水電機(jī)組狀態(tài)評估及智能診斷方法研究.pdf

1、隨著我國電力事業(yè)的不斷發(fā)展，水電能源已進(jìn)入了大機(jī)組、特高壓輸送、智能化控制與管理的新時代。一方面，水力發(fā)電在我國發(fā)電供應(yīng)段中所占結(jié)構(gòu)比例逐漸增多，且更多的承擔(dān)調(diào)峰、調(diào)頻任務(wù)；另一方面，由于特高壓直流輸電線路的不斷興建和投運，大型水電廠作為工業(yè)用電直接供電端的方式也日趨增多。而作為水電廠關(guān)鍵發(fā)電設(shè)備的水力發(fā)電機(jī)組也朝著大容量、高比轉(zhuǎn)速、高負(fù)載等方向不斷發(fā)展，其部件結(jié)構(gòu)及布置形式復(fù)雜程度越來越高，而水力、機(jī)械、電氣等振源之間的耦合作用日益凸

2、顯，從而導(dǎo)致了水電設(shè)備故障的非計劃停運和突發(fā)沖擊性故障的日趨增多，并直接影響了對電網(wǎng)的安全穩(wěn)定。因此，傳統(tǒng)基于穩(wěn)態(tài)波形和離線性能試驗的水電機(jī)組狀態(tài)評估與故障診斷方法無法滿足當(dāng)前水電廠對于故障快速定位和及時處理的工程實際需求。如何在準(zhǔn)確獲知水電廠實際運行數(shù)據(jù)的基礎(chǔ)上，構(gòu)建水電設(shè)備在線健康狀態(tài)高精度評估模型，精確識別故障類型及其嚴(yán)重程度、變化趨勢，提供高效合理的機(jī)組檢修方案，為機(jī)組突發(fā)故障提供相應(yīng)的決策建議，是當(dāng)前我國水電生產(chǎn)急需解決的重大

3、工程實際問題。為此，本文針對水電機(jī)組狀態(tài)評估及故障診斷在理論突破及工程應(yīng)用中存在的若干關(guān)鍵問題，以水電機(jī)組振動故障的暫態(tài)征兆提取和最優(yōu)選擇為切入點，引入熵值理論和非線性信號辨識方法，深入探究不同征兆在分類超平面中的貢獻(xiàn)因子，構(gòu)建基于暫態(tài)開機(jī)過程數(shù)據(jù)的水電機(jī)組在線評估方法，為揭示水電機(jī)組性能退化程度提供合理科學(xué)的依據(jù)，同時建立基于兩階段極限學(xué)習(xí)機(jī)的智能混合故障診斷方法，實現(xiàn)的故障分類器結(jié)構(gòu)參數(shù)一體化自學(xué)習(xí)策略，實現(xiàn)具有自學(xué)習(xí)功能的多故障、

4、高精度診斷模型。論文的主要研究內(nèi)容和創(chuàng)新性成果如下：
　　（1）由于水電機(jī)組故障信號往往呈現(xiàn)非平衡、非線性的特征，針對故障振動信號中的非平穩(wěn)部分，特別由機(jī)組起、停機(jī)等引起的系統(tǒng)沖擊響應(yīng)信號會出現(xiàn)能量泄露、模態(tài)混疊等現(xiàn)象，研究工作結(jié)合排列熵對信號變化的高度敏感性和集成經(jīng)驗?zāi)B(tài)分解的多尺度信號分解能力，提出了針對水電機(jī)組非平穩(wěn)信號特征提取的固有模態(tài)排列熵特征方法。該方法能夠充分辨識故障作用下的機(jī)組信號混沌特性變化，實現(xiàn)對機(jī)組故障信息的

5、充分表征。同時針對水電機(jī)組故障診斷特征向量維數(shù)較高，且不同特征維數(shù)對故障分類器的貢獻(xiàn)度不一的問題，本文提出最優(yōu)模型參數(shù)和特征子集一體化選擇策略。在充分考慮不同模型參數(shù)和特征子集之間的關(guān)聯(lián)性基礎(chǔ)上，本文對模型參數(shù)和特征子集采用連續(xù)-離散的混合編碼，通過改進(jìn)人工蜂群優(yōu)化算法，構(gòu)建了與故障征兆相關(guān)度高且信息冗余度低的特征子集進(jìn)化尋優(yōu)機(jī)制，實現(xiàn)了水電機(jī)組的特征子集和模型參數(shù)一體化優(yōu)選從而構(gòu)建能夠充分表征水電機(jī)組故障信息的故障特征子集。
　

6、　（2）目前水電機(jī)組往往采用現(xiàn)場試驗和簡單限值比較的方式進(jìn)行狀態(tài)評估和監(jiān)測預(yù)警，然而該方法易受工況變化、機(jī)組結(jié)構(gòu)和測量設(shè)備等諸多因素的影響，缺少對機(jī)組早期潛在故障的預(yù)警能力，無法充分表征機(jī)組當(dāng)前的實際健康狀態(tài)和運行服役能力。針對上述問題，本文在綜合分析水電機(jī)組開機(jī)不同暫態(tài)過程和機(jī)組性能試驗的相似性基礎(chǔ)上，提出了水電機(jī)組開機(jī)過程的性能評估方法。該方法通過將趨勢定性分析將開機(jī)過程暫態(tài)數(shù)據(jù)轉(zhuǎn)換為一個個表征趨勢的基元序列，首先定義了基本的趨勢基

7、元，然后通過最小二乘序列算法將開機(jī)過程中不同的趨勢片段首先定義了基本的趨勢基元，然后通過其擬合線不同的一二階系數(shù)提取其片段的趨勢基元，從而構(gòu)建表征開機(jī)過程的基元序列，有效地避免了水電機(jī)組開機(jī)過程強噪聲與沖擊信號的干擾；同時，為構(gòu)建能夠精確度量開機(jī)過程性能退化程度的量化指標(biāo)，本文提出了一種基于改進(jìn)動態(tài)時間規(guī)整距離的開機(jī)過程相似度計算指標(biāo)，通過計算不同機(jī)組之間開機(jī)過程的正則化動態(tài)時間規(guī)整距離，得到機(jī)組實際性能退化的量化數(shù)值，構(gòu)建了水電機(jī)組性

8、能退化的在線量化評估體系。
　　（3）針對當(dāng)前水電機(jī)組故障診斷的小樣本、高維度等問題，本文結(jié)合人工蜂群算法和極限學(xué)習(xí)機(jī)，提出了一種具有結(jié)構(gòu)和參數(shù)自適應(yīng)優(yōu)化的兩階段進(jìn)化極限學(xué)習(xí)機(jī)模型，該模型通過貪婪算法和交叉驗證對極限學(xué)習(xí)機(jī)隱藏節(jié)點個數(shù)進(jìn)行自適應(yīng)優(yōu)選，克服了傳統(tǒng)極限學(xué)習(xí)機(jī)結(jié)構(gòu)學(xué)習(xí)階段隱含節(jié)點個數(shù)難以確定的問題，同時通過人工蜜蜂群算法對極限學(xué)習(xí)機(jī)權(quán)重參數(shù)和偏置參數(shù)進(jìn)行的進(jìn)化搜索，從而建立了一種無需設(shè)置參數(shù)的水電機(jī)組自學(xué)習(xí)智能進(jìn)化故障診

9、斷方法。同時針對傳統(tǒng)蜂群算法在開發(fā)和探索能力無法自適應(yīng)從而易陷入局部最優(yōu)解的情況，筆者引入全局引導(dǎo)和Levy飛行策略兩種策略，并構(gòu)建自適應(yīng)種群調(diào)整策略來不斷平衡蜂群算法的開發(fā)和探索能力，進(jìn)一步提高極限學(xué)習(xí)機(jī)分類能力。由于兩階段進(jìn)化極限學(xué)習(xí)機(jī)模型具有很好的小樣本學(xué)習(xí)能力，便于深入挖掘樣本所蘊含的故障信息，因此可以在有限的訓(xùn)練樣本條件下得到比較準(zhǔn)確的結(jié)果，能快速有效識別水電機(jī)組故障類型。最后通過水電機(jī)組故障診斷實例計算表明，該方法是有效可行

10、的。
　　（4）針對當(dāng)前水電廠由于運行時期較長，各個業(yè)務(wù)系統(tǒng)存在著開發(fā)企業(yè)的不同，開發(fā)語言、部署平臺和通信協(xié)議各異，且對外數(shù)據(jù)交換格式無法互相兼容的問題。本文提出了一種基于面向服務(wù)架構(gòu)分層分布式水電機(jī)組遠(yuǎn)程故障診斷系統(tǒng)設(shè)計方案，該方案有效解決了當(dāng)前水電機(jī)組診斷系統(tǒng)在異構(gòu)環(huán)境下與外部系統(tǒng)數(shù)據(jù)與模型間訪問與互操作的問題，通過構(gòu)建不同層次、不同粒度的業(yè)務(wù)應(yīng)用和功能模塊的Web服務(wù)，可以滿足多種故障診斷需求功能，給出了各個核心功能模塊的設(shè)