基于余弦相似性的在线监测系统智能预警方法

张军军

基于余弦相似性的在线监测系统智能预警方法

张军军

（国电南京自动化股份有限公司，南京 211106）

针对当前发电厂在线监测系统设备报警即故障的问题，提出一种基于余弦相似性的电力设备智能预警方法。基于发电厂远程诊断平台提供的设备监测数据驱动，根据设备特征参量，利用余弦相似性计算设备测点数据之间的相关性，得到状态矩阵，进而构建针对特定设备测点数据的预警模型，以实现设备的早期预警。工程应用案例表明，本文所提方法可实现智能预警，解决了在线监测系统设备报警即故障的问题，减少了电厂设备故障的发生，提升了巡检人员的工作效率。

余弦相似性；在线监测系统；智能预警；数据驱动；特征参量

0 引言

近年来，随着计算机技术和大数据技术的快速发展，智能预警广泛应用于各行各业，如周江建等利用预警技术对烟草车间传送设备齿轮磨损情况进行研究[1]；赵云龙等将智能预警技术应用于配电网，对其运行风险进行研究[2]；马乐等利用视频监控实现了智能预警技术在油田生产工作中的应用[3]。智能预警是通过对设备的大量运行数据进行学习，实现对异常数据的识别并提前报警，以降低设备故障风险的过程。

水轮发电机是水电厂中最关键的电力设备，若此类设备发生严重故障则会给电厂带来重大的安全风险和经济损失，因此对设备故障进行智能预警、确保设备安全稳定运行具有重要意义。

传统的智能预警方法基于固定阈值进行异常判定，无法实现对设备故障的提前报警，导致设备报警即发生故障的问题频繁出现，因此有必要对设备智能预警技术进行研究。

国内外诸多学者和工程人员对状态检测系统智能预警与故障诊断[4-6]技术进行了深入研究。HE Kaixun等[7]通过一种基于多块的方法进行异常检测和预警，并将其应用于火力发电厂。XIE Jinglong等[8]利用物联网技术辅助实现了智能电网预警系统。朱明增等[9]通过对电力设备存在的危险点进行判定和分析，利用温度预警模块设计并提出电网调控一体化运行电力设备危险点智能预警方法。孙方楠等[10]为了提高电网自动化管理水平，实现电网的调度预警，构建了电网智能调度预警系统，为电网调度预警可视化提供了思路。任晓辉[11]对电网调度控制自动化系统运行状态的实时监视、评价、预警及故障进行了研究。贡文明[12]利用智能算法设计了电力设备的远程故障预警系统，为电力设备智能预警系统的设计提供了参考。此外，佘兢克等[13]基于深度学习方法对核电站的失水事故进行智能预警与仿真研究。安东等[14]将智能预警监测系统应用于水电站和风电场中，减少了设备的维修工作。HAO Guo等[15]研究了智能辅助带电作业安全监测预警技术。

针对电厂关键设备，本文基于余弦相似性[16]提出一种在线监测系统智能预警方法。余弦相似性广泛应用于数据挖掘[17]领域，可通过运行数据之间的关联性来挖掘潜在的数据信息，为系统提供预警决策。基于发电厂丰富的在线监测数据[18]，本文利用余弦相似性获得设备测点状态矩阵，构建设备预警模型，并采用动态阈值调整技术实现设备测点模型的早期预警。现场应用表明，本文所提方法可解决在线监测系统设备报警即故障的问题[19]，有效减少了电厂设备故障的发生，提升了巡检人员的工作 效率。

1 余弦相似性

余弦相似性是一种数学计算方法，通过计算向量空间中两个向量之间夹角的余弦值来作为两个向量之间的相似性度量。两向量余弦值越大，表明夹角越小，表示两向量相似性越高。

向量空间中两维向量与的余弦相似性计算公式为

式中：为向量和之间的夹角；x与y分别为向量和的第个元素。

2 基于余弦相似性的预警方法

2.1 建立预警模型

建立基于余弦相似性的多参量预警模型的基本步骤如下。

1）关联性分析及异常数据筛选

依据设备机理及专家经验，初步筛选建模参数。通过可视化视图查看初筛建模参数的数据趋势。以可视化图形的方式直观地进行测点数据之间的关联性分析[20]，选取相关性较强的个测点参量用于模型构建，并结合发电厂班组运行经验，剔除非正常运行的历史数据，保留剩余数据用于构建模型。

2）构建状态矩阵

式中，m()为时刻采集到的第个测点的数据值。

结合设备工况[21]变化情况，选择不同时刻的个模式组成模型测点的状态矩阵，即

式中，(1)、(2)、∙∙∙、()为个时刻的个测点所组成的个模式。状态矩阵中的每一列向量即某一时刻（=1, 2,…,）由个相关联的测点所组成的一个模式，代表设备的一种正常运行工况，中的个模式表示设备运行的整个动态过程。

3）计算模式间余弦相似度得到相似度向量

计算模型测点的输入模式与模型测点状态矩阵中每一模式的余弦相似度，得到模型测点的相似度向量为

4）相似度向量标准化

将相似度向量转化为标准化权重向量，即

式中：为未标准化的权重向量；-1为状态矩阵的转置矩阵与计算得到的余弦相似度所组成矩阵的逆矩阵。

5）构建预警模型

根据以上步骤，可以得到预警模型为

将某一时刻模型测点的实时值输入预警模型可得到预测值，进而得到输入的实际值与预测值的偏差。

根据实际值和预警模型的预测值选取5种评价指标，即整体模型余量、实际值、预测值、相对偏差、绝对偏差。整体模型余量是一种整体误差的表示方式，每个参量均参与整体模型余量的计算，且每个参量都对该误差有一定的贡献。绝对偏差是实际值与预测值之差。相对偏差是绝对偏差占实际值的比例。通过多种评价指标与预警策略的设定来触发预警。

2.2 具体建模过程

本文所构建的智能预警模型[22]基于乌江渡水电厂远程诊断平台数据。图1为发电机部件特征参量建模[23]。预警模型的构建依赖发电机各部件的特征参量。

图1 发电机部件特征参量建模

本文对乌江渡水电厂3号机组上导轴承瓦温异常预警模型的建模过程进行介绍。基于发电机上导轴承的特征参量，初步筛选的建模参数如图2所示。

通过可视化视图查看初筛建模参数的数据趋势并进行建模参数间的关联性分析。初筛建模参数的数据趋势如图3所示，建模参数间的关联性分析如图4所示。

图2 初步筛选的建模参数

图3 初筛建模参数的数据趋势

图4 建模参数间的关联性分析

利用余弦相似性建立的3号机组上导瓦温温度模型（相似性）雷达图如图5所示。

图5 3号机组上导瓦温温度模型（相似性）雷达图

3 工程案例分析

本文所选案例来自于乌江渡水电厂1号机组的推力轴承油温2温度异常预警。本文所建立的智能预警模型自2020年12月8日投入乌江渡水电厂试运行，实时监控1号机组、3号机组的上导轴承、定子线圈、空气冷却器、推力轴承、水导轴承，成功预警1号机组和3号机组共4起隐患。

1号机组推力轴承油温2案例发生过程如图6所示。智能预警模型在元件失效之前7天左右，提前发现异常并准确预警。1号机组推力轴承油温2的温度正常值在30～45℃，2021年1月12日首次出现200℃，持续时间较短，未满足预警模型触发规则。

2021年1月14日，1号机组推力轴承油温2温度值为200℃，持续时长近8h。系统在持续时间至15min左右时已发出预警提醒，电厂工作人员开始关注此预警事件。

2021年1月20日，1号机组推力轴承油温2温度值恒为200℃，系统一直处于预警提醒状态，初步分析，该测点已失效。

图6 1号机组推力轴承油温2案例发生过程

2021年1月21日，电厂工作人员审核预警信息，明确1号机组推力轴承油温2测点异常，并将该预警事件登记在案，建议待机组检修时更换元件。

2021年3月22日，在1号机组检修期间，更换轴承油温2的测温元件。更换后，推力轴承油温2温度值恢复正常，预警提醒事件消除。

2021年1月14日10:00左右，1号机组的推力轴承温度异常模型发出预警，整体模型余量与绝对偏差同时发出预警信息，并且误差信息远超设定的多级预警阈值，该异常现象一直持续至当日18:00。1号机组推力轴承油温2模型整体余量如图7所示，1号机组推力轴承油温2绝对偏差如图8所示。1号机组推力轴承油温1、油温2、瓦温5的原始数据分别如图9～图11所示。

图7 1号机组推力轴承油温2模型整体余量

1号机组推力轴承油温1与1号机组推力轴承瓦温5在2021年1月14日同一时间段内的温度最高值不超过50℃，而1号机组推力轴承油温2高达200℃，且持续时长近8h，可将1号机组推力轴承油温2温度异常现象归结为该测点传感器或通信故障。值得注意的是，早在2021年1月12日9:00，推力轴承油温2也出现了监测温度为200℃的异常现象，但该现象持续时间较短，未触发预警机制，之后传感器正常运行。

图8 1号机组推力轴承油温2绝对偏差

图9 1号机组推力轴承油温1

图10 1号机组推力轴承油温2

图11 1号机组推力轴承瓦温5

纵观2021年1月8日—3月24日的1号机组推力轴承油温2的历史数据，推力轴承油温2测温元件故障问题于1月14日开始突显，后逐渐劣化，并于1月20日完全失效。经核查电厂巡视记录，该异常现象于测温元件完全失效后的次日被记录在相关文件中。电厂缺陷记录如图12所示。

图12 电厂缺陷记录

4 结论

本文提出一种基于余弦相似性的在线监测系统智能预警方法。基于发电厂远程诊断平台提供的设备监测数据，利用余弦相似性来计算设备测点数据之间的相关性，得到状态矩阵，进而构建针对特定设备测点数据之间的预警模型，实现了设备的早期预警。工程应用案例表明，本文所提方法可提前进行设备故障报警，解决了在线监测系统设备报警即故障的问题，有效减少了电厂设备故障的发生，提升了巡检人员的工作效率。

[1] 周江建, 刘宇晨. 烟草车间传送设备齿轮磨损智能预警方法研究[J]. 机械制造与自动化, 2022, 51(3): 244-247.

[2] 赵云龙, 傅文进, 李沛. 基于大数据的配电网运行风险智能预警方法[J]. 自动化应用, 2022(1): 116- 118, 122.

[3] 马乐, 张韬, 王睿, 等. 智能预警视频监控在油田生产中的应用[J]. 中国管理信息化, 2021, 24(5): 83-84.

[4] 杜厚贤, 刘昊, 雷龙武, 等. 基于振动信号多特征值的电力变压器故障检测研究[J]. 电工技术学报, 2023, 38(1): 83-94.

[5] 余颖, 刘亚东 ,李维, 等. 配电线路针式绝缘子早期故障动态特性研究[J]. 电工技术学报, 2023, 38(1): 71-82.

[6] 赵耀, 陆佳煜, 李东东, 等. 基于机电信号融合的电励磁双凸极电机绕组匝间短路故障诊断[J]. 电工技术学报, 2023, 38(1): 204-219.

[7] HE Kaixun, WANG Tao, ZHANG Fangkun, et al. Anomaly detection and early warning via a novel multiblock-based method with applications to thermal power plants[J]. Measurement, 2022, 193: 110979.

[8] XIE Jinglong, XIAO Xinxiu, XU Yao, et al. An IoT assisted early warning system for smart grid[J]. Journal of Physics: Conference Series, 2022, 2218(1): 012027.

[9] 朱明增, 李旭横, 刘小兰, 等. 电网调控一体化运行电力设备危险点智能预警[J]. 自动化与仪器仪表, 2020(11): 206-209, 215.

[10] 孙方楠, 梁后健, 袁瑜, 等. 基于可视化技术的电网智能调度预警系统构建[J]. 自动化与仪器仪表, 2018(5): 127-130.

[11] 任晓辉. 电网调控自动化系统运行状态在线监视与智能诊断研究及应用[J]. 电力系统保护与控制, 2018, 46(11): 156-161.

[12] 贡文明. 基于智能算法的发电设备远程故障预警系统分析[J]. 中国设备工程, 2022(11): 138-140.

[13] 佘兢克, 施天姿, 唐钰淇, 等. 核电站失水事故的智能预警及仿真方法研究[J]. 仪器仪表用户, 2021, 28(12): 35-40.

[14] 安东, 李峰, 陈炜, 等. 智能接地监测预警系统在水电站和风电场的应用[J]. 四川水力发电, 2017, 36(4): 116-119.

[15] HAO Guo, WANG Zhigang, MAO Dun, et al. Research on safety monitoring and early warning technology of intelligent auxiliary live working[C]// 2nd International Conference on Mechanical, Elec- tronics, and Electrical and Automation Control (METMS 2022), Guilin, China, 2022.

[16] KHALAJ F, KHALAJ M. Developed cosine similarity measure on belief function theory: an application in medical diagnosis[J]. Communications in Statistics- Theory and Methods, 2022, 51(9): 2858-2869.

[17] FRANCESCHINI R, ROSI A, CATANI F, et al. Exploring a landslide inventory created by automated web data mining: the case of Italy[J]. Landslides, 2022, 19(4): 841- 853.

[18] 韩璐. 变电站一次设备在线监测数据诊断及运维检修分析[J]. 电力系统装备, 2019(20): 91-92.

[19] 张军军, 陈果, 卢应强, 等. 风电场主设备预警诊断系统设计与开发[J]. 电气技术, 2023, 24(5): 52-57.

[20] 卢明, 伍川, 盛从兵, 等. 复合绝缘子酥朽断裂及内击穿故障的关联性分析[J]. 电瓷避雷器, 2022(1): 157-164.

[21] 安贵元, 高辉, 杨雪梅, 等. 在线监测在高压电气设备工况分析中的典型应用[J]. 电气技术, 2014, 15(8): 68-69.

[22] 郑慧娟, 黄海军. 水电厂生产运行智能预警模型设计思想[C]//中国水力发电工程学会自动化专委会2021年年会暨全国水电厂智能化应用学术交流会论文集, 南京, 2021: 318-321.

[23] 王非, 马雁, 刘黎明. 基于大数据分析的燃气—蒸汽联合循环机组远程诊断平台及其应用[J]. 电力与能源, 2018, 3(5): 693-694, 697.

Intelligent early warning method of online monitoring system based on cosine similarity

ZHANG Junjun

(Guodian Nanjing Automation Co., Ltd, Nanjing 211106)

When there is equipment alarms in the online monitoring system of power plants, there is equipment failure. An intelligent early warning method of power equipment based on cosine similarity is proposed to address this problem. Based on the equipment monitoring data provided by the remote diagnosis platform of the power plant, the cosine similarity is used to calculate the correlation between the equipment measurement point data according to the equipment characteristic parameters, and the state matrix is obtained. Then the early warning model for the specific equipment measurement point data is constructed to realize the early warning of the equipment. The engineering application case shows that the method proposed to this paper can carry out equipment early warning in advance, reduce the occurrence of power plant equipment fault, and improve the work efficiency of patrol inspectors.

cosine similarity; online monitoring system; intelligent early warning; data driven; characteristic parameters

2023-07-07

2023-07-21

张军军（1994—），男，硕士，工程师，主要从事电气设备在线监测与预警诊断智能化技术研究工作。