基于水电站生产数据平台的设备状态分析技术

李东风,张红芳

(南瑞集团(国网电力科学研究院)有限公司，南京 211106)

0 前 言

大数据已经成为一种新的自然资源，需要人们对其加以更加合理、高效、充分的应用，使之能够给人类的生活工作带来更大的效益和价值。大数据具有数据体量大、种类多、流动速度快、价值密度低等特点[1-3]。当前，水电站各专业自动化系统繁多，包括计算机监控系统、励磁调节器、调速器、机组状态监测系统等等，这些系统采集的数据类型很多、数据量很大，采集的数据包括设备实时运行参数和设备状态参数，除了各自动化系统根据功能设计实现各自的功能，还有大量的采集数据并没有得到充分应用。与此同时，水电站设备长期稳定、经济、高效运行的需求要求我们防患于未然，必须从日常的设备运行数据中发现蛛丝马迹，分析设备可能出现的状况，找到问题所在，及时消除设备隐患[4]。

近年来，中国水电行业在设备数据分析与应用方面做了不少尝试[5-8]，不少水电站管理单位建立了所属水电站的生产数据平台，部分企业开展了针对性数据挖掘工作，智能化水电厂尝试建立水电厂一体化平台并开展厂内设备状态分析工作。

水电站生产数据平台是指基于现有的自动化系统建设的用于进一步数据分析的全厂性数据平台。基于此数据平台，我们可以深入地开展水电设备的状态分析，达到防患于未然的目标。

1 水电站生产数据平台的数据处理

建设水电站生产数据平台，实现水电站各分区自动化系统之间的信息资源共享。水电站生产数据平台应保证平台数据是唯一的、准确的、实时的、全面的，确保数据质量[7]；最终为实现设备状态分析和高级决策提供基础数据支持。水电站生产数据平台应在全厂信息模型的基础上，建立跨系统的生产数据交换平台，满足进行进一步数据分析的需要。

作为设备状态分析的数据源，数据质量是关键，水电站生产数据平台的数据应进行一系列处理才能保证数据质量。

1.1 数据的整合和初筛

水电站的生产数据平台并不直接采集来自于设备的信息，而是在全厂自动化系统之上，构建一个横跨多个安全分区的数据平台。通过与水电站各个自动化系统通信获得设备的信息。水电站生产数据平台必须采用合理的网络架构和实时的通信模式才能获得水电站全面的、实时的数据。设计时：① 要保证数据的唯一性和全面性，设备数据分析需要的所有数据不仅要齐全，而且要唯一，尤其是机组功率、定子电流等重要数据只能有一个数据源；② 生产数据平台在获取数据测值的同时，必须同时获取数据的品质，品质为坏的数据直接剔除，同时，测值明显异常的数据(例如测值超过变送器测量范围的数据)直接剔除，避免影响设备状态分析的结果。

1.2 误差的判断与剔除

生产数据存储于历史数据库之后，需要进一步对该历史数据进行样本筛选。由于历史数据库中的历史数据是经过采集和处理后得到的，存在由于仪器不稳定等造成的误差或错误数据。因此在进行存储和筛选时要进行坏数据的剔除。误差大体可分为系统误差、随机误差和粗大误差3类。这3类误差中，粗大误差对测量结果的影响最大[9]。

粗大误差的判别与剔除有4种比较常用的准则，依次是拉伊达准则、格拉布斯准则、肖维勒准则和狄克逊准则，每种判别准则有其处理的方法。最常用的是拉伊达准则。

1.3 机组状态监测特征数据的处理

机组状态监测数据是分析机组性能的关键数据，包括有效值、平均值、峰-峰值等，其中机组振摆峰-峰值反映了机组振摆幅度大小，直观体现了机组的实时稳定性状态。由于机组振摆信号频率丰富、存在系统误差、外部干扰，机组振摆峰-峰值处理是机组状态监测特征数据的关键，这里仅讨论机组振摆峰-峰值的处理方法。目前振摆峰-峰值的计算方法主要有4种：“置信度(Conf)”、“单周峰-峰值平均法”、“平均时段法”和“RMS等效峰-峰值(RMPpp)”。这里采用的是置信度(conf97)融合平均时段法[10]。

置信度(conf97)融合平均时段法的具体算法是：选择包含主频成分的多个转频周期内的数据作为一个分区，以97%置信度(conf97)计算该分区的峰-峰值，并对待分析数据的所有分区计算平均值，作为峰-峰值。

在进行振摆峰-峰值计算时，置信度法可以有效消除系统误差和外部干扰，但该方法没有考虑数据分区，峰-峰值的计算值与实际值存在较大偏差；单周峰-峰值平均法没有考虑小于转频的成分，导致计算结果偏小；平均时段法也存在无法消除系统误差和外部干扰的问题；RMPpp法在进行计算时只包含一种频率成分，峰-峰值计算值往往偏小。而置信度融合平均时段法很好地避免了以上各种算法存在的缺陷，能够很好的得以应用。

1.4 数据的录入和补召

水电站试验数据、巡检数据、缺陷数据等常常无法实现在线监测，为满足设备状态分析的数据正确性、完整性要求，应支持这些离线数据的录入功能。

某些已记录的数据不正确或者通信故障可能造成生产数据平台的数据错误和数据不完整，因此应支持历史数据的补录、重录功能。

一段时间的通信故障导致的数据缺失，除了通过补录的方式进行数据补全外，还应支持数据补召功能，当通信恢复后，自动向对端补召通信故障期间的数据。

2 水电站生产数据平台的设备状态分析

目前，数据存储能力无法满足水电站庞大的数据存储的需要，如何设计一个合理的分层存储架构成为生产数据平台可用和实用的关键[1]。水电站生产数据平台大量的数据如何进行梳理和存储是设备状态分析系统的难点。这个难题需要结合水电站的技术特点来解决。

水电站分析机组数据至少是在相同的运行工况，这样的数据对比和分析才有价值。例如，设计工况下测得的振动幅值和涡带工况测得的振动幅值是不存在可比性的。因此，我们应进行区分工况的水电设备状态分析。

2.1 机组工况标定

根据机组工况的特征参数，准确判断机组所处工况及起止时间。同时，记录工况及相关参数信息，为后续分析机组在不同工况下参数变化或同一工况下参数的变化提供有效的数据支撑。

根据机组的运行特性，将水电机组的整个运行范围分成若干个合适的区间，可认为处于一个区间内的工况是同一工况，将这些工况用不同的标号表示，同一工况下的参数可进行互相比较。生产数据平台采集到的每一组数据都附带机组工况的标号，并根据机组工况标号进行后续处理。

2.2 数据分级存储

数据入库保存通常采用2种方式。一是按照给定时间间隔保存数据；另一种方式是分段间隔的数据库入库方案。考虑到状态分析数据量大的特点， 直接采用定时间间隔入库或者分段间隔入库，入库的数据量较大，硬件上难以支持，而且可能丢失有用数据。因此这里采用入库频度自适应方法，主要有以下原则[11]：

(1) 如果工况和相关参数基本不变，入库频度降低；

(2) 工况变化过程中的参数自动入库；

(3) 虽然工况未变，但被测参数发生变化，则数据入库频度增加；

(4) 机组运行在特殊工况下，则入库频度增加。

2.3 多维度监测预警

多维度监测预警是一套关于系统的报警监测、统计学习以及历史数据存储的综合概念。

2.3.1 分工况高、低报阈值

水电机组的工况经常变动，不同工况下机组的特征是不同的。例如在涡带工况下，会伴随着强烈的低频振动，而在设计工况或最优工况下，机组的运行比较平稳。因此对于不同运行工况应该设定不同报警阈值。

2.3.2 报警令牌限制误报

为避免信号采集或者传输发生异常而导致误报警，系统采取在一段时间内，同一报警至少连续出现若干次数才触发报警，这里引入报警令牌来限制误报。

2.3.3 关联通道报警

考虑到报警发生时，有时关联的通道也会同时出现报警。因此可采取组合报警策略进行关联，必须所关联的通道同时报警才触发报警。

2.4 趋势预测

在水电机组运行过程中，温度、油位、油压、顶盖水位等可能影响机组正常运行的参量属于渐变量，一般不会发生突变。其实很多设备事故或故障发生之前都是有征兆的。只要我们对历史数据进行分析，进而阻止设备事故的发生。对于渐变量来说，分析的一个重要方法是趋势预测法。趋势预测的方法有多种[12]，包括水平趋势预测法、逐步回归预测法、灰色理论预测法。在趋势预测前，数学模拟模块将根据时间序列数据拟合精度和是否有时间函数关系式来决定采用哪一种预测方法进行预测。预测结果可以用正向预测和反向预测2种形式来展现。

3 设备状态分析技术应用

3.1 设备状态统计和分析

通过统计油压装置、液压启闭机油泵、技术供水水泵、检修排水水泵等设备的启停次数及运行时间，并进行直观的展示，或者在数据库中设置阈值(例如,技术供水水泵1 h内运行时间太长是不正常的)进行报警，用户能清楚地了解这些设备的运行情况是否正常，是否存在设备频繁运转的情况，及时发现设备存在的问题。

实际测量中得到的状态监测信号一般都是时域信号，时域分析可以比较直观地表现信号波形随时间的变化情况，物理意义比较明确。采用时域分析方法主要可以对与幅值相关的一些统计量进行分析计算。可以通过以下数据进行水电机组设备状态的分析：最小值、最大值、峰-峰值、平均值、有效峰-峰值、中间值等。

3.2 设备状态趋势分析

经过本文介绍的数据处理后，水电站生产数据平台的数据都是可信的，不存在毛刺、非正常跳变问题。设备的部分运行参数具有不能突变的特点。因此，针对设备运行的关键参数，例如油压装置的油压、机组三部轴承温度。通过本文介绍的趋势分析和预测的方法，进行关键参数的趋势分析，在信号异常时，及早地发现异常，并迅速预警，为水电站运维人员赢得处理缺陷的宝贵时间，避免机组事故停机的发生。

3.3 设备状态对比分析

对比分析有多种方式，包括不同机组之间的设备状态对比分析。例如，对2台机组相同工况下的上导轴承的稳定性(振动、摆度)进行对比分析；同机组的同类型的设备进行对比分析，例如对某台机组的上导轴承和下导轴承的稳定性进行对比分析。另外，还可以通过统计关键参数的最大值、最小值、平均值来分析设备状态。

3.4 数据挖掘分析

根据设备运行规律，进行设备状态相关性挖掘分析。例如，机组的稳定性与机组出力、水头、开度等密切相关，机组的油温、瓦温与机组出力、水头相关，挖掘分析可以分析相同出力或同一水头下各台机组油温和瓦温的趋势，可以分析相同出力时各台机组的振动、摆度的趋势。

4 结 语

为了保证水电站生产数据平台的数据唯一性、准确性、实时性、完整性。首先，必须对水电站自动化系统的大量数据进行充分的整合，并进行粗大误差的剔除，针对机组状态监测的特征数据，建议用置信度(conf97)融合平均时段法进行计算处理。其次，考虑到水电站设备状态和机组工况的紧密相关性，设备的状态分析应区分机组工况进行，状态分析的方法包括多维度监测预警以及趋势预测法等。

中国水电开发和管理企业对设备管理的要求越来越高，随着大数据时代的到来，可以预见，在未来很长一段时间，基于水电站生产数据平台的数据挖掘和设备状态分析将成为水电站技术发展的一大趋势，这一技术也将为设备状态评估和状态检修奠定基础，全面的、深入的、广泛的设备状态分析将对水电站经济、高效的运行产生巨大的作用。