摘 要：為減小水輪機(jī)泥沙磨損影響、提高水電站效益，設(shè)計(jì)開發(fā)了水電站引水渠水沙智能監(jiān)測(cè)與預(yù)警系統(tǒng)，采用殘差神經(jīng)網(wǎng)絡(luò)模型（ＲｅｓＮｅｔ５０＿ｖ２）和圖像法實(shí)現(xiàn)水沙同步在線智能監(jiān)測(cè)，采用長(zhǎng)短期記憶網(wǎng)絡(luò)（ＬＳＴＭ）模型預(yù)測(cè)未來５ ｈ 的含沙量，通過損益平衡分析確定最佳含沙量預(yù)警閾值和適宜的預(yù)警機(jī)制，以最大化減少發(fā)電損失。以喀什河流域塔勒德薩依水電站為例，進(jìn)行系統(tǒng)實(shí)際應(yīng)用，應(yīng)用結(jié)果表明：系統(tǒng)監(jiān)測(cè)流量與ＡＤＣＰ 測(cè)流設(shè)備實(shí)測(cè)值的Ｅ ＭＡ≤２．９７ ｍ３ ／ ｓ、Ｅ ＭＲ≤２．１７％；系統(tǒng)監(jiān)測(cè)含沙量與人工烘干法、光學(xué)測(cè)沙儀實(shí)測(cè)值的Ｅ ＭＡ≤０．２０ ｋｇ／ ｍ３、Ｅ ＭＲ≤１６．９１％；ＬＳＴＭ 模型對(duì)５ ｈ 預(yù)見期預(yù)測(cè)含沙量的Ｅ ＮＳ ＞０．７，模型總體監(jiān)測(cè)與預(yù)測(cè)精度較高；水電站含沙量預(yù)警閾值為３．５９ ｋｇ／ ｍ３，通過精準(zhǔn)測(cè)報(bào)與科學(xué)預(yù)警，可規(guī)避發(fā)電設(shè)備泥沙磨損事故，節(jié)省維修費(fèi)用，提高綜合效益。

關(guān)鍵詞：泥沙磨損；圖像法；智能監(jiān)測(cè)；含沙量預(yù)警閾值；系統(tǒng)；塔勒德薩依水電站

中圖分類號(hào)：ＴＶ７３２ 文獻(xiàn)標(biāo)志碼：Ａ ｄｏｉ：１０．３９６９／ ｊ．ｉｓｓｎ．１０００－１３７９．２０２５．０４．０２１

引用格式：王冉旋，馬仲坤，陳娜，等．水電站引水渠水沙智能監(jiān)測(cè)與預(yù)警系統(tǒng)應(yīng)用研究［Ｊ］．人民黃河，２０２５，４７（４）：１３３－１４０．

０ 引言

水電站渾水發(fā)電會(huì)造成水輪機(jī)過流部件侵蝕磨損［１－２］ ，含沙量持續(xù)過高時(shí)甚至需要停機(jī)來保證水電站機(jī)組安全。目前采取的有效措施主要包括修建沉沙池、修建沖沙廊道［３－５］ 、過流部件涂抹抗磨涂層［６］ 、優(yōu)化水輪機(jī)水力設(shè)計(jì)［７－９］ 以及停機(jī)排沙調(diào)度［１０］ 等。因修建沉沙池等措施費(fèi)用昂貴、攔沙效果不確定性強(qiáng)、需要清淤維護(hù)，故采取適宜的泥沙管理措施是防止泥沙磨損水輪機(jī)過流部件的主要手段。

泥沙磨損防治措施的制定須掌握水電站水流含沙量變化態(tài)勢(shì)，為此，一方面需要安裝含沙量在線監(jiān)測(cè)設(shè)備來保障監(jiān)測(cè)數(shù)據(jù)時(shí)效性，另一方面需要分析沙峰運(yùn)移規(guī)律［１１］ 以及水電站引水渠泥沙運(yùn)動(dòng)規(guī)律。如吳曉冬等［１２］ 基于水體渾濁度和泥沙濃度的相關(guān)性建立了泥沙濃度在線監(jiān)測(cè)系統(tǒng)，其在映秀灣水電站的應(yīng)用效果良好。獲取泥沙監(jiān)測(cè)數(shù)據(jù)之后，將其與預(yù)測(cè)數(shù)據(jù)、預(yù)警數(shù)據(jù)進(jìn)行整合，方能服務(wù)于水電站事前泥沙管理。劉小兵等［１３］ 對(duì)漁子溪電站水輪機(jī)進(jìn)行水沙運(yùn)動(dòng)數(shù)值模擬，結(jié)合水輪機(jī)設(shè)備情況，建議在水流含沙量大于６ ｋｇ／ ｍ３時(shí)停機(jī)。對(duì)于不同水電站水輪機(jī)設(shè)備，經(jīng)過數(shù)值模擬以及磨損工況分析，得出的含沙量預(yù)警閾值各不相同。研究水電站過機(jī)水流含沙量預(yù)警閾值時(shí)需要對(duì)水輪機(jī)進(jìn)行磨損試驗(yàn)，會(huì)使設(shè)備受到一定磨損［１４］ ，因此相關(guān)試驗(yàn)對(duì)在建水電站設(shè)備選型過程較為適用，對(duì)于已建水電站需要尋找更經(jīng)濟(jì)安全的方式。

信息管理系統(tǒng)為集成數(shù)據(jù)基座、推送預(yù)警信息、提高管理效率提供了有效工具。王偉等［１５］ 以金沙江下游為研究對(duì)象，開發(fā)了水文泥沙數(shù)據(jù)庫(kù)及信息管理系統(tǒng)，使流域水文數(shù)據(jù)得到長(zhǎng)期有序、安全有效的管理；張金良［１６］ 提出了黃河洪水泥沙管理系統(tǒng)的建設(shè)框架與思路。以上系統(tǒng)研究側(cè)重于存儲(chǔ)監(jiān)測(cè)數(shù)據(jù)和管理信息，尚未將泥沙監(jiān)測(cè)、預(yù)測(cè)、預(yù)警、決策功能進(jìn)行集成。

綜上，針對(duì)引水式水電站泥沙磨損防治和管理的需求，筆者開發(fā)了引水渠水沙智能監(jiān)測(cè)與預(yù)警系統(tǒng)，以實(shí)現(xiàn)事前預(yù)防泥沙磨損的同時(shí)最大化減少停機(jī)發(fā)電損失。

１ 系統(tǒng)設(shè)計(jì)

喀什河為伊犁河第二大支流，自東向西貫穿尼勒克縣全境，建設(shè)有梯級(jí)引水式水電站。在夏季汛期融雪水流挾帶大量泥沙進(jìn)入電站庫(kù)區(qū)，經(jīng)過樞紐攔截后，仍有大量懸沙進(jìn)入引水渠，隨水流輸移至前池，隨后進(jìn)入發(fā)電廠房。由于缺乏泥沙監(jiān)測(cè)數(shù)據(jù)，管理人員憑借經(jīng)驗(yàn)根據(jù)前池水流渾濁程度判斷是否應(yīng)停機(jī)避沙峰，停機(jī)時(shí)含沙水流從前池排沙閘排出，因此對(duì)泥沙管理存在較高的不確定性。

筆者以尼勒克縣喀什河流域中上游塔勒德薩依水電站（引水渠長(zhǎng)７．７４ ｋｍ）為研究對(duì)象，針對(duì)電站汛期渾水發(fā)電造成的泥沙磨損隱患，研發(fā)了水電站引水渠水沙智能監(jiān)測(cè)與預(yù)警系統(tǒng)。

１．１ 架構(gòu)設(shè)計(jì)

根據(jù)水電站泥沙磨損防治業(yè)務(wù)需求，系統(tǒng)整體開發(fā)模式采用瀏覽器／ 服務(wù)器（Ｂｒｏｗｓｅｒ／ Ｓｅｒｖｅｒ，Ｂ／ Ｓ） 模式，綜合運(yùn)用ｓｐｒｉｎｇｂｏｏｔ、ｍｙｂａｔｉｓ－ｐｌｕｓ、ｐｏｉ 等后端開發(fā)技術(shù)，Ｅｌｅｍｅｎｔ Ｐｌｕｓ、Ｅｃｈａｒｔｓ、Ｖｕｅ Ｒｏｕｔｅ 等前端開發(fā)技術(shù)，ＭＹＳＱＬ 和ｒｅｄｉｓ 緩存數(shù)據(jù)庫(kù)進(jìn)行系統(tǒng)開發(fā)。系統(tǒng)架構(gòu)由監(jiān)測(cè)感知層、通信網(wǎng)絡(luò)層、數(shù)據(jù)資源層、應(yīng)用支撐層、業(yè)務(wù)應(yīng)用層、網(wǎng)絡(luò)安全體系和標(biāo)準(zhǔn)規(guī)范體系構(gòu)成，見圖１。

監(jiān)測(cè)感知層從采集終端獲取水位、流速、流量等數(shù)據(jù)，經(jīng)過通信網(wǎng)絡(luò)層傳輸至系統(tǒng)數(shù)據(jù)資源層。通信網(wǎng)絡(luò)層涵蓋前端站點(diǎn)所在的４Ｇ 網(wǎng)絡(luò)環(huán)境以及用戶端所在的互聯(lián)網(wǎng)和專網(wǎng)環(huán)境。數(shù)據(jù)資源層為系統(tǒng)提供空間數(shù)據(jù)、基礎(chǔ)數(shù)據(jù)、監(jiān)測(cè)數(shù)據(jù)、業(yè)務(wù)數(shù)據(jù)和元數(shù)據(jù)。應(yīng)用支撐層在含沙量智能預(yù)測(cè)模型模擬和閾值分析的基礎(chǔ)上提供含沙量預(yù)測(cè)數(shù)據(jù)和預(yù)警數(shù)據(jù)。最終，在業(yè)務(wù)應(yīng)用層實(shí)現(xiàn)監(jiān)測(cè)感知、泥沙預(yù)測(cè)、泥沙預(yù)警、泥沙決策功能。

１．２ 功能設(shè)計(jì)

系統(tǒng)用戶端為Ｗｅｂ 端，用戶對(duì)象為水電站運(yùn)行管理人員、巡渠人員等，有監(jiān)測(cè)、預(yù)測(cè)、預(yù)警、決策４ 個(gè)功能模塊。監(jiān)測(cè)模塊支持水沙數(shù)據(jù)展示、視頻監(jiān)控展示和數(shù)據(jù)報(bào)表導(dǎo)出，預(yù)測(cè)模塊支持含沙量預(yù)測(cè)模型計(jì)算、預(yù)測(cè)方案導(dǎo)出及預(yù)測(cè)數(shù)據(jù)曲線展示，預(yù)警模塊支持含沙量預(yù)警機(jī)制設(shè)置、預(yù)警警情統(tǒng)計(jì)記錄，決策模塊支持系統(tǒng)頁(yè)面泥沙預(yù)警提示以及對(duì)用戶賬號(hào)推送停機(jī)時(shí)段建議。

２ 系統(tǒng)關(guān)鍵技術(shù)

２．１ 基于圖像法的含沙量智能監(jiān)測(cè)技術(shù)

水電站泥沙精細(xì)化防治管理體系建立在對(duì)水沙要素充分感知基礎(chǔ)上。含沙量在線監(jiān)測(cè)方法主要有接觸式激光法和非接觸式圖像法?；趫D像法開發(fā)含沙量智能監(jiān)測(cè)技術(shù)，集成武大ＡｉＦｌｏｗ 測(cè)流設(shè)備［１７］ ，實(shí)現(xiàn)對(duì)斷面水位、流速、流量、含沙量的一體化實(shí)時(shí)在線監(jiān)測(cè)?；趫D像法的含沙量智能監(jiān)測(cè)技術(shù)［１８］ ，從高清動(dòng)態(tài)監(jiān)測(cè)視頻中采集水面視覺圖像，識(shí)別色差，通過深度卷積神經(jīng)網(wǎng)絡(luò)模型智能學(xué)習(xí)圖像色差與含沙量信息之間的映射關(guān)系，從而實(shí)現(xiàn)含沙量在線監(jiān)測(cè)。

２．１．１ 圖像預(yù)處理

模型訓(xùn)練數(shù)據(jù)為采集的測(cè)點(diǎn)圖像，通過其他測(cè)量手段獲得同時(shí)段含沙量，并將其作為標(biāo)簽。按照白天和黑夜對(duì)采集的圖像進(jìn)行篩選，以減小日照對(duì)圖像顏色的影響。采用二維高斯函數(shù)計(jì)算高斯濾波器的濾波核，然后與每個(gè)像素周圍的鄰域像素進(jìn)行加權(quán)平均，實(shí)現(xiàn)圖像去噪。二維高斯函數(shù)Ｇ（ｕ，ｖ）表達(dá)式為

式中： δ 為二維高斯函數(shù)的標(biāo)準(zhǔn)差， ｕ、ｖ 為二維坐標(biāo)。

２．１．２ ＲｅｓＮｅｔ５０＿ｖ２ 模型

ＲｅｓＮｅｔ 模型是一種深度卷積神經(jīng)網(wǎng)絡(luò)模型，其使用批歸一化（ＢＮ）層解決梯度消失或梯度爆炸問題。ＲｅｓＮｅｔ 模型使用恒等映射在第ｌ 層殘差計(jì)算單元中將自變量Ｘｌ 作為輸入，經(jīng)過殘差處理后的輸出賦值給Ｘｌ＋１，Ｘｌ＋１又可作為第ｌ＋１ 層殘差計(jì)算單元的輸入再次進(jìn)行計(jì)算，通過多層殘差學(xué)習(xí)，減輕網(wǎng)絡(luò)退化問題。ＲｅｓＮｅｔ５０＿ｖ２ 模型是ＲｅｓＮｅｔ 模型的變體，網(wǎng)絡(luò)層數(shù)為５０，在ＲｓｅＮｅｔ５０ 模型的基礎(chǔ)上增加了更多卷積層，從而捕捉更復(fù)雜的特征和模式。此外，ＲｅｓＮｅｔ５０＿ｖ２ 模型引入一些優(yōu)化策略和改進(jìn)結(jié)構(gòu)，使得該模型在減少參數(shù)的同時(shí)能夠保持較好的性能［１９］ 。ＲｅｓＮｅｔ５０＿ｖ２ 模型與ＲｅｓＮｅｔ５０ 模型的殘差結(jié)構(gòu)對(duì)比見圖２，２ 個(gè)模型的總模塊數(shù)和類型相同，差別在于ＲｅｓＮｅｔ５０ 模型在殘差結(jié)構(gòu)內(nèi)部進(jìn)行１ 次激活函數(shù)（ＲｅＬｕ）計(jì)算，執(zhí)行殘差相加后再執(zhí)行１ 次激活函數(shù)計(jì)算；ＲｅｓＮｅｔ５０＿ｖ２ 模型在殘差結(jié)構(gòu)內(nèi)部進(jìn)行２ 次激活函數(shù)計(jì)算，執(zhí)行殘差相加后不再執(zhí)行激活函數(shù)計(jì)算。

Ｒｅｓｎｅｔ５０＿ｖ２ 模型整體結(jié)構(gòu)見圖３。其由數(shù)據(jù)前處理、數(shù)個(gè)堆疊的殘差塊計(jì)算以及數(shù)據(jù)后處理模塊組成。數(shù)據(jù)前處理包括填充（ＺｅｒｏＰａｄ）、卷積（Ｃｏｎｖ２Ｄ）、最大池化（ＭａｘＰｏｏｌ）等；數(shù)據(jù)后處理包括批歸一化、激活、平均池化（ＡｖｅｒＰｏｏｌ）等；堆疊的殘差塊由３ 個(gè)基本殘差塊組成，分別用藍(lán)色、粉色、橙色塊表示。３ 個(gè)殘差塊中左邊分支模塊均按照ＢＮ、ＲｅＬｕ、Ｃｏｎｖ２Ｄ、ＺｅｒｏＰａｄ 層的既定組合計(jì)算，自上而下順序一致，右邊分支模塊有所差異：藍(lán)色塊進(jìn)行Ｃｏｎｖ２Ｄ 計(jì)算，粉色塊中無計(jì)算，黃色塊進(jìn)行ＭａｘＰｏｏｌ 計(jì)算。

２．１．３ 模型設(shè)置及評(píng)估

通過預(yù)處理將圖像尺寸統(tǒng)一成ＲＧＢ ３ 通道、２５６×２５６ 像素的矩陣數(shù)據(jù)，采用３×３、δ ＝ ０．８ 的高斯濾波器對(duì)圖像進(jìn)行去噪，按照８：２ 的比例將圖像劃分成訓(xùn)練集、測(cè)試集。設(shè)置Ｒｅｓｎｅｔ５０＿ｖ２ 模型訓(xùn)練輪數(shù)為１００，批量訓(xùn)練的樣本數(shù)為１０，學(xué)習(xí)率為０．００１。采用均方誤差（ＥＭＳ）計(jì)算損失函數(shù)，采用隨機(jī)梯度下降（ＳＧＤ）優(yōu)化器進(jìn)行反向傳播。ＥＭＳ計(jì)算公式為

式中： ｙｉ 為實(shí)測(cè)值， ｙ︿ ｉ 為預(yù)測(cè)值，ｉ 為樣本序號(hào)，ｎ 為樣本數(shù)量。

模型性能評(píng)價(jià)指標(biāo)選用平均絕對(duì)誤差（ＥＭＡ ）、平均相對(duì)誤差（ＥＭＲ ）。ＥＭＡ 值反映預(yù)測(cè)值與實(shí)測(cè)值之間的絕對(duì)差異。ＥＭＲ值反映預(yù)測(cè)值與實(shí)測(cè)值之間的相對(duì)差異，２ 個(gè)數(shù)值越小模型準(zhǔn)確性越高。ＥＭＡ、ＥＭＲ計(jì)算公式分別為

２．１．４ 水沙在線監(jiān)測(cè)算法耦合集成

測(cè)沙算法基于水面視覺圖像色差識(shí)別含沙量，測(cè)流算法基于水面波紋和水位信息測(cè)算流量，兩者不存在數(shù)據(jù)交互。因此，斷面水沙在線監(jiān)測(cè)算法耦合集成主要通過前端站點(diǎn)結(jié)構(gòu)的合理設(shè)計(jì)、前端與用戶端的信息傳輸來實(shí)現(xiàn)。水沙在線監(jiān)測(cè)網(wǎng)絡(luò)結(jié)構(gòu)見圖４。

在前端站點(diǎn)采用不同攝像頭監(jiān)測(cè)得到流速、水位、含沙量數(shù)據(jù)，其中：流速和水位數(shù)據(jù)為測(cè)流算法輸入數(shù)據(jù)，含沙量數(shù)據(jù)為測(cè)沙算法輸入數(shù)據(jù)。測(cè)流算法和測(cè)沙算法在邊緣算法盒子內(nèi)部集成部署。

水沙在線同步監(jiān)測(cè)及數(shù)據(jù)訪問邏輯如下：前端視頻經(jīng)由錄像機(jī)存儲(chǔ)并傳送至邊緣算法盒子，進(jìn)行水沙監(jiān)測(cè)要素計(jì)算，計(jì)算結(jié)果傳送至系統(tǒng)后端數(shù)據(jù)庫(kù)，現(xiàn)場(chǎng)視頻服務(wù)器經(jīng)內(nèi)網(wǎng)中的綜合安防平臺(tái)中轉(zhuǎn)再傳送至系統(tǒng)后端，用戶通過瀏覽器可實(shí)時(shí)在線訪問前端監(jiān)測(cè)站點(diǎn)的水位、流速、流量、含沙量和現(xiàn)場(chǎng)視頻。前端設(shè)備基于４Ｇ 物聯(lián)網(wǎng)卡網(wǎng)絡(luò)連接，適配安裝現(xiàn)場(chǎng)網(wǎng)絡(luò)環(huán)境。用戶僅可在內(nèi)網(wǎng)訪問系統(tǒng)服務(wù)器，通過用戶賬號(hào)權(quán)限管理，可有效防止數(shù)據(jù)外泄，保障數(shù)據(jù)安全。

２．２ 水電站含沙量智能預(yù)測(cè)方法

２．２．１ 基于ＬＳＴＭ 的含沙量智能預(yù)測(cè)模型

含沙量實(shí)時(shí)在線監(jiān)測(cè)設(shè)備能夠提供高精度的監(jiān)測(cè)信息，但監(jiān)測(cè)設(shè)備布設(shè)位置距發(fā)電站較近，應(yīng)急響應(yīng)時(shí)間較短，難以有效提供長(zhǎng)預(yù)見期的決策信息。為延長(zhǎng)含沙量預(yù)見時(shí)間，基于研究區(qū)豐富的水文氣象監(jiān)測(cè)資料，選用ＬＳＴＭ 構(gòu)建含沙量智能預(yù)測(cè)模型。該模型在時(shí)序數(shù)據(jù)預(yù)測(cè)方面具有顯著優(yōu)勢(shì)［１９］ 。ＬＳＴＭ 算法中門結(jié)構(gòu)（遺忘門、輸入門和輸出門）的設(shè)置，有效解決了長(zhǎng)預(yù)見期傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)（ＲＮＮ）容易出現(xiàn)的梯度消失以及梯度爆炸問題，使模型進(jìn)行預(yù)報(bào)時(shí)能夠更加全面考慮已有的數(shù)據(jù)信息，實(shí)現(xiàn)更精準(zhǔn)的預(yù)報(bào)。ＬＳＴＭ計(jì)算過程如下：

ｆｔ ＝ σ［Ｗｆ（ｈｔ －１，ｘｔ ） ＋ ｂｆ ］ （５）

ｉｔ ＝ σ［Ｗｉ ［ｈｔ －１，ｘｔ ） ＋ ｂｉ ］ （６）

Ｃｔ ＝ ｔａｎｈ［Ｗｃ（ｈｔ －１，ｘｔ ） ＋ ｂｃ ］ （７）

ｏｔ ＝ σ［Ｗｏ（ｈｔ －１，ｘｔ ） ＋ ｂｏ ］ （８）

Ｃｔ ＝ ｆｔ Ｃｔ －１ ＋ ｉｔ Ｃｔ （９）

ｈｔ ＝ ｏｔ × ｔａｎｈ Ｃｔ （１０）

式中： ｆｔ 、ｉｔ 、ｏｔ 分別為遺忘門、輸入門、輸出門ｔ 時(shí)刻的輸出， ｘｔ 為ｔ 時(shí)刻的輸入， Ｃｔ 為ｔ 時(shí)刻的候選單元態(tài)， Ｃｔ －１ 、Ｃｔ 分別為ｔ－１、ｔ 時(shí)刻的單元態(tài)， ｈｔ －１ 、ｈｔ分別為ｔ－１、ｔ 時(shí)刻的輸出， Ｗｆ 、Ｗｉ 、Ｗｃ 、Ｗｏ 均為權(quán)重， ｂｆ 、ｂｉ 、ｂｃ 、ｂｏ 均為偏置，σ 為ｓｉｇｍｏｉｄ 激活函數(shù)。

２．２．２ 模型參數(shù)設(shè)置及評(píng)價(jià)指標(biāo)選取

采用自適應(yīng)動(dòng)量（Ａｄａｍ）算法優(yōu)化ＬＳＴＭ 模型參數(shù)，經(jīng)多次率定，ＬＳＴＭ 模型損失函數(shù)最終選取平均絕對(duì)誤差，神經(jīng)元數(shù)量設(shè)置為１２８，學(xué)習(xí)率設(shè)置為１ ×１０－４，正則化系數(shù)設(shè)置為１×１０－５。

模型評(píng)價(jià)指標(biāo)選用平均絕對(duì)誤差、均方誤差和納什系數(shù)（ＥＮＳ），其中ＥＮＳ值越接近于１，模型預(yù)測(cè)效果越好。ＥＮＳ計(jì)算公式為

式中：ｙｉ 為實(shí)測(cè)值的平均值。

２．３ 水電站含沙量預(yù)警決策技術(shù)

水電站引水后含沙水流很快運(yùn)動(dòng)至發(fā)電前池，為了防止水輪機(jī)受泥沙磨損，且停機(jī)發(fā)電損失最小，需要依據(jù)及時(shí)準(zhǔn)確的含沙量監(jiān)測(cè)信息和預(yù)測(cè)信息以及客觀合理的預(yù)警閾值做出預(yù)警決策。

２．３．１ 基于損益平衡的含沙量預(yù)警閾值分析

根據(jù)水電站水沙同步的特性，指導(dǎo)水電站停機(jī)決策的含沙量預(yù)警閾值越小，棄水越多、經(jīng)濟(jì)收益越低、泥沙磨損風(fēng)險(xiǎn)越低。經(jīng)濟(jì)收益可視作發(fā)電直接收益與泥沙預(yù)警決策間接收益的總和。通過科學(xué)的泥沙預(yù)警決策，可規(guī)避泥沙磨損造成的機(jī)器維修，節(jié)約的維修費(fèi)用可作為間接的經(jīng)濟(jì)效益。發(fā)電直接收益與出力、發(fā)電時(shí)長(zhǎng)直接相關(guān)，而泥沙預(yù)警響應(yīng)后的停機(jī)時(shí)段會(huì)直接減少發(fā)電時(shí)長(zhǎng)，從而影響發(fā)電收益。經(jīng)濟(jì)收益Ｗ 計(jì)算公式為

Ｗ ＝ ＰＴＥ ＋ Ｒ （１２）

式中：Ｐ 為出力；Ｔ 為發(fā)電歷時(shí)；Ｅ 為電價(jià)，取當(dāng)?shù)鼐担埃?元／ （ｋＷ·ｈ）；Ｒ 為維修費(fèi)用，與泥沙磨損程度正相關(guān)。

汛期水電站安全運(yùn)行且達(dá)到損益平衡（經(jīng)濟(jì)效益與停機(jī)避沙峰時(shí)損失的發(fā)電效益相等）時(shí)的含沙量，即為臨界的含沙量預(yù)警閾值Ｓｃ。含沙量預(yù)警閾值與電站損益的關(guān)系如圖５ 所示（其中Ｔｃ為停機(jī)避沙峰時(shí)損失的發(fā)電效益，Ｓ 為含沙量）。

２．３．２ 預(yù)警決策機(jī)制

實(shí)現(xiàn)水輪機(jī)泥沙磨損事前防治，需要在預(yù)警反應(yīng)時(shí)間內(nèi)作決策部署行動(dòng)。設(shè)置較靈敏的預(yù)警條件，雖然可以更有效防范泥沙磨損，但會(huì)出現(xiàn)頻繁預(yù)警、停警的情況，發(fā)電設(shè)備短時(shí)間內(nèi)頻繁開關(guān)機(jī)存在損耗；反之，超警持續(xù)時(shí)間過長(zhǎng)，存在反應(yīng)不及時(shí)的風(fēng)險(xiǎn)。因此，在分析泥沙管理工作程序、判斷人員反應(yīng)時(shí)間和含沙量預(yù)見期的基礎(chǔ)上，針對(duì)塔勒德薩依水電站設(shè)計(jì)一種綜合考慮超警時(shí)間和反應(yīng)時(shí)間的預(yù)警決策機(jī)制：當(dāng)含沙量測(cè)報(bào)信息中前池站含沙量持續(xù)１ ｈ 超出預(yù)警閾值時(shí)，在４ ｈ 內(nèi)作預(yù)警決策及部署行動(dòng)，在超警時(shí)段內(nèi)停機(jī)避沙峰，密切關(guān)注后續(xù)測(cè)報(bào)信息，直至解除警情。

３ 系統(tǒng)應(yīng)用情況及分析

水電站引水渠水沙智能監(jiān)測(cè)與預(yù)警系統(tǒng)依據(jù)前端智能感知設(shè)備實(shí)時(shí)測(cè)算的水沙數(shù)據(jù)，自動(dòng)驅(qū)動(dòng)含沙量智能預(yù)測(cè)模型，基于監(jiān)測(cè)數(shù)據(jù)、預(yù)測(cè)數(shù)據(jù)，由設(shè)置的預(yù)警機(jī)制智能觸發(fā)高含沙量預(yù)警機(jī)制，用戶在終端即可掌握水電站測(cè)點(diǎn)的水沙態(tài)勢(shì)、含沙量變化趨勢(shì)和預(yù)警警情，經(jīng)分析后可快速響應(yīng)，高效應(yīng)對(duì)泥沙磨損問題。

３．１ 水電站水沙一體化監(jiān)測(cè)應(yīng)用分析

３．１．１ 監(jiān)測(cè)站點(diǎn)布設(shè)及數(shù)據(jù)展示

分別在水電站引水渠進(jìn)口（樞紐站）和出口（前池站）處布設(shè)監(jiān)測(cè)站點(diǎn)（見圖６），通過測(cè)站網(wǎng)絡(luò)將前端監(jiān)測(cè)數(shù)據(jù)傳輸至預(yù)警系統(tǒng)。系統(tǒng)用戶端可遠(yuǎn)程查看監(jiān)測(cè)站點(diǎn)含沙量、水位、流速、流量變化曲線及現(xiàn)場(chǎng)視頻，并可將監(jiān)測(cè)數(shù)據(jù)按圖表導(dǎo)出以供分析（見圖７）。選擇具體站點(diǎn)點(diǎn)擊放大，可直觀了解汛期來水情況及河流含沙情況，點(diǎn)擊站點(diǎn)水沙監(jiān)測(cè)數(shù)據(jù)曲線可查看近１、３、７ ｄ的歷史水沙數(shù)據(jù)曲線，用于準(zhǔn)確判斷水沙態(tài)勢(shì)。

３．１．２ 水沙監(jiān)測(cè)精度分析

１）流量監(jiān)測(cè)精度。為評(píng)估系統(tǒng)視頻監(jiān)測(cè)流量的精確性，采用走航式ＡＤＣＰ 測(cè)流設(shè)備獲取２０２３ 年汛期實(shí)測(cè)流量，與系統(tǒng)視頻監(jiān)測(cè)流量進(jìn)行對(duì)比。采集數(shù)據(jù)共計(jì)３３ 組，實(shí)測(cè)流量為１２５～１５３ ｍ３ ／ ｓ。由圖８ 可知，兩種方法測(cè)得的流量相近。視頻監(jiān)測(cè)的樞紐站流量平均絕對(duì)誤差為２．９７ ｍ３ ／ ｓ、平均相對(duì)誤差為２．０６％，前池站流量平均絕對(duì)誤差為２．９１ ｍ３ ／ ｓ、平均相對(duì)誤差為２．１７％，表明水沙一體化監(jiān)測(cè)設(shè)備獲取的樞紐站和前池站流量精度均較高，可為水電站引水渠含沙量預(yù)測(cè)、泄水沖沙等提供可靠的流量數(shù)據(jù)。

２）含沙量監(jiān)測(cè)精度。為評(píng)估系統(tǒng)視頻監(jiān)測(cè)含沙量的精確性，采用人工烘干法獲?。玻埃玻?年汛期含沙量。人工烘干法取樣共計(jì)３０ 組，實(shí)測(cè)含沙量為０ ～１ ｋｇ／ ｍ３。人工烘干法因取樣受限，組數(shù)較少，實(shí)測(cè)含沙量多為低值，故采用光學(xué)測(cè)沙儀進(jìn)一步獲?。保担?組比測(cè)數(shù)據(jù)，實(shí)測(cè)含沙量為０～３．１１ ｋｇ／ ｍ３。

兩種方法所得實(shí)測(cè)含沙量與系統(tǒng)視頻監(jiān)測(cè)含沙量結(jié)果對(duì)比見圖９。系統(tǒng)視頻監(jiān)測(cè)含沙量與人工烘干法實(shí)測(cè)值相近，系統(tǒng)視頻監(jiān)測(cè)的樞紐站含沙量平均絕對(duì)誤差為０．０６ ｋｇ／ ｍ３、平均相對(duì)誤差為１６．９１％，前池站含沙量平均絕對(duì)誤差為０．０５ ｋｇ／ ｍ３、平均相對(duì)誤差為１３．８９％。含沙量小于３ ｋｇ／ ｍ３ 時(shí)系統(tǒng)視頻監(jiān)測(cè)含沙量與光學(xué)測(cè)沙儀實(shí)測(cè)值相近，含沙量大于３ ｋｇ／ ｍ３ 時(shí)系統(tǒng)視頻監(jiān)測(cè)含沙量比光學(xué)測(cè)沙儀實(shí)測(cè)值大，樞紐站含沙量平均絕對(duì)誤差為０．２０ ｋｇ／ ｍ３、平均相對(duì)誤差為１６．１０％，前池站含沙量平均絕對(duì)誤差為０．１５ ｋｇ／ ｍ３、平均相對(duì)誤差為１５．０１％。

綜上，水沙一體化監(jiān)測(cè)設(shè)備在樞紐站和前池站獲取的含沙量監(jiān)測(cè)精度均較高，在含沙量小于１ ｋｇ／ ｍ３情況下與人工烘干法實(shí)測(cè)值非常接近，在含沙量小于３ ｋｇ／ ｍ３時(shí)與光學(xué)測(cè)沙儀實(shí)測(cè)值較為接近，在含沙量大于３ ｋｇ／ ｍ３時(shí)，監(jiān)測(cè)值偏大。

經(jīng)實(shí)際應(yīng)用，系統(tǒng)可對(duì)流量、含沙量進(jìn)行２４ ｈ 逐小時(shí)連續(xù)監(jiān)測(cè)，能夠快速響應(yīng)查詢。整體而言，系統(tǒng)水沙監(jiān)測(cè)技術(shù)具備一定的時(shí)效性、穩(wěn)定性和可靠性，可支撐水電站含沙量預(yù)測(cè)和預(yù)警決策。３．２ 水電站引水渠含沙量預(yù)測(cè)分析

３．２．１ 預(yù)測(cè)實(shí)現(xiàn)

為充分利用水文、氣象信息開展入庫(kù)含沙量預(yù)測(cè)，共收集２０２３ 年研究區(qū)１０ 個(gè)氣象站點(diǎn)數(shù)據(jù)、１６ 個(gè)降水站點(diǎn)數(shù)據(jù)和位于塔勒德薩依引水渠樞紐站及前池站的水沙視頻監(jiān)測(cè)數(shù)據(jù)。以歷時(shí)１０ ｈ 的水文、氣象數(shù)據(jù)和樞紐站含沙量數(shù)據(jù)作為輸入數(shù)據(jù)，以水電站未來５ ｈ的前池站含沙量作為輸出數(shù)據(jù)進(jìn)行模型訓(xùn)練。

系統(tǒng)接入前端監(jiān)測(cè)數(shù)據(jù)，集成預(yù)測(cè)模型，自動(dòng)驅(qū)動(dòng)含沙量計(jì)算，逐小時(shí)滾動(dòng)更新前池站未來５ ｈ 的含沙量預(yù)測(cè)數(shù)據(jù)，形成預(yù)測(cè)記錄表，最終預(yù)測(cè)界面見圖１０。在系統(tǒng)中自動(dòng)對(duì)比含沙量預(yù)警閾值，智能觸發(fā)預(yù)警機(jī)制。

３．２．２ 預(yù)測(cè)精度分析

預(yù)測(cè)模型在１１０ 場(chǎng)測(cè)試集的預(yù)測(cè)含沙量與２０２３年站點(diǎn)汛期實(shí)測(cè)含沙量對(duì)比見圖１１，模型性能評(píng)價(jià)指標(biāo)見表１。分析圖１１ 可知，前池站含沙量大部分預(yù)測(cè)值與實(shí)測(cè)值相近。由表１ 可知，前４ ｈ 預(yù)見期內(nèi)，模型的ＥＮＳ 接近１， ＥＭＡ 均小于０． １ ｋｇ／ ｍ３， ＥＭＳ 均小于０．０２ ｋｇ２ ／ ｍ６，預(yù)測(cè)精度較高。在第５ ｈ，模型的ＥＮＳ 為０．７８４，ＥＭＡ、ＥＭＳ 分別為０．１０６ ｋｇ／ ｍ３、０．０８７ ｋｇ２ ／ ｍ６，預(yù)測(cè)精度也較高。

綜上，基于ＬＳＴＭ 的引水渠含沙量預(yù)測(cè)模型精度較高，適用于塔勒德薩依水電站引水渠，預(yù)見期為５ ｈ，可支撐水電站含沙量預(yù)警以及停機(jī)避沙峰決策。

３．３ 水電站引水渠含沙量預(yù)警決策分析

３．３．１ 預(yù)警閾值設(shè)置

根據(jù)塔勒德薩依水電站歷史檢修記錄，年度平均大修損失為３５ 萬元，這里近似作為規(guī)避的泥沙磨損維修費(fèi)用。經(jīng)過２０２３ 年汛期試運(yùn)行，基于損益平衡分析測(cè)算得出臨界的含沙量預(yù)警閾值為３．５９ ｋｇ／ ｍ３。當(dāng)含沙量預(yù)警閾值超過３．５９ ｋｇ／ ｍ３ 時(shí)，損益凈值大于０，即經(jīng)濟(jì)效益大于停機(jī)避沙峰時(shí)損失的發(fā)電效益（泥沙磨損損失），但存在因設(shè)備嚴(yán)重磨損而需汛期及時(shí)維修的情況。因此， 設(shè)置系統(tǒng)含沙量預(yù)警閾值為３．５９ ｋｇ／ ｍ３，系統(tǒng)自動(dòng)觸發(fā)預(yù)警提示，記錄預(yù)警信息，支撐水電站泥沙磨損防治決策。前池站預(yù)測(cè)含沙量持續(xù)１ ｈ大于３．５９ ｋｇ／ ｍ３時(shí)，在４ ｈ 內(nèi)進(jìn)行預(yù)警并停機(jī)避沙峰，可實(shí)現(xiàn)損益平衡。

３．３．２ 運(yùn)行效益分析

系統(tǒng)運(yùn)用前，掌握的水電站泥沙數(shù)據(jù)僅有前池站泥沙淤積深度，避讓沙峰時(shí)從巡渠到?jīng)Q策至少需２４ ｈ，且多為事后決策；系統(tǒng)運(yùn)行后，及時(shí)獲取水沙情勢(shì)，從預(yù)警到執(zhí)行決策在５ ｈ 內(nèi)完成，可實(shí)現(xiàn)事前預(yù)防。經(jīng)２０２３ 年汛期試運(yùn)行，工作效率大大提升。２０２４ 年汛期應(yīng)用至今共出現(xiàn)４ 次預(yù)警，警情響應(yīng)流程通暢，經(jīng)適當(dāng)停機(jī)避沙峰未出現(xiàn)汛期水輪機(jī)故障，不僅規(guī)避了泥沙磨損，也減少了前池站泥沙淤積。根據(jù)系統(tǒng)數(shù)據(jù)記錄，高含沙量預(yù)警均出現(xiàn)在６ 月洪水期，此時(shí)流量較大。系統(tǒng)含沙量預(yù)警記錄見表２。

４ 結(jié)論

結(jié)合水電站泥沙磨損防治需求，研發(fā)水電站引水渠水沙智能監(jiān)測(cè)與預(yù)警系統(tǒng)，并在塔勒德薩依水電站進(jìn)行實(shí)際應(yīng)用，得出結(jié)論如下。

１）系統(tǒng)監(jiān)測(cè)水沙數(shù)據(jù)精度可靠， 監(jiān)測(cè)流量與ＡＤＣＰ 測(cè)流設(shè)備實(shí)測(cè)值的ＥＭＡ ≤２． ９７ ｍ３ ／ ｓ、ＥＭＲ ≤２．１７％；監(jiān)測(cè)含沙量與人工烘干法實(shí)測(cè)值的ＥＭＡ ≤０．０６ ｋｇ／ ｍ３、ＥＭＲ ≤１６．９１％，與光學(xué)測(cè)沙儀實(shí)測(cè)值的ＥＭＡ≤０．２０ ｋｇ／ ｍ３、ＥＭＲ ≤１６．１０％。此外，系統(tǒng)可實(shí)現(xiàn)２４ ｈ的流量、含沙量實(shí)時(shí)同步監(jiān)測(cè)。

２）ＬＳＴＭ 模型對(duì)１～４ ｈ 預(yù)見期的含沙量預(yù)測(cè)精度較高，ＥＮＳ均大于０．９，可較準(zhǔn)確地反映含沙量變化過程；第５ ｈ 的ＥＮＳ相對(duì)較小，但大于０．７。模型總體預(yù)測(cè)精度較高，可為水電站泥沙預(yù)警超前提供含沙量變化趨勢(shì)。

３） 塔勒德薩依水電站含沙量預(yù)警閾值為３．５９ ｋｇ／ ｍ３，系統(tǒng)基于含沙量監(jiān)測(cè)數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)，智能觸發(fā)預(yù)警，可有效規(guī)避泥沙磨損維修情況，提高泥沙管理工作效率。

綜上，開發(fā)的水電站引水渠水沙智能監(jiān)測(cè)與預(yù)警系統(tǒng)，以含沙量智能監(jiān)測(cè)和預(yù)測(cè)數(shù)據(jù)為依據(jù)，以科學(xué)的預(yù)警機(jī)制推動(dòng)決策響應(yīng)，為泥沙磨損防治提供解決思路。下一步可通過加強(qiáng)對(duì)水輪機(jī)磨損程度、入渠泥沙粒徑的監(jiān)測(cè)，積累更精細(xì)的泥沙磨損資料，建立泥沙磨損與泥沙閾值之間更精確的關(guān)系，逐步優(yōu)化調(diào)整預(yù)警機(jī)制，促進(jìn)水電站綜合效益提升。

參考文獻(xiàn)：

［１］ 孫綿惠，付衛(wèi)山，許英秀，等．三門峽水電站汛期過機(jī)水流減沙情況和發(fā)電效益分析［Ｊ］．人民黃河，１９９８，２０（１２）：２２－２３．

［２］ 方興，余志順，劉小兵．高水頭多泥沙電站水輪機(jī)導(dǎo)葉的泥沙磨損研究［Ｊ］．人民黃河，２０１９，４１（６）：１２１－１２４．

［３］ 南軍虎，羅涵，馬康寧，等．旋流排沙渠道體型優(yōu)化的正交數(shù)值試驗(yàn)方法和應(yīng)用［Ｊ］．水力發(fā)電學(xué)報(bào)，２０２２，４１（１０）：１６０－１６９．

［４］ 劉小飛，岳春芳，王健，等．喀拉喀什河懸移質(zhì)沙量和過濾設(shè)備選型研究［Ｊ］．泥沙研究，２０１８，４３（３）：５７－６１．

［５］ 李煥新，劉定民，魏加華，等．移動(dòng)式水力清淤裝置原型試驗(yàn)研究［Ｊ］．水力發(fā)電學(xué)報(bào)，２０２４，４３（２）：６７－７４．

［６］ 李銳，張凡，王全洲，等．小浪底水電站水輪機(jī)泥沙磨損研究［Ｊ］．人民黃河，２０１０，３２（１２）：２３７－２３９．

［７］ 蘇艷意．探索多泥沙電站水輪機(jī)的選型和水力設(shè)計(jì)［Ｊ］．科技創(chuàng)新導(dǎo)報(bào)，２０２０，１７（１９）：９６－９７，１００．

［８］ 杜世平．水輪機(jī)泥沙磨損及應(yīng)對(duì)措施［Ｊ］．機(jī)電技術(shù)，２０１６（３）：９２－９４．

［９］ 祝繼文，陳建福．多泥沙電站水輪機(jī)抗泥沙磨損措施探析［Ｊ］．黑龍江水利科技，２０１８，４６（７）：１４０－１４２，１５３．

［１０］ 王玲軍，郭萬欣，崔旭東．小浪底電站汛期機(jī)組避沙對(duì)策研究［Ｊ］．人民黃河，２０２３，４５（增刊１）：１４０－１４１．

［１１］ 姜利玲，董炳江，湯成友，等．長(zhǎng)江上游三峽水庫(kù)入庫(kù)泥沙沙峰傳播時(shí)間研究［Ｊ］．人民長(zhǎng)江，２０２１，５２（７）：９－１６．

［１２］ 吳曉冬，羅勇鋼，王昌林，等．映秀灣水電站泥沙濃度在線監(jiān)測(cè)系統(tǒng)設(shè)計(jì)［Ｊ］．中國(guó)農(nóng)村水利水電，２０１８（１）：１８４－１８６，１８９．

［１３］ 劉小兵，曾永忠，華紅，等．漁子溪電站水輪機(jī)轉(zhuǎn)輪葉片泥沙磨損研究［Ｊ］．西華大學(xué)學(xué)報(bào)（自然科學(xué)版），２０２０，３９（５）：６７－７３．

［１４］ 陳佳瑞．映秀灣電站河流濁度與水輪機(jī)轉(zhuǎn)輪葉片泥沙磨損關(guān)系研究［Ｄ］．成都：西華大學(xué)，２０２１：４０－４８．

［１５］ 王偉，董先勇，魏進(jìn)春．金沙江下游水文泥沙數(shù)據(jù)庫(kù)及信息管理系統(tǒng)研究［Ｊ］．人民長(zhǎng)江，２０１４，４５（２）：４－７．

［１６］ 張金良．黃河洪水泥沙管理系統(tǒng)［Ｊ］．中國(guó)防汛抗旱，２００７，１７（３）：１３－１５．

［１７］ 陳華，陳夢(mèng)，趙浩源，等．基于時(shí)空影像法的河道流速流量計(jì)算應(yīng)用研究［Ｊ］．武漢大學(xué)學(xué)報(bào)（工學(xué)版），２０２４，５７（７）：８７２－８８０．

［１８］ 李濤，徐高，梁思涵，等．人工智能圖像識(shí)別在水利行業(yè)的應(yīng)用進(jìn)展［Ｊ］．人民黃河，２０２２，４４（１１）：１６３－１６８．

［１９］ 喬長(zhǎng)建，劉震，邰建豪．基于ＬＳＴＭ 的水文站流量短期預(yù)測(cè)建模差異性研究［Ｊ］．人民黃河，２０２４，４６（６）：１１９－１２５．

【責(zé)任編輯 栗 銘】

基金項(xiàng)目：國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（２０２２ＹＦＣ３００２７０１）