随着我国能源结构转型的持续推进,抽水蓄能机组以其启停灵活、响应迅速、运行范围广等特点,在现代电力系统中发挥调峰调频、消纳电能、事故备用的关键作用,为提高供电侧电能质量、维护电网安全稳定运行,抽水蓄能电站智能化建设已成为水电行业发展的新方向。本文充分利用电站的基础设备信息和运行数据,对抽水蓄能机组进行模型机理探究和测量信号处理,开展系统运行状态的定量分析,实现了状态信号的特征提取和智能故障诊断,在此基础上,针对抽蓄电站特定工况下的实际工程应用场景,结合先进的系统集成理论和软件技术,完成电站网络化、可视化评估系统的设计与实现。本文主要研究内容和创新性成果如下:(1)与水电机组相比,抽水蓄能机组的运行状态更加复杂且转换频繁,工况切换过程中的水力大范围波动对过流管道、机组等设备的稳定运行产生了严重威胁。基于压力管道、调压室、球阀和水泵水轮机等关键过流部件的水力传播特性,引入各部件特征线方程构建了抽水蓄能机组调节系统的机理模型,提出基于GB-BP神经网络的水泵水轮机全特性曲线拟合方法,进而提升了机组参数的插值精度,通过将机组多种工况的数值仿真结果与实测数据对比,验证了所建机理模型的精度和适应性。(2)对水-机-电状态信号的预处理与分析,是评估抽水蓄能机组运行稳定水平的重要途径。本文结合压力脉动信号的特性,针对原始经验小波变换的信号分析方法的不足,提出了基于多尺度空间的自适应频谱分割改进措施和保证Hilbert谱图完整性的趋势项提取方法。在理论研究基础上,将该方法应用于某电站水泵断电工况下实测压力脉动信号的波形分析,有效提取出包含主要频率成分的模态分量,通过Hilbert谱图展现了特征频率的时空分布,并结合机理模型的机组参数仿真曲线对该工况下的机组运行状态进行了分析。(3)为实现抽水蓄能机组的无监督故障诊断和工况识别,解决传统FCM聚类无法自动优选聚类数,从而对未知故障模式识别失效的关键科学问题,研究提出混合编码的回溯搜索算法优化聚类有效性指标,对聚类数和聚类中心分别采取二进制和实数编码形式同时进行迭代进化,并通过经验小波分解、混合特征提取、主成分分析确定最终的信号特征子集。所提方法在轴承故障诊断实验和基于压力脉动信号的抽蓄机组运行工况识别实验(检验)中均取得了较高的分类精度。(4)依托工程项目中运行分析模块的实际业务需求,针对传统的电站控制优化与性能评估系统中存在的前后端高度耦合、开发任务不明确等缺点,设计了一种前端为Vue.js框架、后端基于Spring boot的前后端分离架构,实现了包含机组模型仿真、信号与指标分析等功能的抽水蓄能机组运行状态评估系统,并在实际工程中成功应用。