張 沛

（河南省駐馬店市水利工程質(zhì)量監(jiān)督站，河南 駐馬店 463000）

0 引言

水電站智能維護(hù)是實(shí)現(xiàn)電站運(yùn)維水平提升的重要途徑，也是當(dāng)前水電站運(yùn)行管理的發(fā)展方向[1]。因此，基于傳感器的水電站電氣設(shè)備監(jiān)測數(shù)據(jù)需要整合、分析，并運(yùn)用到設(shè)備的日常運(yùn)行維護(hù)中去。由于傳統(tǒng)水電站運(yùn)維需要大量人力、物力投入，不僅提高成本，運(yùn)維工作也不能實(shí)現(xiàn)精細(xì)化、智能化。為進(jìn)一步適應(yīng)智能維護(hù)的發(fā)展需求，提高水電站電氣類設(shè)備的安全性和智能化水平，有必要將一些人工研判的操作轉(zhuǎn)換為機(jī)器自動(dòng)判別，實(shí)現(xiàn)水電站的智能維護(hù)。采用神經(jīng)網(wǎng)絡(luò)算法，將設(shè)備的監(jiān)測信息結(jié)合歷史運(yùn)維數(shù)據(jù)，對(duì)電氣設(shè)備的管理進(jìn)行有效指導(dǎo)。

1 基于神經(jīng)網(wǎng)絡(luò)的智能維護(hù)模型

1.1 智能維護(hù)系統(tǒng)分析

水電站智能維護(hù)是繼控制自動(dòng)化、管理標(biāo)準(zhǔn)化后的又一核心領(lǐng)域，運(yùn)維費(fèi)用往往占水電站生產(chǎn)成本的30%左右，其中很多是由運(yùn)維技術(shù)、管理落后造成的不必要支出。采用智能維護(hù)方法能顯著提升水電站經(jīng)濟(jì)效益。當(dāng)前水電站在運(yùn)行生產(chǎn)中電氣設(shè)備的前瞻性維護(hù)具有較強(qiáng)邏輯性，可認(rèn)為智能維護(hù)系統(tǒng)是由傳感器感知態(tài)勢下，經(jīng)過神經(jīng)網(wǎng)絡(luò)算法產(chǎn)生的設(shè)備自動(dòng)維護(hù)功能系統(tǒng)，包含了電氣設(shè)備運(yùn)行態(tài)勢感知數(shù)據(jù)、神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型及智能維護(hù)決策三部分。設(shè)備運(yùn)行態(tài)勢感知層采用總線通信協(xié)議，能實(shí)現(xiàn)與TCP/IP協(xié)議的交互通信。一般而言，水電站電氣設(shè)備是水輪發(fā)電機(jī)、變壓器、輸配電設(shè)備等，其中水輪發(fā)電機(jī)最為核心。由于水輪機(jī)在運(yùn)行過程中，常出現(xiàn)溫度報(bào)警、甩油故障等問題，因此需要對(duì)其進(jìn)行前瞻性維護(hù)。神經(jīng)網(wǎng)絡(luò)通過模型訓(xùn)練，獲取數(shù)據(jù)誤差，并將誤差返回輸出值，并以此調(diào)整神經(jīng)元權(quán)重，通過監(jiān)督學(xué)習(xí)完成回歸預(yù)測，實(shí)現(xiàn)水輪發(fā)電機(jī)的智能維護(hù)。

1.2 神經(jīng)網(wǎng)絡(luò)算法模型

水輪發(fā)電機(jī)調(diào)速器通過伺服系統(tǒng)對(duì)其葉片開度進(jìn)行調(diào)節(jié)，需要有較強(qiáng)的容錯(cuò)控制，對(duì)其建立神經(jīng)網(wǎng)絡(luò)模型，可通過監(jiān)測系統(tǒng)實(shí)現(xiàn)動(dòng)態(tài)監(jiān)測，伺服系統(tǒng)實(shí)現(xiàn)差錯(cuò)控制。結(jié)合水輪發(fā)電機(jī)結(jié)構(gòu)可知，其伺服系統(tǒng)是非線性的，但故障原因通過經(jīng)驗(yàn)總結(jié)已形成一套完整的處置流程。因此，神經(jīng)網(wǎng)絡(luò)采用典型的三層結(jié)構(gòu)，見圖1。

圖1 水輪發(fā)電機(jī)智能運(yùn)維神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

由于采用前饋調(diào)節(jié)網(wǎng)絡(luò)權(quán)值和中間節(jié)點(diǎn)閾值，通過誤差傳遞實(shí)現(xiàn)各個(gè)節(jié)點(diǎn)的閾值調(diào)節(jié)，模擬水輪發(fā)電機(jī)排查故障的流程，因此建立了水輪發(fā)電機(jī)物理模型到神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型的映射，為故障處理提供前瞻性[2]。

1.3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法

首先，將網(wǎng)絡(luò)初始化。確定輸入層、輸出層以及隱含層節(jié)點(diǎn)，并將其賦初值。完成后對(duì)節(jié)點(diǎn)閾值進(jìn)行初始化，給定訓(xùn)練速率和目標(biāo)函數(shù)。

第二步，將水輪發(fā)電機(jī)感知層數(shù)據(jù)作為輸入層變量，同時(shí)計(jì)算出隱含層，見式（1）。

式中:f（·）是神經(jīng)網(wǎng)絡(luò)隱含層目標(biāo)函數(shù)，是典型的指數(shù)函數(shù)，i為節(jié)點(diǎn)數(shù)。

第三步，計(jì)算對(duì)輸出層訓(xùn)練結(jié)果。通過式（1）的結(jié)果，并結(jié)合閾值a完成第一步的預(yù)測結(jié)果輸出O，見式（2）。

式中:j代表輸出層節(jié)點(diǎn)數(shù)量。

完成初步結(jié)果預(yù)算后，應(yīng)結(jié)合水輪發(fā)電機(jī)故障排查經(jīng)驗(yàn)，將其作為期望Y，并完成誤差計(jì)算，見式（3）。

根據(jù)求得的誤差e，將神經(jīng)網(wǎng)絡(luò)閾值進(jìn)行步進(jìn)迭代，完成更新，完成迭代后結(jié)束計(jì)算。根據(jù)實(shí)際運(yùn)行中的水輪電機(jī)參數(shù)判斷迭代是否完成，修正經(jīng)驗(yàn)值。因此，通過水輪電機(jī)系統(tǒng)的實(shí)時(shí)參數(shù)可以對(duì)水輪機(jī)狀態(tài)進(jìn)行監(jiān)控，并根據(jù)故障診斷手冊(cè)自動(dòng)判斷系統(tǒng)故障，提示維護(hù)信息。

2 水輪電機(jī)故障判定

2.1 故障判定模型

在水電站運(yùn)行過程中，水輪電機(jī)調(diào)速器常用PID控制，通過典型的傳統(tǒng)函數(shù)可以得到水輪電機(jī)模型，因此整個(gè)系統(tǒng)的結(jié)構(gòu)[3]見圖 2。

圖2 水輪電機(jī)傳遞函數(shù)結(jié)構(gòu)圖

通過神經(jīng)網(wǎng)絡(luò)計(jì)算出傳遞函數(shù)采樣的系統(tǒng)偏差，并輸入PID控制器對(duì)水輪電機(jī)調(diào)速器伺服系統(tǒng)，實(shí)現(xiàn)故障判斷，隨動(dòng)系統(tǒng)、水輪機(jī)、負(fù)載端的傳遞函數(shù)用式（4）、式（5）、式（6）表示。

式中:Ty、Tw、Tg分別代表水輪機(jī)接力器時(shí)間常數(shù)、引水慣性時(shí)間常數(shù)、水輪電機(jī)組時(shí)間常數(shù)；ey、eh、eqy、eqh、en為系統(tǒng)傳遞函數(shù)的系數(shù)。

板橋水電站水輪機(jī)調(diào)速器系統(tǒng)設(shè)計(jì)水輪電機(jī)組時(shí)間常數(shù)為6 s、引水慣性時(shí)間常數(shù)為2 s，水輪機(jī)接力器時(shí)間常數(shù)為0.2 s，系統(tǒng)傳遞函數(shù)為2，用系數(shù)為1作為傳遞函數(shù)模型初始值，輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行計(jì)算。按照上述控制模型，傳感器將周期采樣結(jié)果與神經(jīng)網(wǎng)絡(luò)輸出結(jié)果進(jìn)行比對(duì)，并通過誤差修正網(wǎng)絡(luò)。通過以往的運(yùn)維方案，建立水輪電機(jī)兩種輸出值判別模型，見式（7）。

式中:M代表處理模型，di代表神經(jīng)網(wǎng)絡(luò)輸出結(jié)果與傳感器監(jiān)測結(jié)果的差值，e1為降階處理的閾值，e2為故障報(bào)警的閾值。

通過這一模型可以對(duì)水輪電機(jī)的調(diào)速器系統(tǒng)做出相應(yīng)的運(yùn)維響應(yīng)。當(dāng)差值小于降階處理閾值時(shí)，調(diào)速系統(tǒng)可以暫不做處理，僅做可接收誤差記錄；當(dāng)差值大于降階處理閾值時(shí)，調(diào)速系統(tǒng)因根據(jù)神經(jīng)網(wǎng)絡(luò)輸出結(jié)果進(jìn)行調(diào)參，并帶入神經(jīng)網(wǎng)絡(luò)直至迭代到合理范圍；當(dāng)差值大于故障閾值，系統(tǒng)直接發(fā)出維修報(bào)警，運(yùn)維人員經(jīng)查看做出相應(yīng)的處理。

2.2 故障測試樣本

通過傳感器監(jiān)測到水輪電機(jī)組的振動(dòng)基頻、振動(dòng)高頻、系統(tǒng)振頻、振動(dòng)—轉(zhuǎn)速相關(guān)性、振動(dòng)—引水流量相關(guān)性作為神經(jīng)網(wǎng)絡(luò)的特征向量輸入網(wǎng)絡(luò)進(jìn)行迭代，并進(jìn)行歸一化處理。訓(xùn)練樣本及測試集見表1、表2。

表1 故障樣本訓(xùn)練集

表2 故障測試集

3 結(jié)果分析

3.1 故障測試集結(jié)果分析

按照板橋水電站設(shè)計(jì)參數(shù)帶入模型，將神經(jīng)網(wǎng)絡(luò)初始化。選定測試節(jié)點(diǎn)，通過神經(jīng)網(wǎng)絡(luò)計(jì)算某測試周期內(nèi)的輸出值，根據(jù)傳感器歷史測量結(jié)果作對(duì)比，獲得周期內(nèi)系統(tǒng)故障參數(shù)，并通過其變化判定故障和處理方法。在迭代271次，優(yōu)化64次后，網(wǎng)絡(luò)曲線收斂，完成了迭代。將訓(xùn)練集結(jié)果用測得歷史故障參數(shù)進(jìn)行測試，并按照2.1中方法進(jìn)行故障判斷。三組測試樣本的實(shí)際故障為系統(tǒng)過載運(yùn)行、水力不平衡及轉(zhuǎn)子失衡，神經(jīng)網(wǎng)絡(luò)診斷的結(jié)果和實(shí)際的故障結(jié)果一致性達(dá)100%，完成了測試集的正確診斷。測試結(jié)果見表3。

表3 神經(jīng)網(wǎng)絡(luò)判別結(jié)果

通過測試結(jié)果看出，當(dāng)故障時(shí)的傳感器歷史測量參數(shù)輸入網(wǎng)絡(luò)，通過迭代得到的故障判別類型，可以有效預(yù)測水輪電機(jī)調(diào)速系統(tǒng)的未來故障趨勢，為了更進(jìn)一步說明該方法的有效性，將轉(zhuǎn)子不平衡故障以故障判別式進(jìn)行匹配。如系統(tǒng)正常運(yùn)轉(zhuǎn)中，轉(zhuǎn)子不平衡故障在臨界轉(zhuǎn)速下，隨著轉(zhuǎn)速增加而導(dǎo)致的振幅增加，而引起的系統(tǒng)振頻瞬時(shí)增加。當(dāng)系統(tǒng)振頻與神經(jīng)網(wǎng)絡(luò)預(yù)測振頻差值到達(dá)報(bào)警閾值時(shí)，系統(tǒng)報(bào)警；達(dá)到停機(jī)閾值時(shí)則系統(tǒng)停機(jī)。測得結(jié)果見圖3。

圖3 轉(zhuǎn)子不平衡導(dǎo)致振頻增加

從圖3可知，當(dāng)響應(yīng)時(shí)間在20 s后，轉(zhuǎn)子不平衡引起系統(tǒng)振頻增加，實(shí)際測量系統(tǒng)振頻隨時(shí)間增加一直增加，且一直達(dá)停機(jī)閾值才會(huì)報(bào)警；神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型能在40 s時(shí)對(duì)系統(tǒng)做出響應(yīng)，通過相應(yīng)的轉(zhuǎn)速調(diào)節(jié)降低振頻，使系統(tǒng)不高于停機(jī)報(bào)警閾值，且一直處于故障報(bào)警閾值之上，符合2.1中的故障判別條件2，因此系統(tǒng)報(bào)警推送至運(yùn)維人員，在一定轉(zhuǎn)速能實(shí)現(xiàn)定期維護(hù)的功能。

3.2 閾值與神經(jīng)網(wǎng)絡(luò)對(duì)比

將原水輪電機(jī)閾值故障判別方法與基于神經(jīng)網(wǎng)絡(luò)的故障判別方法進(jìn)行對(duì)比。兩種數(shù)據(jù)集帶入模型進(jìn)行迭代，訓(xùn)練完成后，誤差絕對(duì)值控制在0.4%以內(nèi)，但可以明顯看出，PID閾值判定的故障誤差高于神經(jīng)網(wǎng)絡(luò)故障判別，在迭代超過120次后，神經(jīng)網(wǎng)絡(luò)誤差曲線明顯收斂，并高度接近真實(shí)故障測得樣本，因此三種故障的判定結(jié)果準(zhǔn)確率能達(dá)到100%，兩種數(shù)據(jù)集訓(xùn)練的平均誤差曲線見圖4。

圖4 兩種數(shù)據(jù)集誤差結(jié)果

4 結(jié)語

經(jīng)測試，神經(jīng)網(wǎng)絡(luò)在對(duì)水電站電氣設(shè)備的故障判定上有較強(qiáng)的非線性逼近能力，水輪電機(jī)故障具有較強(qiáng)的非線性特征，可以用神經(jīng)網(wǎng)絡(luò)解決傳統(tǒng)閾值判斷故障的準(zhǔn)確率低問題；同時(shí)，神經(jīng)網(wǎng)絡(luò)通過迭代后，輸出結(jié)果誤差接近泊松分布，可以有效地為水電站智能維護(hù)提供預(yù)測和判斷。