基于健康样本的水电机组状态评价方法探究

周正华，陈豪杰，邹琦华，万芳清

（1.浙江华电乌溪江水力发电有限公司，浙江 衢州 324000；2.北京华科同安监控技术有限公司，北京 100043）

0 引言

随着水电厂自动化程度的不断提高和计算机科学的飞速发展，水电机组的运行已处于各类自动化元件和系统的密切监视之下，当出现异常时能迅速做出判断和处理[1]。同时，大量的监测信息也为实现水电机组自动故障诊断提供了基础数据样本。然而，传统的故障诊断方法以故障样本为依据，即通过实时数据样本与故障样本的比对，判断机组是否存在某种故障[2]。由于水电机组故障样本较少，传统的故障诊断方法难以开展，且水电机组受水力、机械、电气等因素耦合影响，某些故障与其征兆间存在非线性的映射关系，难以通过机器实现自动判别和诊断。

近年来，水电机组监测数据的信息挖掘与融合技术已成为行业研究热点[3]，即通过对已有数据样本进行深入分析和挖掘，探寻水电机组的运行特点和规律，进而对水电机组的运行状态进行实时评价和趋势预测[4]。本文利用机组已积累的大量运行数据建立健康样本，设计了水电机组状态评价的健康模型，进而根据监测数据的统计分析结果，确立了评价阈值和体系，可对机组运行状态进行实时评价，并预测早期或潜在的故障。

1 评价方法

1.1 健康样本的建立

水电机组的健康样本即机组在健康状态下的数据集。对新投产的机组，刚刚投运后的监测数据集可作为健康样本；对已投运多年的机组，可选用大修后的监测数据集作为健康样本。健康基准值和阈值是健康样本的两个基本要素，健康基准值为实时数据进行比对、判别提供基准，实时数据偏离健康基准值的多少可作为健康程度的判别依据，根据实时数据是否超出阈值则可判断状态是否健康。运行状况良好的机组，其监测参数在均值附近波动，可选取参数均值作为健康基准值。另据相关研究表明，稳态工况下运行的水电机组状态监测参数服从正态分布，可根据正态分布的理论设定参数的阈值[5]，即3σ准则：

式中，Srt，实时监测值；，健康样本基准值；σ，健康样本标准差。

根据正态分布的理论，监测参数实时值位于3σ区间内的概率为99.74%。因此，根据3σ准则确定的健康样本可涵盖绝大部分的健康数据。

1.2 健康模型设计

由于水电机组工况、负荷调整频繁，不同工况下的监测参数存在很大的差别。若不把工况因素考虑在内，建立的健康样本便不具备代表性。研究发现，出力和水头是影响水电机组运行特性最核心的两个要素，可建立基于特定出力和特定水头下的健康样本，全部出力和水头范围内的健康样本构成水电机组状态评价的健康模型。基于出力和水头的健康模型如下表示：

式中，Em，状态评价三维健康模型；P，机组出力；H，机组水头。

机组监测参数在不同出力、水头下的健康样本构成了状态评价健康模型的样本子集。根据实时的机组出力和水头，在三维健康模型中检索到对应的健康样本，实时监测数据和健康基准值进行比对，判断其偏离基准值的程度，是否超出健康阈值范围，最终做出状态评价结果。

2 状态评价的实现

以国内某水电机组满负荷稳定运行10 h积累的监测数据为例，说明健康样本和健康模型的建立与状态评价的实现过程。该时段内，机组一直在满负荷工况下运行，且上下游水位保持稳定。原始监测数据共包括上导摆度+X、上机架水平振动+X、蜗壳进口压力脉动、发电机层噪声4个监测参数。状态监测系统每3 s保存一组实时数据，每个监测数据样本分别包括12 000个数据点。

2.1 监测数据的统计分析

对4个监测参数的数据样本开展统计分析，概率密度曲线如图1所示，累积概率曲线如图2所示。从图1和图2可以看出，4个数据样本的概率密度曲线和累积概率曲线同正态分布曲线极其接近，稳态工况下的监测数据近似服从正态分布。

图1 监测数据的概率密度曲线

图2 监测数据的累积概率曲线

2.2 评价阈值的确立

以上监测数据是在机组运行状态良好、出力和水头保持稳定的工况下采集到的，构成了该机组在该特定工况下的健康样本。由1.1得知，监测数据服从正态分布，采用数据样本均值作为健康基准值，采用3σ准则确立阈值。4个监测参数的健康基准值与上、下限阈值如表1所示。

表1 监测参数健康样本的确立

4个监测参数的评价阈值如图3所示。从图中可以看出，采用准则确立的阈值可包括绝大部分的健康数据，并剔除偶尔超出正常范围波动的个别数据。上限阈值规定了监测数据波动的上限值，若超出则存在异常；同时，下限阈值也同样重要，若监测值出现较低数值乃至超出下限阈值，则可能为传感器或数据通信故障导致的数据失效。

图3 健康样本中评价阈值的确立

2.3 状态评价体系

当监测系统实时采集到监测值后，代入已建立的健康模型Em=f（P，H）中，根据机组实时工况参数，检索到对应工况下的健康样本，同健康样本中的健康基准值和阈值进行比对，按照下式得出机组的状态评价结果：

式中，Es，机组状态评价结果。

机组状态评价结果根据实时监测值与健康样本的比对得出，以百分数的形式表示，不同结果的评价涵义可如下定义：

66.7%≤Es≤100%，表明监测值在健康基准值上下1σ的范围波动，机组状态为“优”；

33.3%≤Es≤66.7%，表明监测值在健康基准值上下1σ～2σ的范围波动，机组状态为“良”；

0%≤Es≤33.3%，表明监测值在健康基准值上下2σ～3σ的范围波动，机组状态为“中”；

Es≤0%，表明监测值已超出健康样本的阈值，机组状态为“差”，需作进一步检查。

3 结论

本文以机组的健康数据为依据，建立了基于健康样本的水电机组状态评价方法。经统计分析，监测数据服从正态分布，根据正态分布理论确立了健康样本中的基准值和阈值，并根据实时监测值偏离健康基准的程度和超出阈值与否，建立了水电机组的状态评价体系。此评价方法是在对健康数据的挖掘分析中得出的，相对于传统的基于故障样本的诊断方法，可在故障尚未发生或故障早期，对机组的状态作出实时评价，有助于提前检测机组状态的变化或异常，保障机组的运行安全。