基于機器學習的水電廠智能告警系統設計

方 駿,曹 新,李曉軒,殷召生

(1.國家能源集團西藏尼洋河流域水電開發有限公司,西藏 林芝 860006;2.南京佰思智能科技有限公司,江蘇 南京 210000)

0 引言

在水電廠生產運行管理過程中,告警系統的用途是針對異常狀態或者設備故障對操作人員和其他工廠人員及時給出提醒[1]。智能監控告警信息作為數據采集與水電廠計算機監盤系統中產生的語義信息,是調控人員監視設備運行狀態的重要方式。只有通過設計一套完整、合理、高效的智能預警系統,相關操作人員才能在正常狀態和異常狀態下安全地對設備進行操作,進一步提升水電的運行管理水平,從而實現經濟效益和社會價值。然而,報警系統在實際運行過程中,人們一般會設置過多的報警源用于系統實時監控。事實上,這種做法一方面會導致系統小故障觸發大量報警源產生告警信號,另一方面大故障往往無法為最相關的設備問題分配高優先級,最終導致真正的問題無法被及時發現。因此,許多研究者們對智能監控告警信息做了大量的研究工作,旨在通過利用和挖掘數據本身的特點來實現智能預警系統的高效且靈活可控性。傳統的方法一般依賴于專家經驗和領域知識,即領域內專家根據告警歷史信息和相關設備的運行狀態作出綜合判斷,結合歷史經驗手工設定出一套固定的告警閾值并生成規則存儲在知識庫中[2-3]。當出現告警事件時,工作人員會將此時的告警信息與知識庫中的固定信息作規則匹配,通過查找域知識來診斷故障發生的類別并作出相應解決措施。隨著水電廠計算機監盤系統中監控數據的豐富和機器學習技術的發展,研究者們認為僅僅依賴于專家經驗的方法無法實現準確和快速的故障檢測與排除。因此,當前告警系統的設計與實現引入了大量人工智能技術[4-5]。通過對語義信息的智能化分析和處理,一系列高效的故障診斷模型被相應提出,對水電廠報警功能的進一步完善、深度開發和設計產生了重要的意義。

1 水電告警系統總體設計

水電廠智能告警系統設計的終極目標在于對告警信息的綜合管理,其中包括報警信息的集成、報警信息的處理、機器學習模型實現報警信息的分類、模型的訓練和測試、系統性能分析、故障信息推送并生成相應報表、人機交互界面等?；跈C器學習相關技術實現水電廠故障智能告警信息分類的研究流程,如圖1所示?？偟膩碚f,設計出一個靈活可調、安全可控、準確高效的智能告警系統能夠防止影響水電廠正常運行的安全事故發生,提升水電站的整體管理水平。

圖1 基于機器學習的水電廠故障智能告警信息分類流程

智能告警系統報警信息的集成是指將計算機監盤系統中不同設備的幾個運行狀態(包括穩態、動態以及暫態等)信息集中到一個統一的數據庫中,這種做法有利于工作人員對數據進行整體分析和建模。一般情況下,告警信息根據其對水電廠設備的影響程度大致可以分為:異常、事故、越限、變位和告知。異常、事故以及越限信號的優先級較高,需要在實際生產過程中做到實時監控、及時處理;其中,異常信號反映了設備處于運行異常狀態,直接威脅水電廠設備的安全;事故信號一般是由于設備故障而引發的開關跳閘,通過觸發保護裝置來提示維修人員及時作出處理;越限信號主要反映了相關設備觀測量超出上下限區間而觸發的報警提示。變位信號主要指的是一些開關類設備狀態變化的信息,即分閘、合閘,這類信號主要反映了水電機組運行工況的改變,同樣需要實時監控。對于告知信號而言,它充當安全保護的最后一道防線,設備運行過程中告知信號能夠實時反映其運行情況、狀態監測。因此,對于不同的告警信息而言,應該根據其優先級大小和數據差異程度實施合理的數據集成方法。具體到水電設備告警信息,數據集成的方法采用聯邦數據庫進行,以便將來自不同設備、不同差異程度的告警信息做分布式集成和存儲。同時,為了提高后續告警信息的分類精度,還需要對集成好的數據進行處理,其中包括數據噪聲的抑制、數據缺失值的填補以及數據歸一化等操作。考慮到水電智能告警信息具有多差異、高分布的特點,此處選擇小波閾值法用于報警信息的去噪。其中包括數據矩陣轉化、二維信號小波分解、系數閾值處理、信號重構等。去噪后的數據進一步通過K近鄰缺失值填補方法以及數據歸一化操作后得到可以直接用于模型訓練和測試的數據。

對于利用機器學習技術實現告警信息分類而言,本文闡述了幾個有代表性的常見算法,其中包括SVM,DNN,CNN,RNN。為了保證所提研究的有效性,本研究列舉了這些算法的分類測試效果,給出其性能比較與分析。此外,針對機器學習相關技術在水電廠智能告警中的應用,本文提出的設計思路符合國際自動化協會制定的ANSI-ISA-18.2-2016《過程工業中的報警系統管理》和國際電工委員會的報警規范的技術要求[6]。具體地,報警系統采用了Python和Java語言開發。其中,系統建模主要基于Python語言,人機交互界面以Java為主,主要功能模塊可靠穩定,并經過充足的運行考驗。采用工業4.0標準使用的OPC UA(IEC 62541 OPC Unified Architecture)作為實時數據源,可以為本系統業務提供實時的業務數據;智能報警主服務器操作系統支持跨平臺運行,包括Windows、Linux以及Mac OS。所有的數據采集、畫面運行、數據存儲、報警組態等功能皆運行在服務器上,同時支持多人并行開發功能,客戶端訪問服務器可以完成數據庫組態、報警組態、告警監視等。完整項目配置文件、數據庫點表、告警畫面、告警配置信息皆可支持一鍵導入和導出功能。系統結構和軟件配置需滿足國家相關部門二次安防的相關技術要求;監控系統的實時數據采用各種自定義規約,能透過正向物理隔離裝置傳輸到管理信息大區的智能告警數據服務器等。

2 機器學習方法應用

傳統上的水電廠告警系統中一般使用閾值法作為故障診斷的依據,即通過計算機系統監控信號設備的電氣特征數據,并與實現專家設定的閾值進行比較,若實時采集到的數據值超過了設定的閾值范圍則發出警報。由于水電廠設備的工作環境復雜,閾值法容易因受到周圍環境因素的影響而誤報警或不報警。因此,開發出能夠對水電廠信號設備故障進行及時報警且魯棒性更強的技術,對保障水電廠安全、高效的運行具有重要意義。機器學習是近些年興起的新學科,是人工智能研究的熱點。隨著計算機算力的提升以及大數據時代的顯著進步,其理論和方法逐步廣泛應用于解決水電廠智能業務應用中的復雜問題[7-9]。本文介紹了幾種常見的機器學習算法(SVM,DNN,CNN,RNN),并將其應用在水電廠智能告警系統中,實現了安全、準確、高效的報警管理。

3 算法介紹

3.1 支持向量機

對于一個二分類問題而言,支持向量機(Support Vector Machine,SVM)方法旨在尋找到一個最優邊界(超平面),使得距離這兩個類別里面的最近的樣本距離最遠。如果將多個SVM二分類器進行組合就可以實現多分類任務?？紤]到SVM算法不依賴于大量數據,對于數據樣本少的情況也能很好地擬合其特征分布,因此對于某些監控信息不足的特殊場景也能實現滿意的精度和泛化能力。多分類SVM檢測流程如圖2所示。

圖2 多分類SVM檢測流程

3.2 深度神經網絡

深度神經網絡(Deep Neural Networks,DNN)是深度學習技術的基礎,它是感知機模型的擴展。DNN一般可以分為輸入層、隱藏層和輸出層。深度神經網絡結構如圖3所示。輸入層是經過預處理后的數據樣本。隱藏層由多個神經元連接所有輸入并通過非線性函數激活。其中,隱藏層的數量可以自己設定。層數的增加會提高模型的表達能力,同時計算效率也受到了影響。輸出層用于實現對模型的分類。在告警信息分類任務中,模型輸出的是告警信號的類別數(例如:油溫過高、水冷卻故障、電機異常振動等)。

圖3 深度神經網絡結構

3.3 卷積神經網絡

為了進一步提高模型的表達能力,同時降低網絡參數和計算量,卷積神經網絡(Convolutional Neural Networks, CNN)被提出來并廣泛應用在各個領域。與DNN不同的是,CNN通常包含以下幾種層:卷積層、池化層和全連接層。卷積層由若干卷積單元組成,每個卷積單元實現權重共享。低層次的卷積層負責提取一些低級的特征(比如:輸入圖片的邊緣、線條等),高層次的卷積層能夠提取到更為復雜的輸入表征(例如:圖片整體輪廓等),通過將兩種不同層級的信息組合在一起就可以實現豐富的特征表達。池化層用于降低數據的維度,從而避免過高的計算量。之后依然會使用非線性函數進行層激活操作,最后通過全連接層匯聚所有信息用于計算每個類別的得分。上述各個部分相互堆疊就組成普通的卷積神經網絡,如圖4所示。

圖4 卷積神經網絡

3.4 循環神經網絡

一般的神經網絡只能依次處理來自輸入的單個數據樣本,然而缺少對輸入數據之間關系的特征捕獲。循環神經網絡(Recurrent Neural Network, RNN)的提出旨在處理輸入信號的上下文關系。換而言之,網絡的輸出不僅和當前的輸入有關,還和上一時刻的輸出存在關聯。相比于DNN,其網絡結構如圖5所示。RNN的隱藏層的值不僅取決于當前輸入,還取決于上一次隱藏層的值。對于水電廠智能告警信息而言,有一部分數據源存在明顯的時間上的先后順序(例如:轉速上升階段的電機運轉速度),綜合考慮其時間先后次序可以進一步提高模型分類精度。

圖5 循環神經網絡結構

3.5 性能測試與分析

為了驗證所提研究的有效性,針對上述4個機器學習相關算法訓練了某地區水電廠故障智能告警系統數據庫中的3組非平衡數據集樣本。所有數據集均使用上述相同的預處理方法實施,并且將隨機打亂后的數據按照7∶3的比例劃分為訓練集和測試集。實驗數據集描述如表1所示。網絡模型的搭建均使用Python編程語言,基于Pytorch深度學習庫,其網絡參數如表2所示。物理主機使用Intel i7-6850K中央處理器以及NVIDIA RTX 3090圖形處理器,開發環境基于64位Windows 10操作系統?？紤]到數據樣本類別的不平衡問題,實驗中使用F1分數[10]來客觀反映不同類別的綜合預測能力,測試結果如表3所示。

表1 數據集介紹

表2 網絡訓練參數介紹

由表3可知,利用多種機器學習方法對3組非平衡水電廠故障智能告警系統數據集進行分類,不同算法所得到的F1分數有一定的差距。具體說來,使用CNN和RNN的方法擁有更強大的特征表達能力,特別是在數據類別分布不平衡的情況下能夠實現更好的泛化性能,進一步驗證了高效的神經網絡結構在水電廠設備故障運行評估領域的適用性。

表3 不同模型的測試結果

4 結語

考慮到水電設備故障告警信息的多樣性與復雜性,本文從水電廠生產運行管理入手,對水電廠智能告警系統的設計與開發提出了基于機器學習方法的思路和解決方案。針對水電廠多元設備的告警信息這一復雜研究對象,按照工業報警相關國際標準,引入了機器學習相關技術用于建模水電智能告警信息多分類問題。一方面,機器學習模型的引入增加了水電監控的自動化程度,極大減少了人工參與預警的工作量,從而提高故障判斷的效率。另一方面,考慮到不同種類的故障信號對水電廠設備的影響程度和大小有所差異,通過機器學習算法訓練大量差異化的數據樣本為調度人員故障診斷提供了可靠的依據。實驗結果表明,對于實際運行環境下非平衡數據樣本而言,神經網絡模型的引入能夠大幅提高模型分類的準確性,為后續監管人員作理論分析和實際應用帶來了極大價值,進而對水電廠的安全穩定運行具有十分重要的意義。