关键词： 水电机组   振动特性   水力不平衡   非线性动力学  

摘要： 为了研究水力不平衡对水电机组振动特性的影响,本文首先建立了高雷诺数下水力不平衡力及水力不平衡转矩的数学模型,并根据此模型建立了水轮机效率数学模型。然后,结合机械与电气不平衡因素以及水击模型、PID调速器模型、流量模型和发电机模型,建立了包含水轮机调节系统和水轮发电机组转子-轴承系统的水电机组耦合非线性数学模型。基于该模型,通过数值模拟,研究了不同工况下机组的振动响应特性,相关的结论可以为机组的安全可靠运行提供理论指导和应用参考。

关键词： 形态学   支持向量机   故障识别  

摘要： 为解决水电机组主轴运行期间的潜在故障,提出了多重分形谱、粒子群寻优和支持向量机对主轴图像数据多维度故障识别的方法;实现机组轴系运行中的摆度波形形态学特性提取,获得多重分形谱数据;采用粒子群寻优算法从海量样本中寻优获得异常故障特征形成故障特征集,由支持向量机分类方法对故障特征集进行分类识别,有效识别图形数据堆积过程中故障样本分类,实现轴系故障识别,以便确定相应的解决措施。

关键词： 水电机组   混合智能故障诊断方法   支持向量机  

摘要： 现有支持向量机方法在水电机组故障诊断应用中存在建模能力差、未考虑水电机组故障数据样本不确定性问题,难以保障故障诊断结果的准确性。针对此情况,本文在传统支持向量机方法的基础上引入粗糙集理论,构建粗糙多类支持向量机,并将其应用于水电机组导摆度偏大故障诊断中,进而确认此混合智能故障诊断方法具有较高的准确性。

关键词： 水力发电机组   状态监测   设备检修   趋势故障识别   特征参数  

摘要： 该文针对水轮发电机组中的趋势故障问题,结合现阶段在线监测系统在水力发电机组中的应用情况进行研究。为了更及时有效地识别趋势故障,针对机组运行过程中各状态监测量出现的趋势异常现象进行总结并分类,同时提取趋势异常故障识别的有效特征参数,通过自动计算同一工况下的这些特征参数值,进而对不同类型的趋势异常现象做出评价,实现对机组运行健康状态的早期预警和诊断。此外,还列举了不同类型的趋势异常现象及特征参数在其故障识别中的应用案例,验证了趋势故障识别方法在水电机组运检中的实际应用价值。

关键词： 水电机组   故障诊断   振动信号   卷积神经网络   支持向量机  

摘要： 在当前水电机组智能故障诊断的方法中,人为选择故障分类特征的主观性及故障小样本数据的局限性对故障诊断结果的准确性具有重要影响。对此,结合卷积神经网络(CNN)的特征提取优势和支持向量机(SVM)优良的小样本处理能力,提出了一种针对水电机组振动故障诊断的CNN-SVM方法。该方法以水电机组振动信号的时域波形图作为模型输入,然后利用CNN提取信号特征并导入SVM实现机组故障诊断。最后,通过具体的实例分析,验证了所提诊断方法的优势。

关键词： 水轮发电机   发电电动机   转子   一点接地   分析处理  

摘要： 发电机转子一点接地是水电机组调试、运行过程中常见的一种故障,如果不及时处理,极易诱发两点接地,致使机组严重受损。本文以国内某抽水蓄能电站300 MW级发电电动机调试过程中转子一点接地故障分析与处理为背景,在解析转子一点故障诱因的前提下,详细阐述了水轮发电机调试、运行过程中转子一点接地故障查找与处理的新工艺,新方法以及注意事项。

关键词： 水电机组预警   EEMD   标准差   K均值聚类   欧氏距离  

摘要： 为确保水电机组安全运行及电网稳定,探讨利用水电机组振动信号实现机组故障早期预警,提出了基于集合经验模态分解和标准差水电机组振动信号特征量提取方法,并引入K均值和欧氏距离构建水电机组振动信号异常状态预警指标,量化水电机组振动信号状态异常变化程度,融合多测点状态信息形成水电机组振动故障综合预警指标,实现了水电机组振动故障预警,证明所提特征量和预警方法有效。

关键词： 水电机组   故障诊断   深度置信网络   变分模态分解   引力搜索  

摘要： 提出了基于引力搜索算法(gravitational search algorithm, GSA)优化变分模态分解(variational mode decomposition, VMD)并结合深度置信网络(deep belief network, DBN)的水电机组故障诊断方法。首先,以变分模态分解能量误差最小化为目标,利用GSA并行优化各样本下VMD的2个典型分解参数(分解层数K和惩罚因子α);然后,对分解降噪后的信号进行重构,并对重构后的信号构造由能量熵、奇异谱熵以及峭度组成的特征向量;最后,将构建的特征向量输入DBN构建的水电机组故障诊断模型。通过与已有方法比较可知,所提模型可以有效地提取水电机组的故障特征,且故障识别准确率更高。

关键词： 水电机组   状态监测   故障诊断   振动信号   特征提取   多传感器遗传编程   主成分分析   支持向量机  

摘要： 随着我国能源结构的转型，尤其是近年来“双碳”战略的实施，水电能源赢来了新的发展契机，水电机组装机容量不断增加。与此同时，水电能源在电网中承担着重要的调峰调频任务，使得水电机组的安全运行关乎电站安全和电力系统稳定。在现代科技发展以及电能需求增加的大背景下，水电机组正在朝着大型化、智能化、复杂化方向发展，机组长时间在变转速、变荷载环境中运行，故障诱发因素增加，运行状态恶化造成的损失也不断提高，一旦发生重大事故，轻则影响能源供给与电力系统稳定，重则造成重大的经济损失与恶劣的社会影响。因此，水电机组的状态监测与故障诊断研究一直是行业关注的热点。　　本文针对目前水电机组状态监测与故障诊断领域研究中存在的问题，从水电机组振动信号故障特征提取、水电机组故障分类识别、水电机组故障征兆预警三个方面展开研究，主要研究内容有:　　(1)为智能化构建水电机组运行状态特征，提出了一种基于多传感器遗传编程的水电机组故障特征提取方法。首先，采集水电机组多传感器振动信号并计算其时频域特征参数来构建原始特征集，然后以复合检测指数作为特征选择指标，降低无关特征干扰与遗传编程计算复杂度。该方法简化了传统特征提取方法的繁杂过程。实验结果表明，本文提出的方法能够智能化提取代表水电机组运行状态的特征参数，相较于基于单传感器数据的故障特征提取方法，本文提出的方法获取的设备信息更全面，为后续水电机组故障诊断与预警研究奠定了基础。　　(2)为进一步提高基于多传感器遗传编程故障特征提取模型的稳定性，提出了一种基于集成多传感器遗传编程的水电机组故障特征提取方法，结合支持向量机分类模型实现了水电机组故障的准确诊断，有效解决了水电机组振动信号样本获取难、存在样本少等问题。考虑到支持向量机的参数对分类结果有重要影响，采用粒子群算法对参数进行优化。为了提高诊断模型泛化性能同时避免造成模型过拟合的问题，利用t分布-随机近邻嵌入方法将高维特征映射到低维空间，并结合准确率与样本间的距离度量，提出一种新的遗传编程适应度函数。通过对凯斯西储大学轴承实验台模拟故障数据与水电机组实测数据进行实验分析，证明了本文所提出的方法稳定性更强，更适用于水电机组的实际故障诊断。　　（3）针对水电机组故障预警指标构建过程中缺少对于运行工况和环境变化考虑的问题，提出了一种基于集成多传感器遗传编程与主成分分析方法的水电机组故障预警方法。首先，为了降低振动信号中的噪声干扰，运用小波阈值方法对振动信号进行降噪处理。其次，为了准确构建出能够反映水电机组故障发展趋势的预警指标，利用集成多传感器遗传编程进行特征提取后，结合主成分分析方法与欧氏距离构建水电机组故障征兆参数。通过对水电机组实测数据进行分析，证明了本文提出的方法能够发现早期故障，并及时进行预警。

关键词： 水力发电机组   信息传递   可靠性评估   趋势预测   状态维修  

摘要： 水力发电机组作为稳定灵活性能源供给是电力系统适应大规模高比例新能源的重要保障。受电力负荷需求和自身复杂水-机-电多源因素耦合影响,水力发电机组需面临更加频繁的暂态运行过程,机组振动和压力脉动等稳定性指标变化剧烈,参数间耦联关系更为复杂,严重威胁机组运行可靠性及健康状态。本文以揭示水力发电机组运行状态变量间耦联机理与量化多源指标参数潜在风险规律为关键科学问题,提出水力发电机组动态安全评价统一研究新视角,并基于所揭示机理进一步优化机组状态维修策略,取得以下几方面研究成果:1.从信息传递角度揭示了水力发电机组运行状态变量间耦联机理和物质与能量作为信息载体在动态过程中的协同关系。以水电机组甩负荷暂态运行过程为例证明了两个子系统间信息因果关系可以由两个系统直观变量在暂态过程中的信息传递来表示,这种关系是双向非对称的。信息流路径和方向不会随着甩负荷量变化而改变,且信息流路径始终为机组出力→运行水头→机组转速→导叶开度→流量,整个过程中导叶→流量信息传递量是最高的。此外,揭示了变量间耦合的跨时频尺度效应,即信息传递存在于相同和不同时间与频率尺度变量之间。2.为提高水电机组多源耦合故障信号特征提取精度,围绕揭示机组多源信号耦合机理这一关键问题,提出了一种基于信息因果和变分模态分解的水力发电机组多源耦合故障分离降噪策略IFC-VMD。将IFC-VMD应用在S电站3号机组故障特征提取和分离降噪中,准确剔除冗余和干扰成分,结果表明所提方法在重构多源故障信号中较现有成熟方法具有明显优势,去噪保真率提高了3%。较好保留了实际有效故障特征,为水力发电机组多源故障耦合信号特征分离降噪提供有力理论支撑和有效分析方法。3.为准确诊断机组故障早期微弱信号特征,提出了一种基于动态信息传递的过程诊断模型。该方法创新性地实现了机组测点信号间动态信息传递特性定量描述,突破了传统基于信号特征提取分析的水电机组故障诊断模式范式。通过某250MW水电机组实测数据验证了该方法的适用性和有效性。结果表明所提诊断模型对检测小幅异常更为敏感。对比分析PCA和KICA-PCA方法,所提模型在诊断成功率上分别提高了84.7%和90.6%,在检测延迟上分别提前了43和33个检测样本,且虚警率低至1.2%。研究结果为水电机组等具备多传感器系统的状态过程诊断提供了新的视角和技术支持。4.围绕参变量之间信息因果关系深入挖掘水电机组复杂状态数据,提出了基于信息因果和Page Rank算法的辅助变量选择方法,通过深度学习和模糊综合评价实现了机组状态趋势预测和运行状态风险量化。结果表明:(1)通过挖掘变量之间信息因果关系可实现对系统全状态变量有效降维,且将主导变量和其因变量作为预测输入时主导变量各项预测误差均0.1之内,最低达到了0.0006;通过考虑预测对象变量与其因果变量之间的信息传递序列,增加缺乏样本情况下的预测输入维数以提高预测精度,对机组振动和压力脉动预测的平均绝对百分比误差分别为0.0043和0.3809。(2)对Z电站某机组来说,在130MW～250MW试验负荷区间内该机组均处在D类风险区,且在200MW时达到最高的累积风险隶属1.6265。其中,风险贡献度最高的指标为无叶区压力2,其在所有试验负荷区间内成为最大风险贡献情况占比高达50%,结合现场测试结果判定该机组风险来源于转轮部件的动静干涉问题,建议电站通过增大活动导叶分布圆直径或优化转轮等措施减小运行过程中出现的异常振动现象。5.针对现阶段水电机组设备状态检修缺乏统一理论研究框架,提出了基于广义比例风险模型和半马尔科夫决策过程的水力发电机组可靠性预测和CBM策略集成框架。利用葛洲坝某机组16年运行和维护记录进行案例研究,验证了所提方法的有效性和适用性。结果表明,所建方法可以实现变工况条件下机组可靠性预测和维修成本优化,在机组单设备系统分析中,与平均时间成本模型相比,分别避免了599￥/d的运行成本和15天的检测间隔偏差。在机组多设备系统分析中较(非)恒定维修阈值模型分别避免了34天和12天的检修等待时间。此外,还讨论了运行条件和折扣率对框架性能的影响,提高了方法的完备性。研究结果为具备高可靠性水力发电机组或更广泛应用提供了理论和实践指导。