水电厂设备状态监测及预测性维护研究

粟光明

（国网湖南省电力有限公司水电分公司）

0 引言

随着可再生能源发电日益被视为支持低碳战略的一个基本组成部分， 水力发电正在经历一个新的时代。与其他可再生能源发电相比， 水力发电有许多优势。水力发电可以随时启停， 这为电网提供了灵活性。例如， 支持与其他可再生能源， 如风能和太阳能发电的整合。此外， 水电站大型水库中的水可被视为低需求时期的储能资源， 并在需要时转化为电能[1-2］。最后， 对于大型汽轮发电机组， 机械-电能转换过程的综合效率可以达到90%以上。

在本文中， 提出了一个新的关键绩效指标（KPⅠ）， 并进行适当训练的自组织映射 （SOM） 在水电站实施状态监测。除了检测错误的操作条件， 指示器还能识别出最有可能导致错误行为的组成部分。在本文中， 研究表明， 在超过一年的测试期间， 所提出的KPⅠ 比标准的多变量过程控制工具 （如霍特林控制图） 表现得更好。

1 技术性分析

在水电厂运行过程中， 设备运转状态的监测和预测性维护是关键的一项工作。通过对设备状态的监测和分析， 可以及时发现潜在的故障及问题， 并作出相应的维护和保养， 从而确保设备的长期稳定运行， 提高设备的可靠性和效率。

1） 水电站设备状态监测

机组状态监测。通过机组的运行数据监测， 可以了解机组的运转情况， 包括： 机组负荷、 转速、 电压等。只有了解机组的准确状态， 才能及时发现故障和问题。水轮机状态监测。轮机的状态监测可以从轮机振动、 噪声、 温度、 油压等方面进行监测。这些参数的变化可能会说明水轮机存在故障或存在潜在问题。发电机状态监测。发电机的状态监测为保证电站安全和经济运行非常重要， 主要包括发电机电压、 电流、功率因数、 绝缘电阻等。

2） 水电站设备预测性维护

基于数据驱动的预测性维护。通过机器学习和数据分析等技术， 对设备的运行数据进行分析和学习，从而实现对设备状态及故障的预测， 提前做出相应的预防性维护措施。基于风险评估的预测性维护。风险评估是一种基于风险评估的措施， 以预测设备的故障率， 并制定预防性维护计划。

3） 水电站设备状态监测与预测性维护的重要性

对设备状态监测和预测性维护， 可降低因设备停机维修、 故障重大造成设备和电站的经济损失和运行效率， 提高设备的可靠性和运行效率， 同时提高电站的安全性和稳定性， 保持长期稳定的运行。

2 理论分析

所提出的方法包括训练自组织映射 （SOM） 神经网络， 以便使用标称状态观测的历史数据集来建立系统标称行为的模型。在新的状态观测值的失真测量与训练过程中， 使用标称状态的平均失真测量值进行比较后， 将其分类为“受控”或“失控”。

2.1 基于自组织映射神经网络的关键指标

自组织映射 （SOMs） 是一种流行的人工神经网络算法， 属于无监督学习范畴， 在广泛的应用中得到了验证[3-5］。给定一个高维输入数据集， SOM 算法生成数据到低维输出集的映射。

SOM 输出空间由固定和有序的二维网格组成，由范围1 ⋅⋅⋅D中的索引标识， 其中定义了索引c 和i的任何两个网格之间的距离度量d(c,i) 。索引的每个单元i 都与一个模型向量mi∈R1×n相关联， 该模型向量位于输入模式的同一高维空间中， 其中矩阵Δ ∈RN×n表示要分析的训练数据集， 包含行向量r∈R1×n的N个观测值。

经过训练后， 模型向量的分布类似于输入数据的分布， 具有保持网格拓扑结构的附加特征： 对应于相邻单元的模型向量也应该在高维输入空间中相邻。当向网络提供新的输入样本r时， SOM 找到最佳匹配单元（BMU）， 其模型向量mc与r的欧几里得度量最小：

SOM 训练算法的目标是最小化以下失真度量：

式中，

式中， 函数是邻域函数，c是对应于输入样本r的 BMU（最佳匹配单元），σ是邻域宽度。失真度量表明了训练后的SOM （自组织映射） 对维护输出网格二维拓扑结构的数据的拟合能力。相对于单个输入模式r 的失真度量计算为：

由此可见，DMΔ如 （1） 中所定义的， 是训练数据中所有模式的失真度量的平均值r∈Δ。

为了评估需要监测的新观察到的状态模式r 的条件， 我们引入以下关键绩效指标：

之前KPI定义背后的基本原理如下： 如果获得的状态r对应于正常行为， 它的失真度量DM(r)应该与名义训练集DMΔ（由非错误状态组成） 的平均失真度量相似，的比率应该接近1， 这反过来又使得KPI(r) 值接近1。另一方面， 如果获取的状态在分形上对应于异常行为， 则DM(r)应与DMΔ显著不同， 导致KPI(r)的值显著小于1。通过这种方式，KPI值接近1 表示正常工作， 而较小的值则表示设备正在失控。

监测过程中一个关键的步骤是阈值的选择， 以区分正确的和错误的功能： 为此， 我们计算的平均值μKPI和方差σ2KPI的过滤KPI值的所有点在训练集Δ 内， 定义的阈值为一个下限控制极限 （LCL） 如下：

如果测量数据是有噪声的， 所提出的KPI也可能表现出有噪声的性质。为此， 在研究中， 使用指数加权平均过滤器在连续的KPⅠ值的最后12h过滤。

2.2 单个变量对基于SOM 的KPI 的贡献

当基于SOM 的KPⅠ偏离其名义模式时， 需要识别对 KPⅠ 变化贡献最大的单个变量。这使操作人员不仅能够确定水电站可能发生的故障， 而且能够确定故障的具体原因或位置。为此， 我们首先使用名义数据集Δ 中的数据计算单个变量对DM 的平均贡献。然后我们比较新获得的模式的个体变量对名义训练模式的平均贡献。

对于每个模式r∈Δ， 计算出下列平均距离向量d(r) ∈R1×n：

然后计算了d(r) 的平方分量的向量归一化为范数1， 命名为dn(r) ∈R1×n。

其中符号∘表示元素智能积。最后， 计算Δ 中所有模式的归一化平方距离分量的平均矢量。

当在监视阶段获得一个新的模式r 时， 计算以下元素智能比率：

式中， 贡献比率cri,i= 1 ⋅⋅⋅n表示新模式的个体变量影响决策， 相对于它们在非故障条件下的影响。如果新模式实际上对应于非错误条件，cri取值接近于1。如果新模式偏离了标称行为， 那么一些cri就会超过单位值。选择经验阈值1.3 作为假阳性和真阳性之间的权衡。

3 实验分析

经过一个原型阶段后， 状态监测系统自4 月以来一直在运行， 共有超过600 个输入信号。作为一个示例， 表1 显示了一些最关键的组件。从表的最后一列可以看出， 通常有大量冗余的传感器测量相同或密切相关的信号。表1 中列出的部件是与电厂操作人员最相关的部件， 在某些情况下， 它们的故障可能导致重大故障或电厂紧急停机。

表1 水电厂主要参数

值得注意的是， 工厂中运行的标准状态监测系统没有报告这些事件， 在某些情况下， 多元霍特林控制图也无法识别这些事件， 因此本文中引入的更复杂KPⅠ的重要性得以体现。此外， 随着新信息的获取， 识别非名义操作的能力随着时间的推移而提高。

基于SOM 的KPⅠ在一个发电机组的高压变压器上检测到异常， 如图1 所示， 基于SOM 的结果 （顶部） 与基于t2的结果（底部） 进行比较。在检查操作， 他类似的异常情况在过去也发生过， 但没有被标记为错误行为。一旦电厂操作员通知了过去类似异常的时间发生， 那么就开始从训练集中移除相应的信号。然后， 根据修订后的历史数据集重新计算KPⅠ， KPⅠ回顾性地发现， 正在进行的错误模式实际上在一个月前就开始了。这个更新的信息通过分析已经安装的气体监测系统的输出进行验证， 该系统持续监测各种故障气体的组合值 （百万分之一）， 并跟踪油湿度。自4 月22 日以来， 气体监测系统一直在测量相对于历史数据的增长值， 由于变压器油中的气体水平没有超过可行的最大限度， 该系统没有发出任何警告。

图1 KPI作为时间的函数

然而， 由本文的系统触发的警告被用来安排维护行动， 以恢复名义上的操作条件。此外， 来自工厂操作人员的反馈对于调整基于SOM 的监测系统和提高其检测能力非常有用。在这种情况下， 霍特林控制图实现的异常行为只有20d。

4 结束语

随着新技术的发展， 尤其是物联网传感器和通信工具， 以及强大的人工智能算法， 状态监测、 早期诊断和预测性维护方法和工具正在新研究领域。本文在水电站1 年的运行试验中验证了新提出的关键绩效指标 （KPⅠ） 的结果。

本文得到了非常理想初步结果， 提出的状态监测策略是实现全自动预测维护方案的第一步， 在这种方案中， 故障不仅可以被观察到， 而且可以提前预测，尽管故障还处于初始阶段时。在研究看来， 这是一个非常有前途的研究领域， 这种预测策略的发展会有更好的结果。