李 莉 李 軍

（1. 新疆新能發(fā)展有限責任公司大山口水電廠 2. 新疆電力有限公司博湖縣供電公司）

0 引言

水電廠管網(wǎng)故障檢測系統(tǒng)中的傳感器數(shù)量眾多，信號繁復，數(shù)據(jù)結(jié)構(gòu)復雜，因此其數(shù)據(jù)分析與處理模型存在著諸多困難。新疆大山口水電廠2013年引進了國外的IFC公司的水電廠管網(wǎng)故障檢測系統(tǒng)，但通過實踐發(fā)現(xiàn)，該系統(tǒng)的性能尚有待提高，如：管損檢測系統(tǒng)中的傳感器種類較多，傳回的信號較多，而整個檢測系統(tǒng)建設分為多期進行，采用的傳感器型號和規(guī)格不盡相同，F(xiàn)DDC模型的數(shù)據(jù)結(jié)構(gòu)的動態(tài)類型較少，難以完全兼容上述信息，后續(xù)的信息融合非常困難。國內(nèi)外眾多研究人員針對這些問題開展了一系列的工作：文獻[1]中討論管網(wǎng)的數(shù)學建模問題；文獻[2-3]討論了在管網(wǎng)故障檢測中引入智能算法的相關問題與解決措施；文獻[4-5]研究了復雜管網(wǎng)仿真建模以及相關的故障診斷算法；文獻[6]研究了基于神經(jīng)網(wǎng)絡的水電廠系統(tǒng)故障診斷方法；文獻[7]研究了液體管網(wǎng)的智能優(yōu)化設計策略。但在實際應用中，上述研究成果暴露出一些問題，基于已有研究成果，綜合大山口水電廠的實際項目要求，本文提出了一種基于經(jīng)驗進化的水電廠管網(wǎng)故障檢測模型 FDEE（Water Pipe Network Fault Diagnosis Model based on Experience Evolution）。

1 模型結(jié)構(gòu)與主要單元

針對現(xiàn)場需求和研究成果的不足，F(xiàn)DEE與傳統(tǒng)的檢測模型相比，進行了以下主要改進，模型的總體結(jié)構(gòu)與主要處理流程如圖1所示。

圖1 FDEE模型結(jié)構(gòu)

圖1為FDEE模型的結(jié)構(gòu)與處理流程，從圖中可以看出該模型主要包括四個模塊：專家經(jīng)驗處理模塊、現(xiàn)場數(shù)據(jù)直接判斷模塊、現(xiàn)場數(shù)據(jù)融合判斷模塊以及用以存儲數(shù)據(jù)的專家經(jīng)驗庫模塊?；谶@些模塊，F(xiàn)DEE模型充分利用了管網(wǎng)故障檢測過程中的歷史數(shù)據(jù)與專家經(jīng)驗，破除了以前工作中的一些問題與瓶頸，如：現(xiàn)有模型（本文的研究主體對象為 IFC公司的 FDDC模型）的問題根源之一是歷史數(shù)據(jù)與處置經(jīng)驗應用不充分，過分依賴傳感器生成的信息。當傳感網(wǎng)絡復雜到一定程度，出現(xiàn)故障“蝴蝶效應”時，現(xiàn)有模型一方面難以應付大批量的告警數(shù)據(jù)，另一方面浪費了大量已有的成功案例等經(jīng)驗數(shù)據(jù)[8]。針對這些情況，F(xiàn)DEE模型將既有的歷史處置經(jīng)驗與現(xiàn)場實時數(shù)據(jù)相融合，在進行復雜判斷前，先將檢測數(shù)據(jù)與歷史處置經(jīng)驗（專家經(jīng)驗）進行匹配，通過對專家經(jīng)驗庫的搜索，檢索到一定的歷史經(jīng)驗，對當前的管網(wǎng)故障檢測實施信息支持，在一定程度上解決了這些問題。FDEE模型研究了新型的管網(wǎng)故障檢測專家經(jīng)驗應用算法。這部分算法的核心是匹配算法，主要解決了管網(wǎng)故障診斷系統(tǒng)對歷史專家經(jīng)驗難以利用的瓶頸。其主體思路是提取現(xiàn)場數(shù)據(jù)的特征，與專家經(jīng)驗庫中的案例進行匹配，生成初次判斷，加速檢測過程；在檢測結(jié)果生成，并得到驗證后，將相關數(shù)據(jù)反饋給專家?guī)欤蛊渲械男畔⒌靡赃M化，以便提供更為全面、精準的專家經(jīng)驗。

2 FDEE模型數(shù)據(jù)處理流程

首先將整個水電廠管網(wǎng)的故障問題視為一個可測度空間（向量構(gòu)成空間）：(X, P( X ))。其中的測度函數(shù)第一位為：： P( X ) → NR，當且僅當(?)=[0,0]時成立。而對于其中的模糊測度可以有：另有：M={μ| μl≤ μ≤ μr}；如果為可測度空間(X, P( X))上的模糊測度值[9]，則存在可測度函數(shù) f：X→(-∞,+∞)。進一步可以定義其關于的積分有：綜上所述，有： yl(f)=是經(jīng)典的 Choquet積分。其詳細的處理步驟如下。

Step1：檢測開始，初始化參數(shù)和最大循環(huán)次數(shù)。

Step2：計步器設為 0，開始進行專家經(jīng)驗/現(xiàn)場數(shù)據(jù)集合的初步匹配，即通過專家經(jīng)驗與現(xiàn)場數(shù)據(jù)匹配 ， 將 現(xiàn) 場 數(shù) 據(jù) X = {x1, x2,… ,xn}生 成 一 個 μ 在P( X)上的模糊測度。

Step3：如果有專家經(jīng)驗/現(xiàn)場數(shù)據(jù)集合的高匹配項，則直接告警，并跳轉(zhuǎn)到 Step6，如果沒有則進行下一步；其中的關鍵算法參見下文。

Step4：通過閾值，對現(xiàn)場數(shù)據(jù)進行直接判斷。

Step5：對現(xiàn)場數(shù)據(jù)進行融合處理，即：進一步對集合 x1,x2,… ,xn進行排序和刪除誤匹配點，可以生成有并進行下列處理：

進一步得到：

Step6：計步器加1；如果在閾值判斷中檢測到了故障或有高匹配項，則告警，并在結(jié)束處理后根據(jù)式（3）更新專家?guī)?，促使專家?jīng)驗進化；如果都沒有，但計步器超過閾值，則退出，重新獲取現(xiàn)場數(shù)據(jù)。

3 專家經(jīng)驗/現(xiàn)場數(shù)據(jù)匹配算法

如上所述，F(xiàn)DEE模型采用了新型的專家經(jīng)驗/現(xiàn)場數(shù)據(jù)匹配算法，該匹配算法的描述如下。

假設專家經(jīng)驗/現(xiàn)場數(shù)據(jù)集合分別為X={ x1, x2,… ,xm}與 Y = { y1,y2,… ,yn}；匹配算法的詳細實施步驟如下。

Step1：計步器設置為0。

Step2：對專家經(jīng)驗/現(xiàn)場數(shù)據(jù)集合X和Y進行初始匹配；即：可以根據(jù) X集合的某點 xi，得到剩下n-1個點的匹配上下文環(huán)境：

式中，i=1,2,…,m，而K是故障劃分數(shù)。以此類推，可以定義 Y集合的某點 yj的上下文 hj(k)，從而定義xi和yj的匹配代價，有：

至此，可以通過匈牙利法對兩個集合進行初始匹配。初始處理后，可以有兩個對應的排列X={ x1, x2,… ,xn}和 Y = { y1,y2,… ,yn}， 其 中 的 雙 元 組(xi, yi)是最初的匹配元組。至此，現(xiàn)場數(shù)據(jù)集 X可以構(gòu)建一個中值圖 GX(VX,EX)來映射到專家經(jīng)驗集中。假設某個獨立點（特征）xi是專家經(jīng)驗集中的一個對應節(jié)點vi，有： VX= v1,… ,vn。

首先進行精度匹配，刪除其中的誤匹配項目；此時，如果xj和xi能夠符合連接條件：xj是xi在經(jīng)驗集中最近的點，且而μ為VX為節(jié)點間所有距離的中值則二者相關，可以通過排序求得一個 GX(VX,EX)的鄰接矩陣：

接著可以利用經(jīng)驗集 Y建造一個 GY(VY,EY)的鄰接矩陣AY。并通過相似計算法來求得二者的匹配度，有 A=|AX-AY|，可得：

由于專家經(jīng)驗集中的數(shù)據(jù)量很大，如果直接進行匹配，將會有較多的誤匹配，并且系統(tǒng)資源消耗較多，因此需要通過刪除算法縮小兩個需要匹配的集合，具體的算法參見文獻[1]。對雙方集合進行刪除誤匹配點后，將有和k＜n。此時，可以開展深度匹配，由下式進行判斷：

由式（8）進一步得：

其中的U(r)=r2logr2是匹配核函數(shù)；而相關參數(shù)a和w可以如下得之：

Step3：將現(xiàn)場數(shù)據(jù)的參數(shù)變換；將 X1轉(zhuǎn)化成專家經(jīng)驗集中的X。

Step4：計步器加1，此時如果計算次數(shù)超過計算次數(shù)限制 Mmax或匹配度超過設定的閾值，則停止；反之退回到Step2。

4 實驗結(jié)果分析

4.1 宏觀性能測試

為驗證FDEE模型的性能，在新疆庫爾勒市大山口水電廠對其進行了實地測試。對比對象為未經(jīng)修改的IFC公司的FDDC模型（2012年上線）；測試環(huán)境共包括475個（套）傳感器檢測點和相關的配套設施（包括主控站和二級監(jiān)測站）。對比中，F(xiàn)DEE模型和 FDDC模型均運行在主控站，對整個檢測系統(tǒng)獲取的數(shù)據(jù)進行處理，并進行性能對比。最終的測試結(jié)果如下：

1）檢測精度：如圖2所示，F(xiàn)DEE模型的檢測精度明顯高于 FDDC模型（由于水電廠的傳感網(wǎng)絡規(guī)模較大且結(jié)構(gòu)復雜，造成FDDC模型誤檢率很高，曾極大地影響了整個系統(tǒng)的效能發(fā)揮）。在10個檢測周期中，F(xiàn)DEE模型的平均誤報率低于27%，顯示了良好的檢測精度，減少了管損人員的人工出勤次數(shù)，降低了對應的開銷。

圖2 誤檢率對比

2）檢測效率：如圖3所示，F(xiàn)DEE模型的檢測效率明顯高于 FDDC模型。在 10個檢測周期中，F(xiàn)DEE模型充分利用了之前的專家經(jīng)驗，使得平均檢測發(fā)現(xiàn)時耗（從故障發(fā)生到檢測告警之間的時間差），均大大少于 FDDC模型，而檢測時耗的降低，為管網(wǎng)故障的早期預警和管損處理贏得了寶貴的時間。

圖3 發(fā)現(xiàn)時耗對比

3）系統(tǒng)開銷：如圖 4所示，F(xiàn)DEE模型的檢測性能超出了 FDDC模型，但由于經(jīng)驗進化的整個處理過程，相對平均地分攤在整個檢測過程中，因此其系統(tǒng)開銷（此處重點關注了內(nèi)存占用率）與 FDDC模型相當，甚至有部分檢測周期內(nèi)的平均內(nèi)存占用率低于 FDDC模型（原因是處理速度較快，匹配的系統(tǒng)開銷少于現(xiàn)場數(shù)據(jù)直接或融合檢測的系統(tǒng)開銷），實際應用時并不需要配置高性能服務器，可以沿用原有設備就獲得較高的檢測性能，模型的性價比較高。

圖4 系統(tǒng)開銷對比

4.2 微觀應用實例

下面以2017年8月17日的一次故障排除作業(yè)闡述FDEE模型的微觀應用過程。下表是系統(tǒng)獲取的傳感器檢測信息。

表 檢測信息（2017-08-17）

兩種檢測模型在PTH-27檢測點的檢測量1和2發(fā)生異常變化時，都將實施故障診斷操作，但方法上卻大相徑庭。FDDC模型將直接把該檢測點的上行和下行管線作為故障線路上報，后續(xù)的人工檢測工作量很大。而FDEE模型將首先進行專家經(jīng)驗庫匹配，自動輸入?yún)?shù)為上表PTH-27檢測信息以及該檢測點的上下行管道的拓撲結(jié)構(gòu)等，通過匹配算法得到專家經(jīng)驗記錄；并根據(jù)專家經(jīng)驗記錄，進行上下管線的檢測信息查詢，從而判斷該故障是PTH-27-02檢測的管線故障導致的。管損人員在處理完該項故障之后，將反饋信息至FDEE模型，調(diào)整專家經(jīng)驗庫對應記錄的經(jīng)驗值，并生成此次處理的對應記錄促進專家經(jīng)驗進化。

5 結(jié)束語

針對水電廠管網(wǎng)故障模型存在的種種問題，提出了一種基于經(jīng)驗進化的水電廠管網(wǎng)故障檢測模型，給出了FDEE模型的基本原理與關鍵算法，并詳述了經(jīng)驗進化算法的細節(jié)。最終的實驗結(jié)果表明，F(xiàn)DEE模型的故障檢測精度和處理效率較高，較之 FDDC模型，需要的系統(tǒng)資源也比較少，能夠適應水電廠生產(chǎn)的實際需要，實用性和適用性較強。

[1] 胡小英, 吳九輔, 程環(huán). 支狀管網(wǎng)的數(shù)學模型[J]. 工業(yè)儀表與自動化裝置, 2004, 1(3)： 58-60.

[2] 高相銘, 劉付斌, 楊世鳳. 基于極限學習機的供水管網(wǎng)故障智能診斷方法[J]. 計算機工程與設計, 2013,34(8)： 2887-2891.

[3] 鄭德忠, 何樂, 周潯. 基于 Fuzzy理論的供熱管網(wǎng)故障診斷系統(tǒng)的研究[J]. 傳感技術學, 2003, 1(9)： 367-370.

[4] 李楠楠, 郄志紅, 古田均. 供水管網(wǎng)爆管故障診斷的PSO-SVM方法[J]. 系統(tǒng)工程理論與實踐, 2012, 32(9)：2104-2110.

[5] 姜春雷, 郭遠博, 付興濤. 基于多傳感器數(shù)據(jù)融合的供熱管網(wǎng)泄漏檢測技術[J]. 大慶石油學院學報, 2011,35(3)： 91-96.

[6] 曾婧, 李訓銘. 基于神經(jīng)網(wǎng)絡的水電廠故障診斷優(yōu)化[J]. 控制工程, 2009, 16(9)： 111-114.

[7] 喬俊飛, 佟磊, 潘廣源. 基于改進蟻群算法的 Hanoi給水管網(wǎng)優(yōu)化設計[J]. 控制工程, 2013, 20(5)： 483-488.

[8] 爨瑩, 陳曉妮. 受限最小生成樹算法在城鎮(zhèn)管網(wǎng)布局優(yōu)化中的應用研究[J]. 西安石油大學學報(自然科學版), 2011, 26(1)： 82-87.

[9] 崔之健, 王菁, 張曉陽, 等. 基于遺傳算法的油氣集輸管網(wǎng)運行效率優(yōu)化[J]. 西安水電廠大學學報(自然科學版), 2008, 23(6)： 59-63.