基于经验进化水电厂管网故障检测模型研究.doc

电气技术与经济/研究与开发 电气技术与经济/研究与开发 PAGE 6/2018.01 2018.01/ PAGE 5 小一号黑体，占三行，上下各空1 小一号黑体，占三行，上下各空1行，数字和英文加粗 四号楷体李 莉1 李 军2 四号楷体 五号仿宋体 五号仿宋体 10磅黑体10磅仿宋体，行距15磅，字间距加宽0.2磅，通栏排，左右各空2个字摘 要：水电厂管网故障检测系统中存在着传感器众多及信息结构复杂引发的数据处理问题。针对上述问题，提出了基于经验进化的水电厂管网故障检测模型。该模型首先将历史处理经验与现场数据融合，其次将现场检测数据与经验数据进行匹配，对出现的管网故障进行检测与识别，最终通过反馈信息促使专家经验进化。实验证明，该模型较之传统模型，具有较高的检测精度、检测效率和较高的性价比。 10磅黑体 10磅仿宋体，行距15磅，字间距加宽0.2磅，通栏排，左右各空2个字 10磅黑体关键词：故障检测；水电厂管网；匹配算法；模型 10磅黑体 小四号黑体， 小四号黑体，顶格排 0 引言 正文10磅宋体，行距15磅两栏排，中间空2字水电厂管网故障检测系统中的传感器数量众多，信号繁复，数据结构复杂，因此其数据分析与处理模型存在着诸多困难。新疆大山口水电厂2013年引进了国外的IFC公司的水电厂管网故障检测系统，但通过实践发现，该系统的性能尚有待提高，如：管损检测系统中的传感器种类较多，传回的信号较多，而整个检测系统建设分为多期进行，采用的传感器型号和规格不尽相同，FDDC模型的数据结构的动态类型较少，难以完全兼容上述信息，后续的信息融合非常困难。国内外众多研究人员针对这些问题开展了一系列的工作：文献[1]中讨论管网的数学建模问题；文献[2-3]讨论了在管网故障检测中引入智能算法的相关问题与解决措施；文献[4-5]研究了复杂管网仿真建模以及相关的故障诊断算法；文献[6]研究了基于神经网络的水电厂系统故障诊断方法；文献[7]研究了液体管网的智能优化设计策略。但在实际应用中，上述研究成果暴露出一些问题，基于已有研究成果，综合大山口水电厂的实际项目要求，本文提出了一种基于经验进化的水电厂管网故障检测模型FDEE（Water Pipe Network Fault Diagnosis Model based on Experience Evolution 正文10磅宋体，行距15磅 两栏排，中间空2字 1 模型结构与主要单元 　　　　　　　　　　　新疆电力公司新型应用科技基金项目（2017LCQ0332）。针对现场需求和研究成果的不足，FDEE与传统的检测模型相比，进行了以下主要改进，模型的总体结构与主要处理流程如图1 　　　　　　　　　　　 新疆电力公司新型应用科技基金项目（2017LCQ0332）。 图文小五号黑体，居中排 图文小五号黑体，居中排 图1 FDEE模型结构 六号宋体图1为FDEE模型的结构与处理流程，从图中可以看出该模型主要包括四个模块：专家经验处理模块、现场数据直接判断模块、现场数据融合判断模块以及用以存储数据的专家经验库模块。基于这些模块，FDEE模型充分利用了管网故障检测过程中的历史数据与专家经验，破除了以前工作中的一些问题与瓶颈，如：现有模型（本文的研究主体对象为IFC公司的FDDC模型）的问题根源之一是历史数据与处置经验应用不充分，过分依赖传感器生成的信息。当传感网络复杂到一定程度，出现故障“蝴蝶效应”时，现有模型一方面难以应付大批量的告警数据，另一方面浪费了大量已有的成功案例等经验数据[8]。针对这些情况，FDEE模型将既有的历史处置经验与现场实时数据相融合，在进行复杂判断前，先将检测数据与历史处置经验（专家经验）进行匹配，通过对专家经验库的搜索，检索到一定的历史经验，对当前的管网故障检测实施信息支持，在一定程度上解决了这些问题。FDEE模型研究了新型的管网故障检测专家经验应用算法。这部分算法的核心是匹配算法，主要解决了管网故障诊断系统对历史专家经验难以利用的瓶颈。其主体思路是提取现场数据的特征，与专家经验库中的案例进行匹配，生成初次判断，加速检测过程；在检测结果生成，并得到验证后，将相关数据反馈给专家库，使其中的信息得以进化，以便提供更为全面、精准的专家经验。 六号宋体 2 FDEE模型数据处理流程 首先将整个水电厂管网的故障问题视为一个可测度空间（向量构成空间）：。其中的测度函数第一位为：，当且仅当 时成立。而对于其中的模糊测度可以有：，，另有： ；如果为可测度空间 上的模糊测度值[9]，则存在可测度函数 。进一步可以定义其关于的积分有： 。综上所述，有： ，而，是经典的Choquet积分。其详细的处理步骤 如下。 Step1：检测开始，初始化参数和最大循环次数。 Step2：计步器设为0，