iP9000水電廠設備診斷分析技術研究與實現

陳小松，張 煦，文正國，向文平，閆亞男，劉 任，

（1.北京中水科水電科技開發有限公司，北京100038；2.國電大渡河瀑布溝水力發電總廠，四川 漢源625304）

0 前言

iP9000是北京中水科水電科技開發有限公司最新研發的“智能對象一體化平臺”，集成了豐富的監控系統、水情水調等功能模塊，具有模型標準化、數據對象化、應用智能化以及應用一體化等技術特征，可廣泛應用于水電廠、梯級集控、風電場、風電集控、水風光互補集控和新能源電廠等[1-2]。

基于iP9000平臺的水電廠設備診斷分析技術研究與實現，不僅是對iP9000平臺的功能擴充，更重要的是利用平臺數據共享優勢，對存儲的海量數據進行深度挖掘，對水電廠設備進行實時在線的診斷分析，同時挖掘設備的運行規律，及早發現設備隱患，防范事故于未然，從而實現設備健康感知、安全感知、性能感知及預測分析，為智慧檢修提供關鍵技術和應用模型的支撐，為智慧電廠建設添磚加瓦[3-4]。

1 系統總體設計

本系統利用iP9000平臺公用服務接口，擴展開發了前臺WEB綜合分析展示、后臺智能分析與專家系統分析，以及全廠設備分析報告智能生成等功能模塊，實現基于iP9000平臺的水電廠設備診斷分析應用。系統總體功能結構如圖1所示，前端采用最新WEB技術，融合BS與CS模式，可在Windows、Linux、智能手機等不同平臺下使用，最大限度地滿足了不同用戶需求；后臺采用當前流行的大數據分析技術與方法，對設備進行智能分析以及專家系統分析，同時結合組態編程，實現了全新的可視化編程技術，為用戶提供能夠快速構建水電自動控制系統監控功能的通用層次工具；此外，利用全廠設備診斷分析報告模塊能夠按需自動生成全廠設備診斷分析報告。

圖1 系統功能結構示意圖

2 前端交互及展示

系統前端采用最新WEB技術，融合BS與CS模式，可在Windows、Linux、智能手機等不同平臺下使用。前端交互與展示主要包括通用趨勢分析模塊、可定制的實時組態監視模型（可將iP9000平臺的人機交互畫面自動轉換為WEB頁面）、數據綜合展示模塊、設備智能診斷與報警模塊、設備智能分析報告展示模塊等。為了更加美觀直接地對分析結果進行展示，系統提供了豐富多彩的圖形化展示方式，包括平面曲線圖、直方圖、3 D散點圖、3 D曲面圖、以及熱力學示意圖等，如圖2所示。

圖2 前端交互展示示意圖

3 智能診斷分析

系統利用平臺數據共享優勢，通過智能診斷分析技術對海量數據進行深度挖掘，實現設備故障診斷與預警，為復雜的水電設備監控系統的可靠性、安全性和故障診斷及預測提供了新的途徑。常用智能分析方法及應用如下[5-6]：

3.1 智能分析關鍵技術方法

（1）回歸分析：主要包括線性回歸、嶺回歸、LASSO、主成分分析、因子分析等。

（2）分類分析：主要包括樸素貝葉斯模型、支持向量機、隨機森林和Adaboost（自適應增強）等。

（3）聚類分析：主要包括直接聚類、相關性聚類、統計聚類、層次聚類、基于網格聚類、基于密度聚類、傳遞閉包、布爾矩陣。

（4）人工神經網絡：模仿動物神經網絡行為特征并行信息處理，具有自適應、自組織、自學習、聯想存儲、高速查找優化解、擅長非結構化數據處理，是人工智能的重要方法，應用廣泛。

3.2 iP9000智能分析典型示例

（1）基于孤立森林算法的水電廠泵設備異常啟停診斷：通常實際情況下，水電廠的絕大多數歷史數據和實時數據為正常數據，只有極少數的異常數據。我們采用孤立森林算法[7]，可以自動提取出孤立數據，但孤立的數據并不一定是異常數據，在建立分析模型時引入正常數據模型，利用大量的歷史數據對算法模型進行訓練，進而實現水電廠泵設備異常啟停的準確診斷。

（2）基于時間序列分析算法的機組軸瓦溫度預測：水電廠一些設備的數據相關性較為緊密，例如機組的軸瓦溫度與機組功率及水頭密切相關。通過采用長短時記憶神經網絡（Long Short-Term Memory，LSTM）模型[8]，結合時間序列分析算法，實現機組軸瓦溫度預測與異常診斷。首先對軸瓦溫度建立LSTM分析模型，該模型是一種目前比較流行的預測人工神經網絡，可用于機器人控制、圖像識別、疾病預測等，然后通過研究預測目標與時間過程的演變關系，根據統計規律性構造擬合函數的最佳數學模型進行軸瓦溫度預測。模型中關聯機組功率及水頭等相關數據，使用大量的歷史和實時數據對模型進行訓練，使模型能夠判斷在不同縱向和橫向數據條件下的軸瓦溫度發展趨勢，實現軸瓦溫度的預測，當發現可能的異常時及時報警通知運維人員處理，將故障消滅在萌芽狀態。

（3）基于K-means/K-medoids聚類的不同水頭、功率下振擺分析：將物理或抽象對象的集合分成由類似的對象組成的多個類的過程稱為聚類。在水電廠的眾多設備中，以振擺為例，分析數據時需要區分不同功率及水頭，傳統的分析方法是將水頭和功率劃分為若干個區段，然后對每個區段下的數據進行統計分析。通過聚類方法可以自動劃分區段，自動篩選出異常數據，實現不同工況下劣化趨勢的自動分析及報警。

4 專家系統分析

該模塊根據水電系統領域專家提供的知識和經驗構建專家庫，應用人工智能技術和計算機技術，模擬專家對水電設備運行故障進行診斷分析的決策過程，以便解決需要水電領域專家解決的設備故障問題。

4.1 專家分析框架及知識庫

iP9000專家分析框架采用當前廣泛應用的大數據分析編程語言，通過iP9000公用服務與內部接口耦合，搭建了專家分析框架，構建了專家系統知識庫，實現了水電廠常用設備專家診斷分析方法，可對水電廠各種設備進行實時在線診斷分析，當數據異常時啟動自動報警功能。

知識庫中包含基于專家經驗的判斷性規則、用于問題推理求解的控制性規則、以及用于說明問題狀態、事實、概念和常識等數據，用戶可以通過查詢、增刪、修改和擴充等功能模塊，實現與專家知識庫的交互操作。為了滿足更多電廠在實際監控中的多樣化需要，系統對用戶開放了專家分析建模接口，開發了圖形化編程工具，用戶可根據實際情況，通過編寫任意流程任意邏輯，擴充知識庫，進一步增加專家分析功能，更好更全面地對全廠設備進行診斷分析。

4.2 圖形化編程工具

通過編寫任意流程任意邏輯，擴充專家庫，需要用戶有一定的編程基礎。為了降低專家庫的擴充難度、提高專家模型的編寫效率，我們實現了全圖形化編程工具，該工具封裝采用了的公用算法模型，用戶也可根據實際需要擴充公用算法模型。用戶使用該工具，可以通過圖形化方式編寫設備分析算法模型，極大地簡化了專家分析模型編寫難度。

5 全廠設備分析報告智能生成

國內多數大中型水電站以及水電企業集控中心會定期對全廠發電設備的運行狀況進行評估，并編寫設備診斷分析報告。工作人員可以利用多時期的分析報告數據，對設備健康狀況進行評估，預先確定設備檢修和更換的時間，保障設備安全穩定運行。然而，全廠設備診斷分析報告的編寫會花費相當大的人力物力，電廠需要安排較多的不同專業相關人員對全廠設備的健康狀況數據進行采集，歷時數天才能完成報告，并且報告圖形化能力不強。

為此本系統專門開發了全廠設備診斷分析報告模塊，用戶可以自定義配置報告模板，實現所見即所得診斷分析報告。該報告能夠自動生成相關數據圖形及其趨勢報警數據、表格數據及其數據報警、泵設備組數據，單個特征數據，以及形成智能化的設備診斷分析結論，具體包括：

（1）根據獲取的實時和歷史數據，利用智能診斷分析和專家系統分析功能模塊，對設備的運行狀況進行診斷分析，得出設備的運行數據及健康狀況；

（2）全廠設備對象的趨勢分析圖表，以及數據變化速度、變化幅值、變化間隔報警及統計；

（3）設備對象的模擬量變化趨勢，獲取到不同復雜工況下的波動變化率報警、梯度報警等相關報警。

此外，用戶可通過定時或條件觸發方式自動生成全廠設備診斷分析報告，節省了大量的人力物力，提高企業生產效率。

6 結論

依托iP9000平臺，提出了一套服務于水利水電行業的設備診斷及分析系統，利用平臺數據共享優勢，對存儲的海量數據進行深度挖掘，不僅可以實現水電廠設備實時在線診斷分析及報警，而且通過挖掘設備的運行規律，能夠對設備狀態進行預估及隱患預警，充分保障設備安全高效的運行，助力智慧電廠的建設。