大型水輪發電機組水淹水車室預警決策模型研究

靳 帥， 鄭 建 民

(1.國電大渡河枕頭壩發電有限公司，四川 樂山 614700；2.國電大渡河流域水電開發有限公司，四川 成都 610041)

1 概 述

在水輪發電機組運行過程中，水車室的安全運行至關重要，水淹水車室事故的發生具有一定概率，其后果極為嚴重。水淹水車室將導致機組“非停”、水導油槽等機械部件受損、油泄漏引發環保事件、水淹廠房等后果，給電力安全生產帶來極大的威脅，尤其是在無人值守條件下此類事故發生的后果更為致命[1]。

水淹水車室事故發生的主要原因包括真空破壞閥故障、主軸密封漏水過大、導葉套筒漏水、頂蓋排水泵效率降低等[2]。這些因素的發生具有概率性，目前的監測手段很難實現提前預警，事故發生后通常只能被動處理；對于感知到的各種相關因素，因為難以判斷具體的影響因子，無法及時定位故障原因及位置，導致處置效率低；現有的漏水及水位監視和感知手段獲取的數據都是單項的、間接的，缺乏綜合分析，不足以支撐作出處置決策，嚴重依賴人的經驗。

2 解決方案

大型水輪發電機組水淹水車室事故預警從本質上來講是在多種因素作用下的綜合預測決策問題，這個問題可以拆分為三個子問題：故障早期預警，其本質是預測的問題；故障原因定位，其本質是故障因素定位和診斷的問題；故障處置策略確定，其本質是快速解決方案選擇的問題。這三個問題解決了，水淹水車室預警決策的問題便得到了很好的解決。針對這三個問題，通過對大型水輪發電機組長期運行的大數據整理、分析、挖掘，建立模型，最后利用實際發生的故障案例驗證模型的正確性。

首先，從生產現場的監控系統運行數據(包括模擬量、開關量)、故障案例文檔、檢修記錄文檔、技術資料、設備固有信息中獲取模型構建所需的數據。通過對獲取到的數據源中的數據信息，建立基于LSTM的頂蓋水位時序預測模型，實現對頂蓋水位的實時預測。利用故障案例文檔、檢修記錄文檔構建知識庫，并結合技術資料知識豐富并構建較完整的水車室知識圖譜。利用監控數據、實時預測水位，構建基于馬爾可夫邏輯網的水車室故障概率推理模型，實現對故障發生原因的概率推理判斷。最后，結合概率推理判斷結果、知識圖譜，提出針對故障原因的綜合處置決策。

3 數據建模

本研究建模所需數據來自機組歷史運行存儲數據，從13個維度進行整理分析，數據量約500萬條，87 GB大小，采用秒級精度。

3.1 水位預測

針對頂蓋水位上漲問題，從機組蝸殼進口壓力、主軸密封進水管流量、密封進水管壓力、頂蓋水位、機組有功、振擺等相關運行數據中提取特征量[3]，建立基于RNN(神經網絡)的頂蓋水位時序預測模型。首先對歷史數據進行預處理(數據清洗、特征篩選)，然后存儲，隨后對數據進行標準化處理及特征提取，實現對模型的構建和數據的訓練，最終達到對頂蓋水位的精準預測能力。根據數據特點將經過訓練后的數據通過keras算法構建出雙層堆疊LSTM模型。對模型進行算法優化和迭代訓練后，最終得到平均水位差3.6 mm，均方差4.1 mm，提前量大于20 min的水位預測結果。

在建立了以上的模型(圖1)后，對超參數采用n步交叉驗證，選擇出最佳超參數，然后再采用500萬條歷史運行數據作為測試數據對建立的模型進行驗證，得到最終效果為平均水位差3.589 mm，均方差4.076。圖2展示的是輸入1 h的運行數據，得到的是后20 min水位預測趨勢圖。

圖1 模型整體架構圖

3.2 知識圖譜

知識圖譜(Knowledge Graph)的概念，由Google于2012年率先提出，其初衷是用以增強自家搜索引擎功能和提高搜索結果質量，是百度“知心”和搜狗的“知立方”的效仿對象。由一些相互連接的實體和他們的屬性構成的。換句話說，知識圖譜是由多條知識組成，每條知識表示為一個三元組[4]。

借助知識圖譜技術構建了基于故障、檢修維護的歷史文檔的知識圖譜，對相關的實體、關系、屬性詳細描述，為最終的智能決策，人機協同做好基礎。根據水車室設備故障樹、設備檢修規則構建知識圖譜本體，對故障案例文檔和檢修記錄文檔等數據源進行數據融合，構建設備故障知識圖譜(包含設備、故障類別、故障原因、故障處置措施)，并采用圖數據庫(Neo4j)進行存儲。

對獲取到的現場檢修處理文檔建立分詞字典，然后對文本分詞處理，采用自頂向下的方法構建知識圖譜的本體，即從設備故障樹、設備檢修規則的數據源中，提取本體和模式信息，添加到知識庫中。將設備故障樹中的關系名轉換為本體中的概念，部分字段名轉換為本體中的屬性，從文本中抽取得到的實體對象，將其鏈接到知識圖譜中對應的正確實體對象，通過嵌入(embedding)方式投影到低維向量空間，并在向量空間中通過向量平移轉換操作，計算頭、尾實體及關系在向量空間中的損失函數值，實現頭尾實體的關系鏈接。最終得到水淹水車室事故預警的9種故障以及對應的故障檢修處理措施。例如，在知識圖譜中查詢1F頂蓋得到具體的結構見圖3。

圖2 水位預測趨勢圖

圖3 知識圖譜樣例

3.3 概率推理模型

概率推理判斷是根據以往的經驗和分析，結合專家先驗知識構建概率模型，并利用統計計數、最大化后驗概率等統計學習的手段對推理假設進行驗證或推測。通過對數據特征提取、規則學習、參數學習，規則推理等步驟，分別計算出不同原因的權重，通過分析最終實現對故障發生原因的有效推理判斷。根據歷史監測數據及故障的特定關系，進行規則以及規則對應權重的自主學習，結合統計計數、最大化后驗概率等統計學習手段構建出水車室故障概率推理模型。

根據歷史監控的數據，結合專家先驗知識構建馬爾可夫邏輯網(Markov Logic Network,MLN)。其包含所有規則權重對(fi,ωi)的集合，其中，fi表示邏輯規則；ωi表示邏輯規則對應的權重實數[5]。并利用統計計數、最大化后驗概率等統計學習的手段對推理假設進行驗證或推測，并將不同邏輯規則對推理目標的貢獻合并到統一的概率模型下，如下所示：

4 成果應用

采用某電站水輪發電機組2018年01月23日出現的異常信息對上述模型成果進行驗證，運行結果與歷史記錄資料對比發現，水位預測值與真實水位值平均絕對誤差小于4.076 mm，故障預警信息比電站監控系統提前20 min報出，預警決策輔助信息給出了準確的處理建議。相關信息展示見圖4。

圖4 預警決策信息展示

結合模型特點和電站的實際運行需求，開發建立了一套水淹水車室預警決策系統，用于向運行人員實時展示設備運行狀況，及時獲取故障處置信息。

5 結 語

筆者提出了水淹水車室事故的智能預警和自主處置解決方案，將水淹水車室事故由事后被動發現變為事前提前預知，實現了風險識別的自動化，也為其他類似設備的預警決策及處置提供了可參考的經驗。本模型基于對海量數據分析研究建立，分析結果具有代表性，運行結果經實際檢驗準確可靠，可有效解決實際問題，保障企業安全生產，促進管理水平提升，可在水電行業廣泛推廣應用，在本模型構建過程中對電力生產特征數據處理的思路及數據庫的應用方式，也為水電行業開展數據分析及模型建立提供了很好的借鑒。

同時，由于受限于所選取的數據范圍和檢修作業庫的樣本數據，該模型還存在需要完善和優化的地方，需借助更多的應用實踐進一步驗證和改進，通過不斷的優化算法，實現更精準的預測，提供更全面的決策知識庫，特別是對于在多影響因素、復雜運行工況下模型的運行可靠性、響應及時性、預測決策準確性等方面仍需不斷的探索和研究。