水電機組全息監測及智能分析系統建設實踐

張家治

（中國長江電力股份有限公司葛洲壩電廠， 湖北 宜昌 443000）

當前，以新一代信息技術為基礎的數字經濟已經成為我國經濟發展中最為活躍的領域，是我國國民經濟高質量發展的新動能。《中共中央關于制定國民經濟和社會發展第十四個五年規劃和二〇三五年遠景目標的建議》針對“加快數字化發展”作出全面部署，要求“推進數字產業化和產業數字化，推動數字經濟和實體經濟深度融合，打造具有國際競爭力的數字產業集群”。數字經濟與實體經濟各領域的深度融合所帶來的生產效率的提升以及生產模式的改變，也成為產業轉型升級的重要驅動力。近年來，工業互聯網、智能制造、兩化融合、車聯網、平臺經濟等融合型新產業、新業態逐漸進入人們的視野，融入日常生活之中，并深刻地改變著人類的生產生活方式。

數字化轉型是順應新一輪科技革命和產業變革趨勢，不斷深化應用云計算、大數據、物聯網、人工智能、區塊鏈等新一代信息技術，激發數據要素創新驅動潛能，打造提升信息時代生存和發展能力，加速業務優化升級和創新轉型，改造提升傳統動能，培育發展新動能，創造、傳遞并獲取新價值，實現轉型升級和創新發展的過程。

隨著智能電站建設的持續深入，傳統的計算機監控系統、在線監測系統的相關功能及信息已不能滿足運維人員的智能運維要求，不能滿足水電站狀態檢修的要求。為了實現水電站機電設備的全方位、無死角的在線監測，更好地掌握電站機組實時狀態和變化趨勢，達到智能檢測、智能分析、智能預警、智能評估等目的，提高電站設備狀態監測及智能決策水平，有必要構建一套水電機組全息監測及智能分析系統。

1 系統架構

依據數字化轉型的路徑策略，系統建設按照“感知層-平臺層-應用層”的建設步驟穩步推進。感知層建設解決的是數據獲取的問題。在感知層建設方面，持續進行設備數字化改造，通過先進的傳感技術，形成狀態全面感知、信息高效處理、應用便捷靈活的智能電站基礎設施。平臺層建設解決的是數據治理的問題。在平臺層建設方面，實現10 個系統的全量接入，消除了信息孤島，實現了數據匯聚、數據治理。應用層建設解決的是數據應用、數據賦智的問題。數據的匯聚是為了發揮價值，應堅持數據就是資產、數據創造價值理念，通過大數據分析深度挖掘數據價值，實現從數字、數據、信息、知識、智慧的升級轉換和價值再造。

1.1 設備狀態信息全息采集

1.1.1 全設備采集

系統采用了光纖測溫、紅外測溫、紅外熱成像、油質品質傳感等先進測量技術，實現對機組定子溫度、轉子溫度、主變溫度、碳刷溫度、碳刷電流、軸承潤滑油品質等機組關鍵部位品質的有效監測，為全面掌握機組各關鍵部位的運行狀況和品質狀況提供有效的數據基礎。

1.1.2 全信息采集

為每臺機增設監測設備，產生新監測信號近300個，使機組的狀態監測信息更完整，為后續機組實時運行狀態的分析和機組設備維護提供更完整全面的信息。在原有監測信號的基礎上，補充了機組冷卻系統壓力、流量、溫度等監測信號；增設了輔助電機設備的電流監測信號；增加了機組油系統油質監測信號、油流量信號；增加了定子振動加速度信號；增加了定子、轉子、主變等重要位置的溫度監測信號；增設碳刷紅外熱成像信號、碳刷電流信號；增設水輪機各部件噪聲加速度信號、超聲波信號、壓力脈動信號；增設了主軸密封供水及頂蓋排水系統信號；擴充了機組振動擺度監測信號；增加了調速油系統位移及接點信號；增加機組各部位的溫濕度、噪聲、粉塵等環境信號。

1.1.3 多頻度采集

監測信號類型近30 種，既包含秒級數據，也包含高頻數據。其中，采樣頻率振動擺度信號1 kHz，振動加速度50 kHz，噪聲信號50 kHz，超聲波信號高達2 MHz。使電站能感知的“神經末梢”更加精細豐富，實現對電站設備的全方位、無死角的感知。

1.2 各類系統全面互聯互通

系統匯聚了監控系統、梯調數據、智能抄表、油氣在線監測、EDOS 計算數據、機房環境、機器人、500 kV GIS 站、220 kV GIS 站、勵磁在線監測、 穩定性系統、機組全息監測數據（高頻）、PMU 數據（高頻）、電力生產管理系統等系統的近20 萬個測點數據，既囊括了生產數據，也包含了管理數據，通過對這些數據的綜合運用來構建應用，全方位、實時監視生產信息、分析設備運行趨勢和機組工況特征，統計設備運行規律，對設備進行智能故障診斷和定期評估，給出維修指導和經濟運行指導。

1.3 數據治理

1.3.1 數據處理

根據物理系統本身的結構、相互聯系、相互作用來建立描述系統的狀態和特性模型，獨立于監測設備制造廠家。數據標準化：對數據的含義、名稱、量綱、格式、周期進行標準化定義。包括狀態、特征、定值、指標等數據。模型標準化：對數據分析所需要的運動特性、故障特性、試驗、指標計算等模型進行標準化定義。實現標準化：用戶在不同電站對同類設備的數據及分析體驗基本一致、同類設備間的數據可比較性強、數據分析軟件或設備通用性強。

1.3.2 數據清洗

數據清洗包括錯誤數據清洗、污染數據清洗和冗余數據清洗。錯誤數據清洗：采用檢錯模型自動檢測出由于傳感器損壞、環境干擾、采集設備故障、通信異常以及通信對點錯誤等等所造成狀態數據錯誤。污染數據清洗：清除耦合在真實狀態數據中的噪聲數據、甚至分離耦合在一起的多種信號。冗余數據清洗：冗余數據包括重復測量數據和穩態過程數據，保存全部需要數據的基礎上舍棄“無用”的數據，減少存儲空間，降低分析工作量。

1.4 數據挖掘分析

1.4.1 大數據關聯與融合

水電機組及其主變壓器等輸變電設備是一個強耦合復雜大系統，大量實例表明，當在一個設備中出現故障時，故障產生的原因可能在其它相關設備或環境中。為了實現精確的故障診斷，必須將全息監測大數據關聯與融合起來。

橫向關聯：采用工況事件和過程、異常事件和過程以及未知事件和過程同步的方法，將相互耦合設備的各方面監測數據通過時間對齊的方法，關聯起來，分析與存儲。

縱向關聯：以工況事件和過程、異常事件和過程、未知事件和過程為線索，采用時間嵌套的方法，將不同時標的各層次數據縱向關聯起來。

在數據關聯的基礎上，實現數據的融合。對設備運行特性，調整其運行方式，以達到提高其使用壽命，降低檢修次數的目的；根據專家知識或專家經驗，辨識相關狀態間相互聯系、相互作用的特性，為故障檢測、診斷和設備健康評估服務；根據設備性能指標評價體系，計算性能指標，評價設備或系統的運行情況，生成異常事件；根據異常事件，形成異常事件記錄庫，提取關聯數據的特征，采用一定的算法進行模式匹配、智能識別，診斷設備的故障；應用數據挖掘技術，探索并發現未知的狀態關系與特性。

1.4.2 固定閾值分析

在數據可靠性檢查的基礎上，自動檢測機組振動、擺度、水壓力脈動越過恒定定值的異常現象，根據越限的級別，給出異常提示或故障報警[1]。

1.4.3 關聯閾值分析

在數據可靠性檢查的基礎上，關聯機組的工況信息，自動檢測機組振動、擺度、水壓力脈動越過關聯閾值的異常現象，根據越限的級別，給出異常提示或故障報警。

1.4.4 能量閾值分析

評價自動檢測機組振動、擺度能量越過振擺能量定值的異常現象，根據越限的級別，給出異常提示或故障報警。

1.4.5 定關聯趨勢分析

自動進行時、日、周、月、年趨勢分析，檢測機組振動、擺度、水壓力脈動突然增大或緩慢增大的異常現象，并根據增大速度給出異常提示或故障報警；關聯機組運行工況信息，自動檢測出在每個運行工況下機組振動或/和擺度中各種頻率成分出現增大趨勢的故障、并給出異常提示的功能；實現相同設備不同時間跨度的同向比較分析，不同機組同類型設備的橫向比較分析，自動檢測相同環境、相同工況下的數據關聯分析。

1.4.6 設備啟停統計分析

對機組壓油泵、機坑漏油泵、技供漏油泵、頂蓋排水泵、滲漏排水泵、檢修排水泵、低壓空壓機、中壓空壓機等設備的啟停進行統計，根據單個設備歷史上的啟停時間范圍，形成該時間段的健康值，超過健康值進行報警。

1.4.7 分析報表自定義

對分析結果形成生產報表，具備用戶自定義功能，并可以進行簡單計算，對變化量超過限值的時間進行統計。

1.5 人工智能分析

1.5.1 測溫機器學習算法模型

對機組各部位的測溫點建立數學模型，通過歷史數據訓練，計算測點的正常運行區間。截止目前，已多次成功預測出某電站機組上導冷卻器堵塞故障[2]。以機組上導瓦溫預測為例，根據上導溫度變化特性，分為開機過程、穩定運行、停機過程3 種不同工況的模型預測。

1.5.2 基于工況識別的指標計算及機組自動試驗算法模型

將機組不同運行狀態劃分為特定的工況，根據工況特征，建立工況算法模型，數據代入模型后自動識別工況類型，根據各專業對不同工況下的設備關注需求，融合各系統數據源，同時運用秒級數據和高頻數據，設計并計算工況指標，捕捉瞬態工況特征值的沖擊量，分析穩態工況特征參數的變化規律。同時，按照華中科技大學李朝暉老師提出的“宏試驗”的概念[3]，機組無時無刻不在試驗當中，沒有必要專門去進行試驗，通過采集實際運行中的數據，將機組試驗工況識別納入全息系統，自動識別試驗、生成試驗報告。

圖1 基于工況識別的水輪發電機組設備性能分析方法示意圖

1.5.3 基于故障樹分析（FTA）的設備故障診斷模型

根據故障樹分析（FTA）方法，對機組、主變、輔助設備故障診斷以及二次控制系統設計故障診斷模型[4]。FTA 把系統最關心的結果事件（即失效狀態）作為故障樹的頂事件（top event），并用規定的邏輯符號表示，分析找出導致此事件的所有可能的原因及因素；利用處于中間層的過渡狀態中間事件，層層深入分析，最終獲得導致頂事件發生的底事件，即導致頂事件發生的根本原因；展示導致系統發生故障的各種事件的組合，揭示系統中間的薄弱環節，從結構上分析系統發生故障的概率，并計算系統中不同模塊在故障樹中的概率重要度。

圖2 故障樹模型圖

圖3 故障樹分析流程

2 系統功能

水電機組全息監測及智能分析系統以設備管理為中心、以數據分析為手段，促進業務流向數據流轉變，實現業務閉環，從而提升設備管控水平，提高經濟效益。

該系統運用物聯網、大數據、云計算等技術，通過統一、開放的行業標準，對電廠現有數據資源進行融合，形成水電廠數據共享中心和決策支持應用的統一平臺，通過深入、復雜的數據分析，揭示設備內在運行規律，實現設備實時監視、趨勢分析、工況分析、故障診斷、設備評估、經濟運行指導等6 大高級應用功能，為實現機組狀態智能分析、設備智慧運行檢修、經濟運行指導創造條件，從而進一步提高水電廠智能化應用和管理水平，為管理層決策提供科學依據。

2.1 實時監視

聚合所有實時生產數據，使得設備運維人員及時掌握設備狀況。根據機組設備裝配圖紙實現設備的三維展示，同時疊加設備實時信息，實現所見即所得，提升監屏的友好性。

2.2 趨勢分析

基于在線監測數據、設備缺陷數據、巡檢數據等長期運行的數據和相關經驗，建立關鍵設備趨勢報警模型，實現包括透平油油質監測、光纖測溫監測、紅外測溫監測、漏油量油位分析、啟停統計分析、主變油色譜分析、集排水系統分析、調速油系統分析、氣系統分析等9 個專題。同時實現高頻數據分析功能，報表定制、展示。通過機器學習智能預測設備運行狀況[5]。實現測點固定閾值報警、關聯閾值報警、測點趨勢告警等，及時有效發現設備缺陷。

2.3 工況分析

智能識別18 個正常工況，20 個試驗工況。同時實現基于相同工況的性能特征比較、試驗工況實現試驗特征提取、試驗報告自動生成。

2.4 故障診斷

基于故障樹的方法，開展自動診斷和人工診斷。設備性能指標異常出現報警后，自動啟動智能診斷分析流程。診斷過程中自動獲取關聯數據并調取配置的故障診斷方法，推送故障診斷分析結果，成功實現故障智能診斷，并提供維修指導。

2.5 設備評估

依據設備狀態評估管理規范進行，包括狀態評價、維度評價，同時進行月度評估、年度評估，科學客觀地進行設備狀態評估。

2.6 經濟運行指導

實現了機組效能分析、電量分析、輔助服務考核預警、發電計劃指導、機組停復役、高效運行區間、可靠性指標等7 個方面的功能。有效提升運行經濟效益。

水電機組全息監測及智能分析系統可有效提高運行人員監屏效率；指導維修人員及時發現設備深層次的運行狀態，提升設備維護手段，將維修人員的經驗固化為程序，實現技術的固化與傳承。通過駕駛艙，管理人員一圖掌握全站的運行情況，KPI 指標等內容，提升決策效能。同時，這是一套開放智能的系統，可不斷吸收專業、廠家、行業的經驗，逐步豐富，并可將固化下來的經驗與電力同行共享，共同促進行業進步。

3 前景展望

水電機組全息監測及智能分析系統的建設，從機組全息監測設備選型、設備安裝、系統應用架構、數據治理、應用模型、算法模型等方面均突破傳統思路，大膽改革和創新。其中，高級應用功能中所用到的測溫機器學習、基于故障樹的設備故障診斷技術、工況識別和分析技術實現了水電站設備趨勢預警、故障診斷、性能分析、機組試驗的自動化，開創了行業內技術先河，為水電行業設備定性、定量分析提供了可借鑒的模板。

（1）該系統采用先進的測量技術，大大擴充了機組的監測數據，提高了數據的采樣頻率，使數據更加精確、可靠，實現了機組的全息監測。

（2）該系統對電廠現有數據資源進行整合，形成水電廠生產域機組全息數據采集、傳輸、處理、存儲、分析的數據共享中心和決策支持應用的統一平臺。

（3）該系統從多個角度出發，對系統中的數據進行清洗、過濾、關聯等預處理工作，確保數據的真實性、穩定性和可靠性，形成統一的、相同的數據格式，集中的數據中心，面向電力生產的主題數據庫。

（4）該系統采用多種數據分析方法自動對機組穩定運行、暫態運行（包括瞬態）的振動、擺度、各過流部件的壓力脈動等進行分析，尋找設備運行趨勢變化的真正原因。

（5）該系統充分運用了數據平臺中的高頻數據。對機組高頻數據進行波形解析、傅里葉頻譜分析和小波分析，得出其頻譜圖，尋找其變化規律。將PMU、振擺、局放及機組全息高頻數據應用于機組工況指標計算及設備故障診斷，捕捉其瞬態的異常變化或沖擊量，從而精準定位設備的異常狀況。

（6）該系統采用故障診斷、工況分析、機器學習等一系列深度學習算法技術，建立匹配的算法模型，實現數據智能化分析，揭示設備內在運行規律，感知設備狀態變化趨勢。

（7）該系統實現了電廠的業務閉環管理。系統充分綜合運用獲取的生產數據和管理數據，以設備管理為中心、以數據分析為手段，促進業務流向數據流再向業務流轉變，讓運行人員、檢修人員、設備管理人員、經營管理人員都能從中獲益，從而實現了業務閉環，提升了設備管控水平和經濟效益。

（8）該系統實現了電廠運維人員經驗的傳承。系統凝聚了電站運維人員的經驗和智慧，按照目標導向、問題導向、需求導向，將運行維修人員寶貴的水電運維經驗快速構建為應用，實現技術的固化和經驗傳承的同時，提高了系統的應用范圍和應用價值。系統中漏油量分析、發電計劃指導、機組停復役以及大部分專項設備分析功能，都是員工經驗向智慧轉化的成果。

（9）該系統實現了行業賦智。系統實現數據計算、統計、分析、診斷以及試驗從人工向自動、從間斷向連續、從粗放向精準、從定性向定量的轉變，著力打造成水電站智慧樞紐最強大腦，徹底讓每一名員工從繁雜、重復的勞動中解放出來，從而有更多精力轉向創新、創造性工作。

（10）該系統采用標準、開放的應用架構，具有良好的可擴展性和可移植性。系統采用標準開發的大數據技術架構，支持用戶在數據采集、存儲、管控、分析、展示等數據處理環節的自定義和可視化配置組態，提升了電廠的生產數據自主分析開發能力。開放共享的應用平臺，系統的微服務架構，低代碼的組件開發，可不斷吸收專業、廠家、行業的經驗，快速構建應用；系統采用開源的編程代碼、標準的數據接口和模塊化編程方式，可以將功能跨平臺快速移植，將固化下來的經驗與電力同行共享，促進行業共同進步。

圖4 機組全息監測及智能分析系統應用架構

4 結語

隨著智能電站建設的不斷深入，電站精細化管理水平需求不斷提高，對狀態檢修的實施需求越來越迫切，通過全息監測及智能分析系統的應用，可以全面、精確掌握設備健康狀態、運行狀態，為水電站設備狀態檢修提供可靠支持，從而實現高質量檢修模式，為電力行業高質量發展賦能。