面向智能运维的抽水蓄能机组异常流型识别：方法、系统及应用验证

《Energy》：Abnormal flow pattern identification for pumped-storage units toward intelligent operation and maintenance: methods, system, and application validation

　　摘要
随着间歇性可再生能源大规模接入电力系统，泵水轮机越来越常在非设计工况下运行，异常流动模式成为影响其运行安全与稳定的关键因素。因此，准确检测和识别此类流动模式已成为基于状态条件的电厂运维中的重要挑战。然而，由于基于机理的模型实时性不足，以及数据驱动方法中特征的可解释性有限，异常流动模式的识别技术发展长期受到制约。为应对这些难题，本文系统提出了一种用于抽水蓄能机组异常流动模式监测与识别的智能框架。首先，本文提出一种融合能量与复杂性特征的非线性动态指标——复合多尺度均方注意力熵（CMRAE），用以高效描述不同流动条件下压力脉动信号的动态演化规律。随后，结合数据采集、特征提取以及基于CMRAE和机器学习理论的模式识别技术，构建了异常流动模式识别框架。此外，本文还设计并实现了由设备层、数据层、模型层和服务层构成的抽水蓄能机组异常流动模式识别系统，并已在某微型抽水蓄能电站的两台机组上成功应用。实验结果表明，该框架在两种异常流动模式场景下的识别准确率均不低于99%，较其他主流识别模型高出约3个百分点，充分证明了其优势。同时，该系统对异常流动模式的报警率达100%，体现了其强大的识别能力与运行稳定性。总体而言，本文为抽水蓄能机组的早期异常流动模式识别及智能运维提供了实用解决方案，兼顾了物理可解释性、实时性能与工程适用性，对于提升运行安全性、降低非计划停机风险具有重要的工程价值。

引言
在全球能源转型的背景下，风能和光伏等可再生能源的占比持续上升。截至2024年，全球风电装机容量约为1,133吉瓦，光伏发电装机容量则达到约1,865兆瓦，二者合计约占全球可再生能源装机容量的67%[1]。随着这一趋势的加速，储能技术的发展变得愈发重要，它不仅是缓解可再生能源发电间歇性与不确定性的关键手段，也有助于保障现代电力系统的安全稳定运行[2]。作为最为成熟的储能技术之一，抽水蓄能水电具有较高的运行可靠性、较大的转动惯量以及灵活的多时间尺度响应能力。正因如此，它在电力系统总储能容量中占比达54.3%，成为最主要的储能技术[3]。

目前，抽水蓄能电站正步入智能运行时代，传统计划性维护正在向以状态为基础的智能运维系统转变[4][5]。在这种模式下，对关键能量转换设备进行早期故障识别已成为重要的研究与工程任务。抽水蓄能机组属于典型的水力-机械-电气耦合系统，存在多种故障机制[6]。随着制造精度和安装标准的不断提高，由加工误差或装配偏差引起的传统结构缺陷已显著减少。相比之下，由非设计工况引发的异常水力流动模式却日益成为威胁泵水轮机安全运行的主要因素[7][8]。这类异常流动模式所引起的压力脉动会导致泵水轮机产生严重振动与噪音，进而可能危及抽水蓄能电站的安全稳定运行。因此，在复杂工况下有效识别异常水力流动模式已成为一项具有重大工程价值的研究课题[9]。

近年来，许多研究人员运用计算流体动力学和有限元方法对泵水轮机内部流动行为进行了深入研究。他们基于高精度的机理模型，模拟了不同异常水力状态对设备安全的影响，并系统总结了与之相关的物理机制[10][11][12][13][14]。例如，Lai等人[10]通过数值模拟成功再现了涡旋带的形成、发展直至最终破裂的全过程，还识别出了不同阶段的特征压力波动频率，为水力优化提供了宝贵的工程指导。Li等人[14]则模拟了弗朗西斯涡轮机中涡旋带的演化过程，通过结合局部熵产生率与混沌特性分析，揭示了螺旋形涡旋带引发异常压力脉动的机制，为降噪和水力性能优化提供了针对性的技术路径。这些数值模拟方法为了解泵水轮机中异常流动模式的形成机制及其外部表现提供了重要启示。然而，它们仍存在若干局限性：1）物理模型通常是在特定假设基础上建立的，尽管构建高度精细的模型需要大量时间和计算资源，但其预测结果在复杂的实际工况下仍可能与真实情况存在偏差；2）高精度数值模拟对计算资源要求极高，难以满足工程应用中实时分析或快速优化的需求，从而限制了其在电厂运行中的实际应用前景。

为应对这些挑战，电厂运营方越来越希望基于运行数据直观识别潜在的异常流动模式，这推动了基于数据驱动方法的异常流动状态早期检测技术的发展。数据驱动方法依托真实的历史运行数据，通过信号处理、特征提取和深度学习等技术挖掘数据中蕴含的关键异常特征，从而帮助识别泵水轮机中的异常流动状态[15]。其中，信号处理方法通常利用频域或时频域工具分析泵水轮机的关键信号（如振动和压力脉动），并识别出能够指示异常流动模式存在的特征频率[16][17][18][19][20]。例如，Wang等人[17]提出了Convkurgram方法，该方法能够从尾水管振动信号中高效提取窄带低频和宽带高频特征，从而帮助电厂更准确地定位涡轮机中潜在的异常涡旋带。Gohil等人[18]则运用快速傅里叶变换分析了不同流量系数和尾水管浸没深度下低水头涡轮机压力脉动的频率特性，据此判断该机组在此类工况下存在汽蚀损伤的风险。尽管这些信号处理方法能够给出直观的结果，但其实际应用仍面临诸多挑战，包括参数调整困难（如窗口设置）、对不同类型信号的适应性有限，以及对电厂操作人员的技术要求较高。因此，它们的大规模工程应用仍然受到限制。

作为近年来兴起的技术框架，深度学习算法凭借其复杂的神经网络结构，在监测水轮机中的异常流动模式方面展现出优异的性能[21][22][23][24][25]。例如，Zheng等人[21]提出了一种基于贝叶斯卷积神经网络的方法，用于高效检测泵水轮机无叶片区域的异常流动模式。Wang等人[25]则基于循环平稳扩展字典学习开发了一种涡旋带识别模型，该模型在物理模型试验台上取得了良好的验证效果。这种方法无需手动调整参数或配置，但其特征的可解释性较差，且对数据质量依赖度高，因此其在工程应用中的推广前景受限。为克服这些局限，电厂越来越多地倾向于采用兼具物理可解释性的基于信号的定量指标，并结合机器学习或统计方法来识别异常流动状态，这种策略通常被称为特征提取。

目前，特征提取指标已从传统的时域和频域指标[26][27]发展为包括能量指标和非线性动态指标在内的多种类型，主要是因为传统指标在表征复杂信号中所蕴含的隐含信息方面存在不足。基于能量的指标主要反映信号的总体幅度水平，对幅度波动极为敏感，因此在一定程度上可用于表征水轮机中的异常流动模式[28][29]。例如，Lu等人[28]利用基于能量的指标对水轮机尾水管压力脉动信号的动态特征进行了分析，成功建立了功率输出与提取特征之间的关系曲线，从而为涡轮机的推荐运行范围提供了依据。然而，基于能量的指标也存在对噪声敏感度过高以及难以表征信号的非线性特征等问题。相比之下，非线性动态指标能够捕捉复杂时间序列信号中所蕴含的非线性、非平稳性和多尺度特征，为描述机械和液压故障模式的演化提供了更具物理意义的特征，因此近年来受到了越来越多的关注[30][31]。一般来说，非线性动态指标可分为基于熵的模型和基于非熵的模型两类。前者源自信息熵理论及其衍生理论，包括样本熵[32]、排列熵[33]、模糊熵[34]、离散熵[35]、斜率熵[36]等。后者则基于非线性动力系统理论和分形几何学发展而来，主要包括复杂性度量[37]、分形维数[38]、庞加莱图[39]及相关指标。这些非线性动态指标最初起源于金融时间序列分析和机械故障诊断等领域，现已逐渐扩展到众多工程领域，并在水轮机异常流动模式的识别方面取得了显著进展[40][41][42][43]。例如，Zhou等人[41]利用多尺度排列熵（MPE）提取了原型泵水轮机中不同涡旋带状态的特征，并结合随机森林（RF）实现了对这些流动模式的准确识别。Zheng等人[43]则基于广义精细化复合多尺度斜率熵（GRCMSE）和深度学习，为泵水轮机无叶片区域开发了一种异常流动模式识别模型，能够准确识别所有流动状态。尽管这些指标在识别泵水轮机异常流动模式方面具有显著优势，但仍存在一些局限性：1）非线性动态指标过度关注信号的复杂性，而对幅度和能量这两个关键特征关注不足，这限制了它们全面表征信号特征的能力；2）现有的主流非线性动态指标通常依赖于参数调整，而不同类型的信号所需的最优参数各不相同，使得参数选择十分复杂且难以标准化；3）与许多故障诊断研究类似，现有研究主要侧重于算法创新，而对这些指标在实际运维环境中的实时性能及应用可行性关注不足。

为解决这些问题，本文旨在构建一种新型且实用的泵水轮机异常流动模式监测框架，并将其拓展为适用于实际运维环境的异常状态识别与监测系统。为此，本文开展了以下工作：
? 我们提出了一种无参数的非线性动态指标——RMS-注意力熵（RAE），该指标通过引入均方根值来整合信号的幅度/能量特征，从能量和复杂性两个角度对压力脉动信号的特征进行量化。
? 我们进一步将RAE拓展为多尺度形式，提出了复合多尺度RMS-注意力熵（CMRAE）。该指标采用复合多尺度处理方案（无需考虑粗化起始点、降低估计方差并提高鲁棒性），作为分析抽水蓄能机组压力脉动信号的核心特征提取工具。
? 我们构建了一个集成数据采集、特征提取和模式识别的泵水轮机异常流动模式识别框架，其中CMRAE和随机森林是核心组成部分。基于该框架，我们开发了泵水轮机异常流动模式识别系统，并将其应用于微型抽水蓄能电站的实时监测研究中。

本文的其余部分安排如下：第2节阐述该框架的理论基础及整体系统开发架构；第3节介绍所提框架的技术路线；第4节通过微型抽水蓄能电站的两个应用案例展示该系统的实现效果。第5节对研究进行了总结，并指出了未来工作的方向。方法论本文开发的异常流型识别框架以CMRAE和RF作为主要算法，其中CMRAE是RAE的结构扩展。因此，第2节依次介绍了RAE、CMRAE和RF的理论基础及实现细节。此外，第2.4节简要概述了所提出的PSU异常流型识别系统的整体设计理念和数据流架构。所提框架的总体架构本文基于CMRAE和RF开发了一种用于PSU的异常流型识别框架，并使用微型PSHP进行了多场景应用与验证。所提框架的总体架构如图4所示。如图4所示，该框架主要包括以下步骤：步骤1：压力信号采集与预处理首先，在PSU的引水管入口处安装压力传感器，并连接其信号线。案例研究为验证所提框架在识别PSU异常流型方面的适应性，第4节基于微型PSHP进行了多场景验证实验。在此基础上，进一步评估了该系统的实用性。本研究中的微型PSHP是根据中国的一个原型机组设计的，按照17.357的径向相似比和42.366的轴向相似比构建，从而形成了一种能够进行实验的物理设施。结论为解决抽水蓄能电力系统安全稳定运行的关键工程问题，本文提出了一种用于PSU的异常流型识别框架。以微型PSU为研究对象，通过数值模拟、实验验证和系统开发等系统性工作流程进行了大量分析与验证。基于这些研究，主要结论如下：(1)本文提出了CMRAE……作者贡献声明赵占鹏：可视化、验证。尹秀兴：验证、监督。何向辉：可视化、验证。胡晓溪：可视化、验证。赵志高：监督、资金获取、数据整理。陈飞：可视化、验证、研究、概念设计。未引用参考文献[54]、[55]、[56]、[57]、[58]、[59]、[60]、[61]。数据可用性声明如合理请求，将提供相关数据。利益冲突声明?作者声明没有已知的财务利益或个人关系可能影响本文所述的工作。致谢本研究得到了国家自然科学基金（52579090, U24B20108）、中央高校基本科研业务费（1404-413000362）以及湖北省自然科学基金一般项目（2024AFB748）的支持。赵志高|陈飞|何向辉|胡晓溪|赵占鹏|尹秀兴中国湖北省武汉市武汉大学水资源工程与管理国家重点实验室，邮编430072