基于大数据的智能水电站状态分析方法

艾远高，罗仁彩，余志强，黄家志

（长江电力三峡水力发电厂，湖北 宜昌443133）

1 引言

智能电网、智能水电站关键设备研制工作的深入展开，以及计算机监控、保护测控、状态监测等自动化系统的广泛应用，促进了自动化控制、信息技术在水电站状态分析的快速发展，迎来了水电大数据时代。

大数据技术，即从各种类型数据中，快速获取有价值信息的能力，是数据分析的前沿技术[1]。大数据具备“4 V”特征，即规模大（Volume）、类型多（Variety）、价值密度低（Value）和变化快（Velocity）[2]。在大数据时代，水电机组每天持续增长的数据量、信息量，对水电设备的状态分析水平有了更高的要求。当前，大数据技术在电力行业还处于起步阶段，在设备状态分析领域的大数据技术有时间序列分析、遗传规划算法等，通过寻找设备信息间的关联关系，大数据技术提高了设备异常状态分析准确性[3]。

本文阐述了水电机组及大数据的特点，在此基础上，提出了智能状态分析方法，计算机组设备性能指标，开展状态异常分析，同时建立了智能健康状态关联分析模型，并利用此方法对水电机组设备状态进行分析，为机组进行状态检修决策提供依据与参考。

2 水电机组现状

2.1 水电机组特征

当前，我国水电机组特征主要有：

（1）单机容量巨大，稳定运行要求高。机组直接影响着电力系统稳定、可靠运行[4]，而大容量、高参数和高水头变幅工况条件对当前水电机组安全稳定运行提出了更高要求。

（2）机组结构复杂，设备分析难度大。电站内机组类型众多，机组因设备制造厂家工艺和技术不同而不同，机组设备特性和运行机理都还处于数据积累与不断探索中，设备状态分析难度大。

（3）自动设备众多，状态分析挑战多。为有效地监控、分析机组运行状况，使用了大量包含机组保护、在线监测的自动化设备。系统之间交互接口、数据信息共享面临严峻挑战，机组设备状态分析信息共享和功能有待进一步提高。

2.2 水电机组大数据特点

水电机组作为电网发电环节的重要组成部分，具有大数据的典型特征：

（1）数据类型繁多。机组数据广域分布、种类众多，包括实时数据、历史数据、文本数据、多媒体数据、时间序列数据等各类结构化、半结构化数据以及非结构化数据，各类数据查询与处理的频度和性能要求也不尽相同。比如，机组设备状态监测数据中的瓦温数据1 min采样一次，而变压器绝缘放电数据的采样速率高达几百kHz和MHz，甚至GHz。

（2）数据体量巨大。不少电站机组均配备了LCU、调速和励磁、智能抄表、工业电视、保护录波、设备状态监测与分析等自动化系统，每个系统产出的数据体量巨大，仅以某巨型水电站机组LCU数据为例，每台机组LCU数据点有3 000余个，按采样间隔1 s计算，该电站年产生的LCU数据即达TB级。

（3）处理速度快。水电设备“水力”、“机械”、“电气”相互耦合，异常情况下需在秒级内对大量数据进行分析，以支持设备分析决策制定。对在线状态数据的处理性能要求远高于离线数据。这种在线的流数据分析与挖掘方式，同传统数据挖掘技术相比有本质的不同[5]。

（4）价值密度低。以机组主变局部放电数据为例，连续不间断监测过程中，可能有用的数据仅仅有1～2 s。水电设备所采集的绝大部分数据都是正常数据，只有极少量的为异常数据，而异常数据则是状态检修最重要的凭证之一。

3 智能状态分析方法

基于大数据的机组智能状态分析方法如图1所示，在机组设备状态海量数据获取基础上，对设备性能指标自动计算，检测设备是否发生性能指标越限和性能降低；开展设备状态异常自动分析，综合运用阈值分析和趋势分析等方法，如发现状态异常则实时报警；同时，根据机组海量运行数据，建立机组健康状况关联参数，通过构建水电机组异常状态识别模型来智能识别、评估设备健康状况，开展基于大数据的机组状态分析，为机组实现大数据智能应用及检修决策提供依据。

图1 基于大数据的智能水电站状态分析方法

3.1 性能指标自动计算

性能直接反映系统设备健康状况的水平，因此，可以通过评价系统的性能来掌握设备的健康状况。设备的性能评价通过性能指标来体现[6]。

在机组自动化系统实现自动识别机组工况过程或试验项目后，根据性能指标计算要求自动记录工况过程或试验过程数据，在过程结束后根据公式、算法或经验指标实现性能指标的自动计算。

如机组调速液压系统中，油泵的打油速度QL（t）是评价调速液压系统油泵的重要性能指标，一个油泵加卸载周期内打油速度可认为是常数，其中，HC（t1）、HC（t2）分别为t1、t2时刻集油容器中（以集油容器底部为基准）的油位，通过监控系统通信获得；S（HC）为集油容器在高度HC处的集油面积。

同时，在水电站运行、维护人员现场日常巡检、设备分析中，结合工作实际和使用习惯，调速油液压系统有如下现场性能指标：

加卸载间隔时间TD：在相邻两次打油均为自动打油的条件下，后一次压油泵启泵打油时间与前一次启泵打油时间之差，单位为分钟（min）。

日加卸载次数ND：24 h内自动打油条件下压油泵启动加卸载次数，单位为每日次（次/d）。

3.2 状态异常自动分析

系统状态异常分析主要通过状态报警阈值自动分析计算方法[6]来实现。一般来说，每个状态Ct都有其低限Cmin和高限Cmax，在某些情况下，Ct还有低低限Clmin和高高限Chmax这些阈值限制通常可以参考相关的标准或相关设备制造厂家提供的规定。如果：Cmin≤Ct≤Cmax，则设备状态正常；否则，可能发生了异常故障（包括报警级和保护级异常）。另外，如果设备的运行状态量朝正常阈值范围外变化且变化速度较快，则发生了异常。

同样，与性能指标计算类似，对于有些设备的运行状态，没有国家标准可以参考，报警阈值的设定需要根据监测方法和实际机组运行经验来确定，并通过运行实践修正。

3.3 健康状况智能关联

根据机组运行海量数据，包括结构化数据、非结构化数据、试验数据、照片数据及交互分析数据等确定反映机组运行状态的特征量。根据影响特征量的运行条件参数，确定各特征量在不同运行条件下的标准值及指标值，手动或自动建立机组健康状况智能关联。通过综合分析电站机组大数据，结合大数据趋势，建立包含设备工况相关联分析模型。

进而通过观察设备性能变化趋势，检测性能降低或者降低的程度，评估设备健康状况，为设备状态检修提供决策依据。

（1）阈值分析

阈值分析即是根据机组监控系统、调速控制器（及传感器）采集的实时运行数据，采用数据校验法对其进行分析。数据校验的参考值是系统运行的正常范围的阈值，如高高限、高限、低限、低低限等，通过对比分析，在实时运行大数据中识别异常数据。

某电站压油系统运行阈值如表1所示，以压油罐油位为例，调速系统正常工作状态下，油位值应自动保持在2 600～2 860 mm之间，当通过状态监测发现压油罐油位实时运行值低于2 600 mm或高于2 860 mm时，就可以认为出现了数据状态异常，然后以此异常作为事件来触发压油罐油位异常分析流程进行故障分析。

表1 某电站压油系统运行参数表（部分）

（2）工况关联分析

设备运行状态和机组运行工况密切相关。工况关联分析是指状态参数、性能指标随设备工况变化趋势（如油位变化率随有功调节（导叶开度）、补气阀启停变化等）进行分析。

对调速液压系统而言，通过关联机组有功P、油泵打油性能p等工况参数，来分析、判断调速油系统运行状态是否正常、是否存在性能降低。如判断机组有功调节下油位变化率，机组调节负荷有功变化过程中，导叶开度随之变化，导致调速油系统用油量变大，油系统压油泵加卸载时间变短，加卸载次数变多。

即通常情况下，可用数学函数表达算式

来定义调速液压系统油泵设备P（O）的状态分析模型，相关联的状态指标有机组有功P，油泵打油性能p及设备环境温度T等。

（3）对比分析

对比分析方法包括横向性能对比和纵向性能对比。通过相似机组同工况下的计算性能指标对比，或与历史相同工况条件下的特征参数对比，可以排查出设备状态模型中性能指标异常参数，进而对设备健康状态做出评价。

例如，单个油泵加卸载周期计算得出的特征参数只能反映油泵当前的性能，无法对设备是否异常（故障）的真实原因做出客观评价。而对比分析往往能反映出设备打油情况和结构的损坏程度，因此有必要对调速油系统特征参数进行对比分析。

通过健康状态智能关联分析，对发生状态突变和健康度低于预设值（不同机组、不同参数的健康度预设值不同）的时刻进行预警，建立最终的机组异常状态智能识别模型。

4 方法应用

以某电站巨型水电机组全工况调速液压系统油泵状态分析为例说明状态分析、设备健康状况智能识别方法的应用。

某电站机组液压系统1号泵运行时，集油槽油温升高速度异常，进而导致设备报警，如下页图2所示。

（1）阈值分析

该机组液压系统1号油泵运行时集油槽油温曾多次达到高限阈值（50℃）的报警值。同时，如果将运行1号泵切至其他泵，温度又可快速下降至正常范围。

图2 某电站机组调速油系统油泵运行趋势分析截图1

（2）关联分析

结合水电站机组调速液压系统大数据，如图3所示，1号泵运行时，一次加卸载周期平均为13.5 min；3号泵运行时，一次加卸载周期平均为12 min。结合机组趋势分析系统数据，统计比较后发现该机组1号泵运行时，一次加载将油压从6.1 MPa打至6.3 MPa加载油压上升速度过慢，需要时间明显比其他泵长。

图3 某电站机组调速油系统油泵运行趋势分析截图2

通过查询机组趋势分析系统，大数据统计、计算比较后发现该机组该段时间范围内1号泵运行时，将油压从6.1 MPa加载至6.3 MPa需要的加载时间明显比其他泵长，如表2所示。

表2 某电站机组调速系统油泵运行大数据分析表

同时，由图2、图3可知，1号油泵未运行时，集油槽冷却器可以维持油槽油温在正常范围，即可排除油冷却器及管路等其他设备可能（设备环境温度T）的问题。

综合表2和图2、3数据，即有，调速液压系统油泵设备状态分析模型P（O）=f（P，p，T）中关联的状态指标机组有功P、设备环境温度T未出现明显异常。

对比调速液压系统油泵设备状态分析模型相关联的状态指标机组有功P、油泵打油性能p及设备环境温度T指标，可知，1号泵的打油效率偏低是造成集油槽油温升高报警的一个主要原因。即该情况下，调速液压系统油泵设备状态分析模型P（O）=f（P，p，T）因油泵p性能出现异常，压油泵打油效率降低，导致此时油泵回路效率降低，使得集油槽油温快速升高而报警。

5 结语

本文在阐述了水电机组特征及大数据的特点基础上，结合水电站数据特性，提出了智能水电站机组状态分析方法，对机组设备性能指标自动进行计算，开展设备状态异常自动分析；同时，根据机组运行大数据、机组健康状况关联参数，构建水电机组异常状态智能识别模型，对机组设备关联分析，评估设备健康状况。并将基于大数据的机组状态分析方法应用于某巨型水电站机组设备分析上，取得了较好效果。实践证明该方法具有可行性和实用性，拓展了机组设备状态分析方法，具有广阔的应用前景。