人工智能技术在水电状态监测中的需求及应用

黄宗碧

（深圳市瑞德森工业自动化设备有限公司，广东省深圳市 518000）

智慧型电厂已经逐渐成为电力企业新时期的发展目标，水电企业更因为我国优越的自然条件及开发政策正加速成长为新兴智能技术的应用前沿。而智能技术的应用又促使水电状态监测涵盖的内容和范围得到了极大的扩展，技术和应用水平得到了显著提升。当前的水电状态监测已经不仅仅指主机或机组状态监测，而是涵盖了一次（发、变、输、配电）设备状态、二次控制系统状态、辅机设备状态、水工建筑健康状态、调度状态、安全状态、管理状态等电厂全景运行状态的高度综合化的状态“测—控—管”系统。它与监控系统相辅相成：监控系统直接服务于生产，而状态监测系统则服务于检修及管理，成为正常生产的保障基础。在技术构成上，水电状态监测系统也不再仅仅只是纯粹测量系统的简单技术集成，而是结合传感、信号处理、数值分析、计量、最优规化、大数据、雲、可视化、超算、AI的综合型科学应用，其中已经而且正在产生大量有价值的科学研究内容。水电状态监测的涵盖内容及支撑技术如图1所示。

1 智能化状态监测迫切技术需求

服务于智慧型水电厂建设的水电状态监测，不仅是对国家智能社会发展政策的积极响应，而且符合现代信息化技术进步的发展趋势，有利于充分挖掘企业各项资源的潜在价值，精确评估并改善电厂业务状态，提升企业的实际运营效率、经济效益以及社会效益。在这个大背景下，新的和人工智能技术相关的应用需求被大量提出。这些需求随着智慧水电厂建设工作的迅速推进，已经在实际项目及多次水电学术交流会议中被反复提及，其中与智能化状态监测相关的迫切技术需求可以归纳如下：

（1）状态监测中智能化数据处理的需求。

图1 水电状态监测的涵盖内容及支撑技术Figure 1 Coverage of hydropower status monitoring and supporting technologies

机组越来越多、设备越来越多、传感器越来越多、数据越来越多的实际情况迫切要求更加智能化的数据处理方法投入应用。而智慧电厂建设的重要步骤之一就是建立一体化大数据平台处理和分析电厂的各种数据。智能化平台可依据电力企业特性，整理数据并进行深入计算，做出准确的决策支持信息。这个需求的实质是“标准”问题，如果我们可以不加区分地按统一标准处理状态监测得到的大数据内容，并且此处理结果就可以真实反映系统状态的话，智能算法就会是没有必要的；但严酷的现实是，并没有一个“统一标准”供大数据处理使用，目前唯有利用学习算法才能够为每一种有监测价值的状态建立其“针对性适用标准”！当然，此“自学习标准”可以进行严格的数学检验，并明示其可信度。

（2）状态监测中智能化状态管理的需求。

简而言之，要完成对特定状态的管理，区分其是好的状态还是差的状态，评价其优劣的绝对以及相对程度，其本质是：对其内在的故障必需有着足够的认知水平。所以，这绝对不是一个单纯的数学分析需求，而是真正意义上的“人工智能需求”。可以说，“故障认知”就是智慧化问题的核心所在。现阶段的人工智能技术是通过将人类无法直接理解的高维数据降维到人类可以认知的低维度来实现的，其本质还是利用了人的智能，因而也就并没有失控的风险。

（3）状态监测中智能化站端设备的需求。

由于水电状态监测的涵盖内容越来越广泛和深入，并且还在飞速发展之中，所以如果要求各种站端设备在投入之初，就完全考虑到后期将要提升的应用需求，显然是不现实的。因此，智能化的站端设备及开放式状态监测系统就自然成为了新形势下的必然需求。通过对站端设备加以智能化改造，将提升其准确性、互联性、可靠性、和安全性，使其具备在运行过程中扩展性能、提升精度、按样本学习进步的能力，从而使得状态监测系统获得开放式监测的能力——即监测、分析未出现过的新状态的能力。智能化站端设备还包括智能传感器和巡检机器人，以便从多种途径灵活解决“测不准难题”。

（4）状态监测中智能化系统互联的需求。

水电状态监测所涵盖的各个自动化系统已经迫切地需要以数据共享的方式互联起来，从而充分发挥智能电厂的效益优势。更进一步，还需要这个互联系统可以为流域综合控制，甚至跨流域综合控制提供必需的信息支撑。但这其中，数据的统一规范问题，成为阻碍不同自动化系统简单互联的症结所在。只有通过智能算法协调不同数据源的置信度，即通过一种更为“柔性”的智能互联方式，才能从根本上解决数据互联失配的难题。

（5）状态监测中智能化系统安全的需求。

信息安全目前已经成为了一项基本制度。水电状态监测系统在进步到复杂的多系统、多区域互联后，也必然面对这一需求。一个智能化状态监测系统的信息安全，如果继续依赖人工考评的方式加以保障，显然是不合适的。因此，将物理安全、网络安全、主机安全、应用安全、数据安全以及制度安全的运行数据加以智能统计、分析与管理的需求也已经提到了日程之上。

2 智能化水电状态监测需求及核心问题

智能化水电状态监测相关的需求及核心问题汇总如图2所示。

这些需求一方面为智能化状态监测系统的发展设置了较高的技术门槛（客观）和认识门槛（主观），另一方面也总结了有关“智能化状态监测”的可行性（技术准备）、实施性（实例）、计划性（目标）、发展性（远景）及安全性（稳定）等全部现实性问题。可喜的是，在人工智能技术飞速进步的现状下，这些需求可以得到良好满足，并产生出足够好的应用效果。这其中的关键就是自2016年以来智能学习算法的进步。《Scientific American》杂志称：“这种基于试错学习的强化算法可以应用于极大量的有足够标记数据的问题，无论是金融市场、医疗诊断、机器人技术还是战争。一个新时代已经开始，在就业模式、全民监督以及日益严重的政治和经济不平等发展等领域将产生未知但可能具有重大意义的中长期后果。”[1]同样，试错学习的思想在水电状态监测中也很有实用价值和应用先例。

图2 智能化状态监测需求及核心问题Figure 2 Intelligent status monitoring requirements and core question

例如：采用学习算法可以将四川某水电机组的振动状态数据加以统计分类，并以直观的色彩展现出来（见图3），红色代表振动最严重的状态，黄色次之，浅绿色代表振动最轻微的状态。这种可视化的分析成果一目了然，对于机组优化运行、合理调度及检修安排都有显而易见的重要意义。

图3 机组振动状态学习分类图Figure 3 Vibration state learning classification diagram of the unit

学习算法还广泛适用于缺乏具体知识以及对数据规律认识不明确的情况。例如：对于上述机组，如果我们已经掌握了它在何种振动水平下处于危险状态的相关“知识”，自然很容易直接由人对其做出“绝对评价”。但这种“知识”实际上很难把握。那么，退而求其次，如果已知振动发生变化的相关“规律”，还可以由软件自动跟踪振动的相对变化，从而做出“相对评价”。但这个“规律”并不简单，不能明确用数学形式表达出来，因而软件的算法无从编制。对于这种既缺乏知识又欠缺规律的应用难题，学习算法提供了一种高效的通用求解方法——将数据分类，然后进行类比评价。这样，即使我们并不掌握绝对报警值该定在哪里，也不清楚振动增加百分之多少就有危险，还是可以有把握地评价出机组的振动状态的优劣、安全与否以及发展趋势。

图4 学习算法的适用范围Figure 4 Scope of application of learning algorithm

另外，还有一项重要的人工智能核心技术在协助学习算法的快速发展，这就是概率评价技术。其核心在于普遍使用概率的思想来解决此前无论被认为是“确定性”“偶然性”“随机性”还是“模糊性”的所有问题，从而第一次对不同类问题给出了通用型的数学解。

最著名的例子是：2018年12月，AlphaZero首次采用同一套基于获胜概率的学习算法程序（见图5），同时实现了围棋、国际象棋、日本将棋的求解，都达到了战胜人类最高水平棋手的极佳效果。[2]其思想的美妙之处在于，当问题的难度大于计算机的求解能力时（围棋的情况就是如此），概率评价依然可以可靠地选择出可解集合中的最优解，而不会陷入“死机”或出错。

图5 AlphaZero着点获胜概率图Figure 5 AlphaZero step winning probability diagram

因此，概率评价技术特别适用于水电状态监测这类对象范围宽泛、规律复杂、运行条件多变的情况。概率的大小既可以看作为确定或不确定、相信或怀疑的感觉的量度，这些感觉可由某些断言或推测在人类心理中引起；也可以客观解释为把每一个数值概率陈述看作为一种相对频率的陈述——某一种类事件在一偶发事件序列内以这种频率发生。同理，在状态监测中，概率实际上并不仅仅只是一个关于下一个状态的预言，而是对设备“偶发”状态这种“客观自然规律”的本质描述。

类似“放电故障”等“随机出现”的状态，或偶发状态。它们的数学特征是一种特殊的不可计算性，一切已知的理性预测方法用于这些事件必定失败。可以说，并没有一种科学方法能够预测这类随机状态。然而，绝妙的正是这种不可计算性反而正是一种强大可靠的自然规律：“随机状态”的估计和评价可以通过概率的计算来实现，即，因为个体的“不可计算性”从而达到群体的“可计算性”。或者表述为：只要“随机状态”出现得足够多，就可以达到概率计算的可应用性，这在数学领域早已经成为共识。现在，这种基于随机统计和大数据量计算的特性使得“概率评估”与学习算法结合后十分切合状态监测应用。

还需要特别强调，在状态监测学习算法中使用的概率与日常中使用的概率是不同的，它并不宽泛地包含那种任意的不确切性；相反，它表明随机状态的这种数学特征是“确切的”。基于概率评估的学习算法在状态监测样本的自动学习与评估、大数据降维辅助故障认知、开放式状态监测以及复杂监测系统互联等方面均具有跨越式的应用效果。限于篇幅，下面将重点就前两点简要进行介绍。

3 状态监测样本的自动学习与评估

一台具体设备的故障概率可以用公式描述为：

其中：Nφe（t）为故障状态的计数，Nφ（t）为全状态的计数；它们均为相关于统计时间的函数。

数值化之后，故障率则可以描述为：

其中：NDe为故障数据的个数，ND为全部数据的个数。

容易看出：Re≠re，它们并不严格相等。所以，如果期望状态监测系统能够真实反映设备的真实状态，就必须强调：

（1）数据的获取方式在时间上是均匀的，不能带偏好性选择，即，并没有特别重视某一类数据的高密度采集。这就是故障记录系统和状态监测系统的本质区别，故障记录系统被设计为具备最极端的偏好性以便减少筛选数据的工作量。

（2）数据的总量必须达到统计意义上的“足够多”。即，满足“大数定律”。

在这两个充分必要条件下，有：

从式（3）可以看出，期望的故障率越低，所需要用于分析的数据总量就越高；同时，“故障数据”却会比较少——远远少于数据总量！这就是基于故障诊断路线建立状态监测系统的数学障碍：无论学习算法还是概率描述方法，都需要大量的有效数据——显然，不可能通过1000个数据分析出万分之一的故障率。

因此，智能学习状态监测样本的基本方法，有别于历史上重点基于故障数据的思路，而必须转变为重点基于健康数据的学习方法——通过自动学习建立设备健康样本，并据此建立设备健康评估标准，从而彻底解决评估标准欠缺和设计标准落后于应用的实际问题。

目前水电机组往往采用现场试验和简单限值比较的方式进行状态评估和监测预警。这种方法受到工况（水情）变化、机组结构、测量设备甚至人员等诸多因素的影响，缺少对机组早期潜在故障以及从未发生过的新故障的预警能力，也无法充分表征机组当前的实际健康状态和运行服役能力。因此，可以采用的技术就是将这种定量评估转变为数值概率评估[见式（1）]，或者与某种数值概率描述相等价[见式（2）、式（3）]，从而不歪曲数据内涵的实际状态意义。通过把“随机问题”的不可计算性转变为根据历史数据计算“经验频率”的确定算法，然后通过运行实践来验证和“试错学习”——这就是基于概率评估的健康样本学习算法，如图6所示。

图6 基于概率评估的健康样本学习算法Figure 6 Alearning algorithm for health samples based probability evaluation

例如：我们可以通过监测某个设备的振动频谱来建立其健康样本。由于缺乏关于它的定性和定量的评价标准（现状就是如此），那么就必须从反映振动水平的数据出发，将振动状态用数据的数学指标（在此处是傅里叶变换计算）加以表述。在这一点做到之后，还必须加上边界条件，比如设备的工况，它是满负荷还是空载。由此，就可以在原则上统计出振动的所有频谱系。诚然，由于问题的复杂程度，一开始确实不能严格确定出“健康的”振动频率，但是总能够轻易统计出那些具有最小的振幅和振动能量的振动频率。如此，就已经实现了“健康样本”的定量估计。在此基础上，再加入人对于不同振动状态的主观理解（数学表述叫分类），就可以实现健康评估和趋势预测。四川某水电机组“频谱系”分析实测如图7所示。

基于健康样本的学习算法中有两个要点是必不可少的：

（1）关于设备物理状态的严格数学指标。

（2）边界条件。

其中“边界条件”就是所谓“偶然性”条件，也就是说是由设备所处的环境来确定的，因而导致了“随机规律”的出现。

再举一个复杂些的多模态数据的实例：机组甩负荷时的稳定性状态是由多个轴位置传感器共同监测的，并没有哪一只传感器的数据可以单独判定稳定还是不稳定。此时，使用人可以理解的几何图像或参数，即可以建立健康样本，据此样本即可评价今后每次检修后的稳定性状态。图8即是湖南某机组的甩负荷稳态样本。这个例子深刻揭示了各个物理状态空间的大小并不是确定性的（不一定是单值描述的），而是由实际各种物理量关联关系的相互作用范围决定的。而且，这一范围有可能发生变化。所以，要真实监测复杂系统的状态就必须认识到：不但数学指标的统计需要采用学习算法，“类别”评价标准的建立也必须采用学习算法，从数学上描述就是所谓合理的限值总是随状态而改变的。

图8 甩负荷稳态样本Figure 8 Steady-state sample of load rejection

4 高维状态数据的智能降维

通过前面的例子可知：通过多支或多种传感器同时监测设备可能出现的复杂状态，然后对多模态数据进行融合感知计算，将有助于对复杂状态进行更准确地监测和评价。这已经成为从根本上解决“传感器测不准问题”的最现实和合理的解决手段。由此，也就自然产生了故障诊断中，高维度数据需要智能降维，并辅助人类完成故障认知的问题。

如果我们利用数学向量工具分析某个具体的高维状态数据空间，那么，具体设备所处的实际状态可以表征为式（4），其中包括了正常状态和故障状态，即全部“物理状态空间”：

其维度N通常是不能明确限定的，一般情况下N远大于3，即，一种物理状态通常需要3个以上的参数来刻画和表达：

而用数据形式化描述的“数据状态空间”可以表征为式（6）：

其维度N则是能够明确限定的，即，由一组确定的测量来刻画和表达一种物理状态。在传统自动控制系统中N通常简单取1；而在大数据应用系统中一般N也远大于3，由此可知两类系统对特定设备状态的分辨能力是完全不同的：

同时，人类自身可以明确识别的“认知状态空间”可以表征为式（8）：

其维度N恒小于3，即，人总是用3维的体验来认知某种物理状态的，即便对于1维和2维的简化情形，人依然是通过3维知识来把握的——只是令其中的某一个或两个维度恒等于0而已（类似“思考”理想平面的方法）：

如果我们细致分析上述三种状态空间，就会发现：“物理状态空间”无论如何，实质上是比“数据状态空间”广阔很多的；而“数据状态空间”又比“认知状态空间”广阔很多。而且，它们彼此都是不重合的。

图9 物理状态空间、向量空间、认知相空间Figure 9 Physical state space，vector space，cognitive phase space

因而，需要利用特定的数学技巧来应用于这3个不同维度的空间，令其中共同表征的部分正好是物理状态空间中令人感兴趣的“特殊状态集”。——首先，这个集合（这些物理量）能够以合理的置信度（置信度是与每一个监测数据相对应的被信奈的程度指标，是一个极为重要的“潜在”监测指标）进行测量从而得到数据；并进一步，此集合还可以被人或学习算法所认知理解，即：

这个空间（集合），就是状态监测算法的解空间（解集合）。当然，如果状态监测系统的设计完全不符合自然规律的话，此集合也可能为“空”，即得不到任何有状态评价意义的监测结果；如果部分违背自然规律的话，就会“漏检”一部分实际上有价值的结果。

由上述各式可得：

即，状态监测算法的解空间维度必定小于3维，所以必需对高维数据进行降维处理。这里所需要的数学工具此前已经具备了，是数学中的向量空间与物理学中的相空间（phase space）[6]分析。而所需要的认知工具，就是现在正在发展中的“AI认知/识别/匹配/分类”技术。

例如：对于水电机组的主轴稳定状态监测，首先，由于其动力学涉及机械运动、电磁作用和水力作用，是一个经典的高维问题（精确数理方程并不能容易获得和求解）。所以，必须通过融合感知计算，将6支或更多传感器提供的多模态数据降维到3维空间。如此得到的空间轴姿态才具有人类认知意义上的“真实性”，否则将显示出不可思议的扭转与变形，导致失去“认知价值”（人无法看懂，故而无法评价）。其次，必须明确做出所认知状态的运行条件的标识，因为如果这些状态的边界条件不清楚就完全不能确定“状态谱系”。这样处理之后就可以像图10那样通过3D轴姿态辅助认知水力不平衡状态了。

图10 3D轴姿态辅助认知水力不平衡Figure 10 3D axis attitude assisted cognition hydraulic imbalance

总而言之，必需用3维之内的数学参量描述具体设备的内在（动力学）特征，并明确其状态边界条件，然后才能得到有价值的“状态谱系”。在水电状态监测工作中必须注意：在十分小和十分大的尺度内的实验经验不可能再提供我们直观的图象，“认知”一个实际特定“状态”对人而言已经变得十分困难。此时，纯数学的表述更适合于界定各种逻辑互相关系，如可推演性、不相容性或相互依赖性，这就是人工智能取得认知方面进步的深层数学原因。

5 结束语

综上所述，新兴的人工智能技术在样本学习、数据降维、开放性扩展、多系统互联及系统安全性诸方面正好满足了水电状态监测的当前实际需求，并可以带来传统技术难以达到的跨越式效果。量子力学创始人之一，诺贝尔物理学奖获得者尼尔斯·玻尔曾说：“知识和潜力的每一次增加，往往意味着更大的责任”[7]，现在，则是“发电厂应面向未来，使现有的各种发电方式能够更好地适应未来的智能社会以及能源革命和创新。”[5]对于水电状态检测工作而言，“由人工智能、深度学习等多种方式对大数据进行挖掘，也是新时代生态环境建设和经济社会发展对电力企业的要求。”[5]这个充满责任感、科技感、进步感的领域正以独特的魅力以及机遇吸引着更多有识之士来共创新的应用、开拓更美好的前景！