水电机组全息监测及智能分析系统建设实践

张家治

（中国长江电力股份有限公司葛洲坝电厂， 湖北 宜昌 443000）

当前，以新一代信息技术为基础的数字经济已经成为我国经济发展中最为活跃的领域，是我国国民经济高质量发展的新动能。《中共中央关于制定国民经济和社会发展第十四个五年规划和二〇三五年远景目标的建议》针对“加快数字化发展”作出全面部署，要求“推进数字产业化和产业数字化，推动数字经济和实体经济深度融合，打造具有国际竞争力的数字产业集群”。数字经济与实体经济各领域的深度融合所带来的生产效率的提升以及生产模式的改变，也成为产业转型升级的重要驱动力。近年来，工业互联网、智能制造、两化融合、车联网、平台经济等融合型新产业、新业态逐渐进入人们的视野，融入日常生活之中，并深刻地改变着人类的生产生活方式。

数字化转型是顺应新一轮科技革命和产业变革趋势，不断深化应用云计算、大数据、物联网、人工智能、区块链等新一代信息技术，激发数据要素创新驱动潜能，打造提升信息时代生存和发展能力，加速业务优化升级和创新转型，改造提升传统动能，培育发展新动能，创造、传递并获取新价值，实现转型升级和创新发展的过程。

随着智能电站建设的持续深入，传统的计算机监控系统、在线监测系统的相关功能及信息已不能满足运维人员的智能运维要求，不能满足水电站状态检修的要求。为了实现水电站机电设备的全方位、无死角的在线监测，更好地掌握电站机组实时状态和变化趋势，达到智能检测、智能分析、智能预警、智能评估等目的，提高电站设备状态监测及智能决策水平，有必要构建一套水电机组全息监测及智能分析系统。

1 系统架构

依据数字化转型的路径策略，系统建设按照“感知层-平台层-应用层”的建设步骤稳步推进。感知层建设解决的是数据获取的问题。在感知层建设方面，持续进行设备数字化改造，通过先进的传感技术，形成状态全面感知、信息高效处理、应用便捷灵活的智能电站基础设施。平台层建设解决的是数据治理的问题。在平台层建设方面，实现10 个系统的全量接入，消除了信息孤岛，实现了数据汇聚、数据治理。应用层建设解决的是数据应用、数据赋智的问题。数据的汇聚是为了发挥价值，应坚持数据就是资产、数据创造价值理念，通过大数据分析深度挖掘数据价值，实现从数字、数据、信息、知识、智慧的升级转换和价值再造。

1.1 设备状态信息全息采集

1.1.1 全设备采集

系统采用了光纤测温、红外测温、红外热成像、油质品质传感等先进测量技术，实现对机组定子温度、转子温度、主变温度、碳刷温度、碳刷电流、轴承润滑油品质等机组关键部位品质的有效监测，为全面掌握机组各关键部位的运行状况和品质状况提供有效的数据基础。

1.1.2 全信息采集

为每台机增设监测设备，产生新监测信号近300个，使机组的状态监测信息更完整，为后续机组实时运行状态的分析和机组设备维护提供更完整全面的信息。在原有监测信号的基础上，补充了机组冷却系统压力、流量、温度等监测信号；增设了辅助电机设备的电流监测信号；增加了机组油系统油质监测信号、油流量信号；增加了定子振动加速度信号；增加了定子、转子、主变等重要位置的温度监测信号；增设碳刷红外热成像信号、碳刷电流信号；增设水轮机各部件噪声加速度信号、超声波信号、压力脉动信号；增设了主轴密封供水及顶盖排水系统信号；扩充了机组振动摆度监测信号；增加了调速油系统位移及接点信号；增加机组各部位的温湿度、噪声、粉尘等环境信号。

1.1.3 多频度采集

监测信号类型近30 种，既包含秒级数据，也包含高频数据。其中，采样频率振动摆度信号1 kHz，振动加速度50 kHz，噪声信号50 kHz，超声波信号高达2 MHz。使电站能感知的“神经末梢”更加精细丰富，实现对电站设备的全方位、无死角的感知。

1.2 各类系统全面互联互通

系统汇聚了监控系统、梯调数据、智能抄表、油气在线监测、EDOS 计算数据、机房环境、机器人、500 kV GIS 站、220 kV GIS 站、励磁在线监测、 稳定性系统、机组全息监测数据（高频）、PMU 数据（高频）、电力生产管理系统等系统的近20 万个测点数据，既囊括了生产数据，也包含了管理数据，通过对这些数据的综合运用来构建应用，全方位、实时监视生产信息、分析设备运行趋势和机组工况特征，统计设备运行规律，对设备进行智能故障诊断和定期评估，给出维修指导和经济运行指导。

1.3 数据治理

1.3.1 数据处理

根据物理系统本身的结构、相互联系、相互作用来建立描述系统的状态和特性模型，独立于监测设备制造厂家。数据标准化：对数据的含义、名称、量纲、格式、周期进行标准化定义。包括状态、特征、定值、指标等数据。模型标准化：对数据分析所需要的运动特性、故障特性、试验、指标计算等模型进行标准化定义。实现标准化：用户在不同电站对同类设备的数据及分析体验基本一致、同类设备间的数据可比较性强、数据分析软件或设备通用性强。

1.3.2 数据清洗

数据清洗包括错误数据清洗、污染数据清洗和冗余数据清洗。错误数据清洗：采用检错模型自动检测出由于传感器损坏、环境干扰、采集设备故障、通信异常以及通信对点错误等等所造成状态数据错误。污染数据清洗：清除耦合在真实状态数据中的噪声数据、甚至分离耦合在一起的多种信号。冗余数据清洗：冗余数据包括重复测量数据和稳态过程数据，保存全部需要数据的基础上舍弃“无用”的数据，减少存储空间，降低分析工作量。

1.4 数据挖掘分析

1.4.1 大数据关联与融合

水电机组及其主变压器等输变电设备是一个强耦合复杂大系统，大量实例表明，当在一个设备中出现故障时，故障产生的原因可能在其它相关设备或环境中。为了实现精确的故障诊断，必须将全息监测大数据关联与融合起来。

横向关联：采用工况事件和过程、异常事件和过程以及未知事件和过程同步的方法，将相互耦合设备的各方面监测数据通过时间对齐的方法，关联起来，分析与存储。

纵向关联：以工况事件和过程、异常事件和过程、未知事件和过程为线索，采用时间嵌套的方法，将不同时标的各层次数据纵向关联起来。

在数据关联的基础上，实现数据的融合。对设备运行特性，调整其运行方式，以达到提高其使用寿命，降低检修次数的目的；根据专家知识或专家经验，辨识相关状态间相互联系、相互作用的特性，为故障检测、诊断和设备健康评估服务；根据设备性能指标评价体系，计算性能指标，评价设备或系统的运行情况，生成异常事件；根据异常事件，形成异常事件记录库，提取关联数据的特征，采用一定的算法进行模式匹配、智能识别，诊断设备的故障；应用数据挖掘技术，探索并发现未知的状态关系与特性。

1.4.2 固定阈值分析

在数据可靠性检查的基础上，自动检测机组振动、摆度、水压力脉动越过恒定定值的异常现象，根据越限的级别，给出异常提示或故障报警[1]。

1.4.3 关联阈值分析

在数据可靠性检查的基础上，关联机组的工况信息，自动检测机组振动、摆度、水压力脉动越过关联阈值的异常现象，根据越限的级别，给出异常提示或故障报警。

1.4.4 能量阈值分析

评价自动检测机组振动、摆度能量越过振摆能量定值的异常现象，根据越限的级别，给出异常提示或故障报警。

1.4.5 定关联趋势分析

自动进行时、日、周、月、年趋势分析，检测机组振动、摆度、水压力脉动突然增大或缓慢增大的异常现象，并根据增大速度给出异常提示或故障报警；关联机组运行工况信息，自动检测出在每个运行工况下机组振动或/和摆度中各种频率成分出现增大趋势的故障、并给出异常提示的功能；实现相同设备不同时间跨度的同向比较分析，不同机组同类型设备的横向比较分析，自动检测相同环境、相同工况下的数据关联分析。

1.4.6 设备启停统计分析

对机组压油泵、机坑漏油泵、技供漏油泵、顶盖排水泵、渗漏排水泵、检修排水泵、低压空压机、中压空压机等设备的启停进行统计，根据单个设备历史上的启停时间范围，形成该时间段的健康值，超过健康值进行报警。

1.4.7 分析报表自定义

对分析结果形成生产报表，具备用户自定义功能，并可以进行简单计算，对变化量超过限值的时间进行统计。

1.5 人工智能分析

1.5.1 测温机器学习算法模型

对机组各部位的测温点建立数学模型，通过历史数据训练，计算测点的正常运行区间。截止目前，已多次成功预测出某电站机组上导冷却器堵塞故障[2]。以机组上导瓦温预测为例，根据上导温度变化特性，分为开机过程、稳定运行、停机过程3 种不同工况的模型预测。

1.5.2 基于工况识别的指标计算及机组自动试验算法模型

将机组不同运行状态划分为特定的工况，根据工况特征，建立工况算法模型，数据代入模型后自动识别工况类型，根据各专业对不同工况下的设备关注需求，融合各系统数据源，同时运用秒级数据和高频数据，设计并计算工况指标，捕捉瞬态工况特征值的冲击量，分析稳态工况特征参数的变化规律。同时，按照华中科技大学李朝晖老师提出的“宏试验”的概念[3]，机组无时无刻不在试验当中，没有必要专门去进行试验，通过采集实际运行中的数据，将机组试验工况识别纳入全息系统，自动识别试验、生成试验报告。

图1 基于工况识别的水轮发电机组设备性能分析方法示意图

1.5.3 基于故障树分析（FTA）的设备故障诊断模型

根据故障树分析（FTA）方法，对机组、主变、辅助设备故障诊断以及二次控制系统设计故障诊断模型[4]。FTA 把系统最关心的结果事件（即失效状态）作为故障树的顶事件（top event），并用规定的逻辑符号表示，分析找出导致此事件的所有可能的原因及因素；利用处于中间层的过渡状态中间事件，层层深入分析，最终获得导致顶事件发生的底事件，即导致顶事件发生的根本原因；展示导致系统发生故障的各种事件的组合，揭示系统中间的薄弱环节，从结构上分析系统发生故障的概率，并计算系统中不同模块在故障树中的概率重要度。

图2 故障树模型图

图3 故障树分析流程

2 系统功能

水电机组全息监测及智能分析系统以设备管理为中心、以数据分析为手段，促进业务流向数据流转变，实现业务闭环，从而提升设备管控水平，提高经济效益。

该系统运用物联网、大数据、云计算等技术，通过统一、开放的行业标准，对电厂现有数据资源进行融合，形成水电厂数据共享中心和决策支持应用的统一平台，通过深入、复杂的数据分析，揭示设备内在运行规律，实现设备实时监视、趋势分析、工况分析、故障诊断、设备评估、经济运行指导等6 大高级应用功能，为实现机组状态智能分析、设备智慧运行检修、经济运行指导创造条件，从而进一步提高水电厂智能化应用和管理水平，为管理层决策提供科学依据。

2.1 实时监视

聚合所有实时生产数据，使得设备运维人员及时掌握设备状况。根据机组设备装配图纸实现设备的三维展示，同时叠加设备实时信息，实现所见即所得，提升监屏的友好性。

2.2 趋势分析

基于在线监测数据、设备缺陷数据、巡检数据等长期运行的数据和相关经验，建立关键设备趋势报警模型，实现包括透平油油质监测、光纤测温监测、红外测温监测、漏油量油位分析、启停统计分析、主变油色谱分析、集排水系统分析、调速油系统分析、气系统分析等9 个专题。同时实现高频数据分析功能，报表定制、展示。通过机器学习智能预测设备运行状况[5]。实现测点固定阈值报警、关联阈值报警、测点趋势告警等，及时有效发现设备缺陷。

2.3 工况分析

智能识别18 个正常工况，20 个试验工况。同时实现基于相同工况的性能特征比较、试验工况实现试验特征提取、试验报告自动生成。

2.4 故障诊断

基于故障树的方法，开展自动诊断和人工诊断。设备性能指标异常出现报警后，自动启动智能诊断分析流程。诊断过程中自动获取关联数据并调取配置的故障诊断方法，推送故障诊断分析结果，成功实现故障智能诊断，并提供维修指导。

2.5 设备评估

依据设备状态评估管理规范进行，包括状态评价、维度评价，同时进行月度评估、年度评估，科学客观地进行设备状态评估。

2.6 经济运行指导

实现了机组效能分析、电量分析、辅助服务考核预警、发电计划指导、机组停复役、高效运行区间、可靠性指标等7 个方面的功能。有效提升运行经济效益。

水电机组全息监测及智能分析系统可有效提高运行人员监屏效率；指导维修人员及时发现设备深层次的运行状态，提升设备维护手段，将维修人员的经验固化为程序，实现技术的固化与传承。通过驾驶舱，管理人员一图掌握全站的运行情况，KPI 指标等内容，提升决策效能。同时，这是一套开放智能的系统，可不断吸收专业、厂家、行业的经验，逐步丰富，并可将固化下来的经验与电力同行共享，共同促进行业进步。

3 前景展望

水电机组全息监测及智能分析系统的建设，从机组全息监测设备选型、设备安装、系统应用架构、数据治理、应用模型、算法模型等方面均突破传统思路，大胆改革和创新。其中，高级应用功能中所用到的测温机器学习、基于故障树的设备故障诊断技术、工况识别和分析技术实现了水电站设备趋势预警、故障诊断、性能分析、机组试验的自动化，开创了行业内技术先河，为水电行业设备定性、定量分析提供了可借鉴的模板。

（1）该系统采用先进的测量技术，大大扩充了机组的监测数据，提高了数据的采样频率，使数据更加精确、可靠，实现了机组的全息监测。

（2）该系统对电厂现有数据资源进行整合，形成水电厂生产域机组全息数据采集、传输、处理、存储、分析的数据共享中心和决策支持应用的统一平台。

（3）该系统从多个角度出发，对系统中的数据进行清洗、过滤、关联等预处理工作，确保数据的真实性、稳定性和可靠性，形成统一的、相同的数据格式，集中的数据中心，面向电力生产的主题数据库。

（4）该系统采用多种数据分析方法自动对机组稳定运行、暂态运行（包括瞬态）的振动、摆度、各过流部件的压力脉动等进行分析，寻找设备运行趋势变化的真正原因。

（5）该系统充分运用了数据平台中的高频数据。对机组高频数据进行波形解析、傅里叶频谱分析和小波分析，得出其频谱图，寻找其变化规律。将PMU、振摆、局放及机组全息高频数据应用于机组工况指标计算及设备故障诊断，捕捉其瞬态的异常变化或冲击量，从而精准定位设备的异常状况。

（6）该系统采用故障诊断、工况分析、机器学习等一系列深度学习算法技术，建立匹配的算法模型，实现数据智能化分析，揭示设备内在运行规律，感知设备状态变化趋势。

（7）该系统实现了电厂的业务闭环管理。系统充分综合运用获取的生产数据和管理数据，以设备管理为中心、以数据分析为手段，促进业务流向数据流再向业务流转变，让运行人员、检修人员、设备管理人员、经营管理人员都能从中获益，从而实现了业务闭环，提升了设备管控水平和经济效益。

（8）该系统实现了电厂运维人员经验的传承。系统凝聚了电站运维人员的经验和智慧，按照目标导向、问题导向、需求导向，将运行维修人员宝贵的水电运维经验快速构建为应用，实现技术的固化和经验传承的同时，提高了系统的应用范围和应用价值。系统中漏油量分析、发电计划指导、机组停复役以及大部分专项设备分析功能，都是员工经验向智慧转化的成果。

（9）该系统实现了行业赋智。系统实现数据计算、统计、分析、诊断以及试验从人工向自动、从间断向连续、从粗放向精准、从定性向定量的转变，着力打造成水电站智慧枢纽最强大脑，彻底让每一名员工从繁杂、重复的劳动中解放出来，从而有更多精力转向创新、创造性工作。

（10）该系统采用标准、开放的应用架构，具有良好的可扩展性和可移植性。系统采用标准开发的大数据技术架构，支持用户在数据采集、存储、管控、分析、展示等数据处理环节的自定义和可视化配置组态，提升了电厂的生产数据自主分析开发能力。开放共享的应用平台，系统的微服务架构，低代码的组件开发，可不断吸收专业、厂家、行业的经验，快速构建应用；系统采用开源的编程代码、标准的数据接口和模块化编程方式，可以将功能跨平台快速移植，将固化下来的经验与电力同行共享，促进行业共同进步。

图4 机组全息监测及智能分析系统应用架构

4 结语

随着智能电站建设的不断深入，电站精细化管理水平需求不断提高，对状态检修的实施需求越来越迫切，通过全息监测及智能分析系统的应用，可以全面、精确掌握设备健康状态、运行状态，为水电站设备状态检修提供可靠支持，从而实现高质量检修模式，为电力行业高质量发展赋能。