av网站的免费观看丨无码福利一区二区三区丨亚洲人成影院在线观看丨337p人体粉嫩胞高清视频丨国内a∨免费播放

引  言

國網(wǎng)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(wǎng)有限公司持股70%，中國長江三峽集團(tuán)公司持股30%，與國家電網(wǎng)有限公司2011年9月成立的全資子公司國網(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個省市，裝機(jī)容量6020.4萬千瓦，其中：抽水蓄能電站45座，裝機(jī)容量5522萬千瓦；常規(guī)水電廠8座，裝機(jī)容量498.4萬千瓦；開展可研和預(yù)可研抽水蓄能項(xiàng)目超過4000萬千瓦。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(yè)國際一流企業(yè)和水電行業(yè)示范企業(yè)，為國家電網(wǎng)有限公司率先建成具有全球競爭力的世界一流企業(yè)發(fā)揮重要作用。 

抽水蓄能電站利用電力負(fù)荷低谷時的電能抽水至上水庫，在電力負(fù)荷高峰期再放水至下水庫發(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)組溫度過高、并網(wǎng)故障、甩油故障等，從而影響整個機(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)對抽水蓄能電站機(jī)組狀態(tài)進(jìn)行預(yù)測和判斷具有重要的現(xiàn)實(shí)意義。

太極股份致力于“做中國最優(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，牽手眾多的生態(tài)合作伙伴，面向工業(yè)行業(yè)和企業(yè)的價值需求，提供工業(yè)互聯(lián)網(wǎng)業(yè)務(wù)頂層設(shè)計、平臺建設(shè)、工業(yè)大數(shù)據(jù)服務(wù)、算法模型開發(fā)、云平臺運(yùn)營等服務(wù)，多年來電力、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、計算等，從而形成水電主設(shè)備全過程評價指標(biāo)體系，并對設(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)，借鑒國內(nèi)相關(guān)行業(yè)設(shè)備狀態(tài)監(jiān)測與風(fēng)險預(yù)測的實(shí)踐過程，以工業(yè)互聯(lián)網(wǎng)平臺為基礎(chǔ)，建設(shè)水電主設(shè)備全過程評價指標(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)+”時代的到來，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)步帶動支撐了模式創(chuàng)新、管理創(chuàng)新和制度創(chuàng)新，市場經(jīng)濟(jì)競爭在信息技術(shù)高速發(fā)展的時代進(jìn)入一個更加激烈的階段，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)展的一個必然選擇。隨著計算機(jī)監(jiān)控和各類監(jiān)測系統(tǒng)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(chǎn)生大量的數(shù)據(jù)，這些數(shù)據(jù)中蘊(yùn)含了豐富的價值信息，若能有效提取利用，必定對生產(chǎn)運(yùn)營的各個環(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)備全過程評價指標(biāo)體系和設(shè)備故障預(yù)警模型，并實(shí)現(xiàn)對設(shè)備狀態(tài)的監(jiān)督檢修，及時發(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)備的全過程管理提供科學(xué)依據(jù)。

目前，對于抽水蓄能機(jī)組狀態(tài)監(jiān)測和故障診斷系統(tǒng)的研究大多基于傳統(tǒng)的信號處理方法，它是以機(jī)組的狀態(tài)監(jiān)測為基礎(chǔ)，根據(jù)所獲得的監(jiān)測數(shù)據(jù)，提取反映水輪機(jī)運(yùn)行狀態(tài)的特征值，并對這些特征值進(jìn)行分析診斷，判斷水輪機(jī)是否存在故障。這種方法只能對故障進(jìn)行事后分析，無法實(shí)現(xiàn)預(yù)測，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，通過對設(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)測建模、模型性能測試驗(yàn)證，最終得出抽水蓄能機(jī)組故障預(yù)測模型。模型部署后對機(jī)組當(dāng)前監(jiān)測值進(jìn)行對比分析，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)備全過程評價指標(biāo)體系，并依靠工業(yè)互聯(lián)網(wǎng)平臺強(qiáng)大的運(yùn)算能力，實(shí)現(xiàn)對設(shè)備指標(biāo)與狀態(tài)評價數(shù)據(jù)的整理、分析、最終構(gòu)建水電主設(shè)備全過程評價指標(biāo)體系和設(shè)備故障預(yù)警模型，實(shí)現(xiàn)設(shè)備檢測、指導(dǎo)管理等諸多效益。項(xiàng)目簡介如下：

(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進(jìn)行。通過多層次分析可知，依靠單一技術(shù)無法滿足水輪發(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，將不同診斷技術(shù)結(jié)合起來，運(yùn)用大數(shù)據(jù)分析海量生產(chǎn)實(shí)時數(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。

(2)根據(jù)故障機(jī)理、性能劣化機(jī)理，依靠TECO平臺，建立故障的數(shù)學(xué)模型和性能劣化的評價數(shù)學(xué)模型，并根據(jù)數(shù)學(xué)模型對特征指標(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)分析方法建立趨勢預(yù)測，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、擺度、壓力脈動等指標(biāo)之間的回歸模型，以該回歸模型為基礎(chǔ)進(jìn)行預(yù)測和趨勢監(jiān)測，該方法的核心問題是樣本數(shù)據(jù)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(jié)合機(jī)理知識和多種大數(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)備全過程評價指標(biāo)體系和主設(shè)備故障預(yù)警模型的構(gòu)建，實(shí)現(xiàn)對抽蓄機(jī)組主設(shè)備狀態(tài)的實(shí)時監(jiān)測、運(yùn)行監(jiān)控、綜合分析、以及故障診斷和運(yùn)營維護(hù)等主要功能。通過本項(xiàng)目的實(shí)施，減低企業(yè)生產(chǎn)運(yùn)營成本，提高生產(chǎn)安全管理水平和管理效率，同時提升新源公司在水電主設(shè)備全過程監(jiān)測工作中的智能化水平。

二、項(xiàng)目實(shí)施概況

本項(xiàng)目采用云計算、大數(shù)據(jù)等工業(yè)互聯(lián)網(wǎng)平臺技術(shù)，匯集新源公司下屬各抽水蓄能電站的生產(chǎn)實(shí)時數(shù)據(jù)和設(shè)備狀態(tài)數(shù)據(jù)，并通過數(shù)據(jù)的治理、存儲、分析、建模，建設(shè)抽蓄機(jī)組主設(shè)備全過程評價指標(biāo)體系和主設(shè)備故障預(yù)警模型，并通過神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)狀態(tài)監(jiān)測及風(fēng)險評估。

本項(xiàng)目技術(shù)路線如下：

本項(xiàng)目研究內(nèi)容包括對主設(shè)備監(jiān)測數(shù)據(jù)的提取、特征指標(biāo)體系的設(shè)計研究、量化評價體系的研究以及構(gòu)建監(jiān)測、分析、評價的展示系統(tǒng)等多個方面。

故障特征指標(biāo)體系的設(shè)計問題。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)建起能表征整個機(jī)組主設(shè)備性能評價、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)，對測量的振動、擺度、壓力脈動、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，機(jī)組擺度、振動等特征數(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)計之后，獲得振動、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，那么以這個中位值和寬度作為正常范圍，監(jiān)測新數(shù)據(jù)是否超出統(tǒng)計范圍，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)

國網(wǎng)新源水電主設(shè)備實(shí)時分析監(jiān)測系統(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。對目前主流的數(shù)據(jù)接入、傳輸工具、軟件等進(jìn)行對比分析，完成對數(shù)據(jù)接入、存儲和分析的一系列結(jié)構(gòu)化設(shè)計與實(shí)施步驟等細(xì)節(jié)，推動數(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)目的研究內(nèi)容結(jié)合水電主設(shè)備監(jiān)測系統(tǒng)的配置情況、相關(guān)測點(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，對生產(chǎn)實(shí)時與狀態(tài)檢測數(shù)據(jù)進(jìn)行歸集，通過相關(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，但對于故障定位方面則存在明顯的缺陷。此時根據(jù)歷史數(shù)據(jù)的分析研究，機(jī)組各個部位傳感器的閾值已經(jīng)確定，機(jī)組運(yùn)行過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)趨勢變化。通過判斷是否屬于測點(diǎn)相關(guān)性集合，來初步將故障點(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)，推動篩查基于水電機(jī)組設(shè)備相關(guān)部件的測點(diǎn)中與異動測點(diǎn)同期產(chǎn)生相關(guān)性變化的指標(biāo)，并結(jié)合機(jī)理知識和多種大數(shù)據(jù)挖掘模型算法，構(gòu)建五級結(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）

一級指標(biāo)主要是從體系內(nèi)部結(jié)構(gòu)從機(jī)組監(jiān)測的所有原始波形數(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算重構(gòu)波形，將重采樣計算后的波形數(shù)據(jù)進(jìn)行快速傅里葉變化，從而將波形從時域轉(zhuǎn)換為頻域計算出來的值和部分環(huán)境量的值。一級指標(biāo)的作用是對監(jiān)測測點(diǎn)原始信號進(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，為二級指標(biāo)的計算做準(zhǔn)備。

二級指標(biāo)為一級指標(biāo)根據(jù)設(shè)備子部件故障模型故障診斷算法計算結(jié)果，通過該值能夠反映出該機(jī)組子部件運(yùn)行狀態(tài)及問題。

三級指標(biāo)為通過一二級指標(biāo)的計算結(jié)果，通過把指標(biāo)的狀態(tài)量化成優(yōu)良中差或分?jǐn)?shù)，通過分?jǐn)?shù)反應(yīng)該子部件運(yùn)行的健康評價狀態(tài)。

四級指標(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)三級指標(biāo)的健康評價狀態(tài)，匯總計算出一組能反應(yīng)機(jī)組部件健康狀態(tài)的一組評價值，該值即為四級部件評價指標(biāo)。

五級指標(biāo)為水輪發(fā)電機(jī)組主設(shè)備的健康評價指標(biāo)，通過匯總主設(shè)備內(nèi)各部件的運(yùn)行狀態(tài)，計算得到的能反應(yīng)出機(jī)組主設(shè)備的健康評價狀態(tài)的指標(biāo)。

5. 完成泰山公司水電主設(shè)備全過程指標(biāo)體系模型建設(shè)工作

    基于工業(yè)互聯(lián)網(wǎng)平臺收集并整理的數(shù)據(jù)，運(yùn)用工業(yè)互聯(lián)網(wǎng)平臺強(qiáng)大的數(shù)據(jù)運(yùn)算能力，結(jié)合機(jī)理知識建設(shè)了一個評價模型、三個預(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)分布對閾值范圍進(jìn)行研究。針對電站抽水蓄能機(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)、故障趨勢分析報表、未來運(yùn)行趨勢和相應(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)測模型，利用監(jiān)測系統(tǒng)采集的數(shù)據(jù)進(jìn)行自動化的特征參數(shù)辨識，進(jìn)而實(shí)現(xiàn)故障的在線診斷和報警，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源于氣蝕對導(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，對于這種復(fù)雜問題，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，通過挖掘部件間的相關(guān)性，同時以部件為單位，將有關(guān)聯(lián)的主設(shè)備各個部位運(yùn)行特征有機(jī)結(jié)合，逐步構(gòu)建起能表征整個機(jī)組主設(shè)備性能評價、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，通過對開機(jī)過程的機(jī)組擺度測點(diǎn)和機(jī)架1X分量的特征數(shù)據(jù)的采集，建設(shè)在線辨識算法，實(shí)現(xiàn)對轉(zhuǎn)子質(zhì)量不平衡故障的監(jiān)測與預(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抽水蓄能機(jī)組的狀態(tài)進(jìn)行分類，也就是說給定機(jī)組的運(yùn)行狀態(tài)值，通過模型計算得出機(jī)組狀態(tài)。應(yīng)用工業(yè)互聯(lián)網(wǎng)TECO平臺，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(shù)據(jù) 進(jìn)行處理，并歸納生成可讀規(guī)則，然后使用決策樹對新數(shù)據(jù)進(jìn)行分析。本質(zhì)上決策樹是通過一系列規(guī)則對數(shù)據(jù)進(jìn)行分類的過程。

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其進(jìn)行訓(xùn)練，從而不斷對權(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超平面來對樣本進(jìn)行分割，分割的原則是間隔最大化，最終轉(zhuǎn)化為一個凸二次規(guī)劃問題來求解。

（數(shù)據(jù)挖掘過程模型）

實(shí)踐過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)）對近12萬條數(shù)據(jù)進(jìn)行訓(xùn)練和測試，通過10-fold交叉實(shí)驗(yàn)來評估預(yù)測模型的準(zhǔn)確性?？傮w來看，三種分類算法都能夠準(zhǔn)確地預(yù)測機(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)得分與評價得分進(jìn)行顯性處理，以便于神經(jīng)網(wǎng)絡(luò)的計算，采取的辦法是將機(jī)組的部件按照每一次開機(jī)過程進(jìn)行劃分，并將影響機(jī)組部件狀態(tài)評價的指標(biāo)按照不同的維度進(jìn)行劃分，并借助大數(shù)據(jù)知識對機(jī)組當(dāng)次狀態(tài)的評價得分，以“狀態(tài)-評價”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(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，輸入信號通過隱含層作用于輸出節(jié)點(diǎn)，經(jīng)過非線性變換，產(chǎn)生輸出信號，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?jǐn)偨o各層所有單元，以從各層獲得的誤差信號作為調(diào)整各單元權(quán)值的依據(jù)。通過調(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)過反復(fù)學(xué)習(xí)訓(xùn)練，確定與最小誤差相對應(yīng)的網(wǎng)絡(luò)參數(shù)(權(quán)值和閾值)，訓(xùn)練即告停止。此時經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)即能對類似樣本的輸入信息，自行處理輸出誤差最小的經(jīng)過非線形轉(zhuǎn)換的信息。

通過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，同時提升了分類評價的準(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)測特征指標(biāo)，能夠很好的用于故障狀態(tài)預(yù)測建模，具有較強(qiáng)的解釋力度。下表中羅列三種分類算法的績效。

（分類算法準(zhǔn)確性）

三、下一步實(shí)施計劃

針對本項(xiàng)目目前的研究成果，下一步實(shí)施計劃主要為開展項(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)備全過程指標(biāo)智能監(jiān)測模型的推廣工作

（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

利用工業(yè)互聯(lián)網(wǎng)平臺的大數(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)時數(shù)據(jù)的提取與存儲，并運(yùn)用大規(guī)模計算集群進(jìn)行高效的數(shù)據(jù)挖掘與人工智能訓(xùn)練工作，并通過可視化技術(shù)對分析結(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)范對當(dāng)前數(shù)據(jù)進(jìn)行評價，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)問題才能發(fā)現(xiàn)問題，沒有對數(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，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)評價指標(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)備全過程評價指標(biāo)體系，實(shí)現(xiàn)對機(jī)組狀態(tài)的監(jiān)測與故障的預(yù)警，同時，結(jié)合大數(shù)據(jù)可以實(shí)現(xiàn)對故障的可預(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)平臺具有強(qiáng)大的運(yùn)算能力與數(shù)據(jù)儲存能力，應(yīng)用工業(yè)互聯(lián)網(wǎng)平臺可以實(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)理知識庫與機(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、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)評價指標(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)備全過程評價指標(biāo)體系；基于廣泛水輪發(fā)電機(jī)機(jī)理知識庫與機(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、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，使其在我國大規(guī)模的建成與投運(yùn)，十分有利于保障我國電力系統(tǒng)的安全穩(wěn)定和優(yōu)質(zhì)經(jīng)濟(jì)運(yùn)行。通過本項(xiàng)目實(shí)施，達(dá)到以下效果

1 實(shí)時監(jiān)測并優(yōu)化數(shù)據(jù)質(zhì)量；

2 機(jī)組運(yùn)行狀態(tài)評價準(zhǔn)確率92.7%以上；

3 提高機(jī)組潛在故障識別率；

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)營效益

通過項(xiàng)目實(shí)施過程，對抽蓄機(jī)組運(yùn)行狀態(tài)的實(shí)時評價與監(jiān)測，對設(shè)備維護(hù)保養(yǎng)策略，以及備件采購的調(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、損毀帶來的經(jīng)濟(jì)損失，同時也為管理部門經(jīng)營決策提供科學(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)就是巡檢人員通過定期與不定期數(shù)據(jù)報表，將分析數(shù)據(jù)與評估報告提供給經(jīng)驗(yàn)豐富的技術(shù)人員分析，來預(yù)測設(shè)備可能產(chǎn)生的問題，把可能出現(xiàn)的問題做為分析結(jié)論提供給檢修人員進(jìn)行嚴(yán)格檢修與維護(hù)。

我國提出水電站自動化水平提升，逐步實(shí)現(xiàn)水電站的少人值守，過渡到無人值守已經(jīng)有近半個世紀(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)到相對成熟的條件。通過本項(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，在巡檢過程中可依靠人工智能診斷結(jié)果，進(jìn)行針對化的巡檢工作安排，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、無人值班的目的，減少人力資源成本，提高電站經(jīng)濟(jì)效益。