基于健康樣本的水電機組狀態評價方法探究

周正華，陳豪杰，鄒琦華，萬芳清

（1.浙江華電烏溪江水力發電有限公司，浙江 衢州 324000；2.北京華科同安監控技術有限公司，北京 100043）

0 引言

隨著水電廠自動化程度的不斷提高和計算機科學的飛速發展，水電機組的運行已處于各類自動化元件和系統的密切監視之下，當出現異常時能迅速做出判斷和處理[1]。同時，大量的監測信息也為實現水電機組自動故障診斷提供了基礎數據樣本。然而，傳統的故障診斷方法以故障樣本為依據，即通過實時數據樣本與故障樣本的比對，判斷機組是否存在某種故障[2]。由于水電機組故障樣本較少，傳統的故障診斷方法難以開展，且水電機組受水力、機械、電氣等因素耦合影響，某些故障與其征兆間存在非線性的映射關系，難以通過機器實現自動判別和診斷。

近年來，水電機組監測數據的信息挖掘與融合技術已成為行業研究熱點[3]，即通過對已有數據樣本進行深入分析和挖掘，探尋水電機組的運行特點和規律，進而對水電機組的運行狀態進行實時評價和趨勢預測[4]。本文利用機組已積累的大量運行數據建立健康樣本，設計了水電機組狀態評價的健康模型，進而根據監測數據的統計分析結果，確立了評價閾值和體系，可對機組運行狀態進行實時評價，并預測早期或潛在的故障。

1 評價方法

1.1 健康樣本的建立

水電機組的健康樣本即機組在健康狀態下的數據集。對新投產的機組，剛剛投運后的監測數據集可作為健康樣本；對已投運多年的機組，可選用大修后的監測數據集作為健康樣本。健康基準值和閾值是健康樣本的兩個基本要素，健康基準值為實時數據進行比對、判別提供基準，實時數據偏離健康基準值的多少可作為健康程度的判別依據，根據實時數據是否超出閾值則可判斷狀態是否健康。運行狀況良好的機組，其監測參數在均值附近波動，可選取參數均值作為健康基準值。另據相關研究表明，穩態工況下運行的水電機組狀態監測參數服從正態分布，可根據正態分布的理論設定參數的閾值[5]，即3σ準則：

式中，Srt，實時監測值；，健康樣本基準值；σ，健康樣本標準差。

根據正態分布的理論，監測參數實時值位于3σ區間內的概率為99.74%。因此，根據3σ準則確定的健康樣本可涵蓋絕大部分的健康數據。

1.2 健康模型設計

由于水電機組工況、負荷調整頻繁，不同工況下的監測參數存在很大的差別。若不把工況因素考慮在內，建立的健康樣本便不具備代表性。研究發現，出力和水頭是影響水電機組運行特性最核心的兩個要素，可建立基于特定出力和特定水頭下的健康樣本，全部出力和水頭范圍內的健康樣本構成水電機組狀態評價的健康模型。基于出力和水頭的健康模型如下表示：

式中，Em，狀態評價三維健康模型；P，機組出力；H，機組水頭。

機組監測參數在不同出力、水頭下的健康樣本構成了狀態評價健康模型的樣本子集。根據實時的機組出力和水頭，在三維健康模型中檢索到對應的健康樣本，實時監測數據和健康基準值進行比對，判斷其偏離基準值的程度，是否超出健康閾值范圍，最終做出狀態評價結果。

2 狀態評價的實現

以國內某水電機組滿負荷穩定運行10 h積累的監測數據為例，說明健康樣本和健康模型的建立與狀態評價的實現過程。該時段內，機組一直在滿負荷工況下運行，且上下游水位保持穩定。原始監測數據共包括上導擺度+X、上機架水平振動+X、蝸殼進口壓力脈動、發電機層噪聲4個監測參數。狀態監測系統每3 s保存一組實時數據，每個監測數據樣本分別包括12 000個數據點。

2.1 監測數據的統計分析

對4個監測參數的數據樣本開展統計分析，概率密度曲線如圖1所示，累積概率曲線如圖2所示。從圖1和圖2可以看出，4個數據樣本的概率密度曲線和累積概率曲線同正態分布曲線極其接近，穩態工況下的監測數據近似服從正態分布。

圖1 監測數據的概率密度曲線

圖2 監測數據的累積概率曲線

2.2 評價閾值的確立

以上監測數據是在機組運行狀態良好、出力和水頭保持穩定的工況下采集到的，構成了該機組在該特定工況下的健康樣本。由1.1得知，監測數據服從正態分布，采用數據樣本均值作為健康基準值，采用3σ準則確立閾值。4個監測參數的健康基準值與上、下限閾值如表1所示。

表1 監測參數健康樣本的確立

4個監測參數的評價閾值如圖3所示。從圖中可以看出，采用準則確立的閾值可包括絕大部分的健康數據，并剔除偶爾超出正常范圍波動的個別數據。上限閾值規定了監測數據波動的上限值，若超出則存在異常；同時，下限閾值也同樣重要，若監測值出現較低數值乃至超出下限閾值，則可能為傳感器或數據通信故障導致的數據失效。

圖3 健康樣本中評價閾值的確立

2.3 狀態評價體系

當監測系統實時采集到監測值后，代入已建立的健康模型Em=f（P，H）中，根據機組實時工況參數，檢索到對應工況下的健康樣本，同健康樣本中的健康基準值和閾值進行比對，按照下式得出機組的狀態評價結果：

式中，Es，機組狀態評價結果。

機組狀態評價結果根據實時監測值與健康樣本的比對得出，以百分數的形式表示，不同結果的評價涵義可如下定義：

66.7%≤Es≤100%，表明監測值在健康基準值上下1σ的范圍波動，機組狀態為“優”；

33.3%≤Es≤66.7%，表明監測值在健康基準值上下1σ～2σ的范圍波動，機組狀態為“良”；

0%≤Es≤33.3%，表明監測值在健康基準值上下2σ～3σ的范圍波動，機組狀態為“中”；

Es≤0%，表明監測值已超出健康樣本的閾值，機組狀態為“差”，需作進一步檢查。

3 結論

本文以機組的健康數據為依據，建立了基于健康樣本的水電機組狀態評價方法。經統計分析，監測數據服從正態分布，根據正態分布理論確立了健康樣本中的基準值和閾值，并根據實時監測值偏離健康基準的程度和超出閾值與否，建立了水電機組的狀態評價體系。此評價方法是在對健康數據的挖掘分析中得出的，相對于傳統的基于故障樣本的診斷方法，可在故障尚未發生或故障早期，對機組的狀態作出實時評價，有助于提前檢測機組狀態的變化或異常，保障機組的運行安全。