抽水蓄能机组发电电动机风洞及水车室智能监测技术研究与实践

陆小康，郝国文，宋旭峰，朱 溪，陈泽阳，魏 李，赵宏图，肖凌云

（1.浙江仙居抽水蓄能有限公司，浙江省仙居县 317312；2.国网新源控股有限公司，北京市 100041；3.北京华科同安监控技术有限公司，北京市 100048）

0 引言

目前针对水电机组运行状态的监测，主要有计算机监控系统和机组状态在线监测系统，其主要监测参数涉及机组各运行部位的温度、压力、水位、振动、摆度、压力脉动、空气间隙、磁通密度和发电机局部放电等，主要关注机组电气特性和旋转机械运行特性的表现[1]。

对抽水蓄能机组而言，作为机械、电气和水力多种因素耦合关联的综合体，许多明显的运行特征却仍然依赖人工检查或目测。随着物联网和智能监测技术的发展，过去大多依赖人工的“看”“听”“闻”“触”等感知方法和技术，都可利用智能化监测技术转化为其综合状态的数字化、信息化和智能化运维数据，并结合数据挖掘分析技术的应用，提高机组数字化运维管控水平。

1 故障参数特征

以抽水蓄能电站为例，其发电电动机风洞和水车室在机组运行期间，通常禁止人员进入，对其运行过程中可能发生的故障和问题，也只能依靠监控系统的参数以及传统的机组状态在线监测系统等有限的手段进行监测。

发电机风洞内安装的部件众多，有电机定转子、导轴承及冷却系统，涉及绕组绝缘、机械碰磨等问题。以轴承油槽为例，其密封出现故障时，容易导致油雾凝结、定子通风沟油污严重、下机架积油滴漏等现象[2]。水车室内虽然部件较为简单，但轴承、顶盖等受机械、水力影响较大。以顶盖为例，如果出现漏水等现象，可能导致机组“非停”、水导油槽等机械部件受损、油泄漏引发环保事件等后果，给电力安全生产带来威胁，尤其是在无人值守条件下，此类事故发生的后果更为严重[3]。

因此，针对发电机风洞和水车室这种表象特征明显而当前却缺乏有效监测分析手段的故障，如能利用最新的图像、声学、红外摄影等手段进行实时监测、分析和异常情况识别，并通过数字化、信息化手段进行特征挖掘和分析，最终可剔除监测盲点，进一步提供机组的智能化运维水平。

本文整理了水电机组发电电动机风洞和水车室常见的故障，以及可能的故障特征，结果见表1。

表1 抽水蓄能机组风洞及水车室常见故障及特征监测方法Table 1 General fault and symptom monitoring method for generator and turbine rooms of pumped storage unit

从表1中可以看到，部分故障导致的压力、振动、流量等参数异常，可以通过监控系统和机组状态在线监测系统监测和及时报警；对于机械故障和水力因素产生的异常噪声，可以通过“听”声音即噪声监测技术来分析判断；对外观损伤、变形和一些可以通过目测解决的问题，由于其位置复杂，很难在运行期间发现，则可以采用“看”图像，即智能图像传感器实现实时视频监控和异常识别；对于定子绝缘老化问题，可通过安装气体监测传感器“闻”气味来实现实时监测；对于转子励磁引线和磁极连接环等薄弱环节，则可采用红外热像仪实现温度场的监测和分析。

2 智能监测技术研究

2.1 噪声监测

水电机组运行时，产生的声音通常有空气动力性噪声、机械性噪声和电磁噪声等。对噪声的度量，通常采用声压，即声波引起空气质点振动，使大气压产生起伏，这个起伏部分，即超过静压（平衡状态下的大气压强）的量，称为声压。由于人对声音响度的感觉是与声音强度的对数成比例的，所以，通常用一个声压的对数比来表示声音的大小，这就是声压级。声压级单位为分贝（dB）。在机组启动试验时，通常用噪声仪或声级计对频率进行A型计权后求得的总声压级，提供dBA分贝值对机组噪声水平进行评价。

常用的噪声仪或声级计通常只能得到计算后的A型计权，无法得到实时声压波形和频谱，因此无法对异常噪声进行分析诊断，如文献[3]中提到水轮机导叶出水边卡门涡共振发生的异常噪声，无法获得其噪声的频率分量，故对机组故障诊断分析并无大的效果，因此，对水电机组故障诊断分析而言，需要采用噪声在线监测装置对噪声进行实时数据监测和频率分析，并结合机组工况进行分析诊断。

为了研究风洞和水车室内噪声分布，开展异常噪声分析，可在发电机风洞和水车室内安装多个声学传感器，实时进行声压采样和频谱分析，并组成声学阵列，实现对内外风洞和水车室的全方位声学监测。通过声学研究可获取风洞内的结构异常特性，探测电机的结构振动噪声、电磁噪声、结构碰磨和绝缘磨损等异常，以及水车室的结构振动噪声和结构碰磨等异常现象。通过研究发电电动机和水轮机运行噪声、异常噪声和声学分析频谱、机组运行工况之间的对应关系，可确定发电电动机和水轮机不同工况下的标准声纹样本数据，指导异常噪声的识别诊断。

通过声压场的等值线图，可以直观地看出最大噪声源位置。通过矢量声强图表明声能的流动方向，可用于识别发自设备内部某声源的声强（矢量）流，可快速识别设备内部的噪声源。

2.2 视频监测

视频监测主要利用智能摄像头实现现场环境实时录影，并进行监控图像识别分析，可识别油位、有无渗漏、外观损伤、异物、变形、裂纹等信息。以发电电动机转子励磁引线和磁极连接环为例，其电磁环境复杂，是转子事故多发部位，用常规监测手段无法实时监测其转子磁极连接松动变形。从设计角度而言，既要考虑绝缘距离是否能满足相应电压等级绝缘要求，又要兼顾线棒散热问题，文献[4]中由于相邻线棒绝缘结束端空气间隙过小，当风洞空冷器漏水、线棒端部积灰时，直接导致接地故障或相间短路故障，造成线棒表面碳化、端部接头烧断等严重后果。

因此，可在发电机风洞和水车室内安装多个智能图像传感器，实现对转子励磁引线部位和定子上方线棒端部和汇流环等部位的图像监测，视频摄像头通过以太网将数据传输至数据采集单元。通过对环境和设备状态不间断地采集，形成海量多源的图像视频大数据源。利用图像识别和视频异常触发算法，结合风洞和水车室实际情况，识别异常的视频信息，实现风洞和水车室运行工况的视觉缺陷智能检测。

以顶盖螺栓松动识别为例，通过在螺栓上绘制标注线，收集采集的图像数据，用YCB颜色提取算法，提取标注线颜色，通过合并和修正等处理后，得到标注线特征并建立样本库。视频监测时从实时图像帧中提取螺栓标注线，与样本对比，当标注线发生变化时，就判断螺栓发生了松动，示例照片如图1所示。

图1 现场视频提取的螺栓状态对比照片Figure 1 The comparison photos of on-site bolt in different condition extracted from video

对风洞和水车室其他结构部件，视频监控系统收集正常的图片数据，建立标准样本，将实时采集到的图像与样本进行对比，如果图像差异较大，则判断为图像变化异常。系统采用感知哈希算法（PHA）来进行图像比对，该算法将图片所包含的特征生成指纹，通过这些指纹进行图像比较。系统对变化区域进行标识并建立异常记录，通过图像变化的分析，最终可识别异物、形变、裂纹等故障。图2为现场部件变形模拟测试照片。

图2 模拟部件变形的视频对比照片Figure 2 The on-site comparison photos of simulated component deformation

2.3 温度场分析

过去对机组带电设备的温度监测，通常采用手持式红外测温枪进行测量，但测温枪只能测量电气设备表面温度，无法测量内部温度，另外定位热点难度较大，通常需要根据以往经验，寻找电气设备热点，通过扫描运动来测温[6]。

而近年来应用较为广泛的红外热成像技术，可以获得设备表面温度分布，判断设备内部热损耗部位，具有定性成像和定量测温的功能，温度分辨率和空间分辨率较高，可以实时发现设备运行过程中跟电压电流有关的问题，确定问题的位置和程度[7-8]。

为了获取风洞内部重点部件温度分布，可在发电机风洞内多个位置安装智能热成像仪，一个是从发电机出口方向和中性点方向监测定子上端面温度场，及时发现发电机线棒端部及定子汇流环部位相关故障。另一位置是转子附近励磁引线连接处的温度场，可及时发现励磁引线的温度及连接状态。

2.4 气味分析

从闻的角度研究气体监测分析技术，分析电机内部各类绝缘材料在的过热时的分解产物及含量，选用合理的光学传感气体分析技术和采集单元，分析电机各类绝缘的过热产物含量；研究绝缘过热产物含量与绝缘过热严重程度的相互关系，指导后续电机的绝缘过热评估[7]。

在风洞内安装总烃含量监测和臭氧监测装置，可实现对风洞的全方位气体监测。通过实时监测分析电机的绝缘过热分解物，探测电机的绝缘损坏情况。总烃含量监测装置和臭氧监测装置监测数据通过通信方式传输至视频、气体、温度数据采集单元，统一进行管理、存储。

通过气味监测，系统可分析发电机内部各类绝缘材料在的过热时的分解产物及含量，通过研究绝缘过热产物含量与绝缘过热严重程度的相互关系，对电机的绝缘过热评估，指导设备的运行及检修。

3 系统应用

通过在仙居抽水蓄能电站2号发电电动机风洞和水车室内开展综合状态智能监测系统的安装和布置，将图像、声学、气体和热成像监测技术与原有状态监测系统相结合，实现对风洞和水车室关键部件和位置和实时监测和异常识别。

整个综合监测分析系统由各类传感器、数据采集单元、数据处理服务器及系统软件（含数据库模型、规则库设计和监测与报警软件）组成，传感器部分包括温度传感器、图像传感器、热成像传感器、总烃传感器、臭氧监测装置和声学传感器，如图3所示。

图3 综合监测分析系统结构示意图Figure 3 Schematic diagram of integral monitoring and analysis system structure

针对不同测量参数，开展综合交叉分析，实现智能故障的识别和监测，其采用的分析方法如图4所示。

图4 传感器对应分析方法示意图Figure 4 Schematic diagram of analysis method with sensors

通过综合发电机风洞及水车室视频监测、噪声监测、气味监测以及机组状态监测系统数据，利用机器学习算法进行特征提取与分析，对发电电动机和水车室的状态信息库数据深入挖掘，研究故障定位技术，建立发电电动机和水车室的多维度故障报警模型，对设备的非正常状态给出预警和故障报警，其主监视界面如图5所示。

图5 电站应用的系统集成界面Figure 5 System integration interface applied in hydropower station

4 结束语

随着水电站在“无人值班、少人值守”、流域集控的大趋势下，机组运行管理和安全管控也向着信息化、智能化、数字化方向大力发展，虽然越来越多电站安装了各种状态监测系统，但仍然存在不少监测盲区。本文主要针对图像、视频、温度场、噪声和气体等目前应用较少的运行特征，选择成熟的传感器设备，有针对性地选择关键位置进行实时监测分析，既提高了电站操作人员的工作效率，也为电站的智能化运维提供基础。

大部分电站安装的视频、消防和监测系统采用了不同设备，未形成统一的功能和接口标准，数据源分散，各个子系统报警信息存储、处理缺少统一管理，在发生安全事件时无法有效衔接互动，导致管理人员无法针对海量信息迅速做出正确决策。本文结合电站安装的现有状态监测系统，采用统一设计、规划和综合一体化的思路，建立统一数据库，形成联动管理平台，极大提高了水电厂的安全稳定运行，也为后续水电行业多参数、多系统的综合分析管理系统建设提供了参考和思路。