導航：安全管理網(wǎng)>> 安全論文>> 電力安全論文>>正文

基于擺度大數(shù)據(jù)的水輪發(fā)電機故障預測方法研究

文檔作者：段煉達，劉曉波文檔來源：中國水利水電科學研究院北京中水科水電科技開發(fā)有限公司		點擊數(shù)：	更新時間： 2024年03月05日
下載地址：點擊這里	文件大小： 1.16 MB 共5頁	文檔格式： PDF	下載點數(shù)： 1 點（VIP免費）

全屏查看

內容預覽 [文件共5頁]

本文件共5頁，如需編輯使用，請下載。

注：預覽效果可能會出現(xiàn)部分文字亂碼（如口口口）、內容顯示不全等問題，下載是正常的。

	文件大?。?.16 MB 共5頁文件格式：PDF 下載點數(shù)：1 點（VIP會員免費）

上一篇：夾巖水利樞紐壩后電站裝機方案及選型設計

文本預覽

僅提取頁面文字內容，供快速閱讀使用。

第15卷第6期
2017年12月
中國水利水電科學研究院學報v。1．15 N0．6
Joumal of China Institute of Water Resources and Hydropower Research Decembe。，2017
文章編號：1672—3031(2017)06一0439—05
基于擺度大數(shù)據(jù)的水輪發(fā)電機故障預測方法研究
段煉達，劉曉波
(中國水利水電科學研究院北京中水科水電科技開發(fā)有限公司，北京lO0038)
摘要：水電廠積累的海量生產數(shù)據(jù)對發(fā)電機故障預測具有重要價值。本文采用蒙特卡洛方法對擺度大數(shù)據(jù)分析處
理以進行故障預測。選取了某水電廠水輪發(fā)電機下導軸承擺度x峰峰值作為研究對象，在處理453 601組擺度數(shù)
據(jù)時，選取3種典型工況進行研究。引入歸一化加權平均值作為統(tǒng)計量，使用蒙特卡洛方法進行分析，發(fā)現(xiàn)該統(tǒng)
計量服從正態(tài)分布。通過監(jiān)測該統(tǒng)計量的實時值，依據(jù)正態(tài)分布3盯準則對水輪發(fā)電機工作狀態(tài)做出定性評價，
依據(jù)計算出的概率P值對水輪發(fā)電機工作狀態(tài)定量評價，利用這些評價可以進行故障預測。
關鍵詞：大數(shù)據(jù)；水電廠；機器學習；蒙特卡洛方法；故障預測；擺度
中圖分類號：TP206．+3 文獻標識碼：A doi：10．13244，i．cn ki．iiwhr．2017．06．005
1 研究背景
“大數(shù)據(jù)”一詞由未來學家托夫勒(Alvin Tomer)在《第三次浪潮》中提出。盡管至今仍然沒有“大數(shù)
據(jù)”的準確定義，但維克托·邁爾一舍恩伯格(viktor Mayer—sch6nberger)和肯尼斯·克耶(Kenneth cuki．
er)在其合著的《大數(shù)據(jù)時代》中提出“大數(shù)據(jù)”具有4V特點：Volume(數(shù)據(jù)量大)、Velocity(輸入和處理
速度快)、Varietv(數(shù)據(jù)多樣性)、Value(價值密度低)，已得到普遍認可。
近年來我國水電機組單機容量不斷增長，對水電廠安全生產提出了更高的要求。水電廠運行過
程中產生了海量的監(jiān)控數(shù)據(jù)。這些數(shù)據(jù)無論按照何種技術儲存，都會以每年上百TB的速度增加，而
隨著時間的推移，數(shù)據(jù)的價值將發(fā)生變化?。水電廠歷史數(shù)據(jù)庫中包含著豐富的機組信息，可以為故
障預測提供決策依據(jù)。盡管“大數(shù)據(jù)”的定義沒有統(tǒng)一，但筆者認為電廠的海量數(shù)據(jù)就是“大數(shù)據(jù)”。
采用什么方法對水電廠進行大數(shù)據(jù)分析、怎樣進行分析，都是值得深入研究的問題。流行觀點認為
“大數(shù)據(jù)”是無法通過目前主流軟件工具在合理時間內采集、存儲、處理的數(shù)據(jù)集，但仍可以采用大
數(shù)據(jù)與小數(shù)據(jù)結合的方法來處理問題怛1。AlphaGo在解決圍棋問題中采用了蒙特卡洛方法與樹搜索相
結合的方法[31，因此本文也采用蒙特卡洛方法分析研究水電廠發(fā)電機擺度大數(shù)據(jù)，用于發(fā)電機故障預
測。
2水電廠的大數(shù)據(jù)故障預測方法的探索
故障預測是在故障診斷的基礎上發(fā)展起來的，目前故障預測的研究尚在發(fā)展之中。在故障診斷
中，有很多處理監(jiān)控數(shù)據(jù)的方法。比較傳統(tǒng)的方法有機器學習方法、信號處理方法、多元統(tǒng)計分析
方法等。H1
機器學習類故障診斷方法基本思路是根據(jù)正常和故障狀態(tài)下的數(shù)據(jù)作為訓練集，利用神經(jīng)網(wǎng)絡
或支持向量機¨1等算法來判別生產狀態(tài)是否正常。由于在實際生產中缺乏故障狀態(tài)的樣本數(shù)據(jù)，造成
該方法無法應用于水電廠監(jiān)控數(shù)據(jù)的處理。信號處理類故障診斷方法是對監(jiān)控數(shù)據(jù)進行譜分析或小
波變換，提取與故障相關的時域或頻域特征，從而為故障診斷提供依據(jù)M。。該方法可用于早期故障的
收稿日期：2016一12—27
作者簡介：段煉達(199l一)，男，河南南陽人，碩士生，主要從事水電廠自動化及計算機監(jiān)控系統(tǒng)研究。
E—mail： duanlianda@qq．com
一439—
萬方數(shù)據(jù)
基于擺度大數(shù)據(jù)的水輪發(fā)電機故障預測方法研究段煉達劉曉波
診斷、突變故障的檢測，但是無法進行故障預測。多元統(tǒng)計分析類故障診斷方法根據(jù)歷史數(shù)據(jù)利用
多個變量之間的相關性進行故障診斷?；谠摲椒ㄟM行故障診斷算法簡單，易于實現(xiàn)。但是，診斷
出來的故障物理意義不明確，難以解釋故障原因。”。
蒙特卡洛方法是近年來逐漸引起關注的數(shù)理統(tǒng)計方法，加之以上故障診斷方法的啟發(fā)，本文嘗
試使用蒙特卡洛方法對水電廠大數(shù)據(jù)進行統(tǒng)計分析，得到某項隨機變化的指標對應的概率分布。從
而依據(jù)該分布來定量評估生產狀態(tài)，可以為故障預測提供依據(jù)。該方法的優(yōu)點是：無需故障數(shù)據(jù)，
而且可以根據(jù)某項指標定量評判設備的健康狀態(tài)。
3蒙特卡洛方法
蒙特卡洛方法的基本原理是使用隨機抽樣的方法從隨機變量的概率分布中抽樣，產生隨機變量
的樣本值，確定統(tǒng)計量與隨機變量的函數(shù)關系，重復進行模擬實驗，由隨機變量的樣本值得到統(tǒng)計
量的取值n1；通過大量的統(tǒng)計量的取值便可以得出統(tǒng)計量的概率分布和數(shù)學特征[81。
下面先將歸一化加權平均值統(tǒng)計量b1引入水電廠大數(shù)據(jù)處理中，然后進行蒙特卡洛模擬，最后根
據(jù)模擬結果進行分析。
3．1 隨機變量同一工況下，以水輪發(fā)電機旋轉周期為采樣間隔采集擺度數(shù)據(jù)(擺度數(shù)據(jù)為下導擺度
X峰峰值，以下簡稱擺度)，則擺度可視作是相互獨立且具有相同分布規(guī)律的隨機變量。記擺度為
x，第i次采樣得到的擺度值記作x．，則根據(jù)中心極限定理大量擺度值的均值賈近似服從正態(tài)分布。
可以根據(jù)大量的采樣值估計出該正態(tài)分布的參數(shù)。本文以大量擺度值的均值作為隨機變量，記作y。
3．2統(tǒng)計量一種統(tǒng)計量只會從特定的角度揭示數(shù)據(jù)的部分特征n?，因此需要更多性能優(yōu)良的統(tǒng)計
量。歸一化加權平均值的加權值計算方法靈活、適用性強，而且可以在不提高硬件成本的前提下實
現(xiàn)測量精度的提高一3，因此采用歸一化加權平均值作為本文使用的統(tǒng)計量。歸一化加權平均值計算方
法如下：
測量得到一組擺度數(shù)據(jù)，數(shù)據(jù)數(shù)量為m×n，即置，i∈【l，mn】，歸一化加權平均值統(tǒng)計量z的計
算公式如下：
z=Σ畫。‘yi (1)
i=1
yyt。2=i去二Σ戈戈』川+(HHhh L(z2)J
其中：丘。為y。對應的歸一化加權值；y；為n個擺度數(shù)據(jù)的均值；m為計算z所需要的均值yi的數(shù)
量。具體算法如下：
(1)求得yi的平均值穸；
(2)計算y。相對于平均值羅的偏差量△兒，即：
△y。=y。一羅(3)
(3)將偏差量△yi代人權值函數(shù)廠(z)得到△丘。，即：
△丘。=，(△y。) (4)
(4)再對△丘i進行歸一化處理得到加權值a，，即：
△五
丘。=i—L (5)
Σ舳。
￡2l
(5)由加權值得到加權平均值z，即：
。=Σ丘。·y。(6)
一440—
萬方數(shù)據(jù)
基于擺度大數(shù)據(jù)的水輪發(fā)電機故障預測方法研究段煉達劉曉波
(6)權值函數(shù)廠(z)取為如下形式：
／(z)=l÷^ 一lI (7)
l+ei
按照以上步驟可以得到歸一化加權平均值統(tǒng)計量，然后使用計算機進行蒙特卡洛模擬。
3．3蒙特卡洛模擬通過計算機按照分布規(guī)律進行隨機抽樣得到大量的擺度均值yi，再通過3．2節(jié)
計算得出對應統(tǒng)計量的值。，進而得出統(tǒng)計量z的直方圖和基于核密度估計的概率密度函數(shù)曲線，為
評估機組狀態(tài)提供依據(jù)。傳統(tǒng)方法通過設置閾值簡單判斷水輪發(fā)電機的擺度數(shù)據(jù)是否越限，本文方
法結合統(tǒng)計規(guī)律判斷數(shù)據(jù)是否正常，是否更加合理。具體步驟詳見實例分析。
4實例分析
以并網(wǎng)條件下某水電廠的一臺水輪發(fā)電機為實例，按照時間間隔為12 s取得453 60l組擺度數(shù)
據(jù)。為分析數(shù)據(jù)方便起見，對數(shù)據(jù)進行如下處理，選取3種工況數(shù)據(jù)進行分析研究：
工況l：水頭在215 m～216 m、有功功率在9l％額定功率附近的3 840組數(shù)據(jù)；
工況2：水頭在213 m～215 m、有功功率在90．9％額定功率附近的7 10l組數(shù)據(jù)；
工況3：水頭在216 m～217 m、有功功率在88．8％額定功率附近的2 66l組數(shù)據(jù)。
使用MATLAB得到擺度頻數(shù)直方圖，如圖l所示。
25(
20(
15(
輟
葵10(
5(
(
40 160 18
擺度，“m
(1))工況2
擺度頻數(shù)直方圖
20 130 140 150 16
擺度／“m
(c)T：況3
從圖1可以看出3種工況擺度近似服從正態(tài)分布。下面將以工況l為例進行分析，其余工況分析
步驟相同因此不再贅述。
． 100
記數(shù)據(jù)為戈．、z：、?、戈。、?、x3啪，取n=100，有)，。=志Σo+。。。(。叫，因為時間相鄰的數(shù)據(jù)時
J 2
間間隔是旋轉周期的整數(shù)倍，在正常運行狀態(tài)下各個旋轉周期的擺度相互獨立，所以擺度數(shù)據(jù)相互
獨立，根據(jù)中心極限定理易得y～Ⅳ(肛，盯2)，使用MATLAB對y進行jbtest測試發(fā)現(xiàn)服從正態(tài)分布。由
樣本值得到)，。、)，：、?、)，38，將此組值分為兩部分，)，I、y：、?、y30作為訓練組，y3。、y32、?、y38
作為測試組。
根據(jù)訓練組的數(shù)據(jù)計算得到樣本均值弘=143．7，樣本方差為盯2=11．9，進而得到y(tǒng)~Ⅳ(143．7，11．9)。
根據(jù)y的概率分布進行蒙特卡洛模擬，得到y(tǒng)。、y：、?、)，㈣。。。。，按照3．2節(jié)中的算法計算歸一化加
權平均值統(tǒng)計量的值。=F丘．·)，。。m如果取值過大會導致數(shù)據(jù)需求量加大，計算時間變長，無法及時
j
發(fā)現(xiàn)故障；如果過小則無法提高加權平均值的精度【71，在兼顧實時性和精度的前提下取m=5。由此得
到對應的。。、z2、?、z2。0000，進而得到z的直方圖，如圖2(a)，其余工況如圖2(b)(c)。
根據(jù)核密度估計得出其概率密度函數(shù)曲線，如圖3。
一44l一
" ：合
擺h ?尉憶 岬剮
幻 "
萬方數(shù)據(jù)
基于擺度大數(shù)據(jù)的水輪發(fā)電機故障預測方法研究段煉達劉曉波
38 142 146 150 154
：，Um
(a)I：況1
42 146 150
=，um
1j況l
4l 2 142 142．4 142．8
：，LLm
)丁況2
量z直力’同
6 142 142．4 142．8
：／um
(h)I：況2
az概率密度函數(shù)圖像
2
1．8
】．6
1．4
觀察圖3猜想該統(tǒng)計量近似服從正態(tài)分布，通過jbtest測試發(fā)現(xiàn)統(tǒng)計量z服從正態(tài)分布。因此，
可以參照正態(tài)分布的3盯準則制定評價標準。
(1)當檢測值處于[肛一盯，肛+盯]區(qū)間內時，判定水輪發(fā)電機狀態(tài)為A(狀態(tài)優(yōu))；
(2)當檢測值處于[肛一2盯，肛一盯]u[p+盯，肛+2盯]區(qū)間內時，判定水輪發(fā)電機狀態(tài)為B(狀態(tài)良)；
(3)當檢測值處于[肛一3盯，p一2盯]u[肛+2盯，肛+3盯]區(qū)間內時，判定水輪發(fā)電機狀態(tài)為C(狀態(tài)
一般)；
(4)其他區(qū)域時，判定水輪發(fā)電機狀態(tài)為D(狀態(tài)異常)。
在此引入概率P值，P值是一種在原假設為真的前提下出現(xiàn)觀察樣本以及更極端情況的概率，原
假設為水輪發(fā)電機組狀態(tài)正常。按照正態(tài)分布近似計算檢測值對應的尸值，以此作為定量評判的標
準，P值越小說明水輪發(fā)電機狀態(tài)越不正常。計算得到工況1時進行兩次測試得到的檢測值對應的尸
值分別為0．5710、0．6480，：r：況2時進行兩次測試P值分別為0．9527、0．888l，工況3時進行一次測試
JP值為0．7026。根據(jù)測試組數(shù)據(jù)得到的3種工況統(tǒng)計量的檢測值均在[肛一盯，肛+盯]區(qū)間內，如圖4所
示，即水輪發(fā)電機狀態(tài)為A。根據(jù)上述評價標準以及圖4，通過檢測值可以判斷發(fā)電機狀態(tài)。
／
34 1 38 142 146 150 154
z，um
(a)r況l
42 142．4 142．8
0，LLnl
，)I：況2
綜合評價圖
6
統(tǒng)
4
鞫 2
2●8
6
4
2
0
●
O
O
O
O
一¨l廠
J，IJl●j
一
～
～
～
～
五
5
2
5
●
5
04
王
卜
m
卜
一。1廠
一弛 _) ^■ 恥Ⅲ
0
2
8
6
4，一，8
6
4
2
0
巧
腱
”
¨
∞
0
O
O
0
一¨l，
6
4
扎
圖
2
萬方數(shù)據(jù)
基于擺度大數(shù)據(jù)的水輪發(fā)電機故障預測方法研究段煉達劉曉波
5 結論
本文采用蒙特卡洛方法，根據(jù)3種典型工況水輪發(fā)電機擺度大數(shù)據(jù)，得出歸一化加權統(tǒng)計量的概
率分布。根據(jù)歸一化加權平均值統(tǒng)計量檢測值處于的區(qū)間，可以定性判斷發(fā)電機的工作狀態(tài)。另
外，根據(jù)該檢測值的P值，可以定量評價發(fā)電機的工作狀態(tài)。無需使用故障數(shù)據(jù)，通過以上的定性
分析和定量計算即可對水輪發(fā)電機進行故障預測。另外，這種擺度大數(shù)據(jù)的處理方法可以應用到水
電廠其他大數(shù)據(jù)的處理中，具有較大的參考價值。
參考文獻：
[ 2]
[ 3 ]
[4]
[ 5 ]
[ 6]
[ 7]
[ 8 ]
(9]
[10]
王德文，楊力平．智能電網(wǎng)大數(shù)據(jù)流式處理方法與狀態(tài)監(jiān)測異常檢測[J]．電力系統(tǒng)自動化，2016，40
(14)：122一128．
李國杰．對大數(shù)據(jù)的再認識[J]．大數(shù)據(jù)，2015(1)：l～9．
SILVER D，HUANG A，MADDISON C J，et a1．Mastering the game of Go with deep neural networks and tree
search．【J]．Nature，2016，529：484—489．
周東華，胡艷艷．動態(tài)系統(tǒng)的故障診斷技術[J]．自動化學報，2009，35(6)：748～758．
周葉，唐澍，潘羅平，等．基于支持向量機的水電機組軸系運行故障診斷及預測研究[J]．水利學報，
2013，44(S1)：lll—115．
唐擁軍，潘羅平，水電機組故障診斷系統(tǒng)信號預處理[J]．中國水利水電科學研究院學報，2005，3(3)：
173—178．
康崇祿．蒙特卡羅方法理論和應用[M]．北京：科學出版社，2015．
杜林，袁蕾，熊浩，等．應用蒙特卡羅模擬法的電力變壓器熱特性絕緣壽命評估[J]．高電壓技術，20lO，
36(4)：856—861．
龍宏波，葉曉慧，譚思煒．歸一化加權平均值算法在測量中的應用[J]．電光與控制，2010，17(12)：
68—70．
胡儉勇，蘇錦海．一種隨機性實時檢測方案[J]，計算機工程，2009，35(9)：136—138．
Study on fhilure prediction fbr hydro—generator based on big data of run—out Vahle
DUAN Lianda．LIU Xiaobo
L chtn。Instttute《Wnter Resources在nd Hydropo"er Resenrch．Be玨tng 、Q∞3s．Chtn曲
Abstract： The hydropowe‘ plants have accumulated mass production data， which is of great value to fail—
ure prediction． In this paper， the Monte Carlo method is applied to analyze the big data of run—out Value
to predict the failure． The X peak—peak values of the run—out of the lower guide bearing of a hydropower
pknt are taken as 出e invesfigation obiecf． In the trea￡ment of 453，60l sefs of fhe run—ouf vaJue， three
typical operating conditions are selected to study． The normalized weighted aVerage is used as the statistic，
and the Monte Carlo method is adopted to analyze it． It is found that the statistic obeys normal distribu—
tion． By monitoring the real—time value of the statistic， the working status of the hydro—generator is eValuat—
ed qualitatively according to the normal distribution 3盯criterion， and eVaIuated quantitatiVely according to
the calculated probabj】jIy P—value． Failure can be predicted by using these evaluations．
Keywords： big data； hydropower plant； machine learning； Monte Carlo method； failure prediction；
run—out valIle
(責任編輯：楊虹)

網(wǎng)友評論 more

電力安全論文最新內容

03-05