基于暫態錄波與多元狀態估計的閥冷系統故障預警及識別

江 楠 董 熙 高 原 談云愷 蔣 偉

基于暫態錄波與多元狀態估計的閥冷系統故障預警及識別

江 楠1董 熙1高 原2談云愷2蔣 偉1

（1. 南京南瑞繼保電氣有限公司，南京 210000； 2. 常州博瑞電力自動化設備有限公司，江蘇 常州 213000）

閥冷系統是直流輸電工程的重要設備之一，提高其故障預警及識別水平具有重要實用價值。利用主泵周期切換觸發的雙頻暫態錄波數據，提取系統在切泵擾動下的特征量，從而提高運算效率；提出基于聚類算法和切換工況相結合的動態過程記憶矩陣構建方法，根據多元狀態估計得出估計向量，計算估計向量與觀測向量的余弦相似度，采用3離群檢測值作為預警閾值，然后根據預警觀測向量與切換工況的耦合程度，以及3種故障類型對誤差的貢獻率實現故障識別。最后，通過案例分析驗證了所提方法的有效性。

閥冷系統；雙頻暫態錄波；多元狀態估計；聚類算法；過程記憶矩陣；余弦相似度

0 引言

換流閥是直流輸電工程的核心設備，為保證換流閥功率器件的有效散熱，需要配置換流閥冷卻系統[1-8]，簡稱閥冷系統。閥冷系統是典型的電氣、機械、流體多專業融合的復雜系統，故障率高，嚴重影響直流輸電可靠性。文獻[9-11]統計的直流輸電系統可靠性指標影響因素中，因閥冷系統導致直流系統強迫停運或臨時停運的事故占比位居前列。目前，閥冷系統僅通過監測運行參數與限值對比來判斷設備運行狀態，通過設備冗余、儀表冗余提高系統可靠性[12]，檢修方式仍采用傳統的事后檢修和有計劃的預防檢修，往往不能全面及時地了解系統的運行狀態。

基于知識的專家系統、基于神經網絡的智能化方法及多變量狀態估計技術（multivariate state estimate technology, MSET）已逐步應用于火電機組和大型電力變壓器等領域[13-19]。其中，MSET脫胎于非線性狀態估計技術（nonlinear state estimate technology, NSET），因其具有多測點綜合預警、數學模型簡單等特點而得到廣泛關注。文獻[20]將MSET應用于火電廠引風機故障預警中，利用正常運行狀態估計偏移度進行設備預警，實現多測點綜合預警；文獻[21]改進動態記憶矩陣并使用相似度函數作為故障預警依據；文獻[22]使用奇異值分解法計算廣義逆矩陣，提高計算效率；文獻[23]提出一種基于余弦相似性的電力設備預警方法。上述研究均以數據采集與監視控制（supervisory control and data acquisition, SCADA）系統或分散控制系統（distributed control system, DCS）的運行監測數據作為趨勢預警的單一數據來源。文獻[24]將SCADA系統監測數據與結構參數等融合為能表征運行狀態及失效程度的二次監測參數，擴展了MSET的分析維度，但由于SCADA/DCS監測數據的采集精度一般為min級，無法反映系統在某些短時大擾動工況下的運行特性，故障預警類型局限在溫度、泄漏、結垢等緩慢變化的工況。

本文利用閥冷系統主泵周期切換產生的雙頻暫態錄波數據，提取系統在切泵擾動下的特征量，提出基于最近鄰分類算法（k-nearest neighbor, KNN）和切換工況識別相結合的動態過程記憶矩陣構建方法，根據多元狀態估計得出估計向量，計算估計向量與觀測向量的余弦相似度，采用3離群檢測值作為預警閾值，最后根據預警觀測向量與切換工況的耦合程度，以及3種故障類型對誤差的貢獻率實現故障識別。

1 閥冷系統及暫態錄波

1.1 閥冷系統結構

閥冷系統示意圖如圖1所示，主要原理為：在主泵作用下，冷卻介質源源不斷流經換流閥，介質溫度上升并將換流閥產生的熱量帶出，與外冷設備（空冷器、冷卻塔或其組合）進行熱量交換，使冷卻介質溫度降低至合理范圍后再次流入換流閥，形成冷卻介質的閉式循環。閥冷系統一般配置兩臺冗余的主泵（含電動機）及其閥門管路，一用一備。循環管路系統主要配置主泵止回閥、主泵出口蝶閥、三通閥、主過濾器等設備，測量儀表主要有進閥壓力、主循環流量、主泵入口壓力、主泵出口壓力等表計。

圖1 閥冷系統示意圖

1.2 主泵切換

每臺主泵具有兩個獨立的工作回路：工頻旁路回路和軟起回路。其中，軟起回路通過軟起動器調整輸出電壓，降低主泵電動機起動時對站用電系統的沖擊，以及冷卻介質水錘效應對管路的沖擊力度，實現平滑起動。

為保證兩臺主泵的預期壽命、磨損程度均衡，主泵需進行周期切換，一般設置為一周。主泵正常運行時只有工頻旁路投入，進行周期切換時，備用泵的軟起動器先啟動，電動機電流按設定的斜率上升至限制值，待電動機及主泵葉輪轉速接近額定轉速后，電流迅速降至額定電流，此時軟起動器閉合內置旁路，經一段延時后，工頻旁路投入，軟起動器停止。主泵切換示意圖如圖2所示，為監視主泵的電氣特性，配置母線電壓互感器和電動機電流互感器。

為減少切換過程的沖擊，一般不允許雙泵重疊運行，因此系統的流量、壓力等流體參量會迅速降低再逐漸恢復。為保證主泵切換造成的流體及機械擾動不會影響換流閥散熱，閥冷控制保護系統需設置嚴格的電流、流量、壓力等多級保護定值，并及時發出報警或請求跳閘指令。

1.3 雙頻暫態錄波

在閥冷系統主泵切換過程中，電氣、流體、機械等物理量的變化過程存在明顯差異，閥冷控制保護系統需配置適應不同變化規律的多采樣頻率的暫態錄波機制。雙頻暫態錄波參數見表1，其中電氣類錄波采樣頻率為1 000Hz，錄波時長為6s，而流體類變化相對緩慢，但是對采樣精度要求不高，其采樣頻率為10Hz，錄波時長最大可達120s，能涵蓋多種擾動過程。典型的主泵切換雙頻暫態錄波如圖3所示。多種采樣頻率的暫態錄波可由同一個錄波觸發信號使能。

圖2 主泵切換示意圖

表1 雙頻暫態錄波參數

（a）電氣類高頻錄波

（b）流體類低頻錄波

圖3 主泵切換雙頻暫態錄波

2 MSET建模

2.1 多元狀態估計技術原理

多元狀態估計技術是通過構建能代表設備正常運行狀態的過程記憶矩陣，再根據設備狀態參數與過程記憶矩陣的數學關系，反映當前設備運行狀態是否偏離正常工作空間。其中，構建過程記憶矩陣的本質是對設備正常運行特性的學習和記憶過程。

如果一個新的觀測向量obs，其估計向量est為過程記憶矩陣中線性相關變量的最優逼近向量，經推導得

式中，U為非線性運算符，用來代替普通矩陣運算中的乘法運算。非線性運算符有多種選擇，一般取兩向量間的歐式距離。

當設備或系統的工作狀態發生變化時，觀測向量將偏移正常運行空間，過程記憶矩陣中歷史觀測向量的組合無法構建其對應的精確估計值，導致估計精度下降，提示設備或系統出現潛在故障隱患。

2.2 暫態錄波特征量

如果直接采用暫態錄波數據構建矩陣，將生成一個三維的過程記憶矩陣，如圖4所示。

為避免復雜的多維矩陣運算，有必要對三維過程記憶矩陣進行降維處理。冗余配置的主泵在每次周期切換過程中，電氣、流體等主要物理量變化趨勢基本一致，且閥冷控制保護系統都會設定相關的電量、非電量保護定值，因此根據暫態錄波數據與保護定值的關系及系統本身的電氣、流體特性提取主要特征量，即可避免將全量錄波數據輸入過程記憶矩陣。不同采樣頻率的暫態錄波同時刻觸發，可保證在時間維度對齊。對暫態錄波數據提取特征量的過程本質上是對三維過程記憶矩陣在時間維度進行降階。

圖4 三維過程記憶矩陣

特征量不僅能反映正常的切泵過程，同時也能提示相關的故障類型并輔助故障識別。本文選取的暫態錄波特征量見表2。

表2 暫態錄波特征量

表2中，主泵壓差由主泵出口壓力與主泵入口壓力作差得到，其反映主泵起動時的流體性能，進閥壓力和主循環流量相關特征量反映切泵過程中，整個循環管路在主泵作用下的流體特性。上述特征量與暫態錄波曲線示意圖如圖5所示。

由于提取的特征量量綱不同，且數量級差別較大，需要對其進行歸一化處理，本文采用Z-score標準化方法，即

圖5 特征量與暫態錄波曲線示意圖

式中：為標準化后的特征量；z為標準化前的特征量；為樣本均值；為樣本標準差。

2.3 基于聚類算法和切換工況的動態矩陣

過程記憶矩陣一般從訓練集中通過抽樣方法獲得，無動態更新機制，如果系統或設備的運行工況發生變化，通過MSET模型得到的估計向量的精度會顯著降低，且過程記憶矩陣中絕大多數歷史向量處于無用狀態，增加了運算復雜度。此時，通過聚類算法，在訓練集中動態選取與估計向量最接近的若干歷史向量作為矩陣，能提高MSET的估計精度。針對某個觀測向量，本文采用KNN計算其與訓練集中所有歷史向量的歐式距離，有

對距離1,2,…,d進行排序，從中選擇距離較小的個歷史向量作為動態矩陣。

閥冷系統兩臺主泵在力學性能方面總是存在細微差別，且主泵及其管路（止回閥、出口蝶閥等）本身的故障率相對偏高，對于某個觀測向量，通過暫態錄波中的數字量（主泵起動、停止指令）識別出具體的切換工況（切換工況A，主泵1切換到主泵2；切換工況B，主泵2切換到主泵1），再針對性地從訓練集中動態構建矩陣，能顯著降低基于聚類算法的動態矩陣的計算量。動態過程記憶矩陣構建流程如圖6所示。

2.4 故障預警與識別

觀測向量輸入MSET模型后得到估計向量，為了評估兩者的相似度，并考慮每個特征量權重系數，計算其余弦相似度為

圖6 動態過程記憶矩陣構建流程

式中：為估計向量與觀測向量之間的夾角；w為第種特征量的權重系數；esti、obsi分別為估計向量和觀測向量的第種特征量。

根據表2中特征量反映的故障類型，對3種故障情形按3:3:4的比例分配權重，避免某種類型選取的特征量數量過多而對整體誤差產生干擾。每種故障類型內部的特征量權重系數可等分設定。

余弦相似度算法是在向量空間中用兩個向量夾角的余弦值來衡量兩個向量差異的大小，其取值范圍為[-1, 1]。兩向量在向量空間中的指向完全相同時為1，完全相反時為-1，兩向量正交時為0。

觀測向量余弦相似度的閾值可通過驗證集統計得到，即針對驗證集中的驗證向量。同理求得其與驗證估計向量的余弦相似度，計算其均值v和標準差，采用v3作為驗證集余弦相似度的統計閾值。

若滿足

則說明此時換流閥冷卻的運行狀態已經偏離正常工作區間，發出趨勢預警信號，提醒運維人員檢查設備狀態。

對于滿足預警條件的觀測向量，在故障識別過程中，與構建動態記憶矩陣類似，可首先判斷切換工況預警觀測向量與切換工況是否有耦合關系。在某個時間窗口內，預警觀測向量與切換工況的耦合程度用表示，即預警向量中切換工況A所占比例，則1-h表示切換工況B所占比例，滿足

或

式中，為閾值，根據經驗本文取0.4。由于周期切泵的時間間隔一般固定，可用樣本數代替時間窗口，本文取=4（兩種切換工況間隔發生兩次）。另外，余弦相似度中每一類故障類型對應的特征量對總體誤差的貢獻率可用來識別故障位置，3種故障類型對應的誤差貢獻率分別為

故障預警及識別的流程如圖7所示。

綜上所述，基于暫態錄波數據與MSET的閥冷系統故障預警及識別的完整流程如圖8所示。

圖8 基于暫態錄波數據與MSET的閥冷系統故障預警及識別流程

3 案例分析

某換流站配置4套閥冷系統，收集其從2022年9月至2023年10月的周期切泵暫態錄波數據作為研究對象。該站4套閥冷系統配置及參數完全相同，為了擴大模型的覆蓋范圍，可將上述4套閥冷系統的暫態錄波統一處理。在該時間段發生若干起保護動作事件（電源異常、表計故障等）并觸發錄波，這些異常由閥冷保護系統判斷，不在本文討論范圍內，故需剔除上述異常錄波數據。已知該站第一套閥冷系統主泵P02的軟起動器異常，故在確定訓練集、驗證集范圍時將該套數據排除在外，并作為案例1。

經上述預處理過程后，對3套閥冷系統暫態錄波數據提取特征量，并進行歸一化處理，選取其中兩套閥冷數據作為訓練集，剩余一套數據作為驗證集。根據本文第2節介紹，驗證集和案例1的余弦相似度如圖9所示。

經計算，驗證集的平均余弦相似度為0.995，說明模型的預測準確性較高。驗證集的標準差為0.004，根據式（7）取預警閾值為0.983。針對案例集，從圖9可以看出超過預警閾值的樣本與切換工況耦合明顯，經計算得到耦合程度為100%，說明故障類型與切換工況A完全吻合，提示為故障類型1或2的可能性較大。

圖9 驗證集和案例1的余弦相似度

進一步，針對案例1中超過預警閾值的樣本，各個故障類型對誤差的貢獻率如圖10所示。從圖10可以看出，故障類型1對誤差的貢獻率明顯高于其他兩種，其平均貢獻率達到69%，說明故障位置可能在主泵電動機或者軟起動器及開關等動力柜器件，且由于其他兩類故障類型的占比小，說明故障程度較輕，并未引起系統的流量、壓力等流體參數異常。

圖10 案例1中超過預警閾值的樣本中各故障類型的誤差貢獻率

通過核查案例1中兩種切換工況的原始暫態錄波波形，如圖11所示，發現切換工況A的主泵電流沒有按預期設定的程序達到限值后停止增大，經運行人員手動核查發現是該套閥冷主泵P02軟起動器的定值設置有誤。

（a）切換工況A

（b）切換工況B

圖11 案例1中兩種切換工況的原始暫態錄波波形

閥門（三通閥、止回閥、蝶閥等）故障是閥冷系統常見的故障類型，由于缺少故障數據，本文將三通閥因環境溫度較低時自動動作的實際過程作為案例2，來模擬三通閥故障。

案例2樣本的余弦相似度及各故障類型的誤差貢獻率如圖12所示，可以看出連續5個樣本超出預警閾值，預警樣本與切換工況的耦合程度=50%，說明故障與主泵關系較小。進一步核查發現，預警樣本中故障類型3的誤差貢獻率較高，其平均貢獻率高達96%，而其他兩種故障類型的貢獻率極低，說明故障位置可能在循環管路設備（三通閥、主過濾器等）上。經運行人員核查，在預警的樣本時間內，三通閥因環境溫度較低時自動動作，旁路外冷設備以保護管路系統。本案例可以作為循環管路設備（三通閥、主過濾器等）故障時的典型工況。

圖12 案例2的余弦相似度及各故障類型誤差貢獻率

4 結論

本文利用閥冷系統主泵周期切換產生的雙頻暫態錄波數據，提取系統在切泵擾動下的暫態錄波特征量，提出基于聚類算法和切換工況識別相結合的動態過程記憶矩陣構建方法，根據多元狀態估計得出估計向量，計算估計向量與觀測向量的余弦相似度，采用3離群檢測值作為預警閾值，最后根據預警觀測向量與切換工況的耦合程度及3種故障類型對誤差的貢獻率實現故障識別。最后，通過案例分析驗證了所提方法的有效性，具有實用價值。

[1] 劉澤洪, 郭賢珊, 樂波, 等. ±1100kV/12000MW特高壓直流輸電工程成套設計研究[J]. 電網技術, 2018, 42(4): 1023-1031.

[2] 張國華, 馬根坡. 電壓故障下的閥冷系統主泵切換邏輯分析[J]. 電網技術, 2021, 45(1): 189-197.

[3] 阮衛華, 王大偉, 張民幸. ±800kV哈密換流站閥外冷技術方案的比較與選擇[J]. 電網技術, 2013, 37(7): 1820-1826.

[4] 江楠, 董熙, 邱樹明, 等. 換流閥冷卻控制系統的時滯穩定性分析[J]. 自動化與儀表, 2023, 38(4): 38-42, 58.

[5] 楊柏森, 任?，? 孔德卿, 等. ±500kV柔性直流換流閥冷卻系統方案設計[J]. 電氣應用, 2021, 40(1): 83-90.

[6] 賀婷婷, 高兵, 楊帆, 等. 電-流-傳質場作用下的換流閥冷卻系統均壓電極垢層動態沉積特性研究[J].電工技術學報, 2019, 34(14): 2863-2873.

[7] 李通, 劉鵬龍, 李寧瑞, 等. 垢層動態膜阻對換流閥冷卻系統內均壓電極動態沉積特性影響機理研究[J]. 電工技術學報, 2023, 38(7): 1695-1704.

[8] 張輝亮, 劉金革. 冷水機組在電力電子水冷卻系統中的應用研究[J]. 電氣技術, 2021, 22(1): 71-74.

[9] 張蔓, 杜松軒, 江一. 南方電網直流輸電受端站點可靠性指標影響因素分析[J]. 高電壓技術, 2017, 43(增刊2): 230-234.

[10] 張蔓, 張鵬, 鄭望其, 等. 南方電網公司直流輸電系統可靠性分析[J]. 南方電網技術, 2014, 8(2): 15-18.

[11] 李智勇, 張國華, 張國威, 等. 2009年國家電網公司直流輸電系統可靠性分析[J]. 電網技術, 2010, 34(11): 77-80.

[12] 趙偉杰, 羅薇, 陳文, 等. 換流閥冷卻系統模塊超差等異常報警信號故障處理及原因分析[J]. 電氣技術, 2021, 22(3): 69-73.

[13] 唐文虎, 牛哲文, 趙柏寧, 等. 數據驅動的人工智能技術在電力設備狀態分析中的研究與應用[J]. 高電壓技術, 2020, 46(9): 2985-2999.

[14] 臧國強, 劉曉莉, 徐穎菲, 等. 深度學習在電力設備缺陷識別中的應用進展[J]. 電氣技術, 2022, 23(6): 1-7.

[15] 林駿捷, 林佳壕, 郭謀發. 基于多暫態特征量聚類的配電網接地故障區段定位方法[J]. 電氣技術, 2023, 24(5): 16-22.

[16] 王步華, 朱劭璇, 熊浩清, 等. 基于長短期記憶神經網絡的檢修態電網暫態穩定評估方法[J]. 電氣技術, 2023, 24(1): 29-35, 43.

[17] 楊杰, 李紅梅, 趙春田, 等. 基于相似波形的漏磁檢測缺陷信號小波分解及提取方法[J]. 電氣技術, 2022, 23(6): 8-16.

[18] 涂彥昭, 高偉, 楊耿杰. 一種基于卷積神經網絡和長短期記憶網絡的光伏系統故障辨識方法[J]. 電氣技術, 2022, 23(2): 48-54.

[19] 陳世群, 高偉, 陳孝琪, 等. 一種基于極限學習機和皮爾遜相關系數的光伏陣列故障快速診斷方法[J]. 電氣技術, 2021, 22(10): 57-64.

[20] 劉濤, 劉吉臻, 呂游, 等. 基于多元狀態估計和偏離度的電廠風機故障預警[J]. 動力工程學報, 2016, 36(6): 454-460.

[21] 余興剛, 賓誼沅, 陳文, 等. 基于改進MSET的一次風機故障預警及診斷方法[J]. 機電工程, 2023, 40(4): 535-541.

[22] 孫建平, 趙立慧, 孫博揚, 等. 基于數據驅動與多變量狀態估計的汽動引風機故障預警[J]. 熱力發電, 2020, 49(1): 78-84.

[23] 張軍軍. 基于余弦相似性的在線監測系統智能預警方法[J]. 電氣技術, 2023, 24(9): 65-70.

[24] 張鳳麗, 潘輝, 王金江. 基于多元狀態估計的熱交換器多參數關聯預警方法[J]. 化工學報, 2022, 73(2): 814-826.

Fault warning and identification of valve cooling system based on transient recording and multivariate state estimation

JIANG Nan1DONG Xi1GAO Yuan2TAN Yunkai2JIANG Wei1

(1. NR Electric Co., Ltd, Nanjing 210000; 2. NR Electric Power Electronics Co., Ltd, Changzhou, Jiangsu 213000)

Valve cooling system is one of the important equipment in DC transmission engineering, and improving the level of its fault warning and identification has important practical value. The dual frequency transient recording data triggered by the main pump cycle switching is used to extract the system’s characteristic quantities under pump switching disturbance, thereby improving operational efficiency. A dynamic process memory matrix construction method based on a combination of clustering algorithm and switching conditions is proposed. An estimation vector based on multivariate state estimation is obtained. The cosine similarity between the estimation vector and the ob-servation vector are calculated. 3outlier detection is used as the warning threshold, and then fault identification is achieved based on the coupling degree between the warning observation vector and the switching condition, as well as the contribution of the three fault types to the error. Finally, the effectiveness of the proposed method is verified through case analysis.

valve cooling system; dual frequency transient recording; multivariate state estimation; clustering algorithm; process memory matrix; cosine similarity

國家電網公司總部科技項目（5500-202249130A-1-1-ZN）

2023-11-03

2023-11-27

江 楠（1989—），男，湖北京山人，碩士，從事高壓直流輸電換流閥冷卻系統研發工作。