大型水輪發(fā)電機(jī)組水淹水車室預(yù)警決策模型研究

靳 帥， 鄭 建 民

(1.國(guó)電大渡河枕頭壩發(fā)電有限公司，四川 樂(lè)山 614700；2.國(guó)電大渡河流域水電開(kāi)發(fā)有限公司，四川 成都 610041)

1 概 述

在水輪發(fā)電機(jī)組運(yùn)行過(guò)程中，水車室的安全運(yùn)行至關(guān)重要，水淹水車室事故的發(fā)生具有一定概率，其后果極為嚴(yán)重。水淹水車室將導(dǎo)致機(jī)組“非?！薄⑺畬?dǎo)油槽等機(jī)械部件受損、油泄漏引發(fā)環(huán)保事件、水淹廠房等后果，給電力安全生產(chǎn)帶來(lái)極大的威脅，尤其是在無(wú)人值守條件下此類事故發(fā)生的后果更為致命[1]。

水淹水車室事故發(fā)生的主要原因包括真空破壞閥故障、主軸密封漏水過(guò)大、導(dǎo)葉套筒漏水、頂蓋排水泵效率降低等[2]。這些因素的發(fā)生具有概率性，目前的監(jiān)測(cè)手段很難實(shí)現(xiàn)提前預(yù)警，事故發(fā)生后通常只能被動(dòng)處理；對(duì)于感知到的各種相關(guān)因素，因?yàn)殡y以判斷具體的影響因子，無(wú)法及時(shí)定位故障原因及位置，導(dǎo)致處置效率低；現(xiàn)有的漏水及水位監(jiān)視和感知手段獲取的數(shù)據(jù)都是單項(xiàng)的、間接的，缺乏綜合分析，不足以支撐作出處置決策，嚴(yán)重依賴人的經(jīng)驗(yàn)。

2 解決方案

大型水輪發(fā)電機(jī)組水淹水車室事故預(yù)警從本質(zhì)上來(lái)講是在多種因素作用下的綜合預(yù)測(cè)決策問(wèn)題，這個(gè)問(wèn)題可以拆分為三個(gè)子問(wèn)題：故障早期預(yù)警，其本質(zhì)是預(yù)測(cè)的問(wèn)題；故障原因定位，其本質(zhì)是故障因素定位和診斷的問(wèn)題；故障處置策略確定，其本質(zhì)是快速解決方案選擇的問(wèn)題。這三個(gè)問(wèn)題解決了，水淹水車室預(yù)警決策的問(wèn)題便得到了很好的解決。針對(duì)這三個(gè)問(wèn)題，通過(guò)對(duì)大型水輪發(fā)電機(jī)組長(zhǎng)期運(yùn)行的大數(shù)據(jù)整理、分析、挖掘，建立模型，最后利用實(shí)際發(fā)生的故障案例驗(yàn)證模型的正確性。

首先，從生產(chǎn)現(xiàn)場(chǎng)的監(jiān)控系統(tǒng)運(yùn)行數(shù)據(jù)(包括模擬量、開(kāi)關(guān)量)、故障案例文檔、檢修記錄文檔、技術(shù)資料、設(shè)備固有信息中獲取模型構(gòu)建所需的數(shù)據(jù)。通過(guò)對(duì)獲取到的數(shù)據(jù)源中的數(shù)據(jù)信息，建立基于LSTM的頂蓋水位時(shí)序預(yù)測(cè)模型，實(shí)現(xiàn)對(duì)頂蓋水位的實(shí)時(shí)預(yù)測(cè)。利用故障案例文檔、檢修記錄文檔構(gòu)建知識(shí)庫(kù)，并結(jié)合技術(shù)資料知識(shí)豐富并構(gòu)建較完整的水車室知識(shí)圖譜。利用監(jiān)控?cái)?shù)據(jù)、實(shí)時(shí)預(yù)測(cè)水位，構(gòu)建基于馬爾可夫邏輯網(wǎng)的水車室故障概率推理模型，實(shí)現(xiàn)對(duì)故障發(fā)生原因的概率推理判斷。最后，結(jié)合概率推理判斷結(jié)果、知識(shí)圖譜，提出針對(duì)故障原因的綜合處置決策。

3 數(shù)據(jù)建模

本研究建模所需數(shù)據(jù)來(lái)自機(jī)組歷史運(yùn)行存儲(chǔ)數(shù)據(jù)，從13個(gè)維度進(jìn)行整理分析，數(shù)據(jù)量約500萬(wàn)條，87 GB大小，采用秒級(jí)精度。

3.1 水位預(yù)測(cè)

針對(duì)頂蓋水位上漲問(wèn)題，從機(jī)組蝸殼進(jìn)口壓力、主軸密封進(jìn)水管流量、密封進(jìn)水管壓力、頂蓋水位、機(jī)組有功、振擺等相關(guān)運(yùn)行數(shù)據(jù)中提取特征量[3]，建立基于RNN(神經(jīng)網(wǎng)絡(luò))的頂蓋水位時(shí)序預(yù)測(cè)模型。首先對(duì)歷史數(shù)據(jù)進(jìn)行預(yù)處理(數(shù)據(jù)清洗、特征篩選)，然后存儲(chǔ)，隨后對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理及特征提取，實(shí)現(xiàn)對(duì)模型的構(gòu)建和數(shù)據(jù)的訓(xùn)練，最終達(dá)到對(duì)頂蓋水位的精準(zhǔn)預(yù)測(cè)能力。根據(jù)數(shù)據(jù)特點(diǎn)將經(jīng)過(guò)訓(xùn)練后的數(shù)據(jù)通過(guò)keras算法構(gòu)建出雙層堆疊LSTM模型。對(duì)模型進(jìn)行算法優(yōu)化和迭代訓(xùn)練后，最終得到平均水位差3.6 mm，均方差4.1 mm，提前量大于20 min的水位預(yù)測(cè)結(jié)果。

在建立了以上的模型(圖1)后，對(duì)超參數(shù)采用n步交叉驗(yàn)證，選擇出最佳超參數(shù)，然后再采用500萬(wàn)條歷史運(yùn)行數(shù)據(jù)作為測(cè)試數(shù)據(jù)對(duì)建立的模型進(jìn)行驗(yàn)證，得到最終效果為平均水位差3.589 mm，均方差4.076。圖2展示的是輸入1 h的運(yùn)行數(shù)據(jù)，得到的是后20 min水位預(yù)測(cè)趨勢(shì)圖。

圖1 模型整體架構(gòu)圖

3.2 知識(shí)圖譜

知識(shí)圖譜(Knowledge Graph)的概念，由Google于2012年率先提出，其初衷是用以增強(qiáng)自家搜索引擎功能和提高搜索結(jié)果質(zhì)量，是百度“知心”和搜狗的“知立方”的效仿對(duì)象。由一些相互連接的實(shí)體和他們的屬性構(gòu)成的。換句話說(shuō)，知識(shí)圖譜是由多條知識(shí)組成，每條知識(shí)表示為一個(gè)三元組[4]。

借助知識(shí)圖譜技術(shù)構(gòu)建了基于故障、檢修維護(hù)的歷史文檔的知識(shí)圖譜，對(duì)相關(guān)的實(shí)體、關(guān)系、屬性詳細(xì)描述，為最終的智能決策，人機(jī)協(xié)同做好基礎(chǔ)。根據(jù)水車室設(shè)備故障樹(shù)、設(shè)備檢修規(guī)則構(gòu)建知識(shí)圖譜本體，對(duì)故障案例文檔和檢修記錄文檔等數(shù)據(jù)源進(jìn)行數(shù)據(jù)融合，構(gòu)建設(shè)備故障知識(shí)圖譜(包含設(shè)備、故障類別、故障原因、故障處置措施)，并采用圖數(shù)據(jù)庫(kù)(Neo4j)進(jìn)行存儲(chǔ)。

對(duì)獲取到的現(xiàn)場(chǎng)檢修處理文檔建立分詞字典，然后對(duì)文本分詞處理，采用自頂向下的方法構(gòu)建知識(shí)圖譜的本體，即從設(shè)備故障樹(shù)、設(shè)備檢修規(guī)則的數(shù)據(jù)源中，提取本體和模式信息，添加到知識(shí)庫(kù)中。將設(shè)備故障樹(shù)中的關(guān)系名轉(zhuǎn)換為本體中的概念，部分字段名轉(zhuǎn)換為本體中的屬性，從文本中抽取得到的實(shí)體對(duì)象，將其鏈接到知識(shí)圖譜中對(duì)應(yīng)的正確實(shí)體對(duì)象，通過(guò)嵌入(embedding)方式投影到低維向量空間，并在向量空間中通過(guò)向量平移轉(zhuǎn)換操作，計(jì)算頭、尾實(shí)體及關(guān)系在向量空間中的損失函數(shù)值，實(shí)現(xiàn)頭尾實(shí)體的關(guān)系鏈接。最終得到水淹水車室事故預(yù)警的9種故障以及對(duì)應(yīng)的故障檢修處理措施。例如，在知識(shí)圖譜中查詢1F頂蓋得到具體的結(jié)構(gòu)見(jiàn)圖3。

圖2 水位預(yù)測(cè)趨勢(shì)圖

圖3 知識(shí)圖譜樣例

3.3 概率推理模型

概率推理判斷是根據(jù)以往的經(jīng)驗(yàn)和分析，結(jié)合專家先驗(yàn)知識(shí)構(gòu)建概率模型，并利用統(tǒng)計(jì)計(jì)數(shù)、最大化后驗(yàn)概率等統(tǒng)計(jì)學(xué)習(xí)的手段對(duì)推理假設(shè)進(jìn)行驗(yàn)證或推測(cè)。通過(guò)對(duì)數(shù)據(jù)特征提取、規(guī)則學(xué)習(xí)、參數(shù)學(xué)習(xí)，規(guī)則推理等步驟，分別計(jì)算出不同原因的權(quán)重，通過(guò)分析最終實(shí)現(xiàn)對(duì)故障發(fā)生原因的有效推理判斷。根據(jù)歷史監(jiān)測(cè)數(shù)據(jù)及故障的特定關(guān)系，進(jìn)行規(guī)則以及規(guī)則對(duì)應(yīng)權(quán)重的自主學(xué)習(xí)，結(jié)合統(tǒng)計(jì)計(jì)數(shù)、最大化后驗(yàn)概率等統(tǒng)計(jì)學(xué)習(xí)手段構(gòu)建出水車室故障概率推理模型。

根據(jù)歷史監(jiān)控的數(shù)據(jù)，結(jié)合專家先驗(yàn)知識(shí)構(gòu)建馬爾可夫邏輯網(wǎng)(Markov Logic Network,MLN)。其包含所有規(guī)則權(quán)重對(duì)(fi,ωi)的集合，其中，fi表示邏輯規(guī)則；ωi表示邏輯規(guī)則對(duì)應(yīng)的權(quán)重實(shí)數(shù)[5]。并利用統(tǒng)計(jì)計(jì)數(shù)、最大化后驗(yàn)概率等統(tǒng)計(jì)學(xué)習(xí)的手段對(duì)推理假設(shè)進(jìn)行驗(yàn)證或推測(cè)，并將不同邏輯規(guī)則對(duì)推理目標(biāo)的貢獻(xiàn)合并到統(tǒng)一的概率模型下，如下所示：

4 成果應(yīng)用

采用某電站水輪發(fā)電機(jī)組2018年01月23日出現(xiàn)的異常信息對(duì)上述模型成果進(jìn)行驗(yàn)證，運(yùn)行結(jié)果與歷史記錄資料對(duì)比發(fā)現(xiàn)，水位預(yù)測(cè)值與真實(shí)水位值平均絕對(duì)誤差小于4.076 mm，故障預(yù)警信息比電站監(jiān)控系統(tǒng)提前20 min報(bào)出，預(yù)警決策輔助信息給出了準(zhǔn)確的處理建議。相關(guān)信息展示見(jiàn)圖4。

圖4 預(yù)警決策信息展示

結(jié)合模型特點(diǎn)和電站的實(shí)際運(yùn)行需求，開(kāi)發(fā)建立了一套水淹水車室預(yù)警決策系統(tǒng)，用于向運(yùn)行人員實(shí)時(shí)展示設(shè)備運(yùn)行狀況，及時(shí)獲取故障處置信息。

5 結(jié) 語(yǔ)

筆者提出了水淹水車室事故的智能預(yù)警和自主處置解決方案，將水淹水車室事故由事后被動(dòng)發(fā)現(xiàn)變?yōu)槭虑疤崆邦A(yù)知，實(shí)現(xiàn)了風(fēng)險(xiǎn)識(shí)別的自動(dòng)化，也為其他類似設(shè)備的預(yù)警決策及處置提供了可參考的經(jīng)驗(yàn)。本模型基于對(duì)海量數(shù)據(jù)分析研究建立，分析結(jié)果具有代表性，運(yùn)行結(jié)果經(jīng)實(shí)際檢驗(yàn)準(zhǔn)確可靠，可有效解決實(shí)際問(wèn)題，保障企業(yè)安全生產(chǎn)，促進(jìn)管理水平提升，可在水電行業(yè)廣泛推廣應(yīng)用，在本模型構(gòu)建過(guò)程中對(duì)電力生產(chǎn)特征數(shù)據(jù)處理的思路及數(shù)據(jù)庫(kù)的應(yīng)用方式，也為水電行業(yè)開(kāi)展數(shù)據(jù)分析及模型建立提供了很好的借鑒。

同時(shí)，由于受限于所選取的數(shù)據(jù)范圍和檢修作業(yè)庫(kù)的樣本數(shù)據(jù)，該模型還存在需要完善和優(yōu)化的地方，需借助更多的應(yīng)用實(shí)踐進(jìn)一步驗(yàn)證和改進(jìn)，通過(guò)不斷的優(yōu)化算法，實(shí)現(xiàn)更精準(zhǔn)的預(yù)測(cè)，提供更全面的決策知識(shí)庫(kù)，特別是對(duì)于在多影響因素、復(fù)雜運(yùn)行工況下模型的運(yùn)行可靠性、響應(yīng)及時(shí)性、預(yù)測(cè)決策準(zhǔn)確性等方面仍需不斷的探索和研究。