智慧電廠一體化大數據平臺關鍵技術及應用分析

張帆

(湖北西塞山發電有限公司，湖北 黃石 435000)

智慧電廠一體化大數據平臺關鍵技術及應用分析

張帆

(湖北西塞山發電有限公司，湖北 黃石 435000)

智慧電廠建設是電力行業信息化的發展方向，建立一體化大數據平臺對電廠產生的各類數據進行處理是建設智慧電廠的一個關鍵步驟。根據電力行業特征，分析數據來源和數據結構，設計了專用數據平臺架構來處理數據并進行深度挖掘計算，給出精確的決策支持信息。最后，在某燃煤電廠實際運行該平臺，表明該平臺能處理好電廠大數據并正確得出所需信息。

燃煤電廠；智慧電廠；大數據；數據清洗；智能預警

0 引言

隨著上網電價全面下調、電力體制改革工作強力推進、燃煤電廠超低排放和節能改造等政策的落地實施，通過智慧電廠的建設，在保證安全生產的前提下，如何通過精細化的生產管理降低運行和檢修成本、實現資產全生命周期管理，是很多發電企業亟待解決的問題。

智慧電廠的關鍵是“智慧”，體現在電廠各系統、設備的自管理、自學習和自診斷能力方面，其核心是數據。近年來，集散控制系統(DCS)、廠級信息監控系統(SIS)、管理信息系統(MIS)等數字化技術在電力行業廣泛應用，使得數據資源成為火電機組生產過程中越來越重要的要素。爆炸式增長的數據量對多源、異構、高維、分布、非確定性的數據及流數據的采集、存儲、處理及知識提取提出了挑戰，已經成為智慧電廠建設與發展中的必經之路和重要體現方式[1]。如何利用獲取到的電站運行維護(以下簡稱運維)信息對電站設備的狀態進行監測，并及時準確地發現可能發生故障的設備，已成為當前智慧電廠發展的重點。電站設備運維信息數據量巨大，利用普通的方法難以滿足及時性的要求，因此，必須采用更加高效和可靠的方法。

本文對智慧電廠一體化大數據平臺的數據來源、平臺架構以及功能進行介紹，對其關鍵技術進行研究，并結合應用案例進行分析。

1 一體化大數據平臺

1.1 智慧電廠大數據來源分析

隨著電廠信息化程度的提高、系統和設備傳感器數量的增加、管理模式的不斷創新，電廠在進行生產時產生了海量生產數據及運營管理數據[2]。

(1)生產數據。生產數據是智慧電廠大數據的重要組成部分，數據價值較高，主要包括系統及設備運行的參數、生產的產出和消耗數據、設備故障信息、缺陷處理信息、各種生產日志及報告等重要的生產一線數據，可從中提取關鍵信息指導設備維護、系統優化運行。

(2)運營管理數據。電廠經營需要多方面大量信息的支撐，運營管理數據往往是跨專業、多維度數據。對此類數據進行加工處理，并將有效信息用適當的方式呈現出來，可輔助電廠經營者做出最優管理及運營決策。

從數據結構上，智慧電廠大數據還可分為結構化數據和非結構化數據[3]。結構化數據包括發電機、汽輪機、鍋爐等設備傳感器產生的實時數據和故障類別、生產日志、設備信息等非實時數據。非結構化數據包括實時的音頻文件、視頻文件、圖像文件和一些技術資料、圖片文件等。

1.2 一體化大數據平臺的架構

智慧電廠數據來源復雜，數據量大，為滿足數據處理要求并深入挖掘出數據信息，設計了如圖1所示的一體化大數據平臺架構。

在該平臺中，電廠原始數據經過預處理、質量監控、數據清洗后進入數據庫，后續的操作以數據庫中的數據為基礎，預警系統根據設定好的模型對數據進行監控，數據挖掘系統對數據庫中的數據進行深度挖掘分析，用戶也可通過綜合技術平臺進行查看、指定統計等操作。

系統采用分層架構的優勢將更利于系統的業務擴展和分布式架構，可快速基于系統之上進行業務需求的持續集成及二次開發，以最小的代價部署上線新的業務模塊和功能，快速適應需求變化、提高功能、業務的復用度[4]，進一步提高開發效率、縮短開發周期、減少運維成本。

圖1 智慧電廠一體化大數據平臺架構

(1)數據采集層。負責對現場數據進行采集，支持從實時數據庫、關系數據庫或接口機上進行數據采集，如從接口機上進行數據采集支持101，104，OPC等規約。

(2)數據傳輸、處理層。負責數據從采集接口到數據庫的數據傳輸、寫入前的數據甄別及數據寫入數據庫。數據甄別是采用多重數據計算模型，對數據缺失、數據錯誤等情況進行驗證，對采集有誤的數據進行實時提示告警，并視情況進行數據的替換、剔除等處理，保持數據的準確性。

(3)數據存儲層。數據存儲層是此系統的數據存儲和管理中心，對系統采集、計算、配置等所有數據進行集中存儲，實現統一存儲、統一管理、統一接口；數據中心主要由數據存儲中心及數據容災中心組成，之間采用實時備份策略。

(4)業務處理層。此層是依據各模塊的業務處理規則、以數據存儲層為基礎，對各模塊的業務數據進行處理，對處理的結果數據寫入數據存儲中心，包括綜合分析、數據挖掘等。

1.3 一體化大數據平臺的功能分析

一體化大數據平臺建立了發現問題、分析問題、解決問題，以及問題管理的機制[5]。通過實時監控報警、預警發現問題，通過診斷分析查找問題原因，通過問題指導、優化指導解決問題，通過案例庫、知識庫對問題進行管理。智慧電廠一體化大數據平臺業務流程如圖2所示，平臺業務數據流程如圖3所示。

圖2 智慧電廠一體化大數據平臺業務流程

圖3 智慧電廠一體化大數據平臺業務數據流程

(1)基礎數據。包括機組實時數據、設計數據、試驗數據、運行數據、工作任務、文檔信息以及從其他系統獲取的數據。

(2)數據甄別。對采集的數據進行準確性甄別，以判別數據質量的好壞并提供報警。

(3)實時分析。根據業務功能的要求，通過相應的服務程序實現數據的實時分析，典型的是實時計算和實時告警計算。

(4)統計分析。由于系統功能需要，基于基礎數據、數據甄別結果、數據實時分析結果，按照相應的業務規則進行統計分析。

(5)大數據分析——決策支持。通過大數據分析平臺，用合適的挖掘算法對基礎數據、甄別結果、實時分析結果、統計分析結果進行深入的挖掘計算，以獲取供決策支持的知識[6]，同時將信息以豐富的可視化工具展現出來，成為可讀、已讀的決策支持信息。

2 關鍵技術分析

2.1 多源異構數據處理、存儲的實現

在智慧電廠的架構下，用以提取有效信息的數據量遠超出了傳統數據管理系統的能力；同時，由于數據具有不同的格式和不同來源，還存在數據多樣性和復雜度問題[7]，本文給出的數據平臺可滿足如下要求。

(1)能夠高效地利用大量實時和歷史過程數據，這是優化決策支持的關鍵要求；可以幫助企業連接和采集不同系統和設備的數據，發掘數據中隱含的信息。

(2)采用時間序列友好的數據結構，使其性能大大優于傳統的關系或關鍵值數據結構；可在大數據集和相關時間段內高效地進行查詢[8]，為真正的實時數據提供速度大幅加快的讀寫性能和微秒級分辨率；能夠采集過程級的信息值，持續推動改良。

(3)能夠與過程數據源連接，直接獲取數據——合并整個企業的數據并進行壓縮，實現高效存儲，極大地減少了精確再生時間序列信號所需的數據量。

2.2 時間序列數據中噪聲點和缺失點修正模型的建立

平臺應采用時間序列模型識別各狀態量的時間序列，檢測出數據的異常模式，判斷異常數據是能提取設備故障信息的“有用數據”，還是可被清洗的“無用數據”[9]。當異常數據是由設備異常狀態產生時，用時間序列干預模型進行擬合以提取有效故障信息。在數據清洗時，根據序列中異常值的種類選擇不同的修正公式，從而達到修正噪聲點數據和填補缺失值的目的[10]。相比于傳統的刪除噪聲點，該方法清洗出的數據是不帶有噪聲點和缺失值的數據[11-13]，從而避免了時間序列中有用信息的丟失，更能有效地反映原始時間序列的動態變化。

2.3 基于大數據的智能預警技術

對于電廠安全和經濟運行的高標準要求，一體化大數據平臺需要能夠模擬人工智能，全面自動地監視電廠各個系統、子系統、主機、輔機等，實現更加廣泛的智能預警技術。與傳統數據分析技術相比，智能預警技術能夠在漸變性故障發生之前，劣化趨勢達到一定標準時及時報警，并提供該異常的具體變化趨勢以及相關異常參數情況，供故障預警與分析。該技術不僅能監視轉動設備，還要能對系統、子系統以及參數、設備組等建立智能監視模型，能在各種運行工況下持續監視所有設備和生產流程，可用于監視負荷變化工況和機組啟動/停機工況，并能在到達臨界點之前發現那些蠕變的缺陷。本項目擬采用當今最先進的人工智能技術，實現以上對全廠設備及系統的全工況智能早期預警和初步診斷的自動化狀態監視和診斷。

通過對電站中鍋爐、汽輪機、發電機、給水泵、凝結水泵、循環水泵等主要輔機，以及真空系統、余熱鍋爐系統重要設備等為對象進行建模，實現對該系統和設備的全時監控，提前對影響機組、系統、設備安全運行的異常征兆進行預警和故障診斷。提供異常參數范圍和異常參數偏差趨勢及發生時刻，為運行、生產專業人員提供安全早期報警，盡量防止機組及系統非停發生。另外，在故障發生后，可以查看模型分析結果，幫助準確定位故障源頭和發現故障發生過程。成功挖掘出大量過程參數數據里隱含的對提高機組安全穩定運行有價值的信息，提高電廠安全運行水平。提高電廠專業人員運行分析、故障分析、生產管理決策水平，從而提高機組可靠性，增加電廠效益。

3 應用案例

在華電集團某燃煤電廠實際測試該平臺，該平臺能保證數據采集、處理、儲存、分析速度滿足使用要求，挖掘出正確結果，并具備高可靠性和安全性。

3.1 智能預警實例

平臺通過對測點數據歷史運行區間、DCS報警值進行分析，建立了設備重要參數監測模型，24 h連續對測點數據進行監測，數據異常時自動產生報警。某智能報警消息示例見表1。

表1 智能預警消息

在某條報警產生后，可使用趨勢圖工具分析該點最近的走勢變化,也可查看一段時間內該點的詳情，里面統計了報警總時長、總次數，每一次報警的開始結束時間和極值。

通過查看以上信息，可對該測點的運行狀況有一個清晰的認識，還可以對比相同類型的參數，比較預警情況，現場檢查時優先檢查運行狀況較差的設備。

3.2 小指標智能管理

指標管理體系是電廠管理體系中重要的組成部分，人工統計指標往往需要耗費大量的精力，而且存在出錯的可能，該平臺可實現指標智能管理，自動統計結果并分析指標超標情況。小指標異常分析示例見表2。

表2 小指標異常分析(2016-12-24)

注：統計時間，2016-12-24 T 00:00:00—23:59:00；條件，正常運行時；指標，主蒸汽溫度；異常次數，6。

4 結論

本文介紹的智慧電廠一體化大數據平臺的架構，能夠適應電力行業數據特點，具備高安全性和可靠性，該平臺以電站的海量數據為基礎，通過數據挖掘和智能分析，給出有效信息，協助電廠進行設備維護、運行優化、經營管理。該平臺能滿足智慧電廠建設需要，為電廠加深信息化和智能化提供保障，對智慧電廠一體化大數據平臺的不斷優化和改進將成為電站提高效率的重要研究方向。

[1]李國杰，程學旗．大數據研究:未來科技及經濟社會發展的重大戰略領域——大數據的研究現狀與科學思考[J].中國科學院院刊，2012，27(6)：647-656．

[2]丁杰,徐建,王春毅,等.迎戰大數據[J].電力信息與通信技術，2013，11(2):5-10.

[3]IBM.What is big data？[EB/OL].(2012-10-02)[2017-01-10].http：//www.01.ibm.corn/software/data/bigdata．

[4]MAYER-SCHONBERGER V，CUKIER K．Big data：a revolution that will transform how we live work and think[M]．New York：Eamon Dolan /Houghton Miflin Harcourt，2013.

[5]亓開元,趙卓峰,房俊,等.針對高速數據流的大規模數據實時處理方法[J]. 計算機學報,2012,35(3):477-490.

[6]孟小峰,慈祥.大數據管理:概念、技術與挑戰[J].計算機研究與發展,2013, 50(1):146-169.

[7]陳星鶯,張曉花,瞿峰,等.數據挖掘在電力系統中的應用綜述[J].電力科學與技術學報,2007,22(3):51-56.

[8]李勛,龔慶武,楊群瑛,等.基于數據挖掘技術的保護設備故障信息管理與分析系統[J].電力自動化設備,2011,31(9):88-91.

[9]張海波,易文飛．基于異步迭代模式的電力系統分布式狀態估計方法[J]．電力系統自動化,2014，38(9)：125-131.

[10]張斌,張東來．電力系統穩態數據參數化壓縮算法[J]．中國電機工程學報，2011，31(1)：72-79.

[11]宋亞奇,周國亮,朱永利．智能電網大數據處理技術現狀與挑戰[J]．電網技術，2013，37(4)：927-935.

[12]楊新民,高海東,陳豐，等.數字化電廠概念的解析及探討[J].熱力發電,2015,44(5):98-101.

[13]郭鵬,朱赫,凌榮華,等.全壽期數字化電廠建設現狀及其解決方案[J].節能技術,2016,34(1):73-76,86.

(本文責編：白銀雷)

2017-01-10；

2017-02-14

TP 311.13

A

1674-1951(2017)02-0001-03

張帆(1972—)，男，湖北蘄春人，工程師，工學碩士，從事電廠信息管理、生產管理等方面的工作(E-mail:zhang.f@hxpgc.com)。