基于经验进化的水电厂管网故障检测模型研究

李 莉 李 军

（1. 新疆新能发展有限责任公司大山口水电厂 2. 新疆电力有限公司博湖县供电公司）

0 引言

水电厂管网故障检测系统中的传感器数量众多，信号繁复，数据结构复杂，因此其数据分析与处理模型存在着诸多困难。新疆大山口水电厂2013年引进了国外的IFC公司的水电厂管网故障检测系统，但通过实践发现，该系统的性能尚有待提高，如：管损检测系统中的传感器种类较多，传回的信号较多，而整个检测系统建设分为多期进行，采用的传感器型号和规格不尽相同，FDDC模型的数据结构的动态类型较少，难以完全兼容上述信息，后续的信息融合非常困难。国内外众多研究人员针对这些问题开展了一系列的工作：文献[1]中讨论管网的数学建模问题；文献[2-3]讨论了在管网故障检测中引入智能算法的相关问题与解决措施；文献[4-5]研究了复杂管网仿真建模以及相关的故障诊断算法；文献[6]研究了基于神经网络的水电厂系统故障诊断方法；文献[7]研究了液体管网的智能优化设计策略。但在实际应用中，上述研究成果暴露出一些问题，基于已有研究成果，综合大山口水电厂的实际项目要求，本文提出了一种基于经验进化的水电厂管网故障检测模型 FDEE（Water Pipe Network Fault Diagnosis Model based on Experience Evolution）。

1 模型结构与主要单元

针对现场需求和研究成果的不足，FDEE与传统的检测模型相比，进行了以下主要改进，模型的总体结构与主要处理流程如图1所示。

图1 FDEE模型结构

图1为FDEE模型的结构与处理流程，从图中可以看出该模型主要包括四个模块：专家经验处理模块、现场数据直接判断模块、现场数据融合判断模块以及用以存储数据的专家经验库模块。基于这些模块，FDEE模型充分利用了管网故障检测过程中的历史数据与专家经验，破除了以前工作中的一些问题与瓶颈，如：现有模型（本文的研究主体对象为 IFC公司的 FDDC模型）的问题根源之一是历史数据与处置经验应用不充分，过分依赖传感器生成的信息。当传感网络复杂到一定程度，出现故障“蝴蝶效应”时，现有模型一方面难以应付大批量的告警数据，另一方面浪费了大量已有的成功案例等经验数据[8]。针对这些情况，FDEE模型将既有的历史处置经验与现场实时数据相融合，在进行复杂判断前，先将检测数据与历史处置经验（专家经验）进行匹配，通过对专家经验库的搜索，检索到一定的历史经验，对当前的管网故障检测实施信息支持，在一定程度上解决了这些问题。FDEE模型研究了新型的管网故障检测专家经验应用算法。这部分算法的核心是匹配算法，主要解决了管网故障诊断系统对历史专家经验难以利用的瓶颈。其主体思路是提取现场数据的特征，与专家经验库中的案例进行匹配，生成初次判断，加速检测过程；在检测结果生成，并得到验证后，将相关数据反馈给专家库，使其中的信息得以进化，以便提供更为全面、精准的专家经验。

2 FDEE模型数据处理流程

首先将整个水电厂管网的故障问题视为一个可测度空间（向量构成空间）：(X, P( X ))。其中的测度函数第一位为：： P( X ) → NR，当且仅当(∅)=[0,0]时成立。而对于其中的模糊测度可以有：另有：M={μ| μl≤ μ≤ μr}；如果为可测度空间(X, P( X))上的模糊测度值[9]，则存在可测度函数 f：X→(-∞,+∞)。进一步可以定义其关于的积分有：综上所述，有： yl(f)=是经典的 Choquet积分。其详细的处理步骤如下。

Step1：检测开始，初始化参数和最大循环次数。

Step2：计步器设为 0，开始进行专家经验/现场数据集合的初步匹配，即通过专家经验与现场数据匹配 ， 将 现 场 数 据 X = {x1, x2,… ,xn}生 成 一 个 μ 在P( X)上的模糊测度。

Step3：如果有专家经验/现场数据集合的高匹配项，则直接告警，并跳转到 Step6，如果没有则进行下一步；其中的关键算法参见下文。

Step4：通过阈值，对现场数据进行直接判断。

Step5：对现场数据进行融合处理，即：进一步对集合 x1,x2,… ,xn进行排序和删除误匹配点，可以生成有并进行下列处理：

进一步得到：

Step6：计步器加1；如果在阈值判断中检测到了故障或有高匹配项，则告警，并在结束处理后根据式（3）更新专家库，促使专家经验进化；如果都没有，但计步器超过阈值，则退出，重新获取现场数据。

3 专家经验/现场数据匹配算法

如上所述，FDEE模型采用了新型的专家经验/现场数据匹配算法，该匹配算法的描述如下。

假设专家经验/现场数据集合分别为X={ x1, x2,… ,xm}与 Y = { y1,y2,… ,yn}；匹配算法的详细实施步骤如下。

Step1：计步器设置为0。

Step2：对专家经验/现场数据集合X和Y进行初始匹配；即：可以根据 X集合的某点 xi，得到剩下n-1个点的匹配上下文环境：

式中，i=1,2,…,m，而K是故障划分数。以此类推，可以定义 Y集合的某点 yj的上下文 hj(k)，从而定义xi和yj的匹配代价，有：

至此，可以通过匈牙利法对两个集合进行初始匹配。初始处理后，可以有两个对应的排列X={ x1, x2,… ,xn}和 Y = { y1,y2,… ,yn}， 其 中 的 双 元 组(xi, yi)是最初的匹配元组。至此，现场数据集 X可以构建一个中值图 GX(VX,EX)来映射到专家经验集中。假设某个独立点（特征）xi是专家经验集中的一个对应节点vi，有： VX= v1,… ,vn。

首先进行精度匹配，删除其中的误匹配项目；此时，如果xj和xi能够符合连接条件：xj是xi在经验集中最近的点，且而μ为VX为节点间所有距离的中值则二者相关，可以通过排序求得一个 GX(VX,EX)的邻接矩阵：

接着可以利用经验集 Y建造一个 GY(VY,EY)的邻接矩阵AY。并通过相似计算法来求得二者的匹配度，有 A=|AX-AY|，可得：

由于专家经验集中的数据量很大，如果直接进行匹配，将会有较多的误匹配，并且系统资源消耗较多，因此需要通过删除算法缩小两个需要匹配的集合，具体的算法参见文献[1]。对双方集合进行删除误匹配点后，将有和k＜n。此时，可以开展深度匹配，由下式进行判断：

由式（8）进一步得：

其中的U(r)=r2logr2是匹配核函数；而相关参数a和w可以如下得之：

Step3：将现场数据的参数变换；将 X1转化成专家经验集中的X。

Step4：计步器加1，此时如果计算次数超过计算次数限制 Mmax或匹配度超过设定的阈值，则停止；反之退回到Step2。

4 实验结果分析

4.1 宏观性能测试

为验证FDEE模型的性能，在新疆库尔勒市大山口水电厂对其进行了实地测试。对比对象为未经修改的IFC公司的FDDC模型（2012年上线）；测试环境共包括475个（套）传感器检测点和相关的配套设施（包括主控站和二级监测站）。对比中，FDEE模型和 FDDC模型均运行在主控站，对整个检测系统获取的数据进行处理，并进行性能对比。最终的测试结果如下：

1）检测精度：如图2所示，FDEE模型的检测精度明显高于 FDDC模型（由于水电厂的传感网络规模较大且结构复杂，造成FDDC模型误检率很高，曾极大地影响了整个系统的效能发挥）。在10个检测周期中，FDEE模型的平均误报率低于27%，显示了良好的检测精度，减少了管损人员的人工出勤次数，降低了对应的开销。

图2 误检率对比

2）检测效率：如图3所示，FDEE模型的检测效率明显高于 FDDC模型。在 10个检测周期中，FDEE模型充分利用了之前的专家经验，使得平均检测发现时耗（从故障发生到检测告警之间的时间差），均大大少于 FDDC模型，而检测时耗的降低，为管网故障的早期预警和管损处理赢得了宝贵的时间。

图3 发现时耗对比

3）系统开销：如图 4所示，FDEE模型的检测性能超出了 FDDC模型，但由于经验进化的整个处理过程，相对平均地分摊在整个检测过程中，因此其系统开销（此处重点关注了内存占用率）与 FDDC模型相当，甚至有部分检测周期内的平均内存占用率低于 FDDC模型（原因是处理速度较快，匹配的系统开销少于现场数据直接或融合检测的系统开销），实际应用时并不需要配置高性能服务器，可以沿用原有设备就获得较高的检测性能，模型的性价比较高。

图4 系统开销对比

4.2 微观应用实例

下面以2017年8月17日的一次故障排除作业阐述FDEE模型的微观应用过程。下表是系统获取的传感器检测信息。

表 检测信息（2017-08-17）

两种检测模型在PTH-27检测点的检测量1和2发生异常变化时，都将实施故障诊断操作，但方法上却大相径庭。FDDC模型将直接把该检测点的上行和下行管线作为故障线路上报，后续的人工检测工作量很大。而FDEE模型将首先进行专家经验库匹配，自动输入参数为上表PTH-27检测信息以及该检测点的上下行管道的拓扑结构等，通过匹配算法得到专家经验记录；并根据专家经验记录，进行上下管线的检测信息查询，从而判断该故障是PTH-27-02检测的管线故障导致的。管损人员在处理完该项故障之后，将反馈信息至FDEE模型，调整专家经验库对应记录的经验值，并生成此次处理的对应记录促进专家经验进化。

5 结束语

针对水电厂管网故障模型存在的种种问题，提出了一种基于经验进化的水电厂管网故障检测模型，给出了FDEE模型的基本原理与关键算法，并详述了经验进化算法的细节。最终的实验结果表明，FDEE模型的故障检测精度和处理效率较高，较之 FDDC模型，需要的系统资源也比较少，能够适应水电厂生产的实际需要，实用性和适用性较强。

[1] 胡小英, 吴九辅, 程环. 支状管网的数学模型[J]. 工业仪表与自动化装置, 2004, 1(3)： 58-60.

[2] 高相铭, 刘付斌, 杨世凤. 基于极限学习机的供水管网故障智能诊断方法[J]. 计算机工程与设计, 2013,34(8)： 2887-2891.

[3] 郑德忠, 何乐, 周浔. 基于 Fuzzy理论的供热管网故障诊断系统的研究[J]. 传感技术学, 2003, 1(9)： 367-370.

[4] 李楠楠, 郄志红, 古田均. 供水管网爆管故障诊断的PSO-SVM方法[J]. 系统工程理论与实践, 2012, 32(9)：2104-2110.

[5] 姜春雷, 郭远博, 付兴涛. 基于多传感器数据融合的供热管网泄漏检测技术[J]. 大庆石油学院学报, 2011,35(3)： 91-96.

[6] 曾婧, 李训铭. 基于神经网络的水电厂故障诊断优化[J]. 控制工程, 2009, 16(9)： 111-114.

[7] 乔俊飞, 佟磊, 潘广源. 基于改进蚁群算法的 Hanoi给水管网优化设计[J]. 控制工程, 2013, 20(5)： 483-488.

[8] 爨莹, 陈晓妮. 受限最小生成树算法在城镇管网布局优化中的应用研究[J]. 西安石油大学学报(自然科学版), 2011, 26(1)： 82-87.

[9] 崔之健, 王菁, 张晓阳, 等. 基于遗传算法的油气集输管网运行效率优化[J]. 西安水电厂大学学报(自然科学版), 2008, 23(6)： 59-63.