摘要：介绍了流域梯级水电站集控中心在线自诊断系统的结构、功能和数据治理方法。系统以生产实际需求出发，实现了状态监测、能效分析、故障诊断、运行优化、检修决策等关键功能模块，构建人机友好界面，易于使用。系统采用B/S模式架构，构建KDP平台实现与梯级电站在线监测、监控系统的数据同步及统一数据访问服务。系统对数据统一编码，建立基于冗余校验、状态关联、延时聚类的数据清洗策略，构建基于工况和事件牵引的多层次、多来源数据集成，最终实现水电多系统全景状态数据集成与治理方法。通过大数据技术、神经网络算法深入分析不同工况下水电机组部件运行数据，构建数据模型并提取特征数据作为故障判断依据，简洁易用、分析迅速，便于及时发出风险报警，实现多工况、多参数、多尺度故障在线自诊断和状态预警。该系统能有效反映机组劣化趋势，为水电企业状态检修决策、生产运行管理提供数据支持。

　　关键词：流域梯级水电站；数据集成；故障诊断；状态监测

　　Online Self-diagnosis System for Centralized Control Center of Cascade Hydropower Station in Watershed

　　Chen Hui1，Rao Yi1，Li Jinyang2

　　(1.Centralized Control Center of Guizhou Qianyuan Electric Power Co.,Ltd.,Guiyang 550002,China;

　　2.R&d Department,Nanjing Hehai Nanzi Hydropower Automation Co.,Ltd.,Nanjing 210031,China)

　　Abstract:The structure,function and data management method of online self-diagnosis system for centralized control center of cascade

　　hydropower station in river basin are introduced.Based on the actual production demand,the system realizes the business integration,realizes

　　the condition monitoring,energy efficiency analysis,fault diagnosis,operation optimization,maintenance decision and other key functional

　　modules,and constructs a human-machine friendly interface,which is easy to use.The system adopts B/S mode architecture,constructs the

　　KDP platform to realize the data synchronization and unified data access service with the cascade power station online monitoring and monitoring system.The system codes the data in a unified way,establishes the data cleaning strategy based on redundancy check,state association and delay clustering,constructs the multi-level and multi-source data integration based on the working condition and event traction,and finally realizes the panoramic state data integration and governance method of hydropower multi-system.By big data technology,neural network algorithm under different working conditions,in-depth analysis of hydropower unit operation data,building data model and extract the feature data as fault judgment,concise and easy to use,rapid analysis,to facilitate a risk alarm,realize the working condition of multi-parameter multi-scale online fault diagnosis and state warning.The system can effectively reflect the deterioration trend of the unit,and provide data support for the state maintenance decision and production operation management of hydropower enterprises.

　　Key words:cascade hydropower station;data integration;fault diagnosis;condition monitoring

　　0引言

　　中国是世界上水能最丰富的国家，水电技术可开发量为6.87亿kW。截止2022年6月底，我国水电装机4.0亿kW(其中抽水蓄能0.42亿kW)。随着碳减排和双碳目标的提出，流域梯级风光水互补发电是今后必然的发展趋势。随着大量风光等随机性、波动性、离散性强的可再生能源接入，水电面临着更加频繁的启停和增减负荷调节，水力发电系统的稳定性与可靠性面临更大挑战，集控系统的在线诊断分析至关重要。

　　周叶等[1]搜集、整理常见故障案例的专家诊断经验，实现对诊断经验的知识化、规则化和可用化开发出一套开放式水电机组故障诊断专家系统软件平台并成功应用于三峡集团公司大型监测中心。张俊岭等[2]探讨了基于超前规划、统筹设计的水电站信息系统建设框架，实现了对常规水电站计算机监控系统的功能扩充。程潇黠等[3]从数据获取与整合、状态评价、故障诊断、状态预测、风险评估等方面系统地介绍了梯级流域电站主设备在线监测与状态检修系统的结构、机组融合诊断方法、测值状态趋势预测和风险评估模型。蒋致乐[4]提出了一种静态检验和动态检验相结合、从系统的硬件和软件两个方面进行水轮发电机组状态在线监测的现场检验的方法。文献[5-7]介绍了多个电站主要设备在线状态监测应用情况。陈畅[8]提出了基于改进麻雀搜索算法与支持向量回归相结合的预测模型(ItSSASVR)，通过加强搜索范围的均布型来解决局部非线性、非平稳水电机组信号下局部最优解的问题，使预测模型具有更好的预测精度。傅质馨[9]、陆丹[10]等将EEMD与神经网络相结合建立水电机组状态趋势预测模型，取得了更高的预测精度。陈飞[11]基于精细复合多元多尺度符号动态熵(RCMMSDE)和随机配置网络(SCN)开发水电机组轴系故障诊断方法，提取多元传感器振动信号RCMMSDE值作为故障特征。陈列[12]采用倒频谱法分析复杂干扰背景下水电机组故障特征数据获取有用信息。卢娜[13]提出了基于局部切空间排列算法(Local Tangent Space Alignment,LTSA)与谱聚类相结合的水电机组振动故障诊断方法。文献[14-15]提出水电机组多为故障诊断方法。

　　目前，国内流域级水电站群基本实现了对水电站水电机组、电气设备和辅助系统的在线监测。然而集控中心下各级电站在线监测系统均基于原有系统独立运行，难以在集控平台实现对各级电站的集成监测和数据治理。同时，缺少对系统状态数据的有效应用，难以指导制定检修计划，尚未实现对故障的有效预测。

　　本文结合近年来水电状态监测系统的应用现状及对故障诊断技术的需求，设计研发一套流域梯级水电站集控中心在线自诊断系统。通过分析部分水电机组故障案例，研究设备机构和运行原理、故障机理，建立故障知识库和模型库，开发故障推理机和预警机，实现诊断经验的知识化、规则化和可用化，实现部分故障的智能诊断和预警，为机组状态检修提供支持。

　　1系统结构

　　流域梯级水电站集控中心在线自诊断系统由数据采集层、数据存储层、服务层、业务应用层、展现层组成。数据采集层主要采集计算机监控系统、振摆在线监测系统、电能量系统、变压器在线监测系统数据。采集来的数据经过KKS编码后存入数据访问KDP平台，以结构化数据、非结构化数据、消息数据、平台基础数据等模式进行存储。数据交换提供统一的数据访问服务，该服务提供了基于REST和WebService两种模式数据接口，所有服务层和信息展示层等都通过该接口来实现数据访问、解耦业务及信息展示和数据库存储。服务层的报表引擎、日志服务、统计运算、实时计算、专业诊断、流程引擎、消息服务、权限服务等通过数据交换访问KDP平台数据。业务应用层包含综合信息模块、状态监测模块、能效分析模块、故障诊断模块、运行优化模块、检修决策模块、系统管理模块。用户通过浏览器或者移动App接入系统。

　　平台展示层采用B/S模式，简洁实用。模块间的交互均在底层数据交换层进行，做到“高内聚，低耦合”。整个系统的运行可以不受上线业务模块的影响。展现层就是展现给用户的界面，即用户在使用一个系统的时候他的所见所得，通过人性化交互良好的系统管理层页面、机组展示和诊断报告等方式实现。如图1所示。

　　2系统功能

　　系统功能设计以生产实际需求为出发点，实现了状态监测、能效分析、故障诊断、运行优化、检修决策等几个关键模块，为水电机组的设备状态监测、诊断分析、状态评价、性能考核与评估等工作提供信息化支持，为水电企业状态检修决策、生产运行管理提供数据支持。

　　(1)综合信息主要展示内容包括电厂概况、报警信息、机组参数、全厂参数、电厂图片等信息。

　　(2)状态监测模块包括机组状态总览、报警信息查询、电气主接线图、机组实时状态、状态评价报告、评价历史状态以及对比分析等信息。

　　(3)能效分析模块包含机组能效分析以及能效分析报告等信息，系统通过能效分析引擎计算水轮机效率、耗水率、导叶漏水率、引水损失率以及水能利用率等机组能效指标。

　　(4)故障诊断模块建立了设备故障库，当产生故障时，系统基于在线故障监测引擎，能精准快速地定位故障发生的原因。故障诊断模块包含设备故障诊断、故障分析、故障停机统计以及故障诊断报告等功能。故障诊断模块下设专家系统，总结水电站常见故障及其处理方式，分析水电设备机构机理和运行机理，采用神经网络算法、大数据分析技术分析故障数据演变特点，采用故障树模型构建故障知识库、模型库，最终建成故障推理机和预警机，实现部分故障的多参数多尺度诊断和预测、预演，并提供处理预案。

　　(5)运行优化设计包括机组安全运行优化和机组经济运行优化等功能，可通过经济运行和安全运行等多项指标，指导电厂机组的优化运行。

　　(6)检修决策模块包含状态评价、检修建议、检修计划、检修评价、机组总览、机组设备总体分析报告、振动区运行时间以及检修历史资料管理等功能。通过在线自诊断系统的性能分析指标分析及诊断分析功能，结合性能分析报告、设备健康状态量化评价报告、检修决策报告，明确设备故障形成原因，精确的对设备的运行健康状态做出评价及判断，指导设备的日常维护及检修，提高设备的安全性及可靠性，更好的保障设备安全稳定运行，做到有目的的检修、适当时间检修。

　　(7)系统管理具备系统用户信息管理、基础数据管理和维护、系统配置、日志管理等功能。如图2所示。

　　3数据治理

　　水电站包含若干状态采集设备，国家相关标准和规范规定了水电站生产数据采集设备及状态数据概况。在实现集成监测前，这些状态采集设备分别独立进行数据采集、数据分析及数据存储等工作，使机组的状态数据呈现出多来源、多时标、异构性等特点。

　　针对数据的治理，系统采用多系统全景状态数据集成与治理方法如下。

　　(1)数据统一编码。对采集到的数据统一编码并支持全国性编码方案，编码含省市、流域梯级、电厂管理信息，电厂级系统、测点编码，设备、测点属性等信息。相对KKS编码增加了管理域和量值域，更好地满足了数据编码要求。

　　(2)基于冗余校验、状态关联、延时聚类的数据清洗。通过工况识别、有效性检查、多源数据校验、多状态关联校验、时间延时聚类准确定位并辨识错误数据；通过多源冗余切换、多状态关联解析、融合运行工况与灰色关联模糊支持向量机回归的软测量准确恢复数据。

　　(3)工况和事件牵引的多层次、多来源数据集成。根据数据按不同层次功能和使用需求、设备构造与来源分类，采用“工况”和“事件”来牵引组织数据，如图3所示。

　　(4)数据分析。针对水电机组故障“一果多因，一因多果，多果多因”，互为因果、相互交叉等错综复杂的故障现象，拟按照机械结构、材料、应力变化过程、检修工艺过程、生产维护过程、设备运行工况过程等涉及到的故障类型管理数据、构建诊断网络，开发故障推理机。对复杂的、不能自动诊断的故障，运用BP神经网络等人工智能算法进行数据分析和趋势预测，在运用过程中利用大数据原理不断积累、修正故障诊断识别规则。

　　4系统应用

　　梯级水电站集控中心在线自诊断系统，通过监测数据的集成，基于多工况、多类型参数、多时段进行多维度故障预警、预报和诊断。将故障原理中牵涉到的故障参数数据、数据集和机组设备结构组合进来，机组故障原理转化为故障知识库、模型库，故障推理机就是将故障知识库和模型库按照机组故障原理组合起来形成得一系列多维诊断网络。对机组健康状态、设备状态进行评定(估)，实现了现场检修人员及时了解机组状态、准确预警设备故障、诊断更加精确的目的，简洁清晰地展示分析结果，方便用户使用。

　　在线自诊断系统基于数据集成平台，运用大数据和机器学习技术深入分析不同工况下水电机组部件运行数据，包括采集预设时段内水电机组部件的历史运行数据；根据不同工况，将历史运行数据分成若干集合；找出各集合中历史运行数据的最大值和最小值，计算各集合历史运行数据的平均值，计算各集合历史运行数据的标准差；根据最大值、最小值、平均值和标准差，获取各集合中数据分布的范围；采集水电机组部件的实时运行数据；判断实时运行数据是否在对应工况的数据分布范围内，若在，则该数据处于正常状态，否则实时运行数据存在问题，水电机组存在故障风险。该方法简单，分析数据快，不存在分析结果滞后的问题，便于及时发出风险报警。

　　图4所示为系统判断上导运行状况的摆度包络线。图中横坐标是上导正常运行时X方向的摆度，纵坐标是机组运行功率，红色虚线是包络线，为正常运行时上导X方向摆度边界；绿色为中位线，为上、下包络线的平均值。在日常运行时，监测系统收集上导摆度数据并与相同功率下的包络线中对应的记录值比较，当采集数据处于包络线内部时，机组处于正常运行状态；当处于包络线外部时，机组处于异常状态，在线自诊断系统启动故障诊断模块及专家系统，结合其他监测数据分析故障原因并给出处理建议。

　　5结束语

　　本文完整介绍了流域梯级水电站集控中心在线自诊断系统，涵盖了系统结构、系统功能、数据集成和系统应用分析等内容。系统将梯级水电站群分散的监控、故障诊断和运行控制等多系统的全息数据进行整合、分析，形成多系统全景状态数据集成解决方案，打破系统间信息壁垒，实现信息融合，解决了“信息孤岛”问题，实现了各电站协同联动，管控一体化。系统通过监测数据的集成，采用大数据和人工智能算法分析水电机组各部件监测数据，基于多工况、多类型参数、多时段进行多维度故障预警、预报和诊断。各功能模块之间的性能稳定、运行流畅，系统易于拓展、使用方便、功能实用，促进了流域级水电站群集控中心在线自诊断功能的提升和应用。

　　参考文献：

　　[1]周叶,唐澍,潘罗平.HM9000ES水电机组故障诊断专家系统的设计与开发[J].中国水利水电科学研究院学报,2014,12(1):104-108.

　　[2]张俊岭.水电站电力监控系统信息化建设探讨[J].新型工业化,2021,11(4):194-195.

　　[3]程潇黠,夏洲,潘伟峰,等.梯级电站主设备在线监测与状态检修系统的设计与实现[J].水电站机电技术,2013,36(3):69-70.

　　[4]蒋致乐.机组状态在线监测系统现场检验技术研究及应用[J].水电站机电技术,2021,44(4):19-21.

　　[5]张超,武永恒,杨京广.葛洲坝电站励磁在线监测信息系统设计[J].水电与新能源,2021,35(9):70-72.

　　[6]苏洁.紧水滩电厂电气设备状态监测及信息化管理研究[J].电工技术,2021(14):82-83.

　　[7]覃广意.岩滩水电站设备在线监测技术应用情况及问题分析[J].广西电业,2019(10):66-69.

　　[8]陈畅,张毅,段炼达,等.基于改进预测模型的水电机组状态趋势预测[J].水电能源科学,2022,40(1):163-167.

　　[9]傅质馨,殷贵,朱俊澎,等.基于EEMD和LSTM的水电机组劣化度预测方法研究[J].太阳能学报,2022,43(2):75-81.

　　[10]陆丹,肖志怀,刘东,等.基于EEMD-GA-BP的水电机组状态趋势预测[J].中国农村水利水电,2021(8):186-194.

　　[11]陈飞,王斌,周东东,等.融合改进符号动态熵和随机配置网络的水电机组轴系故障诊断方法[J].水利学报,2022,53(9):1127-1139.

　　[12]陈列,陈豪杰,许云峰,等.基于倒频谱的水电机组状态数据诊断方法研究[J].水电与抽水蓄能,2021,7(4):107-111.

　　[13]卢娜,张广涛,刘付鑫,等.基于LTSA与谱聚类的水电机组振动故障诊断方法[J].武汉大学学报(工学版),2021,54(11):1064-1069.

　　[14]程晓宜,陈启卷,王卫玉,等.基于多维特征和多分类器的水电机组故障诊断[J].水力发电学报,2019,38(4):179-186.

　　[15]潘罗平,安学利,周叶.基于大数据的多维度水电机组健康评估与诊断[J].水利学报,2018,49(9):1178-1186.