CN103926079B - 一种混流式水电机组出力异常检测方法 - Google Patents

Abstract

本发明涉及一种混流式水电机组出力异常检测方法，其包括步骤：1）收集水电机组出力正常运行时，水电站上游水位、下游水位和水轮机导叶开度不同时水电机组的出力数据，作为标准样本；2）基于Shepard曲面插值方法，根据标准样本建立水电机组出力标准模型P=f(H_上,H_下,D)；3）将机组状态实时检测得到的导叶开度、上游水位、下游水位实时在线数据代入水电机组出力标准模型中，计算当前工况下的机组出力标准值_p(i)，获得机组当前出力偏差O_d(i)，当出力偏差O_d(i)的绝对值高于预先设定的出力偏差阈值时进行预警。本发明通过历史样本数据建立不同工况下机组出力的标准值，能有效、真实可靠地进行在线状态评估，实现机组出力异常的早期预警。本发明可广泛应用于水电机组运行状态检测领域中。

Description

一种混流式水电机组出力异常检测方法

技术领域

本发明涉及一种水电机组运行状态在线检测方法，特别是关于一种基于多源监测数据的混流式水电机组出力异常检测方法。

背景技术

随着运行年限的增加，水电机组设备逐渐老化，性能、可靠性开始下降，机组在相同工况下的出力会出现下降，发电效益开始降低。因此，需要深入开展水电机组运行保障理论的相关研究工作，有效地判断机组的真实运行状态，以便及时发现机组异常。及时发现机组出力异常，能进一步提高水电机组运行水平，实现水电站的经济运行。

水电机组出力下降的原因主要有：上游引水管道渠或下游尾水管道泥沙淤积和阻塞、进水口拦污栅阻塞或冰冻、尾水管在尾水位下的淹没深度不够、尾水管中出现裂缝、导叶间有杂物堵塞、水轮机转轮叶片中有杂物堵塞或损坏、水轮机转轮叶片与转轮室间的间隙过大、水轮机气蚀、水轮机转轮和座环摩擦、导水机构漏水、发电机气隙偏大、发电机转子绕组温升偏高等。

目前水电机组状态监测系统开发集成和故障诊断方法的相关研究较多，然而由于缺乏故障样本，故障诊断研究成果还不能满足现场需求。随着电站状态监测系统的不断完善，获得了机组正常运行时的海量状态数据，但是水电机组有较少的故障样本，因此现有故障诊断方法检测精度不高。

发明内容

针对上述问题，本发明的目的是提供一种混流式水电机组出力异常检测方法，该检测方法能动态适应水电机组上游水位、下游水位和导叶开度变化，实现水电机组出力自适应异常检测；并能及时进行异常状态预警，提高水电机组运行维护的水平，减少故障导致的停机损失。

为实现上述目的，本发明采取以下技术方案：一种混流式水电机组出力异常检测方法，其包括以下步骤：1)收集水电机组出力正常运行时，水电站上游水位、下游水位和水轮机导叶开度不同时水电机组的出力数据，作为标准样本；2)基于Shepard曲面插值方法，根据标准样本建立水电机组出力标准模型P＝f(H_上,H_下,D)，其中P为机组出力，H_上为上游水位，H_下为下游水位，D为导叶开度；3)将机组状态实时检测得到的导叶开度、上游水位、下游水位实时在线数据代入水电机组出力标准模型中，计算当前工况下的机组出力标准值p(i)，获得机组当前出力偏差O_d(i)，根据水电机组的实际运行情况，预设一出力偏差阈值Y，将出力偏差O_d(i)与Y进行比较，若|O_d(i)|＞Y，则表明水电机组的出力异常并进行报警；出力偏差O_d(i)为：

$O_d\left(i\right)=\frac{r\left(i\right)-p\left(i\right)}{p\left(i\right)}\×100\%,$

式中，i表示第i组在线监测数据；r(i)表示第i组在线监测数据中的机组出力实测值。

所述步骤2)中，所述水电机组出力标准模型P＝f(H_上,H_下,D)建立方法包括以下步骤：①将标准样本库中的m个样本(P_t,H_上t,H_下t,D_t)中的(H_上t,H_下t,D_t)作为试验样本点，将水电机组的出力P_t作为试验样本点对应的响应值，其中H_上t是上游水位、H_下t是下游水位、D_t是导叶开度，t＝1,2,…,m，则m个样本(P_t,H_上t,H_下t,D_t)构成了m×(3+1)维矩阵：

对于新样本点(h_上,h_下,d)，基于m个样本(P_t,H_上t,H_下t,D_t)构成的m×(3+1)维矩阵，采用Shepard曲面插值方法计算新样本(h_上,h_下,d)对应的响应值p(h_上,h_下,d)，即对应的水电机组的出力；基于(h_上,h_下,d,p(h_上,h_下,d))与m个试验样本点(H_上t,H_下t,D_t)之间的关系，计算响应值p(h_上,h_下,d)的估计值使得欧氏距离E最小；其中，欧氏距离E为：

式中，ω_t为权重，表示新样本点(h_上,h_下,d)和试验样本点(H_上t,H_下t,D_t)对响应值的估计值的贡献大小，参数α选1～3；γ_t＝[(h_上-H_上t)²+(h_下-H_下t)²+(d-D_t)²]^0.5表示新样本点(h_上,h_下,d)与试验样本点(H_上t,H_下t,D_t)之间的距离；②计算使欧氏距离E最小的新样本点(h_上,h_下,d)的响应值p(h上,h下,d)的估计值即：

为满足对欧氏距离求导数并令其为0，即：

对上式计算得到新样本点(h_上,h_下,d)与估计值之间的映射关系，即水电机组出力实测标准模型为：

所述步骤3)中，出力偏差阈值Y为2％～5％。

本发明由于采取以上技术方案，其具有以下优点：1、本发明由于只需收集水电机组出力正常状态下的监测数据，就能建立基于出力-上游水位-下游水位-导叶开度的出力异常状态辨识模型，能有效解决现有水电机组状态监测系统采集了大量的健康状态监测数据，而异常数据难以获得的难题，实现对其进行有效的异常状态检测。2、本发明由于采用基于Shepard曲面插值方法建立水电机组出力标准模型，综合考虑了水电站上游水位、下游水位和水轮机导叶开度对机组出力的影响，有机地实现了机组运行工况参数的耦合，可以实时地、充分地考虑水电机组运行工况的变化过程，建立的出力-上游水位-下游水位-导叶开度的映射关系模型，提高了模型的精度。基于该模型获取的机组出力状态信息更贴近实际，能实时追踪和全面地描述水电机组出力状态变化过程，真实客观的自适应识别机组的出力状态，能提早发现机组的出力异常，有很好的实用性。3、本发明采用的Shepard曲面插值方法与现有技术常用的RBF神经网络模型和最小二乘支持向量机模型进行比较可知，Shepard曲面插值方法比现有技术常用的RBF神经网络模型和最小二乘支持向量机模型有更高的计算精度和计算速度，非常适合于水电机组出力异常辨识的在线计算。4、本发明充分利用机组已有监测数据资源，建立基于数据的机组出力异常辨识模型。异常状态辨识旨在追踪水电机组运行状态随时间的演化过程，从机组运行监测参数的异常现象中挖掘出设备状态与潜在故障的关系，将异常参数隐含信息显性化。根据运行状态的变化规律，及时进行异常状态预警，能提高水电机组运行维护的水平，减少故障导致的停机损失。5、本发明由于采用基于Shepard插值的机组出力标准模型P＝f(H_上,H_下,D)，能综合反映水电站上游水位、下游水位和水轮机导叶开度对机组出力的影响，建立了水电站上游水位、下游水位和水轮机导叶开度对水电机组出力的映射关系，很好地追踪水电机组运行过程中机组出力的变化趋势，对出力异常状态进行及时预警。本发明可广泛应用于水电机组检测领域中。

附图说明

图1是本发明的整体流程示意图；

图2是本发明的水电机组出力实测值与标准值比较示意图；其中，“·”表示实测值，“*”表示标准值；

图3是本发明水电机组出力偏差辨识结果示意图；其中，“·”表示出力偏差，“--”表示出力偏差阈值。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

如图1所示，本发明提供一种混流式水电机组出力异常检测方法，其包括以下步骤：

1)收集水电机组出力正常运行时，水电站上游水位、下游水位和水轮机导叶开度不同时水电机组的出力数据，作为标准样本。

2)基于Shepard曲面插值方法，根据标准样本建立水电机组出力标准模型P＝f(H_上,H_下,D)，该水电机组出力标准模型综合考虑了上游水位、下游水位、导叶开度等多源信息，其中P为机组出力，H_上为上游水位，H_下为下游水位，D为导叶开度；该建模方法能更实际地反映影响机组状态的工况因素(导叶开度、上游水位和下游水位)，从而有效的利用机组现有运行正常数据。

水电机组出力标准模型P＝f(H_上,H_下,D)建立方法包括以下步骤：

①将标准样本库中的m个样本(P_t,H_上t,H_下t,D_t)中的(H_上t,H_下t,D_t)作为试验样本点，将水电机组的出力P_t作为试验样本点对应的响应值，其中H_上t是上游水位、H_下t是下游水位、D_t是导叶开度，t＝1,2,…,m，则m个样本(P_t,H_上t,H_下t,D_t)构成了m×(3+1)维矩阵：

对于新样本点(h_上,h_下,d)，基于m个样本(P_t,H_上t,H_下t,D_t)构成的m×(3+1)维矩阵，采用Shepard曲面插值方法计算新样本(h_上,h_下,d)对应的响应值p(h_上,h_下,d)，即对应的水电机组的出力。

基于(h_上,h_下,d,p(h_上,h_下,d))与m个试验样本点(H_上t,H_下t,D_t)之间的关系，计算响应值p(h_上,h_下,d)的估计值使得欧氏距离E最小。其中，欧氏距离E为：

式中，ω_t为权重，表示新样本点(h_上,h_下,d)和试验样本点(H_上t,H_下t,D_t)对响应值的估计值的贡献大小，参数α通常选1～3；γ_t＝[(h_上-H_上t)²+(h_下-H_下t)²+(d-D_t)²]^0.5表示新样本点(h_上,h_下,d)与试验样本点(H_上t,H_下t,D_t)之间的距离。

②计算使欧氏距离E最小的新样本点(h_上,h_下,d)的响应值p(h_上,h_下,d)的估计值即：

为满足

对欧氏距离求导数并令其为0，即：

对式(3)进行计算，得到新样本点(h上,h下,d)与估计值之间的映射关系，即水电机组出力实测标准模型为：

3)将机组状态实时检测得到的导叶开度、上游水位、下游水位等实时在线数据代入水电机组出力实测标准模型中，计算当前工况下的机组出力标准值p(i)，获得机组当前出力偏差O_d(i)，根据水电机组的实际运行情况，预设一出力偏差阈值Y，将出力偏差O_d(i)与Y进行比较，若出力偏差绝对值|O_d(i)|＞Y，则表明水电机组的出力异常并进行报警；其中，出力偏差阈值Y预设为2％～5％；出力偏差O_d(i)为：

$O_d\left(i\right)=\frac{r\left(i\right)-p\left(i\right)}{p\left(i\right)}\×100\%,$

式中，i表示第i组在线监测数据；r(i)表示第i组在线监测数据中的机组出力实测值。

对于不同机组预设的出力偏差阈值Y不同，当出力偏差超出允许的预设阈值Y时，进行报警，这样可以及时发现水电机组出力的异常状态。

下面结合具体实施例对本发明的混流式水电机组出力异常检测方法作进一步说明。

实施例：采用某巨型电站装有的某台大型混流水电机组(额定功率：700MW，额定转速：75r/min)运行初期、运行状态良好时，在电站上游水位上升(147m～170m)时的机组稳定性现场试验数据作为机组正常出力标准状态数据，来验证基于Shepard曲面插值的机组出力异常辨识模型的有效性。混流式水电机组的上游水位、下游水位和导叶开度决定了机组的出力，由于这些工况参数的不断转换，使得机组出力变化及其复杂，不能直接从出力数据中获取机组真实的出力性能及其演变趋势。因此，需要依据机组的自身特性，建立能自适应机组工况变化的、精细的机组出力异常辨识模型。其具体包括：

Ⅰ、在水电机组870组健康标准数据中，抽取800组建立基于Shepard曲面的机组出力标准模型，获得机组运行正常时，输入参数(上游水位、下游水位、导叶开度)和输出参数(机组出力)的精确映射关系；将剩下的70组数据作为测试样本进行模型验证。为了能使Shepard曲面插值模型具有很好的异常辨识能力，所选取的870组健康标准数据要尽量覆盖机组可能的上游水位、下游水位和导叶开度变化区间。

将70组测试样本中的上游水位、下游水位和导叶开度输入出力标准模型，模型输出机组出力标准值p(i)，p(i)与实测数据r(i)的比较如表1所示，表1中以25组测试样本为例。

表1基于Shepard插值的水电机组出力模型的计算结果

由表1可知，水电机组出力标准值和实测值基本吻合，所建模型平均相对误差为1.93％，具有非常高的精度。

Ⅱ、将分别采用基于Shepard插值曲面的水电机组出力标准模型、基于RBF神经网络的水电机组出力标准模型和基于最小二乘支持向量机(LS-SVM)的水电机组出力标准模型的计算精度和计算速度进行比较。

将步骤Ⅰ中选取的800组健康标准数据，采用式(4)，建立基于Shepard插值曲面的水电机组出力标准模型。选取70组数据作为测试样本，将测试样本中的水电机组上游水位、下游水位和导叶开度代入建立的基于Shepard插值曲面的水电机组出力标准模型，计算得到不同上游水位、不同下游水位和不同导叶开度下的机组出力。如表2所示，给出70组采用Shepard插值曲面的水电机组出力标准模型进行计算的计算精度和计算速度。

将步骤Ⅰ中选取的800组健康标准数据中的上游水位、下游水位、导叶开度作为RBF神经网络模型的输入，将机组出力作为输出，对RBF神经网络模型进行训练，训练完成后，选取步骤Ⅰ中的70组数据作为测试样本，将测试样本中的水电机组上游水位、下游水位和导叶开度代入训练后的RBF神经网络模型，计算得到不同上游水位、不同下游水位和不同导叶开度下的机组出力。如表2所示，给出70组采用RBF神经网络的水电机组出力标准模型进行计算的计算精度和计算速度。

将步骤Ⅰ中选取的800组健康标准数据中的上游水位、下游水位、导叶开度作为最小二乘支持向量机(LS-SVM)模型的输入，将机组出力作为输出，对最小二乘支持向量机(LS-SVM)模型进行训练，训练完成后，选取步骤Ⅰ中的70组数据作为测试样本，将测试样本中的水电机组上游水位、下游水位和导叶开度代入训练后的最小二乘支持向量机(LS-SVM)模型，计算得到不同上游水位、不同下游水位和不同导叶开度下的机组出力。如表2所示，给出70组采用最小二乘支持向量机(LS-SVM)的水电机组出力标准模型进行计算的计算精度和计算速度。

表2三个模型计算精度、计算速度比较表

模型	计算精度(平均相对误差，％)	计算时间(s)
			Shepard插值	1.93	0.14
RBF神经网络	2.24	195.98
			LS-SVM	5.17	22.99

由表2可知，基于Shepard插值曲面的水电机组出力标准模型具有很高的计算精度和计算速度，非常适合于水电机组出力异常辨识的在线计算。

Ⅲ、选取该水电机组某运行时段，100组实测状态监测数据进行出力异常辨识。将该实测数据中的上游水位、下游水位和导叶开度输入步骤Ⅰ建立的基于Shepard插值曲面的水电机组出力标准模型，获得出力标准值。如图2所示，给出了100个待辨识样本的出力标准值以及实测值。如图3所示，给出了按照公式计算出的机组出力偏差，预设出力偏差阈值为：Y＝4％。由此可知，100个待辨识样本出力正常，没有异常出力发生，该机组可继续运行。

综上所述，本发明能有效实现水电机组运行过程和状态参数的耦合，可以实时地、充分地考虑水电机组运行工况的变化过程，通过对工作水头分解为上游水位和下游水位，提高了模型的精度，基于该模型获取的机组出力信息更贴近实际，能较全面地描述水电机组出力的变化过程，能提早发现水电机组运行过程中可能出现的异常。

上述各实施例仅用于说明本发明，其中各个步骤等都是可以有所变化的，凡是在本发明技术方案的基础上对本发明的个别步骤进行的等同变换和改进，均不应排除在本发明的保护范围之外。

Claims (2)

1.一种混流式水电机组出力异常检测方法，其包括以下步骤：

1)收集水电机组出力正常运行时，水电站上游水位、下游水位和水轮机导叶开度不同时水电机组的出力数据，作为标准样本；

2)基于Shepard曲面插值方法，根据标准样本建立水电机组出力标准模型P＝f(H_上,H_下,D)，其中P为机组出力，H_上为上游水位，H_下为下游水位，D为导叶开度；所述水电机组出力标准模型P＝f(H_上,H_下,D)建立方法包括以下步骤：

①将标准样本库中的m个样本(P_t,H_上t,H_下t,D_t)中的(H_上t,H_下t,D_t)作为试验样本点，将水电机组的出力P_t作为试验样本点对应的响应值，其中H_上t是上游水位、H_下t是下游水位、D_t是导叶开度，t＝1,2,…,m，则m个样本(P_t,H_上t,H_下t,D_t)构成了m×(3+1)维矩阵：

对于新样本点(h_上,h_下,d)，基于m个样本(P_t,H_上t,H_下t,D_t)构成的m×(3+1)维矩阵，采用Shepard曲面插值方法计算新样本(h_上,h_下,d)对应的响应值p(h_上,h_下,d)，即对应的水电机组的出力；

基于(h_上,h_下,d,p(h_上,h_下,d))与m个试验样本点(H_上t,H_下t,D_t)之间的关系，计算响应值p(h_上,h_下,d)的估计值使得欧氏距离E最小；其中，欧氏距离E为：

式中，ω_t为权重，表示新样本点(h_上,h_下,d)和试验样本点(H_上t,H_下t,D_t)对响应值的估计值的贡献大小，参数α选1～3；γ_t＝[(h_上-H_上t)²+(h_下-H_下t)²+(d-D_t)²]^0.5表示新样本点(h_上,h_下,d)与试验样本点(H_上t,H_下t,D_t)之间的距离；

②计算使欧氏距离E最小的新样本点(h_上,h_下,d)的响应值p(h_上,h_下,d)的估计值即：

为满足min对欧氏距离求导数并令其为0，即：

对上式计算得到新样本点(h_上,h_下,d)与估计值之间的映射关系，即水电机组出力实测标准模型为：

3)将机组状态实时检测得到的导叶开度、上游水位、下游水位实时在线数据代入水电机组出力实测标准模型中，计算当前工况下的机组出力标准值p(i)，获得机组当前出力偏差O_d(i)，根据水电机组的实际运行情况，预设一出力偏差阈值Y，将出力偏差O_d(i)与Y进行比较，若|O_d(i)|＞Y，则表明水电机组的出力异常并进行报警；出力偏差O_d(i)为：

$O_d\left(i\right)=\frac{r\left(i\right)-p\left(i\right)}{p\left(i\right)}\×100\%,$

式中，i表示第i组在线监测数据；r(i)表示第i组在线监测数据中的机组出力实测值。

2.如权利要求1所述的一种混流式水电机组出力异常检测方法，其特征在于：所述步骤3)中，出力偏差阈值Y为2％～5％。