基于大数据的大型网络化电站仿真系统故障诊断模型研究与实现

张锐锋 王继华 聂海龙 徐贵光

(1.贵州电力试验研究院,贵阳 550002；2.北京四方继保自动化股份有限公司,北京 100085)

电站仿真系统对我国电站的长期稳定、高效、安全运行起到了至关重要的作用[1]。长期以来，电站仿真系统一直是局域网模式运行。近年来随着互联网理念向各行业的渗透，第二代电站仿真系统步入了互联网运行模式。大型网络化电站仿真系统(Massively Networked Power Plant Simulator System,MNPPSS)逐步开始引领电站仿真系统的前进方向[2]。

在电站仿真系统中，报警系统通过对实时过程参数动态信息的状态监视和事故预警，为运行人员全面系统地掌控机组运行状态提供了及时的信息支持。但故障诊断，即瞬间从出现的大量报警信息中提取有效信息、迅速准确定位出这些报警产生的原因，一直是电站系统研究学者们关注的重点[3,4]。

伴随着MNPPSS的运行，故障信息的产生速度、数据规模和存储类型都呈现出激增态势，这些属性决定了传统的模型和实现方式已经无法应用于目前的实时系统运行。因此笔者结合大数据技术[5]，从集合论的角度提出了一种新的故障诊断方法，并对其实现过程予以说明。

1 MNPPSS的结构与功能

MNPPSS的结构如图1所示。

图1 MNPPSS的结构

在此，服务器并不是单指一个物理服务器，也不是单指一个服务器程序，而是使用客户/服务器模型的服务器组，即由多个物理服务器和对应的多个服务器程序构成。利用集群服务器来提供网络服务的实质就是将整个仿真系统的管理、运行和分析任务分散到多个计算单元进行处理，降低单台计算机负载，更好地保证系统的稳定性和通信的及时性。

在服务器组中，中央服务器是整个服务器群的控制中枢，管理、监控所有其他服务器的运行并负责服务器间的数据交换。当有新服务启动后，中央服务器为其分配一个GUID，并通知其他服务与其建立相应的数据链路。

账号数据库服务器承担所有用户信息、模型总览信息、任务信息、考题信息及分配信息等相关资料的保存与查询响应。账号数据库服务器也可依据功能细化为多台服务器。实际应用中对频繁访问的数据信息设置访问数据库缓存区，提升其使用效率。

模型服务器为每套仿真系统提供运行环境，并作为各客户端的数据来源。其服务器规模与当下同时运行的仿真系统规模密切相关。

历史服务器保存了仿真系统使用过程中产生的所有历史数据，此服务器的规模随着系统使用时间与使用频率的提高将会逐步增大。

更新服务器为客户端提供了最新的平台和模型更新包，提供了版本验证功能。当客户端启动时自动与服务器匹配相应版本。

连接服务器处理客户与服务器之间的网络连接、数据包加密解密及封包拆包解析等工作。因为连接服务器的负荷分担，使得模型服务器可以更专注于模型的运行与数据处理。

分流服务器是用户第一次连接的对象服务器，也是对外公布IP地址的服务器。用户连接成功后，此服务器为其建立与连接服务器的链接，同时为其指定相应的模型服务器，起到了负载均衡的作用。

MNPPSS是指基于TCP/IP协议，以Internet为依托，可以供若干人同时对多套模型进行操控的电站仿真系统群。界定为MNPPSS的最明显要素为：凡接入Internet网络的用户均可以随时随地使用仿真系统；允许大规模客户同时通过Internet在线使用仿真系统。

MNPPSS的功能框架如图2所示。依据用户使用系统的目的将系统功能划分为管理功能、仿真功能和分析功能。

图2 MNPPSS的功能框架

2 报警系统与故障诊断的数学模型

2.1 报警系统的模型设计

报警系统是指通过实时获取过程参数的动态信息，经过既定报警逻辑规则判断，实现机组仿真运行状态监视、事故预警及事件顺序记录等功能的综合体系。

定义1 设某仿真系统的报警监控点为集合P，P={p1,…，pi,…，pm},1≤i≤m，其中pi表示第i个监控数据点的信息，m表示所有监控点的总数。

定义2 设报警规则类型为集合R，R={r1,…，rj,…，rn}，1≤j≤n，其中rj表示第j类监控判定规则的信息，n表示所有监控判定规则的总数。

可见P×R二元组所对应的元素{pi,rj}表示所有报警条目的触发条件，其维度为m×n。

定义3 设P×R二元组中的子元素{pi,rj}对应的报警条目触发条件是否生效的判定为uij，其可组成生效矩阵Umn：

可见P×R·U矩阵中的非零元素{pi,rj,uij}表示所有已生效的报警触发条件。

定义4 设P×R·U矩阵中的非零元素{pi,rj,uij}组成的集合为T，集合个数为t。则T:{tk={pi,rj,uij}|{pi,rj,uij}∈P×R·U,uij≠0}，其中1≤k≤t。

定义5 设仿真系统某一阶段运行后产生的报警信息条目为一个有序多重集合A，A={a1,…,as,…,ap}，1≤s≤p，A:{as|as∈T}。

可见，若as=tk={pi,ri,uij},则表示第s个报警信息as的触发原因为第i个监控数据点的第j类判定规则。

2.2 故障诊断

故障诊断是指针对控制系统和设备已经发生的故障现象，利用各种测试方法分析其产生的原因和类型。

定义6 将两报警信息条目集合A′和A″的相似匹配度定义为函数M(A′,A″)，其值表示二者的相似程度。

故障诊断示意图如图3所示。已知故障原因1、2与对应的报警信息集合1、2，目标是寻找产生报警信息集合x的原因。依据报警信息集合x与已知故障原因的报警信息集合1、2的相似匹配度M(x,1/2)，即可得出产生该报警信息集合原因为已知原因1、2的程度，进而为解决故障提供理论依据。

图3 故障诊断示意图

定义7 设(er,Ar)组成的集合为标准故障库，记作L，L={l1,…,lr,…,lq},1≤r≤q，q表示标准库的故障库集合个数。

依据上述数学模型对故障诊断重新定义。

定义8 故障诊断的过程为事先依据经验建立标准故障库L，将某一次的报警信息条目集合A记为目标对象，依据定义的报警条目匹配函数M，得出目标对象与标准故障库中各项元素的故障信息列表对象的近似匹配程度，从而得出目标对象的报警原因。

将抽象的匹配函数具体化为可执行的运算方案是故障诊断技术的重点。依据某一次运算得出的匹配度规模将运算方案区分为泛化分析与细化分析。

2.3 泛化分析的实现

2.4 细化分析的实现

细化分析是指通过一次运算得出目标对象与故障库中的某一元素相应对象的匹配度，此结果以更详尽的内容展示了两对象之间的匹配度。将报警信息条目集合A转换为报警矩阵IA=T(A)，报警矩阵为报警条目的一种矩阵表示方式。记矩阵IAr=T(Ar)，与目标对象矩阵IA的乘积所表示的矩阵为目标对象A与报警库中元素Ar的相似程度。

3 基于大数据的故障诊断实现

MNPPSS的引入使得仿真系统中的故障数据量更为庞大、生成速度更快、存储类型种类更为复杂，这些特点使故障诊断的实现策略引入大数据技术成为必然。

针对泛化分析，鉴于同一项目中矩阵LM变更频率较低，故将其固定分割为q个水平条，使得一个矩阵可以分别存储于q个不同的文件。将目标报警向量存储并作为独立数据单独存储，以备运算。

Map函数的任务为将第i个矩阵分割向量和目标报警向量两个文件块作为输入，对两向量做乘法后得到键值对〈i,value〉。Reduce函数的任务是将所有键值对作为输入，依据value值排序，最终输出i值的序列。依据i值的序列，得到目标向量与报警库相应元素的对应关系。对相似度较高的报警库元素进行深入的细化分析。针对细化分析的矩阵相乘问题，此处不再赘述。

4 结束语

笔者提出的MNPPSS使电站仿真系统的使用便捷程度大幅提升，基于大数据的故障诊断技术为运行人员方便快速地从故障信息中定位出故障原因提供了一套较好的解决方案。基于大数据的故障诊断方案不仅适用于电站仿真系统，随着DCS系统的大范围联网及其经验数据的日益丰富，此技术在实际生产DCS系统中也具有一定的借鉴意义。

[1] 吕崇德,任挺进,姜学智,等.大型火电机组系统仿真与建模[M].北京:清华大学出版社,2002:2～13.

[2] 王继华,周建章,严明,等.大数据在电站仿真系统中的研究与应用[J].自动化博览,2013,(z2):106～109.

[3] 曾飞,张勇,刘玙,等.电力系统故障诊断的时序模糊逻辑推理方法[J].华北电力大学学报(自然科学版),2014,41(1):7～14.

[4] 王涛,王晓霞.基于改进PSO-BP算法的变压器故障诊断[J].中国电力,2009,42(5):13～16.

[5] 李国杰,程学旗.大数据研究:未来科技及经济社会发展的重大战略领域——大数据的研究现状与科学思考[J].中国科学院院刊,2012,27(6):647～657.