基于大数据的智慧水电云平台研究

王晓兰，管毓瑶，胡思宇，刘守豹

(大唐水电科学技术研究院有限公司，广西 南宁 530007)

0 引言

近年来，云计算、大数据、物联网、移动互联网、人工智能等新技术的创新发展，打破了传统思维，也影响着发电领域。水电行业中，云计算和信息化已经应用于各个环节中，对这些信息化数据的存储、计算和分析有着非常大的需求[1-2]。

目前，国内的水电厂已经过一段时间的信息化建设，一些规模较大的电厂已基本实现信息化管理，建立了大量的监控、监测和管理系统来满足日常运行工作的需要和解决特定的管理问题[3-5]。在生产运行中运用电子信息技术，实现部分步骤的自动化生产，如自动化控制、生产设计自动化、智能电表等，采集了大量的生产、运行、管理数据等[6-9]。这些系统功能各有侧重，收集到的信息既有交集，也存在差异和互补的内容。随着水电厂的发展和管理要求的提高，不同专业数据应用之间、水电厂和上级管理部门之间的信息共享和协作要求越来越高，迫切需要一个可以将多业务系统数据综合利用、协同分析、为现场一线技术人员提供业务优化的综合平台。目前，也有很多学者对于水电数据的深度挖掘、综合应用做出了探索与研究，但是大多仅仅停留在方案设计阶段，未能落地实现，也有少部分的落地项目依然存在数据应用薄弱的问题，对数据的展示大于对数据的挖掘与分析，没有充分实现智能决策[10-11]。

1 存在问题

电力系统在数据应用方面主要存在以下问题。

1) 数据来源于多系统，互相独立，缺少多源数据融合，数据无法共享。

2) 目前水电厂多采用在线监测系统的实时预警对设备状态进行监测，这种预警基本属于对单一部位的越限预警，没有对多数据进行联合挖掘。

3) 目前的故障诊断与劣化分析多采用机理模型进行判断，对于人工智能的应用不够深入。

下面研究的基于大数据的智慧水电云平台，解决了水电厂智能系统功能单一、数据链条无法打通、数据应用不够深化等一系列问题。研究的基于水电数据的远程故障诊断、工况识别技术，可以有效实现数据的深化应用，挖掘更多数据价值，为智慧电厂的建设提供技术支撑。

2 平台总体架构

基于数据应用需求，设计与开发多模块集成的web 应用，依托拾贝云开发平台，综合运用多种开源软件框架完成系统相关功能建设。采用JavaEE标准体系B/S 构架技术实现，借助Spring Cloud提供的API 网关服务，Eureka 实现微服务。总体系统架构分为基础感知层、数据管理层、业务应用层、综合展示层以及决策层五层结构。基础感知层主要完成数据采集与接入，数据管理层处理数据存储及治理相关任务，业务应用层主要基于数据资源进行数据挖掘分析与应用，综合展示层主要完成对业务数据及监测数据的展示与可视化，决策层主要基于智能应用结果为现场决策提供辅助参考。具体架构如图1 所示。

图1 系统架构

1) 基础感知层。利用电厂现有传感、计量等边缘感知设备为云平台提供数据支撑。接入电厂的计算机监控系统、水情水调系统、在线监测系统以及电量采集系统的全息监测数据，作为平台源数据。

2) 数据管理层。针对基础感知层采集到的数据以清洗、转换、聚合、存储等步骤的工作流对数据进行全链路管理。

3) 业务应用层。基于数据管理层提供的数据服务进一步实现web 服务、事务管理、消息服务、模型映射等前后端web 应用功能，并基于数据实现状态监测、劣化预警、故障预警、故障诊断等业务功能模块。

4) 综合展示层。基于状态监测、劣化预警、故障预警、故障诊断等业务功能进行汇总分析，形成包含统计报表、生产管理指标、设备故障诊断指标、生产经营管理指标等内容的可视化图表并进行展示。

5) 决策层：利用多终端来创建沉浸式电厂运营辅助管理和总体决策支持的虚拟现实环境，通过云平台实现关键信息的快速获取，实现风险预警、辅助决策管控以及应急指挥等功能。

3 平台关键技术

3.1 数据存储

基于MySQL、TDengine 两种数据库实现数据存储。其中，MySQL 数据库主要存储页面测点信息、账户、账户权限信息等web 应用所需要的数据。针对电厂监控数据的数据量多、高度结构化，强时间序列，“增查”多，“删改”少，相比于具体更关心趋势等特点，选择了国产数据库TDengine，其主要用于存放生产数据的各测点(表)的时序数据。TDengine 数据库专为物联网、车联网、工业互联网、运维监测等优化而设计，性价比高，开源，支持云端和本地部署的高效存储、查询分析时序大数据。

基于系统需求，设计搭建TDengine 分布式集群，集群中共有三台服务器作为物理节点。在TDengine 数据库存储技术中，为更好适应异构的硬件设备，完成负载均衡、查询任务等工作，每个物理节点配置多个虚拟节点，利用虚拟节点存储具体数据，每个虚拟节点包含多个表，并在虚拟节点上进行针对时序数据的插入和查询等操作。虚拟节点以异步方式实时同步数据，保证数据最终一致；一份数据在多台物理机器上有拷贝，保证系统运行可靠性；虚拟管理节点采用Master-Slave 机制，保证元数据的高可靠性。

3.2 智慧应用

平台利用丰富的机器学习、深度学习、人工智能算法，对水电数据进行挖掘及应用，为智慧电厂建设中智慧决策、智慧诊断等应用场景的升级赋能。平台主要设计了劣化预警、故障诊断与预测、状态评估等三个方面的智慧应用。

3.2.1 劣化预警智慧应用

发电设备从正常到故障是个渐变过程，此应用可及时准确地获取设备状态信息，为设备维护维修提供指导，预防故障发生。此应用从状态分析、趋势分析两大方面展开，如图2 所示。

图2 劣化预警分析

按照“设备部件基础特征参数→计算基础特征参数劣化指数→计算部件劣化指数→计算设备劣化指数”的流程来进行劣化评价，最终得到设备(发电机、水轮机等)的劣化评价指数，如图3 所示。

图3 劣化预警流程

3.2.2 故障诊断与预测智慧应用

此应用是基于设备运行产生的各种数据(在线监测的实时数据，以及检测、历史缺陷、故障样本等离线数据)，汇聚多种专业知识，具备敏感的模型差异捕获能力，可以发现故障的早期征兆，给出预测信息，如图4 所示。

图4 故障诊断与预测技术路线

3.2.3 状态评估智慧应用

基于实时监测、状态分析、趋势分析、智能诊断，充分运用统一设备建模、可靠性检修策略等高级应用算法及模型实现状态评估及检修辅助决策，如图5 所示。

图5 状态评估技术路线

此应用依据设备状态特征量和状态评价相关导则，利用模糊识别的相关算法，对反映设备健康状态的各项指标进行分析评价，并最终得出设备总体健康状态等级。

4 应用实例

该平台已采集接入某集团在川发电企业所辖10 个水电厂的生产运行数据，做到实例化。平台以某水电厂为例，实现了平台所设计的相关模块与功能。同时开发和设计了油色谱分析、振摆分析、过电压分析诊断、温度分析诊断等智能分析模型。通过测试，该平台有较强的稳定性，所开发的智能模型准确率能够达到90 %以上，对于促进辅助决策，以及实现状态检修具有显著效果。

5 结束语

1) 针对水电厂数据来源的多系统问题，采用集控中转接入的方式，实现多系统数据的一站式接入。使用专业的国产物联网分布式时序数据库TDengine 搭建时序数据库集群，实现了海量数据的快速写入和快速读取。

2) 所研究的水电云平台功能健全，可以实现数据的综合利用，且采用微服务架构，易于扩展。

3) 基于各个专项监测设备集成起来的全息监测数据，通过数据关联与融合，进行综合分析。基于专家系统，研究油色谱分析、振摆分析、过电压分析诊断、温度分析诊断等智能分析模型，为变压器、水轮机、避雷器、断路器等提供故障诊断、预警、维修指导。实现了设备运行状态的自动研判、自主分析和危险预警功能，实现设备缺陷早发现、设备故障早报警的功能，助力电厂实现智慧运行、智慧检修和智慧管理。