基于区块链的水电设备故障风险动态计算模型

李继成，段宝仓，陈 琦，孟 威，刘源涛，田 丰，张海波，闫佳佳

（1.国网东北分部绿源水力发电公司云峰发电厂，吉林 集安 134200；2.沈阳工业大学 电气工程学院，辽宁沈阳 110870）

0 引言

随着水电厂自动化水平的不断提高，厂内多种类水电设备数量不断增加，水电厂系统数据规模和复杂程度随之提高。目前水电厂在运行过程中无法进行有效数据记录与实时数据计算，影响了电厂生产管理数据与电厂实际运行情况间的信息交互，同时造成水电厂整体生产的安全性降低[1]～[3]。具有去中心化、公开透明的区块链可信数据交换技术，可有效提高水电厂水电设备安全生产的积极性和有效性[4]～[6]。因此，为了提高水电厂对水电设备在生产和运行过程中存在的不确定因素和安全隐患的应对能力，实现人力资源成本降低，提高水电设备利用率，促进组织结构优化，本文基于区块链技术提出了水电设备故障风险动态计算模型，该模型可为水电厂稳定运行提供重要的理论与技术支撑。

目前，已有学者针对水电厂水电设备的安全生产、故障风险等方面展开了相关研究并取得了一定的成果。文献[7]考虑水电厂水电设备运行数据纵向分层和横向分区的原则，构建了智能水电厂全景式数据中心，能够实现水电厂数据跨区同步的功能，对水电设备故障风险进行预测。文献[8]通过采集研究水电厂水电设备在运行生产过程中的危险源数据特征，建立了水电厂危险源辨识系统，通过实时监测以及风险值与危险类型的评估，提高水电设备作业的安全性能。文献[9]分析了水电设备生产环境的不确定性，针对水电设备安全生产形态进行了状态登记划分，同时考虑水电设备安全生产状态评估与趋势预测，建立了水电设备故障风险演化分析模型，可以提升水电厂稳态运行的安全水平。文献[10]为提高水电厂生产管理的安全性，减少异构无关数据的影响，采用水电厂跨区数据同时搜索、互相协调的方法，构建了水电厂跨区数据安全融合体系。文献[11]考虑水电厂安全生产管理监测与运行性能差的问题，采用威努特网络威胁感知技术对水电设备的各类型数据密度、增益等特征进行了提取与分析，并在此基础上构建了水电设备安全运行情况计算模型。上述文献对水电厂内水电设备的安全生产、故障风险方面进行了相关研究，并取得了一定的成果，为解决基于区块链的水电设备故障风险动态计算问题提供了一定的理论指导，但仍存在一些问题须要解决：如何充分考虑水电厂内水电设备在生产和运行过程中存在的不确定性与数据关联的影响，如何对水电设备的安全生产情况进行动态计算，实现水电设备生产管理数据与电厂实际运行情况间的信息交互，提高水电厂整体生产的安全性，是目前为保障水电厂水电设备稳定运行的主要措施之一。

本文提出了基于区块链的水电设备故障风险动态计算模型。首先结合区块链的可信数据交换技术，构建了水电厂水电设备故障风险数据传输、交换与存储的架构体系；之后采用自适应混沌粒子群算法优化径向基神经网络参数，建立水电厂设备故障风险数据预测计算模型，在此基础上采用Jaccard距离进行结果校正，实现计算误差反馈和计算模型优化；最后通过算例仿真验证本文所提水电设备故障风险动态计算模型的可行性和优越性。

1 基于区块链的水电设备故障风险数据架构

水电厂的实际水电设备故障风险相关数据主要包括部门生产数据、员工操作数据、设备运行状态数据、环境条件数据等，数据规模庞大、种类复杂多样，会制约水电厂安全生产管理的有效性，影响水电厂水电设备故障风险计算速度和精度。因此，本文采用DBSCAN算法[12]将数据进行预处理。该算法通过空间点的不同密度将低密度区域的点划分为噪声点，能够剔除水电厂水电设备故障风险数据中的无关变量和异常值，减小对水电设备故障风险预测模型的影响，能够保证计算速度和精度。

设 数 据 集R={r1，r2，…，ri，…，rn}，数 据 集 内 某个个体ri为中心发散至个体之间距离的临界值ε，得到包含核心点和边界点的最大化区域，将数据集R区域划分为b个数据群和c个噪声点集合。

式中：Aa为由水电设备故障风险数据集划分出的第a个数据群；Ba为由水电设备故障风险数据集划分出的第a个白噪声。

本文分别对水电设备故障风险数据中的无关变量和异常值进行划分和剔除，并根据式（2）对预处理后的数据进行归一化处理，能够有效降低不同量纲引起的数据差异导致的水电设备故障风险技术模型的计算误差。

式中：maxA和minA分别为ri所属数据特征A的最大值、最小值；ri'为原始数据ri归一化处理后的数值。

考虑到预处理后的水电设备故障风险数据间的关联性较强，基于具有去中心化、公开透明的区块链可信数据交换技术，本文提出了水电设备故障风险数据传输、交换与存储的架构体系，能够有效避免水电厂在生产和运行过程中存在的不确定性影响，防止数据被篡改，可以在保障安全隐私的同时实现数据信息共享。

将水电设备故障风险动态计算模块添加到构成区块链的最小单元哈希块中，构成的新组合结构如图1所示。通过计算模块的高速度和高精度的计算与区块链具有的去中心化和安全性，实现水电设备运行过程中各类数据交互的安全性和高效性，同时，本文将可信数据交换技术和区块链技术相结合，实现水电设备故障风险数据的加密传输、交换与存储。

图1 用于水电设备故障风险动态计算的区块链结构图Fig.1 Block chain structure diagram for dynamic calculation of failure risk of hydropower equipment

2 水电设备故障风险动态计算模型

2.1 水电设备故障风险数据预测模型

基于去中心化的区块链可信数据交换技术进行水电设备故障风险数据传输、交换与存储，本文综合考虑水电设备实际运行情况变化，采用自适应混沌粒子群算法优化径向基函数（Radial Basis Function，RBF）神经网络[13]对水电设备故障风险情况进行合理预测，计算出水电设备精准的实时故障风险率，从而提高生产和运行过程中存在的不确定因素和安全隐患的应对能力，严格监督水电厂运营与检修计划。

RBF神经网络的激活函数可表示为

式 中：rs=（r1，s，r2，s，…，rb，s）表 示 第s个 水 电 厂 安 全生产数据的输入样本；ci为隐含层节点中心；‖rsci‖为欧式距离系数；σ为方差。

则输出函数可表示为

式中：wik为隐含层到输出层的连接权值；yk为输出值，即水电设备故障风险计算结果；m表示隐含节点数；δk表示输出层节点的阀值。

本文通过更改网络中各层级间的联系，能够实现输入层的信息直接反馈到输出层，并在此基础上采用自适应混沌粒子群（Self-Adaptive Chaos Particle Swarm Optimization，SA-CPSO）算 法[14]对RBF神经网络参数进行优化，实现整体模型的性能与精确度，具体的训练步骤如下。

①设置SA-CPSO算法的基本参数，初始化ci，并选取S个水电设备故障风险数据的样本。

②按照欧式距离‖rs-ci‖，采用DBSCAN聚类算法将rs映射至水电设备故障风险输入数据集βs（s=1，2，…，S）中 进 行 训 练 样 本 分 类。

③根据下式计算方差：

式中：cmax为基函数中心间的最大距离。

④根据式（6）计算输出层与隐含层的连接权值：

⑤根据Logistic映射方程式（7）混沌初始化粒子的位置与速度：

式 中：Aε为 第 ε个 混 沌 变 量，0≤A0≤1；χ∈（0，4]为控制参量。

⑥计算粒子的适应值，记录各粒子自身以及全 局 最 优 位 置，并 根 据 式（8），（9）更 新 粒 子 速 度 和位置：

式中：w为惯性权重；w'为初始惯性权值；L为迭代最大时的惯性权值；I为最大训练次数；c1，c2＞0为学习因子；d为搜索空间维数；e为当前迭代次数；分别为粒子的自身和全局最优位置。

⑦计算种群适应值，更新粒子和种群的最优位置。

⑧判断是否满足最大迭代次数，若是，则输出全局最优阈值与权值赋予神经网络，否则进行下一步。

式 中：Yi，Y˙i分 别 为 实 际 输 出 值 和 训 练 预 测 值；Xmax，Xmin分别为粒子位置遍历范围的上、下限。

2.2 计算误差反馈模型

本文为了进一步提高计算精度，实现水电设备故障风险实时计算结果与实际结果的误差反馈，在建立水电设备故障风险动态数据预测模型的基础上，采用Jaccard距离对预测结果进行 校 正[15]。

将Jaccard相似系数作为衡量指标，可以表示为式中：B，C分别为水电设备故障风险实时计算结果与实际结果。

通过计算Jaccard距离来度量水电设备故障风险实时计算结果与实际结果之间的差异性，并反馈至式（8），基于误差反馈更新粒子速度和位置，输出全局最优阈值与权值赋予神经网络。

式 中：dJ（B，C）为Jaccard距 离，数 值 越 小 表 示 样 本相似度越高。

2.3 水电设备故障风险动态计算模型

基于去中心化的区块链可信数据交换技术，综合水电厂水电设备故障风险动态数据预测模型和计算误差反馈模型，本文构建了水电厂水电设备故障风险动态计算模型的拓扑结构与流程图，分别如图2、图3所示。

图2 水电设备故障风险动态计算模型拓扑图Fig.2 Topological diagram of dynamic calculation model of hydropower equipment failure risk

图3 水电设备故障风险动态计算模型流程图Fig.3 Flow chart of dynamic calculation model for hydropower equipment failure risk

由图2，3可以看出，水电厂内的各数据上传节点、数据使用工作人员、需求与供给方数据库与区块链主链经节点注册后能够实现数据上链，并将数据信息存储在各类数据库中。在与区块链可信数据交互平台签订合约并协定密钥体系后，水电设备实际生产和运行数据能够通过数据上传节点将数据与供给方数据库进行信息交互与存储，并经数据加密处理后上传至数据总库，等待主链提取。同时，当工作人员进行水电设备故障风险计算时，能够在区块链可信数据交互平台中提取主链的各区块实现数据交互与计算，本文将水电设备故障风险动态计算模块添加在构成区块链的哈希块中，能够通过计算模块与基于Jaccard距离进行结果校正，实现计算误差反馈和计算模型优化，提高水电设备故障风险情况计算结果的准确性，为指导水电设备实际安全操作提供指导，并将计算结果存储至各类数据库，为未来水电设备故障风险数据预测与交互提供数据基础，实现水电设备故障风险动态计算，提高水电厂运行安全性与稳定性。

3 算例仿真

本文以我国某地区水力发电厂的典型日内实际水电设备运行数据为样本，对所提基于区块链的水电设备故障风险动态计算模型进行仿真验证。水电厂的实际水电设备故障风险相关数据主要包括部门生产数据、设备的运行状态参数、员工的操作情况相关数据、环境参数等。

本文为提高水电厂水电设备故障风险动态计算模型的计算精度，通过对水电设备故障风险数据进行预处理，能够识别与剔除水电设备故障风险数据中的无关数据和异常值，减小对水电设备故障风险数据预测计算模型的影响，数据处理后筛选的结果如图4所示。

图4 数据处理结果Fig.4 Data processing results

分别采用本文提出的自适应混沌粒子群算法优化的RBF神经网络模型（SA-CPSO-RBF）、带压缩因子的粒子群算法[16]优化的RBF神经网络模型（YSPSO-RBF）、ADAM算法优化的RBF神经网络模型（ADAM-RBF）、RBF神经网络模型对本文提出的基于区块链的水电设备故障风险动态计算模型的有效性进行验证测试。设置种群初始规模为200；最大训练次数I=200；学习因子c1=1.06，c2=1.35；迭代最大时的惯性权值L=0.25；初始 惯 性 权 值w'=0.9；SA-CPSO-RBF，ADAM-RBF和YSPSO-RBF的初始权值分别由SA-CPSO算法、ADAM算法和YSPSO算法寻优得出并通过误差反馈不断更新，传统RBF神经网络模型的初始权值经随机获取后自动赋值，通过仿真实验，4种模型的仿真结果如图5，6与表1，2所示。

表1 算法的求解结果Table1 The results of the algorithmss

通过图5中各算法计算输出的对比结果可以看出，与YSPSO-RBF模型、ADAM-RBF模型、RBF神经网络模型相比，本文采用的SA-CPSORBF模型在基于区块链的水电设备故障风险动态计算模型中的预测值与实际结果最接近。

图5 计算对比结果Fig.5 Calculate the comparison results

由图6所示的各算法的计算误差对比结果可知，本文提出的SA-CPSO-RBF模型水电设备故障风险数据预测结果与YSPSO-RBF模型、ADAM-RBF模型、RBF神经网络模型相比，其计算误差分别降低了44.64%，52.83%，62.79%。因此，采用本文所提出的模型对水电设备故障风险进行动态计算，能够得到更高精度的计算结果，为水电厂在应对生产和运行过程中存在的不确定因素和安全隐患时提供更精准的指导，可有效实施水电厂安全生产的动态管理，促进组织结构优化，同时仿真结果也验证了所提模型的有效性。

图6 计算误差对比结果Fig.6 Computational error comparison results

由表1可知，在本文提出的基于区块链的水电设备故障风险动态计算模型中，采用SA-CPSO算法对RBF神经网络的权值进行求解，并采用Jaccard距离进行修正，其收敛速度与求解速度优于ADAM算法和YSPSO算法。因此，通过使用区块链技术实现水电设备故障风险数据记录与数据交互能够有效提高模型的计算速度。表2中3种数据预测模型的计算结果表明，本文采用的SACPSO-RBF模型的计算速度与计算精度优于YSPSO-RBF模型、ADAM-RBF模型与RBF神经网络模型。

表2 数据预测模型的计算结果Table2 The results of the algorithms

4 结束语

针对水电厂内水电设备在运行和生产过程中存在安全隐患等问题，实现水电设备生产管理数据与实际运行情况的信息交互，本文提出了一种基于区块链的水电设备故障风险动态计算模型，并以我国某地区水力发电厂的典型日内实际安全生产数据为样本，通过算例仿真可得，基于去中心化的区块链可信数据交换技术，采用自适应混沌粒子群算法建立水电设备故障风险数据预测计算模型，并对计算误差反馈和计算模型优化建立的水电设备故障风险动态计算模型，能够实现水电厂安全生产的动态监督，提高水电厂对生产和运行过程中存在的不确定因素和安全隐患的应对能力。