基于暂态录波与多元状态估计的阀冷系统故障预警及识别

江 楠 董 熙 高 原 谈云恺 蒋 伟

基于暂态录波与多元状态估计的阀冷系统故障预警及识别

江 楠1董 熙1高 原2谈云恺2蒋 伟1

（1. 南京南瑞继保电气有限公司，南京 210000； 2. 常州博瑞电力自动化设备有限公司，江苏 常州 213000）

阀冷系统是直流输电工程的重要设备之一，提高其故障预警及识别水平具有重要实用价值。利用主泵周期切换触发的双频暂态录波数据，提取系统在切泵扰动下的特征量，从而提高运算效率；提出基于聚类算法和切换工况相结合的动态过程记忆矩阵构建方法，根据多元状态估计得出估计向量，计算估计向量与观测向量的余弦相似度，采用3离群检测值作为预警阈值，然后根据预警观测向量与切换工况的耦合程度，以及3种故障类型对误差的贡献率实现故障识别。最后，通过案例分析验证了所提方法的有效性。

阀冷系统；双频暂态录波；多元状态估计；聚类算法；过程记忆矩阵；余弦相似度

0 引言

换流阀是直流输电工程的核心设备，为保证换流阀功率器件的有效散热，需要配置换流阀冷却系统[1-8]，简称阀冷系统。阀冷系统是典型的电气、机械、流体多专业融合的复杂系统，故障率高，严重影响直流输电可靠性。文献[9-11]统计的直流输电系统可靠性指标影响因素中，因阀冷系统导致直流系统强迫停运或临时停运的事故占比位居前列。目前，阀冷系统仅通过监测运行参数与限值对比来判断设备运行状态，通过设备冗余、仪表冗余提高系统可靠性[12]，检修方式仍采用传统的事后检修和有计划的预防检修，往往不能全面及时地了解系统的运行状态。

基于知识的专家系统、基于神经网络的智能化方法及多变量状态估计技术（multivariate state estimate technology, MSET）已逐步应用于火电机组和大型电力变压器等领域[13-19]。其中，MSET脱胎于非线性状态估计技术（nonlinear state estimate technology, NSET），因其具有多测点综合预警、数学模型简单等特点而得到广泛关注。文献[20]将MSET应用于火电厂引风机故障预警中，利用正常运行状态估计偏移度进行设备预警，实现多测点综合预警；文献[21]改进动态记忆矩阵并使用相似度函数作为故障预警依据；文献[22]使用奇异值分解法计算广义逆矩阵，提高计算效率；文献[23]提出一种基于余弦相似性的电力设备预警方法。上述研究均以数据采集与监视控制（supervisory control and data acquisition, SCADA）系统或分散控制系统（distributed control system, DCS）的运行监测数据作为趋势预警的单一数据来源。文献[24]将SCADA系统监测数据与结构参数等融合为能表征运行状态及失效程度的二次监测参数，扩展了MSET的分析维度，但由于SCADA/DCS监测数据的采集精度一般为min级，无法反映系统在某些短时大扰动工况下的运行特性，故障预警类型局限在温度、泄漏、结垢等缓慢变化的工况。

本文利用阀冷系统主泵周期切换产生的双频暂态录波数据，提取系统在切泵扰动下的特征量，提出基于最近邻分类算法（k-nearest neighbor, KNN）和切换工况识别相结合的动态过程记忆矩阵构建方法，根据多元状态估计得出估计向量，计算估计向量与观测向量的余弦相似度，采用3离群检测值作为预警阈值，最后根据预警观测向量与切换工况的耦合程度，以及3种故障类型对误差的贡献率实现故障识别。

1 阀冷系统及暂态录波

1.1 阀冷系统结构

阀冷系统示意图如图1所示，主要原理为：在主泵作用下，冷却介质源源不断流经换流阀，介质温度上升并将换流阀产生的热量带出，与外冷设备（空冷器、冷却塔或其组合）进行热量交换，使冷却介质温度降低至合理范围后再次流入换流阀，形成冷却介质的闭式循环。阀冷系统一般配置两台冗余的主泵（含电动机）及其阀门管路，一用一备。循环管路系统主要配置主泵止回阀、主泵出口蝶阀、三通阀、主过滤器等设备，测量仪表主要有进阀压力、主循环流量、主泵入口压力、主泵出口压力等表计。

图1 阀冷系统示意图

1.2 主泵切换

每台主泵具有两个独立的工作回路：工频旁路回路和软起回路。其中，软起回路通过软起动器调整输出电压，降低主泵电动机起动时对站用电系统的冲击，以及冷却介质水锤效应对管路的冲击力度，实现平滑起动。

为保证两台主泵的预期寿命、磨损程度均衡，主泵需进行周期切换，一般设置为一周。主泵正常运行时只有工频旁路投入，进行周期切换时，备用泵的软起动器先启动，电动机电流按设定的斜率上升至限制值，待电动机及主泵叶轮转速接近额定转速后，电流迅速降至额定电流，此时软起动器闭合内置旁路，经一段延时后，工频旁路投入，软起动器停止。主泵切换示意图如图2所示，为监视主泵的电气特性，配置母线电压互感器和电动机电流互感器。

为减少切换过程的冲击，一般不允许双泵重叠运行，因此系统的流量、压力等流体参量会迅速降低再逐渐恢复。为保证主泵切换造成的流体及机械扰动不会影响换流阀散热，阀冷控制保护系统需设置严格的电流、流量、压力等多级保护定值，并及时发出报警或请求跳闸指令。

1.3 双频暂态录波

在阀冷系统主泵切换过程中，电气、流体、机械等物理量的变化过程存在明显差异，阀冷控制保护系统需配置适应不同变化规律的多采样频率的暂态录波机制。双频暂态录波参数见表1，其中电气类录波采样频率为1 000Hz，录波时长为6s，而流体类变化相对缓慢，但是对采样精度要求不高，其采样频率为10Hz，录波时长最大可达120s，能涵盖多种扰动过程。典型的主泵切换双频暂态录波如图3所示。多种采样频率的暂态录波可由同一个录波触发信号使能。

图2 主泵切换示意图

表1 双频暂态录波参数

（a）电气类高频录波

（b）流体类低频录波

图3 主泵切换双频暂态录波

2 MSET建模

2.1 多元状态估计技术原理

多元状态估计技术是通过构建能代表设备正常运行状态的过程记忆矩阵，再根据设备状态参数与过程记忆矩阵的数学关系，反映当前设备运行状态是否偏离正常工作空间。其中，构建过程记忆矩阵的本质是对设备正常运行特性的学习和记忆过程。

如果一个新的观测向量obs，其估计向量est为过程记忆矩阵中线性相关变量的最优逼近向量，经推导得

式中，U为非线性运算符，用来代替普通矩阵运算中的乘法运算。非线性运算符有多种选择，一般取两向量间的欧式距离。

当设备或系统的工作状态发生变化时，观测向量将偏移正常运行空间，过程记忆矩阵中历史观测向量的组合无法构建其对应的精确估计值，导致估计精度下降，提示设备或系统出现潜在故障隐患。

2.2 暂态录波特征量

如果直接采用暂态录波数据构建矩阵，将生成一个三维的过程记忆矩阵，如图4所示。

为避免复杂的多维矩阵运算，有必要对三维过程记忆矩阵进行降维处理。冗余配置的主泵在每次周期切换过程中，电气、流体等主要物理量变化趋势基本一致，且阀冷控制保护系统都会设定相关的电量、非电量保护定值，因此根据暂态录波数据与保护定值的关系及系统本身的电气、流体特性提取主要特征量，即可避免将全量录波数据输入过程记忆矩阵。不同采样频率的暂态录波同时刻触发，可保证在时间维度对齐。对暂态录波数据提取特征量的过程本质上是对三维过程记忆矩阵在时间维度进行降阶。

图4 三维过程记忆矩阵

特征量不仅能反映正常的切泵过程，同时也能提示相关的故障类型并辅助故障识别。本文选取的暂态录波特征量见表2。

表2 暂态录波特征量

表2中，主泵压差由主泵出口压力与主泵入口压力作差得到，其反映主泵起动时的流体性能，进阀压力和主循环流量相关特征量反映切泵过程中，整个循环管路在主泵作用下的流体特性。上述特征量与暂态录波曲线示意图如图5所示。

由于提取的特征量量纲不同，且数量级差别较大，需要对其进行归一化处理，本文采用Z-score标准化方法，即

图5 特征量与暂态录波曲线示意图

式中：为标准化后的特征量；z为标准化前的特征量；为样本均值；为样本标准差。

2.3 基于聚类算法和切换工况的动态矩阵

过程记忆矩阵一般从训练集中通过抽样方法获得，无动态更新机制，如果系统或设备的运行工况发生变化，通过MSET模型得到的估计向量的精度会显著降低，且过程记忆矩阵中绝大多数历史向量处于无用状态，增加了运算复杂度。此时，通过聚类算法，在训练集中动态选取与估计向量最接近的若干历史向量作为矩阵，能提高MSET的估计精度。针对某个观测向量，本文采用KNN计算其与训练集中所有历史向量的欧式距离，有

对距离1,2,…,d进行排序，从中选择距离较小的个历史向量作为动态矩阵。

阀冷系统两台主泵在力学性能方面总是存在细微差别，且主泵及其管路（止回阀、出口蝶阀等）本身的故障率相对偏高，对于某个观测向量，通过暂态录波中的数字量（主泵起动、停止指令）识别出具体的切换工况（切换工况A，主泵1切换到主泵2；切换工况B，主泵2切换到主泵1），再针对性地从训练集中动态构建矩阵，能显著降低基于聚类算法的动态矩阵的计算量。动态过程记忆矩阵构建流程如图6所示。

2.4 故障预警与识别

观测向量输入MSET模型后得到估计向量，为了评估两者的相似度，并考虑每个特征量权重系数，计算其余弦相似度为

图6 动态过程记忆矩阵构建流程

式中：为估计向量与观测向量之间的夹角；w为第种特征量的权重系数；esti、obsi分别为估计向量和观测向量的第种特征量。

根据表2中特征量反映的故障类型，对3种故障情形按3:3:4的比例分配权重，避免某种类型选取的特征量数量过多而对整体误差产生干扰。每种故障类型内部的特征量权重系数可等分设定。

余弦相似度算法是在向量空间中用两个向量夹角的余弦值来衡量两个向量差异的大小，其取值范围为[-1, 1]。两向量在向量空间中的指向完全相同时为1，完全相反时为-1，两向量正交时为0。

观测向量余弦相似度的阈值可通过验证集统计得到，即针对验证集中的验证向量。同理求得其与验证估计向量的余弦相似度，计算其均值v和标准差，采用v3作为验证集余弦相似度的统计阈值。

若满足

则说明此时换流阀冷却的运行状态已经偏离正常工作区间，发出趋势预警信号，提醒运维人员检查设备状态。

对于满足预警条件的观测向量，在故障识别过程中，与构建动态记忆矩阵类似，可首先判断切换工况预警观测向量与切换工况是否有耦合关系。在某个时间窗口内，预警观测向量与切换工况的耦合程度用表示，即预警向量中切换工况A所占比例，则1-h表示切换工况B所占比例，满足

或

式中，为阈值，根据经验本文取0.4。由于周期切泵的时间间隔一般固定，可用样本数代替时间窗口，本文取=4（两种切换工况间隔发生两次）。另外，余弦相似度中每一类故障类型对应的特征量对总体误差的贡献率可用来识别故障位置，3种故障类型对应的误差贡献率分别为

故障预警及识别的流程如图7所示。

综上所述，基于暂态录波数据与MSET的阀冷系统故障预警及识别的完整流程如图8所示。

图8 基于暂态录波数据与MSET的阀冷系统故障预警及识别流程

3 案例分析

某换流站配置4套阀冷系统，收集其从2022年9月至2023年10月的周期切泵暂态录波数据作为研究对象。该站4套阀冷系统配置及参数完全相同，为了扩大模型的覆盖范围，可将上述4套阀冷系统的暂态录波统一处理。在该时间段发生若干起保护动作事件（电源异常、表计故障等）并触发录波，这些异常由阀冷保护系统判断，不在本文讨论范围内，故需剔除上述异常录波数据。已知该站第一套阀冷系统主泵P02的软起动器异常，故在确定训练集、验证集范围时将该套数据排除在外，并作为案例1。

经上述预处理过程后，对3套阀冷系统暂态录波数据提取特征量，并进行归一化处理，选取其中两套阀冷数据作为训练集，剩余一套数据作为验证集。根据本文第2节介绍，验证集和案例1的余弦相似度如图9所示。

经计算，验证集的平均余弦相似度为0.995，说明模型的预测准确性较高。验证集的标准差为0.004，根据式（7）取预警阈值为0.983。针对案例集，从图9可以看出超过预警阈值的样本与切换工况耦合明显，经计算得到耦合程度为100%，说明故障类型与切换工况A完全吻合，提示为故障类型1或2的可能性较大。

图9 验证集和案例1的余弦相似度

进一步，针对案例1中超过预警阈值的样本，各个故障类型对误差的贡献率如图10所示。从图10可以看出，故障类型1对误差的贡献率明显高于其他两种，其平均贡献率达到69%，说明故障位置可能在主泵电动机或者软起动器及开关等动力柜器件，且由于其他两类故障类型的占比小，说明故障程度较轻，并未引起系统的流量、压力等流体参数异常。

图10 案例1中超过预警阈值的样本中各故障类型的误差贡献率

通过核查案例1中两种切换工况的原始暂态录波波形，如图11所示，发现切换工况A的主泵电流没有按预期设定的程序达到限值后停止增大，经运行人员手动核查发现是该套阀冷主泵P02软起动器的定值设置有误。

（a）切换工况A

（b）切换工况B

图11 案例1中两种切换工况的原始暂态录波波形

阀门（三通阀、止回阀、蝶阀等）故障是阀冷系统常见的故障类型，由于缺少故障数据，本文将三通阀因环境温度较低时自动动作的实际过程作为案例2，来模拟三通阀故障。

案例2样本的余弦相似度及各故障类型的误差贡献率如图12所示，可以看出连续5个样本超出预警阈值，预警样本与切换工况的耦合程度=50%，说明故障与主泵关系较小。进一步核查发现，预警样本中故障类型3的误差贡献率较高，其平均贡献率高达96%，而其他两种故障类型的贡献率极低，说明故障位置可能在循环管路设备（三通阀、主过滤器等）上。经运行人员核查，在预警的样本时间内，三通阀因环境温度较低时自动动作，旁路外冷设备以保护管路系统。本案例可以作为循环管路设备（三通阀、主过滤器等）故障时的典型工况。

图12 案例2的余弦相似度及各故障类型误差贡献率

4 结论

本文利用阀冷系统主泵周期切换产生的双频暂态录波数据，提取系统在切泵扰动下的暂态录波特征量，提出基于聚类算法和切换工况识别相结合的动态过程记忆矩阵构建方法，根据多元状态估计得出估计向量，计算估计向量与观测向量的余弦相似度，采用3离群检测值作为预警阈值，最后根据预警观测向量与切换工况的耦合程度及3种故障类型对误差的贡献率实现故障识别。最后，通过案例分析验证了所提方法的有效性，具有实用价值。

[1] 刘泽洪, 郭贤珊, 乐波, 等. ±1100kV/12000MW特高压直流输电工程成套设计研究[J]. 电网技术, 2018, 42(4): 1023-1031.

[2] 张国华, 马根坡. 电压故障下的阀冷系统主泵切换逻辑分析[J]. 电网技术, 2021, 45(1): 189-197.

[3] 阮卫华, 王大伟, 张民幸. ±800kV哈密换流站阀外冷技术方案的比较与选择[J]. 电网技术, 2013, 37(7): 1820-1826.

[4] 江楠, 董熙, 邱树明, 等. 换流阀冷却控制系统的时滞稳定性分析[J]. 自动化与仪表, 2023, 38(4): 38-42, 58.

[5] 杨柏森, 任海莹, 孔德卿, 等. ±500kV柔性直流换流阀冷却系统方案设计[J]. 电气应用, 2021, 40(1): 83-90.

[6] 贺婷婷, 高兵, 杨帆, 等. 电-流-传质场作用下的换流阀冷却系统均压电极垢层动态沉积特性研究[J].电工技术学报, 2019, 34(14): 2863-2873.

[7] 李通, 刘鹏龙, 李宁瑞, 等. 垢层动态膜阻对换流阀冷却系统内均压电极动态沉积特性影响机理研究[J]. 电工技术学报, 2023, 38(7): 1695-1704.

[8] 张辉亮, 刘金革. 冷水机组在电力电子水冷却系统中的应用研究[J]. 电气技术, 2021, 22(1): 71-74.

[9] 张蔓, 杜松轩, 江一. 南方电网直流输电受端站点可靠性指标影响因素分析[J]. 高电压技术, 2017, 43(增刊2): 230-234.

[10] 张蔓, 张鹏, 郑望其, 等. 南方电网公司直流输电系统可靠性分析[J]. 南方电网技术, 2014, 8(2): 15-18.

[11] 李智勇, 张国华, 张国威, 等. 2009年国家电网公司直流输电系统可靠性分析[J]. 电网技术, 2010, 34(11): 77-80.

[12] 赵伟杰, 罗薇, 陈文, 等. 换流阀冷却系统模块超差等异常报警信号故障处理及原因分析[J]. 电气技术, 2021, 22(3): 69-73.

[13] 唐文虎, 牛哲文, 赵柏宁, 等. 数据驱动的人工智能技术在电力设备状态分析中的研究与应用[J]. 高电压技术, 2020, 46(9): 2985-2999.

[14] 臧国强, 刘晓莉, 徐颖菲, 等. 深度学习在电力设备缺陷识别中的应用进展[J]. 电气技术, 2022, 23(6): 1-7.

[15] 林骏捷, 林佳壕, 郭谋发. 基于多暂态特征量聚类的配电网接地故障区段定位方法[J]. 电气技术, 2023, 24(5): 16-22.

[16] 王步华, 朱劭璇, 熊浩清, 等. 基于长短期记忆神经网络的检修态电网暂态稳定评估方法[J]. 电气技术, 2023, 24(1): 29-35, 43.

[17] 杨杰, 李红梅, 赵春田, 等. 基于相似波形的漏磁检测缺陷信号小波分解及提取方法[J]. 电气技术, 2022, 23(6): 8-16.

[18] 涂彦昭, 高伟, 杨耿杰. 一种基于卷积神经网络和长短期记忆网络的光伏系统故障辨识方法[J]. 电气技术, 2022, 23(2): 48-54.

[19] 陈世群, 高伟, 陈孝琪, 等. 一种基于极限学习机和皮尔逊相关系数的光伏阵列故障快速诊断方法[J]. 电气技术, 2021, 22(10): 57-64.

[20] 刘涛, 刘吉臻, 吕游, 等. 基于多元状态估计和偏离度的电厂风机故障预警[J]. 动力工程学报, 2016, 36(6): 454-460.

[21] 余兴刚, 宾谊沅, 陈文, 等. 基于改进MSET的一次风机故障预警及诊断方法[J]. 机电工程, 2023, 40(4): 535-541.

[22] 孙建平, 赵立慧, 孙博扬, 等. 基于数据驱动与多变量状态估计的汽动引风机故障预警[J]. 热力发电, 2020, 49(1): 78-84.

[23] 张军军. 基于余弦相似性的在线监测系统智能预警方法[J]. 电气技术, 2023, 24(9): 65-70.

[24] 张凤丽, 潘辉, 王金江. 基于多元状态估计的热交换器多参数关联预警方法[J]. 化工学报, 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

国家电网公司总部科技项目（5500-202249130A-1-1-ZN）

2023-11-03

2023-11-27

江 楠（1989—），男，湖北京山人，硕士，从事高压直流输电换流阀冷却系统研发工作。