大型水轮发电机组水淹水车室预警决策模型研究

靳 帅， 郑 建 民

(1.国电大渡河枕头坝发电有限公司，四川 乐山 614700；2.国电大渡河流域水电开发有限公司，四川 成都 610041)

1 概 述

在水轮发电机组运行过程中，水车室的安全运行至关重要，水淹水车室事故的发生具有一定概率，其后果极为严重。水淹水车室将导致机组“非停”、水导油槽等机械部件受损、油泄漏引发环保事件、水淹厂房等后果，给电力安全生产带来极大的威胁，尤其是在无人值守条件下此类事故发生的后果更为致命[1]。

水淹水车室事故发生的主要原因包括真空破坏阀故障、主轴密封漏水过大、导叶套筒漏水、顶盖排水泵效率降低等[2]。这些因素的发生具有概率性，目前的监测手段很难实现提前预警，事故发生后通常只能被动处理；对于感知到的各种相关因素，因为难以判断具体的影响因子，无法及时定位故障原因及位置，导致处置效率低；现有的漏水及水位监视和感知手段获取的数据都是单项的、间接的，缺乏综合分析，不足以支撑作出处置决策，严重依赖人的经验。

2 解决方案

大型水轮发电机组水淹水车室事故预警从本质上来讲是在多种因素作用下的综合预测决策问题，这个问题可以拆分为三个子问题：故障早期预警，其本质是预测的问题；故障原因定位，其本质是故障因素定位和诊断的问题；故障处置策略确定，其本质是快速解决方案选择的问题。这三个问题解决了，水淹水车室预警决策的问题便得到了很好的解决。针对这三个问题，通过对大型水轮发电机组长期运行的大数据整理、分析、挖掘，建立模型，最后利用实际发生的故障案例验证模型的正确性。

首先，从生产现场的监控系统运行数据(包括模拟量、开关量)、故障案例文档、检修记录文档、技术资料、设备固有信息中获取模型构建所需的数据。通过对获取到的数据源中的数据信息，建立基于LSTM的顶盖水位时序预测模型，实现对顶盖水位的实时预测。利用故障案例文档、检修记录文档构建知识库，并结合技术资料知识丰富并构建较完整的水车室知识图谱。利用监控数据、实时预测水位，构建基于马尔可夫逻辑网的水车室故障概率推理模型，实现对故障发生原因的概率推理判断。最后，结合概率推理判断结果、知识图谱，提出针对故障原因的综合处置决策。

3 数据建模

本研究建模所需数据来自机组历史运行存储数据，从13个维度进行整理分析，数据量约500万条，87 GB大小，采用秒级精度。

3.1 水位预测

针对顶盖水位上涨问题，从机组蜗壳进口压力、主轴密封进水管流量、密封进水管压力、顶盖水位、机组有功、振摆等相关运行数据中提取特征量[3]，建立基于RNN(神经网络)的顶盖水位时序预测模型。首先对历史数据进行预处理(数据清洗、特征筛选)，然后存储，随后对数据进行标准化处理及特征提取，实现对模型的构建和数据的训练，最终达到对顶盖水位的精准预测能力。根据数据特点将经过训练后的数据通过keras算法构建出双层堆叠LSTM模型。对模型进行算法优化和迭代训练后，最终得到平均水位差3.6 mm，均方差4.1 mm，提前量大于20 min的水位预测结果。

在建立了以上的模型(图1)后，对超参数采用n步交叉验证，选择出最佳超参数，然后再采用500万条历史运行数据作为测试数据对建立的模型进行验证，得到最终效果为平均水位差3.589 mm，均方差4.076。图2展示的是输入1 h的运行数据，得到的是后20 min水位预测趋势图。

图1 模型整体架构图

3.2 知识图谱

知识图谱(Knowledge Graph)的概念，由Google于2012年率先提出，其初衷是用以增强自家搜索引擎功能和提高搜索结果质量，是百度“知心”和搜狗的“知立方”的效仿对象。由一些相互连接的实体和他们的属性构成的。换句话说，知识图谱是由多条知识组成，每条知识表示为一个三元组[4]。

借助知识图谱技术构建了基于故障、检修维护的历史文档的知识图谱，对相关的实体、关系、属性详细描述，为最终的智能决策，人机协同做好基础。根据水车室设备故障树、设备检修规则构建知识图谱本体，对故障案例文档和检修记录文档等数据源进行数据融合，构建设备故障知识图谱(包含设备、故障类别、故障原因、故障处置措施)，并采用图数据库(Neo4j)进行存储。

对获取到的现场检修处理文档建立分词字典，然后对文本分词处理，采用自顶向下的方法构建知识图谱的本体，即从设备故障树、设备检修规则的数据源中，提取本体和模式信息，添加到知识库中。将设备故障树中的关系名转换为本体中的概念，部分字段名转换为本体中的属性，从文本中抽取得到的实体对象，将其链接到知识图谱中对应的正确实体对象，通过嵌入(embedding)方式投影到低维向量空间，并在向量空间中通过向量平移转换操作，计算头、尾实体及关系在向量空间中的损失函数值，实现头尾实体的关系链接。最终得到水淹水车室事故预警的9种故障以及对应的故障检修处理措施。例如，在知识图谱中查询1F顶盖得到具体的结构见图3。

图2 水位预测趋势图

图3 知识图谱样例

3.3 概率推理模型

概率推理判断是根据以往的经验和分析，结合专家先验知识构建概率模型，并利用统计计数、最大化后验概率等统计学习的手段对推理假设进行验证或推测。通过对数据特征提取、规则学习、参数学习，规则推理等步骤，分别计算出不同原因的权重，通过分析最终实现对故障发生原因的有效推理判断。根据历史监测数据及故障的特定关系，进行规则以及规则对应权重的自主学习，结合统计计数、最大化后验概率等统计学习手段构建出水车室故障概率推理模型。

根据历史监控的数据，结合专家先验知识构建马尔可夫逻辑网(Markov Logic Network,MLN)。其包含所有规则权重对(fi,ωi)的集合，其中，fi表示逻辑规则；ωi表示逻辑规则对应的权重实数[5]。并利用统计计数、最大化后验概率等统计学习的手段对推理假设进行验证或推测，并将不同逻辑规则对推理目标的贡献合并到统一的概率模型下，如下所示：

4 成果应用

采用某电站水轮发电机组2018年01月23日出现的异常信息对上述模型成果进行验证，运行结果与历史记录资料对比发现，水位预测值与真实水位值平均绝对误差小于4.076 mm，故障预警信息比电站监控系统提前20 min报出，预警决策辅助信息给出了准确的处理建议。相关信息展示见图4。

图4 预警决策信息展示

结合模型特点和电站的实际运行需求，开发建立了一套水淹水车室预警决策系统，用于向运行人员实时展示设备运行状况，及时获取故障处置信息。

5 结 语

笔者提出了水淹水车室事故的智能预警和自主处置解决方案，将水淹水车室事故由事后被动发现变为事前提前预知，实现了风险识别的自动化，也为其他类似设备的预警决策及处置提供了可参考的经验。本模型基于对海量数据分析研究建立，分析结果具有代表性，运行结果经实际检验准确可靠，可有效解决实际问题，保障企业安全生产，促进管理水平提升，可在水电行业广泛推广应用，在本模型构建过程中对电力生产特征数据处理的思路及数据库的应用方式，也为水电行业开展数据分析及模型建立提供了很好的借鉴。

同时，由于受限于所选取的数据范围和检修作业库的样本数据，该模型还存在需要完善和优化的地方，需借助更多的应用实践进一步验证和改进，通过不断的优化算法，实现更精准的预测，提供更全面的决策知识库，特别是对于在多影响因素、复杂运行工况下模型的运行可靠性、响应及时性、预测决策准确性等方面仍需不断的探索和研究。