分布式水電站在線監測與故障診斷平臺研究

王宇庭

（中國長江三峽集團有限公司中國三峽武漢科創園，湖北 武漢 430015）

0 引言

中國擁有的大量水能資源為實現“雙碳目標”提供了有力支撐。當前，風電、水電、光伏發電互補已成為新能源的發展趨勢。水風光一體化發電的新模式對水電站設備管理提出了挑戰。水電站需要更加頻繁的啟停機組，增加或減少負荷以滿足電網調頻的需求。水電站運管能力，尤其是在線狀態監測和故障診斷能力是保證設備安全可控運行，實現水風光一體化發電的重要條件。目前，我國的中大型水電站已經基本實現了設備狀態監測、故障診斷功能。

進一步提升水電站的運管能力，有效提升水電站設備在線監測和故障診斷的能力，是當前重要的研究內容。陳輝 等[1]采用大數據和神經網絡算法構建了流域梯級水電站集中診斷平臺，提升了機組故障診斷的效率。張俊嶺[2]采用運籌學和動態規劃技術構建水電站信息系統，擴展了水電站監測系統的功能。蔣致樂[3]從硬件和軟件兩個維度研究了靜態和動態檢驗的方法，提升了現場檢測技術的覆蓋度。孫小江 等[4]從感知層、網絡層、應用層3個層面設計了基于物聯網技術的水電站在線監測平臺。姜小艷[5]設計了針對壓縮機的監測與故障診斷系統。

對已有研究成果分析可知，國內在水電站設備狀態監測和檢修管理系統研究和應用方向上已經具備了廠站級設備在線監測與故障診斷系統、大規模設備狀態分析系統建設與運維的能力。但是當前大型流域水電集團下轄的水電站分布范圍比較廣，設備類型和設備數量比較多，大量實時設備狀態分析數據擠占網絡帶寬，數據的集中存儲和實時分析占用大量的服務器資源，導致已有的集中式在線監測和故障診斷系統性能較低。為解決此問題，提出了一種分布式水電站在線監測與故障診斷平臺建設思路，在該平臺基礎上提出了基于區塊鏈的分布式監測機制和基于聯邦學習的故障診斷機制。

1 體系結構

本文提出的分布式水電站在線監測與故障診斷平臺的體系結構如圖1 所示，該平臺包括前端智能采集層、數據邊緣存儲與計算層、智能控制中心層。

圖1 分布式水電站在線監測與故障診斷平臺的體系結構

前端智能采集層由多個獨立的水電站數據采集節點構成。每個水電站數據采集節點包括設備狀態數據采集節點、環境參數采集節點、網絡參數采集節點。通過這3 種類型節點的數據采集，每個水電站可以對水電站設備、環境以及通信網絡進行實時的數據采集，為水電站在線監測和故障診斷提供詳細、實時的運行數據。

數據邊緣存儲與計算層主要包括邊緣存儲節點和邊緣計算節點。邊緣存儲節點可以實現設備與環境基礎數據存儲、水電站運營結構化數據存儲、水電站運營非結構化數據存儲。設備與環境基礎數據包含水電廠的位置、規模、設備類型、環境等基礎數據。邊緣計算節點主要包括權限管理服務、數據管理服務、實時計算服務、在線監測服務、故障診斷服務、優化與檢修服務。權限管理服務模塊主要功能是對邊緣計算和數據的訪問進行權限管理，保證數據和節點的安全。數據管理服務主要是對前端采集層的數據進行管理，并為在線監測、實時計算和故障診斷模塊提供數據支撐。實時計算服務模塊主要功能是快速完成水電廠管理中心下發的臨時計算任務。在線監測模塊主要功能是對水電廠的設備、環境、網絡等狀態數據進行實時獲取和分析，并將異常信息以告警的形式上報給水電站的故障診斷服務模塊。故障診斷服務模塊主要功能是根據在線檢測提供的告警數據以及數據管理服務模塊提供的基礎數據，采用基于規則、人工智能等算法快速實現故障定位。優化與檢修模塊主要功能是根據故障處理結果、或者是一線運維人員的指令，對水電廠的設備環境以及網絡狀態進行優化調節，提升水電站運營的可靠性和穩定性。

智能控制中心層包括云計算節點和區塊鏈節點。云計算節點主要包括計算權限管理、在線監測管理、故障診斷管理、優化與檢修管理、誠信管理、實時計算服務模塊。云計算節點的部分功能模塊與邊緣計算節點的功能模塊類似，主要區別是云計算節點的功能是從全局多個水電站的視角進行全方位的全局管理。與邊緣計算節點不同，在云計算節點增加了誠信管理模塊，該模塊主要是為了防止部分水電站在分布式水電站監測與故障診斷協作過程中，出現上報數據延遲、數據不準確、檢修拖沓等問題。誠信管理服務模塊的目標是調動各個水電站的積極性和責任心，從而提升智能控制中心的決策與運維效率。

區塊鏈節點主要包括數據權限管理、數據服務管理、共識機制、智能合約4 個模塊。數據權限管理模塊主要是對全局數據訪問的權限進行認證和管理，從而保證數據的安全性。數據管理服務模塊主要功能是與邊緣計算節點進行協作，獲取云計算節點中需要使用的數據，并對數據進行臨時存儲。共識機制是在多個分布式的水電站之間建立一種公平公正的選舉制度，從而保證參與到分布式水電站平臺的水電站具有公平的競爭機制。智能合約是將分布式水電站的數據管理、權限管理等功能模塊，實現程序化運營，從而提升分布式水電站在線監測與故障管理平臺的運營效率。

2 運行機制

2.1 基于區塊鏈的分布式監測機制

由于區塊鏈技術在數據溯源、防篡改方面具有較好的應用價值[6，7]，本文將區塊鏈技術應用到分布式監測機制中，提出基于區塊鏈的分布式監測機制。該機制包括數據采集、數據清洗和存儲、數據使用、數據上鏈4 個步驟。

①在數據采集階段，由數據采集節點對設備、環境數據進行采集。包括主動數據采集和被動數據采集兩種方式。被動數據采集是采集節點向設備、環境等物聯網傳感器和監測設備發送數據采集請求，由被采集設備向數據采集節點回傳相關的數據。主動數據采集是指物聯網傳感器和監測節點將突發事件或數據指標超過閾值的數據主動上報給數據采集節點。②在數據清洗和存儲階段，由邊緣存儲節點對本區域內采集進來的數據進行清洗和存儲。數據清洗之后可以包含結構化數據和非結構化數據兩類。在數據存儲階段，為了提升數據的可靠性和可用性，將數據存儲到本區域的邊緣存儲節點，可以有效解決數據丟失的問題。③在數據使用階段，主要是邊緣計算節點對本區域內的數據進行使用。邊緣計算節點在使用本區域數據時包括下面兩個維度。首先，對于一些緊急的事件或者通過專家系統規則可以識別出的異常數據，通過本地的邊緣計算節點能夠快速的進行響應，提升數據的使用效率。另一個維度，邊緣計算節點與智能控制中心的設備進行協作，采用基于聯邦學習的故障定位機制對故障進行管理。④在基于區塊鏈的數據上鏈過程中，由于每個水電站都可能受到病毒攻擊或者出于惡意競爭的原因而做出錯誤的決策。所以，在基于區塊鏈的分布式監測機制中，將下面兩類數據上傳到區塊鏈進行存儲。第一類數據是沒有或者是很少涉及隱私的數據，以及關鍵指標數據。另一方面的數據是聯邦學習中訓練模型中得到的模型數據。關鍵指標數據可用于分布式監測系統判斷各個區域內水電站是否遭受病毒攻擊，以及被監測重要節點的數據。

2.2 基于聯邦學習的分布式故障定位機制

由于聯邦學習在分布式場景中具有模型訓練效率較高的特點[8]，本文設計了一種基于聯邦學習的分布式故障定位機制。該機制包括啟動故障定位模型訓練任務、邊緣計算節點執行本地訓練、云計算節點對模型進行評價、模型應用4 個過程。

①在啟動故障定位模型訓練任務步驟中，云計算節點根據各個邊緣計算節點的計算請求，啟動故障定位模型訓練任務。由于邊緣計算節點的覆蓋范圍小、設備故障處理經驗不足，當邊緣計算節點不能有效解決故障定位問題時，需要由云計算節點進行決策。②在邊緣計算節點執行本地訓練步驟中，云計算節點將模型訓練任務下發給各個邊緣計算節點時，邊緣計算節點需要從本區域內的邊緣存儲節點獲取模型訓練數據并在本地進行訓練。根據訓練的要求，各個邊緣計算節點可以對模型的參數進行優化，并將優化的結果返回給云計算節點。③在云計算節點對模型進行評價步驟中，云計算節點在得到各個邊緣計算節點的訓練模型參數后，將這些參數和關鍵的數據進行聚合，并根據模型的應用效果要求邊緣計算節點再次訓練。關于模型聚合的方式，可以使用函數獲取，也可以使用簡單的均值計算方法獲取。④在模型應用步驟中，當模型訓練的結果收斂到一定閾值內時，模型訓練結束。云計算節點將訓練好的模型下發給任務請求節點，由任務請求節點對模型進行實施和優化。可以采用的優化方法包括設定目標函數值來判斷或者設定訓練次數值來判斷。最后，相關邊緣計算節點將模型執行結果返回給云計算節點，由云計算節點對模型及應用效果進行保存。

3 性能分析

在性能分析方面，從平臺的可用性、安全性、可靠性3 個維度，驗證了本文提出的在線監測與故障診斷平臺和機制具有較好的應用價值。

（1）在平臺的可用性分析方面，從平臺的3 個層次分別分析該平臺的可用性。在前端智能采集層，該平臺的體系架構通過在各個水電站采用物聯網技術去采集設備、環境和網絡狀態的參數。當前物聯網技術已經比較成熟，所以前端采集具有可用性。在數據邊緣存儲和計算層，本文將各個水電站的數據存儲到邊緣存儲節點，在網絡帶寬保留和數據存儲效率方面都具有較好的可用性。對于一些常見的故障或者采用本地計算節點可以快速處理的緊急事件，采用邊緣計算節點進行執行。在智能控制中心，平臺采用云計算節點對各個邊緣存儲和計算節點不能解決的疑難問題，或者是需要多個水電站相互協作才能解決的問題進行處理，可以從全局的視角提升處理問題的準確率和性能。

（2）在平臺的安全性分析方面，從數據的安全性、計算節點的安全性兩個維度進行分析。在數據的安全性方面，從下面兩個維度對數據進行管理。第一個維度是水電站自身范圍內的邊緣存儲節點對數據進行管理。另一個維度是全局的區塊鏈節點的數據管理。采用邊緣存儲節點對數據管理可以提升數據的使用效率，而且可以避免因為數據傳輸導致的數據丟失或者數據被篡改、數據泄密的問題。采用區塊鏈節點對數據進行管理，可以將關鍵數據或者是模型數據保留在一個更加安全的區塊鏈節點存儲平臺中，避免部分水電站因為安全配置能力弱而遭受黑客攻擊，導致整個或者是多個水電站受到攻擊。所以本文的平臺可以從數據的存儲安全和使用安全兩個維度，保證平臺的安全性。

（3）在平臺的可靠性分析方面，從節點的可靠性和模型可靠性兩個維度進行分析。本文采用分布式的水電站數據監測、分布式的故障診斷技術，可以有效避免單個節點故障導致系統不可用現象的發生。尤其是本文對需要傳輸的全局數據，采用區塊鏈節點進行存儲，有效提升數據的可靠性，為訓練模型提供重要支撐。在訓練模型的可靠性方面，采用聯邦學習的機制，充分調動各個水電站訓練模型的積極性。所以本文的平臺具有較高的可靠性。

4 結語

水電作為一種重要的清潔能源，得到越來越多國家的高度重視。隨著水電站數量的增加，以及水電站對風電、光電的接入，水電站的穩定性和可靠性越來越重要。為了提升水電站的穩定性和可靠性，本文設計了一種分布式的水電站在線監測和故障定位平臺和運行機制。為了進一步提升本文在線監測和故障診斷平臺的應用價值，下一步工作中將基于本文的研究成果，對具體的故障監測和故障診斷模塊進行優化，提升本文成果的應用價值。