基于机理及算法的水电站智能预警方法研究及应用
2022-08-02徐云龙刘先科
卢 熹,徐云龙,段 鹏,刘先科
(中国长江电力股份有限公司三峡水力发电厂,湖北 宜昌 443133)
0 引言
目前,大多数水电机组已安装了相当数量的在线监测系统,但未形成规范的运行、使用和维护,对采集到的数据缺乏深入分析和专业技术人员的技术支持。另外,由于在线监测系统生产、安装调试厂家较多,系统维护又以制造厂家为主,服务及时性和有效性普遍较差,系统运行维护非常困难。水电设备的劣化、缺陷大多数都有一定的发展期,其电气、水力、化学、机械等特性会发生少量渐进的变化,并出现一些前期征兆。如果对水电设备重要参数进行连续或随机地检测,及时获取这些前期征兆信息,并进行综合分析和处理,则可随时评估设备的运行可靠性,并根据其健康状况有计划地安排停机检查和维护[1]。因此,通过建设基于机理及算法的水电站智能预警技术,能及时发现水电设备的缺陷,准确处理故障设备,有效提高了发电企业的安全经济运行能力、电力系统的供电可靠性。
1 定义
基于机理及算法的预警,也称规则预警,是指在设备不同运行工况下,依据表征设备健康运行水平的重要参数的变化规律特性,通过制定不同的算法及逻辑组合,当设备参数值偏离了正常运行经验值、或设备参数值趋势发生异常时,产生预警的一种方法。此算法根据设备参数的运行规律,可通过限定参数的有效范围、设备运行工况条件等来选取相应数据,故所选择数据都为健康样本,所建预警逻辑模型可直接应用。规则预警不同于GBDT、超球等基于数据理论的预警模型,需要选取大量健康样本时段,并对预警模型进行充分训练后才能使用。
构建设备规则预警系统的必要条件:①掌握设备运行多年的大量经验数据,②熟悉各设备健康运行规律并了解参数变化情况。图1 为构建设备预警系统的完整流程:
图1 构建预警系统流程图
2 预警系统构建
2.1 确定设备运行工况
水电站机组运行工况复杂,暂态过程与稳态过程交织,包括开/停机过程工况、同期/灭磁过程工况、空载/负载稳定工况、加/减负荷过程工况、甩负荷过程工况等。运行工况改变通常会引起监测数据的变化,同时也是对设备的一种检验。基于工况的评估与诊断技术是水电机组实施设备健康状况评估与故障诊断的重要组成部分。在数据集成过程中,建立工况过程与监测数据之间的正常关联关系,有助于提高水电站智能预警模型的准确率,有利于更好地开展故障诊断工作。
图2 机组运行工况
2.2 选取表征设备健康运行的重要参数
表征水轮机组健康运行的重要特征参数较多,如发电机各部温度、水轮机轴承瓦温及油槽油位、变压器温度及油中气体含量、电机的运行温度及启动频率、集水井水位变动、水轮发电机组振动摆度等,如表1 所示。准确选取重要特征参数参与构建机组状态预警数据库,并配置到相应的预警模型中,可确保设备参数出现异常时及时准确预警,从而提高设备健康运行水平。
表1 设备健康运行重要参数
2.3 建立特征数据库
水电机组是一个集水力、机械、电气、控制、辅助等多种设备于一体的复杂系统[2]。监测机组的状态数据对象包括水电站一次和二次设备,如水轮发电机组、调速系统、励磁系统、主变压器、油压装置、供气系统、直流系统、厂用电系统、排水及供气系统等公用辅助设备,呈现出多源、异构、多度、海量的复杂特性。因此,在选取表征设备健康运行重要参数的基础上,建立机组状态监测特征数据库,如重要参数不同时段的最大值、最小值、平均值、中位数、开关量变位次数、运行时长统计等,可大大缩短预警模型的数据调用及运算时间,从而节约系统预警资源,提高工作效率。
由于构成水电站机组的设备众多,不同设备的监测信息不同,对于同一监测对象,反映其性能的状态量也会不同,如发电机定子绕组温度反映其热性能、发电机定子电流、机端电压反映其绝缘性能。由此可见难以将机组所有的监测数据统一到一个数据库中,应当按照水轮机、发电机、变压器、调速器、辅助设备等不同的对象,创建面向对象的特征数据库。
特征数据库具有以下几个方面的特点:
(1)集成度高:机组状态数据中心的数据是将这些分散的多源异构数据进行预处理得到的,集成的具体表现为一致性好、准确度高、层次分明、关联性强,是机组状态数据中心最重要的特点。数据中心以一定的频率对所有开关量、模拟量、SOE 量等进行采集和储存。在规则预警配制时,不仅需要读取实时值、历史值,还需要某些参数的小时平均值、小时最大值、天平均值、天最大值,以及同类型多测点的最大、最小值等特征参数。
(2)面向对象多。机组状态数据是面向不同对象进行组织的,如调速系统、三部轴承、变压器等不同设备,通过在设备层级对数据进行分类,进而实现机组状态数据中心特征数据库的分类。
(3)稳定性好。机组状态数据中心的数据主要用于机组状态分析与智能预警,经过预处理的数据一旦进入数据中心后则不能修改,只能以只读方式对机组状态数据中心进行访问。
(4)响应时间快。由于对机组数据按照不同的对象进行组织,并且相关差异通过预处理得到消除,提前计算好特征参数并储存于特征数据库中,可大大缩短预警模型的数据调用及运算时间,从而节约规则预警资源,提高效率。
2.4 确定算法
规则预警需制定相应的算子算法来建立设备各参数之间的关联关系,数据中心的实时和特征数据带入到不同算子进行数据预处理,如进行历史趋势分析、横向纵向对比分析、相关量分析、运行工况分析、有效范围分析等,从多角度建立数据关联关系,找出影响设备健康运行数据的关键因素,并为后续配置预警模型奠定基础。
规则预警系统的算子可以配置如下。
2.4.1 工况状态算子
表征设备运行工况的数据称为工况状态数据,利用工况特征参数的变化情况及相应的时长限定,可配置工况算子。工况算子属于基础算子,是构成其它算子不可缺少的一部分。建立机组工况过程与监测数据之间的关联关系,并根据不同工况下设备特征参数的健康样本来配置预警,是规则预警系统的基础。表征机组不同运行工况的特征参数如表2 所示。
表2 确定机组不同工况关联数据
2.4.2 逻辑及算数类算子
(1)最大值、最小值、平均值、有效值等算子
对于同一类型测点参数不太多时,可制定特定工况时段的最大值、最小值、最大最小差值、平均值、有效值等算子,如水轮机三部轴承瓦温最大值、平均瓦温、油槽平均油温、发电机定子绕组温度最大值算子等。若同一类型测点较多,为避免个别数据由于传感器故障或通信异常导致的大幅偏离正常值的情况,此时应先去除异常数据,然后参与算子运算。如发电机绕组温度,因为测点数据较多,可采用去除高值和低值一定数量的数据(例如10%),剩下测点数据再取平均数来计算有效值算子,从而更有利于参与预警数据的准确性。
(2)求和、求差、计数、函数等算子
求和、求差、乘、除、计数等是最基础的算子,任何预警模型中都离不开这些基础算子来建立数据之间的关联关系。
根据不同设备具体运行规律,利用不同参数进行函数组合运算,可以达到计算漏水量、排水量、漏油量、漏气量等的目的。
例如:根据机组检修排水系统集水井的空间尺寸、水位变化、排水时长,可利用积分函数计算排水量。再根据排水量、尾水管压力等数据,可计算尾水管水位变化曲线,与历史曲线或理论变化曲线相对照,智能监测是否因上下游门未关严导致的排水慢的问题,从而智能监测排水过程,提早发现问题。再如机组调速液压系统,可根据压油罐及集油槽的容积、油位、压力等进行函数组合判断调速系统是否漏油、漏气。
(3)与、或、非、范围限定等逻辑算子
与、或、非等是基础的逻辑算子,这些逻辑类算子往往用来对选取的参数进行条件限定。日常应用中,我们经常需要对特定参数值进行范围限定(选取有效数据),于表征设备处于健康运行状态,这时就需要范围限定算子。
2.4.3 趋势特征变化算子
积累历史监测的在线和离线状态数据的健康样本,建立诊断指标量与故障类型的映射关系——趋势特征变化算子,通过动态的趋势变化来诊断故障严重程度。趋势特征变化算子的基本类型包括:快速上升型、缓慢上升型、平稳型、缓慢下降型、快速下降型。针对不同的变化类型,可以快速有效判断设备异常状况。
例如建立水轮机水导油槽油位快速上升型算子:当水导系统运行时水导油位间隔固定时段做对比,例如油位10 min 下降幅度超过5%,即判定为快速下降型;发电机定子平均温度1 h 上升幅度大于1%,即判定为缓慢上升型。
图3 利用趋势特征诊断故障
2.5 配制预警模型
算子确定以后,即可配置相应的预警模型。常用的规则预警模型是先选取工况算子,再选取相关量,并配置不同的算子对相关量进行算数及逻辑运算,计算结果与表征设备健康运行的经验数据或规律进行比较,当偏差值达到一定数值时即进行报警。不同预警模型可以从多维度表征水电站设备的整体健康运行水平。
2.5.1 模拟量数据预警模型
模拟量数据预警模型是先选取工况输入算子,再选取实时库或特征库中相应模拟量,配置不同的算子后,可实现如下预警功能。
(1)模拟量变化趋势越限报警:在一定时间范围内,变化率超过阈值报警,如图4 所示。
图4 模拟量变化趋势越限报警模型
(2)模拟量波动报警:在一定时间范围内,波动范围越限后报警。波动范围通常的计算方法为:选择的时间窗口内,波动范围超过阈值;或最大值与最小值差值与最大值或最小值或平均值的比例。
(3)模拟量缓慢变化报警:当模拟量在一较长的时间周期呈逐步上升或下降的趋势报警,如图5所示。
图5 模拟量缓慢变化越限报警模型
2.5.2 开关量数据预警模型
水电站泵设备种类及数量众多,对电站主设备的安全运行起着至关重要的作用。对于不同泵设备,如纯水泵、调速器压油泵、GIS 断路器油泵、排水泵、空压机等,可利用相应的开关量数据,建立开关量数据预警模型,比如纯水泵切换周期预警、GIS 开关油泵启动预警、压油泵加载时长、空压机启动次数预警等,避免泵设备故障引起的事故与损失。图6 为抽取调速器压油泵加载/卸载开关量变位数据,配置的压油泵加载运行时间长预警模型。
图6 抽取调速器压油泵加载/卸载开关量变位数据
2.5.3 综合数据预警模型
综合利用开关量、模拟量、统计量,并限定数据的有效条件来配置预警模型,可多维度检测设备运行情况,及时发现设备异常并采取有效的处置,把事故消灭在萌芽状态下,可大大提高了设备的健康运行水平。
2.6 应用预警模型
预警模型配制完成后,无需选择健康样本,无需模型训练即可投入使用。不同模型会在其配制条件下自动启动运行,例如采用模拟量变化趋势越限报警的预警模型,则会在满足工况条件下的相应时段内,选取模型配制的测点实时值或特征值计算一次,满足条件后即触发报警。
3 预警模型优化
设备实际运行中,由于传感器损坏、电磁信号干扰、采集设备故障、通信对点错误等都会导致监测数据偏离真实值,造成数据错误。错误数据无法准确反映设备真实运行情况,不仅会导致预警模型的应用出现异常,产生大量的误报警信息,甚至造成预警模型停止工作,而且还会给现场专家的人工分析带来困惑,影响电站的运行与检修决策。因此需对预警模型进行优化。
3.1 测点优化
预警模型使用中,当监测设备缺陷或信号干扰导致的数据异常时,此时测点质量判断为不可靠,可对其进行替换,若测点单一无法替换,则可用相应的开关量来重新相应配制预警逻辑。在实际工作中,模拟量往往波动较大,无法精准设定预警模型偏差值,此时可用平均值、有效值、或中位数值来替代,避免误报警。
在满足功能实现的情况下,预警模型中尽量使用较少测点,避免测点异常时模型功能无法实现。
3.2 逻辑优化
在实际工作中,机组停机备用时也需对其液位、流量等相关重要参数进行监测,此时相应预警模型中可增加机组工况判定来进行闭锁,避免设备检修时排油/充油、排水/充水、撤压/升压等工作时产生误报警。
机组正常运行,会发生设备定期人工切换、自动轮换等情况,此时为避免预警模型误报警,需根据实际运行情况采取开关量变位、模拟量变化等情况来进行闭锁,例如水导外循环泵自动轮换时短时2 台水导泵都运行(1 h 后停备用泵),此时水导油流、水导瓦温、水导油槽油位等都会产生较大变化,为避免水导瓦温、水导油槽油位预警模型误报警,可采取2台泵运行的开关量相与、水导油流变化值大于设定值等条件来闭锁报警逻辑。
3.3 时段优化
很多水电厂机组的在每年汛期和非汛期时,由于环境温度、入库流量、机组水头、运行负荷等参数发生较大的变化,从而造成重要设备运行参数也发生较大的变化,而同在汛期或非汛期时,重要设备运行参数变化范围则较小。可根据此特点设定相应报警设定值或偏差值,从而更准确定位预警模型,及时发现设备异常,提高健康运行水平。
4 结语
通过实时采集和积累机组运行产生的数据,并利用丰富的算法和多维度的预警模型,可以帮助水电站不断进行稳定运行的优化,实现生产过程与决策的智能化控制。同时在一定程度上减轻工作人员的劳动强度,提高电厂劳动生产效率,保障电厂的安全生产。多年的电站设备运行,已积累了足够多的样本和数据,具备开展智能预警系统建设的基本条件。基于机理及算法的水电站智能预警系统可以作为智能水电站建设的一个切入点,在当前科技水平下,只需要较小的投资,便可取得良好的收益。