水輪發電機組分工況瓦溫動態閾值抽取研究與應用

摘 要：水輪發電機組軸瓦溫度是直接反映機組軸承是否安全運行的重要參量，動態閾值和趨勢預測被應用于機組軸承溫度過高的預警工作中。本文提出水輪發電機組分工況瓦溫動態閾值抽取方法，根據機組振動區劃分不同運行負荷區間工況，建立基于箱型圖的異常數據清洗模型，抽取瓦溫特征數據，結合原始閾值、預測修正因子和趨勢調整因子，計算最終的動態閾值。算例結果表明，模型抽取的機組瓦溫動態閾值測試數據誤報率為1.07%，動態閾值均值為56.59℃，低于瓦溫跳機定值（23℃），具有較高的可信度，可為運行人員瓦溫異常監視提供可操作的數值依據。

關鍵詞：水輪發電機組；瓦溫；箱型圖；預測修正因子；動態閾值

中圖分類號：TM 312 文獻標志碼：Ａ

瓦溫是直接反映推力軸承是否安全運行的重要參量，水電站傳統監視方法依靠人工監視和閾值報警，該方法設置的閾值接近機組瓦溫保護閾值[1-2]，軸瓦溫度超過機組瓦溫保護閾值，會導致機組非計劃停機。因此有必要挖掘水輪發電機組不同工況下軸瓦溫度動態閾值，實現瓦溫異常升高提前預警。

針對水電機組瓦溫特征提取，水電廠計算機監控系統一般在報表中實現機組一段時間內瓦溫最大值、最小值、平均值。宋湘輝等[3]選取過去一段時間每次開機后1ｈ的歷史曲線，對每個開機瓦溫曲線進行整編，形成瓦溫包絡曲線。康永林等[4]通過選取過去較長一段時間瓦溫數據和其影響因子數據，采用深度學習神經網絡模型對數據進行訓練，從而獲得不同影響因子下的瓦溫特征。宋光雄[5]通過實時計算汽輪發電機組軸承瓦溫的遞增趨勢參數、逆序數，判斷轉子推力軸承瓦溫遞增趨勢和報警。

本文提出一種水電機組分工況瓦溫特征提取方法，根據機組不同運行負荷區間劃分工況，建立基于箱型圖的異常數據清洗模型，抽取瓦溫特征數據，結合原始閾值、預測修正因子和趨勢調整因子，計算最終的動態閾值。

1 機組瓦溫特征提取模型分析

機組瓦溫特征提取主要分為4個部分，即機組工況劃分、瓦溫異常數據剔除、瓦溫小時數據整編、瓦溫動態閾值提取。下面針對這4個方面進行具體分析。

1.1 工況劃分

機組振動區為0MW～70MW和150MW～250MW，根據機組振動區將機組發電工況劃分見表1。

1.2 異常數據剔除

按照4種工況對每一次開機的機組瓦溫數據進行劃分，每一份工況時間區間內瓦溫數據按照從小到大排序，選取排序后第25%的瓦溫數據作為下四分位數Q1，選取排序后第75%的瓦溫數據作為上四分位數Q3，計算瓦溫排序數據的四分位距IQR[6]。

計算瓦溫數據的正常值上限max，如公式（1）所示。

正常值上限采用上四分位數Q3加1.5倍四分位距IQR，再疊加3的額外閾值，3℃的額外閾值為電站規程中瓦溫運行監視要求，可用于避免環境溫度變化帶來的影響，將穩態區間內瓦溫數據和上限max進行對比，對大于max的數據進行剔除，形成異常數據清洗后的穩態區間內瓦溫數據。

1.3 小數數據整編

機組瓦溫小數數據整編步驟如下。1）將清洗完成后每一份工況瓦溫數據集按照整小時劃分成若干瓦溫穩態小時數據。2）如果工況開始時間和工況結束在同一個小時內，那么工況開始時間到工況結束為１份瓦溫穩態小時數據。3）如果工況開始時間和工況結束不在同一個小時內，工況開始時間或者工況結束時間不是整小時，那么工況開始時間到其后一個整小時為１份瓦溫穩態小時數據，工況結束時間前一個整小時到工況結束時間為一份瓦溫穩態小時數據。4）求取每份瓦溫穩態小時數據的最大值，將其作為瓦溫穩態小時數據特征。

1.4 瓦溫動態閾值

根據瓦溫小時數據，構建2個數據集。1）過去預設月份內機組發電方向開機瓦溫小時數據的最大值集合；2）過去預設月份內機組抽水方向開機瓦溫小時數據的最大值集合。針對發電方向和抽水方向，分別計算這2個數據集的均值和標準差。根據公式（2）、公式（3）求取瓦溫動態閾值的上限特征。

基于機器學習確定瓦溫動態閾值上限特征數學模型中最優閾值，將均值加3個標準差[7]，再疊加3的額外閾值，3℃的額外閾值為電站規程中瓦溫運行監視要求，用于避免環境溫度變化帶來的影響，作為瓦溫動態閾值上限特征。

將瓦溫實時測值與瓦溫動態閾值上限特征進行對比，如果2S＜T-＜3S+3，就判斷為邊緣范圍狀態A1，如果T≥Tmax，就判斷為異常范圍狀態A2。

當狀態為A1時持續進行瓦溫的實時監控，并記錄數據，按照預設頻定期對收集的瓦溫數據進行統計，以分析檢測長期變化；如果分析結果顯示瓦溫趨勢穩定，那么在閾值范圍內波動，維持現有監控和維護A1調整策略，如果分析揭示出新的趨勢或周期性模式，就調整預警系統的閾值和參數。

通過采用ARIMA（整合移動平均自回歸模型）進行趨勢分析[8]，預測未來瓦溫值T預測。對于一不平穩時間序列，其ARIMA（p，d，q）模型如公式（5）所示。

當狀態為A2時，立即按照預設A2調整策略增加瓦溫監控的頻率，實時分析瓦溫數據，判斷溫度偏差因素，如果確定瓦溫偏差是由可控因素引起的，可控因素包括傳感誤差、環境變化，立即調整相應的操作參數或環境條件。

2 模型檢驗

為測試所研究方法在水輪發電機組瓦溫動態閾值抽取方法的應用效果，對方法進行應用測試。

2.1 測試樣本

研究實例使用的軸瓦溫度及相關量數據源電站計算機監控系統1號機組，數據范圍為2023年1月—4月，模擬量等距采樣間隔為1s，開關量變位采樣，其中1月—3月的數據作為模型研究訓練數據，4月的數據作為模型測試數據。圖1為機組有功功率、推力瓦溫度、下導擺度曲線，機組在不同負荷區間的振動和瓦溫有一定的變化。

2.2 動態閾值抽取

采用2023年4月份數據作為測試，分別采用本文方法和傳統方法進行處理。對本文數據組應用數據清洗，剔除異常值，計算動態閾值，分別抽取4月4種工況下瓦溫動態閾值，如圖2所示。從圖2可知，不同工況下瓦溫動態閾值有較明顯區別；同時，隨著時間變化，瓦溫動態閾值呈現緩慢上升的趨勢，原因為4月環境溫度在持續上升。

2.3 效果分析

在模擬環境中運行數據，模擬包括溫度波動情況（包括較大溫度波動和規程范圍內小幅波動）。分別對比本文模型動態閾值、瓦溫跳機閾值、采用深度學習神經網絡模型的閾值，圖3記錄了３種閾值對比曲線?？梢杂^察到本文本文模型動態閾值和深度學習神經網絡模型的閾值均比機組瓦溫保護跳機值低很多，但深度學習神經網絡模型的閾值對規程范圍內的瓦溫異常波動容易產生誤預警。表2給出了所有測試樣本數據的動態閾值效果分析結果。

深度學習神經網絡模型的閾值樣本測試數據誤報率均值達到了5.99%，對于規程范圍內的瓦溫異常波動容易產生誤預警。而本文提供的動態閾值測試數據誤報率均值為1.07%，同時動態閾值均值為56.59℃，低于瓦溫跳機定值（23℃），具有較高的可信度，可為運行人員瓦溫異常監視提供可操作的數值依據。

3 結語

針對水力發電機組工況多變、監測參數變動范圍較大、靜態閾值診斷具有無時變適應性和異常識別精度低的缺陷。本文提出通過劃分不同運行負荷區間工況，基于箱型圖的異常數據清洗，結合修正因子和趨勢調整因子建立水力發電機組瓦溫動態閾值抽取模型。該方法抽取的動態閾值可行度較高，可為水電站設備運行智能報警提供一定理論依據。

參考文獻

[1]劉元峰，何鴻翔，吳一凡.一種水電機組水導瓦溫高處理方法[J].水電與新能源，2022（9）：50-52.

[2]譚博元.水輪發電機組水導瓦溫過高故障解析與改進[J].東北水利水電，2020（6）：67-68.

[3]宋湘輝，徐利君，鄭凱，等.一種抽水蓄能電站推力瓦溫預警的方法：CN202011125079.2[P].2022-05-03.

[4]康永林，陳緒鵬，洪禮聰，等.一種基于BP神經網絡的水輪發電機組軸瓦溫度預警方法：CN202210146042.0[P].2022-05-31.

[5]宋光雄.汽輪發電機組軸承瓦溫變化趨勢實時分析方法：CN201110026025.5[P].2011-01-24．

[6]歐陽慧泉，劉勇，李國和，等.一種抽水蓄能電站瓦溫特征提取方法及系統：CN202311584058.0[P].2023-11-24.

[7]陸俊杰，徐秀峰，梁聰.基于正態分布雷電參數的220kV線路雷擊跳閘模[J].電瓷避雷器，2015（5）：106-110.

[8]郭斌，熊顯名.基于SARIMA-LSTM的區域用電消耗預測研究[J].工業控制計算機，2024（5）：109-114.