基于多特征融合的水电站设备运行状态检测研究

裴震宇，李德伟，任 岩

（黄河勘测规划设计研究院有限公司，河南郑州 450003）

0 引言

设备的精准调配工作，在水电站的实际运营中起着十分重要的作用。对于不同类型的水电工程项目，如果在建设运营的过程中出现设备问题，不仅影响工程的整体进度，还会造成一定的危险后果，出现较为严重的问题将会影响水电站设备运行。因此需要对水电站设备进行详细的检测与异常诊断。提高对水电站设备的实时监测水平，及时获取运行过程中的重要参数，对于异常运行状态进行预警，能够减少运行过程中发生的问题，增加安全性[1]，能够有效监测设备运行状态，对设备的故障点进行精准识别，解决设备运行的问题，减少成本和人力。这样不仅满足人们用电的需求，还能够对不同水电站的流域防治起到重要作用。由于机组设备组成结构较为复杂，在状态检测过程中信号复杂性高，传统检测方法所设计的检测模型经常受到异常信号干扰，检测效果不能达到预期目标。同时，水电站设备的价格较为昂贵，设备运行数据样本大，数据处理能力不高使得检测结果难以符合预期。因此，为加强对水电机组开发与检测水平，以水电站设备运行状态检测为研究对象，采取多特征融合方法，结合实际情况进行研究与分析。

1 水电站设备运行状态检测

1.1 设备运行状态多特征融合建模

通过构建特征矩阵，可以确定设备运行状态检测模型的影响因素，在水电站设备运行状态检测过程中，通过已知特征集对传统方法进行修改，通过对特征点进行特征提取后，根据状态检测方式检测各种工况下的累积运行时间、发电总量以及水轮机效率等数据[2]。从而形成多特征融合的特征集S。运用Python 的数据库提取水电站设备运行状态特征点，根据特征点之间的距离判定设备发电运行状况和水轮机工作效能，获得不同状态特征点的运行特征值。在检测过程中，阈值设定是状态信号的重要表示特征参数。根据PERCLOS 特征值设计运行状态帧数比，以闭合帧数与被测融合总帧数作为因素矩阵的第3 列特征值，构建判断矩阵p，并求出p 对应的最大特征值和特征向量。设定检测目标为I，产生的影响因素值为ui 和uij。uij 表示对ui 的uj 相对重要性程度数值，通过不同uij 形成对应的判断矩阵p。运用几何平均法计算最大特征值和对应的特征向量，在满足一致性时减少计算量。计算特征向量对应的最大特征值λ的公式为：

其中，p 为最大特征值对应的判断矩阵；v 为矩阵的特征向量。对矩阵的列向量进行归一化处理，并将转换得到后的矩阵进行求和[3]。对判断矩阵的合理性进行检验，通过一致性检验能够得到矩阵的分配程度合理性。当CR 小于0.1 时，认定矩阵通过一致性检验。通过一致性检验后，运用层次分析法对权重进行赋值，计算不同评价因素的重要性后对其进行排序，得到对应的权重分配值，构建水电站设备运行状态检测模型。

1.2 设备运行故障状态检测

对于融合后水轮机流量检测过程中的问题，运用检测模型进行故障点位置检测。由于水轮发电机的气隙会随着机组的运行时产生的多种影响因素而发生变化，这样使得水轮机的发电机运行过程中形成不稳定状态，对水电站设备的稳定性造成一定的影响[4]。采集电气设备的运行数据作为训练样本数据，由于不同设备参数与观测量单位不同，为了得到较为统一的数据，对采集到的数据进行归一化处理。归一化处理的计算式为：

其中，g为设备运行的样式数据；gmin为检测样本的最小值；gmax为检测样本的最大值。通过对数据进行归一化处理，将得到的数据进行网络映射，形成三维空间内的数据集，将采集到的参数进行聚类分析，并得到对应的输入向量。根据输入向量的计算结果获得对应的神经元，并确定不同节点的加权向量。将不同维度数据之间进行比较，获得最后的输出结果，并对采集的结果进行处理，得到设备运行状态监测的数据[5]。在实际应用中，为了获取到残差统计特性的变化规律，设计滑动窗口宽度为n（其中n=5），计算每个窗口的残差均值：

其中，n为窗口宽度；r 为运行状态向量；εi 为状态参数。设定T 为故障偏离阈值，R 为状态检测模型残差最大值，当运行状态发生异常时T=±pR。为了避免估计向量和实际结果对比时出现较大的误差，需要选取适当的方法来消除误差，选取合适的误差值来进行异常运行状态的判断。根据正常状态下的运行向量r 与预估向量r 之间进行比较，如果之间的差值较小，说明实际结果与计算值较为接近，残差较小[6]；如果计算值与实际值之间的差值较大，则说明无法进行较为准确的检测。通过比较两个值的大小来判断设备是否为异常的运行状态。

2 实验测试与分析

为了检验水电站设备运行状态，运用本文方法对水电站设备运行故障点进行检测。设置水电站设备故障发生点频率为500～600 Hz，同时进行3 次实验，分别对水电站设备故障点进行检测，获取故障发生的频段信息，验证本文检测方法的有效性。

2.1 实验方法

选取正在工作中但是发生故障的变压器进行实验。变压器的型号为F6-11FE-12E，为3 相油侵入式电力变压器。变压器其中一相电路出现短路故障，在使用过程中没有更换新的绕组。变压器的设备参数见表1。

表1 F6-11FE-12E 型变压器参数

对实验获得的数据进行分析。主机的操作系统为Windows11，内存8 GB。集成开发环境（IDE）运用Eclipse 进行，运用Spyder使得数据变量可视化。对网络进行训练，初始化权值，通过前向传输的输入数据获得测试值。运用FD85 压力传感器得到变压器的振动信号，将信号进行数字模拟转换，形成对应的电荷量。通过扩大器将电压数值进行提升，使用CAN 通信方式传输电信号数据，使得上位机中能够显示电信号。运用本文方法提取故障参数特征后，对其进行赋值。根据最大权值作为故障训练样本进行训练，并按照对应的关联规则对故障样本集进行支持度相关计算，获得变压器的故障与状态量之间的关联，综合得到水电站设备的运行状态量的置信度，完成对设备运行状态检查实验。

2.2 结果分析

根据检测结果，绘制振动信号波形，并得到振动信号频谱（图1～图3）。

图1 小组1 变压器振动信号频谱

图2 小组2 变压器振动信号频谱

图3 小组3 变压器振动信号频谱

由实验结果可知，运用本文方法对变压器故障进行检测，得到的振动信号幅度值相同，且3 个小组均在500～600 Hz 区间存在较大振动信号幅度，因为振动波形不规律，运行中发生卡顿，波动值较大，出现噪声影响。由于存在少量噪声，使得中间产生波动，存在细小误差，所以该区间中存在故障。在550 Hz 时运用收集信号数据进行分析，得出单相绕组内存在故障的结论。对绕组进行分析检测，观察到波动幅值明显增强，幅值在0.25～0.85 可获得故障位置，符合预期检测目标。

综上所述，运用本文算法在检测水电设备运行时，因为变压器的振动信号复杂，在检测中需要对故障位置进行精准检测，能够准确得到故障的位置、明确故障发生的程度，得到在水电站设备运行状态检测的明显效果，以此确定局部故障范围。运用采集信号作为检测样本，分析设备故障位置，减少运行过程中造成的损失。本文方法的良好运用，提升了检测的准确率，运用检测模型能够较为精准地对故障进行识别，在训练过程中运用大量的数据作为训练样本，对训练的时间做出了相对具体的要求。通过对样本运用更好的收敛，减少了训练过程中的过拟合现象。在水电站设备运行中能够精准检测、分析得到局部故障信息，使得检测效果符合预期目标。

3 结束语

本文从水电站设备运行状态入手，通过多特征融合方法，探究基于多特征融合的水电站设备运行状态检测，使得水电站设备运行状态的检测更加智能化、实时化，提高了整体的检测水平，为水电站安全运营与发展提供保障。同时，提出针对不同环境因素干扰的抑制方法，并促进检测方法的应用与实现。通过多特征融合数据，实现对水电站设备运行状态检测的研究。但是该方法还存在着不足，如算法的更新问题、数据检测的耗时性问题、整体转化性问题等，今后应更加完善计算、优化数据采集与状态检测过程。