偏小。這是此次異常分析的關鍵。因勵磁參數已超過空載值，雖然發電機電壓表計指示相對偏小，但實際開入同期裝置的電壓量可能已偏大，并超出允許范圍，這同時可由V/HZ保護報警證實，并由此保護動作閉鎖了自動同期裝置，所以機組不能并網。并網時，操作及技術人員疏忽了主勵磁機空載勵磁電流、勵磁電壓與發電機電壓數值的線性對應關系，過度依賴指示有誤的發電機電壓表，為滿足電機出口額定為20kV電壓的并網條件，過度升高了勵磁參數，使發電機實際電壓超出范圍而不能實現并網。根據多年經驗，每次并網發電機電壓達20kV時，受各種因素的影響，空載勵磁電流及勵磁電壓與其額定值總有一點偏移，這是造成疏忽的主要原因。另外，該機組電氣表采用美國GE公司產品，投產10多年，從未發生差錯，這也是本次并網異常未能及時正確分析的原因之一。根據上述分析，現場更換了電壓表，實際發電機電壓已超過21kV，證明判斷正確，也就及時解決了此次并網異常。

2概述

公司煤層氣公司下屬瓦斯發電場由6個發電站組成，共裝機17臺，總裝機容量8.5？MW。瓦斯發電機組外循環冷卻泵耗電是電站自用電的主要組成部分。原設計外循環冷卻泵兩用一備，可以滿足3臺機組同時運行時的冷卻水量要求，而單臺機組運行時的裕量被大量浪費。另據統計，由于氣源緊張，2009年瓦斯發電場各發電站單臺機組運行時間超過全年運行時間的65%以上，可見因單機運行造成的外循環冷卻泵的裕量浪費是巨大的。經對系統進行分析提出：將可以保證3臺機組同時運行的兩用一備外循環冷卻泵的工作方式變為單臺機組運行時一用兩備的工作方式，在節電的同時減少上塔冷卻水的散失，達到節水的目的。瓦斯發電場下設6個發電站，按每站單機全年累計運行8個月計算，則可以實現節約用電3.8×105？kW·h，節約用水1.6×104？m3，折合節約費用約2.27×105元。

3基于大數據技術發電機故障診斷

3.1聚類算法

基于大數據挖掘技術的設備故障診斷方法是通過故障異常狀態參量的聚類分析來挖掘設備異常的故障模式。在本文中主要通過DBSCAN（Density-BasedSpatialClusteringofApplicationswithNoise），基于密度的聚類算法）。DBSCAN是一種常見的聚類算法，其用于聚類的基本思想可以簡述如下：（1）DBSCAN通過檢查數據集中每個點的δ鄰域（該鄰域的大小由算法給定）來搜索簇，如果任意一點的δ鄰域包含多于給定點數，則創建一個以該點為核心對象的簇;（2）接步驟（1），如果簇內的每一個點均滿足聚類條件則對簇進行拓展，否則計該點為噪聲點;（3）重復步驟（2），當沒有新點添加到任何簇時，迭代過程結束。最終可以得出聚類的類別與數目。

3.2異常檢測

大數據挖掘技術主要通過異常檢測的方式來實現對故障的監測。異常檢測的方法有很多，例如隔離森林、局部異常因子監測、自組織映射神經網絡（self-organizedmaps，SOM）等。其中本文采用的基于SOM異常檢測方法，SOM的學習過程不同一般的神經網絡，其可以不用提前給定任何目標輸出。其基本思想上可以簡述為：當輸入矢量輸入到網絡后，網絡利用隨機選取的權值進行計算，尋找到最優的神經元，然后調整權值，用收縮鄰域與學習因子（隨時間而收縮）的辦法，最終使取值形成一組能映射輸入的數據，當網絡自組織形成時，訓練即結束。一般而言SOM的神經元是一個二維規則的單元格（一般有六邊形、矩形），其中每一個神經元均可以由一組向量表達鄰近神經元，且神經元之間是根據一定的拓撲關系進行關聯。其中SOM的實現步驟可以簡述為，將輸入特征向量進行歸一化后，反復訓練SOM。每訓練一步，計算SOM權值與特征向量之間的“歐式距離”，最終選取最短距離的神經元為最佳匹配單元（Bestmatchingunit，BMU），BMU的本質就是權值矢量與輸入向量之間最為接近的單元。

結語

文章所提的基于大數據挖掘技術的發電機故障診斷與預測性維護技術，在一定程度實現了發電機的故障診斷。在此基礎之上實現了對發電機的預測性維護，該方法避免了傳統狀態監測與故障診斷方法的不足，進一步提高了發電機的狀態監測與故障診斷效率。進一步提升了海上電網的安全性能，提高了實際工程應用價值。

參考文獻：

[1]陳雪峰，李繼猛，程航，等.風力發電機狀態監測和故障診斷技術的研究與進展[J].機械工程學報，2011，47（009）：45-52.

[2]汪喆.基于大數據分析的風電機組運行狀態監測評估[D].2016.

[3]任震，黃群古，黃雯瑩.基于實值小波變換的發電機故障檢測新方法[J].中國電機工程學報，2000，020（006）：58-60，64.

[4]張佰順.風力發電機狀態監測和故障診斷技術的研究[J].黑龍江科技信息，2014（30）：61-61.

（作者單位：河南工學院）