基于相似性约束时序基础模型的水电设备通用预警方法

杨靖宇 ,  孔丽君 ,  田源 ,  刘东 ,  张智 ,  汤正阳

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (31) :13536-13545

PDF (8106KB)
科学技术与工程 ›› 2026, Vol. 26 ›› Issue (31) :13536-13545 DOI: 10.12404/j.issn.1671-1815.2507999
论文:自动化技术、计算机技术

基于相似性约束时序基础模型的水电设备通用预警方法

作者信息 +

General Early Warning Method for Hydropower Equipments Based on Similarity-constrained Time Series Foundation Models

Author information +
文章历史 +

摘要

当前水电设备故障预警模型多为场景定制化小模型,可复用性较低,为模型开发及运维带来了较大负担。为实现“一模型多场景”的通用预警目标,提出了一种基于时序基础模型的水电设备故障预警方法。针对时序基础模型因跨分布泛化性过强难以有效区分正常与异常数据的难点,创新性地设计了一种基于隐式相似性建模的相似性约束时序基础模型框架。该框架通过在时序基础模型的隐特征空间中构建测试数据特征与原型特征间的相似性约束,限制模型在异常数据上的表达能力。理论分析结果以及长江流域某大型水电站多个真实设备故障的案例分析结果表明,该框架能够增大时序基础模型对正常与异常数据的预测误差差异,提高异常模式的可辨识性,实现更准确、更提早的预警性能,为时序基础模型在水电设备通用预警中的应用提供了一种可行的方案。

Abstract

The present fault early-warning models for hydropower equipments are mostly small and scenario-customized models with low reusability, which places a significant burden on model development, operations and maintenance. A hydropower equipment fault early warning method based on time series foundation models was proposed, aiming at a general early warning goal of one model for multiple scenarios. To address the dilemma that time series foundation models struggle to effectively distinguish between normal and abnormal data due to their strong cross-distribution generalization ability, a similarity-constrained framework based on latent similarity-based modeling was novelly developed for time series foundation models. The framework constructs similarity-based constraints between the representations of test data and prototypes, thus limiting the model's performance for abnormal data. The theoretical analysis results and several real-world equipment fault case analysis results from a large hydropower station in the Yangtze River basin indicate that, the framework is capable of enlarging the prediction error gap between normal and abnormal data, improving the identifiability of abnormal patterns, and improving accuracy and earliness of early warning. The framework provides a practical approach for application of time series foundation models for general hydropower equipment early warning.

Graphical abstract

关键词

水电设备监测 / 故障预警 / 时序基础模型 / 相似性建模 / 跨分布泛化

Key words

hydropower equipment monitoring / fault early warning / time series foundation models / similarity-based modeling / cross-distribution generalization

引用本文

引用格式 ▾
杨靖宇, 孔丽君, 田源, 刘东, 张智, 汤正阳. 基于相似性约束时序基础模型的水电设备通用预警方法[J]. 科学技术与工程, 2026, 26(31): 13536-13545 DOI:10.12404/j.issn.1671-1815.2507999
YANG Jing-yu, KONG Li-jun, TIAN Yuan, LIU Dong, ZHANG Zhi, TANG Zheng-yang. General Early Warning Method for Hydropower Equipments Based on Similarity-constrained Time Series Foundation Models[J]. Science Technology and Engineering, 2026, 26(31): 13536-13545 DOI:10.12404/j.issn.1671-1815.2507999

登录浏览全文

4963

注册一个新账户 忘记密码

在现代水电站运行与维护体系中,设备状态的智能监测与早期故障预警愈发成为保障系统安全、提升经济效益的关键环节[1-2]。近年来,以神经网络为基础的深度学习技术在工业安全监测领域得到广泛应用,凭借其对复杂非线性动态关系的建模能力,相比传统基于规则或浅层特征的数据分析方法,展现出更高的准确性和鲁棒性[3-6]。如卷积神经网络、循环神经网络、Transformer等模型,已被广泛应用于处理温度、液位、振动等关键参数所构成的水电监测时序数据,在模式提取、趋势分析、异常识别等方面取得了显著成效[7-9]。由于实际工业场景下异常样本极其稀缺,预警模型通常通过对正常历史数据进行预测或重构等无监督建模来学习设备的健康运行模式,并以预测误差或重构误差作为异常程度指标[10-12]。然而,现有预警模型多为针对特定设备场景定制的小规模模型。当将此类模型迁移到新的场景时,常出现性能显著下降的问题,甚至需要重新训练以适应新数据分布,表现出较弱的跨场景泛化能力。这种对场景定制的依赖不仅导致模型复用性差、开发运维成本高,也难以满足大规模、多场景的故障预警需求。
作为时序分析领域的人工智能技术前沿,时序基础模型(time series foundation models, TSFM)凭借强大的表征泛化能力展现出跨场景、跨分布应用的巨大潜力[13-15]。TSFM通过在海量、多源时序数据上进行自监督预训练来学习通用时序特征表示,训练得到数亿乃至数十亿参数规模的模型,能够捕捉不同场景的共性动态模式,实现跨场景、跨分布的泛化推理。因此,TSFM有望大幅降低水电设备预警模型的任务定制成本,支持实现“一模型多场景”的通用预警目标。
然而,TSFM在故障预警中的应用仍面临一大难题:模型在异常数据上的泛化能力过强,与故障预警的应用需求冲突。具体而言,数据驱动的故障预警通常假设模型仅在正常数据分布上保持良好泛化,而在异常数据分布上表现出可区分的系统性偏差,而TSFM由于追求跨分布泛化,往往在异常数据上也保持较高的预测精度,使正常与异常的残差差异不够明显。例如,对于某些罕见但变化平稳的故障模式,TSFM依然给出准确预测,导致残差被压低,从而出现漏报甚至误报。这种对异常分布的无差别适应性削弱了模型对故障的辨识能力,成为制约TSFM用于通用预警的核心障碍。因此,在保留TSFM跨场景泛化优势的同时,有必要抑制其对异常数据的过度适应,以确保模型对异常状态保持足够敏感。
为解决上述问题,提出一种基于隐式相似性建模(latent similarity-based modeling,LSBM)的相似性约束时序基础模型框架(similarity-constrained TSFM,SC-TSFM)。本文工作的主要特点体现在以下三个方面:其一,面向不同的水电设备监测场景,构建基于时序基础模型的统一预警流程,为不同设备测点的预警分析提供了可复用的方法框架;其二,通过在时序基础模型隐特征空间中引入相似性约束,有效增强框架对异常状态的辨识能力;其三,从理论分析与真实水电设备故障案例分析两个层面,验证所提框架在水电设备预警中的有效性和工程应用潜力。

1 时序基础模型及预警原理

以“基础模型”理念为核心的通用人工智能模型,已在自然语言处理(如DeepSeek[16])和计算机视觉(如SAM[17])等领域取得显著成效,但在时序分析领域仍处于发展阶段。TSFM普遍采用自回归预测或掩码重构等自监督预训练范式,这与预警模型基于预测或重构的数据建模途径天然匹配[13-15]。TSFM通常具备数亿乃至数十亿的参数规模,通过在大规模、多来源、无标签的时序数据上进行自监督预训练,学习具备通用性的时序表征,实现跨场景跨分布的泛化推理。本文中采用一种名为Time-MoE[15]的TSFM作为模型基座开展研究,该模型由全球多地华人国际科研团队联合研发并开源,具备优越的跨领域时序建模性能。Time-MoE验证了尺度定律在时序分析领域的可行性,即TSFM的性能会随着训练数据规模和参数规模的增长呈现规律性的提升[18]。一方面,Time-MoE首次在跨越9个领域并包含近3 000亿个时间点的大规模时序数据集上进行自监督预训练;另一方面,Time-MoE采用了创新的混合专家架构,实现了模型容量与计算效率的良好平衡,首次将TSFM的参数规模推向了十亿级别。Time-MoE采用了Decoder-Only的Transformer作为结构基础,并融合了大规模语言模型的一些最新成果,支持灵活的输入与预测步长。

Time-MoE的总体结构如图1所示,其主要由特征提取器和多步预测头两部分组成。对于Time-MoE特征提取器,为保证时序信息的完整,对输入数据采用逐点切分方式,并使用SwiGLU激活函数为每个时序数据点计算嵌入向量,然后将所得嵌入向量输入多个堆叠的混合专家Transformer模块,输出数据的隐特征向量。每个混合专家Transformer模块均包括层归一化操作、因果多头自注意力机制、混合专家层、残差连接等组件。其中,混合专家层由多个并行的前馈网络和路由开关组成,每一个时序数据点均可自主路由其中少量几个前馈网络,从而保障模型表达能力与推理效率的平衡。最终,多步预测头将隐特征向量映射为未来多个时刻的预测值。为提升模型对于分布漂移现象的鲁棒性,时序基础模型一般采用通道独立策略,将多变量时间序列当成多个单变量序列来分析,不考虑各变量间的依赖关系。

为将Time-MoE应用于故障预警,需基于历史数据预测当前数据,并计算预测值与真实值的残差作为异常评分。需要注意的是,时序预警与时序异常检测在原理上类似,二者均依赖对数据动态模式的准确分析,但在目标侧重点上有所不同:时序预警更侧重于在异常真正发生之前识别潜在的劣化趋势,从而实现提前干预;而时序异常检测则聚焦于在异常状态已出现时对其进行及时识别。以下对TSFM的时序预警原理进行数学符号描述。给定某设备场景的监测数据x∈RT,其中T为数据的时间跨度。针对时刻t,给定跨越L个时间步长的数据窗口xt-L+1:t=[xt-L+1,xt-L+2,…,xt]∈RL,其中xt为t时刻的数据,其他为t时刻之前的历史数据。Time-MoE采用了多步预测范式,设定预测步长为H,将xt-L+1:t拆分为xt-L+1:t-H∈RL-H和xt-H+1:t∈RH两部分,其中xt-L+1:t-H为模型输入数据,xt-H+1:t为模型预测目标。Time-MoE的推理过程可描述为

z=f(xt-L+1:t-H), ${\hat{\mathrm{x}}}_{\mathit{t}-\mathit{H}+1:\mathit{t}}$=g(z)

式(1)中:f为Time-MoE特征提取器;g为Time-MoE的多步预测头;z∈Rd表示隐特征,其中d为隐特征空间的维度;${\hat{\mathrm{x}}}_{\mathrm{t}}$为t时刻的数据预测值。给定阈值δ,t时刻的预测误差允许范围(误差带)为|${\hat{\mathrm{x}}}_{\mathrm{t}}$-xt|<δ。若超出该范围,则判定t时刻监测数据为异常,反之为正常。

2 相似性约束时序基础模型

TSFM的强泛化性体现在跨场景与跨分布两方面:跨场景泛化性指的是模型能够适应不同领域及系统的应用需求,跨分布泛化性指的是模型在输入数据分布发生变化的情况下仍能保持稳定的性能。水电设备通用预警模型应具备以下两点特性:一是实现不同场景间模型的高复用,从而降低模型的开发与维护成本,这与TSFM的跨场景泛化性一致;二是能够实现正常和异常数据分布的强区分,这与TSFM的跨分布泛化性冲突。例如,可能存在一些罕见但趋势平稳的故障数据,TSFM对其也能够预测得很准确。因此,基于TSFM构建水电设备通用预警模型的核心难点在于约束TSFM对于各场景下异常数据分布的适应性,增大正常数据和异常数据的预测误差差异。

提出的SC-TSFM较好地解决了上述难点,其总体框架如图2所示。SC-TSFM在TSFM的隐特征空间中实施LSBM过程:基于原型特征的稀疏线性组合构建常态特征子空间,在该子空间中计算测试数据的相似特征,并将其形成的预测结果作为其正常行为参考,若测试数据偏离该子空间,则相似性预测误差将增大。其中,原型特征指的是正常历史数据的典型特征。LSBM本质上是传统相似性建模(similarity-based modeling, SBM)[19]的一种变体,不同之处在于SBM在原始数据空间中实施,无法提取时序数据中的复杂时变信息,而LSBM通过在TSFM的隐特征空间中实施解决了该问题。将原型特征表示为$\{{\mathit{p}}^{\mathit{k}}{\}}_{\mathrm{k}=1}^{\mathit{K}}$,其中pk∈Rd,维度d与Time-MoE的隐特征一致,K为原型特征的数量。将原型特征组成的矩阵记作P∈RK×d。针对时刻t,模型输入数据为xt-T+1:t-H,其对应的隐特征为z,为便于描述,将该特征称为固有特征。基于固有特征与原型特征间的相似度,得到原型特征对于固有特征的组合权重w∈RK,即

w=Φz,P${\mathit{\Phi }}_{\mathit{P},\mathit{P}}^{-1}$

式中:Φ为核矩阵;Φ-1为核矩阵的逆。两个核矩阵的具体形式为

Φz,P=[$\begin{array}{llll}\mathit{\varphi }(\mathit{z},{\mathit{p}}^{1})& \mathit{\varphi }(\mathit{z},{\mathit{p}}^{2})& \dots & \mathit{\varphi }(\mathit{z},{\mathit{p}}^{\mathit{K}})\end{array}$]
ΦP,P=$\left[\begin{array}{llll}\mathrm{\varphi }({\mathit{p}}^{1},{\mathit{p}}^{1})& \mathrm{\varphi }({\mathit{p}}^{1},{\mathit{p}}^{2})& \dots & \mathrm{\varphi }({\mathit{p}}^{1},{\mathit{p}}^{\mathit{K}})\\ \mathrm{\varphi }({\mathit{p}}^{2},{\mathit{p}}^{1})& \mathrm{\varphi }({\mathit{p}}^{2},{\mathit{p}}^{2})& \dots & \mathrm{\varphi }({\mathit{p}}^{2},{\mathit{p}}^{\mathit{K}})\\ \mathit{︙}& \mathit{︙}& \mathrm{ }& \mathit{︙}\\ \mathrm{\varphi }({\mathit{p}}^{\mathit{K}},{\mathit{p}}^{1})& \mathrm{\varphi }({\mathit{p}}^{\mathit{K}},{\mathit{p}}^{2})& \dots & \mathrm{\varphi }({\mathit{p}}^{\mathit{K}},{\mathit{p}}^{\mathit{K}})\end{array}\right]$

式中:ϕ()为用于计算相似度的核函数,具体采用柯西核函数,即

ϕ(p,p')=$\frac{1}{1+‖\mathit{p}-\mathit{p}\mathit{\text{'}}{\Vert }^{2}/{\mathit{\sigma }}^{2}}$

式(5)中:‖·‖表示向量的2范数;σ为控制核宽度的超参数。对上述组合权重进行稀疏化处理,以削弱不相似原型特征的影响,即

wk←$\left\{\begin{array}{l}{\mathit{w}}_{\mathit{k}},\mathit{ }\\ 0,\mathit{ }\end{array}\right.\begin{array}{l}\mathrm{ }\\ \mathrm{ }\end{array}\begin{array}{l}{\mathit{w}}_{\mathit{k}}\ge {\mathit{w}}^{\mathit{\xi }}\\ {\mathit{w}}_{\mathit{k}}<{\mathit{w}}^{\mathit{\xi }}\end{array}$

式(6)中:wk为权重向量w中的第k个元素;wξ为权重向量中所有元素的ξ分位数阈值。式(6)将w中所有小于wξ的元素置为0,以实现组合权重的稀疏性。对稀疏化后的权重向量进行归一化处理,即

w←$\frac{\mathit{w}}{‖\mathit{w}{\Vert }_{1}}$

式(7)中:‖·‖1表示向量的1范数。基于稀疏归一化后的权重向量,对原型特征进行线性组合,得到固有特征z的相似特征$\stackrel{\sim }{\mathit{z}}$,即

$\stackrel{\sim }{\mathit{z}}$=$\sum _{\mathit{k}=1}^{\mathit{K}}$wkpk

将所得相似特征输入多步预测头,得到输入数据xt-T+1:t-H的相似性预测值${\stackrel{\sim }{\mathit{x}}}_{\mathrm{t}-\mathrm{H}+1:\mathrm{t}}$,即

${\stackrel{\sim }{\mathit{x}}}_{\mathrm{t}-\mathrm{H}+1:\mathrm{t}}$=g($\stackrel{\sim }{\mathit{z}}$)

以τ时刻为分界点,将监测数据x划分为训练数据x0:τ和测试数据xτ+1:T。基于训练数据的隐特征,采用K均值聚类方法确定SC-TSFM中的原型特征,该过程可描述为

P=hkmeans($\left\{\mathit{f}\right({\mathit{x}}_{\mathrm{t}-\mathrm{L}+1:\mathrm{t}-\mathrm{H}}{\left)\right\}}_{\mathrm{t}=\mathrm{L}}^{\mathit{\tau }}$,K)

SC-TSFM的模型参数包括特征提取器参数Θf、多步预测头参数W∈RH×d、原型特征P。在这些参数中,Θf和P均保持冻结状态,W可基于训练数据进行微调,将微调后的模型简记为SC-TSFM-FT,微调过程采用均方误差(mean-square error,MSE)损失。

3 异常可辨识性增强理论分析

为证明所提框架能够增大TSFM对异常数据与正常数据的预测误差差异,从而增强异常模式的可辨识性,鉴于相似特征本质上为原型特征的线性组合,定义U:=span(P)⊂Rd为原型特征张成、嵌入至隐特征空间中的子空间,其自由度为r,正交补空间为U⊥。取U的正交基Q∈Rd×r与补基Q⊥∈Rd×(d-r)。任意固有特征对于U的正交分解为z=z‖+z⊥,其中z‖=QQTz,z⊥=(I-QQT)z(I为单位矩阵)。为了便于描述,将式(2)~式(8)所表示的LSBM过程简记为$\stackrel{\sim }{\mathit{z}}$=S(z)。首先给出理论分析所需的两项假设及其工程合理性。

假设1:存在η∈[0,1)使‖S(z)-z‖‖≤η‖z⊥‖。LSBM过程可看作一种基于相似性的特殊投影。假设1描述了相似性投影与正交投影间的关系,即相似性投影与正交投影的偏差随离面偏差线性受限,受限比例为η。当z在U附近时,其相似性投影应表现为接近正交投影。为保障假设1成立,设计了一种结合正交投影与相似性投影的门控机制。设正常域的最大重构误差ε:=supz∈U‖S(z)-z‖,该门控机制可描述为

S(z)←z‖+min{1, ‖z⊥‖/β}[S(z)-z‖]

式(11)中:β为超参数,‖S(z)-z‖‖≤(ε/β)‖z⊥‖,选择β>ε即可令η=ε/β∈[0,1)。

假设2:预测头g为Lipschitz有界,且在U⊥方向上有最小增益m>0,即

$\|\nabla g(z)\| \leqslant L<+\infty,\left\|\nabla_{U_{\perp}} g(z)\right\| \geqslant m>0$

因预测头为线性映射,式(12)中前半部分易满足,后半部分等价于‖g(z+u)-g(z)‖≥m‖u‖,∀u∈U⊥,旨在说明异常模式的可辨识性。为保障假设2成立,针对预测头设计了一种重参数化过程,表达式为

W=AQT+κR${{\mathit{Q}}^{\mathrm{T}}}_{\perp }$

式(13)中:A∈RH×r和R∈RH×(d-r)为可训练参数,并且R为列正交矩阵,即RTR=I;κ>0为超参数。

从式(13)中易得预测头的Lipschitz上界为‖W‖≤‖A‖+κ。因WQ⊥=κR,WQ⊥的最小与最大特征值均为κ,即g在U⊥中各向同性,增益为κ,取m=κ。在微调过程中,需通过QR分解保持R列正交,此外还可设定目标上界‖W‖≤L,在每次更新步后对A执行谱裁剪以保证‖A‖≤L-κ。

定义Δ(z):=g(z)-g[S(z)]=W[z-S(z)]。其中z-S(z)可分解为z⊥+[z‖-S(z)]。基于假设1和假设2,通过三角基本不等式,易证明‖Δ(z)‖的保守上下界分别为

(m-Lη)‖z⊥‖≤‖Δ(z)‖≤L(1+η)‖z⊥‖

将TSFM原始预测值与真实值之间的偏差记作ξ∈Rq,使用LSBM之后的预测偏差可表示为ξ-Δ(z)。定义e:=E‖ξ‖2和E:=E‖ξ-Δ(z)‖2,分别表示TSFM在使用LSBM前后的平均预测误差值。因模型预训练以及微调均采用MSE损失函数,预测偏差满足条件无偏,即E[ξ|z]=0,这等价于对于任何仅依赖z的可积函数ψ(z)∈Rd,均有E<ξ,ψ(z)>=0,其中<>表示内积。因此,E可进一步简化为E=e+E‖Δ(z)‖2。计算TSFM使用LSBM之后的异常与正常数据预测误差比,并基于式(14)中的上下界进行放缩,得

$\begin{aligned}\frac{E_{\text {anom }}}{E_{\text {norm }}}= & \frac{e_{\text {anom }}+E_{\text {anom }}\|\Delta(z)\|^{2}}{e_{\text {norm }}+E_{\text {norm }}\|\Delta(z)\|^{2}} \\& \geqslant \frac{e_{\text {anom }}+(m-L \eta)^{2} E_{\text {anom }}\left\|z_{\perp}\right\|^{2}}{e_{\text {norm }}+(L+L \eta)^{2} E_{\text {norm }}\left\|z_{\perp}\right\|^{2}}\end{aligned}$

当满足下列充分条件时,可得到Eanom/Enorm的保守下界eanom/enorm,即在使用LSBM后,TSFM对于异常正常数据的预测误差比会增大。表达式为

$\frac{{\mathit{e}}_{\mathrm{a}\mathrm{n}\mathrm{o}\mathrm{m}}}{{\mathit{e}}_{\mathrm{n}\mathrm{o}\mathrm{r}\mathrm{m}}}$≤$\frac{{(\mathit{m}-\mathit{L}\mathit{\eta })}^{2}}{{\mathit{L}}^{2}{(1+\mathit{\eta })}^{2}}\frac{{\mathit{E}}_{\mathrm{a}\mathrm{n}\mathrm{o}\mathrm{m}}\Vert {\mathit{z}}_{\perp }{\Vert }^{2}}{{\mathit{E}}_{\mathrm{n}\mathrm{o}\mathrm{r}\mathrm{m}}\Vert {\mathit{z}}_{\perp }{\Vert }^{2}}$

直观来看,应该尽量增大m,减小L和η,以促使式(16)不等式关系成立。本文中将m、L、η分别设定为5、1和0.1。

综上所述,通过引入门控机制和重参数化过程,保证假设1和假设2成立,推导出TSFM引入LSBM前后的预测残差保守上下界,最终得到TSFM在引入LSBM后异常与正常数据预测误差比增大的充分条件,为本文所提框架的可信度提供了一定的理论证据。需要注意的是,该理论结果中假设成立的前提条件是对预测头进行微调,对于SC-TSFM的实际工程应用仅起到参考作用。从后续案例验证中可以看出,即使不引入门控机制和重参数化过程,不对预测头进行微调,在使用LSBM后,TSFM对于异常与正常数据的预测误差依然会显著增大。

4 基于SC-TSFM的预警流程

SC-TSFM的通用性主要体现在方法层面的可复用性,即针对不同设备、不同测点所对应的单测点时序预警任务,可采用统一的模型基座、相似性约束机制和报警判定方式开展建模与分析。为说明SC-TSFM在水电设备监测场景中的应用方式,如图3所示为其预警流程的系统结构示意。其中,原型特征构建属于离线阶段,用于表征设备正常运行模式;固有特征提取、相似性约束建模、多步预测及异常识别属于在线阶段,用于对实时数据流进行持续分析并输出预警结果。

水电设备运行过程中会持续产生液位、温度、摆度等多类监测数据。首先依据预设时间分界点将监测数据划分为训练数据和测试数据,其中训练数据用于刻画设备正常运行特征,测试数据用于模拟在线预警过程。针对连续数据流,采用滑动窗口方式构造样本,并按照多步预测范式划分为模型输入段和预测目标段。输入段用于特征提取与相似性约束建模,预测目标段用于与模型输出进行比对,以反映当前窗口相对于正常模式的偏离程度。考虑到设备监测数据常受工况切换和量纲差异影响,实际应用中还需结合运行工况对样本进行筛选,并对数据实施归一化处理,以保证模型训练与推理的稳定性。

基于SC-TSFM的预警流程可分为离线建模和在线预警两个阶段。在离线建模阶段,利用训练区段内的正常历史数据构造样本,经Time-MoE特征提取后获得隐特征表示,并在此基础上通过聚类方法构建原型特征。在在线预警阶段,对于任一测试窗口,首先通过Time-MoE提取其固有特征,然后通过相似性约束建模得到相似特征,并将其输入多步预测头,输出相应的相似性预测值。通过比较预测值与真实观测值之间的偏差,可刻画当前时刻相对于正常运行模式的异常程度,并结合阈值判定形成对单时刻或连续时间窗口的异常识别结果。考虑到水电设备监测数据中普遍存在噪声扰动和短时波动,实际应用中通常采用累计越限报警策略对连续偏差进行综合判定,以降低偶发误差引发误报的风险。

5 水电设备故障案例分析

5.1 案例数据

长江电力运营管理长江干流的三峡、葛洲坝、溪洛渡、向家坝、白鹤滩和乌东德六座巨型梯级水电站。作者团队长期从事长江电力水电工业互联网平台的研发、运维及相关科研工作,依托该平台可获取覆盖机组运行、设备状态和环境参数等多类型监测数据,并开展面向实际业务场景的模型开发、训练与验证,为本文中预警框架研究提供了真实的数据基础和工程应用条件。为验证所提框架在实际水电场景中的应用效果,选取长江电力所属某大型水电站的机组设备真实故障数据开展案例分析,涵盖液位、温度和摆度三类典型水电设备监测场景,具体包括推力油槽油位案例、集电环室温度案例和上导摆度案例。上述故障均由现场运维人员开具工作票进行处置,工作票中记录了故障的人工发现时间及相应处置过程。以工作票开具时间作为人工确认时刻,若模型报警时间早于该时刻,则认为实现了有效预警。

在案例构建过程中,作者团队首先结合设备监测特点完成测点筛选,并对原始数据中的噪点和异常干扰进行清洗,随后结合机组有功功率、水头等工况信息对无效数据进行过滤,并对照工作票记录对异常区段数据进行核验。在此基础上,按照自然年划分训练数据和测试数据,即以前两个自然年的历史监测数据作为训练数据,当年数据作为测试数据。训练数据用于离线建模,均为机组设备正常运行状态下的监测数据;测试数据用于模拟在线预警过程,并包含故障演化及处置阶段的数据。如图4所示为三个案例所采用的数据,采样间隔为1 min。从图4可以看出,三个案例较为全面地体现了水电监测时序数据的典型特征:推力油槽油位具有较明显的周期性和波动性,集电环室温度具有较明显的趋势性和季节性,上导摆度则具有较明显的趋势性和波动性。

(1)推力油槽油位案例:机组推力油槽油位于2024年5—6月期间主要在60 ~ 85 mm跳变,少数时刻超过高限。2024年6月2日22时57分,现场开具工作票并实施推力排油60 L后,推力油槽油位恢复至54 ~ 66 mm波动,偶尔跳变至79 mm,整体处于正常范围,设备可正常投运。该案例数据时间范围为2022年1月—2024年7月,以2024年1月1日0时0分作为训练与测试分界点。

(2)集电环室温度案例:机组集电环室温度在2024年5—6月持续升高,到2024年6月5日21时36分已升至46.1℃。现场随后开具工作票,确认为碳粉吸收装置电机故障。该案例数据时间范围为2022年1月—2024年7月,以2024年1月1日0时0分作为训练与测试分界点。

(3)上导摆度案例:机组上导X向摆度峰峰值在2023年7月持续升高,至2023年7月29日10时32分已升至343.5 μm。现场随后开具工作票,确认为上导滑转子上窜故障。该案例数据时间范围为2021年1月—2023年7月,以2023年1月1日0时0分作为训练与测试分界点。

5.2 实施细节

为验证LSBM对于提升TSFM在故障预警中性能的有效性,基于上述水电设备故障案例,选择原始时序基础模型TSFM、无参数微调的相似性约束时序基础模型SC-TSFM、有参数微调的相似性约束时序基础模型SC-TSFM-FT进行对比实验。从两方面评价三种方法在各案例中的表现:一方面为异常数据与正常数据的预测误差以及两者的差异,另一方面为预警准确性以及提前预警量。针对前者,将工作票开票前一个月作为异常数据区段,其他则为正常数据区段,计算两区段的平均预测误差(average prediction error,APE)及其比值。针对后者,如果报警,则计算报警点至工作票开票点的时间跨度作为提前预警量。其中,测试数据中τ'~τ″区段平均预测误差的计算公式为

APEτ',τ″=$\sqrt{\frac{1}{\mathrm{\tau }″-\mathrm{\tau }\mathit{\text{'}}+1}\sum _{\mathrm{t}=\mathrm{\tau }\mathit{\text{'}}}^{\mathrm{\tau }″}\Vert {\stackrel{\sim }{\mathit{x}}}_{\mathrm{t}-\mathrm{H}+1:\mathrm{t}}-{\mathit{x}}_{\mathrm{t}-\mathrm{H}+1:\mathrm{t}}{\Vert }^{2}}$

依据机组的有功功率对数据进行稳态过滤,仅使用稳态数据进行训练与测试。对数据进行归一化处理,将输入步长和预测步长分别设定为512和64。采用Time-MoE的开源版本作为模型基座,其总参数规模为4.53亿,隐特征维度为768。原型特征的数量设定为384,组合权重稀疏分位数设定为95%。如图5所示为SC-TSFM在三个案例中的测试数据平均预测误差比值对于原型特征数量的敏感度分析结果,从中可以看出,SC-TSFM的平均预测误差比性能在一定范围内对于原型特征数量的设定不敏感,其主要原因在于组合权重稀疏化的使用。微调过程采用学习率为5×10-5的AdamW优化器,批尺寸和迭代回合数分别设定为256和10。采用阈值超越法(peak over threshold,POT)[20]确定阈值,该方法基于极值理论,根据异常评分的尾部分布自适应确定阈值,相比传统基于标准差的方法具备更高的统计合理性。采用累计越限报警策略,即仅当测试数据流的预测误差在一定时间内超过阈值的次数累计突破某数值时才会报警,从而有效避免偶发误差的负面影响。

5.3 实验结果

如图6~图8所示分别为3种模型在推力油槽油位案例、集电环室温度案例、上导摆度案例中的可视化实验结果。以上导摆度案例为例,图 8中2023年7月18日—8月5日数据趋势变化较为平稳,TSFM给出了较为准确的预测结果,直到7月28日左右才触发报警,但SC-TSFM和SC-TSFM-FT均能够及时准确地辨识出异常模式,给出了明显偏离的预测结果,相比TSFM约提前10 d报警。如表1和表2所示为3种模型在各案例中的性能定量结果,分别为提前预警量和异常正常数据平均预测误差及比值。以推力油槽油位案例为例,TSFM的异常和正常平均预测误差分别为3.41 mm和3.19 mm,二者比值为1.07,最终漏报;SC-TSFM的异常和正常平均预测误差分别为5.73 mm和3.31 mm,二者比值为1.73,最终提前23.39 d预警;SC-TSFM-FT的异常和正常平均预测误差分别为2.90 mm和1.61 mm,二者比值为1.80,最终提前23.54 d预警。其他案例同理。从结果可以看出在TSFM中引入LSBM后,异常数据和正常数据的平均预测误差均有不同程度的上升,其比值明显增大,最终实现显著提前预警。这主要源于LSBM将TSFM的原始隐特征空间转化为基于原型特征稀疏线性组合的受限特征子空间,同步限制了SC-TSFM对于正常和异常数据的预测性能,但对于后者的限制更强,增大了模型对于正常和异常数据的预测性能差异,最终提升模型提前预警量。在SC-TSFM的基础上加入微调之后,异常数据和正常数据的平均预测误差均有不同程度的下降,二者的比值以及提前预警量稍有改善。结果表明:即使没有微调,LSBM也能够显著增大TSFM对于正常和异常数据的预测误差差异,有效提升TSFM的通用预警性能;微调能够进一步略微提升SC-TSFM的性能,但其带来的性能提升与微调代价之间的平衡问题,在实际应用中需要被考虑。

6 结论

面向水电设备通用预警需求,提出了一种基于隐式相似性建模的相似性约束时序基础模型框架(SC-TSFM)。该框架通过在时序基础模型(TSFM)隐特征空间中引入基于正常原型的相似性约束,抑制模型对异常分布的过度适应,增大正常与异常数据的预测误差差异,从而增强异常模式的辨识能力。理论分析和真实水电设备故障案例分析结果表明,SC-TSFM较原始TSFM能够显著提升异常/正常平均预测误差比,并实现更早、更准确的预警。

从工程应用角度看,所提框架具有较好的实用性:其一,该框架主要依赖正常历史监测数据进行建模,不依赖异常样本,符合水电设备异常数据稀缺的实际条件;其二,该框架数据组织与建模流程清晰,依托现有状态监测系统和工业互联网平台即可完成数据获取、样本构造、离线建模和在线预警,具有较好的工程可实施性;其三,该框架针对液位、温度、摆度等不同类型的水电设备监测场景,可复用统一的模型基座、相似性约束机制和报警判定流程,有助于降低传统专用模型逐场景开发与维护成本。

当前方法仍存在一定局限:受限于时序基础模型普遍采用的通道独立策略,所提框架目前主要适用于单测点场景,多测点联合预警问题仍有待进一步研究,该局限将随着时序基础模型向多变量联合建模方向的持续发展得以突破。此外,未来工作还将通过正常原型库的自适应更新增强所提框架对于新工况的动态适应能力,进一步提升所提框架的预警准确性与可推广性。

参考文献

[1]

吴秋伟, 赵文巘. 数字孪生与生成式人工智能赋能新型电力系统运行控制研究综述[J]. 电力自动化设备, 2025, 45(11): 59-71.

[2]

Wu Qiuwei, Zhao Wenyan. Research overview of digital twin and generative artificial intelligence enabled new power system[J]. Electric Power Automation Equipment, 2025, 45(11): 59-71.

[3]

武亭, 闻疏琳, 阎兆立, 等. 融合预训练音频大模型与密度估计的水轮发电机组声学无监督异常检测[J]. 电子与信息学报, 2026, 48(2): 772-783.

[4]

Wu Ting, Wen Shulin, Yan Zhaoli, et al. Unsupervised anomaly detection of hydro-turbine generator acoustics by integrating pre-trained audio large model and density estimation[J]. Journal of Electronics & Information Technology, 2026, 48(2): 772-783.

[5]

龚优华, 辛伟, 禹强, 等. 基于声纹的多模态特征融合的风机齿轮箱故障诊断[J]. 科学技术与工程, 2026, 26(5): 1961-1971.

[6]

Gong Youhua, Xin Wei, Yu Qiang, et al. Wind turbine gearbox fault diagnosis based on multimodal feature fusion of acoustic patterns[J]. Science Technology and Engineering, 2026, 26(5): 1961-1971.

[7]

高煦轲, 秦超, 高沨, 等. 基于LSTM-GMM的配电干式变压器绕组故障双参数预警模型[J]. 科学技术与工程, 2024, 24(31): 13407-13414.

[8]

Gao Xuke, Qin Chao, Gao Feng, et al. Dual parameter early warning model for winding faults in distribution dry-type transformers based on LSTM-GMM[J]. Science Technology and Engineering, 2024, 24(31): 13407-13414.

[9]

皮有春, 谭鋆, 郭钰静, 等. 基于改进VMD和GRU的水轮发电机组振动故障预警[J]. 中国农村水利水电, 2024(3): 244-249.

[10]

Pi Youchun, Tan Yun, Guo Yujing, et al. Vibration fault warning of hydroelectric generating sets based on improved VMD and GRU[J]. China Rural Water and Hydropower, 2024(3): 244-249.

[11]

罗云, 李战国, 付陇霞, 等. 基于特征选择与BiLSTM多变量回归预测的磨煤机故障预警研究[J]. 动力工程学报, 2025, 45(5): 724-732.

[12]

Luo Yun, Li Zhanguo, Fu Longxia. Research on fault warning of coal mill based on feature selection and multivariate regression prediction with BiLSTM[J]. Journal of Chinese Society of Power Engineering, 2025, 45(5): 724-732.

[13]

王勇飞, 李晓飞, 孙雨欣, 等. 基于核主成分分析与长短时记忆网络的水电机组监测预警[J]. 振动与冲击, 2024, 43(24): 287-294.

[14]

Wang Yongfei, Li Xiaofei, Sun Yuxin, et al. A monitoring and warning method for hydroelectric units based on KPCA and LSTM[J]. Journal of Vibration and Shock, 2024, 43(24): 287-294.

[15]

Liu Z G, Zhang H, Zhou Y, et al. Machine learning-based early warning system for abnormal oil levels in hydroelectric power station pressure oil systems[C]// Ninth International Conference on Energy System, Electricity, and Power. Bellingham: SPIE, 2025: 1172-1178.

[16]

李腾, 廖军, 樊培培, 等. 基于自注意力机制与改进循环神经网络混合模型的特高压换流变压器顶层油温预测方法[J]. 现代电力, 2024, 41(6): 1167-1175.

[17]

Li Teng, Liao Jun, Fan Peipei, et al. Forecasting method for ultra-high voltage converter transformer top-oil temperature based on self-attention mechanism and improved recurrent neural network hybrid model[J]. Modern Electric Power, 2024, 41(6): 1167-1175.

[18]

胡航宁. 基于深度学习的水电设备异常检测研究[D]. 哈尔滨: 哈尔滨工业大学, 2023.

[19]

Hu Hangning. Research on anomaly detection of hydropower plant equipment based on deep learning[D]. Harbin: Harbin Institute of Technology, 2023.

[20]

徐丽燕, 徐康, 黄兴挺, 等. 基于Transformer的时序数据异常检测方法[J]. 计算机技术与发展, 2023, 33(3): 152-160.

[21]

Xu Liyan, Xu Kang, Huang Xingting, et al. Transformer-based method of anomaly detection for time series data[J]. Computer Technology and Development, 2023, 33(3): 152-160.

[22]

李琛, 林维, 许力. 基于TCN-GAN的时序流量异常检测[J]. 信息安全研究, 2025, 11(10): 907-916.

[23]

Li Chen, Lin Wei, Xu Li. TCN-GAN-based temporal traffic anomaly detection[J]. Journal of Information Security Research, 2025, 11(10): 907-916.

[24]

Ansari A F, Stella L, Turkmen C, et al. Chronos: learning the language of time series[J]. Transactions on Machine Learning Research. arXiv Preprint, arXiv: 2403.07815, 2024.

[25]

Goswami M, Szafer K, Choudhry A, et al. MOMENT: a family of open time-series foundation models[C]//International Conference on Machine Learning. Vienna: PMLR, 2024: 16115-16152.

[26]

Shi X M, Wang S Y, Nie Y Q, et al. Time-MoE: billion-scale time series foundation models with mixture of experts[C]//International Conference on Learning Representations. Singapore: ICLR, 2025: 1-33.

[27]

Guo D Y, Yang D J, Zhang H W, et al. DeepSeek-R1 incentivizes reasoning in LLMs through reinforcement learning[J]. Nature, 2025, 645(8081): 633-638.

[28]

Kirillov A, Mintun E, Ravi N, et al. Segment anything[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision. New York: IEEE, 2023: 4015-4026.

[29]

Yao Q, Yang C H H, Jiang R, et al. Towards neural scaling laws for time series foundation models[C]//International Conference on Learning Representations. Virtual Event: ICLR, 2025: 1-28.

[30]

Almeida N M, Camargos M O, Mariano D G B, et al. An evolving approach to the similarity-based modeling for online clustering in non-stationary environments[J]. Evolving Systems, 2025, 16(1): 16.

[31]

Siffer A, Fouque P A, Termier A, et al. Anomaly detection in streams with extreme value theory[C]//Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: ACM, 2017: 1067-1075.

基金资助

国家重点研发计划(2024YFC3210703)

湖北省自然科学基金(2024AFD353)

PDF (8106KB)

0

访问

0

被引

详细

导航
相关文章

/

〈 〉