一种应用于水电站的闸门漏水检测模型构建方法

技术领域

本发明涉及水电站闸门漏水检测技术领域，具体而言，涉及一种应用于水电站的闸门漏水检测模型构建方法。

背景技术

就目前而言，水电站的蜗壳段事故门落门和尾水门落门是否存在漏水现象，通常需要结合尾水放空阀排水时间、蜗壳放空阀排水时间与蜗壳压力管路压力下降情况进行综合判断，若蜗壳段事故门或尾水门出现落门问题，继而容易产生漏水现象。现阶段的水电站通常依靠检修人员凭借经验反复提落门，直至落门达到设定效果后再进行排水，不仅消耗大量时间，并且由于通过人工主观的凭借经验判断，无法客观比较分析水电站的压力数据，容易导致水电站的漏水量的测量数据与实际数据存在误差，存在极大的不确定性，不能满足使用需求。基于此，我们设计了一种应用于水电站的闸门漏水检测模型构建方法，用于解决上述技术问题。

发明内容

本发明的目的在于提供一种应用于水电站的闸门漏水检测模型构建方法，其用于解决上述技术问题。

本发明的实施例通过以下技术方案实现：

一种应用于水电站的闸门漏水检测模型构建方法，其特征在于，该方法的步骤包括：

建立可靠性概率表，基于布设的压力探测模块获取历史蜗壳段及历史尾水段的时序压力数据，分别对历史蜗壳段及历史尾水段的时序压力数据进行数据预处理，将预处理数据形成历史蜗壳段及历史尾水段压力单模态信息，依据可靠性概率表以及贝叶斯推理模型得出对应的多模态融合概率，依据多模态融合概率获取历史蜗壳段及历史尾水段的可靠时序信息，以表征为蜗壳段的时序数据集以及尾水段的时序数据集，进入下一步骤；

应用自适应滤波算法分别构建蜗壳段故障检测模型以及尾水段故障检测模型，以蜗壳段的时序数据集作为蜗壳段故障检测模型的输入，同时以尾水段的时序数据集作为尾水段故障检测模型的输入，分别对蜗壳段故障检测模型以及尾水段故障检测模型进行模型训练，结合设定评估指标算法并以最优值作为评估结果，获取完成训练的蜗壳段故障检测模型以及尾水段故障检测模型；

将完成训练的蜗壳段故障检测模型以及尾水段故障检测模型布设至对应区域，并将蜗壳段及尾水段的实时监测数据输入至对应模型，完成水电站的闸门漏水检测。

可选的，布设的压力探测模块包括：布设在蜗壳进口的压力监测器、布设在蜗壳尾部的压力监测器、布设在尾水管进口的压力监测器以及布设在尾水管尾部的压力监测器。

可选的，历史蜗壳段的时序压力数据包括：蜗壳进口的压力数据与蜗壳进口的压力数据所对应单位时间排水量，以及蜗壳尾部的压力数据与蜗壳尾部的压力数据所对应单位时间排水量。

可选的，历史尾水段的时序压力数据包括：尾水管进口的压力数据与尾水管进口的压力数据所对应单位时间排水量，以及尾水管尾部的压力数据与尾水管尾部的压力数据所对应单位时间排水量。

可选的，上述所述的蜗壳进口及尾部的压力数据所对应的单位时间排水量，具体通过预设的蜗壳放空阀的过流面积，并通过伯努利方程计算获取；

上述所述的尾水管进口及尾部的压力数据所对应的单位时间排水量，具体通过预设的尾水管体积，并通过伯努利方程计算获取；

伯努利方程的计算公式为：

p+ρgh+(1/2)*ρv^2＝C*。

可选的，分别对历史蜗壳段及历史尾水段的时序压力数据进行数据预处理，其中，数据预处理的方式具体为卡尔曼滤波法。

可选的，设定评估指标算法具体选用拟合优度R方评估指标算法、平均绝对误差MAE评估指标算法、均方误差MSE评估指标算法及均方根误差RMSE评估指标算法其中之一。

一种应用于水电站的闸门漏水检测模型构建系统，应用上述所述的应用于水电站的闸门漏水检测模型构建方法，包括：依次连接的历史数据获取模块、数据预处理模块、模型构建模块、模型训练模块、模型评估模块；其中，历史数据获取模块用于获取历史蜗壳段及历史尾水段的时序压力数据，数据预处理模块用于对历史蜗壳段及历史尾水段的时序压力数据进行数据预处理，模型构建模块应用自适应滤波算法分别构建蜗壳段故障检测模型以及尾水段故障检测模型，模型训练模块用于对蜗壳段故障检测模型以及尾水段故障检测模型进行模型训练，模型评估模块用于结合设定评估指标算法并以最优值作为评估结果，分别对蜗壳段故障检测模型以及尾水段故障检测模型进行模型评估。

一种电子设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现上述所述应用于水电站的闸门漏水检测模型构建方法的步骤。

一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述所述应用于水电站的闸门漏水检测模型构建方法的步骤。

本发明实施例的技术方案至少具有如下优点和有益效果：

本实施例通过建立的基于伯努利原理的蜗壳段事故闸门故障检测模型、尾水段闸门故障检测模型进行建模，能够科学的对闸门漏水进行计算，替代人工计时方式测量导叶漏水量，有效地掌握机组检修落门的状况，解决闸门是否落好、延误检修工期等问题；

另外，本实施例只需利用已有数据采集方式，无需添加额外监测器，不影响机组正常运行，成本极低。该诊断旨在高效甄别蜗壳段、尾水段落门未成功造成的闸门漏水故障，达到提升检修工作效率、缩短检修周期、节约检修成本的目的。

附图说明

图1为本发明提供的一种应用于水电站的闸门漏水检测模型构建方法的流程示意图；

图2为本发明提供的蜗壳压力下降曲线示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

如图1、图2所示，本发明提供了其中一种实施例：一种应用于水电站的闸门漏水检测模型构建方法，其特征在于，该方法的步骤包括：

建立稳定概率表，基于布设的压力探测模块获取历史蜗壳段及历史尾水段的时序压力数据，分别对历史蜗壳段及历史尾水段的时序压力数据进行数据预处理，将预处理数据形成历史蜗壳段及历史尾水段压力单模态信息，依据稳定概率表以及贝叶斯推理模型得出对应的多模态融合概率，依据多模态融合概率获取历史蜗壳段及历史尾水段的稳定时序信息，以表征为蜗壳段的时序数据集以及尾水段的时序数据集，进入下一步骤；

应用自适应滤波算法分别构建蜗壳段故障检测模型以及尾水段故障检测模型，以蜗壳段的时序数据集作为蜗壳段故障检测模型的输入，同时以尾水段的时序数据集作为尾水段故障检测模型的输入，分别对蜗壳段故障检测模型以及尾水段故障检测模型进行模型训练，结合设定评估指标算法并以最优值作为评估结果，获取完成训练的蜗壳段故障检测模型以及尾水段故障检测模型；

将完成训练的蜗壳段故障检测模型以及尾水段故障检测模型布设至对应区域，并将蜗壳段及尾水段的实时监测数据输入至对应模型，完成水电站的闸门漏水检测。

历史蜗壳段压力单模态信息具有m个，每个历史蜗壳段压力单模态信息对应有k个稳定概率表，历史尾水段压力单模态信息具有n个，每个历史尾水段压力单模态信息对应有j个稳定概率信息表，其中可靠性概率Efg中存储有第f个闸门的检测数据表现为第g种单模态信息的可靠性概率，从而通过可靠性概率表Efg能够根据第g种单模态信息的检测数据查询到第F个闸门表现为该测量值的可靠性概率P(M

在本实施例的其中一种应用中，由布设在蜗壳进口的压力监测器、布设在蜗壳尾部的压力监测器收集历年的蜗壳段事故门合闸时相应的时序压力数据；由布设在尾水管进口的压力监测器以及布设在尾水管尾部的压力监测器收集历年的尾水段合闸时相应的时序压力数据；由水轮机的数据获取蜗壳放空阀的过流面积、机组尾水管体积。

针对采集和计算得到的时序压力数据(上述四种压力数据及其对应的单位时间排水量数据)进行预处理。用卡尔曼滤波法使原始数据更平滑、噪声更少，以达到提高模型预测精度的目的。

在本实施例中，布设的压力探测模块包括：布设在蜗壳进口的压力监测器、布设在蜗壳尾部的压力监测器、布设在尾水管进口的压力监测器以及布设在尾水管尾部的压力监测器。

在本实施例的其中一种应用中，将预处理后的蜗壳段压力数据及其对应的单位时间排水量作为蜗壳段的时序数据集的特征，构建蜗壳段故障检测模型；将预处理后的尾水段压力数据及其对应的单位时间排水量作为尾水段的时序数据集的特征，构建尾水段故障检测模型。并将历史检修记录中，单次落门即能开始检修工作的记录数据标记为“正常数据”标签；多次落门才能开始检修工作的记录数据标记“故障数据”标签。

将附带上述特征、即正常与故障数据标签的数据输入对应的故障检测模型中，利用自适应滤波算法(Least Mean Square)进行模型训练，获得能够针对新的检修工作中短时间内采集到的压力数据进行故障诊断的模型，在未来蜗壳段、尾水段检修期落门时能迅速诊断出是否落门成功。

本实施例只需利用已有数据采集方式，无需添加额外监测器，不影响机组正常运行，成本极低。该诊断旨在高效甄别蜗壳段、尾水段落门未成功造成的闸门漏水故障，达到提升检修工作效率、缩短检修周期、节约检修成本的目的。

在本实施例中，历史蜗壳段的时序压力数据包括：蜗壳进口的压力数据与蜗壳进口的压力数据所对应单位时间排水量，以及蜗壳尾部的压力数据与蜗壳尾部的压力数据所对应单位时间排水量。

另外，对于本实施例中所述的故障检测模型应用为自回归模型，自回归模型(Autoregressive Model，AR)是一种用于回归的机器学习模型，该模型主要用来处理单变量时间序列数据，模型中任意变量均可通过其自身的滞后值、其他相关变量、常数项及误差项组成的方程表示，并可以通过迭代对其未来值进行预测。

即本实施例利用实际测量数据，基于自回归方法构建蜗壳段和尾水段的故障检测模型，使用最少的理论假设，以时间序列的统计特征为出发点，所需资料不多，可用自身变数数列来进行预测。

本实施例考虑了每次检修期，能够用于故障诊断的数据及其特征较少，不适用于依赖大量数据的机器学习方法，因此采用了基于机器学习的自回归方法。

在本实施例中，时序数据是按发生时间顺序排列的具有相同统计指标的一系列值，如果某一变量可以进行时间序列观测，并且过去的数据包含该变量未来变化的信息，则可以使用过去观测数据的某个函数对该变量的未来值进行预测，因此，本实施例中故障检测模型中的时序压力数据即上述，如蜗壳、尾水部分的历史压力变化，并且过去的压力数据包含了未来压力的变化信息，因此可以利用压力历史数据去预测未来数据。

同时基于上述时序数据，本实施例中的自适应滤波法是以时间序列的历史观测值进行某种加权平均来进行预测，它要寻找一组“佳”的权数，其办法是先用一组给定的权数来计算一个预测值，然后计算预测误差，再根据预测误差调整权数以减少误差。这样反复进行，直至找出一组“佳”权数，使误差减少到低限度。由于这种调整权数的过程与通讯工程中的传输噪声过滤过程极为接近。

因此，本实施例的模型构建具体步骤如下：

(1)根据伯努利方程计算排水量，用卡尔曼滤波法进行数据预处理。

(2)模型建立：使用监督学习算法(自回归方法)和自适应滤波法进行建模，将处理好的数据输入至模型算法中进行训练和验证，评估模型的泛化能力，对测试数据进行结果预测。

(3)建立模型结果评估体系，包括但不限于拟合优度R方评估指标、平均绝对误差MAE评估指标算法、均方误差MSE评估指标算法、均方根误差RMSE评估指标算法，对模型算法的预测结果进行评估，以便调整出最优预测模型。

在本实施例中，历史尾水段的时序压力数据包括：尾水管进口的压力数据与尾水管进口的压力数据所对应单位时间排水量，以及尾水管尾部的压力数据与尾水管尾部的压力数据所对应单位时间排水量。

在本实施例中，上述所述的蜗壳进口及尾部的压力数据所对应的单位时间排水量，具体通过预设的蜗壳放空阀的过流面积，并通过伯努利方程计算获取；

上述所述的尾水管进口及尾部的压力数据所对应的单位时间排水量，具体通过预设的尾水管体积，并通过伯努利方程计算获取；

伯努利方程的计算公式为：

p+ρgh+(1/2)*ρv^2＝C*。

本公式涉及能量平衡原理，具体为压能+势能+动能为一个常数，蜗壳体积一定(固定水量)，确定放空阀开度后，计算排水量，漏水量可通过排水量-固定水量获取。

在本实施例中，分别对历史蜗壳段及历史尾水段的时序压力数据进行数据预处理，其中，数据预处理的方式具体为卡尔曼滤波法。

在本实施例中，设定评估指标算法具体选用拟合优度R方评估指标算法、平均绝对误差MAE评估指标算法、均方误差MSE评估指标算法及均方根误差RMSE评估指标算法其中之一。

一种应用于水电站的闸门漏水检测模型构建系统，应用上述所述的应用于水电站的闸门漏水检测模型构建方法，包括：依次连接的历史数据获取模块、数据预处理模块、模型构建模块、模型训练模块、模型评估模块；其中，历史数据获取模块用于获取历史蜗壳段及历史尾水段的时序压力数据，数据预处理模块用于对历史蜗壳段及历史尾水段的时序压力数据进行数据预处理，模型构建模块应用自适应滤波算法分别构建蜗壳段故障检测模型以及尾水段故障检测模型，模型训练模块用于对蜗壳段故障检测模型以及尾水段故障检测模型进行模型训练，模型评估模块用于结合设定评估指标算法并以最优值作为评估结果，分别对蜗壳段故障检测模型以及尾水段故障检测模型进行模型评估。

一种电子设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现上述所述应用于水电站的闸门漏水检测模型构建方法的步骤。

一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述所述应用于水电站的闸门漏水检测模型构建方法的步骤。

综上所述，本实施例通过建立的基于伯努利原理的蜗壳段事故闸门故障检测模型、尾水段闸门故障检测模型进行建模，能够科学的对闸门漏水进行计算，替代人工计时方式测量导叶漏水量，有效地掌握机组检修落门的状况，解决闸门是否落好、延误检修工期等问题。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。