枕頭壩一級水電站技術供水系統(tǒng)故障預警預測模型研究

袁靜 靳帥

摘 要：水電站技術供水系統(tǒng)是確保大型水輪發(fā)電機組四部軸承安全穩(wěn)定運行和空氣冷卻器冷卻水持續(xù)穩(wěn)定供應的重要設備。針對徑流式水電站汛期河道雜物多和供水管路易堵塞影響機組運行的問題，本文運用多源關聯(lián)因素的大數(shù)據(jù)分析方法，建立了水電站技術供水系統(tǒng)故障預警預測模型，以實現(xiàn)技術供水系統(tǒng)故障的預警預測和故障的自動處置或自動推送處置方案。文章重點對技術供水系統(tǒng)故障產(chǎn)生的原因、解決方案、模型構(gòu)建以及應用進行分析，以解決電力生產(chǎn)中的實際問題，也為行業(yè)內(nèi)類似問題的解決提供參考經(jīng)驗。

關鍵詞：技術供水系統(tǒng);預警預測;大數(shù)據(jù)分析

中圖分類號：TV734 文獻標識碼：A文章編號：1003-5168（2021）14-0037-03

Abstract： Technical water supply system is an important equipment to ensure the continuous and stable supply of cooling water for four bearings and air cooler of large hydro-generator set， which plays a vital role in the safe and stable operation of the unit..In view of the typical runoff power station in flood season river debris， water supply pipe is clogged， affecting the operation of units，by using? multi-source correlation factors of the big data analysis method ， technical water supply system of hydropower station is established the fault early warning and prediction model of， so as to realize the technical water supply system fault early prediction and automatic fault disposal or automatic push of the disposal scheme， so as to provide guarantee for the intelligent and independent operation of Water turbine generator set.This paper focuses on the causes of the problems， solutions， model construction and application of the analysis， to solve the practical problems in power production to find a feasible method， but also for the industry to solve similar problems， provide reference.

Keywords： technical water supply system;early warning and prediction;big data analysis

1 水電站概況

枕頭壩一級水電站位于四川省樂山市金口河區(qū)，為大渡河干流水電梯級規(guī)劃的第19級。它采用堤壩式開發(fā)，安裝有4臺180 MW的軸流轉(zhuǎn)槳式水輪發(fā)電機組，總裝機容量720 MW，水頭范圍為17.98～36.49 m。水電站內(nèi)的機組和主變技術供水系統(tǒng)采用單元自流供水方式或單元自流加壓供水方式。每臺機組設蝸殼取水和壩前取水兩路水源，且互為備用。運行方式以蝸殼取水為主，壩前取水為輔。供水對象主要有上導軸承油冷卻器、推力軸承油冷卻器、空氣冷卻器、下導軸承油冷卻器、水導軸承油冷卻器、主軸密封潤滑水的備用水源以及主變壓器冷卻器等[1]，如圖1所示。

2 背景介紹

技術供水系統(tǒng)是確保大型水輪發(fā)電機組四部軸承安全穩(wěn)定運行與空氣冷卻器冷卻水持續(xù)穩(wěn)定供應的重要設備。枕頭壩一級水電站地處大渡河中游，是典型的徑流式水電站。由于汛期來水量大，加之受上游山洪和泥石流的影響，河道內(nèi)雜木和漂浮物較多，導致技術供水系統(tǒng)的取水口、濾水器及冷卻器經(jīng)常堵塞，同時四部軸承冷卻水水流量過低報警的問題頻繁發(fā)生，給水電站的安全運行埋下了極大隱患。如果技術供水系統(tǒng)發(fā)生故障不能滿足冷卻要求，軸承瓦溫將會升高，從而導致燒瓦或事故停機等嚴重后果[2]。目前，上述問題的出現(xiàn)均為事后報警，需憑借人工經(jīng)驗現(xiàn)場手動操作處理，在汛期搶發(fā)電的黃金時節(jié)嚴重增加了汛期保電壓力，降低了故障處置效率。

為減輕一線職工的勞動強度，提前預警預測技術供水系統(tǒng)故障，確保機組冷卻水的穩(wěn)定供應，急需一種科學合理的技術供水系統(tǒng)故障預警預測模型，以避免發(fā)生機組非停事件。

3 解決方案

基于大數(shù)據(jù)的故障預警預測分析是利用已有的海量數(shù)據(jù)，借助各種推理技術，預測設備的健康狀態(tài)。其主要的故障預測算法有3種，包括基于模型的故障預測技術、基于概率統(tǒng)計的故障預測技術及基于數(shù)據(jù)驅(qū)動的故障預測技術[3]。針對水電站技術供水系統(tǒng)的取水口、濾水器及冷卻器經(jīng)常堵塞的問題，采用基于模型的故障預測技術，同時結(jié)合水電站技術供水系統(tǒng)運行機理，運用多源關聯(lián)因素的大數(shù)據(jù)分析方法，建立技術供水系統(tǒng)趨勢預測模型，并利用知識圖譜將人工經(jīng)驗融入模型中，構(gòu)建技術供水系統(tǒng)故障預警預測模型，以實現(xiàn)技術供水系統(tǒng)故障的預警預測和故障的自動處置或自動推送處置方案，如圖2所示。

4 數(shù)據(jù)建模

4.1 數(shù)據(jù)采集

本文建模數(shù)據(jù)來源于枕頭壩一級水電站2019年汛期（5—10月）和2020年1—8月的秒級歷史數(shù)據(jù)。數(shù)據(jù)包括技術供水系統(tǒng)總管流量、四部軸承冷卻水總管流量、空氣冷卻器冷卻水總管流量、機組負荷、濾水器前后壓差、蝸殼取水口總管壓力以及壩前取水口總管壓力等數(shù)據(jù)，共3 000萬條，約10 GB數(shù)據(jù)。

4.2 數(shù)據(jù)處理

由于采集的數(shù)據(jù)單位和量綱不同，某些較大的數(shù)值特征和較小的數(shù)值特征對目標變量可能產(chǎn)生不同的影響，所以需要對數(shù)據(jù)進行標準化處理。本文采用Z-score標準化處理，即標準差標準化，對序列[x1，x2，…，xn]進行變換：

4.3 數(shù)據(jù)準備和特征工程

多變量影響因素對于目標變量的影響往往具有滯后性，即當前時間影響因素的數(shù)據(jù)不僅會影響當前時間的目標變量，而且會對當前時間滯后數(shù)個時間間隔的目標變量產(chǎn)生影響。本文采用平移和滯后的處理方式，得到多特征影響因素的平移特征和滯后特征。

在時間特征同樣是重要影響因素的條件下，提取時間數(shù)據(jù)中的年、月、日、小時、分、秒等數(shù)據(jù)單獨成列，形成時間特征組。對于一些需要統(tǒng)計的特征，計算并提取其平均值、最值、方差以及標準差等數(shù)據(jù)，形成統(tǒng)計特征，以豐富特征維度。

4.4 構(gòu)建技術供水系統(tǒng)故障趨勢預測模型

影響取水口堵塞、濾水器堵塞及冷卻器堵塞的因素具有多樣性。本文采用多維度多層級的機器學習算法，對多特征因素進行相關性分析，結(jié)合Pearson相關系數(shù)，提取顯著特征進行訓練和學習。算法上選取基于線性回歸懲罰系數(shù)的Lasso回歸算法和可擴展梯度提升樹正則化算法XGBoost。

取水口堵塞通過預測取水口壓力的變化趨勢進行判定。關聯(lián)數(shù)據(jù)包括但不限于蝸殼總管壓力、壩前總管壓力、技術供水總管壓力、技術供水總管流量及水庫水位等。

濾水器堵塞通過預測濾水器前后壓差變化趨勢進行判定。關聯(lián)數(shù)據(jù)包括但不限于濾水器前后壓差、技術供水總管流量、技術供水總管壓力、取水口總管壓力及水庫水位等。

冷卻器堵塞通過預測冷卻器冷卻水流量變化趨勢進行判定。關聯(lián)數(shù)據(jù)包括但不限于四部軸承及空氣冷卻器冷卻水流量、技術供水總管流量、技術供水總管壓力、水庫水位、機組有功功率、取水口總管壓力及濾水器前后壓差等。

4.5 建立知識圖譜并融入人工經(jīng)驗

知識圖譜（Knowledge Graph）的概念是Google于2012年率先提出的，初衷是用以增強自家搜索引擎功能和提高搜索結(jié)果質(zhì)量，是百度“知心”和搜狗的“知立方”的效仿對象。它由一些相互連接的實體及其屬性構(gòu)成。換句話說，知識圖譜由多條知識組成，每條知識表示為一個三元組[4]。

本文借助知識圖譜技術構(gòu)建了技術供水系統(tǒng)取水口堵塞、濾水器堵塞及冷卻器堵塞的歷史文檔知識圖譜，詳細描述了相關的實體、關系及其屬性。根據(jù)技術供水系統(tǒng)故障樹和故障處置規(guī)則構(gòu)建了知識圖譜本體，并對故障案例文檔和故障處置記錄文本等數(shù)據(jù)源進行數(shù)據(jù)融合，構(gòu)建了設備故障知識圖譜（包含設備、故障類別、故障原因以及故障處置措施）。

4.6 模型訓練驗證

為提高模型預測的精準度，本文將2020年8月前的數(shù)據(jù)樣本作為模型的訓練集、測試集及驗證集，訓練和評估模型的泛化效果，驗證模型故障預測能力。使用機器學習算法將訓練集代入不同的算法進行模型訓練，將測試集代入訓練模型，評估模型的泛化能力，訓練模型預測的精準度。

4.7 應用成效

4.7.1 實現(xiàn)取水口堵塞趨勢預測與自動處置。當取水口總管壓力的變化趨勢低于閾值時，在堵塞故障發(fā)生前1 h推送取水口吹掃信息，并自動處理堵塞故障，提高機組冷卻水供應的可靠性，以保障機組安全穩(wěn)定運行。

4.7.2 實現(xiàn)濾水器堵塞趨勢預測與處理方案的自動推送。取水口攔污柵前經(jīng)常會匯集大量來自上游的漂浮雜物，導致下游水電站機組技術供水系統(tǒng)濾水器頻繁堵塞[5]。當濾水器前后壓差的變化趨勢達到堵塞閾值時，在堵塞故障發(fā)生前1 h推送告警信息，提醒值班人員清理濾水器內(nèi)的垃圾，以保證技術供水系統(tǒng)濾水器的正常運行。

4.7.3 實現(xiàn)冷卻器堵塞趨勢預測與處理方案的自動推送。當四部軸承冷卻水流量的變化趨勢低于閾值時，在堵塞發(fā)生前1 h推送告警信息，并開啟四通閥正反向倒水，沖走四部軸承冷卻器內(nèi)的雜質(zhì)，以保證技術供水系統(tǒng)冷卻器的正常運行。

5 結(jié)語

本文建立的枕頭壩一級水電站技術供水系統(tǒng)故障預警預測模型，將技術供水系統(tǒng)故障處置模式由事后處置變?yōu)槭虑邦A警預測，提高了設備故障應急處置效率，降低了水電站汛期值班人員的保電壓力和誤操作風險，為實現(xiàn)水電站技術供水系統(tǒng)的智能自主運行奠定了基礎。同時，該模型的建設思路可推廣至水電站相關油、水、氣等輔助設備系統(tǒng)，為實現(xiàn)數(shù)據(jù)驅(qū)動水電站設備的運行管理提供了參考經(jīng)驗。

參考文獻：

[1]蔣巍巍，唐義超，朱昌興.枕頭壩一級水電站技術供水系統(tǒng)壓力異常分析與改進措施[J].水電與新能源，2020（6）：70-74.

[2]唐增輝.巖灘水電站技術供水系統(tǒng)故障分析及處理[J].廣西電業(yè)，2020（3）：67-71.

[3]王建民.工業(yè)大數(shù)據(jù)技術綜述[J].大數(shù)據(jù)，2017（6）：3-14.

[4]趙玉鵬.基于知識圖譜的機器學習研究前沿探析[J].情報雜志，2012（4）：28-31.

[5]文習波.蝸殼取水供水系統(tǒng)在水電站的應用[J].水電自動化與大壩監(jiān)測，2015（2）：12-15.