CN112818525A - 一种水电机组状态评价方法及其*** - Google Patents

Abstract

本发明提供了一种水电机组状态评价方法，利用大数据技术和云理论结合层次分析法，在已知机组历史健康运行数据情况下，评估机组的现行运行状态。通过计算评估机组当前的运行状态，结合相应检修准则，以便于机组状态检修的实现。本发明还提供了一种水电机组状态评价***，通过数据读存模块、工况区分模块、大数据统计模块、云理论模块、专家打分模块、层次分析法模块、熵权法模块、权值融合模块、评价结果及检修策略模块九个模块，从而实现水电机组状态评价。

Description

一种水电机组状态评价方法及其***

技术领域

本发明属于状态评价领域，具体是涉及到一种水电机组状态评价方法及其***。

背景技术

在中大型水电站中，机组一旦出现问题，必定会影响随着水电站运行，为了使机组一直处于健康的运行状态，现在电站采用的是计划检修策略，即为固定一段时间进行机组的检修，这种检修方式存在较大问题，在检修时机组处于健康状态，会白白耗费大量的人力物力，在检修前，机组就处于异常状态，这样极易引发事故。所以急需一种技术能够在实时评价机组的运行状态，根据状态评价的结果采取对应策略进行检修。

现有的状态评价方法一般采用的是固定权值，而且评价标准往往采用统一标准，阈值较大，不能真实贴切的反应电站不同机组的特点，这会极大的影响评价的准确性。

发明内容

本发明的目的在于提供一种水电机组状态评价方法及其***，为水电机组从计划检修到状态检修提供支持。

本发明首先提供了一种水电机组状态评价方法，包括以下步骤：

(1)建立水电机组状态评价模型；

(2)获取水电机组历史健康运行数据，将历史正常运行的海量数据按照工况进行划分，在各个工况区间利用3σ准则确定个工况的健康运行区间；将整体的健康运行区间和各工况下的健康运行区间以数据库的形式存储；

(3)结合云理论进行综合评判。获取待评价机组的运行数据，根据工况数据查询健康数据对应的区间，如无法查询到相应的区间数据，则使用整体的健康数据所对应的区间；划分状态等级；利用云模型求隶属度；构建模糊判断矩阵；

(4)采用综合权值方法，该综合权值结合了层次分析法和熵权法，具体步骤如下：

1)通过专家打分的形式，对同一层级的部件按照重要程度进行打分(0～100)；

2)按照专家打分，使用层次分析法进行部件权值的求取部件的权值，记为：W_AHP；

3)按照专家打分，使用熵权法进行部件权值的求取部件的权值，记为：W_EWM；

4)将层次分析法求取的权值和熵权法求取的权值经过融合，融合的方法如下式，其中Φ_AHP和Φ_EWM分别表示层次分析法和熵权法求取权值的融合系数，范围在0-1之间，且满足Φ_AHP+Φ_EWM＝1：

W_merged＝Φ_AHPW_AHP+Φ_EWMW_EWM。

(5)计算得到状态评价结果，根据状态评价的结果输出水电机组应采取的检修策略。

依托于上述方法，本发明还提供了一种水电机组状态评价***，包括以下模块：

数据读取模块：用于读取水电机组运行数据，包括历史数据和实时运行数据；

健康数据库模块：用于存储水电机组历史健康运行数据区间；

基于云理论的综合评判模块：用于建立水电机组的判断矩阵；

权值优化模块：用于优化部件的权值；

历史健康数据学习模块获取水电机组历史健康运行数据，将历史正常运行的海量数据按照工况进行划分，在各个工况区间利用3σ准则确定个工况的健康运行区间，并保存到健康数据库中；

云理论模块，根据工况数据查询健康数据库，获取评价区间，进而划分状态等级，利用云模型求隶属度，最后构建模糊判断矩阵；

权值优化模块包含专家打分模块，以专家打分作为权值优化依据，采用综合权值方法，该综合权值结合了层次分析法和熵权法，将层次分析法求取的权值和熵权法求取的权值经过融合，融合的方法如下式，其中Φ_AHP和Φ_EWM分别表示层次分析法和熵权法求取权值的融合系数，范围在0-1之间，且满足Φ_AHP+Φ_EWM＝1：

W_merged＝Φ_AHPW_AHP+Φ_EWMW_EWM

本发明的有益效果是包括：

1、本发明提供的一种水电机组状态评价方法，利用大数据技术和3σ准则，根据机组健康运行数据获取机组健康运行区间，该区间更加的符合机组特点，比统一的标准更具有实际意义。

2、本发明层次分析法和熵权法作为变权的依据，并引入综合权值，使得评价更加真实准确。

3、本发明引入云理论，通过计算得到的状态评价值可以作为机组实时运行状况，以便指导检修。

附图说明

图1是本发明所述的水电机组状态评价方法流程图；

图2是本发明所述的水电机组状态评价***的模块连接图；

图3是本发明优选实施例提供的层次分析法结构；

图4是本发明软件主界面；

图5是本发明软件状态打分界面

具体实施方式

本实施例提供的一种水电机组状态评价方法，利用大数据技术、云理论、层次分析法、熵权法，大数据技术学习机组历史健康数据，一次为基础，实现机组实时状态评价，通过计算得到的状态评价结果，实现机组的状态检修。具体包括以下步骤：

S1：建立机组的健康运行库：

3σ准则是最常用也是最简单的一种检查异常数据的准则。对某一次观测，如果观测值偏离总体期望的偏差服从正态分布N(μ，σ^2)，那么采用区间(μ-3σ，μ+3σ)作为判断此次观测值是否超限的依据。根据正态分布特点，可以证明，观测值偏离总体期望的偏差落在该区间的概率为99.73％，即其判别的可靠性为99.73％。如果该观测值偏差落在此区间外，则认为此观测值超出正常限定范围，判定为异常数据。

机组健康状态区间确定的步骤如下：

获取水电机组海量的历史正常的运行数据，本实施例的数据项为水电机组的各种运行数据，其历史数据来自某水电公司大数据平台；

机组发电工况细分，根据国标GB/T32584-2016中水电机组稳态运行工况的定义，要求机组流量(有功)、水头等主要参数保持在±1.5％以内，可将水头变化范围ΔH在3％以内、负荷变化范围ΔP在3％以内的所有工况近似为相同工况，据此，机组发电工况可细分成以下若干典型工况：

(1.5％，91.5％)、(4.5％，91.5％)、…、(118.5％，91.5％)

(1.5％，94.5％)、(4.5％，94.5％)、…、(118.5％，94.5％)

…

(1.5％，137.5％)、(4.5％，137.5％)、…、(118.5％，137.5％)

其中(1.5％，91.5％)代表所有有功功率/额定功率在0～3％、水头/额定水头在90％～93％范围内的发电工况。

利用3σ准则计算整体的健康运行区间，利用3σ准则计算各个工况下的健康运行区间；

将整体的健康运行区间和各工况下的健康运行区间进行存储。

S2部件权值优化

通过专家打分的形式，对同一层级的部件按照重要程度进行打分(0～100)；

按照专家打分，使用层次分析法进行部件权值的求取部件的权值，记为：W_AHP；

按照专家打分，使用熵权法进行部件权值的求取部件的权值，记为：W_EWM；

将层次分析法求取的权值和熵权法求取的权值经过融合，融合的方法如下式，其中Φ_AHP和Φ_EWM分别表示层次分析法和熵权法求取权值的融合系数，范围在0-1之间，且满足Φ_AHP+Φ_EWM＝1：

W_merged＝Φ_AHPW_AHP+Φ_EWMW_EWM。

S201层次分析法

层次分析法(AHP)是一种常常用来处理复杂非定量问题的经典方法。在充分认识分析事物的本质基础上，将定性分析与定量计算有机的结合，将一个复杂问题，通过内部的关系，逐一的进行层层分解，最终梳理变成一个结构层次清晰的倒树状的评估指标分析***。层次分析法在这么多年的发展过程中，已经被大量应用于各大领域，最主要的原因还是它的实用性。经过这么多年的研究和发展，层次分析法已经变为一种具有科学性和实用性的评估分析方法，且被大量的研究人员所青睐。

层次分析法从整体的大框架来看，通常将***结构分为三层，即方案层、准则层、目标层，三个层级呈倒树状结构排列，层与层之间相关联，且准则层可以细分为多层，便于是***结构更加清晰明了。其结构如下图2所示。

(1)方案层，也可称为底层指标，位于倒树状结构的最底层，是影响评估目标最具体、最表层和最直接的指标集合，通常它是容易监测的运行指标。底层指标不受其他因素影响，通常可由具体的状态量表示出来，易于数据监测和***的评估。

(2)准则层，是倒树状结构中处于中间的层指标结构。准则层相当于一个过渡层，它既受目标层的影响，也可以影响方案层。准则层根据分级精度的要求，可以允许含有很多层，且各子层根据内部关系关联。在一般***结构中都有准则层，但是也有些***准则层不存在。

(3)目标层，是倒树状结构的顶层。目标层一般都只含有一个评估目标，其中方案层、准则层中的各项评估指标的权重占比都是影响目标层的重要程度而得来的。

利用层次分析法将复杂问题分解为若干个指标因素，再按***内部因果关系来将若干指标因素进行逐层排列，经过仔细的分析，选定一些重要且易于监测的指标量。对同一等级的不同因素指标作两两对比，得出相互的重要程度。决策人在根据历史经验比对两项指标重要性时，容易得出以下几种可能情况：指标1和指标2同样关键、指标1较指标2略微关键、指标1较指标2较为关键、指标1较指标2非常关键、指标1较指标2绝对关键，可以分别用数字1、3、5、7、9来对应表示以上五种相互比较的结果，其中2、4、6、8分别对应表示以上相邻结果的中间值。相反，指标2对指标1的重要程度，利用倒数表示即可。以上方法就是将决策者的主观判断转化为一个定量值，此方法被称为九标度法。

表1直观说明了九标度法的内容以及判断矩阵构建依据。

表1九标度法赋值参考

在利用九标度法对各个指标进行权重赋值时，为满足9标度法的可操作性，在构造多重指标评估体系时，应该首先优化出最优的评估指标，保证在多个评估指标中，处于同一级以下的指标数量小于9个。在专家打分时，以相差十分(采用4舍5入的形式)为一个标度，例如部件一比部件二平均分多5分～14分，则部件一和部件二的标度为2。

首先利用九标度法为所有指标赋予标度，将影响同一因素的所有指标标度集合有序排列，即得到判断矩阵R。然后计算判断矩阵R的最大特征值以及对应的特征向量，特征向量表示指标重要性程度，从而逐层向上推导出最底层对目标的重要性。

令判断矩阵为R＝(r_ij)_n×n，求判断矩阵R最大特征值λ_max及特征向量ω通常用求和法：

求和法又叫算术平均法，在数学上经常被用到求特征值、特征向量，它是一种简单且容易理解的方法，求解的具体步骤如下：

1)对判断矩阵作归一化处理，得

2)求归一化矩阵的行和。将所得归一化矩阵

每一行的所有数值加起来，即

3)求特征向量ω_i，将

归一化即可得到。

ω_i表示指标i的重要性次序，其对应的权重向量为W_AHP＝(ω₁，ω₂，…，ω_n)^T

4)求最大特征值

S202熵权法

1)根据专家经验对每项指标的重要性程度进行打分，得到表2：

表2每项指标的重要性程度得分

C	V<sub>1</sub>	V<sub>2</sub>	…	V<sub>j</sub>
					V<sub>1</sub>	X<sub>11</sub>	X<sub>12</sub>	…	X<sub>1j</sub>
V<sub>2</sub>	X<sub>21</sub>	X<sub>22</sub>	…	X<sub>2j</sub>
					…	…	…	…	…
V<sub>i</sub>	X<sub>i1</sub>	X<sub>i2</sub>	…	X<sub>ij</sub>

2)先将表格的重要性程度打分数据转换成矩阵，随后进行标准化处理：

3)计算第i行第j项指标值在整列指标值的比重：

4)计算指标信息熵，其中n是专家人数，计算公式为：

5)最后进行熵权法的权重计算，其中m是指标的数量，计算公式为：

S3：引入云理论的综合评估

水电机组故障机理复杂且故障类型繁多，在对水电机组进行状态评估构建过程中存在着大量的模糊性和随机性等不确定性，传统的模糊综合评判方法仅考虑了事物的模糊性，忽略了事物的随机性。然而云理论非常适合用于定性概念和定量计算之间的相互转换，它不仅考虑了事物发展的随机性，也考虑了事物发展的模糊性，是两者的完美结合方法，目前，成为了研究事物不确定性的重要手段，并已经在多个领域有所涉及和应用。在此种情况下，提出了一种引入云理论的水轮机状态评估方法。

S301水轮机状态等级划分和指标标准化

将水电机组的健康评估状态划分为四个等级：严重、异常、注意、正常。由于水轮机涉及的状态指标每个量纲都不一样，因此为了计算方便和最终结果的准确性，引入归一化指标量-相对劣化度，其计算公式为：

式中，X为相对劣化度值，取值范围为[0，100]；Xc为初始值；X0为实测值；Xs为警示值。如果计算得到的相对劣化度值X＜0，则令计算得到的相对劣化度值X＝0；如果计算得到的相对劣化度值X＞100，令计算得到的相对劣化度值X＝100。且Xs＝Xz/1.3。

S302正态云理论

正态云理论的实质是将事物的定性概念通过一些数学方法转化为定量计算，它实现了将事物的模糊性和随机性进行了结合，然后通过具体的数字表达式量化，主要的表示量为Ex、En、He。Ex代表的是数据的期望，表示事物定性概念的值；En代表的是数据的熵，表示事物概念不确定性的程度；He代表的是数据的超熵，也称为熵的熵，表示云理论中形成云滴的离散程度。

计算灯泡贯流式水轮机的各个指标在不同状态等级的隶属度，首先需要确定每个指标关于各个状态等级的Ex、En、He及Enn。本文根据表3中的公式计算每个指标在不同等级的数字特征Ex、En、He及Enn，得到各个指标关于各状态等级的云理论的数字特征。函数表3-4中Xc、Xz和Xs是各个指标初始值、注意值和警示值，且表中取q＝10。

表3级云理论的数字特征确定方法

在此灯泡贯流式水轮机状态评估模型中，依次带入各指标状态的数据，求出各个指标的Ex、En、He及Enn，然后带入公式中求出灯泡贯流式水轮机每个指标量在各个状态等级的隶属度K，K的计算公式为：

上式中，X为指标相对劣化度值；Ex为指标量的期望；Enn是一个正态随机数，且这个随机数以En为数学期望、He为数据的超熵。

Enn计算公式为：

Enn＝randn*He+En

引入云理论的水轮机状态评估方法步骤如下：

1)根据前文已经建立的灯泡贯流式水轮机多重状态评估体系，对其划分与前一个状态评估模型相同的状态等级，然后利用公式3-31求各个指标相对劣化度值；

2)利用表3-4和3-33的计算公式，分别求出每个指标量的Ex、En、He及Enn。然后再利用公式3-32计算各个指标状态隶属度，最后列出各个设备的模糊评判矩阵R(模糊评估矩阵R＝(r_ij)m×n，式中r_ij为第i个指标在第j个状态等级的隶属度值K)；

3)优化指标权重ω；

4)利用模糊综合评判法列出灯泡贯流式水轮机状态评估向量S，然后再利用参数评分向量，将状态评估向量转化为所对应的分数，最后得出水轮机及其它子设备的健康状态。

评估向量S求取方式：

式子中W为指标权重集，R为利用云理论列出的模糊评判矩阵。

5)由于云理论具有随机性特征，每次模型计算产生的结果都略有差异，因此采用公式多次计算取平均值的方法计算各设备的最后评分，最后来确定各设备的健康状况。

计算公式为：

式中，p为计算的次数，p值越大，评分的随机性也就越小，考虑计算的可操作性和精确性，优选地p＝8。

S4：根据水电机组状态评估结果应采取的检修策略。

得到水电机组运行状态从而为采取对应的检修策略提供依据。工作状态包含“完好、关注、劣化、严重”四个状态，并输出水电机组对应状态应采取的检修策略，检修策略包含A、B、C、D四个级别。

依托于上述方法，本发明还提供了一种水电机组状态评价***，包括以下模块：

数据读取模块：用于读取水电机组运行数据，包括历史数据和实时运行数据；

工况数据库模块：用于存储水电机组历史健康运行数据区间；

基于云理论的综合评判模块：用于建立水电机组的判断矩阵；

权值优化模块：用于优化部件的权值；

历史健康数据学习模块获取水电机组历史健康运行数据，将历史正常运行的海量数据按照工况进行划分，在各个工况区间利用3σ准则确定个工况的健康运行区间，并保存到健康数据库中；

云理论模块，根据工况数据查询健康数据库，获取评价区间，进而划分状态等级，利用云模型求隶属度，最后构建模糊判断矩阵；

权值优化模块包含专家打分模块，以专家打分作为权值优化依据，采用综合权值方法，该综合权值结合了层次分析法和熵权法，将层次分析法求取的权值和熵权法求取的权值经过融合，融合的方法如下式，其中Φ_AHP和Φ_EWM分别表示层次分析法和熵权法求取权值的融合系数，范围在0-1之间，且满足Φ_AHP+Φ_EWM＝1：

W_merged＝Φ_AHPW_AHP+Φ_EWMW_EWM

参见图1，水电站机组状态评估***的运行主要分为两个阶段：训练阶段、评估阶段。训练阶段具体运行步骤如下：

1)数据读取阶段，数据读存模块从机组运行数据库将历史健康运行数据读入***中；

2)利用3σ准则计算整体的健康运行区间，并存入健康数据库；

3)将历史正常运行的海量数据按照工况进行划分，在各个工况区间利用3σ准则确定个工况的健康运行区间，并存入数据库；

评估部分具体运行步骤如下：

1)数据读取阶段，通过数据读存模块从机组运行数据库将需要评估的数据读入***中；

2)通过工况数据，从健康数据库中读取相应的健康数据区间；

3)选择是否进行权值优化，如不选择优化，则按照预设值权值进行评估，如选择权值优化，则进入专家打分界面，根据专家打分的结果，模块计算出优化后的权值，并代替已有权值；

4)根据工况数据查询健康数据库，获取评价区间，进而划分状态等级，利用云模型求隶属度，最后构建模糊判断矩阵；

5)输出相应的结果和检修策略。

参见图4-图4，图4是水电机组状态评价主界面，图5是水电机组状态评价专家打分界面，从图4看出本***顺利发现机组的异常状态，并给出检修策略。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (11)

1.一种水电机组状态评价方法，其特征在于，包括以下步骤：

建立水电机组状态评价模型；

获取水电机组运行数据，通过所述水电机组运行数据获取机组正常数据区间；

构建机组模糊判断矩阵；

通过专家打分优化部件权值；

根据所述状态评价结果输出水电机组应采取的检修策略。

2.根据权利要求1所述的一种水电机组状态评价方法，其特征在于，所述水电机组状态评价方法依靠3σ准则学习历史正常数据的区间，从而作为机组评价的数据正常区间的依据。

3.根据权利要求1所述的一种水电机组状态评价方法，其特征在于，所述水电机组状态评价方法利用云理论进行综合评判，包括以下步骤：

获取待评价机组的运行数据；

根据工况数据查询健康数据对应的区间，如无法查询到相应的区间数据，则使用整体的健康数据所对应的区间；

划分状态等级；

利用云模型求隶属度；

构建模糊判断矩阵。

4.根据权利要求1所述的一种水电机组状态评价方法，其特征在于，所述水电机组状态评价方法能使用固定权值也能进行权值优化。

5.根据权利要求2所述的一种水电机组状态评价方法，其特征在于，所述水电机组状态评价方法既建立全工况的健康运行区间库，又建立不同工况下的健康运行区间库，包括以下步骤；

获取水电机组历史正常的运行数据；

利用3σ准则计算整体的健康运行区间；

将历史正常运行的海量数据按照工况进行划分，在各个工况区间利用3σ准则确定个工况的健康运行区间；

将整体的健康运行区间和各工况下的健康运行区间以数据库的形式存储。

6.根据权利要求4所述的一种水电机组状态评价方法，其特征在于，所述水电机组状态评价权值优化的方法结合了层次分析法和熵权法，包括以下步骤：

通过专家打分的形式，对同一层级的部件按照重要程度进行打分(0～100)；

按照专家打分，使用层次分析法进行部件权值的求取部件的权值，记为：W_AHP；

按照专家打分，使用熵权法进行部件权值的求取部件的权值，记为：W_EWM；

将层次分析法求取的权值和熵权法求取的权值经过融合，融合的方法如下式，其中Φ_AHP和Φ_EWM分别表示层次分析法和熵权法求取权值的融合系数，范围在0-1之间，且满足Φ_AHP+Φ_EWM＝1

W_merged＝Φ_AHPW_AHP+Φ_EWMW_EWM。

7.一种水电机组状态评价***，其特征在于，包括以下模块：

数据读取模块：用于读取水电机组运行数据，包括历史数据和实时运行数据；

工况数据库模块：用于存储水电机组历史健康运行数据区间；

基于云理论的综合评判模块：用于建立水电机组的判断矩阵；

权值优化模块：用于优化部件的权值；

策略模型：用于根据所述状态评价输出水电机组应采取的检修策略。

8.根据权利要求7所述的一种水电机组状态评价***，其特征在于，所述***包含专家打分模块，以专家打分作为权值优化依据。

9.根据权利要求7所述的一种水电机组状态评价***，其特征在于，所述权值可优化，采用综合权值方法，该综合权值结合了层次分析法和熵权法，将层次分析法求取的权值和熵权法求取的权值经过融合，融合的方法如下式，其中Φ_AHP和Φ_EWM分别表示层次分析法和熵权法求取权值的融合系数，范围在0-1之间，且满足Φ_AHP+Φ_EWM＝1

W_merged＝Φ_AHPW_AHP+Φ_EWMW_EWM。

10.根据权利要求7所述的一种水电机组状态评价***，其特征在于，所述水电机组状态评价***云理论模块，利用云理论模型求隶属度，构建模糊判断矩阵。

11.根据权利要求7所述的一种水电机组状态评价***，其特征在于，所述水电机组状态评价***还包括历史健康数据学习模块，所述历史健康数据学习模块模块用于所述水电机组状态评价的评价依据。

Images