引 言
國(guó)網(wǎng)新源控股有限公司成立于2005年3月，注冊(cè)資本金102.86億元，目前由國(guó)家電網(wǎng)有限公司持股70%，中國(guó)長(zhǎng)江三峽集團(tuán)公司持股30%，與國(guó)家電網(wǎng)有限公司2011年9月成立的全資子公司國(guó)網(wǎng)新源水電有限公司實(shí)施一體化管理模式，主要負(fù)責(zé)開發(fā)建設(shè)和經(jīng)營(yíng)管理抽水蓄能電站和常規(guī)水電站，承擔(dān)著保障電網(wǎng)安全、穩(wěn)定、經(jīng)濟(jì)、清潔運(yùn)行的基本使命，是全球最大的調(diào)峰調(diào)頻專業(yè)運(yùn)營(yíng)公司。
截至目前，新源公司管理資產(chǎn)總額970.2億元，管理單位60家，分布在20個(gè)省市，裝機(jī)容量6020.4萬(wàn)千瓦，其中：抽水蓄能電站45座，裝機(jī)容量5522萬(wàn)千瓦；常規(guī)水電廠8座，裝機(jī)容量498.4萬(wàn)千瓦；開展可研和預(yù)可研抽水蓄能項(xiàng)目超過(guò)4000萬(wàn)千瓦。按照十三五規(guī)劃，至2020年，新源公司管理運(yùn)行容量2092萬(wàn)千瓦，在建容量4948萬(wàn)千瓦，可控容量7040萬(wàn)千瓦，初步建成抽水蓄能行業(yè)國(guó)際一流企業(yè)和水電行業(yè)示范企業(yè)，為國(guó)家電網(wǎng)有限公司率先建成具有全球競(jìng)爭(zhēng)力的世界一流企業(yè)發(fā)揮重要作用。
抽水蓄能電站利用電力負(fù)荷低谷時(shí)的電能抽水至上水庫(kù)，在電力負(fù)荷高峰期再放水至下水庫(kù)發(fā)電的水電站，又稱蓄能式水電站。在當(dāng)下綠色能源大發(fā)展的背景下，抽水蓄能電站對(duì)于提高電網(wǎng)供電質(zhì)量和電網(wǎng)靈活性及可靠性發(fā)揮著不可替代的作用。但是由于抽水蓄能機(jī)組運(yùn)行復(fù)雜，啟動(dòng)繁雜，水力、機(jī)械、電力共同作用，極有可能引起機(jī)組溫度過(guò)高、并網(wǎng)故障、甩油故障等，從而影響整個(gè)機(jī)組的正常運(yùn)行。在電力系統(tǒng)中，抽水蓄能機(jī)組是非常重要的組成模塊，也是電力穩(wěn)定、持續(xù)不間斷供應(yīng)的基礎(chǔ)。因此，基于數(shù)據(jù)挖掘技術(shù)對(duì)抽水蓄能電站機(jī)組狀態(tài)進(jìn)行預(yù)測(cè)和判斷具有重要的現(xiàn)實(shí)意義。
太極股份致力于“做中國(guó)最優(yōu)秀的數(shù)字化服務(wù)提供商”，率先推出TECO工業(yè)互聯(lián)網(wǎng)平臺(tái)，牽手眾多的生態(tài)合作伙伴，面向工業(yè)行業(yè)和企業(yè)的價(jià)值需求，提供工業(yè)互聯(lián)網(wǎng)業(yè)務(wù)頂層設(shè)計(jì)、平臺(tái)建設(shè)、工業(yè)大數(shù)據(jù)服務(wù)、算法模型開發(fā)、云平臺(tái)運(yùn)營(yíng)等服務(wù)，多年來(lái)電力、鋼鐵、煤炭、化工、軍工制造等工業(yè)領(lǐng)域有著眾多的客戶、豐富的業(yè)務(wù)實(shí)踐和案例。
在此背景下，2018-2019年，新源公司委托太極計(jì)算機(jī)股份有限公司開展，采用太極TECO工業(yè)互聯(lián)網(wǎng)平臺(tái)技術(shù)，基于數(shù)據(jù)挖掘，數(shù)據(jù)分析，模型建設(shè)，人工智能等技術(shù)實(shí)現(xiàn)各系統(tǒng)數(shù)據(jù)的整合、分析、清洗、建模、計(jì)算等，從而形成水電主設(shè)備全過(guò)程評(píng)價(jià)指標(biāo)體系，并對(duì)設(shè)備的狀態(tài)分析，異常預(yù)警提供技術(shù)手段。
一、 項(xiàng)目概況
本項(xiàng)目依據(jù)新源公司預(yù)期的發(fā)展戰(zhàn)略目標(biāo)，借鑒國(guó)內(nèi)相關(guān)行業(yè)設(shè)備狀態(tài)監(jiān)測(cè)與風(fēng)險(xiǎn)預(yù)測(cè)的實(shí)踐過(guò)程，以工業(yè)互聯(lián)網(wǎng)平臺(tái)為基礎(chǔ)，建設(shè)水電主設(shè)備全過(guò)程評(píng)價(jià)指標(biāo)體系，并結(jié)合實(shí)際數(shù)據(jù)效果，構(gòu)建水電主設(shè)備故障預(yù)警模型，從而為業(yè)務(wù)部門的決策提供科學(xué)參考，并為新設(shè)備的全過(guò)程管理提供科學(xué)依據(jù)與規(guī)范。
1. 項(xiàng)目背景
隨著“互聯(lián)網(wǎng)+”時(shí)代的到來(lái)，信息網(wǎng)絡(luò)正向高速、智能、融合的下一代網(wǎng)絡(luò)演進(jìn)，信息技術(shù)的進(jìn)步帶動(dòng)支撐了模式創(chuàng)新、管理創(chuàng)新和制度創(chuàng)新，市場(chǎng)經(jīng)濟(jì)競(jìng)爭(zhēng)在信息技術(shù)高速發(fā)展的時(shí)代進(jìn)入一個(gè)更加激烈的階段，依托信息化手段建設(shè)智慧型企業(yè)是企業(yè)實(shí)現(xiàn)快速發(fā)展的一個(gè)必然選擇。隨著計(jì)算機(jī)監(jiān)控和各類監(jiān)測(cè)系統(tǒng)的不斷普及，水電站安裝了成千上萬(wàn)支傳感器，每時(shí)每秒都在產(chǎn)生大量的數(shù)據(jù)，這些數(shù)據(jù)中蘊(yùn)含了豐富的價(jià)值信息，若能有效提取利用，必定對(duì)生產(chǎn)運(yùn)營(yíng)的各個(gè)環(huán)節(jié)產(chǎn)生深遠(yuǎn)的影響。
新源公司廣泛地建設(shè)了諸多系統(tǒng)，系統(tǒng)每天產(chǎn)生大量的生產(chǎn)基礎(chǔ)數(shù)據(jù)和分析數(shù)據(jù)。隨著設(shè)備狀態(tài)監(jiān)測(cè)與管理模式的不斷提升，傳統(tǒng)的數(shù)據(jù)處理方法已經(jīng)不再適用，太極股份作為承建單位，需依據(jù)TECO工業(yè)互聯(lián)網(wǎng)平臺(tái)技術(shù)，進(jìn)行數(shù)據(jù)治理與整合、建模、分析等方法，構(gòu)建水電主設(shè)備全過(guò)程評(píng)價(jià)指標(biāo)體系和設(shè)備故障預(yù)警模型，并實(shí)現(xiàn)對(duì)設(shè)備狀態(tài)的監(jiān)督檢修，及時(shí)發(fā)出異常預(yù)警，保障設(shè)備的安全穩(wěn)定運(yùn)行，從而為業(yè)務(wù)部門的決策提供科學(xué)參考，也為后續(xù)新電站的建設(shè)、新設(shè)備的全過(guò)程管理提供科學(xué)依據(jù)。
目前，對(duì)于抽水蓄能機(jī)組狀態(tài)監(jiān)測(cè)和故障診斷系統(tǒng)的研究大多基于傳統(tǒng)的信號(hào)處理方法，它是以機(jī)組的狀態(tài)監(jiān)測(cè)為基礎(chǔ)，根據(jù)所獲得的監(jiān)測(cè)數(shù)據(jù)，提取反映水輪機(jī)運(yùn)行狀態(tài)的特征值，并對(duì)這些特征值進(jìn)行分析診斷，判斷水輪機(jī)是否存在故障。這種方法只能對(duì)故障進(jìn)行事后分析，無(wú)法實(shí)現(xiàn)預(yù)測(cè)，而且由于故障樣本數(shù)據(jù)有限，導(dǎo)致其適應(yīng)性差，只能用于特定故障的分析診斷。國(guó)內(nèi)外已有一些基于數(shù)據(jù)挖掘技術(shù)的抽水蓄能電站設(shè)備故障診斷和狀態(tài)檢修方面的研究，為機(jī)組狀態(tài)監(jiān)測(cè)分析和故障診斷提供了有益探索。利用工業(yè)互聯(lián)網(wǎng)平臺(tái)，通過(guò)對(duì)設(shè)備指標(biāo)歷史數(shù)據(jù)進(jìn)行清洗、特征工程、打標(biāo)簽、數(shù)據(jù)挖掘和預(yù)測(cè)建模、模型性能測(cè)試驗(yàn)證，最終得出抽水蓄能機(jī)組故障預(yù)測(cè)模型。模型部署后對(duì)機(jī)組當(dāng)前監(jiān)測(cè)值進(jìn)行對(duì)比分析，判斷當(dāng)前設(shè)備運(yùn)行狀態(tài)是否正常。
2. 項(xiàng)目簡(jiǎn)介
本項(xiàng)目基于工業(yè)互聯(lián)網(wǎng)，建設(shè)覆蓋水電主設(shè)備全過(guò)程評(píng)價(jià)指標(biāo)體系，并依靠工業(yè)互聯(lián)網(wǎng)平臺(tái)強(qiáng)大的運(yùn)算能力，實(shí)現(xiàn)對(duì)設(shè)備指標(biāo)與狀態(tài)評(píng)價(jià)數(shù)據(jù)的整理、分析、最終構(gòu)建水電主設(shè)備全過(guò)程評(píng)價(jià)指標(biāo)體系和設(shè)備故障預(yù)警模型，實(shí)現(xiàn)設(shè)備檢測(cè)、指導(dǎo)管理等諸多效益。項(xiàng)目簡(jiǎn)介如下：
(1)常見的水輪發(fā)電機(jī)機(jī)組故障診斷方式，大部分是從水力因素、機(jī)械因素、天氣因素和專家故障診斷方法來(lái)進(jìn)行。通過(guò)多層次分析可知，依靠單一技術(shù)無(wú)法滿足水輪發(fā)電機(jī)故障診斷的任務(wù)。因此，依靠工業(yè)互聯(lián)網(wǎng)平臺(tái)，將不同診斷技術(shù)結(jié)合起來(lái)，運(yùn)用大數(shù)據(jù)分析海量生產(chǎn)實(shí)時(shí)數(shù)據(jù)和多層次神經(jīng)網(wǎng)絡(luò)人工智能等方法的混合診斷研究，是現(xiàn)階段研究的發(fā)展趨勢(shì)。
(2)根據(jù)故障機(jī)理、性能劣化機(jī)理，依靠TECO平臺(tái)，建立故障的數(shù)學(xué)模型和性能劣化的評(píng)價(jià)數(shù)學(xué)模型，并根據(jù)數(shù)學(xué)模型對(duì)特征指標(biāo)體系進(jìn)行重構(gòu)，形成可直接用于故障確認(rèn)和定位的可量化特征指標(biāo)體系，這就是所謂的故障指標(biāo)體系。
（3）采用大數(shù)據(jù)分析方法建立趨勢(shì)預(yù)測(cè)，常用的方法有多元線性回歸方法，該根據(jù)歷史樣本建立機(jī)組負(fù)荷、運(yùn)行工況、溫度、水頭與振動(dòng)、擺度、壓力脈動(dòng)等指標(biāo)之間的回歸模型，以該回歸模型為基礎(chǔ)進(jìn)行預(yù)測(cè)和趨勢(shì)監(jiān)測(cè)，該方法的核心問(wèn)題是樣本數(shù)據(jù)需要足夠，而且在建立模型時(shí)給出的自變量需要完整。另外結(jié)合機(jī)理知識(shí)和多種大數(shù)據(jù)挖掘模型算法如多元回歸模型、SVM回歸模型、正態(tài)統(tǒng)計(jì)模型、相關(guān)性分析、臨近算法模型(kNN)、k-Means聚類分析、人工神經(jīng)網(wǎng)絡(luò)分析等分析方法，構(gòu)建機(jī)組完整的指標(biāo)值研究體系，經(jīng)過(guò)故障特征指標(biāo)值的記錄和設(shè)備專家人工辨別、篩查和整理，最終形成針對(duì)不同機(jī)組部件的多維度混合智能診斷方法。
3. 項(xiàng)目目標(biāo)
基于工業(yè)互聯(lián)網(wǎng)平臺(tái)強(qiáng)大的運(yùn)算能力，利用大數(shù)據(jù)概念和故障特征分析，充分利用和整合現(xiàn)有資源和數(shù)據(jù)，以新源公司對(duì)抽水蓄能電站設(shè)備運(yùn)行狀態(tài)監(jiān)控和管理應(yīng)用為方向，實(shí)現(xiàn)基于大數(shù)據(jù)分析手段建立抽蓄機(jī)組主設(shè)備全過(guò)程評(píng)價(jià)指標(biāo)體系和主設(shè)備故障預(yù)警模型的構(gòu)建，實(shí)現(xiàn)對(duì)抽蓄機(jī)組主設(shè)備狀態(tài)的實(shí)時(shí)監(jiān)測(cè)、運(yùn)行監(jiān)控、綜合分析、以及故障診斷和運(yùn)營(yíng)維護(hù)等主要功能。通過(guò)本項(xiàng)目的實(shí)施，減低企業(yè)生產(chǎn)運(yùn)營(yíng)成本，提高生產(chǎn)安全管理水平和管理效率，同時(shí)提升新源公司在水電主設(shè)備全過(guò)程監(jiān)測(cè)工作中的智能化水平。
二、項(xiàng)目實(shí)施概況
本項(xiàng)目采用云計(jì)算、大數(shù)據(jù)等工業(yè)互聯(lián)網(wǎng)平臺(tái)技術(shù)，匯集新源公司下屬各抽水蓄能電站的生產(chǎn)實(shí)時(shí)數(shù)據(jù)和設(shè)備狀態(tài)數(shù)據(jù)，并通過(guò)數(shù)據(jù)的治理、存儲(chǔ)、分析、建模，建設(shè)抽蓄機(jī)組主設(shè)備全過(guò)程評(píng)價(jià)指標(biāo)體系和主設(shè)備故障預(yù)警模型，并通過(guò)神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)狀態(tài)監(jiān)測(cè)及風(fēng)險(xiǎn)評(píng)估。
本項(xiàng)目技術(shù)路線如下：
本項(xiàng)目研究?jī)?nèi)容包括對(duì)主設(shè)備監(jiān)測(cè)數(shù)據(jù)的提取、特征指標(biāo)體系的設(shè)計(jì)研究、量化評(píng)價(jià)體系的研究以及構(gòu)建監(jiān)測(cè)、分析、評(píng)價(jià)的展示系統(tǒng)等多個(gè)方面。
故障特征指標(biāo)體系的設(shè)計(jì)問(wèn)題。主要是根據(jù)各部件之間的關(guān)聯(lián)關(guān)系以及故障機(jī)理模型、性能劣化模型建立，可真實(shí)表征機(jī)組性能分析、故障分析的特征指標(biāo)，以部件為單位，逐步構(gòu)建起能表征整個(gè)機(jī)組主設(shè)備性能評(píng)價(jià)、故障定位和分析的特征指標(biāo)體系。
以機(jī)組負(fù)荷、運(yùn)行工況、溫度、工作水頭做為邊界參數(shù)，對(duì)測(cè)量的振動(dòng)、擺度、壓力脈動(dòng)、氣隙等特征數(shù)據(jù)進(jìn)行分段預(yù)警；在機(jī)組穩(wěn)定運(yùn)行，而且機(jī)組狀態(tài)穩(wěn)定正常的情況下，當(dāng)上述邊界條件相同時(shí)，機(jī)組擺度、振動(dòng)等特征數(shù)據(jù)滿足正態(tài)分布規(guī)律，當(dāng)用歷史樣本數(shù)據(jù)進(jìn)行分段統(tǒng)計(jì)之后，獲得振動(dòng)、擺度在不同負(fù)荷、溫度、運(yùn)行工況下的中位值和分布的寬度，那么以這個(gè)中位值和寬度作為正常范圍，監(jiān)測(cè)新數(shù)據(jù)是否超出統(tǒng)計(jì)范圍，就可以實(shí)現(xiàn)人大數(shù)據(jù)分析、人工智能判斷的識(shí)別訓(xùn)練矩陣。
本項(xiàng)目實(shí)施概況如下：
1. 項(xiàng)目總體架構(gòu)
國(guó)網(wǎng)新源水電主設(shè)備實(shí)時(shí)分析監(jiān)測(cè)系統(tǒng)采用分布式、多層體系架構(gòu)，自頂向下分為展示層、業(yè)務(wù)應(yīng)用層、平臺(tái)層、基礎(chǔ)層、接入層（采集層），建立在統(tǒng)一的標(biāo)準(zhǔn)規(guī)范體系、安全管理體系、運(yùn)維保障體系下。
2. 數(shù)據(jù)接入與樣本分析
在數(shù)據(jù)質(zhì)量、數(shù)據(jù)存儲(chǔ)和應(yīng)用調(diào)研結(jié)論的基礎(chǔ)上，進(jìn)行數(shù)據(jù)獲取方案的制訂，確定獲取數(shù)據(jù)源、數(shù)據(jù)獲取方式、投入資源與外部資源范圍，并對(duì)數(shù)據(jù)進(jìn)行采樣分析，確定數(shù)據(jù)接入點(diǎn)位、和相關(guān)技術(shù)選型工作。對(duì)目前主流的數(shù)據(jù)接入、傳輸工具、軟件等進(jìn)行對(duì)比分析，完成對(duì)數(shù)據(jù)接入、存儲(chǔ)和分析的一系列結(jié)構(gòu)化設(shè)計(jì)與實(shí)施步驟等細(xì)節(jié)，推動(dòng)數(shù)據(jù)資源管理部門的支持和配合工作。
（圖 數(shù)據(jù)接入方案）
3. 主設(shè)備指標(biāo)體系研究工作
根據(jù)本項(xiàng)目的研究?jī)?nèi)容結(jié)合水電主設(shè)備監(jiān)測(cè)系統(tǒng)的配置情況、相關(guān)測(cè)點(diǎn)分布情況，綜合給出項(xiàng)目分析需求指標(biāo)列表。
（設(shè)備傳感器分布圖）
根據(jù)水電主設(shè)備傳感器波形數(shù)據(jù)進(jìn)行分析，根據(jù)機(jī)組傳感器在不同工況下的數(shù)據(jù)采集規(guī)律、間隔密度等因素，對(duì)生產(chǎn)實(shí)時(shí)與狀態(tài)檢測(cè)數(shù)據(jù)進(jìn)行歸集，通過(guò)相關(guān)性分析方法利用歷史數(shù)據(jù)，建立和分析設(shè)備各個(gè)參數(shù)之間的相關(guān)性，并整理出水輪發(fā)電機(jī)各設(shè)備部件傳感器數(shù)據(jù)的相關(guān)規(guī)律，結(jié)合水輪發(fā)電機(jī)組設(shè)備樹，形成設(shè)備指標(biāo)關(guān)系矩陣。
（設(shè)備指標(biāo)關(guān)系矩陣）
4. 完成泰山公司水電主設(shè)備全過(guò)程指標(biāo)體系梳理與建立工作
基于工業(yè)互聯(lián)網(wǎng)平臺(tái)收集整理的大量數(shù)據(jù)，構(gòu)建機(jī)組完整的指標(biāo)研究體系，是為了實(shí)現(xiàn)故障的初步定位。目前，大部分的故障診斷系統(tǒng)能夠提取的特征指標(biāo)非常有限，大部分指標(biāo)都停留在原始數(shù)據(jù)的1次提取狀態(tài)，這種指標(biāo)雖然可以反映故障的發(fā)生，但對(duì)于故障定位方面則存在明顯的缺陷。此時(shí)根據(jù)歷史數(shù)據(jù)的分析研究，機(jī)組各個(gè)部位傳感器的閾值已經(jīng)確定，機(jī)組運(yùn)行過(guò)程中不在指定范圍內(nèi)運(yùn)行的數(shù)值信息即為異常。尋找發(fā)生異常指標(biāo)所在的相關(guān)指標(biāo)集合，并將此集合中所有的運(yùn)行特征參數(shù)、邊界參數(shù)，結(jié)合運(yùn)用“基于大數(shù)據(jù)模型的挖掘算法”，將主設(shè)備各個(gè)相關(guān)部位傳感器、運(yùn)行特征進(jìn)行有機(jī)結(jié)合。記錄并分析相關(guān)指標(biāo)集合內(nèi)，所有傳感器數(shù)據(jù)的相關(guān)趨勢(shì)變化。通過(guò)判斷是否屬于測(cè)點(diǎn)相關(guān)性集合，來(lái)初步將故障點(diǎn)指向某一部件。
運(yùn)用大數(shù)據(jù)分析手段、數(shù)據(jù)建模技術(shù)，推動(dòng)篩查基于水電機(jī)組設(shè)備相關(guān)部件的測(cè)點(diǎn)中與異動(dòng)測(cè)點(diǎn)同期產(chǎn)生相關(guān)性變化的指標(biāo)，并結(jié)合機(jī)理知識(shí)和多種大數(shù)據(jù)挖掘模型算法，構(gòu)建五級(jí)結(jié)構(gòu)的指標(biāo)值研究體系。
（回歸模型典型數(shù)據(jù)挖掘邏輯示意圖）
一級(jí)指標(biāo)主要是從體系內(nèi)部結(jié)構(gòu)從機(jī)組監(jiān)測(cè)的所有原始波形數(shù)據(jù)及環(huán)境工況數(shù)據(jù)為基礎(chǔ)上根據(jù)波形中鍵相數(shù)據(jù)進(jìn)行原始波形重采樣計(jì)算重構(gòu)波形，將重采樣計(jì)算后的波形數(shù)據(jù)進(jìn)行快速傅里葉變化，從而將波形從時(shí)域轉(zhuǎn)換為頻域計(jì)算出來(lái)的值和部分環(huán)境量的值。一級(jí)指標(biāo)的作用是對(duì)監(jiān)測(cè)測(cè)點(diǎn)原始信號(hào)進(jìn)行處理解析成設(shè)備子部件故障模型診斷算法所需要的參數(shù)值，為二級(jí)指標(biāo)的計(jì)算做準(zhǔn)備。
二級(jí)指標(biāo)為一級(jí)指標(biāo)根據(jù)設(shè)備子部件故障模型故障診斷算法計(jì)算結(jié)果，通過(guò)該值能夠反映出該機(jī)組子部件運(yùn)行狀態(tài)及問(wèn)題。
三級(jí)指標(biāo)為通過(guò)一二級(jí)指標(biāo)的計(jì)算結(jié)果，通過(guò)把指標(biāo)的狀態(tài)量化成優(yōu)良中差或分?jǐn)?shù)，通過(guò)分?jǐn)?shù)反應(yīng)該子部件運(yùn)行的健康評(píng)價(jià)狀態(tài)。
四級(jí)指標(biāo)為機(jī)組軸系、發(fā)電機(jī)、水輪機(jī)、球閥、調(diào)速系統(tǒng)、主變壓器、靜止變頻器等部件根據(jù)三級(jí)指標(biāo)的健康評(píng)價(jià)狀態(tài)，匯總計(jì)算出一組能反應(yīng)機(jī)組部件健康狀態(tài)的一組評(píng)價(jià)值，該值即為四級(jí)部件評(píng)價(jià)指標(biāo)。
五級(jí)指標(biāo)為水輪發(fā)電機(jī)組主設(shè)備的健康評(píng)價(jià)指標(biāo)，通過(guò)匯總主設(shè)備內(nèi)各部件的運(yùn)行狀態(tài)，計(jì)算得到的能反應(yīng)出機(jī)組主設(shè)備的健康評(píng)價(jià)狀態(tài)的指標(biāo)。
5. 完成泰山公司水電主設(shè)備全過(guò)程指標(biāo)體系模型建設(shè)工作
基于工業(yè)互聯(lián)網(wǎng)平臺(tái)收集并整理的數(shù)據(jù)，運(yùn)用工業(yè)互聯(lián)網(wǎng)平臺(tái)強(qiáng)大的數(shù)據(jù)運(yùn)算能力，結(jié)合機(jī)理知識(shí)建設(shè)了一個(gè)評(píng)價(jià)模型、三個(gè)預(yù)警模型。
在抽蓄機(jī)組傳感器閾值的研究體系中，提出采用多維正態(tài)分布對(duì)閾值范圍進(jìn)行研究。針對(duì)電站抽水蓄能機(jī)組的實(shí)際運(yùn)行數(shù)據(jù)，使用多維正態(tài)分布，更加準(zhǔn)確的劃分安全域與不安全域，從而可以更好地監(jiān)測(cè)機(jī)組本身的運(yùn)行狀態(tài)，為生成機(jī)組異常狀態(tài)、故障趨勢(shì)分析報(bào)表、未來(lái)運(yùn)行趨勢(shì)和相應(yīng)處理措施的提出提供技術(shù)和數(shù)據(jù)支撐，更好地實(shí)現(xiàn)抽水蓄能電站優(yōu)化運(yùn)行的監(jiān)控和管理。
建設(shè)了水力不平衡的故障預(yù)測(cè)模型，利用監(jiān)測(cè)系統(tǒng)采集的數(shù)據(jù)進(jìn)行自動(dòng)化的特征參數(shù)辨識(shí)，進(jìn)而實(shí)現(xiàn)故障的在線診斷和報(bào)警，這是在線預(yù)警技術(shù)發(fā)展的重要方向，也是防止機(jī)組缺陷擴(kuò)大化，實(shí)現(xiàn)早期預(yù)警的重要手段。抽水蓄能機(jī)組的水力不平衡主要來(lái)源于氣蝕對(duì)導(dǎo)葉轉(zhuǎn)輪葉片的影響，而且這種水力不平衡還經(jīng)常會(huì)表現(xiàn)的是發(fā)電工況與抽水工況有較大的反差。導(dǎo)致機(jī)組產(chǎn)生水電不平衡的原因較為復(fù)雜，對(duì)于這種復(fù)雜問(wèn)題，我們需要把抽水蓄能機(jī)組實(shí)際運(yùn)行的數(shù)據(jù)與工況相結(jié)合，進(jìn)一步完善診斷機(jī)理，建立更為精確的故障模型，提高故障診斷的準(zhǔn)確性。
建設(shè)了軸線彎曲故障診斷模型，通過(guò)挖掘部件間的相關(guān)性，同時(shí)以部件為單位，將有關(guān)聯(lián)的主設(shè)備各個(gè)部位運(yùn)行特征有機(jī)結(jié)合，逐步構(gòu)建起能表征整個(gè)機(jī)組主設(shè)備性能評(píng)價(jià)、故障定位和分析的特征指標(biāo)體系。利用大數(shù)據(jù)技術(shù)挖掘機(jī)組的特征值和指標(biāo)值的變化規(guī)律，總結(jié)設(shè)備重要指標(biāo)的合理運(yùn)行區(qū)間，實(shí)現(xiàn)故障預(yù)警模型的應(yīng)用。
建設(shè)了轉(zhuǎn)子質(zhì)量不平衡模型，通過(guò)對(duì)開機(jī)過(guò)程的機(jī)組擺度測(cè)點(diǎn)和機(jī)架1X分量的特征數(shù)據(jù)的采集，建設(shè)在線辨識(shí)算法，實(shí)現(xiàn)對(duì)轉(zhuǎn)子質(zhì)量不平衡故障的監(jiān)測(cè)與預(yù)警，從而提升機(jī)組的安全穩(wěn)定水平。
6. 完成基于人工智能技術(shù)的故障特征訓(xùn)練工作
數(shù)據(jù)挖掘技術(shù)和算法多樣，本項(xiàng)目主要是嘗試使用分類算法對(duì)抽水蓄能機(jī)組的狀態(tài)進(jìn)行分類，也就是說(shuō)給定機(jī)組的運(yùn)行狀態(tài)值，通過(guò)模型計(jì)算得出機(jī)組狀態(tài)。應(yīng)用工業(yè)互聯(lián)網(wǎng)TECO平臺(tái)，本項(xiàng)目使用三種典型的數(shù)據(jù)挖掘分類算法進(jìn)行機(jī)組狀態(tài)預(yù)測(cè)建模：
決策樹（Decision Tree）是一種最常用的呈樹狀結(jié)構(gòu)的分類算法，其創(chuàng)建的過(guò)程主要包括變量選擇、決策樹生成以及決策樹修剪。首先對(duì)原始數(shù)據(jù) 進(jìn)行處理，并歸納生成可讀規(guī)則，然后使用決策樹對(duì)新數(shù)據(jù)進(jìn)行分析。本質(zhì)上決策樹是通過(guò)一系列規(guī)則對(duì)數(shù)據(jù)進(jìn)行分類的過(guò)程。
BP神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用十分廣泛的神經(jīng)網(wǎng)絡(luò)，按照誤差反向傳播的方法對(duì)其進(jìn)行訓(xùn)練，從而不斷對(duì)權(quán)值和偏差進(jìn)行反復(fù)調(diào)整，從而該算法的正確率也不斷上升。
支持向量機(jī)（support vector machines）是一種二分類模型，它的目的是尋找一個(gè)超平面來(lái)對(duì)樣本進(jìn)行分割，分割的原則是間隔最大化，最終轉(zhuǎn)化為一個(gè)凸二次規(guī)劃問(wèn)題來(lái)求解。
（數(shù)據(jù)挖掘過(guò)程模型）
實(shí)踐過(guò)程中共采用了三種常見的分類算法，決策樹、神經(jīng)網(wǎng)絡(luò)和SVM（支持向量機(jī)）對(duì)近12萬(wàn)條數(shù)據(jù)進(jìn)行訓(xùn)練和測(cè)試，通過(guò)10-fold交叉實(shí)驗(yàn)來(lái)評(píng)估預(yù)測(cè)模型的準(zhǔn)確性?？傮w來(lái)看，三種分類算法都能夠準(zhǔn)確地預(yù)測(cè)機(jī)組故障和非故障狀態(tài)，10-fold準(zhǔn)確性和AUC指標(biāo)都比較滿意，其中神經(jīng)網(wǎng)絡(luò)和決策樹都取得了類似AUC，略高于支持向量機(jī)SVM的績(jī)效。
使用BP神經(jīng)網(wǎng)絡(luò)需要構(gòu)建狀態(tài)矩陣，將機(jī)組部件的狀態(tài)得分與評(píng)價(jià)得分進(jìn)行顯性處理，以便于神經(jīng)網(wǎng)絡(luò)的計(jì)算，采取的辦法是將機(jī)組的部件按照每一次開機(jī)過(guò)程進(jìn)行劃分，并將影響機(jī)組部件狀態(tài)評(píng)價(jià)的指標(biāo)按照不同的維度進(jìn)行劃分，并借助大數(shù)據(jù)知識(shí)對(duì)機(jī)組當(dāng)次狀態(tài)的評(píng)價(jià)得分，以“狀態(tài)-評(píng)價(jià)”方式構(gòu)建狀態(tài)矩陣。
（機(jī)組工況參數(shù)異常示例）
基本BP算法包括信號(hào)的前向傳播和誤差的反向傳播兩個(gè)過(guò)程。即計(jì)算誤差輸出時(shí)按從輸入到輸出的方向進(jìn)行，而調(diào)整權(quán)值和閾值則從輸出到輸入的方向進(jìn)行。正向傳播時(shí)，輸入信號(hào)通過(guò)隱含層作用于輸出節(jié)點(diǎn)，經(jīng)過(guò)非線性變換，產(chǎn)生輸出信號(hào)，若實(shí)際輸出與期望輸出不相符，則轉(zhuǎn)入誤差的反向傳播過(guò)程。誤差反傳是將輸出誤差通過(guò)隱含層向輸入層逐層反傳，并將誤差分?jǐn)偨o各層所有單元，以從各層獲得的誤差信號(hào)作為調(diào)整各單元權(quán)值的依據(jù)。通過(guò)調(diào)整輸入節(jié)點(diǎn)與隱層節(jié)點(diǎn)的聯(lián)接強(qiáng)度和隱層節(jié)點(diǎn)與輸出節(jié)點(diǎn)的聯(lián)接強(qiáng)度以及閾值，使誤差沿梯度方向下降，經(jīng)過(guò)反復(fù)學(xué)習(xí)訓(xùn)練，確定與最小誤差相對(duì)應(yīng)的網(wǎng)絡(luò)參數(shù)(權(quán)值和閾值)，訓(xùn)練即告停止。此時(shí)經(jīng)過(guò)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)即能對(duì)類似樣本的輸入信息，自行處理輸出誤差最小的經(jīng)過(guò)非線形轉(zhuǎn)換的信息。
通過(guò)BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)狀態(tài)的分類，其突出優(yōu)點(diǎn)就是具有很強(qiáng)的非線性映射能力和柔性的網(wǎng)絡(luò)結(jié)構(gòu)。網(wǎng)絡(luò)的中間層數(shù)、各層的神經(jīng)元個(gè)數(shù)可根據(jù)具體情況任意設(shè)定，并且隨著結(jié)構(gòu)的差異其性能也有所不同，因此對(duì)于本項(xiàng)目而言，使用BP神經(jīng)網(wǎng)絡(luò)具有較高的靈活性及較強(qiáng)的反應(yīng)速度，同時(shí)提升了分類評(píng)價(jià)的準(zhǔn)確性。
以上研究充分證明前面依據(jù)行業(yè)專家選擇的機(jī)組狀態(tài)監(jiān)測(cè)特征指標(biāo)，能夠很好的用于故障狀態(tài)預(yù)測(cè)建模，具有較強(qiáng)的解釋力度。下表中羅列三種分類算法的績(jī)效。
| 10-fold準(zhǔn)確性 | AUC | |
決策樹 | 85.42% | 0.85 | |
神經(jīng)網(wǎng)絡(luò) | 85.38% | 0.85 | |
SVM | 76.53% | 0.75 |
（分類算法準(zhǔn)確性）
三、下一步實(shí)施計(jì)劃
針對(duì)本項(xiàng)目目前的研究成果，下一步實(shí)施計(jì)劃主要為開展項(xiàng)目成果的推廣工作：
1. 基于泰山公司水電主設(shè)備全過(guò)程指標(biāo)體系應(yīng)用的推廣工作
（1） 明年推廣到新源下屬所有抽水蓄能電站；
（2） 三年內(nèi)推廣到常規(guī)水利發(fā)電行業(yè)，并對(duì)水電主設(shè)備指標(biāo)體系進(jìn)行豐富與完善。
2. 基于泰山公司水電主設(shè)備全過(guò)程指標(biāo)智能監(jiān)測(cè)模型的推廣工作
（1） 明年將模型建設(shè)覆蓋面提升至抽水蓄能機(jī)組所有部件；
（2） 三年內(nèi)在新源范圍內(nèi)進(jìn)行推廣應(yīng)用。
3. 人工智能技術(shù)的推廣工作
（1） 明年將人工智能算法覆蓋面提升到所有部件；
（2） 三年內(nèi)實(shí)現(xiàn)全行業(yè)的推廣流程。
四、項(xiàng)目創(chuàng)新點(diǎn)和實(shí)施效果
1. 項(xiàng)目先進(jìn)性及創(chuàng)新點(diǎn)
1）行業(yè)內(nèi)首次借助工業(yè)互聯(lián)網(wǎng)平臺(tái)
利用工業(yè)互聯(lián)網(wǎng)平臺(tái)的大數(shù)據(jù)承載與交換分析能力，實(shí)現(xiàn)抽蓄機(jī)組主設(shè)備生產(chǎn)實(shí)時(shí)數(shù)據(jù)的提取與存儲(chǔ)，并運(yùn)用大規(guī)模計(jì)算集群進(jìn)行高效的數(shù)據(jù)挖掘與人工智能訓(xùn)練工作，并通過(guò)可視化技術(shù)對(duì)分析結(jié)果進(jìn)行全方位展示，直觀展示新源公司全局、各抽蓄電站、水輪發(fā)電機(jī)組的設(shè)備狀態(tài)實(shí)時(shí)信息。
2）“大數(shù)據(jù)+機(jī)理”方式
傳統(tǒng)的數(shù)據(jù)分析方法是將機(jī)組部件特征的數(shù)據(jù)進(jìn)行收集，運(yùn)用機(jī)組的機(jī)理規(guī)范對(duì)當(dāng)前數(shù)據(jù)進(jìn)行評(píng)價(jià)，以便確認(rèn)機(jī)組部件的運(yùn)行狀態(tài)，此方法弊端在于：（1）效率較低，不僅各個(gè)系統(tǒng)數(shù)據(jù)不互通，且數(shù)據(jù)需要逐條處理，且需與人工結(jié)合造成效率低下；（2）具有滯后性，機(jī)組需要先出現(xiàn)問(wèn)題才能發(fā)現(xiàn)問(wèn)題，沒有對(duì)數(shù)據(jù)質(zhì)量可預(yù)見性，“先發(fā)生，后解決”的思路造成資源的浪費(fèi)。
本項(xiàng)目依據(jù)工業(yè)互聯(lián)網(wǎng)平臺(tái)，創(chuàng)新性地采用大數(shù)據(jù)與機(jī)理相結(jié)合的方式進(jìn)行模型的建設(shè)，編制抽蓄機(jī)組狀態(tài)評(píng)價(jià)指標(biāo)體系；基于水輪機(jī)組設(shè)備部件管理樹和多元回歸算法，構(gòu)建抽水蓄能電站主設(shè)備全過(guò)程評(píng)價(jià)指標(biāo)體系，實(shí)現(xiàn)對(duì)機(jī)組狀態(tài)的監(jiān)測(cè)與故障的預(yù)警，同時(shí)，結(jié)合大數(shù)據(jù)可以實(shí)現(xiàn)對(duì)故障的可預(yù)見性，實(shí)現(xiàn)資源的合理利用。
3）首次應(yīng)用神經(jīng)網(wǎng)絡(luò)
神經(jīng)網(wǎng)絡(luò)作為人工智能的核心算法，從未在國(guó)網(wǎng)新源內(nèi)進(jìn)行使用，其主要原因是數(shù)據(jù)運(yùn)算量大，要求數(shù)據(jù)質(zhì)量高等，工業(yè)互聯(lián)網(wǎng)平臺(tái)具有強(qiáng)大的運(yùn)算能力與數(shù)據(jù)儲(chǔ)存能力，應(yīng)用工業(yè)互聯(lián)網(wǎng)平臺(tái)可以實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的部署，
基于廣泛水輪發(fā)電機(jī)機(jī)理知識(shí)庫(kù)與機(jī)理分析數(shù)學(xué)模型結(jié)合神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)算法，構(gòu)建機(jī)組故障監(jiān)測(cè)、預(yù)警模型，為設(shè)備的安全運(yùn)行、異常預(yù)警、狀態(tài)檢修等提供技術(shù)手段，進(jìn)而為業(yè)務(wù)部門的決策提供科學(xué)參考，也為后續(xù)新電站的建設(shè)、新設(shè)備的全過(guò)程管理提供科學(xué)依據(jù)。
4）提升設(shè)備管控決策能力
創(chuàng)新型采用大數(shù)據(jù)分析手段和機(jī)組設(shè)備部件機(jī)理特性相結(jié)合方法，編制抽蓄機(jī)組狀態(tài)評(píng)價(jià)指標(biāo)體系；基于水輪機(jī)組設(shè)備部件管理樹和多元回歸算法，構(gòu)建抽水蓄能電站主設(shè)備全過(guò)程評(píng)價(jià)指標(biāo)體系；基于廣泛水輪發(fā)電機(jī)機(jī)理知識(shí)庫(kù)與機(jī)理分析數(shù)學(xué)模型結(jié)合神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)算法，構(gòu)建機(jī)組故障監(jiān)測(cè)、預(yù)警模型，為設(shè)備的安全運(yùn)行、異常預(yù)警、狀態(tài)檢修等提供技術(shù)手段，進(jìn)而為業(yè)務(wù)部門的決策提供科學(xué)參考，也為后續(xù)新電站的建設(shè)、新設(shè)備的全過(guò)程管理提供科學(xué)依據(jù)。
2. 實(shí)施效果
（1）促進(jìn)生產(chǎn)的穩(wěn)定運(yùn)行、經(jīng)濟(jì)運(yùn)行
由于抽水蓄能電站擁有獨(dú)特的運(yùn)行特性和機(jī)組的優(yōu)越技術(shù)性能，使其在我國(guó)大規(guī)模的建成與投運(yùn)，十分有利于保障我國(guó)電力系統(tǒng)的安全穩(wěn)定和優(yōu)質(zhì)經(jīng)濟(jì)運(yùn)行。通過(guò)本項(xiàng)目實(shí)施，達(dá)到以下效果
1 實(shí)時(shí)監(jiān)測(cè)并優(yōu)化數(shù)據(jù)質(zhì)量；
2 機(jī)組運(yùn)行狀態(tài)評(píng)價(jià)準(zhǔn)確率92.7%以上；
3 提高機(jī)組潛在故障識(shí)別率；
4 指導(dǎo)設(shè)備狀態(tài)檢修；
5 降低機(jī)組運(yùn)維成本；
6 提高抽蓄電站效益。
（2）降低機(jī)組運(yùn)維成本，提高抽蓄機(jī)組經(jīng)營(yíng)效益
通過(guò)項(xiàng)目實(shí)施過(guò)程，對(duì)抽蓄機(jī)組運(yùn)行狀態(tài)的實(shí)時(shí)評(píng)價(jià)與監(jiān)測(cè)，對(duì)設(shè)備維護(hù)保養(yǎng)策略，以及備件采購(gòu)的調(diào)度優(yōu)化，實(shí)現(xiàn)新源公司抽蓄電站的供應(yīng)鏈優(yōu)化，在保障服務(wù)電網(wǎng)需求前提下，最大限度確保機(jī)組設(shè)備的健康度和運(yùn)行穩(wěn)定，從而減小設(shè)備故障、損毀帶來(lái)的經(jīng)濟(jì)損失，同時(shí)也為管理部門經(jīng)營(yíng)決策提供科學(xué)參考依據(jù)。
（3） 指導(dǎo)運(yùn)維檢修，優(yōu)化巡檢目標(biāo)，節(jié)約人力成本
通常水電站的日常運(yùn)維巡檢工作每日至少安排2次，專業(yè)巡檢工作每周至少安排2次，巡檢中重要的一點(diǎn)就是巡檢人員通過(guò)定期與不定期數(shù)據(jù)報(bào)表，將分析數(shù)據(jù)與評(píng)估報(bào)告提供給經(jīng)驗(yàn)豐富的技術(shù)人員分析，來(lái)預(yù)測(cè)設(shè)備可能產(chǎn)生的問(wèn)題，把可能出現(xiàn)的問(wèn)題做為分析結(jié)論提供給檢修人員進(jìn)行嚴(yán)格檢修與維護(hù)。
我國(guó)提出水電站自動(dòng)化水平提升，逐步實(shí)現(xiàn)水電站的少人值守，過(guò)渡到無(wú)人值守已經(jīng)有近半個(gè)世紀(jì)了，直到近些年隨著工業(yè)能源企業(yè)信息化、數(shù)字化轉(zhuǎn)型等一些列復(fù)雜的系統(tǒng)工程建設(shè)，這一倡議才達(dá)到相對(duì)成熟的條件。通過(guò)本項(xiàng)目的實(shí)施與應(yīng)用，為抽水蓄能電站日常巡檢、專業(yè)巡檢工作提供信息化指導(dǎo)意見，在巡檢過(guò)程中可依靠人工智能診斷結(jié)果，進(jìn)行針對(duì)化的巡檢工作安排，逐步加大傳感器、監(jiān)控裝備的應(yīng)用與維護(hù)，提高診斷結(jié)果的可靠性，從而減輕人工巡檢的工作量，逐步實(shí)現(xiàn)少人值守、無(wú)人值班的目的，減少人力資源成本，提高電站經(jīng)濟(jì)效益。