水電站引水渠水沙智能監(jiān)測與預(yù)警系統(tǒng)應(yīng)用研究

摘 要：為減小水輪機泥沙磨損影響、提高水電站效益，設(shè)計開發(fā)了水電站引水渠水沙智能監(jiān)測與預(yù)警系統(tǒng)，采用殘差神經(jīng)網(wǎng)絡(luò)模型（ＲｅｓＮｅｔ５０＿ｖ２）和圖像法實現(xiàn)水沙同步在線智能監(jiān)測，采用長短期記憶網(wǎng)絡(luò)（ＬＳＴＭ）模型預(yù)測未來５ ｈ 的含沙量，通過損益平衡分析確定最佳含沙量預(yù)警閾值和適宜的預(yù)警機制，以最大化減少發(fā)電損失。以喀什河流域塔勒德薩依水電站為例，進行系統(tǒng)實際應(yīng)用，應(yīng)用結(jié)果表明：系統(tǒng)監(jiān)測流量與ＡＤＣＰ 測流設(shè)備實測值的Ｅ ＭＡ≤２．９７ ｍ３ ／ ｓ、Ｅ ＭＲ≤２．１７％；系統(tǒng)監(jiān)測含沙量與人工烘干法、光學(xué)測沙儀實測值的Ｅ ＭＡ≤０．２０ ｋｇ／ ｍ３、Ｅ ＭＲ≤１６．９１％；ＬＳＴＭ 模型對５ ｈ 預(yù)見期預(yù)測含沙量的Ｅ ＮＳ ＞０．７，模型總體監(jiān)測與預(yù)測精度較高；水電站含沙量預(yù)警閾值為３．５９ ｋｇ／ ｍ３，通過精準(zhǔn)測報與科學(xué)預(yù)警，可規(guī)避發(fā)電設(shè)備泥沙磨損事故，節(jié)省維修費用，提高綜合效益。

關(guān)鍵詞：泥沙磨損；圖像法；智能監(jiān)測；含沙量預(yù)警閾值；系統(tǒng)；塔勒德薩依水電站

中圖分類號：ＴＶ７３２ 文獻標(biāo)志碼：Ａ ｄｏｉ：１０．３９６９／ ｊ．ｉｓｓｎ．１０００－１３７９．２０２５．０４．０２１

引用格式：王冉旋，馬仲坤，陳娜，等．水電站引水渠水沙智能監(jiān)測與預(yù)警系統(tǒng)應(yīng)用研究［Ｊ］．人民黃河，２０２５，４７（４）：１３３－１４０．

０ 引言

水電站渾水發(fā)電會造成水輪機過流部件侵蝕磨損［１－２］ ，含沙量持續(xù)過高時甚至需要停機來保證水電站機組安全。目前采取的有效措施主要包括修建沉沙池、修建沖沙廊道［３－５］ 、過流部件涂抹抗磨涂層［６］ 、優(yōu)化水輪機水力設(shè)計［７－９］ 以及停機排沙調(diào)度［１０］ 等。因修建沉沙池等措施費用昂貴、攔沙效果不確定性強、需要清淤維護，故采取適宜的泥沙管理措施是防止泥沙磨損水輪機過流部件的主要手段。

泥沙磨損防治措施的制定須掌握水電站水流含沙量變化態(tài)勢，為此，一方面需要安裝含沙量在線監(jiān)測設(shè)備來保障監(jiān)測數(shù)據(jù)時效性，另一方面需要分析沙峰運移規(guī)律［１１］ 以及水電站引水渠泥沙運動規(guī)律。如吳曉冬等［１２］ 基于水體渾濁度和泥沙濃度的相關(guān)性建立了泥沙濃度在線監(jiān)測系統(tǒng)，其在映秀灣水電站的應(yīng)用效果良好。獲取泥沙監(jiān)測數(shù)據(jù)之后，將其與預(yù)測數(shù)據(jù)、預(yù)警數(shù)據(jù)進行整合，方能服務(wù)于水電站事前泥沙管理。劉小兵等［１３］ 對漁子溪電站水輪機進行水沙運動數(shù)值模擬，結(jié)合水輪機設(shè)備情況，建議在水流含沙量大于６ ｋｇ／ ｍ３時停機。對于不同水電站水輪機設(shè)備，經(jīng)過數(shù)值模擬以及磨損工況分析，得出的含沙量預(yù)警閾值各不相同。研究水電站過機水流含沙量預(yù)警閾值時需要對水輪機進行磨損試驗，會使設(shè)備受到一定磨損［１４］ ，因此相關(guān)試驗對在建水電站設(shè)備選型過程較為適用，對于已建水電站需要尋找更經(jīng)濟安全的方式。

信息管理系統(tǒng)為集成數(shù)據(jù)基座、推送預(yù)警信息、提高管理效率提供了有效工具。王偉等［１５］ 以金沙江下游為研究對象，開發(fā)了水文泥沙數(shù)據(jù)庫及信息管理系統(tǒng)，使流域水文數(shù)據(jù)得到長期有序、安全有效的管理；張金良［１６］ 提出了黃河洪水泥沙管理系統(tǒng)的建設(shè)框架與思路。以上系統(tǒng)研究側(cè)重于存儲監(jiān)測數(shù)據(jù)和管理信息，尚未將泥沙監(jiān)測、預(yù)測、預(yù)警、決策功能進行集成。

綜上，針對引水式水電站泥沙磨損防治和管理的需求，筆者開發(fā)了引水渠水沙智能監(jiān)測與預(yù)警系統(tǒng)，以實現(xiàn)事前預(yù)防泥沙磨損的同時最大化減少停機發(fā)電損失。

１ 系統(tǒng)設(shè)計

喀什河為伊犁河第二大支流，自東向西貫穿尼勒克縣全境，建設(shè)有梯級引水式水電站。在夏季汛期融雪水流挾帶大量泥沙進入電站庫區(qū)，經(jīng)過樞紐攔截后，仍有大量懸沙進入引水渠，隨水流輸移至前池，隨后進入發(fā)電廠房。由于缺乏泥沙監(jiān)測數(shù)據(jù)，管理人員憑借經(jīng)驗根據(jù)前池水流渾濁程度判斷是否應(yīng)停機避沙峰，停機時含沙水流從前池排沙閘排出，因此對泥沙管理存在較高的不確定性。

筆者以尼勒克縣喀什河流域中上游塔勒德薩依水電站（引水渠長７．７４ ｋｍ）為研究對象，針對電站汛期渾水發(fā)電造成的泥沙磨損隱患，研發(fā)了水電站引水渠水沙智能監(jiān)測與預(yù)警系統(tǒng)。

１．１ 架構(gòu)設(shè)計

根據(jù)水電站泥沙磨損防治業(yè)務(wù)需求，系統(tǒng)整體開發(fā)模式采用瀏覽器／ 服務(wù)器（Ｂｒｏｗｓｅｒ／ Ｓｅｒｖｅｒ，Ｂ／ Ｓ） 模式，綜合運用ｓｐｒｉｎｇｂｏｏｔ、ｍｙｂａｔｉｓ－ｐｌｕｓ、ｐｏｉ 等后端開發(fā)技術(shù)，Ｅｌｅｍｅｎｔ Ｐｌｕｓ、Ｅｃｈａｒｔｓ、Ｖｕｅ Ｒｏｕｔｅ 等前端開發(fā)技術(shù)，ＭＹＳＱＬ 和ｒｅｄｉｓ 緩存數(shù)據(jù)庫進行系統(tǒng)開發(fā)。系統(tǒng)架構(gòu)由監(jiān)測感知層、通信網(wǎng)絡(luò)層、數(shù)據(jù)資源層、應(yīng)用支撐層、業(yè)務(wù)應(yīng)用層、網(wǎng)絡(luò)安全體系和標(biāo)準(zhǔn)規(guī)范體系構(gòu)成，見圖１。

監(jiān)測感知層從采集終端獲取水位、流速、流量等數(shù)據(jù)，經(jīng)過通信網(wǎng)絡(luò)層傳輸至系統(tǒng)數(shù)據(jù)資源層。通信網(wǎng)絡(luò)層涵蓋前端站點所在的４Ｇ 網(wǎng)絡(luò)環(huán)境以及用戶端所在的互聯(lián)網(wǎng)和專網(wǎng)環(huán)境。數(shù)據(jù)資源層為系統(tǒng)提供空間數(shù)據(jù)、基礎(chǔ)數(shù)據(jù)、監(jiān)測數(shù)據(jù)、業(yè)務(wù)數(shù)據(jù)和元數(shù)據(jù)。應(yīng)用支撐層在含沙量智能預(yù)測模型模擬和閾值分析的基礎(chǔ)上提供含沙量預(yù)測數(shù)據(jù)和預(yù)警數(shù)據(jù)。最終，在業(yè)務(wù)應(yīng)用層實現(xiàn)監(jiān)測感知、泥沙預(yù)測、泥沙預(yù)警、泥沙決策功能。

１．２ 功能設(shè)計

系統(tǒng)用戶端為Ｗｅｂ 端，用戶對象為水電站運行管理人員、巡渠人員等，有監(jiān)測、預(yù)測、預(yù)警、決策４ 個功能模塊。監(jiān)測模塊支持水沙數(shù)據(jù)展示、視頻監(jiān)控展示和數(shù)據(jù)報表導(dǎo)出，預(yù)測模塊支持含沙量預(yù)測模型計算、預(yù)測方案導(dǎo)出及預(yù)測數(shù)據(jù)曲線展示，預(yù)警模塊支持含沙量預(yù)警機制設(shè)置、預(yù)警警情統(tǒng)計記錄，決策模塊支持系統(tǒng)頁面泥沙預(yù)警提示以及對用戶賬號推送停機時段建議。

２ 系統(tǒng)關(guān)鍵技術(shù)

２．１ 基于圖像法的含沙量智能監(jiān)測技術(shù)

水電站泥沙精細化防治管理體系建立在對水沙要素充分感知基礎(chǔ)上。含沙量在線監(jiān)測方法主要有接觸式激光法和非接觸式圖像法。基于圖像法開發(fā)含沙量智能監(jiān)測技術(shù)，集成武大ＡｉＦｌｏｗ 測流設(shè)備［１７］ ，實現(xiàn)對斷面水位、流速、流量、含沙量的一體化實時在線監(jiān)測?；趫D像法的含沙量智能監(jiān)測技術(shù)［１８］ ，從高清動態(tài)監(jiān)測視頻中采集水面視覺圖像，識別色差，通過深度卷積神經(jīng)網(wǎng)絡(luò)模型智能學(xué)習(xí)圖像色差與含沙量信息之間的映射關(guān)系，從而實現(xiàn)含沙量在線監(jiān)測。

２．１．１ 圖像預(yù)處理

模型訓(xùn)練數(shù)據(jù)為采集的測點圖像，通過其他測量手段獲得同時段含沙量，并將其作為標(biāo)簽。按照白天和黑夜對采集的圖像進行篩選，以減小日照對圖像顏色的影響。采用二維高斯函數(shù)計算高斯濾波器的濾波核，然后與每個像素周圍的鄰域像素進行加權(quán)平均，實現(xiàn)圖像去噪。二維高斯函數(shù)Ｇ（ｕ，ｖ）表達式為

式中： δ 為二維高斯函數(shù)的標(biāo)準(zhǔn)差， ｕ、ｖ 為二維坐標(biāo)。

２．１．２ ＲｅｓＮｅｔ５０＿ｖ２ 模型

ＲｅｓＮｅｔ 模型是一種深度卷積神經(jīng)網(wǎng)絡(luò)模型，其使用批歸一化（ＢＮ）層解決梯度消失或梯度爆炸問題。ＲｅｓＮｅｔ 模型使用恒等映射在第ｌ 層殘差計算單元中將自變量Ｘｌ 作為輸入，經(jīng)過殘差處理后的輸出賦值給Ｘｌ＋１，Ｘｌ＋１又可作為第ｌ＋１ 層殘差計算單元的輸入再次進行計算，通過多層殘差學(xué)習(xí)，減輕網(wǎng)絡(luò)退化問題。ＲｅｓＮｅｔ５０＿ｖ２ 模型是ＲｅｓＮｅｔ 模型的變體，網(wǎng)絡(luò)層數(shù)為５０，在ＲｓｅＮｅｔ５０ 模型的基礎(chǔ)上增加了更多卷積層，從而捕捉更復(fù)雜的特征和模式。此外，ＲｅｓＮｅｔ５０＿ｖ２ 模型引入一些優(yōu)化策略和改進結(jié)構(gòu)，使得該模型在減少參數(shù)的同時能夠保持較好的性能［１９］ 。ＲｅｓＮｅｔ５０＿ｖ２ 模型與ＲｅｓＮｅｔ５０ 模型的殘差結(jié)構(gòu)對比見圖２，２ 個模型的總模塊數(shù)和類型相同，差別在于ＲｅｓＮｅｔ５０ 模型在殘差結(jié)構(gòu)內(nèi)部進行１ 次激活函數(shù)（ＲｅＬｕ）計算，執(zhí)行殘差相加后再執(zhí)行１ 次激活函數(shù)計算；ＲｅｓＮｅｔ５０＿ｖ２ 模型在殘差結(jié)構(gòu)內(nèi)部進行２ 次激活函數(shù)計算，執(zhí)行殘差相加后不再執(zhí)行激活函數(shù)計算。

Ｒｅｓｎｅｔ５０＿ｖ２ 模型整體結(jié)構(gòu)見圖３。其由數(shù)據(jù)前處理、數(shù)個堆疊的殘差塊計算以及數(shù)據(jù)后處理模塊組成。數(shù)據(jù)前處理包括填充（ＺｅｒｏＰａｄ）、卷積（Ｃｏｎｖ２Ｄ）、最大池化（ＭａｘＰｏｏｌ）等；數(shù)據(jù)后處理包括批歸一化、激活、平均池化（ＡｖｅｒＰｏｏｌ）等；堆疊的殘差塊由３ 個基本殘差塊組成，分別用藍色、粉色、橙色塊表示。３ 個殘差塊中左邊分支模塊均按照ＢＮ、ＲｅＬｕ、Ｃｏｎｖ２Ｄ、ＺｅｒｏＰａｄ 層的既定組合計算，自上而下順序一致，右邊分支模塊有所差異：藍色塊進行Ｃｏｎｖ２Ｄ 計算，粉色塊中無計算，黃色塊進行ＭａｘＰｏｏｌ 計算。

２．１．３ 模型設(shè)置及評估

通過預(yù)處理將圖像尺寸統(tǒng)一成ＲＧＢ ３ 通道、２５６×２５６ 像素的矩陣數(shù)據(jù)，采用３×３、δ ＝ ０．８ 的高斯濾波器對圖像進行去噪，按照８：２ 的比例將圖像劃分成訓(xùn)練集、測試集。設(shè)置Ｒｅｓｎｅｔ５０＿ｖ２ 模型訓(xùn)練輪數(shù)為１００，批量訓(xùn)練的樣本數(shù)為１０，學(xué)習(xí)率為０．００１。采用均方誤差（ＥＭＳ）計算損失函數(shù)，采用隨機梯度下降（ＳＧＤ）優(yōu)化器進行反向傳播。ＥＭＳ計算公式為

式中： ｙｉ 為實測值， ｙ︿ ｉ 為預(yù)測值，ｉ 為樣本序號，ｎ 為樣本數(shù)量。

模型性能評價指標(biāo)選用平均絕對誤差（ＥＭＡ ）、平均相對誤差（ＥＭＲ ）。ＥＭＡ 值反映預(yù)測值與實測值之間的絕對差異。ＥＭＲ值反映預(yù)測值與實測值之間的相對差異，２ 個數(shù)值越小模型準(zhǔn)確性越高。ＥＭＡ、ＥＭＲ計算公式分別為

２．１．４ 水沙在線監(jiān)測算法耦合集成

測沙算法基于水面視覺圖像色差識別含沙量，測流算法基于水面波紋和水位信息測算流量，兩者不存在數(shù)據(jù)交互。因此，斷面水沙在線監(jiān)測算法耦合集成主要通過前端站點結(jié)構(gòu)的合理設(shè)計、前端與用戶端的信息傳輸來實現(xiàn)。水沙在線監(jiān)測網(wǎng)絡(luò)結(jié)構(gòu)見圖４。

在前端站點采用不同攝像頭監(jiān)測得到流速、水位、含沙量數(shù)據(jù)，其中：流速和水位數(shù)據(jù)為測流算法輸入數(shù)據(jù)，含沙量數(shù)據(jù)為測沙算法輸入數(shù)據(jù)。測流算法和測沙算法在邊緣算法盒子內(nèi)部集成部署。

水沙在線同步監(jiān)測及數(shù)據(jù)訪問邏輯如下：前端視頻經(jīng)由錄像機存儲并傳送至邊緣算法盒子，進行水沙監(jiān)測要素計算，計算結(jié)果傳送至系統(tǒng)后端數(shù)據(jù)庫，現(xiàn)場視頻服務(wù)器經(jīng)內(nèi)網(wǎng)中的綜合安防平臺中轉(zhuǎn)再傳送至系統(tǒng)后端，用戶通過瀏覽器可實時在線訪問前端監(jiān)測站點的水位、流速、流量、含沙量和現(xiàn)場視頻。前端設(shè)備基于４Ｇ 物聯(lián)網(wǎng)卡網(wǎng)絡(luò)連接，適配安裝現(xiàn)場網(wǎng)絡(luò)環(huán)境。用戶僅可在內(nèi)網(wǎng)訪問系統(tǒng)服務(wù)器，通過用戶賬號權(quán)限管理，可有效防止數(shù)據(jù)外泄，保障數(shù)據(jù)安全。

２．２ 水電站含沙量智能預(yù)測方法

２．２．１ 基于ＬＳＴＭ 的含沙量智能預(yù)測模型

含沙量實時在線監(jiān)測設(shè)備能夠提供高精度的監(jiān)測信息，但監(jiān)測設(shè)備布設(shè)位置距發(fā)電站較近，應(yīng)急響應(yīng)時間較短，難以有效提供長預(yù)見期的決策信息。為延長含沙量預(yù)見時間，基于研究區(qū)豐富的水文氣象監(jiān)測資料，選用ＬＳＴＭ 構(gòu)建含沙量智能預(yù)測模型。該模型在時序數(shù)據(jù)預(yù)測方面具有顯著優(yōu)勢［１９］ 。ＬＳＴＭ 算法中門結(jié)構(gòu)（遺忘門、輸入門和輸出門）的設(shè)置，有效解決了長預(yù)見期傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)（ＲＮＮ）容易出現(xiàn)的梯度消失以及梯度爆炸問題，使模型進行預(yù)報時能夠更加全面考慮已有的數(shù)據(jù)信息，實現(xiàn)更精準(zhǔn)的預(yù)報。ＬＳＴＭ計算過程如下：

ｆｔ ＝ σ［Ｗｆ（ｈｔ －１，ｘｔ ） ＋ ｂｆ ］ （５）

ｉｔ ＝ σ［Ｗｉ ［ｈｔ －１，ｘｔ ） ＋ ｂｉ ］ （６）

Ｃｔ ＝ ｔａｎｈ［Ｗｃ（ｈｔ －１，ｘｔ ） ＋ ｂｃ ］ （７）

ｏｔ ＝ σ［Ｗｏ（ｈｔ －１，ｘｔ ） ＋ ｂｏ ］ （８）

Ｃｔ ＝ ｆｔ Ｃｔ －１ ＋ ｉｔ Ｃｔ （９）

ｈｔ ＝ ｏｔ × ｔａｎｈ Ｃｔ （１０）

式中： ｆｔ 、ｉｔ 、ｏｔ 分別為遺忘門、輸入門、輸出門ｔ 時刻的輸出， ｘｔ 為ｔ 時刻的輸入， Ｃｔ 為ｔ 時刻的候選單元態(tài)， Ｃｔ －１ 、Ｃｔ 分別為ｔ－１、ｔ 時刻的單元態(tài)， ｈｔ －１ 、ｈｔ分別為ｔ－１、ｔ 時刻的輸出， Ｗｆ 、Ｗｉ 、Ｗｃ 、Ｗｏ 均為權(quán)重， ｂｆ 、ｂｉ 、ｂｃ 、ｂｏ 均為偏置，σ 為ｓｉｇｍｏｉｄ 激活函數(shù)。

２．２．２ 模型參數(shù)設(shè)置及評價指標(biāo)選取

采用自適應(yīng)動量（Ａｄａｍ）算法優(yōu)化ＬＳＴＭ 模型參數(shù)，經(jīng)多次率定，ＬＳＴＭ 模型損失函數(shù)最終選取平均絕對誤差，神經(jīng)元數(shù)量設(shè)置為１２８，學(xué)習(xí)率設(shè)置為１ ×１０－４，正則化系數(shù)設(shè)置為１×１０－５。

模型評價指標(biāo)選用平均絕對誤差、均方誤差和納什系數(shù)（ＥＮＳ），其中ＥＮＳ值越接近于１，模型預(yù)測效果越好。ＥＮＳ計算公式為

式中：ｙｉ 為實測值的平均值。

２．３ 水電站含沙量預(yù)警決策技術(shù)

水電站引水后含沙水流很快運動至發(fā)電前池，為了防止水輪機受泥沙磨損，且停機發(fā)電損失最小，需要依據(jù)及時準(zhǔn)確的含沙量監(jiān)測信息和預(yù)測信息以及客觀合理的預(yù)警閾值做出預(yù)警決策。

２．３．１ 基于損益平衡的含沙量預(yù)警閾值分析

根據(jù)水電站水沙同步的特性，指導(dǎo)水電站停機決策的含沙量預(yù)警閾值越小，棄水越多、經(jīng)濟收益越低、泥沙磨損風(fēng)險越低。經(jīng)濟收益可視作發(fā)電直接收益與泥沙預(yù)警決策間接收益的總和。通過科學(xué)的泥沙預(yù)警決策，可規(guī)避泥沙磨損造成的機器維修，節(jié)約的維修費用可作為間接的經(jīng)濟效益。發(fā)電直接收益與出力、發(fā)電時長直接相關(guān)，而泥沙預(yù)警響應(yīng)后的停機時段會直接減少發(fā)電時長，從而影響發(fā)電收益。經(jīng)濟收益Ｗ 計算公式為

Ｗ ＝ ＰＴＥ ＋ Ｒ （１２）

式中：Ｐ 為出力；Ｔ 為發(fā)電歷時；Ｅ 為電價，取當(dāng)?shù)鼐担埃?元／ （ｋＷ·ｈ）；Ｒ 為維修費用，與泥沙磨損程度正相關(guān)。

汛期水電站安全運行且達到損益平衡（經(jīng)濟效益與停機避沙峰時損失的發(fā)電效益相等）時的含沙量，即為臨界的含沙量預(yù)警閾值Ｓｃ。含沙量預(yù)警閾值與電站損益的關(guān)系如圖５ 所示（其中Ｔｃ為停機避沙峰時損失的發(fā)電效益，Ｓ 為含沙量）。

２．３．２ 預(yù)警決策機制

實現(xiàn)水輪機泥沙磨損事前防治，需要在預(yù)警反應(yīng)時間內(nèi)作決策部署行動。設(shè)置較靈敏的預(yù)警條件，雖然可以更有效防范泥沙磨損，但會出現(xiàn)頻繁預(yù)警、停警的情況，發(fā)電設(shè)備短時間內(nèi)頻繁開關(guān)機存在損耗；反之，超警持續(xù)時間過長，存在反應(yīng)不及時的風(fēng)險。因此，在分析泥沙管理工作程序、判斷人員反應(yīng)時間和含沙量預(yù)見期的基礎(chǔ)上，針對塔勒德薩依水電站設(shè)計一種綜合考慮超警時間和反應(yīng)時間的預(yù)警決策機制：當(dāng)含沙量測報信息中前池站含沙量持續(xù)１ ｈ 超出預(yù)警閾值時，在４ ｈ 內(nèi)作預(yù)警決策及部署行動，在超警時段內(nèi)停機避沙峰，密切關(guān)注后續(xù)測報信息，直至解除警情。

３ 系統(tǒng)應(yīng)用情況及分析

水電站引水渠水沙智能監(jiān)測與預(yù)警系統(tǒng)依據(jù)前端智能感知設(shè)備實時測算的水沙數(shù)據(jù)，自動驅(qū)動含沙量智能預(yù)測模型，基于監(jiān)測數(shù)據(jù)、預(yù)測數(shù)據(jù)，由設(shè)置的預(yù)警機制智能觸發(fā)高含沙量預(yù)警機制，用戶在終端即可掌握水電站測點的水沙態(tài)勢、含沙量變化趨勢和預(yù)警警情，經(jīng)分析后可快速響應(yīng)，高效應(yīng)對泥沙磨損問題。

３．１ 水電站水沙一體化監(jiān)測應(yīng)用分析

３．１．１ 監(jiān)測站點布設(shè)及數(shù)據(jù)展示

分別在水電站引水渠進口（樞紐站）和出口（前池站）處布設(shè)監(jiān)測站點（見圖６），通過測站網(wǎng)絡(luò)將前端監(jiān)測數(shù)據(jù)傳輸至預(yù)警系統(tǒng)。系統(tǒng)用戶端可遠程查看監(jiān)測站點含沙量、水位、流速、流量變化曲線及現(xiàn)場視頻，并可將監(jiān)測數(shù)據(jù)按圖表導(dǎo)出以供分析（見圖７）。選擇具體站點點擊放大，可直觀了解汛期來水情況及河流含沙情況，點擊站點水沙監(jiān)測數(shù)據(jù)曲線可查看近１、３、７ ｄ的歷史水沙數(shù)據(jù)曲線，用于準(zhǔn)確判斷水沙態(tài)勢。

３．１．２ 水沙監(jiān)測精度分析

１）流量監(jiān)測精度。為評估系統(tǒng)視頻監(jiān)測流量的精確性，采用走航式ＡＤＣＰ 測流設(shè)備獲取２０２３ 年汛期實測流量，與系統(tǒng)視頻監(jiān)測流量進行對比。采集數(shù)據(jù)共計３３ 組，實測流量為１２５～１５３ ｍ３ ／ ｓ。由圖８ 可知，兩種方法測得的流量相近。視頻監(jiān)測的樞紐站流量平均絕對誤差為２．９７ ｍ３ ／ ｓ、平均相對誤差為２．０６％，前池站流量平均絕對誤差為２．９１ ｍ３ ／ ｓ、平均相對誤差為２．１７％，表明水沙一體化監(jiān)測設(shè)備獲取的樞紐站和前池站流量精度均較高，可為水電站引水渠含沙量預(yù)測、泄水沖沙等提供可靠的流量數(shù)據(jù)。

２）含沙量監(jiān)測精度。為評估系統(tǒng)視頻監(jiān)測含沙量的精確性，采用人工烘干法獲?。玻埃玻?年汛期含沙量。人工烘干法取樣共計３０ 組，實測含沙量為０ ～１ ｋｇ／ ｍ３。人工烘干法因取樣受限，組數(shù)較少，實測含沙量多為低值，故采用光學(xué)測沙儀進一步獲?。保担?組比測數(shù)據(jù)，實測含沙量為０～３．１１ ｋｇ／ ｍ３。

兩種方法所得實測含沙量與系統(tǒng)視頻監(jiān)測含沙量結(jié)果對比見圖９。系統(tǒng)視頻監(jiān)測含沙量與人工烘干法實測值相近，系統(tǒng)視頻監(jiān)測的樞紐站含沙量平均絕對誤差為０．０６ ｋｇ／ ｍ３、平均相對誤差為１６．９１％，前池站含沙量平均絕對誤差為０．０５ ｋｇ／ ｍ３、平均相對誤差為１３．８９％。含沙量小于３ ｋｇ／ ｍ３ 時系統(tǒng)視頻監(jiān)測含沙量與光學(xué)測沙儀實測值相近，含沙量大于３ ｋｇ／ ｍ３ 時系統(tǒng)視頻監(jiān)測含沙量比光學(xué)測沙儀實測值大，樞紐站含沙量平均絕對誤差為０．２０ ｋｇ／ ｍ３、平均相對誤差為１６．１０％，前池站含沙量平均絕對誤差為０．１５ ｋｇ／ ｍ３、平均相對誤差為１５．０１％。

綜上，水沙一體化監(jiān)測設(shè)備在樞紐站和前池站獲取的含沙量監(jiān)測精度均較高，在含沙量小于１ ｋｇ／ ｍ３情況下與人工烘干法實測值非常接近，在含沙量小于３ ｋｇ／ ｍ３時與光學(xué)測沙儀實測值較為接近，在含沙量大于３ ｋｇ／ ｍ３時，監(jiān)測值偏大。

經(jīng)實際應(yīng)用，系統(tǒng)可對流量、含沙量進行２４ ｈ 逐小時連續(xù)監(jiān)測，能夠快速響應(yīng)查詢。整體而言，系統(tǒng)水沙監(jiān)測技術(shù)具備一定的時效性、穩(wěn)定性和可靠性，可支撐水電站含沙量預(yù)測和預(yù)警決策。３．２ 水電站引水渠含沙量預(yù)測分析

３．２．１ 預(yù)測實現(xiàn)

為充分利用水文、氣象信息開展入庫含沙量預(yù)測，共收集２０２３ 年研究區(qū)１０ 個氣象站點數(shù)據(jù)、１６ 個降水站點數(shù)據(jù)和位于塔勒德薩依引水渠樞紐站及前池站的水沙視頻監(jiān)測數(shù)據(jù)。以歷時１０ ｈ 的水文、氣象數(shù)據(jù)和樞紐站含沙量數(shù)據(jù)作為輸入數(shù)據(jù)，以水電站未來５ ｈ的前池站含沙量作為輸出數(shù)據(jù)進行模型訓(xùn)練。

系統(tǒng)接入前端監(jiān)測數(shù)據(jù)，集成預(yù)測模型，自動驅(qū)動含沙量計算，逐小時滾動更新前池站未來５ ｈ 的含沙量預(yù)測數(shù)據(jù)，形成預(yù)測記錄表，最終預(yù)測界面見圖１０。在系統(tǒng)中自動對比含沙量預(yù)警閾值，智能觸發(fā)預(yù)警機制。

３．２．２ 預(yù)測精度分析

預(yù)測模型在１１０ 場測試集的預(yù)測含沙量與２０２３年站點汛期實測含沙量對比見圖１１，模型性能評價指標(biāo)見表１。分析圖１１ 可知，前池站含沙量大部分預(yù)測值與實測值相近。由表１ 可知，前４ ｈ 預(yù)見期內(nèi)，模型的ＥＮＳ 接近１， ＥＭＡ 均小于０． １ ｋｇ／ ｍ３， ＥＭＳ 均小于０．０２ ｋｇ２ ／ ｍ６，預(yù)測精度較高。在第５ ｈ，模型的ＥＮＳ 為０．７８４，ＥＭＡ、ＥＭＳ 分別為０．１０６ ｋｇ／ ｍ３、０．０８７ ｋｇ２ ／ ｍ６，預(yù)測精度也較高。

綜上，基于ＬＳＴＭ 的引水渠含沙量預(yù)測模型精度較高，適用于塔勒德薩依水電站引水渠，預(yù)見期為５ ｈ，可支撐水電站含沙量預(yù)警以及停機避沙峰決策。

３．３ 水電站引水渠含沙量預(yù)警決策分析

３．３．１ 預(yù)警閾值設(shè)置

根據(jù)塔勒德薩依水電站歷史檢修記錄，年度平均大修損失為３５ 萬元，這里近似作為規(guī)避的泥沙磨損維修費用。經(jīng)過２０２３ 年汛期試運行，基于損益平衡分析測算得出臨界的含沙量預(yù)警閾值為３．５９ ｋｇ／ ｍ３。當(dāng)含沙量預(yù)警閾值超過３．５９ ｋｇ／ ｍ３ 時，損益凈值大于０，即經(jīng)濟效益大于停機避沙峰時損失的發(fā)電效益（泥沙磨損損失），但存在因設(shè)備嚴(yán)重磨損而需汛期及時維修的情況。因此， 設(shè)置系統(tǒng)含沙量預(yù)警閾值為３．５９ ｋｇ／ ｍ３，系統(tǒng)自動觸發(fā)預(yù)警提示，記錄預(yù)警信息，支撐水電站泥沙磨損防治決策。前池站預(yù)測含沙量持續(xù)１ ｈ大于３．５９ ｋｇ／ ｍ３時，在４ ｈ 內(nèi)進行預(yù)警并停機避沙峰，可實現(xiàn)損益平衡。

３．３．２ 運行效益分析

系統(tǒng)運用前，掌握的水電站泥沙數(shù)據(jù)僅有前池站泥沙淤積深度，避讓沙峰時從巡渠到?jīng)Q策至少需２４ ｈ，且多為事后決策；系統(tǒng)運行后，及時獲取水沙情勢，從預(yù)警到執(zhí)行決策在５ ｈ 內(nèi)完成，可實現(xiàn)事前預(yù)防。經(jīng)２０２３ 年汛期試運行，工作效率大大提升。２０２４ 年汛期應(yīng)用至今共出現(xiàn)４ 次預(yù)警，警情響應(yīng)流程通暢，經(jīng)適當(dāng)停機避沙峰未出現(xiàn)汛期水輪機故障，不僅規(guī)避了泥沙磨損，也減少了前池站泥沙淤積。根據(jù)系統(tǒng)數(shù)據(jù)記錄，高含沙量預(yù)警均出現(xiàn)在６ 月洪水期，此時流量較大。系統(tǒng)含沙量預(yù)警記錄見表２。

４ 結(jié)論

結(jié)合水電站泥沙磨損防治需求，研發(fā)水電站引水渠水沙智能監(jiān)測與預(yù)警系統(tǒng)，并在塔勒德薩依水電站進行實際應(yīng)用，得出結(jié)論如下。

１）系統(tǒng)監(jiān)測水沙數(shù)據(jù)精度可靠， 監(jiān)測流量與ＡＤＣＰ 測流設(shè)備實測值的ＥＭＡ ≤２． ９７ ｍ３ ／ ｓ、ＥＭＲ ≤２．１７％；監(jiān)測含沙量與人工烘干法實測值的ＥＭＡ ≤０．０６ ｋｇ／ ｍ３、ＥＭＲ ≤１６．９１％，與光學(xué)測沙儀實測值的ＥＭＡ≤０．２０ ｋｇ／ ｍ３、ＥＭＲ ≤１６．１０％。此外，系統(tǒng)可實現(xiàn)２４ ｈ的流量、含沙量實時同步監(jiān)測。

２）ＬＳＴＭ 模型對１～４ ｈ 預(yù)見期的含沙量預(yù)測精度較高，ＥＮＳ均大于０．９，可較準(zhǔn)確地反映含沙量變化過程；第５ ｈ 的ＥＮＳ相對較小，但大于０．７。模型總體預(yù)測精度較高，可為水電站泥沙預(yù)警超前提供含沙量變化趨勢。

３） 塔勒德薩依水電站含沙量預(yù)警閾值為３．５９ ｋｇ／ ｍ３，系統(tǒng)基于含沙量監(jiān)測數(shù)據(jù)與預(yù)測數(shù)據(jù)，智能觸發(fā)預(yù)警，可有效規(guī)避泥沙磨損維修情況，提高泥沙管理工作效率。

綜上，開發(fā)的水電站引水渠水沙智能監(jiān)測與預(yù)警系統(tǒng)，以含沙量智能監(jiān)測和預(yù)測數(shù)據(jù)為依據(jù)，以科學(xué)的預(yù)警機制推動決策響應(yīng)，為泥沙磨損防治提供解決思路。下一步可通過加強對水輪機磨損程度、入渠泥沙粒徑的監(jiān)測，積累更精細的泥沙磨損資料，建立泥沙磨損與泥沙閾值之間更精確的關(guān)系，逐步優(yōu)化調(diào)整預(yù)警機制，促進水電站綜合效益提升。

參考文獻：

［１］ 孫綿惠，付衛(wèi)山，許英秀，等．三門峽水電站汛期過機水流減沙情況和發(fā)電效益分析［Ｊ］．人民黃河，１９９８，２０（１２）：２２－２３．

［２］ 方興，余志順，劉小兵．高水頭多泥沙電站水輪機導(dǎo)葉的泥沙磨損研究［Ｊ］．人民黃河，２０１９，４１（６）：１２１－１２４．

［３］ 南軍虎，羅涵，馬康寧，等．旋流排沙渠道體型優(yōu)化的正交數(shù)值試驗方法和應(yīng)用［Ｊ］．水力發(fā)電學(xué)報，２０２２，４１（１０）：１６０－１６９．

［４］ 劉小飛，岳春芳，王健，等．喀拉喀什河懸移質(zhì)沙量和過濾設(shè)備選型研究［Ｊ］．泥沙研究，２０１８，４３（３）：５７－６１．

［５］ 李煥新，劉定民，魏加華，等．移動式水力清淤裝置原型試驗研究［Ｊ］．水力發(fā)電學(xué)報，２０２４，４３（２）：６７－７４．

［６］ 李銳，張凡，王全洲，等．小浪底水電站水輪機泥沙磨損研究［Ｊ］．人民黃河，２０１０，３２（１２）：２３７－２３９．

［７］ 蘇艷意．探索多泥沙電站水輪機的選型和水力設(shè)計［Ｊ］．科技創(chuàng)新導(dǎo)報，２０２０，１７（１９）：９６－９７，１００．

［８］ 杜世平．水輪機泥沙磨損及應(yīng)對措施［Ｊ］．機電技術(shù)，２０１６（３）：９２－９４．

［９］ 祝繼文，陳建福．多泥沙電站水輪機抗泥沙磨損措施探析［Ｊ］．黑龍江水利科技，２０１８，４６（７）：１４０－１４２，１５３．

［１０］ 王玲軍，郭萬欣，崔旭東．小浪底電站汛期機組避沙對策研究［Ｊ］．人民黃河，２０２３，４５（增刊１）：１４０－１４１．

［１１］ 姜利玲，董炳江，湯成友，等．長江上游三峽水庫入庫泥沙沙峰傳播時間研究［Ｊ］．人民長江，２０２１，５２（７）：９－１６．

［１２］ 吳曉冬，羅勇鋼，王昌林，等．映秀灣水電站泥沙濃度在線監(jiān)測系統(tǒng)設(shè)計［Ｊ］．中國農(nóng)村水利水電，２０１８（１）：１８４－１８６，１８９．

［１３］ 劉小兵，曾永忠，華紅，等．漁子溪電站水輪機轉(zhuǎn)輪葉片泥沙磨損研究［Ｊ］．西華大學(xué)學(xué)報（自然科學(xué)版），２０２０，３９（５）：６７－７３．

［１４］ 陳佳瑞．映秀灣電站河流濁度與水輪機轉(zhuǎn)輪葉片泥沙磨損關(guān)系研究［Ｄ］．成都：西華大學(xué)，２０２１：４０－４８．

［１５］ 王偉，董先勇，魏進春．金沙江下游水文泥沙數(shù)據(jù)庫及信息管理系統(tǒng)研究［Ｊ］．人民長江，２０１４，４５（２）：４－７．

［１６］ 張金良．黃河洪水泥沙管理系統(tǒng)［Ｊ］．中國防汛抗旱，２００７，１７（３）：１３－１５．

［１７］ 陳華，陳夢，趙浩源，等．基于時空影像法的河道流速流量計算應(yīng)用研究［Ｊ］．武漢大學(xué)學(xué)報（工學(xué)版），２０２４，５７（７）：８７２－８８０．

［１８］ 李濤，徐高，梁思涵，等．人工智能圖像識別在水利行業(yè)的應(yīng)用進展［Ｊ］．人民黃河，２０２２，４４（１１）：１６３－１６８．

［１９］ 喬長建，劉震，邰建豪．基于ＬＳＴＭ 的水文站流量短期預(yù)測建模差異性研究［Ｊ］．人民黃河，２０２４，４６（６）：１１９－１２５．

【責(zé)任編輯 栗 銘】

基金項目：國家重點研發(fā)計劃項目（２０２２ＹＦＣ３００２７０１）