枕头坝一级水电站技术供水系统故障预警预测模型研究

袁静 靳帅

摘 要：水电站技术供水系统是确保大型水轮发电机组四部轴承安全稳定运行和空气冷却器冷却水持续稳定供应的重要设备。针对径流式水电站汛期河道杂物多和供水管路易堵塞影响机组运行的问题，本文运用多源关联因素的大数据分析方法，建立了水电站技术供水系统故障预警预测模型，以实现技术供水系统故障的预警预测和故障的自动处置或自动推送处置方案。文章重点对技术供水系统故障产生的原因、解决方案、模型构建以及应用进行分析，以解决电力生产中的实际问题，也为行业内类似问题的解决提供参考经验。

关键词：技术供水系统;预警预测;大数据分析

中图分类号：TV734 文献标识码：A文章编号：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 水电站概况

枕头坝一级水电站位于四川省樂山市金口河区，为大渡河干流水电梯级规划的第19级。它采用堤坝式开发，安装有4台180 MW的轴流转桨式水轮发电机组，总装机容量720 MW，水头范围为17.98～36.49 m。水电站内的机组和主变技术供水系统采用单元自流供水方式或单元自流加压供水方式。每台机组设蜗壳取水和坝前取水两路水源，且互为备用。运行方式以蜗壳取水为主，坝前取水为辅。供水对象主要有上导轴承油冷却器、推力轴承油冷却器、空气冷却器、下导轴承油冷却器、水导轴承油冷却器、主轴密封润滑水的备用水源以及主变压器冷却器等[1]，如图1所示。

2 背景介绍

技术供水系统是确保大型水轮发电机组四部轴承安全稳定运行与空气冷却器冷却水持续稳定供应的重要设备。枕头坝一级水电站地处大渡河中游，是典型的径流式水电站。由于汛期来水量大，加之受上游山洪和泥石流的影响，河道内杂木和漂浮物较多，导致技术供水系统的取水口、滤水器及冷却器经常堵塞，同时四部轴承冷却水水流量过低报警的问题频繁发生，给水电站的安全运行埋下了极大隐患。如果技术供水系统发生故障不能满足冷却要求，轴承瓦温将会升高，从而导致烧瓦或事故停机等严重后果[2]。目前，上述问题的出现均为事后报警，需凭借人工经验现场手动操作处理，在汛期抢发电的黄金时节严重增加了汛期保电压力，降低了故障处置效率。

为减轻一线职工的劳动强度，提前预警预测技术供水系统故障，确保机组冷却水的稳定供应，急需一种科学合理的技术供水系统故障预警预测模型，以避免发生机组非停事件。

3 解决方案

基于大数据的故障预警预测分析是利用已有的海量数据，借助各种推理技术，预测设备的健康状态。其主要的故障预测算法有3种，包括基于模型的故障预测技术、基于概率统计的故障预测技术及基于数据驱动的故障预测技术[3]。针对水电站技术供水系统的取水口、滤水器及冷却器经常堵塞的问题，采用基于模型的故障预测技术，同时结合水电站技术供水系统运行机理，运用多源关联因素的大数据分析方法，建立技术供水系统趋势预测模型，并利用知识图谱将人工经验融入模型中，构建技术供水系统故障预警预测模型，以实现技术供水系统故障的预警预测和故障的自动处置或自动推送处置方案，如图2所示。

4 数据建模

4.1 数据采集

本文建模数据来源于枕头坝一级水电站2019年汛期（5—10月）和2020年1—8月的秒级历史数据。数据包括技术供水系统总管流量、四部轴承冷却水总管流量、空气冷却器冷却水总管流量、机组负荷、滤水器前后压差、蜗壳取水口总管压力以及坝前取水口总管压力等数据，共3 000万条，约10 GB数据。

4.2 数据处理

由于采集的数据单位和量纲不同，某些较大的数值特征和较小的数值特征对目标变量可能产生不同的影响，所以需要对数据进行标准化处理。本文采用Z-score标准化处理，即标准差标准化，对序列[x1，x2，…，xn]进行变换：

4.3 数据准备和特征工程

多变量影响因素对于目标变量的影响往往具有滞后性，即当前时间影响因素的数据不仅会影响当前时间的目标变量，而且会对当前时间滞后数个时间间隔的目标变量产生影响。本文采用平移和滞后的处理方式，得到多特征影响因素的平移特征和滞后特征。

在时间特征同样是重要影响因素的条件下，提取时间数据中的年、月、日、小时、分、秒等数据单独成列，形成时间特征组。对于一些需要统计的特征，计算并提取其平均值、最值、方差以及标准差等数据，形成统计特征，以丰富特征维度。

4.4 构建技术供水系统故障趋势预测模型

影响取水口堵塞、滤水器堵塞及冷却器堵塞的因素具有多样性。本文采用多维度多层级的机器学习算法，对多特征因素进行相关性分析，结合Pearson相关系数，提取显著特征进行训练和学习。算法上选取基于线性回归惩罚系数的Lasso回归算法和可扩展梯度提升树正则化算法XGBoost。

取水口堵塞通过预测取水口压力的变化趋势进行判定。关联数据包括但不限于蜗壳总管压力、坝前总管压力、技术供水总管压力、技术供水总管流量及水库水位等。

滤水器堵塞通过预测滤水器前后压差变化趋势进行判定。关联数据包括但不限于滤水器前后压差、技术供水总管流量、技术供水总管压力、取水口总管压力及水库水位等。

冷却器堵塞通过预测冷却器冷却水流量变化趋势进行判定。关联数据包括但不限于四部轴承及空气冷却器冷却水流量、技术供水总管流量、技术供水总管压力、水库水位、机组有功功率、取水口总管压力及滤水器前后压差等。

4.5 建立知识图谱并融入人工经验

知识图谱（Knowledge Graph）的概念是Google于2012年率先提出的，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。它由一些相互连接的实体及其属性构成。换句话说，知识图谱由多条知识组成，每条知识表示为一个三元组[4]。

本文借助知识图谱技术构建了技术供水系统取水口堵塞、滤水器堵塞及冷却器堵塞的历史文档知识图谱，详细描述了相关的实体、关系及其属性。根据技术供水系统故障树和故障处置规则构建了知识图谱本体，并对故障案例文档和故障处置记录文本等数据源进行数据融合，构建了设备故障知识图谱（包含设备、故障类别、故障原因以及故障处置措施）。

4.6 模型训练验证

为提高模型预测的精准度，本文将2020年8月前的数据样本作为模型的训练集、测试集及验证集，训练和评估模型的泛化效果，验证模型故障预测能力。使用机器学习算法将训练集代入不同的算法进行模型训练，将测试集代入训练模型，评估模型的泛化能力，训练模型预测的精准度。

4.7 应用成效

4.7.1 实现取水口堵塞趋势预测与自动处置。当取水口总管压力的变化趋势低于阈值时，在堵塞故障发生前1 h推送取水口吹扫信息，并自动处理堵塞故障，提高机组冷却水供应的可靠性，以保障机组安全稳定运行。

4.7.2 实现滤水器堵塞趋势预测与处理方案的自动推送。取水口拦污栅前经常会汇集大量来自上游的漂浮杂物，导致下游水电站机组技术供水系统滤水器频繁堵塞[5]。当滤水器前后压差的变化趋势达到堵塞阈值时，在堵塞故障发生前1 h推送告警信息，提醒值班人员清理滤水器内的垃圾，以保证技术供水系统滤水器的正常运行。

4.7.3 实现冷却器堵塞趋势预测与处理方案的自动推送。当四部轴承冷却水流量的变化趋势低于阈值时，在堵塞发生前1 h推送告警信息，并开启四通阀正反向倒水，冲走四部轴承冷却器内的杂质，以保证技术供水系统冷却器的正常运行。

5 结语

本文建立的枕头坝一级水电站技术供水系统故障预警预测模型，将技术供水系统故障处置模式由事后處置变为事前预警预测，提高了设备故障应急处置效率，降低了水电站汛期值班人员的保电压力和误操作风险，为实现水电站技术供水系统的智能自主运行奠定了基础。同时，该模型的建设思路可推广至水电站相关油、水、气等辅助设备系统，为实现数据驱动水电站设备的运行管理提供了参考经验。

参考文献：

[1]蒋巍巍，唐义超，朱昌兴.枕头坝一级水电站技术供水系统压力异常分析与改进措施[J].水电与新能源，2020（6）：70-74.

[2]唐增辉.岩滩水电站技术供水系统故障分析及处理[J].广西电业，2020（3）：67-71.

[3]王建民.工业大数据技术综述[J].大数据，2017（6）：3-14.

[4]赵玉鹏.基于知识图谱的机器学习研究前沿探析[J].情报杂志，2012（4）：28-31.

[5]文习波.蜗壳取水供水系统在水电站的应用[J].水电自动化与大坝监测，2015（2）：12-15.