發電機定子故障在線預警系統指標的研究

楊 濤

（五凌電力有限公司五強溪水電廠，湖南懷化 418000）

0 引言

五強溪水電廠位于沅水干流，為湖南最大的水電廠，自1996 年投產發電，已為湖南省提供超過1000 億度的清潔能源電量，安全生產記錄居全國大型水電廠前列，單機為240 MW，共5 臺混流式機組。

發電機絕緣的好壞影響著機組的穩定運行，絕緣故障將會引起發電機一系列問題，給電廠造成巨大的維修費用。目前水電廠4 號機組于2016 年安裝發電機局放在線監測裝置，該裝置采用加拿大iris 設備，該設備在行業內運行穩定可靠，實時監測定子絕緣放電情況[1]。

發電機定子電壓、負荷、定子溫度、環境溫度等都對定子絕緣局部放電數據產生影響，隨著工業大數據、人工智能的發展，為了進一步提供局放放電監測的準確性，排除上述因素的相關干擾，以及能實現發電機絕緣故障的故障預警、智能報警功能，且避免絕緣系統的損壞，延長系統的使用壽命，取得巨大經濟效益，確保機組安全運行，可以降低電站人力成本，作為避免事故發生，減小設備維護成本，經濟效益明顯。通過建立量化指標體系，便于水電廠橫向、縱向對標管理，可準確制定檢修計劃，客觀評價檢修效果，對推進電站的精細化管理具有非凡的意義。有效的機組故障指標體系展示使復雜的發電機絕緣問題，被降解為指標的計算和判定問題，有效簡化現場專業人員的分析判斷工作。

1 機組在線預警系統介紹

五強溪水電站已建立一個具備故障預警、健康評價和運行優化功能的應用系統。該系統已接入機組振擺系統、計算機監控系統相關數據、4 號機組發電機局放在線監測系統等多種數據，可以自動從海量的傳感器數據中，挖掘出有價值的特征“指標”，指標可以通過WEB 界面直觀顯示，運維人員可以直接找到故障，迅速做出判斷和決策。

該平臺算法采用基于KDM 平臺結構，在此平臺可以對故障特征量設計開發，無需編寫源代碼或二次開發，且使用公式化邏輯語言和圖形，對實時數據監測量進行各種計算，如乘、除、加、減、、最小值、最大值傅里葉變換等，能開發適合水電廠的相關發電機指標。軟件采用模塊化設計，形成可拼裝組態式的積木式結構。

在研究發電機絕緣在線監測指標以及在線預警及劣化趨勢分析算法中，采用平臺相關算法配置工具進行使用，建立新的故障指標以及算法。

2 發電機局部放電介紹

發電機絕緣局部放電是絕緣介質在足夠強的電場作用下局部范圍內發生的。局部放電可能發生在液體絕緣的氣泡中、固體絕緣的空穴中、具有不同特性的絕緣層之間，以及半導電（或金屬）電極的尖銳邊緣處。

發電機絕緣故障有絕緣內部空隙破壞、繞組松動、繞組端部污染、繞組熱退化、相間短路等多種故障[2]。發電機定子絕緣破壞是一個緩慢的、且受多種因素影響，如機械因素，發電機電氣因素、環境因素、熱因素等。

發電機負荷、定子電壓、定子溫度、環境濕度等因素都可以影響局部放電而影響測量結果，結合機組工況以及溫度量進行建模分析。

（1）定子電壓對局放量的影響。發電機局部放電量會隨著電壓上升而增大，但由于發電機正常情況下定子電壓處于額定穩定狀態。

（2）運行溫度對局放量的影響。溫度對局放量的影響較大，由于熱脹冷縮的原理，當溫度升高時，由于熱膨脹作用，絕緣內部空隙會變小或者甚至消失，此時，局放量會隨著溫度的升高呈下降的趨勢。如果局放是發生在線棒表面，局放會隨溫度上升而增大，呈正比關系。

（3）其他因素對局放量的影響。發電機由于電氣因素中磁拉力不均，機械因素中機組結構安裝問題等，造成機組振動過大，對發電機絕緣都有著較大的破壞和磨損，在很多現場會在發電機端部增加振動傳感器進行復合監測發電機定子絕緣情況，水電廠由于已安裝一套完整的機組振擺在線監測系統，測點有定子基座振動、擺度等，在本次研究中，也將振擺數據引入對比分析。

3 指標設計原理

通過發電機定子絕緣局部放電分析，發電機局放量與機組運行工況密切相關，發電機局放量大小與定子電壓、溫度和有功等工況參數間的關聯曲線是反映機組健康狀態的一種有效表現形式。因此，對發電機組工況過程進行監測，不僅可以為發電機組穩定性分析提供可靠的信號資源，而且可以為機組故障原因分析提供一種有效的判斷依據。反而，如果忽略運行工況對機組監測量的影響，僅僅孤立的采用發電機局放量信號分析技術進行機組健康樣本的提取，可能會導致分析結果不準確。為此，在以前特征值提取方式下，詳細分析不同工況下監測量的曲線特征值；通過融合發電機組工況與監測量信號，提取了特征量與工況的關聯規則；采用監測量與機組有功、定子電壓、定子鐵芯溫度等工況參數作為健康樣本特征值的提取，有效提升了特征量的代表性。算法挖掘如圖1 所示。

圖1 算法挖掘示意

4 故障診斷指標的設計

發電機絕緣故障有絕緣內部空隙、槽放電、半導體層絕緣失效、繞組端部放電、相間短路等多種故障。主要造成故障的原因有繞組松動、繞組端部污染、繞組熱退化等，需要分析在不同工況下發電機局放量的特征值，算法流程如圖2 所示。運用算法計算需要的特征量，具體計算過程如下：

圖2 算法流程

（1）中間量算法。使用算法模板（發電A、B、C 三相實時監測的正、負局放量），計算出發電機局放量。

（2）三維模型算法。將第一步計算出來的三相局放量作為三維的Z 軸，用有功和定子鐵芯溫度作分別為X 軸和Y 軸，進入三維模型算法中進行收斂計算。

（3）指標算法。將三維模型中收斂出來的鐵芯溫度影響量進行圈點，選擇額定工況附近、在定子鐵芯設計溫度80%以上的特征、緩變信號進行提取，作為發電機局放指標的特征值、緩變量輸出。

（4）閾值算法。對從三維模型中提取出來的特征值、緩變量進行預警配置。

（5）故障診斷算法。使用故障診斷算法模板，將提取的發電機局放量特征值、緩變量、結合發電機定子基座振動特征量、發電機擺度特征量，進入故障診斷算法中計算，得出健康指標。

設計開發的預警指標：①發電機A 相局正部放電量；②發電機A 相局負部放電量；③發電機B 相局正部放電量；④發電機B 相局負部放電量；⑤發電機C 相局正部放電量；⑥發電機C 相局負部放電量。

此指標為預警發電機三相絕緣的模型特征信號，對發電機局部放電量進行實時監測，局放量表征為發電機絕緣的破壞速度及程度，指標量可直觀判斷出發電機定子某一相絕緣情況。此指標計算需要用到發電機三相局放數據、機組有功和定子鐵芯溫度，這些數據直接在平臺數據庫獲取，并且使用其算法平臺，不僅能實時計算出發電機局部放電量，且實時數據通過收斂算法不停與歷史數據進行對比分析，從而進行趨勢分析及趨勢預警分析。

當此指標發出預警信號時，應當對發電機進行檢查，查看發電機絕緣是否異常，機組絕緣若有異常，則停機處理。

設計開發的健康診斷指標：①發電機繞組松動特征量；②發電機相間短路特征量；③發電機半導體絕緣失效特征量；④發電機槽放電特征量。

此指標計算需要用到發電機三相局放數據、機組有功和定子鐵芯溫度，發電機定子基座特征值和機組擺度特征值，借助在線預警系統及算法引擎，將計算的指標值對比歷史數據進行報警閾值判定后推送至應用平臺顯示界面，并且可提前2～8 周提出健康診斷和故障預警。

以上指標對應的故障缺陷以及檢修建議如下：

（1）繞組松動，電壓應力圖層惡化，安排停機及重繞線匝，安排停機及離線測試；進行線匝末端絕緣增強。

（2）熱退化、浸漬不良，性能測試，安排停機及重繞線匝。

（3）周期性變負荷、過熱，性能測試，安排停機及離線測試，重繞線匝。

5 結束語

盡管國內發電機運維水平已非常成熟，但發電機絕緣變化是一個緩慢的過程，隨著國內越來越多的發電機組運行時間越來越長，發電機絕緣破壞對機組會產生突發性故障，影響機組安全穩定運行，對電廠的運維成本、電網的穩定都有非常大的影響，因此，應充分了解發電機內部絕緣情況，并對發電機狀態進行實時監測分析，避免突發性故障、延長兩次機組檢修時間，有利于實施“狀態檢修”計劃，為電站的長期、穩定、安全運行提供重要保證。

當前水電站的運維正在逐步走向集中控制及區域化管理，這為工業大數據分析技術提供了更加廣闊的施展空間，大數據分析將成為工業運維不可或缺的部分。在五強溪水電廠大數據平臺的基礎上，應該不斷提高大數據庫內數據的可靠性、真實性，并不斷提高對大數據挖掘的水平，對機組健康狀況進行更為精準的判定及故障隱患的及時發現。