基于大数据挖掘的发电组温升预警方法研究

张秋霞 韩彦敏 宋子涛 任党培 周志荣

摘 要：传统方法所测得的残差无法作为判断发电组温升故障的依据，为解决这一问题，提出基于大数据挖掘的发电组温升故障预警方法研究。首先应用大数据挖掘技术收集数据，分析影响发电组温度的因素，依据发电组温度的因素与发电组温升故障预警基本原理，构建发电组温升故障预警逻辑判断结构;最后考虑到传统方法存在缺陷，运用大数据挖掘技术已有算法建立模型，实现预警，由此，完成基于大数据挖掘的发电组温升故障预警方法的设计。

关键词：大数据挖掘技术; 故障预警; 机组功率; 环境温度; 额定风速

中图分类号： TM31

文献标志码： A

Abstract：The residual measured by the traditional method cannot be used as the basis for judging the temperature rise fault of the power generation group. In order to solve this problem， a fault early warning method for the temperature rise of the power generation group based on big data mining is proposed. Firstly， big data mining technology is used to collect data， and the factors affecting the temperature of power generation group are analyzed. On this basis， according to the basic principle of temperature rise fault early warning of power generation group， the logic judgment structure of temperature rise fault early warning of power generation group is constructed. Finally， considering the defects of the traditional method， the existing algorithm of big data mining technology is used to establish the model and realize the early warning. Therefore， the design of temperature rise fault early warning method based on big data mining is completed.

Key words：Large data mining technology; Fault warning; Unit power; Ambient temperature; Rated wind speed

0 引言

目前受到检修水平的限制，发电组各式的安全隐患未能被检测出来，如果故障得不到及时的处理，故障的不安全因素则会越来越严重而最终导致无法处理，因此高标准的预警与检修方法的研究对发电组安全运行具有明显的现实意义[1]。

传统的排查电阻故障，处理温升预警情况的方法是：对比具体的温升数据与正常运行的各组数据偏差情况，如果温差在正常范围外，则会立刻启动报警装置。但是这种故障预警方法测得的数据无法精确地判断出发电组温升的实时信息。为此，提出基于大数据的发电组温升故障预警方法。该方法运用大数据挖掘技术的优势和创新点在于，大数据挖掘的总体过程是以进一步应用为目标，以集中数据为手段，以转换数据理解为结果，在偏差分析的过程中，要依据意外规则挖掘各种异常信息。这可以有效解决对发电组产生重大影响的外部环境信息。最后，依据发电组故障预警模型的基本原理建模。以期本文研究方法与实验验证能够为发电组温升故障提供新的解决思路。

1 发电组温升故障因素定性分析

应用大数据挖掘技术收集数据，分析影响发电组温度的因素。分析过程如下：

本次研究的发电组是联合动力机组1.5的发电组，启动风速为5，设为工况1;随后风速固定值设置为12.5，设为工况2，每隔15分钟采集一次发电机组的温度值。当发电组在运行时，会将机械能转化为电能。在这个过程中会受很多因素的影响[2]。在定性分析前，在发电组的两种运行模式下的两种工况进行最大风能的选取，并且在发电组工作状态为额定风速的情况下调节桨距角，保持叶轮的旋转速度不变，让发电组的功率得到固定值并输出，所输出的数据在不同模式下的情况是不同的下图为2018年5月25日至5月29日期间所获取的发电组温度变化趋势图，如图1所示。

分析图3可知，发电组温升故障预警模型运行过程如下：运用大数据挖掘技术挑选出与挖掘有关的数据，再利用已有的算法分析整理。验证挖掘结果，核实数据信息的统一性。并对比发电组温升故障预测结果。若对比结果偏大，说明存在故障。若对比结果偏小，说明不存在故障。如果预测结果理想，会自动返回数据库。最终，实现预警。

由此，完后基于大数据挖掘的发电组温升故障预警方法的设计。

3 实验分析

通过分析发电组温升故障因素，建立基于大数据挖掘的发电组温升故障预警模型的设计。该方法可以帮助现场管理人员更加直观地展示发电组运行状态，实现对发电组温升故障预警的功能。

为验证所提方法的可行性，计算随机共振和经验模态分解方法、发电组轴系静特性分析方法和本文所提方法正常状态下的残差值。根据残差值结果，判断这三种方法残差的变化趋势是否能作为判断发电组状态的依据，最终实现預警。其实验环境如图4所示。

图5、图6和图7是应用式（5）计算得到的发电组温升故障预测模型的残差变化趋势。根据图5、图6和图7分析可知，在相同正常状态下随机共振和经验模态分解方法、发电组轴系静特性分析方法残差变化趋势分布混乱，且在相同数据样本个数的分布中，所提方法的残差变化趋势呈现规律性。在发电组正常状态下，所提方法的残差在0-4之间变化，变化剧烈程度最小。而使用随机共振和经验模态分解方法和发电组轴系静特性分析方法利用RMSE的变化趋势无法完全表明预测模型残差变化剧烈程度，因此，同样以1天为统计区间，运用公式（5）计算预测模型每天的残差，从变化结果可以看出，残差的变化趋势无法作为判断发电组状态的依据。由此表明，所提方法相比随机共振和经验模态分解方法、发电组轴系静特性分析方法残差变化程度更小，可作为判断依据，可实现发电组温升故障预警的目的。

为了验证发动机运行状态，对发动机工作状态进行检测，发电组预警稳定性是在排除误报，跳跃，干扰三种预警情况下的报警率，报警率越高则安全性越强。验证随机共振和经验模态分解方法、发电组轴系静特性分析方法和本文所提方法正常状态下的稳定性，进行1 000次发电组预警，记录故障预警错误个数，验证结果如图8所示。

如图8所示，本文方法的误报，跳跃，干扰三种预警情况的报警次数皆低于其他两种方法，说明本文方法可改善发电组数据参数稳定性，实现实时且准确的故障报警。

4 总结

针对传统方法存在问题，提出基于大数据挖掘的发电组温升故障预警方法研究。首先分析发电组温升故障因素，因

发电组共有两种发电模式，需要针对不同工况分析影响发电组温升故障的因素。在此基础上，依据发电组温升故障预警模型原理，建立基于大数据挖掘的发电组温升故障预警模型，完成本次的设计。最后，在实验中，选取10组发电组设备，给出各项参数，作为实验样本。实验分别测试三种方法在正常状态下残差变化趋势是否能够作为判断发电组温升故障的依据。通过分析发电组残差变化趋势，验证该方法能够实现发电组温升故障预警的目的。在未来的研究中可以就解决发电组温升故障预警变量重要性差异问题进行进一步讨论。

参考文献

[1] 段炼达， 刘晓波. 基于摆度大数据的水轮发电机故障预测方法研究[J]. 中国水利水电科学研究院学报， 2017， 23（6）：439-443.

[2] 郑茂然， 余江， 陈宏山，等. 基于大数据的输电线路故障预警模型设计[J]. 南方电网技术， 2017， 11（4）：30-37.

[3] 王新浩， 罗云， 李桐，等. 基于大数据的特种设备宏观安全风险预警方法研究[J]. 中国安全生产科学技术， 2018， 14（4）：162-168.

[4] 曲力涛. 基于振动能量趋势预测和K均值聚类的水电机组故障预警方法研究[J]. 水力发电， 2019， 45（5）：98-102.

[5] 孟玲霞， 徐小力， 徐杨梅，等. 变工况时频脊流形早期故障预警方法研究[J]. 北京理工大学学报， 2017， 37（9）：942-947.

[6] 肖元强， 牟玉雷， 郑仁钊，等. 某水轮发电组碳刷温度分布和溫升特性分析[J]. 水电能源科学， 2018， 12（6）.125-126.

[7] 李爽， 毕海涛， 鲁旭臣，等. GIS局部过热故障红外成像技术诊断静态试验研究[J]. 高压电器， 2017， 26（10）：76-82.

[8] 贾嵘， 李涛涛， 夏洲，等. 基于随机共振和经验模态分解的水力发电组振动故障诊断[J]. 水利学报， 2017， 48（3）：334-340.

[9] 徐波， 韩学山， 孙宏斌，等. 一种适用于发电组的机会维修模型[J]. 中国电机工程学报， 2018， 38（1）：120-129.

[10] 李汪繁， 蒋俊， 孙庆，等. 大型汽轮发电组轴系静特性分析方法研究[J]. 中国电力， 2017， 50（2）：52-56.

[11] 杨勤， 张震伟， 杨茉， 等. 基于故障预警系统的燃煤发电设备状态检修[J]. 中国电力， 2019， 52（3）：114-119.

[12] 刘帅， 刘长良， 曾华清. 基于核极限学习机的风电机组齿轮箱故障预警研究[J]. 中国测试， 2019， 45（2）：121-127.

[13] 段晓波， 高晶晶， 胡文平，等. 基于Microsoft时序算法的电容器组电容预测及预警[J]. 电力电容器与无功补偿， 2017， 38（1）：22-27.

[14] 周水斌， 梁武民， 雍明超，等. 一种避雷器阻性电流趋势分析和故障预警方法[J]. 电瓷避雷器， 2017（2）：44-48.

[15] 王博， 吴智群. 电站风机故障智能预警技术的应用研究[J]. 热能动力工程， 2017， 32（32）：66-70.

（收稿日期： 2019.11.06）