基于大數據的智慧水電云平臺研究

王曉蘭，管毓瑤，胡思宇，劉守豹

(大唐水電科學技術研究院有限公司，廣西 南寧 530007)

0 引言

近年來，云計算、大數據、物聯網、移動互聯網、人工智能等新技術的創新發展，打破了傳統思維，也影響著發電領域。水電行業中，云計算和信息化已經應用于各個環節中，對這些信息化數據的存儲、計算和分析有著非常大的需求[1-2]。

目前，國內的水電廠已經過一段時間的信息化建設，一些規模較大的電廠已基本實現信息化管理，建立了大量的監控、監測和管理系統來滿足日常運行工作的需要和解決特定的管理問題[3-5]。在生產運行中運用電子信息技術，實現部分步驟的自動化生產，如自動化控制、生產設計自動化、智能電表等，采集了大量的生產、運行、管理數據等[6-9]。這些系統功能各有側重，收集到的信息既有交集，也存在差異和互補的內容。隨著水電廠的發展和管理要求的提高，不同專業數據應用之間、水電廠和上級管理部門之間的信息共享和協作要求越來越高，迫切需要一個可以將多業務系統數據綜合利用、協同分析、為現場一線技術人員提供業務優化的綜合平臺。目前，也有很多學者對于水電數據的深度挖掘、綜合應用做出了探索與研究，但是大多僅僅停留在方案設計階段，未能落地實現，也有少部分的落地項目依然存在數據應用薄弱的問題，對數據的展示大于對數據的挖掘與分析，沒有充分實現智能決策[10-11]。

1 存在問題

電力系統在數據應用方面主要存在以下問題。

1) 數據來源于多系統，互相獨立，缺少多源數據融合，數據無法共享。

2) 目前水電廠多采用在線監測系統的實時預警對設備狀態進行監測，這種預警基本屬于對單一部位的越限預警，沒有對多數據進行聯合挖掘。

3) 目前的故障診斷與劣化分析多采用機理模型進行判斷，對于人工智能的應用不夠深入。

下面研究的基于大數據的智慧水電云平臺，解決了水電廠智能系統功能單一、數據鏈條無法打通、數據應用不夠深化等一系列問題。研究的基于水電數據的遠程故障診斷、工況識別技術，可以有效實現數據的深化應用，挖掘更多數據價值，為智慧電廠的建設提供技術支撐。

2 平臺總體架構

基于數據應用需求，設計與開發多模塊集成的web 應用，依托拾貝云開發平臺，綜合運用多種開源軟件框架完成系統相關功能建設。采用JavaEE標準體系B/S 構架技術實現，借助Spring Cloud提供的API 網關服務，Eureka 實現微服務?？傮w系統架構分為基礎感知層、數據管理層、業務應用層、綜合展示層以及決策層五層結構?；A感知層主要完成數據采集與接入，數據管理層處理數據存儲及治理相關任務，業務應用層主要基于數據資源進行數據挖掘分析與應用，綜合展示層主要完成對業務數據及監測數據的展示與可視化，決策層主要基于智能應用結果為現場決策提供輔助參考。具體架構如圖1 所示。

圖1 系統架構

1) 基礎感知層。利用電廠現有傳感、計量等邊緣感知設備為云平臺提供數據支撐。接入電廠的計算機監控系統、水情水調系統、在線監測系統以及電量采集系統的全息監測數據，作為平臺源數據。

2) 數據管理層。針對基礎感知層采集到的數據以清洗、轉換、聚合、存儲等步驟的工作流對數據進行全鏈路管理。

3) 業務應用層?；跀祿芾韺犹峁┑臄祿者M一步實現web 服務、事務管理、消息服務、模型映射等前后端web 應用功能，并基于數據實現狀態監測、劣化預警、故障預警、故障診斷等業務功能模塊。

4) 綜合展示層?；跔顟B監測、劣化預警、故障預警、故障診斷等業務功能進行匯總分析，形成包含統計報表、生產管理指標、設備故障診斷指標、生產經營管理指標等內容的可視化圖表并進行展示。

5) 決策層：利用多終端來創建沉浸式電廠運營輔助管理和總體決策支持的虛擬現實環境，通過云平臺實現關鍵信息的快速獲取，實現風險預警、輔助決策管控以及應急指揮等功能。

3 平臺關鍵技術

3.1 數據存儲

基于MySQL、TDengine 兩種數據庫實現數據存儲。其中，MySQL 數據庫主要存儲頁面測點信息、賬戶、賬戶權限信息等web 應用所需要的數據。針對電廠監控數據的數據量多、高度結構化，強時間序列，“增查”多，“刪改”少，相比于具體更關心趨勢等特點，選擇了國產數據庫TDengine，其主要用于存放生產數據的各測點(表)的時序數據。TDengine 數據庫專為物聯網、車聯網、工業互聯網、運維監測等優化而設計，性價比高，開源，支持云端和本地部署的高效存儲、查詢分析時序大數據。

基于系統需求，設計搭建TDengine 分布式集群，集群中共有三臺服務器作為物理節點。在TDengine 數據庫存儲技術中，為更好適應異構的硬件設備，完成負載均衡、查詢任務等工作，每個物理節點配置多個虛擬節點，利用虛擬節點存儲具體數據，每個虛擬節點包含多個表，并在虛擬節點上進行針對時序數據的插入和查詢等操作。虛擬節點以異步方式實時同步數據，保證數據最終一致；一份數據在多臺物理機器上有拷貝，保證系統運行可靠性；虛擬管理節點采用Master-Slave 機制，保證元數據的高可靠性。

3.2 智慧應用

平臺利用豐富的機器學習、深度學習、人工智能算法，對水電數據進行挖掘及應用，為智慧電廠建設中智慧決策、智慧診斷等應用場景的升級賦能。平臺主要設計了劣化預警、故障診斷與預測、狀態評估等三個方面的智慧應用。

3.2.1 劣化預警智慧應用

發電設備從正常到故障是個漸變過程，此應用可及時準確地獲取設備狀態信息，為設備維護維修提供指導，預防故障發生。此應用從狀態分析、趨勢分析兩大方面展開，如圖2 所示。

圖2 劣化預警分析

按照“設備部件基礎特征參數→計算基礎特征參數劣化指數→計算部件劣化指數→計算設備劣化指數”的流程來進行劣化評價，最終得到設備(發電機、水輪機等)的劣化評價指數，如圖3 所示。

圖3 劣化預警流程

3.2.2 故障診斷與預測智慧應用

此應用是基于設備運行產生的各種數據(在線監測的實時數據，以及檢測、歷史缺陷、故障樣本等離線數據)，匯聚多種專業知識，具備敏感的模型差異捕獲能力，可以發現故障的早期征兆，給出預測信息，如圖4 所示。

圖4 故障診斷與預測技術路線

3.2.3 狀態評估智慧應用

基于實時監測、狀態分析、趨勢分析、智能診斷，充分運用統一設備建模、可靠性檢修策略等高級應用算法及模型實現狀態評估及檢修輔助決策，如圖5 所示。

圖5 狀態評估技術路線

此應用依據設備狀態特征量和狀態評價相關導則，利用模糊識別的相關算法，對反映設備健康狀態的各項指標進行分析評價，并最終得出設備總體健康狀態等級。

4 應用實例

該平臺已采集接入某集團在川發電企業所轄10 個水電廠的生產運行數據，做到實例化。平臺以某水電廠為例，實現了平臺所設計的相關模塊與功能。同時開發和設計了油色譜分析、振擺分析、過電壓分析診斷、溫度分析診斷等智能分析模型。通過測試，該平臺有較強的穩定性，所開發的智能模型準確率能夠達到90 %以上，對于促進輔助決策，以及實現狀態檢修具有顯著效果。

5 結束語

1) 針對水電廠數據來源的多系統問題，采用集控中轉接入的方式，實現多系統數據的一站式接入。使用專業的國產物聯網分布式時序數據庫TDengine 搭建時序數據庫集群，實現了海量數據的快速寫入和快速讀取。

2) 所研究的水電云平臺功能健全，可以實現數據的綜合利用，且采用微服務架構，易于擴展。

3) 基于各個專項監測設備集成起來的全息監測數據，通過數據關聯與融合，進行綜合分析。基于專家系統，研究油色譜分析、振擺分析、過電壓分析診斷、溫度分析診斷等智能分析模型，為變壓器、水輪機、避雷器、斷路器等提供故障診斷、預警、維修指導。實現了設備運行狀態的自動研判、自主分析和危險預警功能，實現設備缺陷早發現、設備故障早報警的功能，助力電廠實現智慧運行、智慧檢修和智慧管理。