枕頭壩電站設備智能預警及預測功能研究及設計

張洋德

摘要： 近年來，隨著智慧電廠建設的不斷深入，為了使生產現場工作更加智能化，設備運行智能評價系統應運而生。智能預警和智能預測便是該評價系統的核心應用模塊，本論文則是深入地闡述智能預警和智能預測的設計思路和功能應用研究。

關鍵詞：智能預警、智能預測、設計思路、功能應用

1 引言

智能預警和智能預測是枕頭壩電站設備運行智能評價系統的高級應用模塊。智能預警模塊是為電站運維人員提供組態邏輯報警自定義功能算子以方便用戶結合設備運行工況和運行經驗自定義組態預警邏輯，以實現綜合報警和輔助決策支持。

智能預測模塊則使用現有神經網絡預測算法，為電站運維人員提供機組重要數據的歷史運行標準曲線并實時預測重要數據在未來一段時間內的運行走勢，可有效幫助運行值班人員更好的掌握設備運行狀態及未來運行趨勢，以便提早發現各設備可能會出現的問題，是監視全廠運行實況的專業輔助模塊。

2 正文

2.1 趨勢組態預警

設備狀態智能預警系統應能充分利用歷史數據和設備實時的狀態數據，根據設備長期運行的特征數據和相關運行經驗，建立預警模型，實現趨勢組態預警。

（1）設備運行狀態趨勢預警。在設備數據測點還未達到報警值時，計算數據點的變化趨勢值，監測數據變化趨勢，當數據變化趨勢與歷史運行穩定值有較大差異時，產生預警信息，提前告知運行人員設備有趨于故障報警的趨勢。

（2）偏離經驗數據、特征數據預警。長期監測某些能夠直接代表設備工況是否良好的數據點，如機組振擺數據，計算數據分布區間和算術平均值，得到這些數據的穩定運行經驗值或特征值，判斷當前數據是否偏離經驗值，若偏離則產生報警信息。

（3）泵運行效率分析預警。記錄油泵、排水泵、空壓機等周期啟動設備的啟停周期和運行時間，并與歷史穩定運行值比較，若存在較大差異，則預警。

（4）多數據邏輯組態分析預警。通過對多個數據的邏輯組態，得到具有一定實際意義的綜合預警。

2.2 設備運行趨勢預測

該趨勢預測是基于大數據和機器學習算法實現的，主要功能是預測設備特征參數在未來一定時間的變化趨勢同時發現特征參數存在故障隱患指標，并提前預警發出警報，使得相關人員第一時間采取措施，有效降低系統的故障率。

（1）對重要設備的重要參數，例如機組的四部軸承瓦溫、定子相關溫度、頂蓋水位和各部油槽油位等，建立歷史運行經驗曲線且用戶能對歷史運行經驗曲線進行參數調整。通過對歷史運行經驗曲線的分析，預測數據在未來一段時間內的運行曲線，以輔助運行人員把握設備運行趨勢。

（2）對重要設備的重要參數，例如機組的四部軸承瓦溫、定子相關溫度、頂蓋水位和各部油槽油位等，進行大數據數學建模，以得出設備運行數據的函數，從而根據函數以預測設備在未來一段時間的運行趨勢。

（3）系統結合對設備未來一段時間內的運行趨勢，形成分析報告得出最優的運行建議。

（4）系統對于重要參數進行預測的數據，如果在未來的2分鐘后數據偏離預設的安全范圍也會發報警。

2.3 潛在故障早期預警功能

本系統通過建立模型將設備實時狀態綜合成一個0-100%的評價值，也就是健康度。當設備實時健康度出現下降趨勢，系統能及時給出潛在故障早期預警。系統中的早期預警應至少包含以下信息：

（1）設備異動時間：當設備健康度跌落到基準線之下并持續一段時間后，系統將自動視為設備出現異動，設備的健康度跌落時間將作為重要參數保存到數據庫中，并可與設備異動時間內的所有狀態值一起隨時復現;

（2）超限測點：通常由于數據的測量通道出現異常的情況下，會導致系統發生預警。系統應能自動識別超出正常運行范圍的測點。

（3）主關聯測點：系統關聯計算引擎，對異動時刻的設備狀態做連續評價，對影響系統健康度的主要測點自動識別，并能通過主關聯測點的方式呈現出來。

2.4 建立設備狀態預警邏輯編輯平臺，實現預警邏輯自由編輯和新增自定義預警。

設備狀態預警系統應提供簡單易用的報警邏輯編輯平臺，實現用戶自由編輯預警邏輯，包括趨勢預警邏輯編輯，關聯工況的條件報警邏輯編輯，報警參數閾值修改，操作流程綜合監視邏輯編輯等。

2.5數據處理

2.5.1數據整合封裝

總線提供數據封裝能力，接入各種結構化數據和非結構化數據并對最終用戶隱藏接入系統的物理位置，從而使多個分布式應用系統看起來就像一個應用數據提供者。

2.5.2數據分發

數據總線能管理接入系統所能共享的數據類型、屬性和接口服務等信息，根據應用系統向總線發出的數據訪問請求，設置數據分發規則，智能地將該請求分發給滿足條件的數據提供系統，從而降低對不相關系統的訪問壓力，提高數據訪問效率。

2.5.3數據合并

能夠整合來自多個系統的冗余數據，消除重復的數據，以保證數據的一致性。要求數據集成總線能指定一個數據源作為正確的數據來源，并能設置的合并規則對來自多個數據源的數據進行合并處理。

2.6 實例說明（以機組頂蓋排水系統為例）

智能預警：建立頂蓋排水系統預警模型庫“1-4號泵運行效率低”、“負荷穩定情況下頂蓋泵頻繁啟動”和“頂蓋漏水過大”，模型組態邏輯表如下：

智能預測：利用神經網絡算法自主學習機組頂蓋水位歷年的數據得到特征曲線，利用特征曲線與實時運行曲線相比較，當出現異常變化時做出報警信號。利用自主學習的特征曲線，通過曲線向后延展的方式預測未來一段時間內的曲線走勢，若走勢超過報警值，則預警。

3 結論

智能預警和預測功能可大幅度提高電站運維人員對于設備運行狀態的感知，同時能把握未來一段時間重要設備運行參數的趨勢，提前分析出設備可能存在的故障隱患并及時消除。

參考文獻

【1】維克托·邁爾-舍恩伯格.大數據時代【M】.大數據中心.英國：2014-04-09

【2】Ian H Witten.數據挖掘：實用機器學習工具與技術【M】.英文版第3版.機械工業出版社.