水電站計(jì)算機(jī)監(jiān)控系統(tǒng)綜合智能告警研究

唐杰陽(yáng)，唐 凡，楊 東，丁仁山，石東明，章逸舟，孫國(guó)強(qiáng)

（1.雅礱江流域水電開(kāi)發(fā)有限公司，四川 成都 610051； 2.河海大學(xué) 能源與電氣學(xué)院，江蘇 南京 210098）

1 研究背景

水電站計(jì)算機(jī)監(jiān)控系統(tǒng)接入了機(jī)組運(yùn)行過(guò)程中產(chǎn)生的海量數(shù)據(jù)[1]。數(shù)據(jù)結(jié)構(gòu)復(fù)雜，形式多樣[2]。其中，包含能夠反映出電站設(shè)備、線路異?；蚬收线\(yùn)行狀態(tài)的監(jiān)控告警信息，此類(lèi)信息以非結(jié)構(gòu)化的文本形式進(jìn)行輸出。利用計(jì)算機(jī)技術(shù)對(duì)這些文本數(shù)據(jù)進(jìn)行分析與挖掘，能夠?qū)崿F(xiàn)水電站故障智能告警，為電力生產(chǎn)安全穩(wěn)定運(yùn)行提供技術(shù)保障。

近年來(lái)，隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展與跨行業(yè)融合，水電站故障診斷技術(shù)已逐步向智能化方向發(fā)展。專(zhuān)家系統(tǒng)是研究最早的一種故障診斷方法[3]，文獻(xiàn)[4]利用專(zhuān)家知識(shí)與工程經(jīng)驗(yàn)，構(gòu)建知識(shí)庫(kù)，生成水電站故障診斷專(zhuān)家系統(tǒng)，為機(jī)組運(yùn)行提供技術(shù)指導(dǎo)。由于故障事件類(lèi)型和告警信息特征之間的映射關(guān)系十分復(fù)雜，專(zhuān)家系統(tǒng)難以滿足流域電站集控中心對(duì)監(jiān)控運(yùn)行的高精度與智能化要求。因此，基于機(jī)器學(xué)習(xí)的技術(shù)應(yīng)用成為了行業(yè)研究熱點(diǎn)[5]。文獻(xiàn)[6-7]基于人工神經(jīng)網(wǎng)絡(luò)分別對(duì)水電機(jī)組振動(dòng)信號(hào)和空化信號(hào)進(jìn)行識(shí)別，作為故障診斷的依據(jù)；文獻(xiàn)[8]利用支持向量機(jī)（Support Vector Machine，SVM）實(shí)現(xiàn)了機(jī)組故障智能識(shí)別；文獻(xiàn)[9-10]對(duì)SVM模型進(jìn)行改進(jìn)，前者通過(guò)優(yōu)化模型參數(shù)，提出一種改進(jìn)SVM水電機(jī)組故障診斷技術(shù)，后者利用遺傳算法提高了SVM模型的識(shí)別準(zhǔn)確率。由于傳統(tǒng)機(jī)器學(xué)習(xí)算法結(jié)構(gòu)簡(jiǎn)單，難以充分學(xué)習(xí)告警信息中的隱含特征。深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的重要分支，通過(guò)擴(kuò)展神經(jīng)元層的方式構(gòu)建出更加深層的神經(jīng)網(wǎng)絡(luò)，能夠挖掘出輸入數(shù)據(jù)中的隱含關(guān)鍵特征[11-12]，從而提高模型的識(shí)別能力與泛化能力，但需要更大規(guī)模樣本為模型訓(xùn)練做支撐。由于水電站運(yùn)行狀態(tài)穩(wěn)定，難以獲得足量歷史樣本，因此，如何將人工智能算法有效應(yīng)用于水電站故障診斷中，仍是該領(lǐng)域的重要研究方向。

為了進(jìn)一步提高水電站故障智能診斷技術(shù)的準(zhǔn)確性與可靠性，本文提出一種將深度學(xué)習(xí)算法和規(guī)則推理相結(jié)合的綜合智能告警方法。首先，介紹了前期數(shù)據(jù)處理流程，并以CNN為基礎(chǔ)，構(gòu)建基于深度學(xué)習(xí)的故障診斷模型；再針對(duì)水電站的特點(diǎn)，整合出幾種較為寬泛的故障類(lèi)型，利用歷史樣本訓(xùn)練CNN模型；然后結(jié)合基于專(zhuān)家經(jīng)驗(yàn)的規(guī)則推理，完成對(duì)故障事件診斷結(jié)果的校核、細(xì)化與補(bǔ)充；最后，通過(guò)算例分析，證明了所提綜合智能告警方法的可行性和優(yōu)越性。

2 基于CNN的故障診斷模型

2.1 文本數(shù)據(jù)預(yù)處理水電站計(jì)算機(jī)監(jiān)控系統(tǒng)采集的告警信息以中文文本形式進(jìn)行輸出，只能以標(biāo)點(diǎn)或換行進(jìn)行語(yǔ)句分割，這樣不利于計(jì)算機(jī)理解和學(xué)習(xí)其中的語(yǔ)義，因此有必要先對(duì)監(jiān)控信息進(jìn)行預(yù)處理，將其轉(zhuǎn)化為標(biāo)準(zhǔn)的數(shù)字化表達(dá)，才能用于CNN模型訓(xùn)練學(xué)習(xí)，挖掘其中的特征。數(shù)據(jù)預(yù)處理過(guò)程如圖1所示。

圖1 數(shù)據(jù)預(yù)處理過(guò)程

具體步驟如下：

（1）中文分詞。中文分詞目的是根據(jù)一定的規(guī)范將連續(xù)的中文語(yǔ)句劃分成按字、詞或詞組構(gòu)成的片段化序列。本文首先從水電站集控中心數(shù)據(jù)庫(kù)中導(dǎo)出所有監(jiān)控告警語(yǔ)句，從中提取出專(zhuān)業(yè)詞匯，加入到通用分詞詞典中，構(gòu)成水電站自定義用戶(hù)詞典，該用戶(hù)詞典包含了電站中的機(jī)組運(yùn)行信息、設(shè)備名稱(chēng)、進(jìn)出線路名稱(chēng)、設(shè)備狀態(tài)等數(shù)據(jù)，將其作為分詞參考的規(guī)范詞組，利用Jieba分詞工具的精確模式[13]生成由中文字詞組成的片段化監(jiān)控告警信息。

（2）停用詞過(guò)濾。停用詞過(guò)濾的目的是刪除干擾信息以實(shí)現(xiàn)數(shù)據(jù)清洗。監(jiān)控告警信息的分詞結(jié)果中，會(huì)包含一些無(wú)意義的字詞、不規(guī)范的字符或標(biāo)點(diǎn)符號(hào)，這些信息不僅沒(méi)有實(shí)質(zhì)性含義，還會(huì)對(duì)后續(xù)模型訓(xùn)練起到不利的影響，屬于干擾信息。從歷史監(jiān)控告警信息中提取出此類(lèi)干擾信息，加入到通用中文停用詞表中，生成完整的停用詞表，進(jìn)行停用詞過(guò)濾。

（3）故障樣本向量化。故障樣本中的監(jiān)控告警信息經(jīng)過(guò)分詞和停用詞過(guò)濾后，轉(zhuǎn)化為由字詞組成的片段化文本，同時(shí)剔除了與特征學(xué)習(xí)無(wú)關(guān)的干擾信息。在輸入CNN模型之前，還需要將其轉(zhuǎn)化為結(jié)構(gòu)化數(shù)據(jù)，實(shí)現(xiàn)模型對(duì)故障樣本的特征提取與學(xué)習(xí)。

本文采用Word2vec模型對(duì)故障樣本的進(jìn)行向量化表達(dá)，將其轉(zhuǎn)化為結(jié)構(gòu)化數(shù)字形式。Word2vec是一款應(yīng)用范圍較廣的詞向量計(jì)算工具[14]，其基本思想是通過(guò)神經(jīng)網(wǎng)絡(luò)完成由中文詞語(yǔ)或符號(hào)等對(duì)象到實(shí)數(shù)向量之間的映射，同時(shí)能夠保留初始對(duì)象中的語(yǔ)義信息。訓(xùn)練得到詞向量后，對(duì)單條故障樣本中所有詞向量求平均，即可得到固定維數(shù)的故障樣本句向量。

以單條故障樣本為例，預(yù)處理過(guò)程如圖2所示。

圖2 故障樣本

2.2 卷積神經(jīng)網(wǎng)絡(luò)原理CNN提出于1998年，是指一種至少在網(wǎng)絡(luò)的一層將矩陣乘法替換為卷積操作的神經(jīng)網(wǎng)絡(luò)，具有局部感知能力強(qiáng)、權(quán)值共享等特點(diǎn)，能夠有效降低模型訓(xùn)練參數(shù)量，從而提高復(fù)雜神經(jīng)網(wǎng)絡(luò)的計(jì)算效率。CNN作為分類(lèi)器，最早用于解決手寫(xiě)體數(shù)字識(shí)別任務(wù)，經(jīng)過(guò)改進(jìn)可對(duì)向量化后的故障樣本進(jìn)行特征提取，并輸出相應(yīng)分類(lèi)結(jié)果。本文構(gòu)建的CNN模型結(jié)構(gòu)共4層，分別為輸入層、卷積層、池化層、輸出層，如圖3所示。

圖3 CNN網(wǎng)絡(luò)結(jié)構(gòu)圖

（1）輸入層。輸入層為一個(gè)由故障事件觸發(fā)的監(jiān)控告警信息排列的矩陣I∈Rs×n，矩陣每一行代表一例故障樣本對(duì)應(yīng)的句向量，行數(shù)s表示訓(xùn)練樣本總數(shù)，列數(shù)n表示句向量維數(shù)。

（2）卷積層。設(shè)置行數(shù)h、列數(shù)與輸入層矩陣I相同的卷積窗口W∈Rh×n，由上至下滑動(dòng)卷積窗口，與輸入層矩陣中的故障樣本句向量依次進(jìn)行卷積運(yùn)算，得到初步卷積結(jié)果ri。卷積計(jì)算過(guò)程如下:

式中：i=1，2，...，s-h+1；Ii:i+h-1表示輸入矩陣I從上到下第i個(gè)與卷積窗口相同尺寸的子矩陣；“·”代表矩陣點(diǎn)乘運(yùn)算，即將兩個(gè)矩陣相同位置元素相乘后求和。

每次卷積后通過(guò)激活函數(shù)進(jìn)行非線性化處理，得到卷積層提取的特征：

式中：b表示偏置量，數(shù)值在模型訓(xùn)練過(guò)程中自動(dòng)進(jìn)行適應(yīng)性調(diào)整；ReLU代表激活函數(shù)。卷積層計(jì)算得到的所有實(shí)數(shù)ci排列構(gòu)成卷積層特征向量c，c∈ Rs-h+1。

為了更全面地提取故障文本特征信息，本文設(shè)置3種不同行數(shù)的卷積窗口進(jìn)行卷積操作，每類(lèi)卷積窗口選取一定數(shù)量的卷積矩陣，各卷積矩陣之間參數(shù)值各不相同，從而提取出更多隱含特征。

（3）池化層。池化層目的是對(duì)卷積層提取的特征向量進(jìn)行降維，提高后續(xù)計(jì)算效率，同時(shí)發(fā)現(xiàn)并保留樣本關(guān)鍵特征。通常采用最大池化和平均池化兩種降維方法，本文采用最大池化法。對(duì)于每次卷積操作得到的特征矩陣c，取其中最大元素max(c)作為新的特征值。把池化操作后的所有特征值重新拼接得到池化層的輸出向量p∈Rw，其中w表示卷積窗口的數(shù)量。

（4）輸出層。池化層輸出特征向量p經(jīng)過(guò)softmax分類(lèi)器與輸出層實(shí)現(xiàn)全連接，得到故障樣本的最終分類(lèi)結(jié)果。

3 結(jié)合深度學(xué)習(xí)和規(guī)則推理的綜合智能告警

3.1 基于深度學(xué)習(xí)的故障智能診斷技術(shù)深度學(xué)習(xí)是一種大數(shù)據(jù)挖掘技術(shù)，能夠從海量數(shù)據(jù)中提取信息特征，完成預(yù)測(cè)或分類(lèi)任務(wù)。而在水電站中，除抽水蓄能電站外，一般水電機(jī)組啟停變化頻率低，處于長(zhǎng)期穩(wěn)定運(yùn)行狀態(tài)，因此發(fā)生嚴(yán)重事故的概率較低，無(wú)法從歷史數(shù)據(jù)中獲取足量重要故障樣本，導(dǎo)致深度學(xué)習(xí)難以有效應(yīng)用于水電站故障診斷領(lǐng)域。

針對(duì)此問(wèn)題，本文首先梳理出水電站計(jì)算機(jī)監(jiān)控系統(tǒng)能夠檢測(cè)到的所有異?；蚬收鲜录蝗缓蠡诠こ绦枰?，剔除無(wú)需主動(dòng)告警的事件；再結(jié)合告警信息特點(diǎn)，將幾種相似度高的事件歸為一類(lèi)，從而達(dá)到擴(kuò)充各類(lèi)別樣本數(shù)量的目的，如可將發(fā)電機(jī)轉(zhuǎn)子接地、發(fā)電機(jī)定子接地、發(fā)電機(jī)失步、發(fā)電機(jī)頻率異常、發(fā)電機(jī)繞組故障等事件統(tǒng)一歸為發(fā)電機(jī)故障；最后將各類(lèi)事件樣本按圖2進(jìn)行預(yù)處理后，結(jié)合所屬類(lèi)別標(biāo)簽，輸入CNN訓(xùn)練出能夠識(shí)別故障樣本對(duì)應(yīng)事件類(lèi)型的知識(shí)映射模型。完整流程如圖4所示。

圖4 基于深度學(xué)習(xí)的故障診斷技術(shù)

3.2 基于規(guī)則推理的故障智能診斷技術(shù)基于專(zhuān)家系統(tǒng)的故障診斷技術(shù)是目前理論體系最為成熟、應(yīng)用最為廣泛的智能方法，規(guī)則推理是專(zhuān)家系統(tǒng)最常見(jiàn)的一種實(shí)現(xiàn)方式，主要依靠專(zhuān)業(yè)知識(shí)表示和邏輯推理機(jī)制對(duì)信息進(jìn)行推理。它通過(guò)邏輯語(yǔ)言將該領(lǐng)域內(nèi)專(zhuān)家知識(shí)與工程經(jīng)驗(yàn)進(jìn)行有機(jī)結(jié)合并概括性總結(jié)，存儲(chǔ)于規(guī)則庫(kù)中，在線診斷時(shí)，輸入信息中的關(guān)鍵特征首先轉(zhuǎn)化為符號(hào)語(yǔ)言形式的表達(dá)式，然后通過(guò)匹配規(guī)則庫(kù)中的邏輯運(yùn)算完成對(duì)結(jié)果的判斷。

本文從實(shí)際業(yè)務(wù)出發(fā)，分析水電站計(jì)算機(jī)監(jiān)控系統(tǒng)收集的所有告警信息，梳理信息特征，構(gòu)建規(guī)則庫(kù)。規(guī)則庫(kù)建立了監(jiān)控告警信息、信息特征和故障事件之間的對(duì)應(yīng)關(guān)系，包含事件特征規(guī)則和事件規(guī)則，具體內(nèi)容如下：

（1）事件特征規(guī)則。事件特征規(guī)則建立了監(jiān)控告警信息與信息特征之間的映射，不同告警信息根據(jù)事件特征規(guī)則組合成一個(gè)特征。信息特征包括設(shè)備運(yùn)行特征與采集量特征，設(shè)備運(yùn)行特征如裝置動(dòng)作、開(kāi)關(guān)聯(lián)跳、壓力低、溫度高、開(kāi)關(guān)拒動(dòng)、備自投裝置動(dòng)作、切負(fù)荷、絕緣故障、故障跳閘、異常停機(jī)等；采集量特征如信號(hào)的動(dòng)作、頻動(dòng)、瞬動(dòng)或動(dòng)作異常等。

（2）事件規(guī)則。事件規(guī)則建立了信息特征與事件類(lèi)型之間的映射，每一類(lèi)規(guī)則包含了事件成立的必要條件，如廠站出線永久故障的條件為線路跳閘、線路保護(hù)裝置動(dòng)作、線路開(kāi)關(guān)重合閘失敗同時(shí)成立。在一定時(shí)間內(nèi)，告警信息中的所有特征嚴(yán)格滿足規(guī)定的拓?fù)潢P(guān)系時(shí)，則判定事件發(fā)生，得到對(duì)應(yīng)事件類(lèi)型。

實(shí)際應(yīng)用時(shí)，首先根據(jù)事件特征規(guī)則提取出故障樣本中的所有信息特征，再根據(jù)事件規(guī)則將多個(gè)特征依據(jù)一定的邏輯關(guān)系進(jìn)行組合，判斷是否滿足事件成立的條件，從而輸出故障診斷結(jié)果。相比于CNN模型，規(guī)則推理得到的事件類(lèi)型更為具體。

3.3 結(jié)合深度學(xué)習(xí)和規(guī)則推理的水電站綜合智能告警方法深度學(xué)習(xí)通過(guò)數(shù)學(xué)運(yùn)算發(fā)現(xiàn)數(shù)據(jù)中的隱含關(guān)鍵特征，并推理得到所屬故障類(lèi)型，在干擾信息較多的情況下仍有很大概率輸出正確識(shí)別結(jié)果，但由于模型訓(xùn)練過(guò)程中參數(shù)學(xué)習(xí)具有隨機(jī)性，并且歷史樣本有限、深度學(xué)習(xí)模型能夠識(shí)別的事件類(lèi)型不夠全面，因此實(shí)際應(yīng)用時(shí)會(huì)有誤判、漏判等情況發(fā)生。規(guī)則推理的故障識(shí)別過(guò)程更為嚴(yán)格，但受技術(shù)經(jīng)驗(yàn)與主觀性影響，難以正確判別出復(fù)雜事件的類(lèi)型。提出一種水電站綜合智能告警方法，通過(guò)深度學(xué)習(xí)與規(guī)則推理的結(jié)合，實(shí)現(xiàn)兩者診斷結(jié)果的互相校正，同時(shí)規(guī)則推理對(duì)深度學(xué)習(xí)的輸出進(jìn)行細(xì)化與補(bǔ)充。

該方法流程如圖5所示，首先提取規(guī)則庫(kù)中與深度學(xué)習(xí)模型輸出事件類(lèi)型相關(guān)的規(guī)則作為觸發(fā)深度學(xué)習(xí)模型的條件，監(jiān)控告警信息只有在滿足該條件時(shí)，才會(huì)輸入CNN進(jìn)行識(shí)別。后續(xù)步驟如下：

圖5 綜合智能告警方法流程

（1）判斷故障樣本中的監(jiān)控告警信息是否能夠觸發(fā)深度學(xué)習(xí)模型，若能觸發(fā)，轉(zhuǎn)步驟（2）；若不能，則通過(guò)規(guī)則推理直接得到故障診斷結(jié)果。

（2）對(duì)故障樣本進(jìn)行預(yù)處理，并輸入深度學(xué)習(xí)模型得到識(shí)別結(jié)果1，同時(shí)通過(guò)規(guī)則推理得到識(shí)別結(jié)果2，判斷結(jié)果2是否屬于結(jié)果1中的一類(lèi)，如果屬于，則輸出結(jié)果2作為該故障樣本的具體事件類(lèi)型；如果不屬于，人工介入分析判斷，得到正確事件類(lèi)型。

4 實(shí)際算例測(cè)試

4.1 算例說(shuō)明為驗(yàn)證方法可行性與有效性，本章選取某流域水電站集控中心計(jì)算機(jī)監(jiān)控系統(tǒng)導(dǎo)出的2018—2019年歷史監(jiān)控告警信息進(jìn)行算例測(cè)試。從中整合出6種重要事件類(lèi)型，每種類(lèi)型對(duì)應(yīng)幾種異?；蚬收鲜录?，共提取5030例事件樣本。從每類(lèi)樣本中隨機(jī)選取5例，共30例作為驗(yàn)證綜合智能告警方法的測(cè)試樣本，其余取90%作為CNN及對(duì)比模型的訓(xùn)練集，10%作為模型測(cè)試集，并在訓(xùn)練過(guò)程中隨機(jī)抽取訓(xùn)練集的5%作為驗(yàn)證樣本，以?xún)?yōu)化模型參數(shù)。樣本分布情況如表1。

表1 事件樣本統(tǒng)計(jì)

4.2 模型設(shè)計(jì)與參數(shù)設(shè)置CNN作為深度學(xué)習(xí)算法，能夠自動(dòng)提取數(shù)據(jù)特征，在訓(xùn)練過(guò)程中，參數(shù)能夠自適應(yīng)調(diào)整。因此，詞向量維度、卷積窗口尺寸等網(wǎng)絡(luò)參數(shù)在適當(dāng)范圍內(nèi)調(diào)整時(shí)，對(duì)模型分類(lèi)效果影響不大。經(jīng)過(guò)多次實(shí)驗(yàn)對(duì)比，CNN模型最優(yōu)參數(shù)設(shè)置如表2所示。

表2 CNN模型參數(shù)

另外，通過(guò)python設(shè)置了三組對(duì)比實(shí)驗(yàn)，與本文所提方法進(jìn)行比對(duì)分析。對(duì)比實(shí)驗(yàn)首先利用詞頻-逆文檔頻率（Term Frequency-Inverse Document Frequency， TF-IDF）方法[15]完成文本數(shù)字化表示，再分別采用樸素貝葉斯、SVM和隨機(jī)森林算法訓(xùn)練事件識(shí)別模型。參數(shù)設(shè)置為：樸素貝葉斯模型中α=0.0001；SVM中C=1000，kernel=‘linear’；隨機(jī)森林模型中n=150。

4.3 模型測(cè)試結(jié)果與分析CNN與對(duì)比模型測(cè)試結(jié)果如表3所示。將準(zhǔn)確率作為評(píng)估模型分類(lèi)效果的指標(biāo)，即得到正確識(shí)別結(jié)果的樣本數(shù)量占樣本總數(shù)的比例。

表3 模型測(cè)試結(jié)果

由表3可以看出，本文提出的卷積神經(jīng)網(wǎng)絡(luò)模型，由于神經(jīng)元層數(shù)更深，準(zhǔn)確率顯著高于傳統(tǒng)機(jī)器學(xué)習(xí)分類(lèi)模型。傳統(tǒng)模型中識(shí)別效果最好的為隨機(jī)森林分類(lèi)器，準(zhǔn)確率達(dá)到91.43%，其他機(jī)器學(xué)習(xí)模型識(shí)別準(zhǔn)確率均未達(dá)到90%。而本文模型在隨機(jī)森林分類(lèi)器的基礎(chǔ)上準(zhǔn)確率提升約4%，達(dá)到了95.75%，能夠保證故障事件的準(zhǔn)確識(shí)別。

而在耗時(shí)方面，由于TF-IDF是通過(guò)簡(jiǎn)單的詞頻統(tǒng)計(jì)的方式進(jìn)行詞向量表達(dá)，Word2vec模型則需要以所有語(yǔ)料為基礎(chǔ)，迭代學(xué)習(xí)各詞語(yǔ)語(yǔ)義，并且卷積神經(jīng)網(wǎng)絡(luò)相比于傳統(tǒng)機(jī)器學(xué)習(xí)模型結(jié)構(gòu)更復(fù)雜、網(wǎng)絡(luò)層數(shù)更深、參數(shù)更多，所以本文方法訓(xùn)練耗時(shí)更長(zhǎng)，達(dá)到傳統(tǒng)模型百倍以上，但模型采用的是離線訓(xùn)練的方式，因此較長(zhǎng)的訓(xùn)練時(shí)長(zhǎng)并不影響實(shí)際工程應(yīng)用；雖然卷積神經(jīng)網(wǎng)絡(luò)的模型測(cè)試耗時(shí)最長(zhǎng)，但500例樣本測(cè)試用時(shí)也僅為5.89s，能夠滿足工程需求。所以，本文所提的基于卷積神經(jīng)網(wǎng)絡(luò)的故障診斷模型具有較好的應(yīng)用效果。

4.4 綜合智能告警方法測(cè)試結(jié)果與分析最后，將預(yù)留的30例測(cè)試樣本按圖5進(jìn)行測(cè)試，結(jié)果如表4。

表4 綜合智能告警方法測(cè)試結(jié)果

由表4可以看出，由于深度學(xué)習(xí)模型訓(xùn)練過(guò)程具有隨機(jī)性，以及故障事件具有不確定性，盡管模型準(zhǔn)確率較高，實(shí)際應(yīng)用中仍有一定概率出現(xiàn)識(shí)別錯(cuò)誤的情況。測(cè)試樣本中，深度學(xué)習(xí)模型錯(cuò)誤識(shí)別3例樣本，有一定的誤判率，并且由于每類(lèi)具體事件對(duì)應(yīng)樣本量不足，無(wú)法直接根據(jù)事件類(lèi)型訓(xùn)練模型。

綜合智能告警方法在深度學(xué)習(xí)的基礎(chǔ)上引入規(guī)則推理機(jī)制，準(zhǔn)確對(duì)單一CNN模型的錯(cuò)誤判別結(jié)果進(jìn)行糾正，實(shí)現(xiàn)了規(guī)則推理與深度學(xué)習(xí)模型的互相校核；同時(shí)，規(guī)則推理能夠直接推理得到具體事件類(lèi)型，在校正模型識(shí)別結(jié)果的同時(shí)完成對(duì)事件類(lèi)型的進(jìn)一步細(xì)化，如將5例發(fā)電機(jī)故障樣本準(zhǔn)確細(xì)分為3例發(fā)電機(jī)轉(zhuǎn)子接地與2例發(fā)電機(jī)定子接地。

對(duì)于幾種對(duì)電廠運(yùn)行影響較大但發(fā)生概率很低的事件，可整理出相應(yīng)的映射規(guī)則添加于規(guī)則庫(kù)中，通過(guò)規(guī)則推理的方式進(jìn)行判別，從而作為深度學(xué)習(xí)模型的補(bǔ)充。本文通過(guò)規(guī)則推理的方式，辨識(shí)具體事件中與類(lèi)別相關(guān)聯(lián)的告警語(yǔ)句特征，從歷史監(jiān)控信息中判別出2例水淹廠房事件、3例頂蓋水位過(guò)高事件和23例設(shè)備火災(zāi)事件。

4.5 實(shí)際工程應(yīng)用為了測(cè)試所提方法的應(yīng)用效果，本文最后以2017年6月10日該水電站“水庫(kù)水位低于下限水位”發(fā)生的某信息密集時(shí)段21∶10—21∶50內(nèi)所提取的告警事件作為應(yīng)用對(duì)象，從該時(shí)段內(nèi)2536條監(jiān)控告警信息中提取出5個(gè)適用于本文方法的告警事件，經(jīng)模型最終識(shí)別全部正確，識(shí)別時(shí)間為0.4 s。雖然在線應(yīng)用樣本量較少，但是本文方法在實(shí)際應(yīng)用中的事件識(shí)別準(zhǔn)確率已達(dá)到較高程度，具有良好的實(shí)際工程應(yīng)用價(jià)值。部分典型應(yīng)用事件識(shí)別結(jié)果如表5所示。

5 結(jié)論

本文針對(duì)水電站的運(yùn)行特點(diǎn)，提出一種結(jié)合深度學(xué)習(xí)和規(guī)則推理的綜合智能告警方法，實(shí)現(xiàn)了水電站故障智能診斷?；趯?duì)某流域水電站集控中心監(jiān)控告警歷史信息的實(shí)驗(yàn)測(cè)試，所得結(jié)論如下：

（1）通過(guò)將幾種關(guān)聯(lián)性強(qiáng)的具體事件整合為一種寬泛的故障類(lèi)型，能夠有效擴(kuò)展水電站故障樣本量，從而使得深度學(xué)習(xí)方法在水電站故障診斷中有效可行，增強(qiáng)了診斷系統(tǒng)的泛化能力。

（2）本文提出的CNN模型對(duì)事件類(lèi)別的識(shí)別準(zhǔn)確率要優(yōu)于部分機(jī)器學(xué)習(xí)算法，相比于樸素貝葉斯，支持向量機(jī)和隨機(jī)森林三種算法，判別精度分別提高了11.86%，7.65%和4.14%。

（3）本文提出了一種結(jié)合CNN模型和規(guī)則推理的綜合智能告警方法。首先利用了深度學(xué)習(xí)算法高效和高精度的特性，對(duì)告警事件類(lèi)別進(jìn)行預(yù)判斷。并引入規(guī)則推理機(jī)制，完成對(duì)深度學(xué)習(xí)模型診斷結(jié)果的校正與細(xì)化，同時(shí)對(duì)模型無(wú)法辨識(shí)的小概率事件進(jìn)行補(bǔ)充識(shí)別，有效保證了診斷結(jié)果的可靠性與診斷范圍的全面性，實(shí)現(xiàn)了水電站異?；蚬收鲜录闹悄茏灾髯R(shí)別。