设计并开发一个统一的数据驱动框架，用于异常检测、数字可视化以及工业水电站运营的贝叶斯优化

《Renewable Energy Focus》：Design and development of a unified data-driven framework for anomaly detection, digital visualization, and bayesian optimization of industrial hydropower plant operations

　　摘要
本研究提出了一种混合时间序列分析框架，用于利用来自泰米尔纳德邦Mettur-second大坝发电站的工业数据，实时检测异常并实现水轮机运行的健康感知控制（HAC）。该电站包含两台15兆瓦的Kaplan涡轮发电机组。所提出的框架在监测到的涡轮机运行数据中检测到了71个异常，并估计出每秒0.000103台单位的退化率，相应的健康指数（HI）为1.16小时，即在评估的运行条件下剩余使用寿命（RUL）为1.16小时。健康感知决策框架将当前的运行状态分类为“建议”级别，表明需要增加监控和及时的维护干预。为了以净零成本实现水电站的最大潜力运作，必须推进现代化和数字化进程。使用Power BI的仪表板可以全面评估水电站的性能，为数据分析师提供决策支持和辅助工具。该仪表板有助于分析水电站内所有单独单元的输入和输出动态。此外，贝叶斯优化预测了大约91%的最大涡轮机效率，并确定了一个最佳运行条件，即15兆瓦的功率输出和0.90的开度。整个优化框架作为一种高效的异常检测和面向效率的运行决策方法被开发出来。

引言
水力发电设施利用水巨大的潜在能量来产生电能。由于能源来源是水，因此被称为水电站；电站是指从特定来源产生电能的地方。水力发电的优势在于，所使用的水在发电前后都不含任何污染物，且电力的平均成本也不算过高。水力发电站将水的动能转化为电能。水电站的关键组成部分包括：1.水库：用于储存河水的结构；2.大坝：一种土木工程项目，为涡轮机提供适当的水流速度；3.发电站：用于生产和传输电能的场所；4.涡轮机：水流冲击涡轮机叶片使其旋转；5.发电机：将机械能转化为电能的装置；6.变压器：将电能转换为另一种电路的被动设备；7.控制闸门：用于调节水流。本文讨论的水电站位于Mettur，由多个发电站组成，每个发电站都有一个横跨河流的大坝，用于改变水流方向并将其引导至电站所在地。大坝的四个坝体依次接收水流。在水电站中，水的重力驱动涡轮机旋转从而产生电能。由于水资源的丰富性，这种发电方式在节约化石燃料方面发挥了重要作用。水电站通过将水的势能和动能转化为机械能和电能，在可再生能源发电中发挥着重要作用。水轮发电机组的可靠运行依赖于诸如水库水位、水流速度、闸门开度、涡轮机状态、振动和发电量等不断变化的参数。随着工业SCADA系统的广泛应用，大量运行和传感器数据不断从水电站收集，为数据驱动的监控和智能运行提供了重要机会。然而，传统的监控方法主要依赖于预定义的阈值、可视化和操作员经验，这可能无法早期识别出微妙、非线性或不断变化的异常情况。除了异常检测之外，有效的水电站管理还需要持续评估设备健康状况、性能评估以及确定最佳运行条件。现有研究通常独立处理这些功能，导致异常诊断、数字监控和运行优化之间的整合有限。因此，检测到异常状况并不一定能提供关于设备健康状况或电厂操作员所需适当操作行为的充分信息。这一局限性促使开发出一种集成的数字技术框架，能够将电站数据转化为有意义的诊断、预测和操作信息。所提出的框架结合了基于SCADA的数据采集、统计方法、机器学习、时间序列异常检测、基于Power BI的数字监控以及贝叶斯优化技术。通过这些技术的结合，该框架旨在提供一个统一的决策支持环境，实现异常识别、健康评估、性能可视化和优化运行建议。这种整合为水电站运营建立了数据到决策的路径，有望提高早期故障识别、运行效率和基于状态的维护能力。

图1展示了所提出框架的图形摘要，重点介绍了从SCADA数据采集和异常检测到数字可视化、贝叶斯优化和智能运行决策支持的端到端工作流程。
针对工业能源系统和水电站，已经开展了大量关于智能状态监控、异常检测、数字孪生和优化技术的研究。随着工业物联网（IIoT）、监控控制和数据采集（SCADA）系统以及人工智能（AI）的快速发展，数据驱动的方法在提高设备可靠性、预测性维护和运行效率方面变得越来越重要。最新研究表明，将机器学习与工业监控系统结合使用，可以持续评估设备健康状况，并支持复杂工程系统的决策制定。异常检测已成为识别工业设备中异常运行状况的重要技术之一。Chandola等人[6]首次进行了全面的调查，将异常检测方法分为统计方法、基于接近度的方法、聚类方法和机器学习方法。同样，Hodge和Austin[11]回顾了异常值检测方法及其在真实工程数据集中的适用性。随着人工智能的发展，Akoglu等人[2]引入了基于图的异常检测方法，用于识别高维工业数据中的复杂关系。Bergstra等人[3]提出的超参数优化技术进一步提升了机器学习模型在异常检测中的性能。这些研究为智能故障诊断奠定了理论基础，但主要集中在异常识别上，没有考虑设备退化评估、剩余使用寿命估算或运行优化。数字孪生（DT）技术作为实时监控和工业系统预测性维护的解决方案日益受到关注。Sleiti等人[1]提出了一种强大的数字孪生架构，用于集成物理资产和虚拟模型，以提高运行可靠性。Ersan和Irmak[8][29]为实际水电站开发了数字孪生模型，采用虚拟传感技术来补偿测量误差并提高电站可靠性。Krug等人[14]展示了数字孪生在推动工业4.0转型中的作用，通过物理系统和虚拟系统之间的持续同步实现。Ren等人[21]研究了通过智能规划和数字基础设施实现水电站的数字化转型策略，而Kumar和Saini[13]开发了基于云的物联网框架，用于远程监控水电站。Seng等人[24]回顾了人工智能、物联网和分布式传感技术在工业应用中的最新进展，而Risti?和Bo?i?[4]以及Kougias[12]总结了现代水电站的新兴数字技术及其在提高运行效率和维护实践中的作用。尽管这些研究表明数字孪生和智能监控技术的应用日益增多，但它们主要侧重于监控和可视化，而非优化和智能决策支持的整合。

优化技术也被广泛研究用于改进水电站运行和水库管理。Moridi和Yazdi[26]提出了一个多目标优化框架，用于多水库系统的最佳洪水控制容量分配，而Hatumkhani等人[15]开发了一个基于WEAP的仿真优化框架，用于水电站的规划和运行。Ahmadi等人[17]引入了结合确定性和随机性的鲁棒优化方法，以提高不确定性条件下的水库运行效率。这些研究显著改善了水资源管理，但主要集中在水库调度和水力优化上，而没有考虑设备健康状况或基于状态的运行决策。贝叶斯优化（BO）因解决计算复杂的工程优化问题而受到广泛关注。Brochu等人[5]首次引入贝叶斯优化作为一种高效方法，能够平衡探索和利用过程。Shahriari等人[22]随后进行了全面回顾，涵盖了约束优化、顺序决策和工程应用，而Frazier[9]讨论了包括约束性、批量和多目标贝叶斯优化策略在内的最新方法发展。Diessner等人[7]进一步研究了工程设计中常见的昂贵黑箱优化问题的贝叶斯优化。在水电站应用中，Masood等人[18]采用基于机器学习的替代模型加速了Kaplan涡轮机的计算流体动力学（CFD）驱动优化。Morita等人[19]展示了基于高斯过程回归（GPR）的贝叶斯优化在计算流体动力学优化中的应用，而Sheikh等人[23]结合变形设计技术使用贝叶斯优化优化了水动力涡轮机的流道几何形状。Gobert等人[10]提出了用于水能储存调度的批量贝叶斯优化策略，Palm等人[20]开发了基于高斯过程回归的多目标贝叶斯优化框架，Lei等人[16]应用替代模型辅助优化来改进泵涡轮机的启动顺序和导向叶片控制策略。总体而言，这些研究表明贝叶斯优化在解决复杂工程问题方面的有效性，但其与基于SCADA的数字孪生的实时运行决策支持整合仍有限。

最近的研究越来越多地将机器学习、SCADA分析和智能优化结合应用于水电站。Yang[27]提出了一种适用于小型水电站的多变量时间序列异常检测框架，显著提高了SCADA数据预处理的可靠性。Dao等人[28]开发了一种基于贝叶斯优化的CNN-LSTM模型用于水轮机故障诊断，贝叶斯优化自动选择了最佳神经网络超参数以提高诊断准确性。Sanz-Bobi等人[30]提出了基于深度学习的虚拟数字孪生，用于使用SCADA数据检测发电站冷却水泵的异常，展示了数字孪生在预测性维护中的能力。Yang等人[31]回顾了抽水蓄能水电站中采用的监控技术，并强调了智能传感和诊断系统的最新发展。此外，Sujatha[25]开发了一种基于机器学习的故障检测和评估框架，用于工业水轮机，证实了使用工业运行数据实现智能状态监控的可行性。这些最新研究表明AI驱动的监控技术的应用日益增多，但异常检测、数字孪生、替代建模和运行优化仍然主要作为独立的研究主题进行研究。尽管在异常检测、数字孪生技术、机器学习、贝叶斯优化和水电站监控方面取得了显著进展，现有研究大多仍独立处理这些技术。很少有研究将基于SCADA的异常检测、健康指标估算、剩余使用寿命（RUL）预测、数字孪生可视化、高斯过程替代建模、贝叶斯优化和智能建议支持整合在一个统一的框架中。因此，本研究提出了一个综合的数据驱动数字孪生框架，结合了基于机器学习的异常检测、健康感知状态监控、替代建模、贝叶斯优化和交互式可视化，以实现实时运行决策支持、预测性维护和工业水电站的能效提升。

综上所述，尽管在应用人工智能、数字技术和优化技术于水电站方面取得了显著进展，但仍存在一些重要的研究空白：
- 现有研究主要集中在故障检测/分类上，但不同类型的异常和运行条件变化并未通过统一框架进行处理；
- 异常检测通常被视为分析任务，检测到的信息与以操作员为导向的数字监控环境缺乏充分整合；
- 许多研究能够识别异常状况或评估设备健康状况，但未随后确定流量、闸门开度、功率和效率等最佳运行参数；
- 需要一个统一框架，将实际电站的SCADA数据集成用于异常检测、电站状态可视化、性能评估和优化运行条件。

由于系统缺陷导致的意外事件被称为异常。从机器中获得的时间序列数据被收集并存储起来以供进一步分析。这些存储的数据可以使用机器学习模型进行分析。通过机器学习模型可以识别出异常情况和故障模式。这些识别出的模式可以帮助行业进行决策，从而以较低的成本提高生产力，进而提升整个工厂的效率。时间序列分析已被用于检测数据点之间的异常。这种异常检测将帮助工业界预测过程工业中的机器故障。虽然水电站已经建得很完善，但水轮机的效率取决于各种运行条件，如水流变化、水头、导叶开度和转轮叶片的倾斜角度。由于复杂性、非线性、高维度、不确定性和成本高昂，传统的优化方法无法应用于此类问题。此外，水轮机的性能曲线是非线性的，并且会随流量和水头的变化而变化。即使是最小的设置偏差也会导致输出量的显著损失，这激发了针对水轮机优化的研究。贝叶斯优化（BO）通过使用 surrogate 模型提供了一种数据高效的学习方法来近似水轮机的效率。BO 能够量化不确定性，并能在变化的运行条件下实时优化水轮机的性能。从更广泛的意义上说，它可以在不增加新基础设施的情况下通过最大化产量来提高水轮机的效率。效率提高 1-2% 将带来收入的增加。作为一种数据驱动的、考虑不确定性的自适应工具，贝叶斯优化技术填补了复杂的涡轮机动态与可持续高效运行之间的空白。

尽管数字孪生、机器学习和水力系统优化技术最近取得了进展，但仍然需要能够同时支持实时监控、异常检测、预测性维护和基于工业 SCADA 数据的运行优化的集成框架。现有的研究通常分别处理这些功能，很少将数据驱动的 surrogate 建模、贝叶斯优化和交互式决策支持工具结合在一个统一的数字孪生架构中。因此，本工作的目标是为工业水电站开发并验证一个数据驱动的数字孪生框架，该框架集成了基于机器学习的异常检测、 surrogate 建模、贝叶斯优化和交互式可视化技术，以改进实时监控和运行决策。具体来说，所提出的框架包括：(i) 开发一种基于数据的 waterpower 运行 surrogate 模型；(ii) 实施基于机器学习的异常检测模块，用于早期识别异常运行状况和设备退化；(iii) 结合运行约束的贝叶斯优化框架以确定最佳运行条件；(iv) 评估多目标优化中的权衡；(v) 使用 Lower Mettur Barrage Power House-II 的工业 SCADA 数据验证所提出的方法；(vi) 实现自适应在线优化，以实现智能工厂运行。此外，还使用了 Power BI Desktop 来开发用于实时可视化、异常监控、性能分析和操作员决策支持的交互式仪表板。

本工作的创新之处在于将工业数字孪生与机器学习、贝叶斯优化和交互式可视化结合在一起，并使用真实的 waterpower SCADA 数据在统一的决策支持框架中进行集成。与仅关注监控、优化或可视化的个别方面的现有研究不同，所提出的方法结合了知识驱动和数据驱动的方法来执行异常检测、健康指数 (HI) 估计、剩余使用寿命 (RUL) 预测、运行优化和基于仪表板的决策支持。这一集成框架为预测性维护、提高运行效率和智能管理工业水电站提供了可扩展且实用的解决方案。本研究的主要贡献总结如下：
- 开发了一个统一的框架，用于集成工业 SCADA 数据采集、异常检测、数字可视化和水电站监控的运行优化。
- 采用了统计、机器学习和基于时间序列的方法来识别水电站数据中的异常运行行为，并提高了异常诊断的可靠性。
- 将检测到的异常和工厂性能指标整合到基于 Power BI 的数字监控环境中，实现了运行趋势、性能指标和异常信息的直观可视化。
- 贝叶斯优化被用于识别有利的运行条件，包括流量、闸门开度、发电量和水轮机效率，从而使框架不仅仅局限于异常检测，还扩展到了运行决策支持。
- 使用 Lower Mettur Barrage Power House-II 的实际工业 SCADA 数据验证了所提出的框架，证明了其在实际水电站监控和决策支持中的可行性。

本文的组织结构如下：第 1 节介绍了研究的背景、动机、研究文献、创新点、目标和主要贡献；第 2 节描述了工业水电站的特性、实验设置、测量方法和不确定性分析；第 3 节介绍了所提出的统一框架和研究方法；第 4 节介绍了异常检测模型；第 5 节和第 6 节分别介绍了数字可视化模块和贝叶斯优化；第 7 节讨论了健康意识控制 (HAC)、健康和水轮机故障仪表板以及最佳水轮机设置的结果；第 8 节总结了研究贡献和未来发展方向。

### 工业水力数据描述
水力发电厂中的能量通过水转换成机械可用的形式，然后通过发电机驱动产生电力。基本上，是水因重力而产生的动量推动了水轮机叶片，将其能量转化为机械能，如图 2 所示。

### 异常检测模块
使用了一种统计技术（如移动平均法）来突出时间序列数据中的较大波动并平滑短期内趋势。该方法计算时间序列数据的平均值，即在一个指定窗口内计算滚动平均值和标准差。如果数据点超出某个阈值，则认为存在异常。移动平均法利用滚动窗口计算特定数量的时间序列数据的平均值。

### 异常检测模型
为了确保过程工业的安全，检测由机器产生的异常是非常必要的。本文使用了几种算法，包括统计方法、机器学习和时间序列方法来检测异常。在水轮机中，利用移动平均法、单类 SVM 和时间序列方法来检测异常值。

在实时异常检测中，结合统计和机器学习算法的混合方法会更有效。

### 贝叶斯优化用于水力性能优化
通过历史工厂数据（流量 Q、水头 H、功率 P），贝叶斯优化找到最佳运行点（最佳的 Q 和 H），从而计算出水轮机的预测效率。效率通常通过以下公式计算：
$$ \eta = \frac{P}{\rho H} $$
其中：
- $ P $ – 输出功率（W）；
- $ Q $ – 流量（m3/s）；
- $ H $ – 水头（m）；
- $ \rho $ – 水密度（1000 kg/m3）。

为了构建贝叶斯优化问题，需要遵循以下步骤：
- **输入变量**：流量 Q、水头 H 和功率 P；
- **目标函数**：寻找最佳运行点。

### 结果与讨论
对于健康意识控制 (HAC) 系统，遵循图 13.1 所示的步骤：
1. 混合异常检测 – 移动平均 + 单类 SVM；
2. 健康指数 (HI) (0-1) – 将残差与 SVM 严重程度结合起来，得出 0-1 的健康评分；
3. 退化估计 – 基于 HI 趋势跨越临界 HI 阈值；
4. 剩余使用寿命 (RUL) 估计；
5. 健康意识控制 (HAC) – 根据 HI 值切换模式：
- 正常 → HI > 0.80；
- 建议 → 0.80 ≥ HI > 0.60；
- 降额 → HI ≤ ...

### 结论
本研究开发了一个混合框架，用于工业水电站的异常检测、退化评估、剩余使用寿命 (RUL) 预测、实时可视化和运行优化。所提出的混合方法结合了统计时间序列分析和机器学习来检测和确认水轮机运行数据中的异常运行条件。通过在工业数据中人为引入异常来生成故障条件，以评估该框架的有效性。

### 利益冲突声明
作者声明没有任何已知的财务利益或个人关系可能影响本文报告的工作。