基于區塊鏈的水電設備故障風險動態計算模型

李繼成，段寶倉，陳 琦，孟 威，劉源濤，田 豐，張海波，閆佳佳

（1.國網東北分部綠源水力發電公司云峰發電廠，吉林 集安 134200；2.沈陽工業大學 電氣工程學院，遼寧沈陽 110870）

0 引言

隨著水電廠自動化水平的不斷提高，廠內多種類水電設備數量不斷增加，水電廠系統數據規模和復雜程度隨之提高。目前水電廠在運行過程中無法進行有效數據記錄與實時數據計算，影響了電廠生產管理數據與電廠實際運行情況間的信息交互，同時造成水電廠整體生產的安全性降低[1]～[3]。具有去中心化、公開透明的區塊鏈可信數據交換技術，可有效提高水電廠水電設備安全生產的積極性和有效性[4]～[6]。因此，為了提高水電廠對水電設備在生產和運行過程中存在的不確定因素和安全隱患的應對能力，實現人力資源成本降低，提高水電設備利用率，促進組織結構優化，本文基于區塊鏈技術提出了水電設備故障風險動態計算模型，該模型可為水電廠穩定運行提供重要的理論與技術支撐。

目前，已有學者針對水電廠水電設備的安全生產、故障風險等方面展開了相關研究并取得了一定的成果。文獻[7]考慮水電廠水電設備運行數據縱向分層和橫向分區的原則，構建了智能水電廠全景式數據中心，能夠實現水電廠數據跨區同步的功能，對水電設備故障風險進行預測。文獻[8]通過采集研究水電廠水電設備在運行生產過程中的危險源數據特征，建立了水電廠危險源辨識系統，通過實時監測以及風險值與危險類型的評估，提高水電設備作業的安全性能。文獻[9]分析了水電設備生產環境的不確定性，針對水電設備安全生產形態進行了狀態登記劃分，同時考慮水電設備安全生產狀態評估與趨勢預測，建立了水電設備故障風險演化分析模型，可以提升水電廠穩態運行的安全水平。文獻[10]為提高水電廠生產管理的安全性，減少異構無關數據的影響，采用水電廠跨區數據同時搜索、互相協調的方法，構建了水電廠跨區數據安全融合體系。文獻[11]考慮水電廠安全生產管理監測與運行性能差的問題，采用威努特網絡威脅感知技術對水電設備的各類型數據密度、增益等特征進行了提取與分析，并在此基礎上構建了水電設備安全運行情況計算模型。上述文獻對水電廠內水電設備的安全生產、故障風險方面進行了相關研究，并取得了一定的成果，為解決基于區塊鏈的水電設備故障風險動態計算問題提供了一定的理論指導，但仍存在一些問題須要解決：如何充分考慮水電廠內水電設備在生產和運行過程中存在的不確定性與數據關聯的影響，如何對水電設備的安全生產情況進行動態計算，實現水電設備生產管理數據與電廠實際運行情況間的信息交互，提高水電廠整體生產的安全性，是目前為保障水電廠水電設備穩定運行的主要措施之一。

本文提出了基于區塊鏈的水電設備故障風險動態計算模型。首先結合區塊鏈的可信數據交換技術，構建了水電廠水電設備故障風險數據傳輸、交換與存儲的架構體系；之后采用自適應混沌粒子群算法優化徑向基神經網絡參數，建立水電廠設備故障風險數據預測計算模型，在此基礎上采用Jaccard距離進行結果校正，實現計算誤差反饋和計算模型優化；最后通過算例仿真驗證本文所提水電設備故障風險動態計算模型的可行性和優越性。

1 基于區塊鏈的水電設備故障風險數據架構

水電廠的實際水電設備故障風險相關數據主要包括部門生產數據、員工操作數據、設備運行狀態數據、環境條件數據等，數據規模龐大、種類復雜多樣，會制約水電廠安全生產管理的有效性，影響水電廠水電設備故障風險計算速度和精度。因此，本文采用DBSCAN算法[12]將數據進行預處理。該算法通過空間點的不同密度將低密度區域的點劃分為噪聲點，能夠剔除水電廠水電設備故障風險數據中的無關變量和異常值，減小對水電設備故障風險預測模型的影響，能夠保證計算速度和精度。

設 數 據 集R={r1，r2，…，ri，…，rn}，數 據 集 內 某個個體ri為中心發散至個體之間距離的臨界值ε，得到包含核心點和邊界點的最大化區域，將數據集R區域劃分為b個數據群和c個噪聲點集合。

式中：Aa為由水電設備故障風險數據集劃分出的第a個數據群；Ba為由水電設備故障風險數據集劃分出的第a個白噪聲。

本文分別對水電設備故障風險數據中的無關變量和異常值進行劃分和剔除，并根據式（2）對預處理后的數據進行歸一化處理，能夠有效降低不同量綱引起的數據差異導致的水電設備故障風險技術模型的計算誤差。

式中：maxA和minA分別為ri所屬數據特征A的最大值、最小值；ri'為原始數據ri歸一化處理后的數值。

考慮到預處理后的水電設備故障風險數據間的關聯性較強，基于具有去中心化、公開透明的區塊鏈可信數據交換技術，本文提出了水電設備故障風險數據傳輸、交換與存儲的架構體系，能夠有效避免水電廠在生產和運行過程中存在的不確定性影響，防止數據被篡改，可以在保障安全隱私的同時實現數據信息共享。

將水電設備故障風險動態計算模塊添加到構成區塊鏈的最小單元哈希塊中，構成的新組合結構如圖1所示。通過計算模塊的高速度和高精度的計算與區塊鏈具有的去中心化和安全性，實現水電設備運行過程中各類數據交互的安全性和高效性，同時，本文將可信數據交換技術和區塊鏈技術相結合，實現水電設備故障風險數據的加密傳輸、交換與存儲。

圖1 用于水電設備故障風險動態計算的區塊鏈結構圖Fig.1 Block chain structure diagram for dynamic calculation of failure risk of hydropower equipment

2 水電設備故障風險動態計算模型

2.1 水電設備故障風險數據預測模型

基于去中心化的區塊鏈可信數據交換技術進行水電設備故障風險數據傳輸、交換與存儲，本文綜合考慮水電設備實際運行情況變化，采用自適應混沌粒子群算法優化徑向基函數（Radial Basis Function，RBF）神經網絡[13]對水電設備故障風險情況進行合理預測，計算出水電設備精準的實時故障風險率，從而提高生產和運行過程中存在的不確定因素和安全隱患的應對能力，嚴格監督水電廠運營與檢修計劃。

RBF神經網絡的激活函數可表示為

式 中：rs=（r1，s，r2，s，…，rb，s）表 示 第s個 水 電 廠 安 全生產數據的輸入樣本；ci為隱含層節點中心；‖rsci‖為歐式距離系數；σ為方差。

則輸出函數可表示為

式中：wik為隱含層到輸出層的連接權值；yk為輸出值，即水電設備故障風險計算結果；m表示隱含節點數；δk表示輸出層節點的閥值。

本文通過更改網絡中各層級間的聯系，能夠實現輸入層的信息直接反饋到輸出層，并在此基礎上采用自適應混沌粒子群（Self-Adaptive Chaos Particle Swarm Optimization，SA-CPSO）算 法[14]對RBF神經網絡參數進行優化，實現整體模型的性能與精確度，具體的訓練步驟如下。

①設置SA-CPSO算法的基本參數，初始化ci，并選取S個水電設備故障風險數據的樣本。

②按照歐式距離‖rs-ci‖，采用DBSCAN聚類算法將rs映射至水電設備故障風險輸入數據集βs（s=1，2，…，S）中 進 行 訓 練 樣 本 分 類。

③根據下式計算方差：

式中：cmax為基函數中心間的最大距離。

④根據式（6）計算輸出層與隱含層的連接權值：

⑤根據Logistic映射方程式（7）混沌初始化粒子的位置與速度：

式 中：Aε為 第 ε個 混 沌 變 量，0≤A0≤1；χ∈（0，4]為控制參量。

⑥計算粒子的適應值，記錄各粒子自身以及全 局 最 優 位 置，并 根 據 式（8），（9）更 新 粒 子 速 度 和位置：

式中：w為慣性權重；w'為初始慣性權值；L為迭代最大時的慣性權值；I為最大訓練次數；c1，c2＞0為學習因子；d為搜索空間維數；e為當前迭代次數；分別為粒子的自身和全局最優位置。

⑦計算種群適應值，更新粒子和種群的最優位置。

⑧判斷是否滿足最大迭代次數，若是，則輸出全局最優閾值與權值賦予神經網絡，否則進行下一步。

式 中：Yi，Y˙i分 別 為 實 際 輸 出 值 和 訓 練 預 測 值；Xmax，Xmin分別為粒子位置遍歷范圍的上、下限。

2.2 計算誤差反饋模型

本文為了進一步提高計算精度，實現水電設備故障風險實時計算結果與實際結果的誤差反饋，在建立水電設備故障風險動態數據預測模型的基礎上，采用Jaccard距離對預測結果進行 校 正[15]。

將Jaccard相似系數作為衡量指標，可以表示為式中：B，C分別為水電設備故障風險實時計算結果與實際結果。

通過計算Jaccard距離來度量水電設備故障風險實時計算結果與實際結果之間的差異性，并反饋至式（8），基于誤差反饋更新粒子速度和位置，輸出全局最優閾值與權值賦予神經網絡。

式 中：dJ（B，C）為Jaccard距 離，數 值 越 小 表 示 樣 本相似度越高。

2.3 水電設備故障風險動態計算模型

基于去中心化的區塊鏈可信數據交換技術，綜合水電廠水電設備故障風險動態數據預測模型和計算誤差反饋模型，本文構建了水電廠水電設備故障風險動態計算模型的拓撲結構與流程圖，分別如圖2、圖3所示。

圖2 水電設備故障風險動態計算模型拓撲圖Fig.2 Topological diagram of dynamic calculation model of hydropower equipment failure risk

圖3 水電設備故障風險動態計算模型流程圖Fig.3 Flow chart of dynamic calculation model for hydropower equipment failure risk

由圖2，3可以看出，水電廠內的各數據上傳節點、數據使用工作人員、需求與供給方數據庫與區塊鏈主鏈經節點注冊后能夠實現數據上鏈，并將數據信息存儲在各類數據庫中。在與區塊鏈可信數據交互平臺簽訂合約并協定密鑰體系后，水電設備實際生產和運行數據能夠通過數據上傳節點將數據與供給方數據庫進行信息交互與存儲，并經數據加密處理后上傳至數據總庫，等待主鏈提取。同時，當工作人員進行水電設備故障風險計算時，能夠在區塊鏈可信數據交互平臺中提取主鏈的各區塊實現數據交互與計算，本文將水電設備故障風險動態計算模塊添加在構成區塊鏈的哈希塊中，能夠通過計算模塊與基于Jaccard距離進行結果校正，實現計算誤差反饋和計算模型優化，提高水電設備故障風險情況計算結果的準確性，為指導水電設備實際安全操作提供指導，并將計算結果存儲至各類數據庫，為未來水電設備故障風險數據預測與交互提供數據基礎，實現水電設備故障風險動態計算，提高水電廠運行安全性與穩定性。

3 算例仿真

本文以我國某地區水力發電廠的典型日內實際水電設備運行數據為樣本，對所提基于區塊鏈的水電設備故障風險動態計算模型進行仿真驗證。水電廠的實際水電設備故障風險相關數據主要包括部門生產數據、設備的運行狀態參數、員工的操作情況相關數據、環境參數等。

本文為提高水電廠水電設備故障風險動態計算模型的計算精度，通過對水電設備故障風險數據進行預處理，能夠識別與剔除水電設備故障風險數據中的無關數據和異常值，減小對水電設備故障風險數據預測計算模型的影響，數據處理后篩選的結果如圖4所示。

圖4 數據處理結果Fig.4 Data processing results

分別采用本文提出的自適應混沌粒子群算法優化的RBF神經網絡模型（SA-CPSO-RBF）、帶壓縮因子的粒子群算法[16]優化的RBF神經網絡模型（YSPSO-RBF）、ADAM算法優化的RBF神經網絡模型（ADAM-RBF）、RBF神經網絡模型對本文提出的基于區塊鏈的水電設備故障風險動態計算模型的有效性進行驗證測試。設置種群初始規模為200；最大訓練次數I=200；學習因子c1=1.06，c2=1.35；迭代最大時的慣性權值L=0.25；初始 慣 性 權 值w'=0.9；SA-CPSO-RBF，ADAM-RBF和YSPSO-RBF的初始權值分別由SA-CPSO算法、ADAM算法和YSPSO算法尋優得出并通過誤差反饋不斷更新，傳統RBF神經網絡模型的初始權值經隨機獲取后自動賦值，通過仿真實驗，4種模型的仿真結果如圖5，6與表1，2所示。

表1 算法的求解結果Table1 The results of the algorithmss

通過圖5中各算法計算輸出的對比結果可以看出，與YSPSO-RBF模型、ADAM-RBF模型、RBF神經網絡模型相比，本文采用的SA-CPSORBF模型在基于區塊鏈的水電設備故障風險動態計算模型中的預測值與實際結果最接近。

圖5 計算對比結果Fig.5 Calculate the comparison results

由圖6所示的各算法的計算誤差對比結果可知，本文提出的SA-CPSO-RBF模型水電設備故障風險數據預測結果與YSPSO-RBF模型、ADAM-RBF模型、RBF神經網絡模型相比，其計算誤差分別降低了44.64%，52.83%，62.79%。因此，采用本文所提出的模型對水電設備故障風險進行動態計算，能夠得到更高精度的計算結果，為水電廠在應對生產和運行過程中存在的不確定因素和安全隱患時提供更精準的指導，可有效實施水電廠安全生產的動態管理，促進組織結構優化，同時仿真結果也驗證了所提模型的有效性。

圖6 計算誤差對比結果Fig.6 Computational error comparison results

由表1可知，在本文提出的基于區塊鏈的水電設備故障風險動態計算模型中，采用SA-CPSO算法對RBF神經網絡的權值進行求解，并采用Jaccard距離進行修正，其收斂速度與求解速度優于ADAM算法和YSPSO算法。因此，通過使用區塊鏈技術實現水電設備故障風險數據記錄與數據交互能夠有效提高模型的計算速度。表2中3種數據預測模型的計算結果表明，本文采用的SACPSO-RBF模型的計算速度與計算精度優于YSPSO-RBF模型、ADAM-RBF模型與RBF神經網絡模型。

表2 數據預測模型的計算結果Table2 The results of the algorithms

4 結束語

針對水電廠內水電設備在運行和生產過程中存在安全隱患等問題，實現水電設備生產管理數據與實際運行情況的信息交互，本文提出了一種基于區塊鏈的水電設備故障風險動態計算模型，并以我國某地區水力發電廠的典型日內實際安全生產數據為樣本，通過算例仿真可得，基于去中心化的區塊鏈可信數據交換技術，采用自適應混沌粒子群算法建立水電設備故障風險數據預測計算模型，并對計算誤差反饋和計算模型優化建立的水電設備故障風險動態計算模型，能夠實現水電廠安全生產的動態監督，提高水電廠對生產和運行過程中存在的不確定因素和安全隱患的應對能力。