基于工業互聯網的水電主設備指標監測 全過程指標監測、分析研究技術服務
引 言
國網新源控股有限公司成立于2005年3月，注冊資本金102.86億元，目前由國家電網有限公司持股70%，中國長江三峽集團公司持股30%，與國家電網有限公司2011年9月成立的全資子公司國網新源水電有限公司實施一體化管理模式，主要負責開發建設和經營管理抽水蓄能電站和常規水電站，承擔著保障電網安全、穩定、經濟、清潔運行的基本使命，是全球最大的調峰調頻專業運營公司。
截至目前，新源公司管理資產總額970.2億元，管理單位60家，分布在20個省市，裝機容量6020.4萬千瓦，其中：抽水蓄能電站45座，裝機容量5522萬千瓦；常規水電廠8座，裝機容量498.4萬千瓦；開展可研和預可研抽水蓄能項目超過4000萬千瓦。按照十三五規劃，至2020年，新源公司管理運行容量2092萬千瓦，在建容量4948萬千瓦，可控容量7040萬千瓦，初步建成抽水蓄能行業國際一流企業和水電行業示范企業，為國家電網有限公司率先建成具有全球競爭力的世界一流企業發揮重要作用。
抽水蓄能電站利用電力負荷低谷時的電能抽水至上水庫，在電力負荷高峰期再放水至下水庫發電的水電站，又稱蓄能式水電站。在當下綠色能源大發展的背景下，抽水蓄能電站對于提高電網供電質量和電網靈活性及可靠性發揮著不可替代的作用。但是由于抽水蓄能機組運行復雜，啟動繁雜，水力、機械、電力共同作用，極有可能引起機組溫度過高、并網故障、甩油故障等，從而影響整個機組的正常運行。在電力系統中，抽水蓄能機組是非常重要的組成模塊，也是電力穩定、持續不間斷供應的基礎。因此，基于數據挖掘技術對抽水蓄能電站機組狀態進行預測和判斷具有重要的現實意義。
太極股份致力于“做中國最優秀的數字化服務提供商”，率先推出TECO工業互聯網平臺，牽手眾多的生態合作伙伴，面向工業行業和企業的價值需求，提供工業互聯網業務頂層設計、平臺建設、工業大數據服務、算法模型開發、云平臺運營等服務，多年來電力、鋼鐵、煤炭、化工、軍工制造等工業領域有著眾多的客戶、豐富的業務實踐和案例。
在此背景下，2018-2019年，新源公司委托太極計算機股份有限公司開展，采用太極TECO工業互聯網平臺技術，基于數據挖掘，數據分析，模型建設，人工智能等技術實現各系統數據的整合、分析、清洗、建模、計算等，從而形成水電主設備全過程評價指標體系，并對設備的狀態分析，異常預警提供技術手段。
一、 項目概況
本項目依據新源公司預期的發展戰略目標，借鑒國內相關行業設備狀態監測與風險預測的實踐過程，以工業互聯網平臺為基礎，建設水電主設備全過程評價指標體系，并結合實際數據效果，構建水電主設備故障預警模型，從而為業務部門的決策提供科學參考，并為新設備的全過程管理提供科學依據與規范。
1. 項目背景
隨著“互聯網+”時代的到來，信息網絡正向高速、智能、融合的下一代網絡演進，信息技術的進步帶動支撐了模式創新、管理創新和制度創新，市場經濟競爭在信息技術高速發展的時代進入一個更加激烈的階段，依托信息化手段建設智慧型企業是企業實現快速發展的一個必然選擇。隨著計算機監控和各類監測系統的不斷普及，水電站安裝了成千上萬支傳感器，每時每秒都在產生大量的數據，這些數據中蘊含了豐富的價值信息，若能有效提取利用，必定對生產運營的各個環節產生深遠的影響。
新源公司廣泛地建設了諸多系統，系統每天產生大量的生產基礎數據和分析數據。隨著設備狀態監測與管理模式的不斷提升，傳統的數據處理方法已經不再適用，太極股份作為承建單位，需依據TECO工業互聯網平臺技術，進行數據治理與整合、建模、分析等方法，構建水電主設備全過程評價指標體系和設備故障預警模型，并實現對設備狀態的監督檢修，及時發出異常預警，保障設備的安全穩定運行，從而為業務部門的決策提供科學參考，也為后續新電站的建設、新設備的全過程管理提供科學依據。
目前，對于抽水蓄能機組狀態監測和故障診斷系統的研究大多基于傳統的信號處理方法，它是以機組的狀態監測為基礎，根據所獲得的監測數據，提取反映水輪機運行狀態的特征值，并對這些特征值進行分析診斷，判斷水輪機是否存在故障。這種方法只能對故障進行事后分析，無法實現預測，而且由于故障樣本數據有限，導致其適應性差，只能用于特定故障的分析診斷。國內外已有一些基于數據挖掘技術的抽水蓄能電站設備故障診斷和狀態檢修方面的研究，為機組狀態監測分析和故障診斷提供了有益探索。利用工業互聯網平臺，通過對設備指標歷史數據進行清洗、特征工程、打標簽、數據挖掘和預測建模、模型性能測試驗證，最終得出抽水蓄能機組故障預測模型。模型部署后對機組當前監測值進行對比分析，判斷當前設備運行狀態是否正常。
2. 項目簡介
本項目基于工業互聯網，建設覆蓋水電主設備全過程評價指標體系，并依靠工業互聯網平臺強大的運算能力，實現對設備指標與狀態評價數據的整理、分析、最終構建水電主設備全過程評價指標體系和設備故障預警模型，實現設備檢測、指導管理等諸多效益。項目簡介如下：
(1)常見的水輪發電機機組故障診斷方式，大部分是從水力因素、機械因素、天氣因素和專家故障診斷方法來進行。通過多層次分析可知，依靠單一技術無法滿足水輪發電機故障診斷的任務。因此，依靠工業互聯網平臺，將不同診斷技術結合起來，運用大數據分析海量生產實時數據和多層次神經網絡人工智能等方法的混合診斷研究，是現階段研究的發展趨勢。
(2)根據故障機理、性能劣化機理，依靠TECO平臺，建立故障的數學模型和性能劣化的評價數學模型，并根據數學模型對特征指標體系進行重構，形成可直接用于故障確認和定位的可量化特征指標體系，這就是所謂的故障指標體系。
（3）采用大數據分析方法建立趨勢預測，常用的方法有多元線性回歸方法，該根據歷史樣本建立機組負荷、運行工況、溫度、水頭與振動、擺度、壓力脈動等指標之間的回歸模型，以該回歸模型為基礎進行預測和趨勢監測，該方法的核心問題是樣本數據需要足夠，而且在建立模型時給出的自變量需要完整。另外結合機理知識和多種大數據挖掘模型算法如多元回歸模型、SVM回歸模型、正態統計模型、相關性分析、臨近算法模型(kNN)、k-Means聚類分析、人工神經網絡分析等分析方法，構建機組完整的指標值研究體系，經過故障特征指標值的記錄和設備專家人工辨別、篩查和整理，最終形成針對不同機組部件的多維度混合智能診斷方法。
3. 項目目標
基于工業互聯網平臺強大的運算能力，利用大數據概念和故障特征分析，充分利用和整合現有資源和數據，以新源公司對抽水蓄能電站設備運行狀態監控和管理應用為方向，實現基于大數據分析手段建立抽蓄機組主設備全過程評價指標體系和主設備故障預警模型的構建，實現對抽蓄機組主設備狀態的實時監測、運行監控、綜合分析、以及故障診斷和運營維護等主要功能。通過本項目的實施，減低企業生產運營成本，提高生產安全管理水平和管理效率，同時提升新源公司在水電主設備全過程監測工作中的智能化水平。
二、項目實施概況
本項目采用云計算、大數據等工業互聯網平臺技術，匯集新源公司下屬各抽水蓄能電站的生產實時數據和設備狀態數據，并通過數據的治理、存儲、分析、建模，建設抽蓄機組主設備全過程評價指標體系和主設備故障預警模型，并通過神經網絡算法實現狀態監測及風險評估。
本項目技術路線如下：
本項目研究內容包括對主設備監測數據的提取、特征指標體系的設計研究、量化評價體系的研究以及構建監測、分析、評價的展示系統等多個方面。
故障特征指標體系的設計問題。主要是根據各部件之間的關聯關系以及故障機理模型、性能劣化模型建立，可真實表征機組性能分析、故障分析的特征指標，以部件為單位，逐步構建起能表征整個機組主設備性能評價、故障定位和分析的特征指標體系。
以機組負荷、運行工況、溫度、工作水頭做為邊界參數，對測量的振動、擺度、壓力脈動、氣隙等特征數據進行分段預警；在機組穩定運行，而且機組狀態穩定正常的情況下，當上述邊界條件相同時，機組擺度、振動等特征數據滿足正態分布規律，當用歷史樣本數據進行分段統計之后，獲得振動、擺度在不同負荷、溫度、運行工況下的中位值和分布的寬度，那么以這個中位值和寬度作為正常范圍，監測新數據是否超出統計范圍，就可以實現人大數據分析、人工智能判斷的識別訓練矩陣。
本項目實施概況如下：
1. 項目總體架構
國網新源水電主設備實時分析監測系統采用分布式、多層體系架構，自頂向下分為展示層、業務應用層、平臺層、基礎層、接入層（采集層），建立在統一的標準規范體系、安全管理體系、運維保障體系下。
2. 數據接入與樣本分析
在數據質量、數據存儲和應用調研結論的基礎上，進行數據獲取方案的制訂，確定獲取數據源、數據獲取方式、投入資源與外部資源范圍，并對數據進行采樣分析，確定數據接入點位、和相關技術選型工作。對目前主流的數據接入、傳輸工具、軟件等進行對比分析，完成對數據接入、存儲和分析的一系列結構化設計與實施步驟等細節，推動數據資源管理部門的支持和配合工作。
（圖 數據接入方案）
3. 主設備指標體系研究工作
根據本項目的研究內容結合水電主設備監測系統的配置情況、相關測點分布情況，綜合給出項目分析需求指標列表。
（設備傳感器分布圖）
根據水電主設備傳感器波形數據進行分析，根據機組傳感器在不同工況下的數據采集規律、間隔密度等因素，對生產實時與狀態檢測數據進行歸集，通過相關性分析方法利用歷史數據，建立和分析設備各個參數之間的相關性，并整理出水輪發電機各設備部件傳感器數據的相關規律，結合水輪發電機組設備樹，形成設備指標關系矩陣。
（設備指標關系矩陣）
4. 完成泰山公司水電主設備全過程指標體系梳理與建立工作
基于工業互聯網平臺收集整理的大量數據，構建機組完整的指標研究體系，是為了實現故障的初步定位。目前，大部分的故障診斷系統能夠提取的特征指標非常有限，大部分指標都停留在原始數據的1次提取狀態，這種指標雖然可以反映故障的發生，但對于故障定位方面則存在明顯的缺陷。此時根據歷史數據的分析研究，機組各個部位傳感器的閾值已經確定，機組運行過程中不在指定范圍內運行的數值信息即為異常。尋找發生異常指標所在的相關指標集合，并將此集合中所有的運行特征參數、邊界參數，結合運用“基于大數據模型的挖掘算法”，將主設備各個相關部位傳感器、運行特征進行有機結合。記錄并分析相關指標集合內，所有傳感器數據的相關趨勢變化。通過判斷是否屬于測點相關性集合，來初步將故障點指向某一部件。
運用大數據分析手段、數據建模技術，推動篩查基于水電機組設備相關部件的測點中與異動測點同期產生相關性變化的指標，并結合機理知識和多種大數據挖掘模型算法，構建五級結構的指標值研究體系。
（回歸模型典型數據挖掘邏輯示意圖）
一級指標主要是從體系內部結構從機組監測的所有原始波形數據及環境工況數據為基礎上根據波形中鍵相數據進行原始波形重采樣計算重構波形，將重采樣計算后的波形數據進行快速傅里葉變化，從而將波形從時域轉換為頻域計算出來的值和部分環境量的值。一級指標的作用是對監測測點原始信號進行處理解析成設備子部件故障模型診斷算法所需要的參數值，為二級指標的計算做準備。
二級指標為一級指標根據設備子部件故障模型故障診斷算法計算結果，通過該值能夠反映出該機組子部件運行狀態及問題。
三級指標為通過一二級指標的計算結果，通過把指標的狀態量化成優良中差或分數，通過分數反應該子部件運行的健康評價狀態。
四級指標為機組軸系、發電機、水輪機、球閥、調速系統、主變壓器、靜止變頻器等部件根據三級指標的健康評價狀態，匯總計算出一組能反應機組部件健康狀態的一組評價值，該值即為四級部件評價指標。
五級指標為水輪發電機組主設備的健康評價指標，通過匯總主設備內各部件的運行狀態，計算得到的能反應出機組主設備的健康評價狀態的指標。
5. 完成泰山公司水電主設備全過程指標體系模型建設工作
基于工業互聯網平臺收集并整理的數據，運用工業互聯網平臺強大的數據運算能力，結合機理知識建設了一個評價模型、三個預警模型。
在抽蓄機組傳感器閾值的研究體系中，提出采用多維正態分布對閾值范圍進行研究。針對電站抽水蓄能機組的實際運行數據，使用多維正態分布，更加準確的劃分安全域與不安全域，從而可以更好地監測機組本身的運行狀態，為生成機組異常狀態、故障趨勢分析報表、未來運行趨勢和相應處理措施的提出提供技術和數據支撐，更好地實現抽水蓄能電站優化運行的監控和管理。
建設了水力不平衡的故障預測模型，利用監測系統采集的數據進行自動化的特征參數辨識，進而實現故障的在線診斷和報警，這是在線預警技術發展的重要方向，也是防止機組缺陷擴大化，實現早期預警的重要手段。抽水蓄能機組的水力不平衡主要來源于氣蝕對導葉轉輪葉片的影響，而且這種水力不平衡還經常會表現的是發電工況與抽水工況有較大的反差。導致機組產生水電不平衡的原因較為復雜，對于這種復雜問題，我們需要把抽水蓄能機組實際運行的數據與工況相結合，進一步完善診斷機理，建立更為精確的故障模型，提高故障診斷的準確性。
建設了軸線彎曲故障診斷模型，通過挖掘部件間的相關性，同時以部件為單位，將有關聯的主設備各個部位運行特征有機結合，逐步構建起能表征整個機組主設備性能評價、故障定位和分析的特征指標體系。利用大數據技術挖掘機組的特征值和指標值的變化規律，總結設備重要指標的合理運行區間，實現故障預警模型的應用。
建設了轉子質量不平衡模型，通過對開機過程的機組擺度測點和機架1X分量的特征數據的采集，建設在線辨識算法，實現對轉子質量不平衡故障的監測與預警，從而提升機組的安全穩定水平。
6. 完成基于人工智能技術的故障特征訓練工作
數據挖掘技術和算法多樣，本項目主要是嘗試使用分類算法對抽水蓄能機組的狀態進行分類，也就是說給定機組的運行狀態值，通過模型計算得出機組狀態。應用工業互聯網TECO平臺，本項目使用三種典型的數據挖掘分類算法進行機組狀態預測建模：
決策樹（Decision Tree）是一種最常用的呈樹狀結構的分類算法，其創建的過程主要包括變量選擇、決策樹生成以及決策樹修剪。首先對原始數據 進行處理，并歸納生成可讀規則，然后使用決策樹對新數據進行分析。本質上決策樹是通過一系列規則對數據進行分類的過程。
BP神經網絡是一種應用十分廣泛的神經網絡，按照誤差反向傳播的方法對其進行訓練，從而不斷對權值和偏差進行反復調整，從而該算法的正確率也不斷上升。
支持向量機（support vector machines）是一種二分類模型，它的目的是尋找一個超平面來對樣本進行分割，分割的原則是間隔最大化，最終轉化為一個凸二次規劃問題來求解。
（數據挖掘過程模型）
實踐過程中共采用了三種常見的分類算法，決策樹、神經網絡和SVM（支持向量機）對近12萬條數據進行訓練和測試，通過10-fold交叉實驗來評估預測模型的準確性。總體來看，三種分類算法都能夠準確地預測機組故障和非故障狀態，10-fold準確性和AUC指標都比較滿意，其中神經網絡和決策樹都取得了類似AUC，略高于支持向量機SVM的績效。
使用BP神經網絡需要構建狀態矩陣，將機組部件的狀態得分與評價得分進行顯性處理，以便于神經網絡的計算，采取的辦法是將機組的部件按照每一次開機過程進行劃分，并將影響機組部件狀態評價的指標按照不同的維度進行劃分，并借助大數據知識對機組當次狀態的評價得分，以“狀態-評價”方式構建狀態矩陣。
（機組工況參數異常示例）
基本BP算法包括信號的前向傳播和誤差的反向傳播兩個過程。即計算誤差輸出時按從輸入到輸出的方向進行，而調整權值和閾值則從輸出到輸入的方向進行。正向傳播時，輸入信號通過隱含層作用于輸出節點，經過非線性變換，產生輸出信號，若實際輸出與期望輸出不相符，則轉入誤差的反向傳播過程。誤差反傳是將輸出誤差通過隱含層向輸入層逐層反傳，并將誤差分攤給各層所有單元，以從各層獲得的誤差信號作為調整各單元權值的依據。通過調整輸入節點與隱層節點的聯接強度和隱層節點與輸出節點的聯接強度以及閾值，使誤差沿梯度方向下降，經過反復學習訓練，確定與最小誤差相對應的網絡參數(權值和閾值)，訓練即告停止。此時經過訓練的神經網絡即能對類似樣本的輸入信息，自行處理輸出誤差最小的經過非線形轉換的信息。
通過BP神經網絡實現狀態的分類，其突出優點就是具有很強的非線性映射能力和柔性的網絡結構。網絡的中間層數、各層的神經元個數可根據具體情況任意設定，并且隨著結構的差異其性能也有所不同，因此對于本項目而言，使用BP神經網絡具有較高的靈活性及較強的反應速度，同時提升了分類評價的準確性。
以上研究充分證明前面依據行業專家選擇的機組狀態監測特征指標，能夠很好的用于故障狀態預測建模，具有較強的解釋力度。下表中羅列三種分類算法的績效。
| 10-fold準確性 | AUC | |
決策樹 | 85.42% | 0.85 | |
神經網絡 | 85.38% | 0.85 | |
SVM | 76.53% | 0.75 |
（分類算法準確性）
三、下一步實施計劃
針對本項目目前的研究成果，下一步實施計劃主要為開展項目成果的推廣工作：
1. 基于泰山公司水電主設備全過程指標體系應用的推廣工作
（1） 明年推廣到新源下屬所有抽水蓄能電站；
（2） 三年內推廣到常規水利發電行業，并對水電主設備指標體系進行豐富與完善。
2. 基于泰山公司水電主設備全過程指標智能監測模型的推廣工作
（1） 明年將模型建設覆蓋面提升至抽水蓄能機組所有部件；
（2） 三年內在新源范圍內進行推廣應用。
3. 人工智能技術的推廣工作
（1） 明年將人工智能算法覆蓋面提升到所有部件；
（2） 三年內實現全行業的推廣流程。
四、項目創新點和實施效果
1. 項目先進性及創新點
1）行業內首次借助工業互聯網平臺
利用工業互聯網平臺的大數據承載與交換分析能力，實現抽蓄機組主設備生產實時數據的提取與存儲，并運用大規模計算集群進行高效的數據挖掘與人工智能訓練工作，并通過可視化技術對分析結果進行全方位展示，直觀展示新源公司全局、各抽蓄電站、水輪發電機組的設備狀態實時信息。
2）“大數據+機理”方式
傳統的數據分析方法是將機組部件特征的數據進行收集，運用機組的機理規范對當前數據進行評價，以便確認機組部件的運行狀態，此方法弊端在于：（1）效率較低，不僅各個系統數據不互通，且數據需要逐條處理，且需與人工結合造成效率低下；（2）具有滯后性，機組需要先出現問題才能發現問題，沒有對數據質量可預見性，“先發生，后解決”的思路造成資源的浪費。
本項目依據工業互聯網平臺，創新性地采用大數據與機理相結合的方式進行模型的建設，編制抽蓄機組狀態評價指標體系；基于水輪機組設備部件管理樹和多元回歸算法，構建抽水蓄能電站主設備全過程評價指標體系，實現對機組狀態的監測與故障的預警，同時，結合大數據可以實現對故障的可預見性，實現資源的合理利用。
3）首次應用神經網絡
神經網絡作為人工智能的核心算法，從未在國網新源內進行使用，其主要原因是數據運算量大，要求數據質量高等，工業互聯網平臺具有強大的運算能力與數據儲存能力，應用工業互聯網平臺可以實現神經網絡的部署，
基于廣泛水輪發電機機理知識庫與機理分析數學模型結合神經網絡深度學習算法，構建機組故障監測、預警模型，為設備的安全運行、異常預警、狀態檢修等提供技術手段，進而為業務部門的決策提供科學參考，也為后續新電站的建設、新設備的全過程管理提供科學依據。
4）提升設備管控決策能力
創新型采用大數據分析手段和機組設備部件機理特性相結合方法，編制抽蓄機組狀態評價指標體系；基于水輪機組設備部件管理樹和多元回歸算法，構建抽水蓄能電站主設備全過程評價指標體系；基于廣泛水輪發電機機理知識庫與機理分析數學模型結合神經網絡深度學習算法，構建機組故障監測、預警模型，為設備的安全運行、異常預警、狀態檢修等提供技術手段，進而為業務部門的決策提供科學參考，也為后續新電站的建設、新設備的全過程管理提供科學依據。
2. 實施效果
（1）促進生產的穩定運行、經濟運行
由于抽水蓄能電站擁有獨特的運行特性和機組的優越技術性能，使其在我國大規模的建成與投運，十分有利于保障我國電力系統的安全穩定和優質經濟運行。通過本項目實施，達到以下效果
1 實時監測并優化數據質量；
2 機組運行狀態評價準確率92.7%以上；
3 提高機組潛在故障識別率；
4 指導設備狀態檢修；
5 降低機組運維成本；
6 提高抽蓄電站效益。
（2）降低機組運維成本，提高抽蓄機組經營效益
通過項目實施過程，對抽蓄機組運行狀態的實時評價與監測，對設備維護保養策略，以及備件采購的調度優化，實現新源公司抽蓄電站的供應鏈優化，在保障服務電網需求前提下，最大限度確保機組設備的健康度和運行穩定，從而減小設備故障、損毀帶來的經濟損失，同時也為管理部門經營決策提供科學參考依據。
（3） 指導運維檢修，優化巡檢目標，節約人力成本
通常水電站的日常運維巡檢工作每日至少安排2次，專業巡檢工作每周至少安排2次，巡檢中重要的一點就是巡檢人員通過定期與不定期數據報表，將分析數據與評估報告提供給經驗豐富的技術人員分析，來預測設備可能產生的問題，把可能出現的問題做為分析結論提供給檢修人員進行嚴格檢修與維護。
我國提出水電站自動化水平提升，逐步實現水電站的少人值守，過渡到無人值守已經有近半個世紀了，直到近些年隨著工業能源企業信息化、數字化轉型等一些列復雜的系統工程建設，這一倡議才達到相對成熟的條件。通過本項目的實施與應用，為抽水蓄能電站日常巡檢、專業巡檢工作提供信息化指導意見，在巡檢過程中可依靠人工智能診斷結果，進行針對化的巡檢工作安排，逐步加大傳感器、監控裝備的應用與維護，提高診斷結果的可靠性，從而減輕人工巡檢的工作量，逐步實現少人值守、無人值班的目的，減少人力資源成本，提高電站經濟效益。
聲明
本報告所載的材料和信息，包括但不限于文本、圖片、數據、觀點、建議，不構成法律建議，也不應替代律師意見。本報告所有材料或內容的知識產權歸工業互聯網產業聯盟所有（注明是引自其他方的內容除外），并受法律保護。如需轉載，需聯系本聯盟并獲得授權許可。未經授權許可，任何人不得將報告的全部或部分內容以發布、轉載、匯編、轉讓、出售等方式使用，不得將報告的全部或部分內容通過網絡方式傳播，不得在任何公開場合使用報告內相關描述及相關數據圖表。違反上述聲明者，本聯盟將追究其相關法律責任。
AII微信公眾號
AII頭條號