基于多特征融合的水電站設備運行狀態檢測研究

裴震宇，李德偉，任 巖

（黃河勘測規劃設計研究院有限公司，河南鄭州 450003）

0 引言

設備的精準調配工作，在水電站的實際運營中起著十分重要的作用。對于不同類型的水電工程項目，如果在建設運營的過程中出現設備問題，不僅影響工程的整體進度，還會造成一定的危險后果，出現較為嚴重的問題將會影響水電站設備運行。因此需要對水電站設備進行詳細的檢測與異常診斷。提高對水電站設備的實時監測水平，及時獲取運行過程中的重要參數，對于異常運行狀態進行預警，能夠減少運行過程中發生的問題，增加安全性[1]，能夠有效監測設備運行狀態，對設備的故障點進行精準識別，解決設備運行的問題，減少成本和人力。這樣不僅滿足人們用電的需求，還能夠對不同水電站的流域防治起到重要作用。由于機組設備組成結構較為復雜，在狀態檢測過程中信號復雜性高，傳統檢測方法所設計的檢測模型經常受到異常信號干擾，檢測效果不能達到預期目標。同時，水電站設備的價格較為昂貴，設備運行數據樣本大，數據處理能力不高使得檢測結果難以符合預期。因此，為加強對水電機組開發與檢測水平，以水電站設備運行狀態檢測為研究對象，采取多特征融合方法，結合實際情況進行研究與分析。

1 水電站設備運行狀態檢測

1.1 設備運行狀態多特征融合建模

通過構建特征矩陣，可以確定設備運行狀態檢測模型的影響因素，在水電站設備運行狀態檢測過程中，通過已知特征集對傳統方法進行修改，通過對特征點進行特征提取后，根據狀態檢測方式檢測各種工況下的累積運行時間、發電總量以及水輪機效率等數據[2]。從而形成多特征融合的特征集S。運用Python 的數據庫提取水電站設備運行狀態特征點，根據特征點之間的距離判定設備發電運行狀況和水輪機工作效能，獲得不同狀態特征點的運行特征值。在檢測過程中，閾值設定是狀態信號的重要表示特征參數。根據PERCLOS 特征值設計運行狀態幀數比，以閉合幀數與被測融合總幀數作為因素矩陣的第3 列特征值，構建判斷矩陣p，并求出p 對應的最大特征值和特征向量。設定檢測目標為I，產生的影響因素值為ui 和uij。uij 表示對ui 的uj 相對重要性程度數值，通過不同uij 形成對應的判斷矩陣p。運用幾何平均法計算最大特征值和對應的特征向量，在滿足一致性時減少計算量。計算特征向量對應的最大特征值λ的公式為：

其中，p 為最大特征值對應的判斷矩陣；v 為矩陣的特征向量。對矩陣的列向量進行歸一化處理，并將轉換得到后的矩陣進行求和[3]。對判斷矩陣的合理性進行檢驗，通過一致性檢驗能夠得到矩陣的分配程度合理性。當CR 小于0.1 時，認定矩陣通過一致性檢驗。通過一致性檢驗后，運用層次分析法對權重進行賦值，計算不同評價因素的重要性后對其進行排序，得到對應的權重分配值，構建水電站設備運行狀態檢測模型。

1.2 設備運行故障狀態檢測

對于融合后水輪機流量檢測過程中的問題，運用檢測模型進行故障點位置檢測。由于水輪發電機的氣隙會隨著機組的運行時產生的多種影響因素而發生變化，這樣使得水輪機的發電機運行過程中形成不穩定狀態，對水電站設備的穩定性造成一定的影響[4]。采集電氣設備的運行數據作為訓練樣本數據，由于不同設備參數與觀測量單位不同，為了得到較為統一的數據，對采集到的數據進行歸一化處理。歸一化處理的計算式為：

其中，g為設備運行的樣式數據；gmin為檢測樣本的最小值；gmax為檢測樣本的最大值。通過對數據進行歸一化處理，將得到的數據進行網絡映射，形成三維空間內的數據集，將采集到的參數進行聚類分析，并得到對應的輸入向量。根據輸入向量的計算結果獲得對應的神經元，并確定不同節點的加權向量。將不同維度數據之間進行比較，獲得最后的輸出結果，并對采集的結果進行處理，得到設備運行狀態監測的數據[5]。在實際應用中，為了獲取到殘差統計特性的變化規律，設計滑動窗口寬度為n（其中n=5），計算每個窗口的殘差均值：

其中，n為窗口寬度；r 為運行狀態向量；εi 為狀態參數。設定T 為故障偏離閾值，R 為狀態檢測模型殘差最大值，當運行狀態發生異常時T=±pR。為了避免估計向量和實際結果對比時出現較大的誤差，需要選取適當的方法來消除誤差，選取合適的誤差值來進行異常運行狀態的判斷。根據正常狀態下的運行向量r 與預估向量r 之間進行比較，如果之間的差值較小，說明實際結果與計算值較為接近，殘差較小[6]；如果計算值與實際值之間的差值較大，則說明無法進行較為準確的檢測。通過比較兩個值的大小來判斷設備是否為異常的運行狀態。

2 實驗測試與分析

為了檢驗水電站設備運行狀態，運用本文方法對水電站設備運行故障點進行檢測。設置水電站設備故障發生點頻率為500～600 Hz，同時進行3 次實驗，分別對水電站設備故障點進行檢測，獲取故障發生的頻段信息，驗證本文檢測方法的有效性。

2.1 實驗方法

選取正在工作中但是發生故障的變壓器進行實驗。變壓器的型號為F6-11FE-12E，為3 相油侵入式電力變壓器。變壓器其中一相電路出現短路故障，在使用過程中沒有更換新的繞組。變壓器的設備參數見表1。

表1 F6-11FE-12E 型變壓器參數

對實驗獲得的數據進行分析。主機的操作系統為Windows11，內存8 GB。集成開發環境（IDE）運用Eclipse 進行，運用Spyder使得數據變量可視化。對網絡進行訓練，初始化權值，通過前向傳輸的輸入數據獲得測試值。運用FD85 壓力傳感器得到變壓器的振動信號，將信號進行數字模擬轉換，形成對應的電荷量。通過擴大器將電壓數值進行提升，使用CAN 通信方式傳輸電信號數據，使得上位機中能夠顯示電信號。運用本文方法提取故障參數特征后，對其進行賦值。根據最大權值作為故障訓練樣本進行訓練，并按照對應的關聯規則對故障樣本集進行支持度相關計算，獲得變壓器的故障與狀態量之間的關聯，綜合得到水電站設備的運行狀態量的置信度，完成對設備運行狀態檢查實驗。

2.2 結果分析

根據檢測結果，繪制振動信號波形，并得到振動信號頻譜（圖1～圖3）。

圖1 小組1 變壓器振動信號頻譜

圖2 小組2 變壓器振動信號頻譜

圖3 小組3 變壓器振動信號頻譜

由實驗結果可知，運用本文方法對變壓器故障進行檢測，得到的振動信號幅度值相同，且3 個小組均在500～600 Hz 區間存在較大振動信號幅度，因為振動波形不規律，運行中發生卡頓，波動值較大，出現噪聲影響。由于存在少量噪聲，使得中間產生波動，存在細小誤差，所以該區間中存在故障。在550 Hz 時運用收集信號數據進行分析，得出單相繞組內存在故障的結論。對繞組進行分析檢測，觀察到波動幅值明顯增強，幅值在0.25～0.85 可獲得故障位置，符合預期檢測目標。

綜上所述，運用本文算法在檢測水電設備運行時，因為變壓器的振動信號復雜，在檢測中需要對故障位置進行精準檢測，能夠準確得到故障的位置、明確故障發生的程度，得到在水電站設備運行狀態檢測的明顯效果，以此確定局部故障范圍。運用采集信號作為檢測樣本，分析設備故障位置，減少運行過程中造成的損失。本文方法的良好運用，提升了檢測的準確率，運用檢測模型能夠較為精準地對故障進行識別，在訓練過程中運用大量的數據作為訓練樣本，對訓練的時間做出了相對具體的要求。通過對樣本運用更好的收斂，減少了訓練過程中的過擬合現象。在水電站設備運行中能夠精準檢測、分析得到局部故障信息，使得檢測效果符合預期目標。

3 結束語

本文從水電站設備運行狀態入手，通過多特征融合方法，探究基于多特征融合的水電站設備運行狀態檢測，使得水電站設備運行狀態的檢測更加智能化、實時化，提高了整體的檢測水平，為水電站安全運營與發展提供保障。同時，提出針對不同環境因素干擾的抑制方法，并促進檢測方法的應用與實現。通過多特征融合數據，實現對水電站設備運行狀態檢測的研究。但是該方法還存在著不足，如算法的更新問題、數據檢測的耗時性問題、整體轉化性問題等，今后應更加完善計算、優化數據采集與狀態檢測過程。