CN112861350A - 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法 - Google Patents

Abstract

本发明提供一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法，包括如下步骤：利用发电机自身DCS系统中对于发电机定子绕组各槽口的温度监测节点，建立发电机定子绕组温升变化情况的复杂网络模型；利用DCS系统实时采集运行监测数据，计算关联度，并采用复杂网络模型的动态演变过程来表征发电机定子各槽口绕组温升状态的变化；根据得到的关联度，利用分析各定子槽口温度变化情况并筛选当前状态下反应温升异常变化的关键节点，并计算基于所述关键节点所构成的关键子网络的动态标志物，识别异常状态转变，并对定子绕组过热缺陷进行预警。本发明方法数据容易获取，且所建模型使用的是待诊断发电机自身监测数据，不存在泛化问题，有助于对发电机进行早期缺陷预警。

Description

一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法

技术领域

本发明涉及发电机定子绕组温度过热缺陷预警领域，特别是指一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法。

背景技术

大型汽轮发电机是发电厂重要的电气设备，发电机定子绕组内冷水系统堵塞造成的热故障是大型水内冷汽轮发电机的主要故障之一。目前对发电机定子绕组热故障预警的方法以机理分析为主。早期研究发电机定子绕组热故障是对水内冷定子绕组线棒空心导体堵塞故障机理进行分析，该方法可对任意工况下定子绕组温度标准值进行定量计算，误差在5℃以内。但该方法计算量大，做离线分析尚可，实时判断异常工况难度较大；也有一些学者建立了不同工况下定子绕组进出水温度水力模型，并分别用最小二乘法和BP神经网络算法进行辨识，误差小于1℃。但实际工况复杂多变，标准值无法应用于各种工况，难以准确判断异常工况；还有一些学者基于多场耦合分析，对发电机定子相关部件建立三维模型，并进行数值仿真，比较全面的阐述的发电机定子绕组热故障过程。该方法对发电机定子绕组热故障研究提供了一定的理论支撑，但不适用于线上实时评估预警。

近年来，非线性系统动力学中的“临界相变”理论逐渐受到了关注。复杂系统演化到临界态时，控制参数或系统应力的微小变化都可能导致系统临界相变，引发灾难性事故的发生。在临界相变的理论研究中发现，发生临界相变前，在临界点附近系统会表现出临界慢化这一临界行为，并产生三个可能的预警信号：扰动恢复较慢、自相关性降低、方差增加。

为描述多变量复杂系统的临界相变动态特性，有学者提出的动态网络标志物(Dynamical Network Marker,DNM)这一概念，并在生物，生态和金融系统方面证明了所提方法的有效性。在故障诊断领域，张燕等人率先将DNM应用在变压器的早期缺陷预警方面，并取得良好效果，参见方瑞明,张燕,王黎,谢远强.基于油中溶解气体在线监测的变压器早期缺陷预警方法[P].福建省：CN109490685B,2020-10-09。但在网络关键节点筛选过程中，该方法需要建立每种特征气体浓度的预测模型，这对于汽轮机定子绕组温度过热预警上并不适用。因为大型汽轮机定子槽口数量众多，每个槽口建立对应的温度预测模型过于繁琐，泛化能力差。

发明内容

本发明的主要目的在于克服现有技术中的上述缺陷，提出一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法，利用待监测发电机DCS(Distributed Control System)系统的实时监测数据，建立动态网络标志物模型，从而判定出定子绕组温度从正常状态转变至异常状态中的临界状态。其建模过程中不需要收集典型样本数据，数据容易获取；且所建模型使用的是待诊断发电机自身监测数据，不存在泛化问题，有助于对发电机进行早期缺陷预警。

本发明采用如下技术方案：

一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法，包括如下步骤：

利用发电机自身DCS系统中对于发电机定子绕组各槽口的温度监测节点，把定子各槽口映射为网络中的各节点，建立发电机定子绕组温升变化情况的复杂网络模型；

利用DCS系统实时采集运行监测数据，计算关联度，并采用复杂网络模型的动态演变过程来表征发电机定子各槽口绕组温升状态的变化；

根据得到的关联度，利用灰色关联分析各定子槽口温度变化情况并筛选当前状态下反应温升异常变化的关键节点，并计算基于所述关键节点所构成的关键子网络的动态标志物，来识别水冷式汽轮发电机定子各槽口绕组温升异常状态转变，并对定子绕组过热缺陷进行预警。

具体地，所述把定子各槽口映射为网络中的各节点，建立发电机定子绕组温升变化情况的复杂网络模型，其中节点间采用全互联方式。

具体地，利用DCS系统实时采集运行监测数据，具体包括：

基于DCS系统采集的定子各槽口温度数据，设定采样时间间隔为一个时间周期，分为n各时段，每个时段包含N个采样点，并对采集的温度数据作归一化处理；

其中，X_ij为第i个时段内第j个采样时间点上节点的归一化数据；x_ij为第i个时段内第j个采样时间节点值；x_i表示第i个时段内的节点数据；mean(x_i)为第i个时段内采样点的节点平均值；SD(x_i)为第i个时段内采样点的节点标准差。

具体地，计算关联度，具体包括：

将采集到的发电机定子各槽口温度数据计算关联度，设n列数据序列形成如下矩阵：

其中m为序列的长度，X′_i＝(x′_i(1),x′_i(2),L,x′_i(m))^T,i＝1,2,L,n

确定参考数据列；记作

X′_o＝(x′_o(1),x′_o(2),L,x′_o(m))^T,i＝1,2,L,n

对指标数据进行无量纲化处理；采用均值法进行无量纲化处理：

其中i＝1,2,L,n；k＝1,2,L,m，无量纲化后的数据序列形成如下矩阵：

逐个计算比较序列与参考序列对应元素的绝对值差值；即

|x₀(k)-x_i(k)|(k＝1,2,L,m i＝1,2,L,n)

由此可计算出最小差值

和最大差值

计算关联系数；分别计算每个比较序列与参考序列对应元素的关联系数，计算公式如下：

其中，ρ为分辨系数，在(0，1)之间取值，ρ越小则关联系数间差异越大，区分能力越强；

计算关联度；计算公式如下：

其中r_oi为关联度。

具体地，根据得到的关联度，利用灰色关联分析各定子槽口温度变化情况并筛选当前状态下反应温升异常变化的关键节点，还包括：

将每一槽口对应编号，根据筛选出的编号判断具体槽口温度是否异常。

具体地，计算基于所述关键节点所构成的关键子网络的动态标志物，来识别水冷式汽轮发电机定子各槽口绕组温升异常状态转变，并对定子绕组过热缺陷进行预警；具体包括：

筛选出关键节点后，分别计算当前时段i的关键网络平均标准差

关键节点间平均皮尔逊相关系数

以及关键节点与非关键节点间的平均皮尔逊相关系数

判断当前关键网络是否符合发电机定子绕组温度状态转变的临界特性；

若当前时段满足临界特性，计算各时段i的关键网络标志物的量化值I_i，通过检测量化值I_i的动态变化检测复杂网络临界转变的预警信号；

式中，δ为任意小的正数，避免分母为零；

当

时，表明关键网络在时段i发生临界变化，由正常状态转化至缺陷状态，此时发出预警信号。

由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：

(1)本发明提出了一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法，该方法利用发电机自身DCS系统中对于发电机定子绕组各槽口的温度监测节点，把定子各槽的温升情况映射为一个复杂网络，将DCS在线监测的定子各槽的测温点映射为复杂网络中的节点，并采用该网络的动态演变过程来描述发电机定子各槽中绕组温升状态的变化；利用灰色关联分析各定子槽口温度变化情况并筛选当前状态下反应其温升异常变化的关键节点，进而分析关键网络动态特性，来识别水冷式汽轮发电机定子各槽绕组温升异常状态转变，对定子绕组过热缺陷进行预警。本发明提供的方法建模过程中不需要收集典型样本数据，数据容易获取；且所建模型使用的是待诊断发电机自身监测数据，不存在泛化问题，有助于对发电机进行早期缺陷预警。

附图说明

图1为本发明实施例提供的水冷式汽轮发电机定子绕组温度过热缺陷预警方法流程图；

图2为本发明实施例1正常情况各槽灰色关联分析结果；

图3为本发明实施例2单槽故障分析相关结果图；其中，图3(a)表示实施例2灰色关联分析结果；图3(b)表示实施例2各时段方差分析结果；图3(c)表示实施例2各窗口自相关系数分析结果。

图4为本发明实施例3多槽故障分析相关结果图；其中，图4(a)表示实施例3灰色关联分析结果；图4(b)～(e)表示实施例3各时段DNM演化过程，分别代表

DNM量化值I_i变化过程。

以下结合附图和具体实施例对本发明作进一步详述。

具体实施方式

本发明提出一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法，利用待监测发电机的DCS系统自身实时监测数据，建立动态网络标志物模型，从而判定出定子绕组温升从正常状态转变至异常状态中的临界状态；基于所述模型筛选出相变过程中的临界点，判定是否符合临界特性，进而根据DNM量化值变化发出预警信号，实现对发电机运行状态的动态预警。

如图1，为本发明实施例提供的一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法流程图，具体包括如下步骤：

S101：利用发电机自身DCS系统中对于发电机定子绕组各槽口的温度监测节点，把定子各槽口映射为网络中的各节点，建立发电机定子绕组温升变化情况的复杂网络模型；

具体地，所述把定子各槽口映射为网络中的各节点，建立发电机定子绕组温升变化情况的复杂网络模型，其中节点间采用全互联方式。

S102：利用DCS系统实时采集运行监测数据，计算关联度，并采用复杂网络模型的动态演变过程来表征发电机定子各槽口绕组温升状态的变化；

具体地，利用DCS系统实时采集运行监测数据，具体包括：

基于DCS系统采集的定子各槽口温度数据，设定采样时间间隔为一个时间周期，分为n各时段，每个时段包含N个采样点，并对采集的温度数据作归一化处理；

其中，X_ij为第i个时段内第j个采样时间点上节点的归一化数据；x_ij为第i个时段内第j个采样时间节点值；x_i表示第i个时段内的节点数据；mean(x_i)为第i个时段内采样点的节点平均值；SD(x_i)为第i个时段内采样点的节点标准差。

具体地，计算关联度，具体包括：

将采集到的发电机定子各槽口温度数据计算关联度，设n列数据序列形成如下矩阵：

其中m为序列的长度，X′_i＝(x′_i(1),x′_i(2),L,x′_i(m))^T,i＝1,2,L,n

确定参考数据列；记作

X′_o＝(x′_o(1),x′_o(2),L,x′_o(m))^T,i＝1,2,L,n

对指标数据进行无量纲化处理；采用均值法进行无量纲化处理：

其中i＝1,2,L,n；k＝1,2,L,m，无量纲化后的数据序列形成如下矩阵：

逐个计算比较序列与参考序列对应元素的绝对值差值；即

|x₀(k)-x_i(k)|(k＝1,2,L,m i＝1,2,L,n)

由此可计算出最小差值

和最大差值

计算关联系数；分别计算每个比较序列与参考序列对应元素的关联系数，计算公式如下：

其中，ρ为分辨系数，在(0，1)之间取值，ρ越小则关联系数间差异越大，区分能力越强；

计算关联度；计算公式如下：

其中r_oi为关联度。

S103：根据得到的关联度，利用灰色关联分析各定子槽口温度变化情况并筛选当前状态下反应温升异常变化的关键节点，并计算基于所述关键节点所构成的关键子网络的动态标志物，来识别水冷式汽轮发电机定子各槽口绕组温升异常状态转变，并对定子绕组过热缺陷进行预警。

具体地，根据得到的关联度，利用灰色关联分析各定子槽口温度变化情况并筛选当前状态下反应温升异常变化的关键节点，还包括：

将每一槽口对应编号，根据筛选出的编号判断具体槽口温度是否异常。

具体地，计算基于所述关键节点所构成的关键子网络的动态标志物，来识别水冷式汽轮发电机定子各槽口绕组温升异常状态转变，并对定子绕组过热缺陷进行预警；具体包括：

筛选出关键节点后，分别计算当前时段i的关键网络平均标准差

关键节点间平均皮尔逊相关系数

以及关键节点与非关键节点间的平均皮尔逊相关系数

判断当前关键网络是否符合发电机定子绕组温度状态转变的临界特性；

若当前时段满足临界特性，计算各时段i的关键网络标志物的量化值I_i，通过检测量化值I_i的动态变化检测复杂网络临界转变的预警信号；

式中，δ为任意小的正数，避免分母为零；

当

时，表明关键网络在时段i发生临界变化，由正常状态转化至缺陷状态，此时发出预警信号。

以下通过具体实施例说明：

以下所有实施例诊断对象均为某发电厂3号发电机，但运行工况不同，基于DCS系统实时采集的定子线圈出水口温度数据。该发电机型号为50WT23F-138，采用水-氢-氢冷却方式，其中定子绕组为水内冷。所有的监测数据采样周期为一小时，取时段节点数为5，该发电机绝缘等级为F级，绕组极限温升为100℃。

实施例1：正常情况。输入检修数据8月19日-23日的120个实时监测出数据，以槽1为母序列(参考序列)进行灰色关联分析，结果如图2所示。可以看出，正常情况下，各比较序列与母序列的关联度均在0.9以上，说明各序列单元数值较为接近，符合检修记录。

实施例2：单槽故障分析。输入检修数据7月5号-9号的120个实时监测数据，以槽1为母序列(参考序列)进行灰色关联分析，结果如图3(a)所示。可以看出，除槽10外，各比较序列与母序列的关联度均高于0.9，而槽10与母序列的关联度为0.78，低于0.8，说明此时槽10出现异常。进一步的，分析其方差和自相关系数变化。为提高计算效率，选取待诊断时刻为终点，向前截取40个采样点数据，并分成8个时段，分析每个时段内方差变化，如图3(b)所示。随机选取槽2～4与槽10进行对比分析，可以看出槽10的各时段方差整体呈上升趋势，而槽2～4各时段方差较为平稳，说明槽10异常。

进一步的，分析其自相关系数变化。对于自相关系数的分析，采用滑动窗口法进行自相关系数计算。将各槽的40组数据平均分成两列，滑动窗口长度设置为12，即每一次滑动窗口计算一次自相关系数，一个时间段为12h。分别计算42个槽的自相关系数，可以得到连续8个时段下的自相关系数变化情况，结果如图3(c)所示。同方差分析一样，随机选取槽2～4跟槽10进行对比。可以看出，槽2～4的各窗口自相关系数均在0.6以上，且较为平稳；而槽10的自相关系数整体呈下降趋势，且变化幅度较大，可以判断其出现异常。对比检修记录，槽10在6月8日15时故障，符合结果。

实施例3：多槽故障分析。输入检修数据9月7号-11号的120个实时监测数据，以槽1为母序列(参考序列)进行灰色关联分析，结果如图4(a)所示。可以看出，除槽5、10、18灰色关联度较低，其他对比序列与母序列关联度均在0.9以上。此时选取槽5、10、18为关键节点，由这三槽组成的子网络为关键网络，对其进行DNM动态特性分析。同样选取待诊断时刻为终点，向前截取40个采样点数据，从8号10时开始截取，并分成8个时段，每个时段包含5个采样点数据。各时段DNM演化过程如图4(b)～(e)所示。

由图4(b)可得，时段4的关键网络平均标准差

与

相比急剧增加，并处于峰值；由图4(c)可得，该关键网络内节点间平均皮尔逊系数

与

相比增加；由图4(d)可得，该网络内关键节点与非关键节点间平均皮尔逊系数

与

相比降低。由上述分析可得，该时段符合临界特性，说明在该时段内，网络中形成由关键节点构成的关键网络。由图4(e)可得，DNM量化值

(I₃＝0.06,I₄＝0.18)，表明系统可能达到状态转变临界点附近，此时发出预警信号。

由灰色关联分析得到的关键节点，即槽5、10、18，分析其DNM动态特性，符合临界状态的三个条件，并且由DNM量化值可进一步判断其状态转变并发出预警信号。在这过程中，DNM模型判断出的临界状态在9号5时，而根据检修记录，在当天下午2时汽轮机发生故障，槽5、10、18发生堵塞，符合检修结果。

案例分析结果表明，当发电机从正常状态经临界状态转变到缺陷状态时，关键网络的DNM量化值也会发生变化。当各关键节点状态变化较小时，I_i值较小且处于相对平稳的状态，发电机运行状态正常；当I_i值突然上升，说明关键节点状态出现了异常变化，发电机可能接近或者到达临界状态。因此由于正常运行状态和临界状态之间的不同动态特性，基于发电机在线监测装置的时序数据，根据监测各关键节点状态的动态变化情况所建立的动态网络标志物模型能够发出有效的预警信号，通过观察I_i值的动态变化，可以对发电机进行早期缺陷预警。

上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围行为。

Claims (6)

1.一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法，其特征在于，包括如下步骤：

利用发电机自身DCS系统中对于发电机定子绕组各槽口的温度监测节点，把定子各槽口映射为网络中的各节点，建立发电机定子绕组温升变化情况的复杂网络模型；

利用DCS系统实时采集运行监测数据，计算关联度，并采用复杂网络模型的动态演变过程来表征发电机定子各槽口绕组温升状态的变化；

根据得到的关联度，利用灰色关联分析各定子槽口温度变化情况并筛选当前状态下反应温升异常变化的关键节点，并计算基于所述关键节点所构成的关键子网络的动态标志物，来识别水冷式汽轮发电机定子各槽口绕组温升异常状态转变，并对定子绕组过热缺陷进行预警。

2.根据权利要求1所述的一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法，其特征在于，所述把定子各槽口映射为网络中的各节点，建立发电机定子绕组温升变化情况的复杂网络模型，其中节点间采用全互联方式。

3.根据权利要求1所述的一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法，其特征在于，利用DCS系统实时采集运行监测数据，具体包括：

基于DCS系统采集的定子各槽口温度数据，设定采样时间间隔为一个时间周期，分为n各时段，每个时段包含N个采样点，并对采集的温度数据作归一化处理；

其中，X_ij为第i个时段内第j个采样时间点上节点的归一化数据；x_ij为第i个时段内第j个采样时间节点值；x_i表示第i个时段内的节点数据；mean(x_i)为第i个时段内采样点的节点平均值；SD(x_i)为第i个时段内采样点的节点标准差。

4.根据权利要求3所述的一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法，其特征在于，计算关联度，具体包括：

将采集到的发电机定子各槽口温度数据计算关联度，设n列数据序列形成如下矩阵：

其中m为序列的长度，X′_i＝(x′_i(1),x′_i(2),L,x′_i(m))^T,i＝1,2,L,n

确定参考数据列；记作

X′_o＝(x′_o(1),x′_o(2),L,x′_o(m))^T,i＝1,2,L,n

对指标数据进行无量纲化处理；采用均值法进行无量纲化处理：

其中i＝1,2,L,n；k＝1,2,L,m，无量纲化后的数据序列形成如下矩阵：

逐个计算比较序列与参考序列对应元素的绝对值差值；即

|x₀(k)-x_i(k)|(k＝1,2,L,m i＝1,2,L,n)

由此可计算出最小差值

和最大差值

计算关联系数；分别计算每个比较序列与参考序列对应元素的关联系数，计算公式如下：

其中，ρ为分辨系数，在(0，1)之间取值，ρ越小则关联系数间差异越大，区分能力越强；

计算关联度；计算公式如下：

其中r_oi为关联度。

5.根据权利要求1所述的一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法，其特征在于，根据得到的关联度，利用灰色关联分析各定子槽口温度变化情况并筛选当前状态下反应温升异常变化的关键节点，还包括：

将每一槽口对应编号，根据筛选出的编号判断具体槽口温度是否异常。

6.根据权利要求1所述的一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法，其特征在于，计算基于所述关键节点所构成的关键子网络的动态标志物，来识别水冷式汽轮发电机定子各槽口绕组温升异常状态转变，并对定子绕组过热缺陷进行预警；具体包括：

筛选出关键节点后，分别计算当前时段i的关键网络平均标准差

关键节点间平均皮尔逊相关系数

以及关键节点与非关键节点间的平均皮尔逊相关系数

判断当前关键网络是否符合发电机定子绕组温度状态转变的临界特性；

若当前时段满足临界特性，计算各时段i的关键网络标志物的量化值I_i，通过检测量化值I_i的动态变化检测复杂网络临界转变的预警信号；

式中，δ为任意小的正数，避免分母为零；

当

时，表明关键网络在时段i发生临界变化，由正常状态转化至缺陷状态，此时发出预警信号。

Images