基于余弦相似性的在線監測系統智能預警方法

張軍軍

基于余弦相似性的在線監測系統智能預警方法

張軍軍

（國電南京自動化股份有限公司，南京 211106）

針對當前發電廠在線監測系統設備報警即故障的問題，提出一種基于余弦相似性的電力設備智能預警方法。基于發電廠遠程診斷平臺提供的設備監測數據驅動，根據設備特征參量，利用余弦相似性計算設備測點數據之間的相關性，得到狀態矩陣，進而構建針對特定設備測點數據的預警模型，以實現設備的早期預警。工程應用案例表明，本文所提方法可實現智能預警，解決了在線監測系統設備報警即故障的問題，減少了電廠設備故障的發生，提升了巡檢人員的工作效率。

余弦相似性；在線監測系統；智能預警；數據驅動；特征參量

0 引言

近年來，隨著計算機技術和大數據技術的快速發展，智能預警廣泛應用于各行各業，如周江建等利用預警技術對煙草車間傳送設備齒輪磨損情況進行研究[1]；趙云龍等將智能預警技術應用于配電網，對其運行風險進行研究[2]；馬樂等利用視頻監控實現了智能預警技術在油田生產工作中的應用[3]。智能預警是通過對設備的大量運行數據進行學習，實現對異常數據的識別并提前報警，以降低設備故障風險的過程。

水輪發電機是水電廠中最關鍵的電力設備，若此類設備發生嚴重故障則會給電廠帶來重大的安全風險和經濟損失，因此對設備故障進行智能預警、確保設備安全穩定運行具有重要意義。

傳統的智能預警方法基于固定閾值進行異常判定，無法實現對設備故障的提前報警，導致設備報警即發生故障的問題頻繁出現，因此有必要對設備智能預警技術進行研究。

國內外諸多學者和工程人員對狀態檢測系統智能預警與故障診斷[4-6]技術進行了深入研究。HE Kaixun等[7]通過一種基于多塊的方法進行異常檢測和預警，并將其應用于火力發電廠。XIE Jinglong等[8]利用物聯網技術輔助實現了智能電網預警系統。朱明增等[9]通過對電力設備存在的危險點進行判定和分析，利用溫度預警模塊設計并提出電網調控一體化運行電力設備危險點智能預警方法。孫方楠等[10]為了提高電網自動化管理水平，實現電網的調度預警，構建了電網智能調度預警系統，為電網調度預警可視化提供了思路。任曉輝[11]對電網調度控制自動化系統運行狀態的實時監視、評價、預警及故障進行了研究。貢文明[12]利用智能算法設計了電力設備的遠程故障預警系統，為電力設備智能預警系統的設計提供了參考。此外，佘兢克等[13]基于深度學習方法對核電站的失水事故進行智能預警與仿真研究。安東等[14]將智能預警監測系統應用于水電站和風電場中，減少了設備的維修工作。HAO Guo等[15]研究了智能輔助帶電作業安全監測預警技術。

針對電廠關鍵設備，本文基于余弦相似性[16]提出一種在線監測系統智能預警方法。余弦相似性廣泛應用于數據挖掘[17]領域，可通過運行數據之間的關聯性來挖掘潛在的數據信息，為系統提供預警決策。基于發電廠豐富的在線監測數據[18]，本文利用余弦相似性獲得設備測點狀態矩陣，構建設備預警模型，并采用動態閾值調整技術實現設備測點模型的早期預警。現場應用表明，本文所提方法可解決在線監測系統設備報警即故障的問題[19]，有效減少了電廠設備故障的發生，提升了巡檢人員的工作 效率。

1 余弦相似性

余弦相似性是一種數學計算方法，通過計算向量空間中兩個向量之間夾角的余弦值來作為兩個向量之間的相似性度量。兩向量余弦值越大，表明夾角越小，表示兩向量相似性越高。

向量空間中兩維向量與的余弦相似性計算公式為

式中：為向量和之間的夾角；x與y分別為向量和的第個元素。

2 基于余弦相似性的預警方法

2.1 建立預警模型

建立基于余弦相似性的多參量預警模型的基本步驟如下。

1）關聯性分析及異常數據篩選

依據設備機理及專家經驗，初步篩選建模參數。通過可視化視圖查看初篩建模參數的數據趨勢。以可視化圖形的方式直觀地進行測點數據之間的關聯性分析[20]，選取相關性較強的個測點參量用于模型構建，并結合發電廠班組運行經驗，剔除非正常運行的歷史數據，保留剩余數據用于構建模型。

2）構建狀態矩陣

式中，m()為時刻采集到的第個測點的數據值。

結合設備工況[21]變化情況，選擇不同時刻的個模式組成模型測點的狀態矩陣，即

式中，(1)、(2)、???、()為個時刻的個測點所組成的個模式。狀態矩陣中的每一列向量即某一時刻（=1, 2,…,）由個相關聯的測點所組成的一個模式，代表設備的一種正常運行工況，中的個模式表示設備運行的整個動態過程。

3）計算模式間余弦相似度得到相似度向量

計算模型測點的輸入模式與模型測點狀態矩陣中每一模式的余弦相似度，得到模型測點的相似度向量為

4）相似度向量標準化

將相似度向量轉化為標準化權重向量，即

式中：為未標準化的權重向量；-1為狀態矩陣的轉置矩陣與計算得到的余弦相似度所組成矩陣的逆矩陣。

5）構建預警模型

根據以上步驟，可以得到預警模型為

將某一時刻模型測點的實時值輸入預警模型可得到預測值，進而得到輸入的實際值與預測值的偏差。

根據實際值和預警模型的預測值選取5種評價指標，即整體模型余量、實際值、預測值、相對偏差、絕對偏差。整體模型余量是一種整體誤差的表示方式，每個參量均參與整體模型余量的計算，且每個參量都對該誤差有一定的貢獻。絕對偏差是實際值與預測值之差。相對偏差是絕對偏差占實際值的比例。通過多種評價指標與預警策略的設定來觸發預警。

2.2 具體建模過程

本文所構建的智能預警模型[22]基于烏江渡水電廠遠程診斷平臺數據。圖1為發電機部件特征參量建模[23]。預警模型的構建依賴發電機各部件的特征參量。

圖1 發電機部件特征參量建模

本文對烏江渡水電廠3號機組上導軸承瓦溫異常預警模型的建模過程進行介紹。基于發電機上導軸承的特征參量，初步篩選的建模參數如圖2所示。

通過可視化視圖查看初篩建模參數的數據趨勢并進行建模參數間的關聯性分析。初篩建模參數的數據趨勢如圖3所示，建模參數間的關聯性分析如圖4所示。

圖2 初步篩選的建模參數

圖3 初篩建模參數的數據趨勢

圖4 建模參數間的關聯性分析

利用余弦相似性建立的3號機組上導瓦溫溫度模型（相似性）雷達圖如圖5所示。

圖5 3號機組上導瓦溫溫度模型（相似性）雷達圖

3 工程案例分析

本文所選案例來自于烏江渡水電廠1號機組的推力軸承油溫2溫度異常預警。本文所建立的智能預警模型自2020年12月8日投入烏江渡水電廠試運行，實時監控1號機組、3號機組的上導軸承、定子線圈、空氣冷卻器、推力軸承、水導軸承，成功預警1號機組和3號機組共4起隱患。

1號機組推力軸承油溫2案例發生過程如圖6所示。智能預警模型在元件失效之前7天左右，提前發現異常并準確預警。1號機組推力軸承油溫2的溫度正常值在30～45℃，2021年1月12日首次出現200℃，持續時間較短，未滿足預警模型觸發規則。

2021年1月14日，1號機組推力軸承油溫2溫度值為200℃，持續時長近8h。系統在持續時間至15min左右時已發出預警提醒，電廠工作人員開始關注此預警事件。

2021年1月20日，1號機組推力軸承油溫2溫度值恒為200℃，系統一直處于預警提醒狀態，初步分析，該測點已失效。

圖6 1號機組推力軸承油溫2案例發生過程

2021年1月21日，電廠工作人員審核預警信息，明確1號機組推力軸承油溫2測點異常，并將該預警事件登記在案，建議待機組檢修時更換元件。

2021年3月22日，在1號機組檢修期間，更換軸承油溫2的測溫元件。更換后，推力軸承油溫2溫度值恢復正常，預警提醒事件消除。

2021年1月14日10:00左右，1號機組的推力軸承溫度異常模型發出預警，整體模型余量與絕對偏差同時發出預警信息，并且誤差信息遠超設定的多級預警閾值，該異常現象一直持續至當日18:00。1號機組推力軸承油溫2模型整體余量如圖7所示，1號機組推力軸承油溫2絕對偏差如圖8所示。1號機組推力軸承油溫1、油溫2、瓦溫5的原始數據分別如圖9～圖11所示。

圖7 1號機組推力軸承油溫2模型整體余量

1號機組推力軸承油溫1與1號機組推力軸承瓦溫5在2021年1月14日同一時間段內的溫度最高值不超過50℃，而1號機組推力軸承油溫2高達200℃，且持續時長近8h，可將1號機組推力軸承油溫2溫度異常現象歸結為該測點傳感器或通信故障。值得注意的是，早在2021年1月12日9:00，推力軸承油溫2也出現了監測溫度為200℃的異常現象，但該現象持續時間較短，未觸發預警機制，之后傳感器正常運行。

圖8 1號機組推力軸承油溫2絕對偏差

圖9 1號機組推力軸承油溫1

圖10 1號機組推力軸承油溫2

圖11 1號機組推力軸承瓦溫5

縱觀2021年1月8日—3月24日的1號機組推力軸承油溫2的歷史數據，推力軸承油溫2測溫元件故障問題于1月14日開始突顯，后逐漸劣化，并于1月20日完全失效。經核查電廠巡視記錄，該異常現象于測溫元件完全失效后的次日被記錄在相關文件中。電廠缺陷記錄如圖12所示。

圖12 電廠缺陷記錄

4 結論

本文提出一種基于余弦相似性的在線監測系統智能預警方法。基于發電廠遠程診斷平臺提供的設備監測數據，利用余弦相似性來計算設備測點數據之間的相關性，得到狀態矩陣，進而構建針對特定設備測點數據之間的預警模型，實現了設備的早期預警。工程應用案例表明，本文所提方法可提前進行設備故障報警，解決了在線監測系統設備報警即故障的問題，有效減少了電廠設備故障的發生，提升了巡檢人員的工作效率。

[1] 周江建, 劉宇晨. 煙草車間傳送設備齒輪磨損智能預警方法研究[J]. 機械制造與自動化, 2022, 51(3): 244-247.

[2] 趙云龍, 傅文進, 李沛. 基于大數據的配電網運行風險智能預警方法[J]. 自動化應用, 2022(1): 116- 118, 122.

[3] 馬樂, 張韜, 王睿, 等. 智能預警視頻監控在油田生產中的應用[J]. 中國管理信息化, 2021, 24(5): 83-84.

[4] 杜厚賢, 劉昊, 雷龍武, 等. 基于振動信號多特征值的電力變壓器故障檢測研究[J]. 電工技術學報, 2023, 38(1): 83-94.

[5] 余穎, 劉亞東 ,李維, 等. 配電線路針式絕緣子早期故障動態特性研究[J]. 電工技術學報, 2023, 38(1): 71-82.

[6] 趙耀, 陸佳煜, 李東東, 等. 基于機電信號融合的電勵磁雙凸極電機繞組匝間短路故障診斷[J]. 電工技術學報, 2023, 38(1): 204-219.

[7] HE Kaixun, WANG Tao, ZHANG Fangkun, et al. Anomaly detection and early warning via a novel multiblock-based method with applications to thermal power plants[J]. Measurement, 2022, 193: 110979.

[8] XIE Jinglong, XIAO Xinxiu, XU Yao, et al. An IoT assisted early warning system for smart grid[J]. Journal of Physics: Conference Series, 2022, 2218(1): 012027.

[9] 朱明增, 李旭橫, 劉小蘭, 等. 電網調控一體化運行電力設備危險點智能預警[J]. 自動化與儀器儀表, 2020(11): 206-209, 215.

[10] 孫方楠, 梁后健, 袁瑜, 等. 基于可視化技術的電網智能調度預警系統構建[J]. 自動化與儀器儀表, 2018(5): 127-130.

[11] 任曉輝. 電網調控自動化系統運行狀態在線監視與智能診斷研究及應用[J]. 電力系統保護與控制, 2018, 46(11): 156-161.

[12] 貢文明. 基于智能算法的發電設備遠程故障預警系統分析[J]. 中國設備工程, 2022(11): 138-140.

[13] 佘兢克, 施天姿, 唐鈺淇, 等. 核電站失水事故的智能預警及仿真方法研究[J]. 儀器儀表用戶, 2021, 28(12): 35-40.

[14] 安東, 李峰, 陳煒, 等. 智能接地監測預警系統在水電站和風電場的應用[J]. 四川水力發電, 2017, 36(4): 116-119.

[15] HAO Guo, WANG Zhigang, MAO Dun, et al. Research on safety monitoring and early warning technology of intelligent auxiliary live working[C]// 2nd International Conference on Mechanical, Elec- tronics, and Electrical and Automation Control (METMS 2022), Guilin, China, 2022.

[16] KHALAJ F, KHALAJ M. Developed cosine similarity measure on belief function theory: an application in medical diagnosis[J]. Communications in Statistics- Theory and Methods, 2022, 51(9): 2858-2869.

[17] FRANCESCHINI R, ROSI A, CATANI F, et al. Exploring a landslide inventory created by automated web data mining: the case of Italy[J]. Landslides, 2022, 19(4): 841- 853.

[18] 韓璐. 變電站一次設備在線監測數據診斷及運維檢修分析[J]. 電力系統裝備, 2019(20): 91-92.

[19] 張軍軍, 陳果, 盧應強, 等. 風電場主設備預警診斷系統設計與開發[J]. 電氣技術, 2023, 24(5): 52-57.

[20] 盧明, 伍川, 盛從兵, 等. 復合絕緣子酥朽斷裂及內擊穿故障的關聯性分析[J]. 電瓷避雷器, 2022(1): 157-164.

[21] 安貴元, 高輝, 楊雪梅, 等. 在線監測在高壓電氣設備工況分析中的典型應用[J]. 電氣技術, 2014, 15(8): 68-69.

[22] 鄭慧娟, 黃海軍. 水電廠生產運行智能預警模型設計思想[C]//中國水力發電工程學會自動化專委會2021年年會暨全國水電廠智能化應用學術交流會論文集, 南京, 2021: 318-321.

[23] 王非, 馬雁, 劉黎明. 基于大數據分析的燃氣—蒸汽聯合循環機組遠程診斷平臺及其應用[J]. 電力與能源, 2018, 3(5): 693-694, 697.

Intelligent early warning method of online monitoring system based on cosine similarity

ZHANG Junjun

(Guodian Nanjing Automation Co., Ltd, Nanjing 211106)

When there is equipment alarms in the online monitoring system of power plants, there is equipment failure. An intelligent early warning method of power equipment based on cosine similarity is proposed to address this problem. Based on the equipment monitoring data provided by the remote diagnosis platform of the power plant, the cosine similarity is used to calculate the correlation between the equipment measurement point data according to the equipment characteristic parameters, and the state matrix is obtained. Then the early warning model for the specific equipment measurement point data is constructed to realize the early warning of the equipment. The engineering application case shows that the method proposed to this paper can carry out equipment early warning in advance, reduce the occurrence of power plant equipment fault, and improve the work efficiency of patrol inspectors.

cosine similarity; online monitoring system; intelligent early warning; data driven; characteristic parameters

2023-07-07

2023-07-21

張軍軍（1994—），男，碩士，工程師，主要從事電氣設備在線監測與預警診斷智能化技術研究工作。