基于大数据平台的水电机组状态数据处理架构研究

陈 洪，乐 毅，吴晓翠，朱 波，胡 晓，刘 东

(1. 湖北宣恩洞坪水电有限责任公司，湖北 恩施 445500；2. 武汉大学动力与机械学院，湖北 武汉 430072)

大型水电机组安全稳定运行密切关系到与之相连电力系统安全运行，直接影响电站乃至流域人民生命财产安全[1]。然而水电机组经常因设备故障造成强迫停运和非计划停运，抢修短则需要几个小时长则达数十天，时而还会发生设备损毁事故，如水淹机组、发电机扫膛、发电机线棒烧毁、水轮机叶片断裂、变压器爆炸等。大型水电机组属昂贵的重大设备，防止事故发生具有巨大的经济效益。因此，为确保水电机组和电网安全、稳定运行，提高设备利用率，避免重大经济损失和人员伤亡，必须对水电机组进行合理的风险评估、维护和检修。

长期以来，我国水电机组检修主要采用计划检修和事后检修模式。然而，这两种检修模式均存在很大弊端。事后检修无法挽回已经造成的损失，计划检修可能造成“检修不足”和“检修过剩”现象。鉴于目前水电机组检修模式的弊端，状态检修已经成为水电机组检修模式发展的必然趋势。状态检修是指根据水电机组状态信号的监测和诊断结果，合理的制定检修决策，并根据该检修决策实施机组的维护和检修工作。其优点是能够预知机组的状态，将故障消除在萌芽状态，避免了计划检修和事后检修的不足。

状态检修的实施是以先进的状态监测、风险评估与故障诊断技术为前提的[2]。目前国内水电厂安装有大量的机组状态监测装置，能够采集大量机组运行数据，为检修人员实时评估机组风险，掌握设备运行状态提供技术条件，为部分机电设备的检修提供科学依据。但这些监测装置之间相对比较独立，各系统之间的数据互不兼容，因而不能对机电设备提供完整的分析数据，无法全面掌握水电机组运行状况并进行风险评估[3]。此外，各监测系统也没能与电站计算机监控系统有机结合实现数据共享。

要准确分析机组的运行状态往往需要多参数的融合，如机组振动与机组运行水头、功率等有关，机组振动和摆度也可能与发电机气隙有关，这些参数往往来源于不同的监测系统。因此，分散的状态监测系统，不利于机组运行状态的评估和趋势预测，达不到为机组检修提供全面正确指导目的。因此，如何在现有基础上搭建一套完善并且适合水电机组的风险评估系统，实现水电站各类状态监测系统数据的有机融合，为实现状态检修策略提供科学、全面、及时的技术支持和依据，具有重要的理论和实际意义[4]。随着互联网信息化发展速度的加快，大数据、物联网等技术与手段纷纷被引入电力行业，给电力行业注入了新的活力[5]。本文研究水电机组状态数据内容、状态数据集成思想与方法，将大数据技术引入水电机组状态数据处理中，提出了基于大数据平台的水电机组状态数据处理架构。

1 基于大数据平台的水电机组状态数据集成

1.1 数据集成思想

状态数据集成以专项监测为基础，在专项监测与分析中综合相关信息，得出更准确的结论，同时为其他专项分析提供充足信息支持，实现你中有我、我中有你的综合分析。

系统集成要达到预定的目标，必须考虑具体水电站现有系统的实际情况，而且不影响现有设备的运行，例如电站已采用上下位机结构的专项监测系统，仍然可以正常工作，不需要做任何改动，在分配IP地址时，尽量不改变已有设备的原IP地址。在充分利用现有资源、保证现有系统运行稳定的基础上，逐步开放并融合。状态数据硬件集成采用标准化的计算机网络通信与数据库技术将各个设备的专项监测装置链接起来，为数据与信息的互联互通提供平台。

状态数据集成必须满足电站网络信息安全，在线监测系统现地测量与分析装置、数据服务器、专业分析工作站等布置在II区，与I区之间通过单向隔离实现数据的联通，与III区通过隔离装置实现信息的交互。状态数据集成布置方案如图1所示。

1.2 数据集成内容

本文基于大数据平台架构，对不同来源、格式、类型的数据进行标准化定义，将多个应用系统的数据按照应用模型构建数据主题，形成一系列面向专业领域、稳定的数据集合，实现体系内数据的全面共享，并通过元数据管理对应用提供统一的数据服务，需要集成的数据内容主要包括：

1)主机部分在线监测数据。主机部分主要监测机架、支撑部件、轴系的振动和摆度，水轮机的效率、空蚀情况；蜗壳、尾水管、顶盖下方等处的压力脉动；工作水头、导叶开度、调速器引导阀位移、接力器油压；发电机气隙、磁场、各部件振动等内容。具体在线监测内容如表1所示。

图1 状态数据集成布置方案图

表1 水电机组状态监测大数据平台监测内容表

2)辅机部分在线监测数据。辅机部分主要监测内容为：各部位的温度，集水水位，排水泵启停状态，油压油位等。具体在线监测内容如表1所示。

3)变压器、GIS、GIL在线监测数据。变压器、GIS、GIL主要监测变压器油中气体和水分、局部放电、接地电流、介质损耗；GIS局放、气体、联动开关，GIL局放、温度、环流等。具体在线监测内容如表1所示。

上述数据可以分为波形数据、特征数据和运行工况数据三类。其中波形数据包括振动、摆度、压力脉动等快变量；特征数据包括气隙、局放、过渡过程量以及监控系统传递过来的缓变量，运行工况数据包括机组启停机、变负荷等和运行工况相关的数据等。

1.3 数据集成方法

实现数据集成除了测点和数据信息，还须针对电厂现状和不同子系统的数据存储位置，进行数据集成。某实际水电厂数据集成示意图如图2。

图2 水电厂数据集成示意图

稳定性监测数据：数据集成中数据量最大的是稳定性数据。设置1台稳定性监测系统数据服务器，分别将水电厂所有机组的稳定性监测数据进行集成，然后发送至厂级数据服务器中。

气隙监测数据：气隙监测系统的数据与稳定性监测系统的数据相同，首先集成在电厂的稳定性监测系统数据服务器中，然后稳定性监测系统数据服务器再将集成后的数据发送至厂级服务器中。

发电机局放监测数据：各台机组的发电机局放数据由发电机局放在线监测装置采集后，在发电机局部放电监测系统PC机上进行集成，然后将集成后的数据发送至厂级数据服务器。

变压器油色谱监测数据：与发电机局放监测数据的集成方法类似，各台机组的变压器油色谱监测数据首先由变压器油色谱监测仪采集，并在变压器油色谱监测系统PC机上进行初步集成，然后将集成后的数据发送至厂级数据服务器。

空化监测数据：各台机组的空化监测数据首先由空化监测系统数据服务器进行集成，然后空化监测系统数据服务器再通过网络将集成后的数据发送至厂级数据服务器。

监控系统数据：直接从水电站监控系统单向读取电站的监控系统数据。

1.4 数据库内容设计

厂级数据服务器用来保存水电厂长期重要数据和多个在线监测子系统发送过来的完整数据，所保存的数据主要包括三个部分；数据文件、实时数据库和关系数据库。厂级数据服务器所安装的接口程序接收数据，并进行一些初步处理，将完整数据保存至缓冲文件，将处理结果保存在实时数据库中，其内容框架设计如图3所示。厂级数据服务器中各部分保存数据总表如表2。

图3 厂级数据服务器数据库内容框架设计图

表2 厂级数据服务器中各部分保存数据内容总览表

1)缓冲文件。机组稳态运行时，厂级数据服务器定时向各个在线监测子系统请求完整波形数据，每个子系统保存一个数据文件，设定单个文件大小进行存档。当某个在线监测子系统下的某台机组有报警发生或处于事件工况时，子系统服务器或PC机将该机组全部完整波形数据传送到厂级数据服务器，厂级数据服务器对该段数据进行存档，供机组状态监测与评估系统分析调用。

2)实时数据库。厂级数据服务器上安装的实时数据库，可以保存长期的机组趋势数据，以及经过处理的特征数据，其主要作用是永久保存长期的机组特征数据，并为水电机组状态监测与评估系统提供实时特征数据更新，稳定性特征数据主要保存经过处理的特征数据，如频谱分析后幅值最大区间的谱线、最大幅值点的相位、信号有效值、平均值和峰峰值等数据；其他特征数据保存有气隙、油色谱、空化、局放的特征数据，以及监控系统过来的缓变量数据。实时数据库中的数据进行长期的保存。

3)关系数据库。关系数据库主要保存测点信息、用户信息、事件信息、机组报表和系统信息。其主要作用是保存机组配置信息、系统配置信息、电厂报表资料等，作为厂级实时数据库的一个子模块在厂级服务器上运行。

测点信息：将测量数据的一些基本配置信息，如测点名称、测点单位、报警上限、报警上上限、上次报警时间、信号类型等。

用户信息：厂级用户进行MIS网登陆所需的账号信息，包括账号名称、账号权限等。

事件信息：机组启停机、变负荷、机组试验等事件的详细信息，如事件名称、事件时间、事件类型等。

机组报表：包括电厂用户在MIS网输入的日报、周报、月报等分析报表，以及电厂点检、巡检的一些报告资料。

2 基于大数据平台的数据处理应用架构

构建水电机组大数据平台数据处理应用架构以数据共享、面向开发和水电应用为目的，遵循“广泛集成、混搭架构、组件标准化”的原则[6]。以元数据驱动架构内各功能组件的运行，围绕水电、电网其他专业系统和电网外部系统高频生产数据实时采集、海量数据快速存储及查询、数据批量快速处理、实时在线处理、数据分析、数据共享和交互等需求，实现数据的高效存储，通过统一的应用服务接口提供分析挖掘、数据共享和数据交互等服务。数据处理应用架构如图4所示。

图4 数据处理应用架构图

2.1 数据采集

数据采集主要完成对不同来源、格式、类型的需要集成的数据进行采集、聚合和传输。数据采集功能包括支持modbus1、101、104、opc通信规约，可通过配置工具进行通信点表配置；支持SQLServer、MongDB、pi实时库访问接口，可通过配置工具设定采集数据；支持csv格式文件的读取，可通过配置工具设定采集数据；采集模块采用插件式封装，独立运行，提供管理工具，支持用户自定义协议的扩展；提供REST_API写入接口，支持用户自开发数据写入程序；提供高速块数据写入接口，用户可以自行开发块数据写入程序，采集振动波形数据、故障录波等块结构数据。

2.2 数据编码

数据编码管理保证每一个被管理的数据点有唯一的编码，包含以下功能：可以按照编码规则进行编码结构设定；支持可采集的所有类型数据的KKS编码，包括：整形、布尔型、浮点、二进制、块数据等；编码规则库以可读文件的方式编辑，可以导入和导出。配套编码工具完成采集数据的编码配置工作，为每一个数据点配置唯一的编码，具有编码冲突解决措施；提供数据编码的增、删、改、查功能。

2.3 数据存储

数据存储功能包括支持多种类型数据存储；支持不少于15万点的测点个数和不少于2T的存储容量；具备压缩存储功能，数据压缩比不低于10:1；支持振动波形等的块数据存储；支持至少50个服务并发访问，支持并发5万点的同时读写。

2.4 数据访问

数据平台以服务的方式对外提供数据，并提供程序员使用的访问接口说明，接口分类如下：提供webservice、HTTP和API三种网络访问服务接口；提供以编码为索引的检索、查询和调用服务，供外部程序使用；所有类型的存储数据都可以通过编码检索、查询和调用。

2.5 数据预处理

大数据平台提供数据预处理手段，预处理在抽样数据上进行，能记录下处理过程的每步操作，并应用到实际流式或批量分析中；支持常用处理操作，包括不仅限于：数据降噪、范围限定、数值过滤、数值类型转换、数值替换、列合并、列拆分等。

2.6 数据分析挖掘

引入大数据思想，实现水电站各类状态监测数据的有机融合，利用各类算法工具对水电机组实时海量数据进一步处理和挖掘，最终得出具备各种特定功能的水电机组状态指标数据，直观反映设备或系统的运行状态、故障特征、健康指标，运转特性等，进而明确缺陷原因和检修方法，为电站安全生产提供有力的决策依据。主要包括统计分析、数据挖掘、诊断评价方法和其他新兴方法。统计分析目前集成多重回归分析、判别分析、聚类分析、因子分析、典型相关分析、多元方差分析等；数据挖掘实现传统挖掘算法的并行化，主要包括时域分析、频域分析、时频分析、分类、关联分析、聚类算法等，并根据水电状态检修业务需求，扩展算法库；诊断评价是指在水电机组运行或停机未拆卸时，了解和掌握机组运行状态，准确确定机组整体或局部是否正常、异常或故障；分析判断故障原因部位、程度和特征；预测机组的可靠性和使用寿命，识别和评价机组使用规律和发展趋势；并给出检修决策和维护管理方案[7]。诊断评价方法主要包括故障树分析、专家系统、模糊集合、人工神经网络、贝叶斯网络、深度学习等。

2.7 数据应用展示

数据应用展示可以根据分析场景，快速地搭建状态数据分析展示页面。具体实现如下功能。快速的仪表板开发过程，支持仪表板管理，支持拖拽形式组态，支持分类、分页组合链接；自适应页面布局，控件的大小，布局可调整，并自动适用分辨率；支持移动端展示；数据展示分析，支持多种模式，可设置报警阈值、颜色和文字；可设置数据刷新频率；可自由调整时间跨度进行历史查看，内置数据源，包括但不限于SQL关系库、NoSQL大数据库、文本(csv/excel)、HTTP等；内置控件库，包含但不限于折线图、柱图、散点图、饼图、表格，以及波形分析、三维分析等；提供数据访问接口API，提供基于HTTP的接口API；接口提供实时数据、多维统计数据结果；支持角色权限访问，提供基于组织、用户、角色的权限管理，权限可细分到仪表盘控件；支持定制开发仪表盘控件，定制开发数据源和数据分析模型。

3 结 语

本文以实现水电机组状态检修为出发点，探讨现阶段水电机组状态数据处理瓶颈和业务应用面临的问题。主要内容如下：①将大数据技术引入水电机组状态数据处理中，研究了水电机组状态数据集成内容、状态数据集成思想与方法；②研究了基于大数据平台的水电机组状态数据处理架构，从数据采集、数据编码、数据存储、数据访问、数据预处理、数据分析挖掘、数据展示可视化等方面阐述了具体的关键技术。

本文研究内容为水电机组状态检修提供了新思路，通过引入大数据思想，实现水电站各类状态数据的有机融合，利用大数据算法工具对水电机组实时海量数据进一步处理和挖掘，从繁杂的数据中，抽取，加工，计算，最终得出具备各种特定功能的水电机组风险评价指标数据，直观反映设备或系统的运行状态、故障特征、健康指标，运转特性等，进而明确缺陷原因和检修方法，为电站安全生产提供有力的决策依据。