（1.许继集团有限公司，北京 100085；2.国网新源控股有限公司，北京 100761）
摘要：随着信息通信技术的快速发展，水电厂的生产运行和状态监测系统都积累了大量的数据，采用传统分析法进行数据分析和处理，耗时且难以有效发现数据中隐含的知识。本文采用大数据技术，研究水电机组状态监测数据、运行数据及生产管理数据等与机组状态之间的关系，通过对状态监测、生产实时、生产管理及同类机组运行数据的大数据分析，实现机组状态的评估和故障诊断，并可预测机组运行的发展趋势。采用HADOOP和SPARK平台开发了基于大数据技术的水电机组状态监测与故障诊断系统，并通过实际算例证明了所提方法的可行性及有效性。
关键词：水电机组；状态监测；故障诊断；大数据技术
0 引言
当前，我国电网正朝着“特高压电网+泛在智能电网+清洁能源”的能源互联网方向发展，要消纳大规模风电和太阳能发电，需要大力发展水电为电网安全运行做保障[1]。随着水电厂运行和生产管理自动化、智能化水平的不断提高，积累了海量的数据，采用传统的分析方法对这些数据进行分析和处理，耗时且难以有效发现数据中隐含的知识。如何使水电机组生产运行、状态监测和设备管理等方面的海量数据得到有效利用，使其为机组运行状态分析和故障诊断提供有益参考，从而实现机组状态检修，成为当前亟需研究的重要课题。
目前，对于水电机组状态监测和故障诊断系统的研究大多基于传统的信号处理方法，它是以水轮机的状态监测为基础，根据所获得的监测数据，提取反映水轮机运行状态的特征值，并对这些特征值进行分析诊断，判断水轮机是否存在故障[2-4]。这种方法只能对故障进行事后分析，无法实现预测，而且由于故障样本数据有限，导致其适应性差，只能用于特定故障的分析诊断。国内外已有一些基于数据挖掘技术的电力设备故障诊断和状态检修方面的研究[5-6]，为发电机组状态监测分析和故障诊断提供了有益探索。但这些研究和系统开发仍基于集中式数据仓库的数据挖掘技术，依赖于传统的因果推断机理建立数学分析模型，应用范围较窄且使用复杂。
1 基于大数据挖掘的故障诊断与预测方法
1.1电力设备故障诊断与预测模型
故障诊断与预测实质上就是建立一套设备的运行状态分析系统来判断设备的健康状况，从而对是否需要对其进行检修做出决定，实现状态检修或者预测性维修。基于大数据数据挖掘的电力设备状态评估模型如图1所示。对电力设备状态进行评估，首先要收集设备的相关信息，包括设备的基础信息、历史运行数据及设备缺陷信息等。通过对设备历史运行数据和缺陷信息进行挖掘，得出设备缺陷情况下的特征值和设备关联参数值，方便用户对设备的历史情况进行查询和使用；设备当前监测值从实时数据库或试验中获得，是被分析的对象；设备健康状况分析就是以数据挖掘的结果为依据，对设备当前监测值进行对比分析，判断当前设备运行状态是否正常[7]。
图1 基于大数据挖掘的电力设备故障诊断模型
2.1大数据挖掘算法
数据挖掘就是从大量的数据中挖掘出有用的信息，即从大量的、不完全的、有噪音的、模糊的、随机的实际应用数据中发现隐含的、规律性的、人们事先未知的，但又是潜在有用的并且最终可理解的信息和知识的非平凡过程。数据挖掘的一般过程包括数据选择、数据预处理、数据转换、数据挖掘和数据解释五个方面。本文将SVM、多元线性回归等算法应用于水电机组振动数据的建模和故障预测分析，并基于大数据平台构建机组状态监测和故障诊断系统，通过实际算例比较了各种算法的分析效果。
2 水电机组状态监测与故障诊断系统设计
水轮发电机组是一个涉及机械、电磁和水力的复杂系统。机组在运行时，除了机械因素外，还有电磁和水力因素的影响。现代化的水电厂都建设有较为齐全的水电机组状态监测系统，拥有大量的监测数据和设备历史运行数据，这对系统的存储能力和计算效率提出了更高的要求，如图2所示。因此，本文提出了利用大数据云平台的海量存储能力以及并行计算能力，对机组状态监测数据进行分析，尤其是对能够直接反映机组故障的振动数据进行预测，实现故障诊断，为机组安全稳定运行提供决策依据。
图2 水电机组状态监测示意图
基于大数据技术的水电机组状态监测与故障诊断系统架构如图3所示。系统架构主要包括三部分，分别为数据采集、数据存储、大数据处理平台。数据采集是将实时流数据（在线监测数据）、关系数据库数据（生产管理数据）以及其它外部系统数据采集到平台自有数据存储中。数据存储包括关系数据库和分布式数据库，关系数据库存储数据量不大的业务数据和基础数据，分布式数据库或文件系统存储大量快速增长的数据，如各种状态监测数据。大数据处理平台以Spark框架、Web应用平台、分布式调度服务为核心，利用分布式调度服务，实现web应用平台程序与大数据框架程序之间的任务执行与反馈，如故障诊断、预测操作。
系统功能由基于web应用平台和大数据处理平台的应用组成。Web应用平台构建常规的Web应用程序，部署在Tomcat容器里运行，包括水电机组的状态监测展示与告警、查询统计、故障诊断模型维护、系统管理等功能。大数据处理平台上构建大数据的存储、故障样本训练、故障诊断算法、大数据任务管理等功能。故障诊断模型维护在WEB应用平台实现，故障样本训练和故障诊断算法由Web应用平台发起后由SPARK实现并执行，使用Zookeeper消息队列服务实现两个平台之间的通讯。
图3 基于大数据技术的水电机组状态监测与故障诊断系统架构
本系统具有良好的开放性和可扩展性，可以面向不同机组类型、不同机组工况、不同故障诊断算法、不同样本数据进行故障诊断和预测。通过提供开放的故障诊断模型、故障样本训练、定期诊断任务等机制，实现较为准确的定期故障诊断和预测功能，能有效提前发现故障，为预测性维修提供决策参考，能显著提高水电机组的安全性和可靠性，降低维修费用。
3 算例研究
水轮发电机组最常见、最主要的故障就是振动故障，认识并把握机组振动故障的特点是故障诊断研究工作的首要任务。因此，本文的算例研究以机组振动监测数据的分析为例，进行建模、诊断和预测。
3.1多元线性回归算法
在回归分析中，如果有两个或两个以上的自变量，就称为多元回归。事实上，一种现象常常是与多个因素相联系的，由多个自变量的最优组合共同来预测或估计因变量，比只用一个自变量进行预测或估计更有效，更符合实际。多元线性回归算法的数学模型如（1）式：
本文的研究中，选取的因变量为某抽水蓄能电站1号机组发电机上导轴承X向振动，通过对机组大量的状态监测量分析筛选，用该机组2013年抽水运行状态的监测数据进行训练，得到如下数学模型：
（2）
其中
因变量y为发电机上导轴承X向振动（系统点表中用“发电机.上导轴承.U18P”表示）；
涉及的自变量分别为：
为发电机AB相间电压，
为发电机BC相间电压，
为发电机CA相间电压，
为发电机C相电压，
为发电机上导轴承第19温度测点
为发电机下导轴承第15温度测点
为发电机下导轴承第19温度测点
为发电机推力轴承第6温度测点
为发电机推力轴承第16温度测点
图4 基于多元线性回归算法的机组振动预测
图4给出了应用多元线性回归法计算发电机组振动模型及预测的结果。其中图4（a）为用2013年原始监测数据训练模型的输出值与实际监测值之间的对比，二者拟合度较好，说明了模型的准确性。图4（b）为用该训练模型预测2014年机组振动数据的结果与2014年振动实际值的比较，二者有明显的偏差，说明多元线性回归算法用于机组振动故障的预测，误差较大。
3.2 SVM算法
在机器学习领域，支持向量机SVM(Support Vector Machine）是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析。SVM方法是通过一个非线性映射p，把样本空间映射到一个高维乃至无穷维的特征空间中（Hilbert空间），使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题．
SVM方法巧妙地解决了升维带来的计算复杂化这个难题：其应用核函数的展开定理，就不需要知道非线性映射的显式表达式；由于是在高维特征空间中建立线性学习机，所以与线性模型相比，不但几乎不增加计算的复杂性，而且在某种程度上避免了“维数灾难”。
图5 基于SVM算法的机组振动预测
同样地，以该抽水蓄能电站1号机组发电机上导轴承X向振动数据为对象，用SVM算法对2013年抽水运行状态的数据进行训练，并将用模型得到的预测数据与实际数据进行对比，结果如图5所示。从图5可以看出，基于SVM算法建立的振动模型，其模型的准确性和预测结果的准确性都非常高，其效果优于多元线性回归算法，适宜应用于水电机组振动的故障诊断和预测。
4 结语
本文研究了基于大数据技术的电力设备故障诊断与预测模型，通过对状态监测、生产实时、生产管理及同类机组运行数据的大数据分析，实现机组状态的评估和故障诊断，并可对机组运行的发展趋势进行预测。提出了基于HADOOP和SPARK平台的水电机组状态监测与故障诊断系统架构，并将其应用于水电机组振动模型的建立和故障预测。通过一个抽水蓄能电站机组振动数据模型建立和预测的实际算例证明了所提方法的可行性和有效性，具有一定的理论意义和实用价值。
参 考 文 献
[1]刘振亚，全球能源互联网，中国电力出版社，2014.02
[2]张伟，褚福磊，张正松，300MW 抽水蓄能机组振动状态监测分析诊断系统研究，清华大学学报（自然科学版），1998,38（4）：108-112.
[3]冯辅周，褚福磊等，抽水蓄能机组状态监测分析诊断系统的设计，机械科学与技术，Jan. 2000, Vol.19, No.1,142-145.
[4]周达梅，水电站水电机组故障诊断分析，工业技术，2012年5月（下），80-81.
[5]韩晖，基于数据挖掘的900MW汽轮机组故障诊断系统研究，上海交大硕士论文，2008
[6]王燕龙，水电机组故障诊断系统数据挖掘技术的研究[J]. 西化大学硕士论文, Oct. 2011
[7]杨国庆，张宇，数据挖掘技术在电力设备状态检修中的应用，上海电力学院学报，Apr. 2012, Vol.28, No.2, 176-180.
作者简介
刘红超(1972—)，男，博士，高级工程师，主要研究方向：电力系统稳定与控制,智能电网及电力信息化等。
陈清水(1975—)，男，研究方向为设备管理及电力信息化；张健，(1979-)，男，高级项目管理师，研究方向为设备管理及电力信息化。
论文作者:刘红超, 陈清水, 张健, 李海
论文发表刊物:《电力设备》2015年第9期供稿
论文发表时间:2016/4/19
标签：机组论文; 数据论文; 故障诊断论文; 状态论文; 水电论文; 模型论文; 算法论文; 《电力设备》2015年第9期供稿论文;