基于深度学习的大型水电机组智能运维框架研究

李卫兵

(中国长江电力股份有限公司， 宜昌 443002)

0 引言

随着我国水电建设水平的提高以及装备制造水平的提高，近年来水电机组正向大容量、大型化、高比转速、高负载等方向发展，整个系统的复杂程度也变得越来越高。大型水电机组的运维工作相应的也面临着各种挑战。一方面由于大型机组构造复杂，其安全运行受影响的因素包含很多方面，例如水力、机械、电气等，这些多源、高维监测数据为关键故障特征提取带来了极大的困难。另一方面，水电机组的故障与监测数据之间呈现出典型的非线性特征、而且故障样本获取困难、样本量小，这为机组的故障分类诊断带来了极大的挑战。这些因素都直接导致大型水电机组的故障识别诊断难度增大，安全运行风险也呈指数级上升。如果运维不当，就会导致各种机组设备故障，从而使得非计划停运和突发故障日趋增多，直接影响电网的安全稳定。因此，大型水电机组的运维水平亟待提高，整个机组运维体系需要逐步向自动化、数据化、智能化方向发展。

本文针对大型水电机组的运维需求和当下运维工作所面临的新挑战，提出基于深度学习的水电机组智能运维框架，从数据采集、预处理、故障诊断、故障处理等环节分析了智能运维框架所包含的内容，并提出如何将深度学习方法运用于智能运维，从而实现对大型水电机组的更科学、更高效的智能运维。

1 相关研究工作

我国关于水电机组的状态监测和故障诊断技术虽然起步较晚，但随着装机容量的大幅增大、运维经验的不断积累，目前我国在水电机组在线状态监测和故障诊断技术方面取得很多成果。这方面的发展主要可以分为三个阶段：20世纪70～80年代初期，主要借鉴吸收国外一些先进的技术，并开始相关监测方法、技术的研究；20世纪80年代至90年代初期，在前期工作的基础上，开始自主研发在线监测系统，包括相关的监测仪器设备的研制；20世纪90年代开始至今，逐步形成智能化故障诊断理论，并不断融入新的技术方法。

水电机组的运维系统可以从不同角度分为不同种类。例如，从自动化程度可以分为：半自动、全自动系统；从是否实现在线分为：离线监测系统、在线监测系统；从智能化程度可以分为：人工辅助、专家系统、具有自学习能力的智能系统等。有学者将水轮发电机组智能故障诊断技术分为基于经验和基于模型两大类[1]。基于经验的诊断系统主要利用机组运维人员和专家积累的经验等浅层知识指导故障诊断和机组运维工作。这类方法采用包括模糊集合理论[2]、实例推理、粗糙集理论[3]、神经网络[4]、遗传算法[5]等方法进行经验知识的提取和学习。这类方法在高维故障特征、小样本的情况下效果还不够理想，需要采用新的特征提取方法和故障分类方法才能适应大型复杂水电机组的特点。基于模型的诊断系统主要利用系统的结构性知识构建模型，根据这个模型来判断预期输出和实际输出的差别来识别故障。这类技术已经应用在多个领域，包括水电机组的故障诊断[6]。但大型水电机组是一个非常复杂的系统，完整准确的对这样一个复杂系统进行事先建模基本做不到，所以，也必然决定了这类方法的准确性不够高，实际使用局限性较大。另有学者将故障诊断方法分为三大类[7]：基于规则的方法、基于数据驱动的方法、基于模板匹配的方法。其中基于规则的方法包括专家系统、故障树等方法；基于数据驱动的方法包括神经网络、支持向量机等方法。

深度学习技术[8]近年来受到学术界和工业界的广泛关注，已在图像识别、自然语言处理、金融科技、生物医疗等领域得到了应用。在电力应用领域，也存在大量的高维数据，深度学习理论的引入和运用具有可预见的重要应用价值。目前深度学习在电力领域的应用包括电力设备的故障诊断、电力图像处理、风电的负荷预测等[9]。随着深度学习技术的发展，在电力的其他应用方面相信也会逐步体现出这项技术的价值。

2 大型水电机组智能运维框架

针对大型水电机组智能运维的需求，本文结合大数据分析、深度学习技术提出基于深度学习的大型水电机组智能运维框架，如图1所示。

图1 大型水电机组智能运维框架

整个智能运维框架包括以下部分：

(1) 机组监测数据采集

数据是异常检测、故障诊断分析的来源，是实现智能运维的基础。所以，整个框架最外部是通过各类传感器采集必要的机组设备监测数据。

(2) 数据清洗与审查

直接采集到的监测数据由于各种原因不可避免的会存在各种脏数据的可能性，因此，对于原始采集获得的数据，需要进行必要的数据清洗和审查的预处理步骤，从而获得满足下一步数据分析质量要求的数据。整个过程要求简单，高效且保持一定的准确性。

(3) 故障特征分析

机组监测数据一般来自于多种传感器，构成了高维的原始数据。高维数据不利于数据分析，也无法反映故障的核心特征。所以，需要通过大数据分析的一些手段来为数据进行降维，一方面可以提取关键特征，另一方面可以减小训练学习的规模和压力。

(4) 故障诊断分类

通过异常识别的方法可以从海量的监测数据中发现异常。异常可能是故障，也可能不是故障。故障也可以分为多种种类。因此，需要采用一些智能方法来实现故障的自动分类，以便指导后续的运维工作。

(5) 深度学习引擎

深度学习引擎包含了常用的深度学习模型，可以为故障的特征分析和诊断分类提供更智能的机器学习引擎支持。

水电机组智能运维的核心关键是对设备故障的特征提取和诊断分类。故障智能化诊断区别于传统人工经验式诊断方法，由计算机根据累积的历史数据形成诊断知识，可以透过现象看本质，即根据现象进行智能诊断，并具有一定的准确率。同时，整个智能诊断系统也具有自学习能力，根据预案的执行情况反馈，可以不断训练系统，从而使得系统积累的知识越丰富，逐步提高诊断的准确率。整个智能化故障诊断和运维过程可以分为主要的3个步骤，如图2所示。

图2 智能运维流程及关键技术

故障关键特征提取、故障智能诊断、提出故障处理预案。

第一步，故障关键特征提取

根据机组设备监测数据，以及故障运维历史工单、人工经验指导以及累积形成的运维标签库，可以提取不同类型故障的关键特征，作为下一步故障诊断的知识库，对实现自动诊断起到关键的支撑作用。同时，系统也会根据运维反馈情况，不断自动学习，不断根据历史累积情况修正这些关键特征，或使得这些关键特征更细化，实现更精细、更准确的诊断。

第二步，故障智能诊断

由计算机根据搜集的故障现象作出智能判断，判断目前的现象属于哪类故障，实现故障的智能分类。故障的有效分类可以为进一步采取什么样的运维措施提供方向性指导意见。

第三步，提出故障处理预案

根据故障诊断结果，并结合历史工单处理预案的经验类型，提出可行的故障运维建议，并对预案按照成功概率进行排序。同时，搜集运维结果反馈情况，形成自反馈、自学习机制，使得下次推荐的预案更具可操作性，切实提高运维工作的一次成功率，从而提高整体运维工作的效率。

3 大型水电机组智能运维关键技术

3.1 基于物联网的监测数据采集

水电机组的运行数据及外围系统的数据可以通过物联网的方式进行采集。机组监测数据主要包括水、机、电、控等多个方面，每种数据分类又包括各种数据项。可以采集的机组监测数据如表1所示。

这些监测数据一般通过各种相应的传感器采集获得，并通过网络传输到集中的实时数据库中。传感器一般是可以将非电量/模拟量转换为电量的专用数据采集设备。

表1 水电机组监测数据分类

采集来数据一般都要集中存储。由于这些数据大多是一些状态、计量值日志数据，所以，从数据存储的效率以及以后分析处理的便捷性角度可以考虑采用ElasticSearch系统[10]作为这些数据的存储系统。

3.2 监测数据的清洗与审查

监测数据的清洗与审查部分的主要任务是处理原始数据中存在的明显的数据错误和数据遗失，对原始数据进行必要的预处理。

在数据审查规则设计时，不仅要考虑通用的判断标准和规则，还要结合待处理数据的相关情况合理、科学地分析和设计。不依赖额外知识进行数据处理有利于进行自动化处理，提高数据处理的效率。但是在具有特殊性的规则设计时，必须依赖电力系统运行维护中的工作经验和特定数据集的特点。

在对数据进行预处理时，由于接收的都是实时数据，所以还可以考虑采用数据流(Data Streaming)的方法来对采集的数据进行预处理，这样可以保证数据采集的数据不淤积，保证实时性。

3.3 基于深度学习的故障诊断技术

大型水电机组是一种典型的复杂工业系统，其包含的单元组件很多，这也导致产生的故障种类多，故障原因复杂，难以诊断。在各种故障中，水电机组转子的不平衡故障、不对中故障、定子转子间的碰摩故障、尾水管偏心涡带故障、发电机磁拉力不平衡是最常见的五种故障[11]。这些故障除了复杂外，还具备复杂工业系统故障的新特性，即层次性、传播性、相关性、不确定性、大数据特性[12]。针对这种复杂系统的故障诊断，传统的一些方法不再适用或效果很差。本文针对传统故障诊断方法特征提取难度大、故障分类准确较低等问题，提出基于深度学习的智能故障诊断方法框架。

3.3.1 深度学习模型适用性分析

深度学习的概念起源于人工神经网络,由多个隐含层的感知器构成，区别于传统的浅层神经网络，深度学习网络的隐含层的层数大大增加，这使得深度学习网络具有更好的复杂函数逼近能力，也能够更多的处理非线性的复杂问题。近年来，随着云计算、内存计算、GPU加速等计算技术的发展，计算能力得到了长足发展，也为深度学习的落地应用提供了很好的基础条件。

随着深度学习技术的深入研究和广泛应用，目前较成熟的深度学习模型主要包括：深度置信网络(DBN)、卷积神经网络 (CNN)、堆叠自动编码机(SAE)、递归神经网络(RNN)等。这些模型各自都具有自身的优点和适用范围。针对故障诊断问题，不同模型的特点和适用范围分析可以总结为下表，如表2所示。

下面，我们主要以深度置信网络(DBN)为例介绍深度学习理论在大型水电机组故障诊断中的基本应用方法。

3.3.2 基于深度置信网络的故障诊断方法

深度置信网络(DBN) 是一种典型的深度学习方法，是由多个限制玻尔兹曼机(RBM)组成的多隐层神经网络，通过模拟人类大脑来处理信息[13]。DBN可以同时适用于特征提取和分类问题。在特征提取方面，DBN可以通过限制玻尔兹曼机从输入数据开始将高维的底层数据逐步提炼为高层的抽象表示，但仍然保持数据内在的关键特征，能够在样本有限的情况下实现无监督的特征识别、提取和表达。在特征提取后，DBN可以进一步进行有监督的学习使其具有较强的分类能力。DBN的工作原理如图3所示。

表2 深度学习模型特点及适用性分析

图3 深度置信网络(DBN)的工作原理

智能故障诊断的首要关键步骤是故障特征提取，然后是故障智能分类，这些步骤都是实现智能运维的必备步骤和环节。基于深度置信网络的水电机组故障诊断方法主要包括以下几个步骤：

1) 对采集到的机组时域监测数据按固定批次进行分割，并进行必要的预处理，然后将数据集划分为训练集和测试集；

2) 建立一个多隐含层的DBN网络, 根据故障样本维数确定DBN模型的输入节点数，使用训练集对DBN模型进行无监督训练；

3) 根据故障类别确定模型的输出维数，并对模型的关键参数值进行反向微调；

4) 利用训练好的DBN模型并结合标注数据对测试集进行故障诊断和分类。

3.4 智能运维实现方法

根据以上方法可以实现对故障的精确定位并根据故障历史数据进行运维技术难度分析，定义相关故障难度系数。与现有的水电机组运维系统结合，结合技术人员的技术等级评价，配合运维故障难度系数，优化运维模式，根据难度等级派单到需要相应技术等级的运维人员手里。同时，将故障诊断结果与处理结果等历史数据反馈到整个系统，使得整个系统迭代学习，从而变得更智能、更有效。

本文设计的智能运维框架能够为运维工作提供必要的数据支撑和决策依据，从而使得运维工作更有针对性，解决原先运维工作的盲目性问题，从而更合理地配置运维资源，实现更有效的运维，节约运维成本。具体实现方式包括以下步骤：

对采集运维故障进行运维技术难度分析，定义相关故障难度系数；

对技术人员进行技术等级评价，配合采集运维故障难度系数，优化运维模式和运维资源力量调度安排；

根据具体运维实施效果的反馈，进一步优化数据分析模型并细化故障类型，并针对常见故障提出处理预案。

4 总结

本文针对大型水电机组的运维需求和当下运维工作所面临的新挑战，提出基于深度学习的水电机组智能运维框架，从数据采集、预处理、智能故障诊断、故障处理等环节介绍了智能运维框架所包含的内容，通过分析各种深度学习模型对故障诊断问题的适用性，基于深度置信网络模型提出一种水电机组故障智能诊断方法框架，并与后续运维工作结合，从而实现对大型水电机组的更科学、更高效的智能运维。

深度学习在大型水电机组的智能故障诊断方面的应用还属于起步阶段，在对复杂故障的形成机理理解、模型的自动调参和优化、与海量监测大数据深度结合等方面还有待进一步的深入研究。除了智能故障诊断，深度学习理论和技术在大型水电站的建设和运营中的其他方面也具有很多实际的研究和应用价值。