三峽電站智能平臺架構及關鍵技術

張曉宇，卞慶華，張坤峰

（中國長江電力股份有限公司三峽水力發電廠，湖北 宜昌 443133）

1 引言

根據上述建設目標和基本要求，本文構建覆蓋電站全壽命周期，以智能數據為基礎、智能管控一體化平臺為核心、智能發電運行管控模式為目標的三峽電站智能平臺架構[1]，在此平臺上進行了應用擴展和資源優化調度整合。通過該平臺的信息集成，實現了智能數據層、智能算法層、智能應用層之間的融合，提升了設備診斷效率和安全管理維護水平。

2 三峽電站智能平臺架構

智能發電以發電過程的數字化、自動化、信息化、標準化為基礎，以管控一體化、大數據、云計算、物聯網為平臺，集成智能傳感與執行、智能控制與優化、智能管理與決策等技術，形成一種具備自學習、自適應、自趨優、自恢復、自組織的智能發電運行控制管理模式，實現更加安全、高效、清潔、低碳、靈活的生產目標[2]。基于此，運用自適應控制、模糊控制、多目標優化等現代控制理論，采用大數據、深度學習、工業平臺等信息技術，構建覆蓋電站全壽命周期，以智能數據為基礎、智能管控一體化平臺為核心、智能發電運行管控模式為目標的三峽電站智能平臺架構，如圖1 所示。平臺軟件由具有不同功能的微組件以“搭積木”的方式組成，組件可移植、可復用，能以圖形化模式供電站運行人員根據經驗和設備特性自行配置，組成不同系統和設備的智慧運行平臺。微組件可以是在設備運行、維護、狀態評估、故障診斷的技術、知識、經驗等基礎上建立的物理機理模型，如泵運行狀態組件；或是結合大數據統計、人工智能算法、異常檢測、歸一化處理、數據聚類、關聯和預測等數據處理方法標準化后的數據分析模塊，如邏輯運算組件、FFT 組件等，實現趨勢統計、大數據分析及智能告警功能。

圖1 三峽電站智能平臺架構

2.1 智能數據層

智能數據層對各分散的狀態監測系統海量異構數據進行預處理，打通生產經營多個環節的數據孤島，是智慧電站數據治理的重要工作內容，也是智能管控的基礎和驅動力。

（1）智能數據層由數據源、數據接口模塊、數據清洗模塊等組成，負責從II 區數據整合平臺讀取數據，進行清洗，去除重復、冗余及無效數據，并對數據進行轉換、歸約、集成和統一編碼，為智能算法層中的優化控制、狀態評估及診斷系統提供重要數據保證。

（2）系統采用Ⅱ區數據整合平臺提供的專用數據服務接口獲取數據，支持WebService、FTP 等通用協議。數據接口將各種通用通信協議做成獨立模塊，可以根據需要進行組合，滿足數據讀取要求。智能數據層如圖2 所示。

圖2 數據層結構

（3）智能數據層嵌入智能測量設備，如紅外熱成像、高清攝像頭、智能機器人、聲音監測裝置、無人機等，全天候對設備狀態進行全方位監測，實時對巡檢結果進行識別和診斷，彌補了傳統人工巡檢的缺陷和不足，提高了設備運行可靠性[3]。

2.2 智能算法層

智能算法層通過智能應用層指令與智能數據層數據信息實現，融合先進控制算法及智能控制策略、多目標優化、數據分析等技術手段，精細控制發電過程中的各項重要參數。智能算法層主要包括以下幾種技術：

（1）智能算法層嵌入智能數據分析技術，融合大數據分析、邊緣計算等先進技術，對電力生產過程中的海量數據進行統計、挖掘，歸納數據特征和規律，從而實現多源數據的深度融合，為設備智能控制提供優化建議。

（2）智能算法層中嵌入設備實時評價規則庫，結合智能數據層提供的高可靠、高精度數據，融合相關行業標準、設備現場實際運行特性及專家經驗，應用數據挖掘、機器學習和自尋優算法，全面、精確、實時反映當前電廠設備及系統性能，推薦當前工況下最優運行方式，運行人員可根據建議調整設定值和運行方式，提高機組運行效率。

語文教育家葉圣陶先生說：“就接受和發表而言，口頭的表現形式為聽人說和自己說。聽和讀，之于接受同樣重要；說和寫，之于發表同樣重要。”中學生學習文本語言，就是為了實現表達的遷移。我們要為中學生創設民主自由的表達空間，引導學生漫溯文本，于深度解讀處抓住語言表達的章法，以適時運用提升其口語。

（3）智能算法層嵌入機組工況和試驗工況識別算法，記錄工況原始數據、計算性能指標，根據不同工況對數據采用不同的分析策略，并自動評估性能品質及變化趨勢，顯著增加機組控制系統自動化水平，大幅減少操作強度。基于機組工況的設備性能分析平臺如圖3 所示。

圖3 基于機組工況的設備性能分析平臺

（4）智能算法層中嵌入故障診斷知識庫，如圖4所示。建立大型發電機組健康狀態多維動態智能診斷模型、機組穩定性故障診斷模型、機組導葉間隙診斷模型、推力瓦受力分布診斷模型、液壓系統內漏診斷模型等，實現對機組運行狀態及故障的超前預警與故障診斷，方便運行人員及時掌控設備健康狀況，識別潛在風險，為智能管理提供決策支持[4]。

圖4 故障診斷種類

（5）智能算法層中嵌入智能軟測量技術，使用機理和數據雙驅動精確建模[5]，如機組穩定性及效率數字模型、三部軸承溫度預測模型、調速器控制行為尋優模型、液壓系統工況劣化預測模型等，實現電站設備不可測關鍵狀態在線監測。以調速器控制行為尋優模型為例，采用T-S 模糊模型對調速器這個復雜非線性動態系統進行建模，將既能有效進行自學習又能利用模糊規則推理來描述系統的模糊神經網絡控制技術應用于調節系統控制中[6]。其系統結構如圖5 所示。

圖5 自適應模糊廣義預測控制系統

傳統調速器控制規律大多采用PID 控制，在機組確定工況下，通過整定一組恰當的參數可以獲得較好的控制性能[7]。但當工況發生變化偏離設定工況時，PID 控制很難取得滿意的控制效果。針對線性模型不能準確描述系統動態特性，從而導致基于線性模型所設計的控制器無法取得理想控制效果的缺點[8]，將T-S 模糊模型與廣測控制（GPC）[9]相結合，采樣被控對象的輸入輸出數據，離線辨識得到T-S模糊模型，在線對模型進行自適應調整，在每個采樣時刻得到被控對象的線性化模型，采用GPC 算法對機組進行控制；同時，針對系統辨識輸入變量難以選擇的問題，采用決策樹搜索法來挑選輸入變量，建立系統的最優模糊模型。通過對模型輸出結論部分在線辨識，既避免了全局模型在線實時辨識造成的算法復雜耗時，又能保證系統具有較高的動態性能和魯棒性。實踐表明，基于T-S 模糊模型的水輪機調節系統自適應廣義預測控制器具有很好的控制效果，控制性能指標明顯優于傳統PID 控制方法和基于線性模型的GPC 控制方法。

2.3 智能應用層

智能應用層是平臺的核心，其根據智能算法層提供的設備實時評價方案、故障診斷結果，以各類分析算法與模型為支撐，實現水電站設備狀態的全方位實時自動巡檢、自動報表定制等。智能應用包括智能巡檢、智能報表、智能檢修等應用軟件，提供設備狀態實時監測、智能巡檢、預警報警、趨勢預測、狀態檢修等功能，為運行人員提供決策支持。

（1）智能應用層中嵌入設備狀態實時自動巡檢系統。包括以各類分析算法與模型為支撐的設備狀態實時自動巡檢系統、基于判斷監測數據是否異常的監測狀態巡檢系統、與設備特征值比較的設備性能巡檢系統等。以上導狀態巡檢策略為例，系統從3 方面對設備狀態進行巡檢：①關鍵參數越限巡檢：實時分析上導關鍵參數的狀態，判斷是否有越限報警。②關鍵參數離群巡檢：將實時監測數值和歷史分布區間進行對比，分析參數是否偏離正常區間。③常見故障巡檢：根據當前上導擺度、上機架振動數據，結合上導擺度峰峰值、間隙值長期變化趨勢，分析軸瓦松動情況；計算上導瓦溫偏差數值，結合上導軸心軌跡形狀，分析判斷上導瓦隙是否存在不均勻；分析瓦溫是否超標或有增大趨勢，結合潤滑油溫、油位，分析上導潤滑油系統是否異常。

實時自動巡檢不僅能夠根據當前狀態數據發出報警信息，還能根據數據的變化趨勢發出預警提示，以預防重大故障的發生；所有報警閾值可根據設備不同運行工況計算，也可根據運行人員經驗設定，具有很強的自適應性。

（2）智能應用層中嵌入智能運行分析報表。以智能數據層數據為基礎，結合各種分析算法模型及運行分析經驗，自動生成運行分析報表，包括實時狀態分析報表、定期狀態分析報表、專項檢查分析報表、定期巡檢報表等。在此基礎上，提供各種分析功能，如頻域分析、閾值分析、趨勢分析、對比分析等，智能分析評價機組健康狀態，實時給出當前工況下最優操作目標值和最優運行方式，指導機組智慧運行。智能分析報表結合了診斷和評價技術，可自動根據設定的狀態報告分析模板選取相關的數據，自動進行相應的計算并提取相應的特征數據，根據特征數據提出相應的處理意見，具有分析報表定制化、分析手段多樣化、分析結論精準化等特點。

以擺度特性定期狀態分析報表為例，利用系統長期積累的不同水頭和負荷下的擺度數據，通過多維相關趨勢分析工具分析導軸承擺度在不同水頭下隨負荷的變化趨勢，掌握水頭對導軸承擺度隨負荷變化特性的影響，為優化運行提供數據基礎；此外，通過分析導軸承擺度幅值、相位和擺度測點平均間隙在相同工況下隨時間的變化趨勢，分析導軸承擺度是否存在突變，輔助及時發現機組異常情況。

（3）智能應用層中嵌入智能檢修系統。長期以來，三峽電站有一套成熟的基于人工打分系統的設備檢修決策方法，通過長期的實踐已證明了此決策方法有其合理性，但是根據經驗的人工設備檢修決策受限于經驗和知識水平，有其局限性。融合計算機智能化輔助檢修決策和人工檢修決策信息，將狀態檢修、智能預警、專家診斷[10]、遠程診斷等技術應用于狀態檢修策略的制定、檢修過程實施的智能狀態檢修系統，構建基于設備性能特征值的等級評估模型、基于故障診斷的劣化預測模型、基于健康預測及健康評估的健康管理模型、基于自學習訓練樣本的可靠性檢修模型、基于大數據統計的壽命評判模型等，能夠實現對重要系統和設備的自學習、自分析、自診斷，從而實現科學優化檢修項目、檢修周期、檢修費用，最終實現檢修管理水平提升和檢修成本優化。

以變壓器狀態評估方法為例，傳統的三比值法評價指標固化、無法綜合參照設備各個參量的不足，采用“在線數據＋實驗機理數據”或“智能算法＋故障機理模型”這類數據驅動與傳統評價指標相結合的方式[11]，能夠有效地判斷變壓器的運行狀態。選取油色譜數據、電氣試驗數據、油品質試驗數據、絕緣油特性數據為定量指標，變壓器運行情況及檢修記錄為定性指標，構建變壓器絕緣狀態評估指標體系如圖6 所示。基于指標劣化度確定等級劃分標準{H1，H2，H3，H4}，構建變壓器狀態評估的物元層次模型，引入最優權重和D-S 證據理論，對評估中的模糊性和隨機性等不確定性整體考慮，從而得出最終狀態評估結果。

圖6 變壓器絕緣狀態評估體系

（4）智能應用層中嵌入預警報警系統。根據設備運行特性及模型，結合積累的歷史數據，利用聚類分析算法等智能趨勢分析算法對設備變化趨勢、變化率異常自動識別并及時告警，報警策略包括動態閾值報警、參數離群報警、參數變化異常報警、設備故障報警等。預警報警系統可解決機組漏水、漏油、軸承溫度緩慢異常變化等問題，實現故障超前預警、超限報警和趨勢預測。

3 結語

本文分析了三峽電站智能化現狀，探討了三峽電站智能平臺架構、關鍵技術及業務模塊功能。三峽電站智能平臺整合了全廠的生產數據，為生產過程深度分析及指導全廠運行控制提供了統一的數據基礎；此外，在此數據平臺上提供了豐富的智能算法及其應用環境供運行控制調用，能完成包含機器學習、能效計算、運行優化、智能控制等各種生產環節的計算,提高了電站的智能化水平[8]。