关键词： 水电机组   智能优化算法   调节控制   故障诊断   深度学习   声振动  

摘要： 在“双碳”战略新型电力系统新能源高占比的背景下,传统水电机组和抽水蓄能机组作为大容量调节电源,频繁快速的大范围负荷调节必然成为其运行的常态化工况。风电和光伏新能源的大规模并网降低了系统惯量,水电机组联网固有的弱阻尼振荡问题必然进一步加剧;且快速频繁地大范围负荷调节会导致机组频繁穿越振动区、负荷急剧变化诱发轴系和转轮疲劳等问题,增加了水电机组运行的安全风险,特别是在高泥沙洪峰等特殊运行工况下,存在诱发突变安全事故的可能。针对这两方面的问题,本文以智能优化、深度学习、信号处理等多学科交叉的方法理论作为切入点,通过优化控制策略提高机组有功调节的稳定性,同时以声振动故障特征识别为机组运行安全提供预警。本文的主要研究内容和成果如下: （1）为更好地适应水电机组复杂化和高度集成化的发展趋势,提高其对快速响应和高精度控制的需求,针对水电机组的调节控制和故障诊断系统,分别引入混沌映射粒子群引力搜索算法（CPSOGSA）和混沌映射二次插值优化算法（CQIO）进行研究。PSOGSA算法能提高搜索空间覆盖能力,有助于更好地发现全局最优解。QIO算法能够在函数的局部区域内更准确地定位极值点,适用于非线性连续可微的优化问题。本研究引入混沌映射算法来替代原始算法中初始种群的随机值生成过程,增强算法的收敛性、稳定性和局部搜索能力,为后续水电机组调节系统控制研究和故障诊断模型设计提供了理论基础。 （2）基于智能优化算法CPSOGSA优化的水电机组调节系统混合2/∞鲁棒控制器的设计研究。首先根据研究对象和目的,以水轮机流量的动态模型替代共用管道的水力动态模型,对一管多机的水电机组调节系统建模。传统的水轮机调节系统控制方法难以处理水轮机系统中的非线性、时变等复杂特性,且对数学模型的精度要求较高。本研究引入线性矩阵不等式（LMI）作为解决混合2/∞鲁棒控制器设计中极点分布问题的方法。利用CPSOGSA算法的全局搜索能力,以一管多机水电机组调节系统的控制性能指标作为目标函数对加权矩阵进行优化设计。经过仿真,与GSA、PSO、PSOGSA三种算法优化的控制器相比,采用CPSOGSA优化的控制器能在10.0次迭代内完成收敛,3.0秒内达到给定转速;在面对同一负荷扰动时,所提方法能在21.5秒内完成调节过程,优于其他三种算法。该控制器结构简单,阶数低,性能优,易于实现,对水电机组调节系统的控制器设计具有重要参考意义。 （3）在实际的水轮机运行环境,水流冲击转轮产生的声振动信号中会夹杂大量的噪声,导致故障信号特征难以提取。本文采用改进的小波阈值算法优化聚合经验模态分解（WT-EEMD）方法对水电机组的故障声振动信号去噪预处理。结果表明WT-EEMD方法在正常工况下的信噪比和均方根误差分别为19.2和0.3,磨损故障工况分别为20.0和0.1,均优于小波阈值去噪和EEMD去噪。该方法提高复杂结构的适应性,为深度学习模型故障诊断和识别奠定基础。分析发现水流通过机组的频率为58.6 Hz,含沙水流通过机组的频率为98.5 Hz。含有泥沙的水流过水轮机会引起频谱的变化,这一发现能为水电机组的避沙运行提供参考。 （4）基于智能优化算法CQIO对水电机组不同的故障工况诊断识别研究。提出一种CQIO优化卷积神经网络结合长短时记忆网络模型（CNN-LSTM）的水轮机故障诊断深度学习模型（CQIO-CNN-LSTM）,将LSTM与CNN相融合,解决CNN在处理长序列问题上存在一定局限性。引入CQIO优化CNN-LSTM模型的超参数,提高模型的稳定性,降低计算量。结果表明CQIO-CNN-LSTM模型诊断准确率分别为96.7%和93.6%。与未经混沌优化的QIO-CNN-LSTM模型相比分别提高4.6%和9.5%。对比故障诊断结果发现,水轮机磨损故障的诊断精度低于冲击故障,磨损故障的诊断准确率随着泥沙浓度的增加而提高,该结果能作为现有水轮机状态监测预警和故障诊断系统的有益补充。

关键词： 轴心轨迹   模态分解   不变矩   支持向量机   故障诊断  

摘要： 近年来,随着水轮发电机组技术地不断发展,其构造愈发地复杂,单机容量也逐渐增大,如何监测并识别机组的运行状态已成为水电业界中一个极为关注的问题。振动和摆度作为水轮发电机组运行过程中最为常见的现象之一,但强烈的振动和摆度会直接威胁到设备及人员的安全。因此,对水轮发电机组的振摆情况加以监测,从而及时发现并排除故障,对提高水轮发电机组运行的可靠性具有重要意义。轴心轨迹作为水电机组故障诊断中一类重要的图形特征,其间包含了大量的信息,而如何获取纯净的轴心轨迹信号并对其进行分类识别一直是故障诊断研究中的热点问题。本文在此背景下对轴心轨迹信号的降噪、特征提取与分类识别做了以下研究: (1)针对轴心轨迹降噪方面的研究,本文采用小波变换(Wavelet Transform,WT)、经验模态分解(Empirical Modal Decomposition,EMD)及完全自适应噪声集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)三种方法对蒙特卡洛方法模拟的仿真含噪信号进行了降噪处理。实验结果表明,上述三种方法都能在一定程度上实现对含噪信号的降噪处理,但各自仍存在一定的局限性。为了进一步提高降噪效果,本文结合了小波变换和模态分解两种方法的优点,研究了三种新的小波与模态分解相结合的信号降噪算法,其分别为IMF-Wavelet,WaveletCEEMDAN和IMF-Wavelet-CEEMDAN算法。后续通过对比研究,验证了IMF-WaveletCEEMDAN算法在对含噪信号的降噪方面表现更为出色。该方法综合了小波变换的频域分析能力和模态分解的时域分解能力,能够更有效地去除含噪信号中的干扰成分,从而提取出真实信息。这一研究结果为本文后续对轴心轨迹的特征提取和识别奠定了基础。 (2)针对轴心轨迹特征提取方面的研究,本文基于图像的不变矩方法实现对轴心轨迹特征的提取。首先,利用Hu不变矩提取了不同类型轴心轨迹的特征。后续研究发现,在离散图像情况下,Hu不变矩不具备缩放不变性。因此,对Hu不变矩进行了改进,后续实验验证了改进方法在不同图形缩放情况下的有效性。然而,改进方法仍然不具备仿射不变性,当图形发生不对称变形时,改进Hu不变矩在图形表征能力方面较弱,导致分类识别率较低的情况。因此,为了进一步提高轴心轨迹特征提取的效果,本文引入了仿射不变矩的概念,并研究了将改进Hu不变矩与仿射不变矩以组合的方式来构建轴心轨迹的特征向量。这种组合方式综合考虑了图形的不同变换情况,提高了特征向量对图形的表征能力。 (3)针对轴心轨迹自动识别方面的研究,本文采用支持向量机(Support Vector Machine,SVM)和粒子群优化算法(Particle Swarm Optimization,PSO)、灰狼优化算法(Grey Wolf Optimizer,GWO)和成吉思汗鲨鱼优化算法(Genghis Khan Shark Optimizer,GKSO)来构建轴心轨迹的分类模型。首先,利用改进Hu不变矩、仿射不变矩以及组合不变矩三种特征和传统SVM进行了轴心轨迹的分类识别实验,验证了组合不变矩特征相较于单一的不变矩特征可以获得更高的轴心轨迹识别率和稳定性。并且为了进一步提高SVM模型的分类识别效果,应用PSO、GWO和GKSO算法实现对基于组合不变矩特征的传统SVM模型参数的优化,并从中挑选出GKSO-SVM模型相较于其他两种优化SVM分类模型最适合作为轴心轨迹的分类识别模型,其更能满足水电机组故障诊断技术对准确性和稳定性的要求。 (4)为便于人机交互,本文基于上述算法开发了一个基于机组振摆信号的故障诊断分析平台。该平台可实现用户在界面中进行现场真实采样数据输入、信号降噪、特征提取及结果展示等操作,最终输出相应的故障诊断和分析结果。将输出的诊断结果与水电站实际情况进行了对比验证,现场对比结果表明,本文研究的方法能够准确地诊断出振摆信号中的故障情况,具有良好的工程意义和经济价值。

关键词： 水电机组   知识图谱   故障诊断   知识图谱补全   改进的快速区域级神经网络  

摘要： 近年来,随着分布式新能源的大规模接入电网,水电站灵活的调峰填谷运行特性为新型电力系统的稳定运行提供了重要保障。水电机组的运行原理牵涉到水、机械和电气等多个系统的复杂耦合,导致机组监测系统获取的数据碎片化严重,关联性和全局性缺失给水电机组的运行维护和故障诊断带来了挑战。为了解决当前海量数据下水电机组数据壁垒严重、故障定位模糊等的问题,本文融合知识图谱补全模型和改进的快速区域级神经网络模型(Improved Fast Region Convolutional Neural Network,IF-RCNN),提出了基于多源海量数据一张图的水电机组故障监测与诊断的研究方法。本文研究的主要内容包括: (1)针对水电机组监测数据的多源、海量和异构特点,本文构建了一个涵盖了设备、指标和故障等关键信息的水电机组一张图。首先,采用条件随机字段技术获取水电机组运行状况、设备状态、故障诊断的响应数据。其次,将获取的碎片化数据以设备、系统、故障等表征进行分类,并利用Neo4j图数据库将复杂的关联关系以图的形式存储。最后,整合实时更新的机组监测数据以及故障信息,形成了全面的水电机组知识图谱。该图谱不仅能够揭示机组运维数据间难以察觉的潜在联系,更在机组故障根源的诊断和定位方面发挥了关键作用。 (2)针对水电机组一张图构建中的数据混乱缺失的问题,本研究提出了一种基于改进的翻译模型(Improved Translation Model,Trans IE)的知识图谱补全策略。该方法旨在优化水电一张图中数据的预测链接,将实体间的关系映射到模空间的转换中,更加明确和严格地描述设备特征与故障根因之间的关联。本文以湖南某水电厂的实际故障数据为基础,用以验证所提模型在处理水电机组知识图谱补全任务中的有效性,结果展示了Trans IE模型在处理复杂关系模式时强大的推理能力。 (3)计及水电机组故障样本关联性较差问题,本研究提出了一种基于IF-RCNN的故障诊断策略。在保持参数数量不变的前提下,融合残差网络于快速区域级神经网络模型结构中,有效地增加了网络深度,进而获得了更为丰富的特征表示。IF-RCNN网络模型不仅提升了对深层次故障信息的捕获能力,还增强了模型对数据噪声和干扰的鲁棒性。仿真结果表明该方法处理水电机组中大规模和多样化的数据的适用性。