瓦斯发电机组外循环冷却系统节能改造

原宽

【摘 要】目前，我国的各行各业的发展迅速，发电机组的安全与稳定运行是电网能否稳定运行的先决条件，对发电机组进行实时状态监测与故障诊断可及时发现电网的隐患，且对保证发电机组的稳定运行具有重大意义。发电机一般由定子、转子、端盖、机座以及轴承等零部件组成，而每个单独的零部件又由很多的零部件构成。由于发电机的组成元件过于复杂，因此如何有效设计发电机组的监测点、有效提取到发电机组的状态信息就尤为困难。因此，有效地对发电机进行状态监测与故障诊断具有很高的工程应用价值与实际意义。

【关键词】瓦斯发电机组;外循环冷却系统;节能改造

引言

煤矿瓦斯发电机组采用外循环的冷却水开式设计，一套冷却水循环系统可供多台发电机组冷却降温，存在不节能现象。现从冷却水循环系统节水、节电两方面入手，着重分析冷却水循环系统的运行方式，根据瓦斯发电机组的开机率改变其对应的运行方式。通过运行数据分析，节能改造取得了很好的经济效益，达到节水、节电的目的。

1发电机电压表指示有误，影响并网10个小时

2001年10月6日，1号机组多次并网操作中，自动同期装置均不能输出合闸信号，导致10个小时不能并网;并伴随过激磁V/HZ保护动作报警，但发电机电压表计指示为20kV、空载频率指示50HZ，均为额定值。期间，电气维修人员对自动同期装置、AVR系统、并网TV二次电压输出、各测量回路、电气保护及逻辑、并网断路器及其操作回路等进行了全面排查，未发现异常。当了解上述情况后，立即建议更换发电机20kV电压表。措施采纳后，发电机很快并网成功。即在不到10分钟内解决了10个小时不能并网的重大事件。异常的正确判断，是由一组数据开始的。当时，发电机出口电压及主励磁机空载励磁电流、励磁电压表指示分别为20kV、60.5A、4.05V。在正常空载额定运行时，由于定子铁芯磁通未进入磁饱和状态，上述三个特性数据相互之间应为线性比例（或接近线性比例）关系，而当时这种对应关系实际发生了一点偏差。即励磁参数60.5A、4.05V之间呈现对应关系，而励磁参数60.5A、4.05V与发电机出口电压20kV之间均不能比例对应。并且主励磁机空载励磁电流、励磁电压已大于额定空载数值（57A、3.84V）5%左右，而发电机电压为20kV，等于额定值。由此可判断：既然励磁参数之间符合比例关系，那么主励磁机空载励磁电流、励磁电压表应判断为指示准确;而由发电机电压与空载励磁电流、励磁电压均不成比例，且已校验其传感器输出正常，可初步判断发电机电压表表头指示有误，即偏小。这是此次异常分析的关键。因励磁参数已超过空载值，虽然发电机电压表计指示相对偏小，但实际开入同期装置的电压量可能已偏大，并超出允许范围，这同时可由V/HZ保护报警证实，并由此保护动作闭锁了自动同期装置，所以机组不能并网。并网时，操作及技术人员疏忽了主励磁机空载励磁电流、励磁电压与发电机电压数值的线性对应关系，过度依赖指示有误的发电机电压表，为满足电机出口额定为20kV电压的并网条件，过度升高了励磁参数，使发电机实际电压超出范围而不能实现并网。根据多年经验，每次并网发电机电压达20kV时，受各种因素的影响，空载励磁电流及励磁电压与其额定值总有一点偏移，这是造成疏忽的主要原因。另外，该机组电气表采用美国GE公司产品，投产10多年，从未发生差错，这也是本次并网异常未能及时正确分析的原因之一。根据上述分析，现场更换了电压表，实际发电机电压已超过21kV，证明判断正确，也就及时解决了此次并网异常。

2概述

公司煤层气公司下属瓦斯发电场由6个发电站组成，共装机17台，总装机容量8.5？MW。瓦斯发电机组外循环冷却泵耗电是电站自用电的主要组成部分。原设计外循环冷却泵两用一备，可以满足3台机组同时运行时的冷却水量要求，而单台机组运行时的裕量被大量浪费。另据统计，由于气源紧张，2009年瓦斯发电场各发电站单台机组运行时间超过全年运行时间的65%以上，可见因单机运行造成的外循环冷却泵的裕量浪费是巨大的。经对系统进行分析提出：将可以保证3台机组同时运行的两用一备外循环冷却泵的工作方式变为单台机组运行时一用两备的工作方式，在节电的同时减少上塔冷却水的散失，达到节水的目的。瓦斯发电场下设6个发电站，按每站单机全年累计运行8个月计算，则可以实现节约用电3.8×105？kW·h，節约用水1.6×104？m3，折合节约费用约2.27×105元。

3基于大数据技术发电机故障诊断

3.1聚类算法

基于大数据挖掘技术的设备故障诊断方法是通过故障异常状态参量的聚类分析来挖掘设备异常的故障模式。在本文中主要通过DBSCAN（Density-BasedSpatialClusteringofApplicationswithNoise），基于密度的聚类算法）。DBSCAN是一种常见的聚类算法，其用于聚类的基本思想可以简述如下：（1）DBSCAN通过检查数据集中每个点的δ邻域（该邻域的大小由算法给定）来搜索簇，如果任意一点的δ邻域包含多于给定点数，则创建一个以该点为核心对象的簇;（2）接步骤（1），如果簇内的每一个点均满足聚类条件则对簇进行拓展，否则计该点为噪声点;（3）重复步骤（2），当没有新点添加到任何簇时，迭代过程结束。最终可以得出聚类的类别与数目。

3.2异常检测

大数据挖掘技术主要通过异常检测的方式来实现对故障的监测。异常检测的方法有很多，例如隔离森林、局部异常因子监测、自组织映射神经网络（self-organizedmaps，SOM）等。其中本文采用的基于SOM异常检测方法，SOM的学习过程不同一般的神经网络，其可以不用提前给定任何目标输出。其基本思想上可以简述为：当输入矢量输入到网络后，网络利用随机选取的权值进行计算，寻找到最优的神经元，然后调整权值，用收缩邻域与学习因子（随时间而收缩）的办法，最终使取值形成一组能映射输入的数据，当网络自组织形成时，训练即结束。一般而言SOM的神经元是一个二维规则的单元格（一般有六边形、矩形），其中每一个神经元均可以由一组向量表达邻近神经元，且神经元之间是根据一定的拓扑关系进行关联。其中SOM的实现步骤可以简述为，将输入特征向量进行归一化后，反复训练SOM。每训练一步，计算SOM权值与特征向量之间的“欧式距离”，最终选取最短距离的神经元为最佳匹配单元（Bestmatchingunit，BMU），BMU的本质就是权值矢量与输入向量之间最为接近的单元。

结语

文章所提的基于大数据挖掘技术的发电机故障诊断与预测性维护技术，在一定程度实现了发电机的故障诊断。在此基础之上实现了对发电机的预测性维护，该方法避免了传统状态监测与故障诊断方法的不足，进一步提高了发电机的状态监测与故障诊断效率。进一步提升了海上电网的安全性能，提高了实际工程应用价值。

参考文献：

[1]陈雪峰，李继猛，程航，等.风力发电机状态监测和故障诊断技术的研究与进展[J].机械工程学报，2011，47（009）：45-52.

[2]汪喆.基于大数据分析的风电机组运行状态监测评估[D].2016.

[3]任震，黄群古，黄雯莹.基于实值小波变换的发电机故障检测新方法[J].中国电机工程学报，2000，020（006）：58-60，64.

[4]张佰顺.风力发电机状态监测和故障诊断技术的研究[J].黑龙江科技信息，2014（30）：61-61.

（作者单位：河南工学院）