汪志強(qiáng)，張 豪，彭煜民

（南方電網(wǎng)調(diào)峰調(diào)頻發(fā)電有限公司，廣東廣州510630）

0 引 言

發(fā)電廠值班員需要對超過500個以上帶跳閘出口功能的溫度測點進(jìn)行監(jiān)視。這些帶跳閘出口功能的溫度測點分布于監(jiān)控系統(tǒng)上位機(jī)不同模擬圖中［1-4］。依靠值班員人工跟蹤變化趨勢提前發(fā)現(xiàn)異常難度極大。隨著機(jī)器學(xué)習(xí)等智能技術(shù)蓬勃發(fā)展，智能技術(shù)在趨勢判斷和預(yù)測方面提供了重要技術(shù)手段［5，6］。

然而不容忽視的是，這些智能技術(shù)依賴于故障樣本，需要大量故障樣本參與算法訓(xùn)練過程，才能保證良好的實施效果［3］。在技術(shù)成熟的發(fā)電廠運(yùn)維中故障樣本數(shù)據(jù)少之又少［4］。此外更缺少檢驗智能技術(shù)實施效果的測試方法。對于智能技術(shù)的應(yīng)用效果停留在主觀模糊的認(rèn)識，甚至停留于偶然事件的處置中。由此可見，當(dāng)前急需測試智能趨勢判斷算法性能的手段和為智能趨勢判斷算法提供故障樣本的方法［7-10］。

現(xiàn)有基于機(jī)器學(xué)習(xí)的機(jī)組溫度預(yù)測模型所需的故障樣本，都來自于大修后調(diào)試和故障處理。然后實際中一方面，獲取這些故障樣本代價極高，另一方面，這些故障樣本的數(shù)值特性不能完全覆蓋故障情況下的趨勢特征，存在局限性［11］。

針對故障樣本不足問題，已有不少文獻(xiàn)研究了樣本生成技術(shù)。文獻(xiàn)［12］提出了虛擬樣本生成技術(shù)。文獻(xiàn)［13，14］利用梯度懲罰優(yōu)化的條件式Wasserstein 生成對抗網(wǎng)絡(luò)模型指導(dǎo)故障樣本生成。上述研究基于不同理論生成故障樣本，然而理論較為復(fù)雜，對計算都要較高的要求，難以廣泛應(yīng)用于實際生產(chǎn)中。

為解決智能趨勢判斷算法依賴實測故障樣本的局限性并考慮方法的實用性，本文結(jié)合工程經(jīng)驗進(jìn)行標(biāo)準(zhǔn)化，綜合歷史運(yùn)行情況、報警閾值、開關(guān)量信號等歷史數(shù)據(jù)，提出了故障樣本的自適應(yīng)生成和基于靈敏度的測試方案。所提方法在算法測試時，可以根據(jù)機(jī)組歷史運(yùn)行情況進(jìn)行自適應(yīng)調(diào)整，使得獲得故障樣本和測試智能技術(shù)實施效果的工作，得以通過計算機(jī)多快好省的一攬子解決。

1 故障樣本自適應(yīng)生成技術(shù)

發(fā)電廠中不同功能位置類型的溫度測點由于監(jiān)視對象不同，溫度測點在不同工況下的變化規(guī)律大相徑庭。為適應(yīng)發(fā)電廠不同功能位置類型測點的故障樣本需求，可以從歷史統(tǒng)計獲得測點的平均概率下的變化趨勢，從報警值獲得測值距離報警值的裕量。通過平均概率下的變化趨勢疊加裕量，即可自適應(yīng)獲得不同功能位置類型下的故障樣本。因此該技術(shù)需首先統(tǒng)計溫度測點開關(guān)量信號測值的歷史數(shù)據(jù)，然后綜合歷史統(tǒng)計、溫度測點報警值、溫度測點當(dāng)前測值計算獲得帶時標(biāo)的溫度測點模擬測值，具體如下：

基于開關(guān)量信號的溫度測點測值歷史統(tǒng)計由以下步驟獲得：

（1）遍歷近半年的開關(guān)量信號記錄，將按順序同時滿足開關(guān)量信號集合K的開關(guān)量信號取出，按開關(guān)量信號集合K的順序?qū)⑷〕龅拈_關(guān)量信號的時間存在時間序列TL中；

（2）遍歷近半年的溫度測點ID 集合M的溫度記錄，將時標(biāo)為時間序列TL且為溫度測點集合M的測點測值的最大值取出獲得測點測值集合CL；

（3）測點測值集合CL即為基于開關(guān)量信號的溫度測點測值歷史統(tǒng)計。

綜合歷史統(tǒng)計、溫度測點報警值、溫度測點當(dāng)前測值計算獲得帶時標(biāo)的溫度測點模擬測值由以下步驟獲得：

（1）從測點測值集合CL獲取平均值Vave，獲取機(jī)組該測點一級報警值b1，獲取機(jī)組該測點二級報警值b2。

（2）計算獲得疊加斜率k1，疊加斜率k1=b1/Vave-1，計算獲得疊加斜率k2，疊加斜率k2=b2/Vave-1。

（3）設(shè)i=1，測試樣本數(shù)yb，公差d=k2-k1。

（4）計算tmp1=k1+（i-1）×d。

（5）當(dāng)i不大于yb時，將tmp1 存到向量k（i）中，i=i+1，轉(zhuǎn)至（4）步，當(dāng)i大于yb時，執(zhí)行第（6）步。

（6）將向量k各元素加0.01后即為疊加斜率向量k。

（7）獲取開關(guān)量信號集合K中機(jī)組開機(jī)令信號的時刻T1，機(jī)組負(fù)荷達(dá)到基荷信號的時刻T3。

（8）設(shè)i=1。

（9）獲取帶時標(biāo)的實測溫度測值為x（t），在T1時刻前y（t）=x（t），在T1和T3之間y（t）=x（t）×［1+k（i）］，在T3時刻之后y（t）=x（t）+［y（T3）-x（T3）］。

（10）當(dāng)i不大于yb時，將列向量y轉(zhuǎn)置后存到矩陣yy中，i=i+1，轉(zhuǎn)至（9）步，當(dāng)i大于yb時，執(zhí)行第（11）步。

（11）矩陣yy即為帶時標(biāo)的溫度測點模擬測值。

2 基于靈敏度的測試技術(shù)

基于靈敏度的測試流程如圖1所示。

圖1 流程圖Fig.1 Flow chart

（1）從時序事件記錄表、溫度測點表、報警閾值表中讀取事件記錄順序情況、溫度測點ID、溫度測點報警值；

（2）獲取機(jī)組近半年正常運(yùn)行狀態(tài)的運(yùn)行記錄形成基于開關(guān)量信號的溫度測點測值歷史統(tǒng)計；

（3）綜合歷史統(tǒng)計、溫度測點報警值、溫度測點當(dāng)前測值計算獲得帶時標(biāo)的溫度測點模擬測值；

（4）將帶時標(biāo)的溫度測點模擬測值提供給機(jī)組啟動狀態(tài)溫度測值智能預(yù)測算法測試，并計算靈敏度；

（5）當(dāng)靈敏度小于閾值時，發(fā)出報警提醒技術(shù)人員調(diào)整被測試算法的參量。

靈敏度由以下步驟計算獲得：

（1）獲取測試樣本數(shù)yb；

（2）獲取開關(guān)量信號集合K中機(jī)組開機(jī)令信號的時刻T1，機(jī)組穩(wěn)態(tài)信號的時刻T2，機(jī)組負(fù)荷達(dá)到基荷信號的時刻T3，設(shè)i=1，f=0；

（3）將帶時標(biāo)t的溫度測點模擬測值yy（i，：）提供給機(jī)組啟動狀態(tài)溫度測值智能預(yù)測算法測試，測試算法在時刻T2前發(fā)現(xiàn)故障的f=f+1；

（4）當(dāng)i不大于yb時，i=i+1，轉(zhuǎn)至（5.3）步，當(dāng)i大于yb時，執(zhí)行第（5.5）步；

（5）由于故障樣本是根據(jù)歷史統(tǒng)計的平均值基礎(chǔ)上疊加裕量獲得，因此可以通過靈敏度計算公式L=f/yb×100%獲知被檢測算法的可靠程度。

3 實 例

對廣州蓄能水電廠2019年04月10日11∶00 至19∶00，4 號機(jī)組發(fā)電工況啟動的監(jiān)控信號進(jìn)行實例分析。結(jié)合圖1流程，本文技術(shù)包含以下步驟：

（1）從表1時序事件記錄表、表2溫度測點表中讀取事件記錄順序情況、溫度測點ID，該溫度測點一級報警值b1=75 ℃，二級報警值為b2=80 ℃。

表1 時序事件記錄表Tab.1 Sequence event record

表2 溫度測點表Tab.2 Temperature measuring point table

（2）獲取機(jī)組近半年正常運(yùn)行狀態(tài)的運(yùn)行記錄形成基于開關(guān)量信號的溫度測點測值歷史統(tǒng)計，測點測值集合CL的平均值Vave=60.7 ℃。

（3）綜合歷史統(tǒng)計、溫度測點報警值、溫度測點當(dāng)前測值計算獲得帶時標(biāo)的溫度測點模擬測值。

計算獲得疊加斜率k1=b1/Vave-1=75/60.7-1=0.235 6，計算獲得疊加斜率k2=b2/Vave-1=80/60.7-1=0.318 0。

獲得疊加斜率向量k后各元素加0.01 后，k=［0.245 6，0.262 1，0.278 5，0.295 0，0.311 5］T。

（4）將帶時標(biāo)的溫度測點模擬測值提供給機(jī)組啟動狀態(tài)溫度測值智能預(yù)測算法測試，并計算靈敏度。

圖2藍(lán)色曲線為溫度測點的實測原值，黑色曲線為帶時標(biāo)的溫度測點模擬測值，將帶時標(biāo)的溫度測點模擬測值提供給機(jī)組啟動狀態(tài)溫度測值智能預(yù)測算法進(jìn)行測試。

圖2 實測曲線和模擬曲線Fig.2 Measured and simulated curves

在時刻T2前發(fā)現(xiàn)故障f=4，yb=5，則靈敏度L=f/yb×100%=80%。

（5）當(dāng)靈敏度小于閾值時，發(fā)出報警提醒技術(shù)人員調(diào)整算法。靈敏度L不小于閾值，無需發(fā)報警提醒技術(shù)人員調(diào)整算法。

4 結(jié) 語

本文提供了針對機(jī)組啟動狀態(tài)溫度測值智能預(yù)測算法測試的標(biāo)準(zhǔn)化測試方法，提供的測試可完全覆蓋故障情況下的趨勢特征，打破了原依靠實測故障樣本的局限性。可自動根據(jù)機(jī)組歷史運(yùn)行情況進(jìn)行自適應(yīng)調(diào)整以滿足測試要求，使得獲得故障樣本和測試智能技術(shù)實施效果的工作，得以通過計算機(jī)多快好省的一攬子解決。同時也實現(xiàn)了對智能技術(shù)實施效果的量化評價，為智能技術(shù)調(diào)參，遴選合適算法和實施手段提供指標(biāo)支撐，也實現(xiàn)了智能技術(shù)實施效果驗證工作的前移，避免通過實際工程進(jìn)行驗證帶來的損失和不確定影響。 □