基于機器學習的水電趨勢預警系統設計

劉云久，徐 丹，孫 超，陳 州

（南京南瑞繼保電氣有限公司，江蘇 南京 211100）

1 引言

隨著我國工業的不斷發展，對于傳統煤炭資源的消耗逐漸增多，水力資源作為一種清潔高效的能源受到越來越多的重視。利用水利發電不僅可以一定程度上緩解我國不可再生資源的快速消耗，同時還能提高地區電網的調峰能力[1，2]。目前，水力發電已經成為我國發電的重要組成[3]。但是水電機組在運行過程中，常常因為出現故障導致機組停機，對于地區電網的供電可靠性造成嚴重影響。根據相關統計，在水電機組故障[4]中，溫度異常往往又是發生最為頻繁[5]。為此，需要設計相應的趨勢預警系統，通過對相關采集點溫度的實時監測，在故障發生之前及時預警，從而減少水電機組停機。

2 趨勢預警應用現狀

目前，我國水電廠的運行方式正處于“無人值班，少人值守”的發展時期，隨著物聯網和信息技術的發展，越來越多的大型水電廠建立自己的水電數據中心，匯集全站運行相關監測數據。為了保證水電機組能夠安全、可靠、經濟的運行，對于水電機組的故障預警愈加受到重視[6]。目前，針對水電機組的溫度告警往往采用簡單限值比較等方式進行監測預警。這種方法雖然能夠對機組的某些異常運行起到告警的作用，但是當設備溫度超過告警閾值時，可能設備已經帶缺陷運行，無法實現對設備可能出現的缺陷進行及早預警。再加上水電機組運行工況復雜，受水力干擾明顯，簡單的限值比較越來越無法滿足現場的需求。因此，將人工智能[7，8]、大數據[9]等新興技術運用于預警系統成為目前的主流趨勢[10-14]。

本文在水電機組溫度預警系統設計中，提出基于機器學習神經網絡算法的趨勢預警系統。以水電數據中心中的海量歷史數據為依據對神經網絡參數進行訓練，最終獲得機組溫度運行狀態的等效擬合。預測時利用該模型的輸出結果與采樣溫度進行比較，判斷是否預警。

3 機器學習在趨勢預警中的應用

3.1 數據預處理

水電機組運行過程中的相關數據大都通過前置采集至水電數據中心，對于被采集的原始數據，可能外在條件的變化，如電源電流變化、氣壓變化、電磁干擾、儀器故障等偶發性變化，出現與其他檢測值相差較遠且不符合統計規律的個別值，也稱之為“粗大誤差”。而神經網絡訓練效果受訓練樣本的影響較大，所以構造訓練樣本之前，需要剔除原始數據中“粗大誤差”[15]。

判別異常值的方法一般分為物理判別法和統計判別法。本文采用統計方法中的拉依達準則（也稱3σ 準則）來剔除異常數據。具體方法為：

（1）將單一變量同一時刻的采集數據構造數組X，分別計算其偏差Id 和標準偏差σ。

（2）取其中最大偏差值與3σ 進行比較，若最大偏差大于3σ，則對應的測量值即為“粗大誤差”，需要被剔除。

（3）剔除該數據之后，重復上述過程，直到新數組中各個偏差均小于3σ。

（4）對得到的新數組求取平均值作為當前變量該時刻的特征值。

采用同樣的方法，獲取其余變量的特征值，最終選取一段時間內輸入輸出變量的特征值構成后續神經網絡模型需要的訓練樣本。

3.2 人工神經網絡診斷方法

人工神經網絡是基于數學模型對人腦思維的一種簡單模擬。對于溫度故障預警問題，多層感知器（Multilayer Perceptron， MLP）是一類較好的解決方案。BP（Back-Propagation）算法是其中最為成熟的一種算法，一般分為：輸入層、隱層以及輸出層，在這三層中，每一層的神經元并未直接相連，但是上一層和下一層之間全部相連。

基于萬能逼近定理：含一個隱層的三層BP 網絡，只要隱節點數足夠多，能以任意精度逼近有界區域上的任意函數。本文設計單個隱層的BP 網絡來進行瓦溫預測，如圖1 所示。其中隱節個數可通過經驗設定，也可通過不斷觀察訓練效果進行調整來建立最優模型。

圖1 三層神經網絡結構

假定輸入層定義為X，共有n 個單元，下標用i索引。隱藏層定義為B，共有p 個單元，偏置為α，下標用j 索引。輸出層定義為Y，偏置為β，單輸出定義為y1。輸入層到隱藏層的權值矩陣為W，隱藏層到輸出層的權值矩陣為V。從而各層的神經元值如下：

BP 算法訓練過程中，采用平方和誤差來衡量期望輸出與實際輸出的差別，選擇adam 優化器進行參數更新，隱藏層激活函數選擇ReLU 函數，輸出層的激活函數選擇線性函數。訓練的過程中，采用交叉驗證（Cross validation），設定歷史數據集的80%作為訓練數據集，剩余20%作為驗證數據集，并設置BP 算法最多迭代次數為1 000 次。

BP 算法訓練的過程，就是從歷史數據中學習，找出數據變化的趨勢關系，進而將其存入網絡的權值和閾值中，為后續的預測過程提供基礎。BP 網絡預測的時候，只需要將輸入量的實時采集數據送入BP 網絡，經前向傳播，輸出的結果即為預測數據。

選取1 號機組上導瓦在一段時間內的溫度數據，預測效果如表1 所示。

表1 上導瓦溫神經網絡預測結果

從表1 可以看出，基于BP 神經網絡預測的上導瓦溫度和相應的實際采樣值誤差較小，整體預測效果較好。

3.3 模型管理與展示

為了方便用戶查看當前訓練模型的數量以及每個模型訓練的結果，本文基于MLflow 框架來實現趨勢預警的模型管理與展示。MLflow 主要包括跟蹤記錄、項目管理、模型管理等三大功能模塊。在以往的機器學習訓練過程中，往往難以追蹤試驗過程，而基于MLflow 框架不需要修改相應機器學習算法，只需調用相關API 接口就可以將參數內容記錄到本地文件，具體函數見表2。

表2 訓練跟蹤函數

針對前面的神經網絡模型，采用均方根誤差（RMSE）、平均絕對誤差（MAE）和R2 決定系數來進行評價，并調用log_metric 進行記錄。

模型的展示，提供Web UI 界面，方便查看多個模型的多次訓練的參數與指標，如圖2 所示。

圖2 模型web 展示

每一項訓練記錄除了包含該次訓練記錄的參數以及相關指標外，還可以查看模型存儲的結果。模型存儲中包含三類文件，其中Mlmodel 為元數據文件，記錄如何加載模型；conda.yaml 文件即conda 環境配置；model.pkl 文件是訓練好的模型。

3.4 模型發布與應用

本次系統設計中，通過將訓練好的模型部署成本地REST API 服務，實現在線預測。同時通過配置相關任務調度，設定訓練間隔，只有模型訓練成功之后，才發布新的模型，替代前一次的模型對外提供服務。整體發布流程如圖3 所示：

圖3 神經網絡模型發布流程

客戶端應用可以認為預測服務始終在線，只需要按照設定的時間周期，定時發送POST 請求到服務端的/invocations 路徑，就能獲取當前最新模型的預測結果。

為了方便數據的對比展示，按照原始采樣數據表的定義創建預測結果表，客戶端應用將當前預測的結果存儲于該預測結果表中。

4 應用效果

基于機器學習的趨勢預警系統應用后，根據上導瓦等設備歷史溫度訓練的模型進行自動判斷，系統可以按照預先設定的預警策略發出實時告警，能夠讓現場監控值班人員及時發現問題，并盡早加以處理，確保水電機組運行的安全，提高運行人員對設備缺陷的預見性和識別能力。

在實時告警功能之外，預測數據實時存儲于時序數據庫中，可以提供相應的曲線圖表，方便運行人員實時觀察相關設備溫度的采樣值與預測值之間的差距。當然，為了保證水電機組的安全運行，在溫度異常預警之外，往往還需結合其他在線監測系統，綜合相關數據得出準確的判斷。

5 結束語

相比于傳統的限值預警，基于機器學習的水電機組趨勢預警系統在對歷史數據充分學習的基礎上，預警結果更能反映機組設備的實際運行狀態。在保障水電機組安全運行的同時，也為機組的檢修重點提供了科學依據。系統在一定程度上增加了機組設備的使用率，提高了工作效率，減輕了運行人員的工作負擔，實現了管理的信息化和智能化，為大型水電站的“無人值班，少人值守”提供了技術保障。