水电站排水系统智能故障预警模型设计与应用

潘 宏，彭 放，赵小明，何亚东

（1.国家能源集团大渡河流域水电开发有限公司，四川省成都市 610041；2.国家能源集团大渡河大岗山发电有限公司，四川省雅安市 625409）

0 引言

水电站大多都设置有渗漏排水系统、检修排水系统、坝体渗漏排水系统等，排水系统故障可能导致水淹厂房等重大事故，故排水系统的安全稳定运行是电站安全生产的重要保障，但在化学物质侵蚀、管道结垢、设备老化等因素影响下，排水系统效率不断发生变化，故障随运行时间逐渐增加，且目前针对排水系统的故障分析、预警手段较少，故障原因分析不够明确，发生报警需运维人员现场分析，不利于及时处理故障。

为此在水电站现有监控数据的基础上，增加部分传感设备，采集电站排水系统有效数据，延伸设备感知触角，运用统计分析、特征工程、相关性分析等数据挖掘方法[1]，研究排水系统设备相关参量的相互关系，同时结合专家分析和现场实际，搭建排水系统故障分析诊断预警模型，打通生产管理系统数据库，融入故障处理经验，组建辅助分析神经网络[2]，结合智能告警系统提供更多的报警途径，实时推送处理意见，实现水电站排水系统故障超前预警、精准定位。

1 故障预警模型设计

1.1 数据采集与挖掘

首先以水电站数据中心[3]为基础，从数据库中抽取排水系统测点历史数据，获取同一时间的排水系统集水井水位、水泵运行工况等相关数据，将历史数据按照设备状态在自动或手动进行区分整理成为数据样本。其次采用统计分析和特征计算方法计算出设备运行速率、效率、启停耗时等特征值。最后为提高数据质量，可采用肖维勒准则法和格拉布斯准则法剔除异常数据[4]，将两者剔除结果进行比较，验证数据剔除的准确性。

1.2 分析模型设计

根据生产管理系统缺陷记录及日常维护记录，梳理电站排水系统的故障情况，主要由水位上涨、通信异常、水泵效率低、停泵异常和辅助分析组成，然后梳理各故障之间的逻辑关系，制定预警方案。同时深入探索故障维度，组建自组织特征映射神经网络，收集常见故障的故障集及征兆集，充实神经网络。主要包括五个维度：前置条件、异常信息、数据关联性、推送结果和处理意见，结合专家经验分析，确保分析准确性。

（1）系统正常模型。

排水系统自动运行，集水井水位到达启泵水位，系统正常启动排水泵；监测水位以正常速率下降至停泵水位，水泵停止，此过程无任何异常和报警信息，流程结束。

（2）水位上涨预警。

运用大数据分析和统计分析方法对排水系统水位从停泵到启主泵所需时间进行记录，寻找最优时间范围，为水位上涨预警做参考，求出水位上涨速率区间，当水位上涨速度超过预设范围，进行水位上涨预警，判断是否因漏水量增大造成，自动匹配相同月份、相似降雨量等历史数据进行同比和环比分析，观测集水井水位变化趋势。

（3）通信异常。

系统监测到水位上升至启主泵位置，未接收到水泵已启动反馈信号，水位持续上升，且无任何报警信息，判断可能存在PLC输出单元、输入单元故障，同时模型进行预警；若备用泵未启动，报备用泵未启动；水位到高时，报水位高报警。若水位有下降迹象，但无任何报警信息，说明泵已启动，监控未接收到反馈信号，可判定通信异常。

（4）水泵效率低。

水泵抽水过程中，集水井水位下降速率远低于水泵效率理论值，触发告警并自动跳入辅助分析模型，利用神经网络各神经元分析造成水泵效率低的原因，推送处理意见。

（5）停泵异常模型。

水泵正常运行至停泵水位，未正常停止时，是否因系统未接收到停泵指令等原因造成，自动跳入辅助分析模型并发出告警。停泵异常判断分析见表1。

（6）辅助分析模型。

水位上升至启泵水位，启动水泵过程发生故障，系统自动进入辅助分析流程，调用生产管理系统检修维护记录和专家处理经验，增加故障神经元，强化神经网络。水泵综合故障信号分析见表2。

表1 停泵异常判断分析表Table 1 Abnormal judgment analysis table of pump stop

表2 水泵综合故障信号分析表Table 2 Analysis table of comprehensive fault signal of water pump

综上6种实际情况，具体逻辑图见图1。

1.3 模型验证

为验证模型的准确性和实用性，采用对比分析和现场故障模拟对模型进行验证。

1.3.1 对比分析

人工获取2019年坝体渗漏排水系统1～9月水位数据，4台泵启动时间数据，对数据进行处理，水位数据按月进行分析，绘制水位趋势曲线，对比模型自动分析趋势和抽样观测趋势是否吻合，验证模型。人工获取部分数据见表3。

1.3.2 实际模拟

利用水泵检修时机，通过实际模拟故障和在PLC程序中给定实现故障模拟，生产现场实际模拟故障30项，部分故障模拟方法见表4，实际模拟故障在模型中初始采集准确率70%，经过模型调整，故障采集准确率提高至98%。

图1 排水系统逻辑图Figure 1 Drainage system logic diagram

表3 人工获取部分数据表Table 3 Partial data sheet obtained manually

续表

表4 故障模拟方法表Table 4 Fault simulation method table

2 预警模型应用分析

以某水电站大坝排水系统为例分析水电站排水系统故障预警模型应用情况。

2.1 模型建立

某水电站坝体渗漏排水系统预警模型根据故障设想和辅助判断分析流程模拟，结合系统运行状态、历史数据分析，设定不同定值。当运行中出现报警，自动进入故障分析流程，神经网络分析判断给出故障原因和处理意见。若水位上涨速率超过高限，发出预警；水泵效率呈现持续下降触发预警，同时建立大坝排水系统预警模型 Web 可视化界面，可视化界面见图2。

2.2 应用成效

（1）坝体水位上涨速率曲线。

利用该水电站2017年至今历史数据计算大坝集水井水位上涨速率，绘制出如图3所示水位上涨曲线图，同时从库坝中心获取大坝渗流量过程线见图4，分析对比大坝集水井水位上涨速率曲线和大坝渗流量曲线发现，渗漏趋势大致相同，渗漏量平稳。得出结论：通过监测大坝集水井水位上涨速率可以辅助监测坝体渗漏量，且上涨速率最快为7月0.67～0.7m/h。

（2）运行数据相关结果。

根据大坝排水系统投运至今水泵运行数据分析，得出如下结论：

A.水泵排水效率由高到低依次为4号泵、2号泵、3号泵、1号泵。

B.4号水泵运行工况最优，运行平稳。

C.水泵效率和电流、力矩线性关系。

最终得出如表5所示每台水泵参数。

（3）水泵排水效率曲线。

根据历史数据绘制出如图5所示水泵效率曲线。得出结论：4号和3号水泵运行平稳，1号水泵效率明显逐渐下降，2号水泵缓慢下降。

图2 可视化界面Figure 2 Visual interface

图3 大坝集水井水位上涨速率曲线Figure 3 Curve of water level rise rate of dam water collection well

表5 水泵参数表Table 5 Pump parameter table

图5 大坝排水系统水泵效率曲Figure 5 Pump efficiency curve of dam drainage system

3 结束语

水电站排水系统故障预警模型立足于解决水电站排水系统运维管理中的难点、痛点问题，寻求实用的解决方案，建立排水系统故障预警模型，实现水电站排水系统运行工况实时监测，设备故障智能预警[5]，故障精准定位，深入探索排水系统故障维度，加入故障处理意见，提升工作效率。该预警模型应用场景广泛，可推广至水电站相关油、水、气辅助设备系统，为“智慧电厂”建设提供了一种辅助设备的智能管控方法。