基于工業(yè)互聯(lián)網(wǎng)的水電主設備指標監(jiān)測 全過程指標監(jiān)測、分析研究技術(shù)服務
引 言
國網(wǎng)新源控股有限公司成立于2005年3月，注冊資本金102.86億元，目前由國家電網(wǎng)有限公司持股70%，中國長江三峽集團公司持股30%，與國家電網(wǎng)有限公司2011年9月成立的全資子公司國網(wǎng)新源水電有限公司實施一體化管理模式，主要負責開發(fā)建設和經(jīng)營管理抽水蓄能電站和常規(guī)水電站，承擔著保障電網(wǎng)安全、穩(wěn)定、經(jīng)濟、清潔運行的基本使命，是全球最大的調(diào)峰調(diào)頻專業(yè)運營公司。
截至目前，新源公司管理資產(chǎn)總額970.2億元，管理單位60家，分布在20個省市，裝機容量6020.4萬千瓦，其中：抽水蓄能電站45座，裝機容量5522萬千瓦；常規(guī)水電廠8座，裝機容量498.4萬千瓦；開展可研和預可研抽水蓄能項目超過4000萬千瓦。按照十三五規(guī)劃，至2020年，新源公司管理運行容量2092萬千瓦，在建容量4948萬千瓦，可控容量7040萬千瓦，初步建成抽水蓄能行業(yè)國際一流企業(yè)和水電行業(yè)示范企業(yè)，為國家電網(wǎng)有限公司率先建成具有全球競爭力的世界一流企業(yè)發(fā)揮重要作用。
抽水蓄能電站利用電力負荷低谷時的電能抽水至上水庫，在電力負荷高峰期再放水至下水庫發(fā)電的水電站，又稱蓄能式水電站。在當下綠色能源大發(fā)展的背景下，抽水蓄能電站對于提高電網(wǎng)供電質(zhì)量和電網(wǎng)靈活性及可靠性發(fā)揮著不可替代的作用。但是由于抽水蓄能機組運行復雜，啟動繁雜，水力、機械、電力共同作用，極有可能引起機組溫度過高、并網(wǎng)故障、甩油故障等，從而影響整個機組的正常運行。在電力系統(tǒng)中，抽水蓄能機組是非常重要的組成模塊，也是電力穩(wěn)定、持續(xù)不間斷供應的基礎。因此，基于數(shù)據(jù)挖掘技術(shù)對抽水蓄能電站機組狀態(tài)進行預測和判斷具有重要的現(xiàn)實意義。
太極股份致力于“做中國最優(yōu)秀的數(shù)字化服務提供商”，率先推出TECO工業(yè)互聯(lián)網(wǎng)平臺，牽手眾多的生態(tài)合作伙伴，面向工業(yè)行業(yè)和企業(yè)的價值需求，提供工業(yè)互聯(lián)網(wǎng)業(yè)務頂層設計、平臺建設、工業(yè)大數(shù)據(jù)服務、算法模型開發(fā)、云平臺運營等服務，多年來電力、鋼鐵、煤炭、化工、軍工制造等工業(yè)領域有著眾多的客戶、豐富的業(yè)務實踐和案例。
在此背景下，2018-2019年，新源公司委托太極計算機股份有限公司開展，采用太極TECO工業(yè)互聯(lián)網(wǎng)平臺技術(shù)，基于數(shù)據(jù)挖掘，數(shù)據(jù)分析，模型建設，人工智能等技術(shù)實現(xiàn)各系統(tǒng)數(shù)據(jù)的整合、分析、清洗、建模、計算等，從而形成水電主設備全過程評價指標體系，并對設備的狀態(tài)分析，異常預警提供技術(shù)手段。
一、 項目概況
本項目依據(jù)新源公司預期的發(fā)展戰(zhàn)略目標，借鑒國內(nèi)相關(guān)行業(yè)設備狀態(tài)監(jiān)測與風險預測的實踐過程，以工業(yè)互聯(lián)網(wǎng)平臺為基礎，建設水電主設備全過程評價指標體系，并結(jié)合實際數(shù)據(jù)效果，構(gòu)建水電主設備故障預警模型，從而為業(yè)務部門的決策提供科學參考，并為新設備的全過程管理提供科學依據(jù)與規(guī)范。
1. 項目背景
隨著“互聯(lián)網(wǎng)+”時代的到來，信息網(wǎng)絡正向高速、智能、融合的下一代網(wǎng)絡演進，信息技術(shù)的進步帶動支撐了模式創(chuàng)新、管理創(chuàng)新和制度創(chuàng)新，市場經(jīng)濟競爭在信息技術(shù)高速發(fā)展的時代進入一個更加激烈的階段，依托信息化手段建設智慧型企業(yè)是企業(yè)實現(xiàn)快速發(fā)展的一個必然選擇。隨著計算機監(jiān)控和各類監(jiān)測系統(tǒng)的不斷普及，水電站安裝了成千上萬支傳感器，每時每秒都在產(chǎn)生大量的數(shù)據(jù)，這些數(shù)據(jù)中蘊含了豐富的價值信息，若能有效提取利用，必定對生產(chǎn)運營的各個環(huán)節(jié)產(chǎn)生深遠的影響。
新源公司廣泛地建設了諸多系統(tǒng)，系統(tǒng)每天產(chǎn)生大量的生產(chǎn)基礎數(shù)據(jù)和分析數(shù)據(jù)。隨著設備狀態(tài)監(jiān)測與管理模式的不斷提升，傳統(tǒng)的數(shù)據(jù)處理方法已經(jīng)不再適用，太極股份作為承建單位，需依據(jù)TECO工業(yè)互聯(lián)網(wǎng)平臺技術(shù)，進行數(shù)據(jù)治理與整合、建模、分析等方法，構(gòu)建水電主設備全過程評價指標體系和設備故障預警模型，并實現(xiàn)對設備狀態(tài)的監(jiān)督檢修，及時發(fā)出異常預警，保障設備的安全穩(wěn)定運行，從而為業(yè)務部門的決策提供科學參考，也為后續(xù)新電站的建設、新設備的全過程管理提供科學依據(jù)。
目前，對于抽水蓄能機組狀態(tài)監(jiān)測和故障診斷系統(tǒng)的研究大多基于傳統(tǒng)的信號處理方法，它是以機組的狀態(tài)監(jiān)測為基礎，根據(jù)所獲得的監(jiān)測數(shù)據(jù)，提取反映水輪機運行狀態(tài)的特征值，并對這些特征值進行分析診斷，判斷水輪機是否存在故障。這種方法只能對故障進行事后分析，無法實現(xiàn)預測，而且由于故障樣本數(shù)據(jù)有限，導致其適應性差，只能用于特定故障的分析診斷。國內(nèi)外已有一些基于數(shù)據(jù)挖掘技術(shù)的抽水蓄能電站設備故障診斷和狀態(tài)檢修方面的研究，為機組狀態(tài)監(jiān)測分析和故障診斷提供了有益探索。利用工業(yè)互聯(lián)網(wǎng)平臺，通過對設備指標歷史數(shù)據(jù)進行清洗、特征工程、打標簽、數(shù)據(jù)挖掘和預測建模、模型性能測試驗證，最終得出抽水蓄能機組故障預測模型。模型部署后對機組當前監(jiān)測值進行對比分析，判斷當前設備運行狀態(tài)是否正常。
2. 項目簡介
本項目基于工業(yè)互聯(lián)網(wǎng)，建設覆蓋水電主設備全過程評價指標體系，并依靠工業(yè)互聯(lián)網(wǎng)平臺強大的運算能力，實現(xiàn)對設備指標與狀態(tài)評價數(shù)據(jù)的整理、分析、最終構(gòu)建水電主設備全過程評價指標體系和設備故障預警模型，實現(xiàn)設備檢測、指導管理等諸多效益。項目簡介如下：
(1)常見的水輪發(fā)電機機組故障診斷方式，大部分是從水力因素、機械因素、天氣因素和專家故障診斷方法來進行。通過多層次分析可知，依靠單一技術(shù)無法滿足水輪發(fā)電機故障診斷的任務。因此，依靠工業(yè)互聯(lián)網(wǎng)平臺，將不同診斷技術(shù)結(jié)合起來，運用大數(shù)據(jù)分析海量生產(chǎn)實時數(shù)據(jù)和多層次神經(jīng)網(wǎng)絡人工智能等方法的混合診斷研究，是現(xiàn)階段研究的發(fā)展趨勢。
(2)根據(jù)故障機理、性能劣化機理，依靠TECO平臺，建立故障的數(shù)學模型和性能劣化的評價數(shù)學模型，并根據(jù)數(shù)學模型對特征指標體系進行重構(gòu)，形成可直接用于故障確認和定位的可量化特征指標體系，這就是所謂的故障指標體系。
（3）采用大數(shù)據(jù)分析方法建立趨勢預測，常用的方法有多元線性回歸方法，該根據(jù)歷史樣本建立機組負荷、運行工況、溫度、水頭與振動、擺度、壓力脈動等指標之間的回歸模型，以該回歸模型為基礎進行預測和趨勢監(jiān)測，該方法的核心問題是樣本數(shù)據(jù)需要足夠，而且在建立模型時給出的自變量需要完整。另外結(jié)合機理知識和多種大數(shù)據(jù)挖掘模型算法如多元回歸模型、SVM回歸模型、正態(tài)統(tǒng)計模型、相關(guān)性分析、臨近算法模型(kNN)、k-Means聚類分析、人工神經(jīng)網(wǎng)絡分析等分析方法，構(gòu)建機組完整的指標值研究體系，經(jīng)過故障特征指標值的記錄和設備專家人工辨別、篩查和整理，最終形成針對不同機組部件的多維度混合智能診斷方法。
3. 項目目標
基于工業(yè)互聯(lián)網(wǎng)平臺強大的運算能力，利用大數(shù)據(jù)概念和故障特征分析，充分利用和整合現(xiàn)有資源和數(shù)據(jù)，以新源公司對抽水蓄能電站設備運行狀態(tài)監(jiān)控和管理應用為方向，實現(xiàn)基于大數(shù)據(jù)分析手段建立抽蓄機組主設備全過程評價指標體系和主設備故障預警模型的構(gòu)建，實現(xiàn)對抽蓄機組主設備狀態(tài)的實時監(jiān)測、運行監(jiān)控、綜合分析、以及故障診斷和運營維護等主要功能。通過本項目的實施，減低企業(yè)生產(chǎn)運營成本，提高生產(chǎn)安全管理水平和管理效率，同時提升新源公司在水電主設備全過程監(jiān)測工作中的智能化水平。
二、項目實施概況
本項目采用云計算、大數(shù)據(jù)等工業(yè)互聯(lián)網(wǎng)平臺技術(shù)，匯集新源公司下屬各抽水蓄能電站的生產(chǎn)實時數(shù)據(jù)和設備狀態(tài)數(shù)據(jù)，并通過數(shù)據(jù)的治理、存儲、分析、建模，建設抽蓄機組主設備全過程評價指標體系和主設備故障預警模型，并通過神經(jīng)網(wǎng)絡算法實現(xiàn)狀態(tài)監(jiān)測及風險評估。
本項目技術(shù)路線如下：
本項目研究內(nèi)容包括對主設備監(jiān)測數(shù)據(jù)的提取、特征指標體系的設計研究、量化評價體系的研究以及構(gòu)建監(jiān)測、分析、評價的展示系統(tǒng)等多個方面。
故障特征指標體系的設計問題。主要是根據(jù)各部件之間的關(guān)聯(lián)關(guān)系以及故障機理模型、性能劣化模型建立，可真實表征機組性能分析、故障分析的特征指標，以部件為單位，逐步構(gòu)建起能表征整個機組主設備性能評價、故障定位和分析的特征指標體系。
以機組負荷、運行工況、溫度、工作水頭做為邊界參數(shù)，對測量的振動、擺度、壓力脈動、氣隙等特征數(shù)據(jù)進行分段預警；在機組穩(wěn)定運行，而且機組狀態(tài)穩(wěn)定正常的情況下，當上述邊界條件相同時，機組擺度、振動等特征數(shù)據(jù)滿足正態(tài)分布規(guī)律，當用歷史樣本數(shù)據(jù)進行分段統(tǒng)計之后，獲得振動、擺度在不同負荷、溫度、運行工況下的中位值和分布的寬度，那么以這個中位值和寬度作為正常范圍，監(jiān)測新數(shù)據(jù)是否超出統(tǒng)計范圍，就可以實現(xiàn)人大數(shù)據(jù)分析、人工智能判斷的識別訓練矩陣。
本項目實施概況如下：
1. 項目總體架構(gòu)
國網(wǎng)新源水電主設備實時分析監(jiān)測系統(tǒng)采用分布式、多層體系架構(gòu)，自頂向下分為展示層、業(yè)務應用層、平臺層、基礎層、接入層（采集層），建立在統(tǒng)一的標準規(guī)范體系、安全管理體系、運維保障體系下。
2. 數(shù)據(jù)接入與樣本分析
在數(shù)據(jù)質(zhì)量、數(shù)據(jù)存儲和應用調(diào)研結(jié)論的基礎上，進行數(shù)據(jù)獲取方案的制訂，確定獲取數(shù)據(jù)源、數(shù)據(jù)獲取方式、投入資源與外部資源范圍，并對數(shù)據(jù)進行采樣分析，確定數(shù)據(jù)接入點位、和相關(guān)技術(shù)選型工作。對目前主流的數(shù)據(jù)接入、傳輸工具、軟件等進行對比分析，完成對數(shù)據(jù)接入、存儲和分析的一系列結(jié)構(gòu)化設計與實施步驟等細節(jié)，推動數(shù)據(jù)資源管理部門的支持和配合工作。
（圖 數(shù)據(jù)接入方案）
3. 主設備指標體系研究工作
根據(jù)本項目的研究內(nèi)容結(jié)合水電主設備監(jiān)測系統(tǒng)的配置情況、相關(guān)測點分布情況，綜合給出項目分析需求指標列表。
（設備傳感器分布圖）
根據(jù)水電主設備傳感器波形數(shù)據(jù)進行分析，根據(jù)機組傳感器在不同工況下的數(shù)據(jù)采集規(guī)律、間隔密度等因素，對生產(chǎn)實時與狀態(tài)檢測數(shù)據(jù)進行歸集，通過相關(guān)性分析方法利用歷史數(shù)據(jù)，建立和分析設備各個參數(shù)之間的相關(guān)性，并整理出水輪發(fā)電機各設備部件傳感器數(shù)據(jù)的相關(guān)規(guī)律，結(jié)合水輪發(fā)電機組設備樹，形成設備指標關(guān)系矩陣。
（設備指標關(guān)系矩陣）
4. 完成泰山公司水電主設備全過程指標體系梳理與建立工作
基于工業(yè)互聯(lián)網(wǎng)平臺收集整理的大量數(shù)據(jù)，構(gòu)建機組完整的指標研究體系，是為了實現(xiàn)故障的初步定位。目前，大部分的故障診斷系統(tǒng)能夠提取的特征指標非常有限，大部分指標都停留在原始數(shù)據(jù)的1次提取狀態(tài)，這種指標雖然可以反映故障的發(fā)生，但對于故障定位方面則存在明顯的缺陷。此時根據(jù)歷史數(shù)據(jù)的分析研究，機組各個部位傳感器的閾值已經(jīng)確定，機組運行過程中不在指定范圍內(nèi)運行的數(shù)值信息即為異常。尋找發(fā)生異常指標所在的相關(guān)指標集合，并將此集合中所有的運行特征參數(shù)、邊界參數(shù)，結(jié)合運用“基于大數(shù)據(jù)模型的挖掘算法”，將主設備各個相關(guān)部位傳感器、運行特征進行有機結(jié)合。記錄并分析相關(guān)指標集合內(nèi)，所有傳感器數(shù)據(jù)的相關(guān)趨勢變化。通過判斷是否屬于測點相關(guān)性集合，來初步將故障點指向某一部件。
運用大數(shù)據(jù)分析手段、數(shù)據(jù)建模技術(shù)，推動篩查基于水電機組設備相關(guān)部件的測點中與異動測點同期產(chǎn)生相關(guān)性變化的指標，并結(jié)合機理知識和多種大數(shù)據(jù)挖掘模型算法，構(gòu)建五級結(jié)構(gòu)的指標值研究體系。
（回歸模型典型數(shù)據(jù)挖掘邏輯示意圖）
一級指標主要是從體系內(nèi)部結(jié)構(gòu)從機組監(jiān)測的所有原始波形數(shù)據(jù)及環(huán)境工況數(shù)據(jù)為基礎上根據(jù)波形中鍵相數(shù)據(jù)進行原始波形重采樣計算重構(gòu)波形，將重采樣計算后的波形數(shù)據(jù)進行快速傅里葉變化，從而將波形從時域轉(zhuǎn)換為頻域計算出來的值和部分環(huán)境量的值。一級指標的作用是對監(jiān)測測點原始信號進行處理解析成設備子部件故障模型診斷算法所需要的參數(shù)值，為二級指標的計算做準備。
二級指標為一級指標根據(jù)設備子部件故障模型故障診斷算法計算結(jié)果，通過該值能夠反映出該機組子部件運行狀態(tài)及問題。
三級指標為通過一二級指標的計算結(jié)果，通過把指標的狀態(tài)量化成優(yōu)良中差或分數(shù)，通過分數(shù)反應該子部件運行的健康評價狀態(tài)。
四級指標為機組軸系、發(fā)電機、水輪機、球閥、調(diào)速系統(tǒng)、主變壓器、靜止變頻器等部件根據(jù)三級指標的健康評價狀態(tài)，匯總計算出一組能反應機組部件健康狀態(tài)的一組評價值，該值即為四級部件評價指標。
五級指標為水輪發(fā)電機組主設備的健康評價指標，通過匯總主設備內(nèi)各部件的運行狀態(tài)，計算得到的能反應出機組主設備的健康評價狀態(tài)的指標。
5. 完成泰山公司水電主設備全過程指標體系模型建設工作
基于工業(yè)互聯(lián)網(wǎng)平臺收集并整理的數(shù)據(jù)，運用工業(yè)互聯(lián)網(wǎng)平臺強大的數(shù)據(jù)運算能力，結(jié)合機理知識建設了一個評價模型、三個預警模型。
在抽蓄機組傳感器閾值的研究體系中，提出采用多維正態(tài)分布對閾值范圍進行研究。針對電站抽水蓄能機組的實際運行數(shù)據(jù)，使用多維正態(tài)分布，更加準確的劃分安全域與不安全域，從而可以更好地監(jiān)測機組本身的運行狀態(tài)，為生成機組異常狀態(tài)、故障趨勢分析報表、未來運行趨勢和相應處理措施的提出提供技術(shù)和數(shù)據(jù)支撐，更好地實現(xiàn)抽水蓄能電站優(yōu)化運行的監(jiān)控和管理。
建設了水力不平衡的故障預測模型，利用監(jiān)測系統(tǒng)采集的數(shù)據(jù)進行自動化的特征參數(shù)辨識，進而實現(xiàn)故障的在線診斷和報警，這是在線預警技術(shù)發(fā)展的重要方向，也是防止機組缺陷擴大化，實現(xiàn)早期預警的重要手段。抽水蓄能機組的水力不平衡主要來源于氣蝕對導葉轉(zhuǎn)輪葉片的影響，而且這種水力不平衡還經(jīng)常會表現(xiàn)的是發(fā)電工況與抽水工況有較大的反差。導致機組產(chǎn)生水電不平衡的原因較為復雜，對于這種復雜問題，我們需要把抽水蓄能機組實際運行的數(shù)據(jù)與工況相結(jié)合，進一步完善診斷機理，建立更為精確的故障模型，提高故障診斷的準確性。
建設了軸線彎曲故障診斷模型，通過挖掘部件間的相關(guān)性，同時以部件為單位，將有關(guān)聯(lián)的主設備各個部位運行特征有機結(jié)合，逐步構(gòu)建起能表征整個機組主設備性能評價、故障定位和分析的特征指標體系。利用大數(shù)據(jù)技術(shù)挖掘機組的特征值和指標值的變化規(guī)律，總結(jié)設備重要指標的合理運行區(qū)間，實現(xiàn)故障預警模型的應用。
建設了轉(zhuǎn)子質(zhì)量不平衡模型，通過對開機過程的機組擺度測點和機架1X分量的特征數(shù)據(jù)的采集，建設在線辨識算法，實現(xiàn)對轉(zhuǎn)子質(zhì)量不平衡故障的監(jiān)測與預警，從而提升機組的安全穩(wěn)定水平。
6. 完成基于人工智能技術(shù)的故障特征訓練工作
數(shù)據(jù)挖掘技術(shù)和算法多樣，本項目主要是嘗試使用分類算法對抽水蓄能機組的狀態(tài)進行分類，也就是說給定機組的運行狀態(tài)值，通過模型計算得出機組狀態(tài)。應用工業(yè)互聯(lián)網(wǎng)TECO平臺，本項目使用三種典型的數(shù)據(jù)挖掘分類算法進行機組狀態(tài)預測建模：
決策樹（Decision Tree）是一種最常用的呈樹狀結(jié)構(gòu)的分類算法，其創(chuàng)建的過程主要包括變量選擇、決策樹生成以及決策樹修剪。首先對原始數(shù)據(jù) 進行處理，并歸納生成可讀規(guī)則，然后使用決策樹對新數(shù)據(jù)進行分析。本質(zhì)上決策樹是通過一系列規(guī)則對數(shù)據(jù)進行分類的過程。
BP神經(jīng)網(wǎng)絡是一種應用十分廣泛的神經(jīng)網(wǎng)絡，按照誤差反向傳播的方法對其進行訓練，從而不斷對權(quán)值和偏差進行反復調(diào)整，從而該算法的正確率也不斷上升。
支持向量機（support vector machines）是一種二分類模型，它的目的是尋找一個超平面來對樣本進行分割，分割的原則是間隔最大化，最終轉(zhuǎn)化為一個凸二次規(guī)劃問題來求解。
（數(shù)據(jù)挖掘過程模型）
實踐過程中共采用了三種常見的分類算法，決策樹、神經(jīng)網(wǎng)絡和SVM（支持向量機）對近12萬條數(shù)據(jù)進行訓練和測試，通過10-fold交叉實驗來評估預測模型的準確性。總體來看，三種分類算法都能夠準確地預測機組故障和非故障狀態(tài)，10-fold準確性和AUC指標都比較滿意，其中神經(jīng)網(wǎng)絡和決策樹都取得了類似AUC，略高于支持向量機SVM的績效。
使用BP神經(jīng)網(wǎng)絡需要構(gòu)建狀態(tài)矩陣，將機組部件的狀態(tài)得分與評價得分進行顯性處理，以便于神經(jīng)網(wǎng)絡的計算，采取的辦法是將機組的部件按照每一次開機過程進行劃分，并將影響機組部件狀態(tài)評價的指標按照不同的維度進行劃分，并借助大數(shù)據(jù)知識對機組當次狀態(tài)的評價得分，以“狀態(tài)-評價”方式構(gòu)建狀態(tài)矩陣。
（機組工況參數(shù)異常示例）
基本BP算法包括信號的前向傳播和誤差的反向傳播兩個過程。即計算誤差輸出時按從輸入到輸出的方向進行，而調(diào)整權(quán)值和閾值則從輸出到輸入的方向進行。正向傳播時，輸入信號通過隱含層作用于輸出節(jié)點，經(jīng)過非線性變換，產(chǎn)生輸出信號，若實際輸出與期望輸出不相符，則轉(zhuǎn)入誤差的反向傳播過程。誤差反傳是將輸出誤差通過隱含層向輸入層逐層反傳，并將誤差分攤給各層所有單元，以從各層獲得的誤差信號作為調(diào)整各單元權(quán)值的依據(jù)。通過調(diào)整輸入節(jié)點與隱層節(jié)點的聯(lián)接強度和隱層節(jié)點與輸出節(jié)點的聯(lián)接強度以及閾值，使誤差沿梯度方向下降，經(jīng)過反復學習訓練，確定與最小誤差相對應的網(wǎng)絡參數(shù)(權(quán)值和閾值)，訓練即告停止。此時經(jīng)過訓練的神經(jīng)網(wǎng)絡即能對類似樣本的輸入信息，自行處理輸出誤差最小的經(jīng)過非線形轉(zhuǎn)換的信息。
通過BP神經(jīng)網(wǎng)絡實現(xiàn)狀態(tài)的分類，其突出優(yōu)點就是具有很強的非線性映射能力和柔性的網(wǎng)絡結(jié)構(gòu)。網(wǎng)絡的中間層數(shù)、各層的神經(jīng)元個數(shù)可根據(jù)具體情況任意設定，并且隨著結(jié)構(gòu)的差異其性能也有所不同，因此對于本項目而言，使用BP神經(jīng)網(wǎng)絡具有較高的靈活性及較強的反應速度，同時提升了分類評價的準確性。
以上研究充分證明前面依據(jù)行業(yè)專家選擇的機組狀態(tài)監(jiān)測特征指標，能夠很好的用于故障狀態(tài)預測建模，具有較強的解釋力度。下表中羅列三種分類算法的績效。
| 10-fold準確性 | AUC | |
決策樹 | 85.42% | 0.85 | |
神經(jīng)網(wǎng)絡 | 85.38% | 0.85 | |
SVM | 76.53% | 0.75 |
（分類算法準確性）
三、下一步實施計劃
針對本項目目前的研究成果，下一步實施計劃主要為開展項目成果的推廣工作：
1. 基于泰山公司水電主設備全過程指標體系應用的推廣工作
（1） 明年推廣到新源下屬所有抽水蓄能電站；
（2） 三年內(nèi)推廣到常規(guī)水利發(fā)電行業(yè)，并對水電主設備指標體系進行豐富與完善。
2. 基于泰山公司水電主設備全過程指標智能監(jiān)測模型的推廣工作
（1） 明年將模型建設覆蓋面提升至抽水蓄能機組所有部件；
（2） 三年內(nèi)在新源范圍內(nèi)進行推廣應用。
3. 人工智能技術(shù)的推廣工作
（1） 明年將人工智能算法覆蓋面提升到所有部件；
（2） 三年內(nèi)實現(xiàn)全行業(yè)的推廣流程。
四、項目創(chuàng)新點和實施效果
1. 項目先進性及創(chuàng)新點
1）行業(yè)內(nèi)首次借助工業(yè)互聯(lián)網(wǎng)平臺
利用工業(yè)互聯(lián)網(wǎng)平臺的大數(shù)據(jù)承載與交換分析能力，實現(xiàn)抽蓄機組主設備生產(chǎn)實時數(shù)據(jù)的提取與存儲，并運用大規(guī)模計算集群進行高效的數(shù)據(jù)挖掘與人工智能訓練工作，并通過可視化技術(shù)對分析結(jié)果進行全方位展示，直觀展示新源公司全局、各抽蓄電站、水輪發(fā)電機組的設備狀態(tài)實時信息。
2）“大數(shù)據(jù)+機理”方式
傳統(tǒng)的數(shù)據(jù)分析方法是將機組部件特征的數(shù)據(jù)進行收集，運用機組的機理規(guī)范對當前數(shù)據(jù)進行評價，以便確認機組部件的運行狀態(tài)，此方法弊端在于：（1）效率較低，不僅各個系統(tǒng)數(shù)據(jù)不互通，且數(shù)據(jù)需要逐條處理，且需與人工結(jié)合造成效率低下；（2）具有滯后性，機組需要先出現(xiàn)問題才能發(fā)現(xiàn)問題，沒有對數(shù)據(jù)質(zhì)量可預見性，“先發(fā)生，后解決”的思路造成資源的浪費。
本項目依據(jù)工業(yè)互聯(lián)網(wǎng)平臺，創(chuàng)新性地采用大數(shù)據(jù)與機理相結(jié)合的方式進行模型的建設，編制抽蓄機組狀態(tài)評價指標體系；基于水輪機組設備部件管理樹和多元回歸算法，構(gòu)建抽水蓄能電站主設備全過程評價指標體系，實現(xiàn)對機組狀態(tài)的監(jiān)測與故障的預警，同時，結(jié)合大數(shù)據(jù)可以實現(xiàn)對故障的可預見性，實現(xiàn)資源的合理利用。
3）首次應用神經(jīng)網(wǎng)絡
神經(jīng)網(wǎng)絡作為人工智能的核心算法，從未在國網(wǎng)新源內(nèi)進行使用，其主要原因是數(shù)據(jù)運算量大，要求數(shù)據(jù)質(zhì)量高等，工業(yè)互聯(lián)網(wǎng)平臺具有強大的運算能力與數(shù)據(jù)儲存能力，應用工業(yè)互聯(lián)網(wǎng)平臺可以實現(xiàn)神經(jīng)網(wǎng)絡的部署，
基于廣泛水輪發(fā)電機機理知識庫與機理分析數(shù)學模型結(jié)合神經(jīng)網(wǎng)絡深度學習算法，構(gòu)建機組故障監(jiān)測、預警模型，為設備的安全運行、異常預警、狀態(tài)檢修等提供技術(shù)手段，進而為業(yè)務部門的決策提供科學參考，也為后續(xù)新電站的建設、新設備的全過程管理提供科學依據(jù)。
4）提升設備管控決策能力
創(chuàng)新型采用大數(shù)據(jù)分析手段和機組設備部件機理特性相結(jié)合方法，編制抽蓄機組狀態(tài)評價指標體系；基于水輪機組設備部件管理樹和多元回歸算法，構(gòu)建抽水蓄能電站主設備全過程評價指標體系；基于廣泛水輪發(fā)電機機理知識庫與機理分析數(shù)學模型結(jié)合神經(jīng)網(wǎng)絡深度學習算法，構(gòu)建機組故障監(jiān)測、預警模型，為設備的安全運行、異常預警、狀態(tài)檢修等提供技術(shù)手段，進而為業(yè)務部門的決策提供科學參考，也為后續(xù)新電站的建設、新設備的全過程管理提供科學依據(jù)。
2. 實施效果
（1）促進生產(chǎn)的穩(wěn)定運行、經(jīng)濟運行
由于抽水蓄能電站擁有獨特的運行特性和機組的優(yōu)越技術(shù)性能，使其在我國大規(guī)模的建成與投運，十分有利于保障我國電力系統(tǒng)的安全穩(wěn)定和優(yōu)質(zhì)經(jīng)濟運行。通過本項目實施，達到以下效果
1 實時監(jiān)測并優(yōu)化數(shù)據(jù)質(zhì)量；
2 機組運行狀態(tài)評價準確率92.7%以上；
3 提高機組潛在故障識別率；
4 指導設備狀態(tài)檢修；
5 降低機組運維成本；
6 提高抽蓄電站效益。
（2）降低機組運維成本，提高抽蓄機組經(jīng)營效益
通過項目實施過程，對抽蓄機組運行狀態(tài)的實時評價與監(jiān)測，對設備維護保養(yǎng)策略，以及備件采購的調(diào)度優(yōu)化，實現(xiàn)新源公司抽蓄電站的供應鏈優(yōu)化，在保障服務電網(wǎng)需求前提下，最大限度確保機組設備的健康度和運行穩(wěn)定，從而減小設備故障、損毀帶來的經(jīng)濟損失，同時也為管理部門經(jīng)營決策提供科學參考依據(jù)。
（3） 指導運維檢修，優(yōu)化巡檢目標，節(jié)約人力成本
通常水電站的日常運維巡檢工作每日至少安排2次，專業(yè)巡檢工作每周至少安排2次，巡檢中重要的一點就是巡檢人員通過定期與不定期數(shù)據(jù)報表，將分析數(shù)據(jù)與評估報告提供給經(jīng)驗豐富的技術(shù)人員分析，來預測設備可能產(chǎn)生的問題，把可能出現(xiàn)的問題做為分析結(jié)論提供給檢修人員進行嚴格檢修與維護。
我國提出水電站自動化水平提升，逐步實現(xiàn)水電站的少人值守，過渡到無人值守已經(jīng)有近半個世紀了，直到近些年隨著工業(yè)能源企業(yè)信息化、數(shù)字化轉(zhuǎn)型等一些列復雜的系統(tǒng)工程建設，這一倡議才達到相對成熟的條件。通過本項目的實施與應用，為抽水蓄能電站日常巡檢、專業(yè)巡檢工作提供信息化指導意見，在巡檢過程中可依靠人工智能診斷結(jié)果，進行針對化的巡檢工作安排，逐步加大傳感器、監(jiān)控裝備的應用與維護，提高診斷結(jié)果的可靠性，從而減輕人工巡檢的工作量，逐步實現(xiàn)少人值守、無人值班的目的，減少人力資源成本，提高電站經(jīng)濟效益。
聲明
本報告所載的材料和信息，包括但不限于文本、圖片、數(shù)據(jù)、觀點、建議，不構(gòu)成法律建議，也不應替代律師意見。本報告所有材料或內(nèi)容的知識產(chǎn)權(quán)歸工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟所有（注明是引自其他方的內(nèi)容除外），并受法律保護。如需轉(zhuǎn)載，需聯(lián)系本聯(lián)盟并獲得授權(quán)許可。未經(jīng)授權(quán)許可，任何人不得將報告的全部或部分內(nèi)容以發(fā)布、轉(zhuǎn)載、匯編、轉(zhuǎn)讓、出售等方式使用，不得將報告的全部或部分內(nèi)容通過網(wǎng)絡方式傳播，不得在任何公開場合使用報告內(nèi)相關(guān)描述及相關(guān)數(shù)據(jù)圖表。違反上述聲明者，本聯(lián)盟將追究其相關(guān)法律責任。
AII微信公眾號
AII頭條號