劣化分析技术在水口电站趋势预警中的应用

郑 杰

（福建水口发电集团有限公司，福建 福州035004）

0 前言

随着我国水电事业的大力发展，水电装机规模和单机容量也快速增长，大容量、高水头及水头变化大的工况条件使当前电站运行安全和机组运行安全面临更大挑战。稳定性指标作为评价水轮发电机组性能的三大指标之一，直接影响水电厂的安全和效益，对电力系统稳定性和可靠性担负着重要作用，因此也越来越受到大家的重视。水电机组的劣化水平体现设备的健康状况，直接关系到水电站的安全稳定运行等重要的安全和经济效益指标，其社会效益巨大。本文以福建水口集团各水电站机组为背景,结合各电站机组的结构特点,综合水电机组稳定性、能量特性等因素，提出了一种基于劣化分析的趋势预警方法。

1 故障预警在水电厂应用现状

目前，我国水电厂的运行方式正处在“无人值班，少人值守”模式的发展时期，为了使机组在此模式下能够安全、经济、可靠地运行，对机组的健康评价和故障预警越来越得到了重视。目前水电机组往往采用现场试验和简单限值比较的方式进行状态评估和监测预警，这种方法虽然在一定程度上能够对部分机组异常运行起到预警和保护的作用，但由于水轮机组运行工况复杂，受水力干扰明显，这种简单的方法越来越无法满足现场的需求。因此，基于劣化的设备健康评级及预警方法也就越来越得到大家的认可和推崇。

基于力学的劣化评估方法是以结构部件失效与破坏的动力学特性为基础，来评估设备的劣化程度。这种方法最早应用于军事领域，并逐渐在电子产品机内测试（BIT）、发动机健康监控、结构件健康监控、齿轮箱、液压系统健康监控等具体领域得到了应用和发展。Howard、Liu Qia、李静等人都在这个方向上做了大量的理论研究，在齿轮啮合中齿面硬度疲劳失效、轴系疲劳损伤方面都取得了不错的应用效果。区别于常规设备，水电机组受水、机、电、磁等多场耦合作用，其劣化失效过程往往非常复杂，因此在水电机组的劣化分析领域，目前的研究还处于起步的阶段。

2 水轮发电机组基于劣化分趋势预警的评价方法

2.1 劣化的评价方法

针对水电机组这一典型的多部件、多因素的复杂系统，需要采用设备健康评价模型为“设备评价-设备部件评价-基础特征指标劣化评价-特征参数”4层体系的设备综合劣化评价模型，对机组进行准确描述。也就是按照“设备部件基础特征参数→计算基础特征参数劣化指数→计算部件劣化指数→计算设备劣化指数”的流程来进行劣化评价，最终得到设备（发电机、水轮等）的劣化评价指数，其模型示意图见图1。

2.2 特征参数提取

通常衡量机组振动水平大小主要采用通频峰峰值、有效值。从结构疲劳老化角度来讲，更高频的振动会加速结构的疲劳过程，而且在水轮发电机组中不同故障通常与特定的频率相关。因此从进行劣化评价的角度而言，不仅应考虑振动通频峰峰值、有效值，而且更应综合考虑与故障相关的频率成分的变化，以顶盖部件为例，其典型的劣化特征参数见表1。

表1 典型特征参数（转轮室部件部分）

水电机组在一定的水头和负荷下会形成特定的振动区，机组不能在该区域内长时间连续运行，否则易导致各部件连接松动、引发零部件或焊缝疲劳裂纹。因此需要表征水电厂振动区劣化特性。表2是反映机组振动区劣化的特征参数。

在理想条件下，水轮发电机组在同样的水头、负荷（或导叶开度）下，水轮机效率（耗水率）应该是近似不变的，因此在同样的水头、负荷（或导叶开度）下，水轮机效率的下降(或耗水率的上升)能在一定程度上反映出水轮机结构的损伤或性能的退化，反映机组能量变化的特征参数如表3所示。

表2 反映机组振动区劣化的特征参数

表3 机组能量特征参数

2.3 机组设备劣化评价模型

通过大量机组失效案例和统计规律得出，机组劣化往往不是呈线性状态，而是分阶段逐步劣化的，其劣化状态成“浴盆曲线”，浴盆曲线如图2所示，本文提出3种劣化数学模型，分别为Li_linear线性退化模型、Li_e1指数退化模型1、Li_e2指数退化模型。

图2 机组劣化浴盆曲线图

（1）线性退化模型下的劣化指数：

（2）早期敏感型指数退化模型下的劣化指数（退化因子K2=2.0）：

（3）晚期敏感型指数退化模型下的劣化指数（退化因子K1=2.0）：

2.4 水电机组劣化指数的趋势预警算法选择

进行趋势预警，核心是要解决趋势预测问题。根据历史数据预测正常条件下的劣化指数变化规律，再与实际测量获得的指数进行比较，检测是否已经发生偏离，通过设定合理的偏离值，来实现趋势预警。

在水轮发电组的振动、摆度信号趋势预测中，需要结合水电机组数据特征选择恰当的趋势预测方法。总体来说，机组状态参数有以下特点：

（1）振动、摆度与机组功率之间的强非线性

具体表现在机组的振动、摆度、压力脉动与机组负荷、工作水头并非线性关系，而且在振动负荷区偏离设计水头工况下振动、摆度会急剧变化。图3是水口1号机组不同水头下上导X摆度测值和机组负荷相关曲线（纵坐标是摆度X，横坐标是机组功率）。

图3 不同水头下上导摆度X与机组负荷之间的相关曲线

从图3可以看出，在同一水头下，摆度与机组负荷呈现非线性的关系。尤其是在100～140 MW负荷区间，微小的负荷变化，将会引起机组摆度、振动的较大变化。另外，在同样的负荷（及同一个水头）条件之下，测量获得的摆度并不是固定的一个值，而是呈现出一个较为稳定的分布范围，这就是摆度、振动的随机性特点

（2）机组运行特点导致的工况的有限性

由于机组存在振动区的问题，大多数机组在运行调度时会避开振动区运行，这样导致的结果是在线监测系统无法采集到振动负荷区的振动、摆度数据；另外，由于水电站水情和调度的原因，机组运行的工作水头往往局限的靠近设计水头附近的若干个水头之下，因此在线监测系统难以采集到更多更全水头下的振动、摆度数据。图4为水口电站6号机组不同负荷下的上导摆度测量的数据。

图4 6号机组上导摆度与机组负荷之间的相关曲线

从图4中可以看出，6号机组的上导摆度在有功30～100 MW之间无任何数据，证明机组在该负荷区无稳定运行过，但是对分析系统而言，振动、摆度、气隙为主要因素计算形成的设备及设备部件劣化指数也应具备上述特点。因此需要将上述特点对照到各类回归算法，分析各类算法的适用性。

因此，从可靠的工程实践出发，这里采用了基于机组负荷、工作水头、无功等多个工况边界参数的多维分格趋势预测算法，来检测劣化指数的趋势变化。

3 趋势预警案例分析

本文以水口3号机组水轮机的关键部件顶盖的劣化指数为基础进行分析计算。为了简化说明，顶盖劣化指数仅采用表4所示6个特征参数进行劣化计算。

表4 简化的顶盖劣化指数计算模型

水口电站3号机组于某年8月28日发生了较为严重的事故。由于当时安装在该机组上的在线监测只采用摆度的峰峰值报警，因此未能及时提前发现事故征兆，未能对该机组的故障作事故预警，但是采用劣化趋势的方法可以很有效的对此故障进行识别。

图5为机组正常运行时用表4计算得到的顶盖劣化分布图，从图中可以看出顶盖劣化指数分布在88.6～97.3之间，其平均劣化指数为92.0。

图5 53～53.5 m水头、195～200 MW下顶盖劣化指数分布图

图6为事故前后顶盖劣化指数分布图，从图中可以看出，在8月15日顶盖劣化指数已经偏离了原来统计样本的下边界88.6，说明在8月15日该机组已经产生缺陷。随后，顶盖劣化指数继续下降，说明该机组的缺陷继续发展和扩大，8月24日后劣化指标开始快速下降，到8月26日劣化指标已经达到最低值，最小劣化指标甚至达到了52.67，持续降低的劣化指标说明该机组缺陷发展加速。此后劣化指数稍有回升，但是依然远低于原来正常状态下的边界，说明该机组缺陷已经发展到永久不可恢复的缺陷，直到8月28事故发生，机组停机。

图6 事故前后顶盖劣化指数变化图（53～53.5 m水头、195～200 MW）

4 结束语

引起水电机组劣化失效的因素有很多，在本文中提出的多维度、多参数融合的劣化评价模型虽然具有一定的全面性，但是设备的失效模式是非常复杂的，对水电机组劣化失效分析来说还属于起步阶段，后期还需要进一步研究机组的劣化机理和失效模式。