CN108375476B - 一种水电机组健康评估方法 - Google Patents

Abstract

本发明涉及一种水电机组健康评估方法，其特征在于包括以下步骤：1)获取水电机组当前状态下的实时在线监测数据，并对水电机组的振动特性进行分析；2)获取水电机组健康状态下不同运行工况的实时在线监测数据，分析水电机组健康状态下不同运行工况与状态参数之间的相关性，建立水电机组振动健康标准模型；3)根据建立的水电机组振动健康标准模型以及当前状态下水电机组的实时在线监测数据，对当前状态下水电机组的状态进行健康评估，得到当前工况下水电机组的健康状态。本发明具有直观、实时性强等优点，可以广泛应用于水电机组运行保障领域。

Description

一种水电机组健康评估方法

技术领域

本发明涉及在线监测和状态评价技术领域，特别是关于一种水电机组健康评估方法。

背景技术

随着运行时间的增加，水电机组运行状态逐渐从最优的健康状态向性能劣化直至故障状态演变。快速有效地确定水电机组的真实状态，及时发现水电机组的异常，合理安排检修，是水电机组由计划检修向状态检修转变的重要课题。因此需要深入研究水电机组在线监测数据，挖掘出水电机组真实可用的状态信息。

目前，关于水电机组运行状态的研究较少，而且主要研究的方向是故障诊断技术，但是由于故障的复杂性和故障样本的匮乏，使得对水电机组运行状态的研究并不能满足现场需求。

发明内容

针对上述问题，本发明的目的是提供一种水电机组健康评估方法，采用该方法能够根据在线监测数据的统计分析对水电机组健康状态进行自适应实时评估。

为实现上述目的，本发明采取以下技术方案：一种水电机组健康评估方法，其特征在于包括以下步骤：1)获取水电机组当前状态下的实时在线监测数据，并对水电机组的振动特性进行分析；2)获取水电机组健康状态下不同运行工况的实时在线监测数据，分析水电机组健康状态下不同运行工况与状态参数之间的相关性，建立水电机组振动健康标准模型；3)根据建立的水电机组振动健康标准模型以及当前状态下水电机组的实时在线监测数据，对当前状态下水电机组的状态进行健康评估，得到当前工况下水电机组的健康状态。

所述步骤2)中，建立水电机组振动健康标准模型的方法，包括以下步骤：2.1)分析不同运行工况下水电机组的在线监测数据，确定水电机组的标准健康状态；2.2)根据监测数据对水电机组不同运行状态的敏感性，选取能反映水电机组运行状态的特征参数；2.3)将所有在线监测数据随机分为标准样本数据和测试样本数据，并将标准样本数据中健康状态下水电机组的振动参数、工作水头和有功功率输入M5回归树进行训练，建立水电机组振动健康标准模型；2.4)采用测试样本数据对步骤2.3)建立的水电机组振动健康标准模型进行验证，得到符合验证条件的水电机组振动健康标准模型。

所述步骤3)中，对当前状态的水电机组进行健康评估时，包括以下步骤：3.1)将水电机组健康状态和当前状态下的实时在线监测数据中的有功功率和工作水头数据代入水电机组振动健康标准模型，计算得到水电机组健康状态和当前状态下的状态参数健康标准值；3.2)将得到的水电机组健康状态和当前状态下参数健康标准值和振动参数的实测值进行比较，获得水电机组健康状态和当前状态的振动偏差；3.3)根据水电机组健康状态和当前状态下的振动偏差，计算二者的振动偏差概率密度曲线；3.4)根据健康状态和当前状态下的振动偏差概率密度曲线，计算两曲线最大密度值即峰值的差值及峰值对应偏差值的差值；3.5)对得到的峰值或峰值对应的偏差值的差值进行分析，进而得到水电机组当前状态的健康评估结果。

所述步骤3.2)中，水电机组振动偏差的计算公式为：

式中：t表示水电机组运行时刻，v(t)表示参数健康标准值，r(t)表示振动参数实测值。

所述步骤3.3)中，水电机组健康状态和当前状态振动偏差曲线的最大密度值的差值及峰值对应偏差值的差值的计算公式为：

dy＝|y₀-y₁|，

dx＝|b₀-b₁|，

式中，y₀＝max(f₀)表示水电机组健康状态下振动偏差曲线f₀的最大密度值，b₀表示y₀对应的偏差值，y₁＝max(f₁)表示水电机组当前状态下振动偏差曲线f₁的最大密度值，b₁表示y₁对应的偏差值。

本发明由于采取以上技术方案，其具有以下优点：1、本发明由于采用水电机组海量在线监测数据的统计分析方法对机组健康状态进行实时评估，能更好地掌握机组运行的整体情况。2、本发明由于采用考虑机组运行工况的基于M5回归树的健康模型，能自适应地根据工况变化，实时计算出机组健康标准值，满足实时性、连续性和变工况的处理要求，具有很好的实用性。3、本发明将水电机组健康映射模型和统计分析有机结合，利用机组健康标准状态和当前状态下的振动偏差概率密度曲线的变化来反映水电机组健康情况，能够非常直观地识别机组性能退化是否发生以及量化退化的严重程度。基于以上优点，本发明可以广泛应用于水电机组运行保障领域。

附图说明

图1是本发明水电机组健康评估方法的流程图；

图2是本发明实施例中水电机组上导Y向摆度数据图；

图3是本发明实施例中水电机组上导Y向摆度数据频数分布图；

图4是本发明实施例中水电机组振动健康标准模型误差频数分布图；

图5是本发明实施例中水电机组健康评估结果。

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，随着电站状态监测系统的不断完善，水电机组运行正常时的状态数据越来越多。如何充分利用现有状态监测数据，来判别水电机组的运行状况，并及时采取措施以降低水电机组的停运概率，对提高水电站的运行安全与经济性具有非常重要的应用价值。本发明基于水电机组在线监测数据，进行统计分析研究，建立计及运行工况的健康评估模型，实现水电站智能化运行维护的重要基础，对于机组安全高效运行具有重要意义。具体的，本发明提供的一种水电机组健康评估方法，包括以下步骤：

1)获取水电机组当前状态下的实时在线监测数据，并对水电机组的振动特性进行分析。其中，收集的在线监测数据主要包括有功功率、工作水头和振动参数等。

2)获取水电机组健康状态下不同运行工况的实时在线监测数据，分析水电机组健康状态下不同运行工况与状态参数之间的相关性，建立水电机组振动健康标准模型。

本发明采用M5回归树方法建立水电机组振动健康标准模型，包括以下步骤：

2.1)分析不同运行工况下水电机组的在线监测数据，确定水电机组的标准健康状态。

2.2)根据监测数据对水电机组不同运行状态的敏感性，选取能反映水电机组运行状态的特征参数。

通过分析发现，水电机组振动随水电机组的工作水头和出力的改变而发生变化。本发明以水电机组升水位试验数据为基础，建立考虑有功功率、工作水头作用的机组振动健康标准模型v＝V(P,H)，其中，v为机组振动参数，P为有功功率，H为工作水头。

2.3)将所有在线监测数据随机分为标准样本数据和测试样本数据，并将标准样本数据中健康状态下水电机组的振动参数、工作水头和有功功率输入M5回归树进行训练，建立水电机组振动健康标准模型v＝V(P,H)。

2.4)采用测试样本数据对步骤2.3)建立的水电机组振动健康标准模型进行验证，得到符合验证条件的水电机组振动健康标准模型。

3)根据建立的水电机组振动健康标准模型以及当前工况下水电机组的实时在线监测数据，对当前工况下水电机组的状态进行健康评估，得到当前工况下水电机组的健康状态。具体的，包括以下步骤：

3.1)将水电机组健康状态和当前状态下的实时在线监测数据中的有功功率和工作水头数据代入水电机组振动健康标准模型，计算得到水电机组健康状态和当前状态下的状态参数健康标准值v₀(t)和v(t)，其中当前状态的时间区间为t＝t₁～t_m。

3.2)将得到的水电机组健康状态和当前状态下的参数健康标准值v(t)和振动参数的实测值r(t)进行比较，获得水电机组健康状态和当前状态的振动偏差g(t)。

其中，水电机组振动偏差g(t)的计算公式为：

式中：t表示水电机组运行时刻。

3.3)根据水电机组健康状态和当前状态下的振动偏差，计算二者的振动偏差概率密度曲线。

根据水电机组健康状态和当前状态的振动偏差计算振动偏差概率密度曲线时，对于振动偏差值x_i，其概率密度的计算公式为：

式中：h是带宽，取

为数据x₁,x₂,…,x_n的样本方差；K()是核函数，本发明取

则x₁,x₂,…,x_n对应的概率密度为(p(x₁),p(x₂),…,p(x_n))，其概率密度曲线则为：

f₀＝(p(x₁),p(x₂),…,p(x_n))

3.4)根据健康状态和当前状态下的振动偏差概率密度曲线，计算两曲线最大密度值即峰值的差值及峰值对应的偏差值的差值。

由水电机组健康状态下振动偏差概率密度曲线f₀内找到其最大密度值，即峰值y₀＝max(f₀)及其对应的偏差值b₀，由水电机组当前状态下的振动偏差概率密度曲线f₁内找出其最大密度值，即峰值y₁＝max(f₁)及其对应的偏差值b₁，分别计算它们的差值：

dy＝|y₀-y₁|

dx＝|b₀-b₁|

3.5)对得到的峰值或峰值对应的偏差值的差值进行分析，进而得到水电机组当前状态的健康评估结果。

当发生概率密度曲线峰值dy突变和峰值对应偏差值dx突变、或高于预设值时，则说明水电机组的运行状态已严重偏离机组健康状态，此时进行预警。其中，预设值根据实际经验确定。

实施例：

对某水电站一台水电机组的现场实际状态监测数据进行研究，验证本发明考虑状态参数相关性的水电机组健康评估方法的有效性。选取该水电机组的上导Y向摆度(即大轴径向振动)数据作为研究对象。具体分析步骤为：

1)机组振动特性分析。

如图2所示，给出了2008/11/22 16:09～2008/11/30 3:01该水电机组上导Y向摆度峰峰值的实测数据，从图中可以看出，由于该水电机组结构复杂、工况转换频繁，使得振动参数时间序列非常复杂，难以从图中准确地分析该水电机组的实际运行状态。

如图3所示，给出了图2所示振动参数数据的频数分布图及概率密度图，从图3中可以看出，该图具有明显的非对称性，中心偏右。

2)分析状态参数相关性，建立水电机组振动健康标准模型。

本实施例中采用水电机组运行初期，运行状态良好无故障数据，建立水电机组振动健康标准模型。在2008年11月22日～2009年12月31日4100组数据中，抽取3800组建立机组振动健康标准模型，将剩下的300组数据作为测试样本进行模型验证。为了能使M5回归树模型具有很好的性能，所选取的3800组健康标准数据要尽量覆盖机组可能的工作水头和有功功率变化区间。将300测试样本中的有功功率、工作水头输入模型，经分析可以看出，基于M5回归树的机组上导Y向摆度健康标准模型计算值和实测值基本吻合，计算平均相对误差为3.76％。

如图4所示，给出了水电机组振动健康标准模型误差频数分布图，从图中可以看出，该图具有明显的对称性，对称中心在0附近，且误差点主要集中在0附近，说明建立的水电机组振动健康标准模型具有很好的精度。

本实施例中同时比较了采用本发明方法的M5回归树模型以及传统BP神经网络模型的计算精度和计算速度，并将300组测试样本分别代入2个模型进行计算，所用时间及精度如下表1所示。从表中可以看出，本发明M5回归树模型具有很高的计算精度和很快的计算速度，非常适合于水电机组健康评估的在线计算。

表1两个模型计算精度、计算速度比较表

模型	计算精度(平均相对误差，％)	计算时间(s)
			M5回归树	3.75	1.56
BP神经网络	4.82	24.43

3)对当前工况下的水电机组进行健康评估。

将本实施例中水电机组运行2年后的机组状态监测中的功率、水头等实时在线监测数据(2011年5月12日～2011年12月15日)代入机组振动健康标准模型v(t)＝V(P(t),H(t))，计算当前工况下的状态参数健康标准值v(t)，并和实测值r(t)比较，获得水电机组当前振动偏差g(t)。

如图5所示，是水电机组的健康评估结果，给出了水电机组健康状态和当前状态下的振动偏差概率密度曲线。从图中可以看出，水电机组经过2年运行后，水电机组振动偏差概率密度曲线发生明显变化。主要体现在曲线的宽度明显增大，曲线峰值对应偏差值往右侧明显偏移，且曲线峰值明显减小。而且当前工况下的振动偏差概率密度曲线已经不具有明显的对称性。说明水电机组经过2年运行后，振动已明显偏离最优健康状态，在偏离20％左右波动，且波动范围加大。

上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和方法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 (3)

1.一种水电机组健康评估方法，其特征在于包括以下步骤：

1)获取水电机组当前状态下的实时在线监测数据，并对水电机组的振动特性进行分析；

2)获取水电机组健康状态下不同运行工况的实时在线监测数据，分析水电机组健康状态下不同运行工况与状态参数之间的相关性，建立水电机组振动健康标准模型；

所述步骤2)中，建立水电机组振动健康标准模型的方法，包括以下步骤：

2.1)分析不同运行工况下水电机组的在线监测数据，确定水电机组的标准健康状态；

2.2)根据监测数据对水电机组不同运行状态的敏感性，选取能反映水电机组运行状态的特征参数；

2.3)将所有在线监测数据随机分为标准样本数据和测试样本数据，并将标准样本数据中健康状态下水电机组的振动参数、工作水头和有功功率输入M5回归树进行训练，建立水电机组振动健康标准模型；

2.4)采用测试样本数据对步骤2.3)建立的水电机组振动健康标准模型进行验证，得到符合验证条件的水电机组振动健康标准模型；

3)根据建立的水电机组振动健康标准模型以及当前状态下水电机组的实时在线监测数据，对当前状态下水电机组的状态进行健康评估，得到当前工况下水电机组的健康状态；

所述步骤3)中，对当前状态的水电机组进行健康评估时，包括以下步骤：

3.1)将水电机组健康状态和当前状态下的实时在线监测数据中的有功功率和工作水头数据代入水电机组振动健康标准模型，计算得到水电机组健康状态和当前状态下的状态参数健康标准值；

3.2)将得到的水电机组健康状态和当前状态下参数健康标准值和振动参数的实测值进行比较，获得水电机组健康状态和当前状态的振动偏差；

3.3)根据水电机组健康状态和当前状态下的振动偏差，计算二者的振动偏差概率密度曲线；

3.4)根据健康状态和当前状态下的振动偏差概率密度曲线，计算两曲线最大密度值即峰值的差值及峰值对应偏差值的差值；

3.5)对得到的峰值或峰值对应的偏差值的差值进行分析，进而得到水电机组当前状态的健康评估结果；

当机组出现异常或者发生故障时，概率密度曲线发生偏离，偏离最优健康状态。

2.如权利要求1所述的一种水电机组健康评估方法，其特征在于：所述步骤3.2)中，水电机组振动偏差的计算公式为：

式中：t表示水电机组运行时刻，v(t)表示参数健康标准值，r(t)表示振动参数实测值。

3.如权利要求1所述的一种水电机组健康评估方法，其特征在于：所述步骤3.3)中，水电机组健康状态和当前状态振动偏差曲线的最大密度值的差值及峰值对应偏差值的差值的计算公式为：

dy＝|y₀-y₁|，

dx＝|b₀-b₁|，

式中，y₀＝max(f₀)表示水电机组健康状态下振动偏差曲线f₀的最大密度值，b₀表示y₀对应的偏差值，y₁＝max(f₁)表示水电机组当前状态下振动偏差曲线f₁的最大密度值，b₁表示y₁对应的偏差值。

Images