基于機理及算法的水電站智能預警方法研究及應用

盧 熹，徐云龍，段 鵬，劉先科

（中國長江電力股份有限公司三峽水力發(fā)電廠，湖北 宜昌 443133）

0 引言

目前，大多數(shù)水電機組已安裝了相當數(shù)量的在線監(jiān)測系統(tǒng)，但未形成規(guī)范的運行、使用和維護，對采集到的數(shù)據(jù)缺乏深入分析和專業(yè)技術人員的技術支持。另外，由于在線監(jiān)測系統(tǒng)生產(chǎn)、安裝調試廠家較多，系統(tǒng)維護又以制造廠家為主，服務及時性和有效性普遍較差，系統(tǒng)運行維護非常困難。水電設備的劣化、缺陷大多數(shù)都有一定的發(fā)展期，其電氣、水力、化學、機械等特性會發(fā)生少量漸進的變化，并出現(xiàn)一些前期征兆。如果對水電設備重要參數(shù)進行連續(xù)或隨機地檢測，及時獲取這些前期征兆信息，并進行綜合分析和處理，則可隨時評估設備的運行可靠性，并根據(jù)其健康狀況有計劃地安排停機檢查和維護[1]。因此，通過建設基于機理及算法的水電站智能預警技術，能及時發(fā)現(xiàn)水電設備的缺陷，準確處理故障設備，有效提高了發(fā)電企業(yè)的安全經(jīng)濟運行能力、電力系統(tǒng)的供電可靠性。

1 定義

基于機理及算法的預警，也稱規(guī)則預警，是指在設備不同運行工況下，依據(jù)表征設備健康運行水平的重要參數(shù)的變化規(guī)律特性，通過制定不同的算法及邏輯組合，當設備參數(shù)值偏離了正常運行經(jīng)驗值、或設備參數(shù)值趨勢發(fā)生異常時，產(chǎn)生預警的一種方法。此算法根據(jù)設備參數(shù)的運行規(guī)律，可通過限定參數(shù)的有效范圍、設備運行工況條件等來選取相應數(shù)據(jù)，故所選擇數(shù)據(jù)都為健康樣本，所建預警邏輯模型可直接應用。規(guī)則預警不同于GBDT、超球等基于數(shù)據(jù)理論的預警模型，需要選取大量健康樣本時段，并對預警模型進行充分訓練后才能使用。

構建設備規(guī)則預警系統(tǒng)的必要條件：①掌握設備運行多年的大量經(jīng)驗數(shù)據(jù)，②熟悉各設備健康運行規(guī)律并了解參數(shù)變化情況。圖1 為構建設備預警系統(tǒng)的完整流程：

圖1 構建預警系統(tǒng)流程圖

2 預警系統(tǒng)構建

2.1 確定設備運行工況

水電站機組運行工況復雜，暫態(tài)過程與穩(wěn)態(tài)過程交織，包括開/停機過程工況、同期/滅磁過程工況、空載/負載穩(wěn)定工況、加/減負荷過程工況、甩負荷過程工況等。運行工況改變通常會引起監(jiān)測數(shù)據(jù)的變化，同時也是對設備的一種檢驗。基于工況的評估與診斷技術是水電機組實施設備健康狀況評估與故障診斷的重要組成部分。在數(shù)據(jù)集成過程中，建立工況過程與監(jiān)測數(shù)據(jù)之間的正常關聯(lián)關系，有助于提高水電站智能預警模型的準確率，有利于更好地開展故障診斷工作。

圖2 機組運行工況

2.2 選取表征設備健康運行的重要參數(shù)

表征水輪機組健康運行的重要特征參數(shù)較多，如發(fā)電機各部溫度、水輪機軸承瓦溫及油槽油位、變壓器溫度及油中氣體含量、電機的運行溫度及啟動頻率、集水井水位變動、水輪發(fā)電機組振動擺度等，如表1 所示。準確選取重要特征參數(shù)參與構建機組狀態(tài)預警數(shù)據(jù)庫，并配置到相應的預警模型中，可確保設備參數(shù)出現(xiàn)異常時及時準確預警，從而提高設備健康運行水平。

表1 設備健康運行重要參數(shù)

2.3 建立特征數(shù)據(jù)庫

水電機組是一個集水力、機械、電氣、控制、輔助等多種設備于一體的復雜系統(tǒng)[2]。監(jiān)測機組的狀態(tài)數(shù)據(jù)對象包括水電站一次和二次設備，如水輪發(fā)電機組、調速系統(tǒng)、勵磁系統(tǒng)、主變壓器、油壓裝置、供氣系統(tǒng)、直流系統(tǒng)、廠用電系統(tǒng)、排水及供氣系統(tǒng)等公用輔助設備，呈現(xiàn)出多源、異構、多度、海量的復雜特性。因此，在選取表征設備健康運行重要參數(shù)的基礎上，建立機組狀態(tài)監(jiān)測特征數(shù)據(jù)庫，如重要參數(shù)不同時段的最大值、最小值、平均值、中位數(shù)、開關量變位次數(shù)、運行時長統(tǒng)計等，可大大縮短預警模型的數(shù)據(jù)調用及運算時間，從而節(jié)約系統(tǒng)預警資源，提高工作效率。

由于構成水電站機組的設備眾多，不同設備的監(jiān)測信息不同，對于同一監(jiān)測對象，反映其性能的狀態(tài)量也會不同，如發(fā)電機定子繞組溫度反映其熱性能、發(fā)電機定子電流、機端電壓反映其絕緣性能。由此可見難以將機組所有的監(jiān)測數(shù)據(jù)統(tǒng)一到一個數(shù)據(jù)庫中，應當按照水輪機、發(fā)電機、變壓器、調速器、輔助設備等不同的對象，創(chuàng)建面向對象的特征數(shù)據(jù)庫。

特征數(shù)據(jù)庫具有以下幾個方面的特點：

（1）集成度高：機組狀態(tài)數(shù)據(jù)中心的數(shù)據(jù)是將這些分散的多源異構數(shù)據(jù)進行預處理得到的，集成的具體表現(xiàn)為一致性好、準確度高、層次分明、關聯(lián)性強，是機組狀態(tài)數(shù)據(jù)中心最重要的特點。數(shù)據(jù)中心以一定的頻率對所有開關量、模擬量、SOE 量等進行采集和儲存。在規(guī)則預警配制時，不僅需要讀取實時值、歷史值，還需要某些參數(shù)的小時平均值、小時最大值、天平均值、天最大值，以及同類型多測點的最大、最小值等特征參數(shù)。

（2）面向對象多。機組狀態(tài)數(shù)據(jù)是面向不同對象進行組織的，如調速系統(tǒng)、三部軸承、變壓器等不同設備，通過在設備層級對數(shù)據(jù)進行分類，進而實現(xiàn)機組狀態(tài)數(shù)據(jù)中心特征數(shù)據(jù)庫的分類。

（3）穩(wěn)定性好。機組狀態(tài)數(shù)據(jù)中心的數(shù)據(jù)主要用于機組狀態(tài)分析與智能預警，經(jīng)過預處理的數(shù)據(jù)一旦進入數(shù)據(jù)中心后則不能修改，只能以只讀方式對機組狀態(tài)數(shù)據(jù)中心進行訪問。

（4）響應時間快。由于對機組數(shù)據(jù)按照不同的對象進行組織，并且相關差異通過預處理得到消除，提前計算好特征參數(shù)并儲存于特征數(shù)據(jù)庫中，可大大縮短預警模型的數(shù)據(jù)調用及運算時間，從而節(jié)約規(guī)則預警資源，提高效率。

2.4 確定算法

規(guī)則預警需制定相應的算子算法來建立設備各參數(shù)之間的關聯(lián)關系，數(shù)據(jù)中心的實時和特征數(shù)據(jù)帶入到不同算子進行數(shù)據(jù)預處理，如進行歷史趨勢分析、橫向縱向對比分析、相關量分析、運行工況分析、有效范圍分析等，從多角度建立數(shù)據(jù)關聯(lián)關系，找出影響設備健康運行數(shù)據(jù)的關鍵因素，并為后續(xù)配置預警模型奠定基礎。

規(guī)則預警系統(tǒng)的算子可以配置如下。

2.4.1 工況狀態(tài)算子

表征設備運行工況的數(shù)據(jù)稱為工況狀態(tài)數(shù)據(jù)，利用工況特征參數(shù)的變化情況及相應的時長限定，可配置工況算子。工況算子屬于基礎算子，是構成其它算子不可缺少的一部分。建立機組工況過程與監(jiān)測數(shù)據(jù)之間的關聯(lián)關系，并根據(jù)不同工況下設備特征參數(shù)的健康樣本來配置預警，是規(guī)則預警系統(tǒng)的基礎。表征機組不同運行工況的特征參數(shù)如表2 所示。

表2 確定機組不同工況關聯(lián)數(shù)據(jù)

2.4.2 邏輯及算數(shù)類算子

（1）最大值、最小值、平均值、有效值等算子

對于同一類型測點參數(shù)不太多時，可制定特定工況時段的最大值、最小值、最大最小差值、平均值、有效值等算子，如水輪機三部軸承瓦溫最大值、平均瓦溫、油槽平均油溫、發(fā)電機定子繞組溫度最大值算子等。若同一類型測點較多，為避免個別數(shù)據(jù)由于傳感器故障或通信異常導致的大幅偏離正常值的情況，此時應先去除異常數(shù)據(jù)，然后參與算子運算。如發(fā)電機繞組溫度，因為測點數(shù)據(jù)較多，可采用去除高值和低值一定數(shù)量的數(shù)據(jù)（例如10%），剩下測點數(shù)據(jù)再取平均數(shù)來計算有效值算子，從而更有利于參與預警數(shù)據(jù)的準確性。

（2）求和、求差、計數(shù)、函數(shù)等算子

求和、求差、乘、除、計數(shù)等是最基礎的算子，任何預警模型中都離不開這些基礎算子來建立數(shù)據(jù)之間的關聯(lián)關系。

根據(jù)不同設備具體運行規(guī)律，利用不同參數(shù)進行函數(shù)組合運算，可以達到計算漏水量、排水量、漏油量、漏氣量等的目的。

例如：根據(jù)機組檢修排水系統(tǒng)集水井的空間尺寸、水位變化、排水時長，可利用積分函數(shù)計算排水量。再根據(jù)排水量、尾水管壓力等數(shù)據(jù)，可計算尾水管水位變化曲線，與歷史曲線或理論變化曲線相對照，智能監(jiān)測是否因上下游門未關嚴導致的排水慢的問題，從而智能監(jiān)測排水過程，提早發(fā)現(xiàn)問題。再如機組調速液壓系統(tǒng)，可根據(jù)壓油罐及集油槽的容積、油位、壓力等進行函數(shù)組合判斷調速系統(tǒng)是否漏油、漏氣。

（3）與、或、非、范圍限定等邏輯算子

與、或、非等是基礎的邏輯算子，這些邏輯類算子往往用來對選取的參數(shù)進行條件限定。日常應用中，我們經(jīng)常需要對特定參數(shù)值進行范圍限定（選取有效數(shù)據(jù)），于表征設備處于健康運行狀態(tài)，這時就需要范圍限定算子。

2.4.3 趨勢特征變化算子

積累歷史監(jiān)測的在線和離線狀態(tài)數(shù)據(jù)的健康樣本，建立診斷指標量與故障類型的映射關系——趨勢特征變化算子，通過動態(tài)的趨勢變化來診斷故障嚴重程度。趨勢特征變化算子的基本類型包括：快速上升型、緩慢上升型、平穩(wěn)型、緩慢下降型、快速下降型。針對不同的變化類型，可以快速有效判斷設備異常狀況。

例如建立水輪機水導油槽油位快速上升型算子：當水導系統(tǒng)運行時水導油位間隔固定時段做對比，例如油位10 min 下降幅度超過5%，即判定為快速下降型；發(fā)電機定子平均溫度1 h 上升幅度大于1%，即判定為緩慢上升型。

圖3 利用趨勢特征診斷故障

2.5 配制預警模型

算子確定以后，即可配置相應的預警模型。常用的規(guī)則預警模型是先選取工況算子，再選取相關量，并配置不同的算子對相關量進行算數(shù)及邏輯運算，計算結果與表征設備健康運行的經(jīng)驗數(shù)據(jù)或規(guī)律進行比較，當偏差值達到一定數(shù)值時即進行報警。不同預警模型可以從多維度表征水電站設備的整體健康運行水平。

2.5.1 模擬量數(shù)據(jù)預警模型

模擬量數(shù)據(jù)預警模型是先選取工況輸入算子，再選取實時庫或特征庫中相應模擬量，配置不同的算子后，可實現(xiàn)如下預警功能。

（1）模擬量變化趨勢越限報警：在一定時間范圍內(nèi)，變化率超過閾值報警，如圖4 所示。

圖4 模擬量變化趨勢越限報警模型

（2）模擬量波動報警：在一定時間范圍內(nèi)，波動范圍越限后報警。波動范圍通常的計算方法為：選擇的時間窗口內(nèi)，波動范圍超過閾值；或最大值與最小值差值與最大值或最小值或平均值的比例。

（3）模擬量緩慢變化報警：當模擬量在一較長的時間周期呈逐步上升或下降的趨勢報警，如圖5所示。

圖5 模擬量緩慢變化越限報警模型

2.5.2 開關量數(shù)據(jù)預警模型

水電站泵設備種類及數(shù)量眾多，對電站主設備的安全運行起著至關重要的作用。對于不同泵設備，如純水泵、調速器壓油泵、GIS 斷路器油泵、排水泵、空壓機等，可利用相應的開關量數(shù)據(jù)，建立開關量數(shù)據(jù)預警模型，比如純水泵切換周期預警、GIS 開關油泵啟動預警、壓油泵加載時長、空壓機啟動次數(shù)預警等，避免泵設備故障引起的事故與損失。圖6 為抽取調速器壓油泵加載/卸載開關量變位數(shù)據(jù)，配置的壓油泵加載運行時間長預警模型。

圖6 抽取調速器壓油泵加載/卸載開關量變位數(shù)據(jù)

2.5.3 綜合數(shù)據(jù)預警模型

綜合利用開關量、模擬量、統(tǒng)計量，并限定數(shù)據(jù)的有效條件來配置預警模型，可多維度檢測設備運行情況，及時發(fā)現(xiàn)設備異常并采取有效的處置，把事故消滅在萌芽狀態(tài)下，可大大提高了設備的健康運行水平。

2.6 應用預警模型

預警模型配制完成后，無需選擇健康樣本，無需模型訓練即可投入使用。不同模型會在其配制條件下自動啟動運行，例如采用模擬量變化趨勢越限報警的預警模型，則會在滿足工況條件下的相應時段內(nèi)，選取模型配制的測點實時值或特征值計算一次，滿足條件后即觸發(fā)報警。

3 預警模型優(yōu)化

設備實際運行中，由于傳感器損壞、電磁信號干擾、采集設備故障、通信對點錯誤等都會導致監(jiān)測數(shù)據(jù)偏離真實值，造成數(shù)據(jù)錯誤。錯誤數(shù)據(jù)無法準確反映設備真實運行情況，不僅會導致預警模型的應用出現(xiàn)異常，產(chǎn)生大量的誤報警信息，甚至造成預警模型停止工作，而且還會給現(xiàn)場專家的人工分析帶來困惑，影響電站的運行與檢修決策。因此需對預警模型進行優(yōu)化。

3.1 測點優(yōu)化

預警模型使用中，當監(jiān)測設備缺陷或信號干擾導致的數(shù)據(jù)異常時，此時測點質量判斷為不可靠，可對其進行替換，若測點單一無法替換，則可用相應的開關量來重新相應配制預警邏輯。在實際工作中，模擬量往往波動較大，無法精準設定預警模型偏差值，此時可用平均值、有效值、或中位數(shù)值來替代，避免誤報警。

在滿足功能實現(xiàn)的情況下，預警模型中盡量使用較少測點，避免測點異常時模型功能無法實現(xiàn)。

3.2 邏輯優(yōu)化

在實際工作中，機組停機備用時也需對其液位、流量等相關重要參數(shù)進行監(jiān)測，此時相應預警模型中可增加機組工況判定來進行閉鎖，避免設備檢修時排油/充油、排水/充水、撤壓/升壓等工作時產(chǎn)生誤報警。

機組正常運行，會發(fā)生設備定期人工切換、自動輪換等情況，此時為避免預警模型誤報警，需根據(jù)實際運行情況采取開關量變位、模擬量變化等情況來進行閉鎖，例如水導外循環(huán)泵自動輪換時短時2 臺水導泵都運行（1 h 后停備用泵），此時水導油流、水導瓦溫、水導油槽油位等都會產(chǎn)生較大變化，為避免水導瓦溫、水導油槽油位預警模型誤報警，可采取2臺泵運行的開關量相與、水導油流變化值大于設定值等條件來閉鎖報警邏輯。

3.3 時段優(yōu)化

很多水電廠機組的在每年汛期和非汛期時，由于環(huán)境溫度、入庫流量、機組水頭、運行負荷等參數(shù)發(fā)生較大的變化，從而造成重要設備運行參數(shù)也發(fā)生較大的變化，而同在汛期或非汛期時，重要設備運行參數(shù)變化范圍則較小。可根據(jù)此特點設定相應報警設定值或偏差值，從而更準確定位預警模型，及時發(fā)現(xiàn)設備異常，提高健康運行水平。

4 結語

通過實時采集和積累機組運行產(chǎn)生的數(shù)據(jù)，并利用豐富的算法和多維度的預警模型，可以幫助水電站不斷進行穩(wěn)定運行的優(yōu)化，實現(xiàn)生產(chǎn)過程與決策的智能化控制。同時在一定程度上減輕工作人員的勞動強度，提高電廠勞動生產(chǎn)效率，保障電廠的安全生產(chǎn)。多年的電站設備運行，已積累了足夠多的樣本和數(shù)據(jù)，具備開展智能預警系統(tǒng)建設的基本條件。基于機理及算法的水電站智能預警系統(tǒng)可以作為智能水電站建設的一個切入點，在當前科技水平下，只需要較小的投資，便可取得良好的收益。