基于人工智能技术的水电厂智能报警系统

基于人工智能技术的水电厂智能报警系统

阎应飞陈鹏

（南瑞集团有限公司/国网电力科学研究院江苏南京210003）

摘要：水电站的信息规模急剧扩大，使得运行人员每天都要面对大量的监控信息，工作压力与劳动强度过大，容易造成误操作或放松对于故障信息的警觉，给安全生产带来了隐患。为此，向家坝水电站基于设备运行历史数据，结合人工智能技术，建立向家坝水电站智能报警系统，采用神经网络算法自动获取水电厂运行健康标准，对全厂生产设备进行监视与跟踪，对偏离健康标准的设备运行状态进行报警，大大减轻电站人员工作负担，为实现超大型水电机组的“无人值守、少人值班”奠定基础。

关键词：水电厂；告警系统；人工智能

引言

长期以来，水电厂计算机监控系统数据报警机制为简单的状态变位和模拟量越限报警。粗放的报警机制使监控系统产生大量过程数据报警，如模拟量临界值的反复刷屏报警和设备操作过程状态变迁报警，众多过程数据堆积在屏幕上导致运行人员无法在第一时间确认关键信息[1]。为了提高报警有效性和运维人员工作效率，使运维人员能够更加高效地掌控全厂设备运行状态，逐步出现以逻辑组合为触发条件的综合报警。综合报警主要采用面向对象的方式，将相关的信息放在一起形成逻辑对象，通过相关信号状态的逻辑组合或顺序组合来确定报警的必要性[2]。

1.系统结构

报警系统主要分为历史数据抽取、神经网络推理机、报警输出、人机接口几个部分。历史数据抽取主要采用统计学手段从海量历史数据中抽取设备运行的特征信息，并将结果输入神经网络推理机；推理机应用人工智能算法，通过迭代计算，将特征信息固化到神经网络的参数中；报警输出通过推理机的神经网络和设备运行的实时工况获得当前设备运行的健康标准，并以此对设备运行的实时数据进行监视和跟踪，当设备运行数据偏离健康标准时进行报警；相应的报警信息通过人机接口对用户进行提示。

1.1历史数据抽取

针对特定的运行设备，建立设备对象模型，描述设备运行的工况信息和目标信息。抽取时除了常规的设备运行数据外，同时抽取对应的工况数据。应用统计学方法，通过方差与偏差计算，剔除明显异常的测量数据，防止由于采集装置故障导致的数据异常对分析结果造成的影响。最终获得具有统计学意义的设备运行数据。

1.2神经网络推理机

针对水电站设备运行的特殊性，提高报警精度，推理机按汛期、非汛期以及年份建立若干组深度学习神经网络，并在数据抽取时分别抽取满足条件的运行数据和工况数据，得到样本。将样本输入神经网络，完成样本训练，获得具有特征信息的神经网络参数。

1.3报警输出

实时报警输出分为两类：根据当前的月份采用最新的汛期或非汛期神经网络对工况数据进行处理，得到健康标准；实时监视跟踪设备的运行数据，当设备运行偏离健康标准时，触发实时报警。根据当前月份，采用不同年份下的汛期或非汛期神经网络分别对工况数据进行处理，获得过去若干年下健康数据的变化情况，形成样本。建立新的神经网络对样本进行训练，挖掘出设备运行的趋势，预测未来数年设备运行的可能情况，当未来某年的预测数据超出额定限值时予以报警。

1.4人机接口

将水电站实际生产设备按照树形结构进行组织，最终一层设备对象承载监控系统实时数据信息，形成模型树。模型树的建立过程参考IEC61850标准，但为了更加适应运行人员的使用习惯，对局部设备及信息的组织结构进行变更，使模型树更贴近现场实际生产设备的组织形式。最终报警触发后，相关信息也按照模型树的层次关系进行统计和展示。在报警系统工作界面组态光字牌，模型树上任意层次的节点均可以组态在界面上，并以不同的颜色标识不同级别的报警信息，从而形成直观的报警信息展示接口。点击报警对象后，可以对其进行展开，显示相应报警在模型树上的层次关系，并可以在右键菜单上进行确认、屏蔽和取消屏蔽操作。同时报警信息通过语音和App的方式进行推送，增强用户体验。

2.关键技术

2.1设备动作分析

从历史数据中获取目标设备在i日的动作次数Xi；采用相同方法，获得目标时间断内连续n日运行数据，形成动作次数数组X；通过方差计算获取数组的中间值M；遍历数组计算Xi对M的偏差δXi，当偏差超过额定数值时认为Xi无效，以此方法过滤设备运行数据中的无效信息，避免采集设备异常造成的数据影响，得到动作次数有效数组X’；针对X’所有元素X’i获取对应时间下工况数据Zi2…Zin，并将X’i赋给Zi1，形成特征二维数组Z；Z即为神经网络推理机的原始样本。

实时监视跟踪设备的运行情况，获取当日设备动作次数统计数据K’；同时建立工况数据数组Z’1…Z’n，将Z’输入神经网络计算得到神经网络认为该工况下的正常动作次数值V；比较V与K’，当K’大于V时进行报警。

采用类似方法监视跟踪设备的运行时间、停止时间，并对偏离历史正常运行状态的数据情况进行报警。

2.2漏水量分析

漏水量数据不能直接从水电厂运行数据中获取，必须通过漏水相关泵组设备动作数据的统计数据进行计算得到，因此按照设备动作分析的方式对数据按日分组统计，统计结果计算得到漏水量数据后，通过神经网络特性进行多维拟合并报警。

从历史数据中获取目标设备在i日的动作时间Xi；采用相同方法，获得目标时间断内连续n日运行数据，形成动作时间数组X；获取数组的中间值M；遍历数组计算Xi对M的偏差δXi，当偏差超过额定数值时认为Xi无效，得到动作时间有效数组X’；同理获得停止时间有效数组Y’；通过漏水量计算公式f（X’i，Y’i）获得i日的漏水量Li；从而得到漏水量数组L；针对L所有元素Li获取对应时间下工况数据Zi2…Zin，并将Li赋给Zi1，形成特征二维数组Z；Z即为神经网络推理机的原始样本。

将样本数组Z输入神经网络推理机进行训练。通过误差反向传播，进行自动学习，修改各节点的连接权和相应节点的阈值，直到误差小于规定的值。这样就得到了确定的连接权和阈值，特征信息分布存储在神经网络中[5]。

实时监视跟踪设备的运行情况，获取当日设备漏水数据K’；同时建立工况数据数组Z’1…Z’n，将Z’输入神经网络计算得到神经网络认为该工况下的正常动作次数值V；比较V与K’，当K’大于V时进行报警。

综合上述验证数据可以得出结论，采用人工智能算法获得的经验数据比固定限值的报警方法更加准确的反应设备运行状况，报警精度更高、速度更快。

3.结语

采用人工智能技术的水电厂报警系统，减少了维护工作负担，更加准确的反应现场设备的运行状况，更加迅速的反馈异常情况，减少运行人员监屏工作量，为实现超大型水电机组的“无人值守、少人值班”奠定基础。

参考文献：

[1]简永明.乌江梯级电站集控系统报警信息的分类及处理[J].水电厂自动化，2008（4）：55-57

[2]邱小波，杨铭轩，冯凌云.广州蓄能水电厂Eventlog信息智能分析系统研究与应用[J].水力发电，2014，40（11）：93-96

[3]邓长虹，杨锋，王勇.水电厂辅机系统故障智能诊断系统[J].三峡大学学报（自然科学版），1997（3）：12-15

[4]苏鹏声，汪小明.神经元网络组在发电机定子温度监测系统中的应用[J].电力系统自动化，2000，24（15）：16-18

[5]申新卫，殷国富.面向对象的水电厂智能故障诊断系统[J].电力系统自动化，1998，22（2）：32-34