大數據在智能火力發電廠的應用

白振忠

（國家電投集團寧夏能源鋁業有限公司臨河發電分公司，銀川 750411）

隨著互聯網的快速發展應用，數據結構大多數呈現持續性爆發增長的模式。與此同時，傳統的火力發電廠也朝著智能化火力發電廠邁進，不同種類的數字化設備與儀表已經把老舊的機械式設備與儀表進行了替換，SIS、DCS等各類信息系統也在各個電廠中進行運用。使用不同的傳感機器和數據采集機器計算出的大部分數據會被進行分析、儲存，然后來對火力發電廠的運作方式進行引導。這就說明以前的火力發電廠轉向智能化電廠的過程中，大數據已經對大多數的企業的數據運營與管理方式帶來的巨大沖擊。

1 面臨的問題

現如今隨著信息技術的不斷發展，數據的保存與存儲已經能夠得到有效管理，但在數據價值的開發和數據的分析運用方面仍然是當今火力發電企業部門發展面對的難點。其中導致大量有價值數據無法展示出數據深層含義原因有以下三個方面：

1.1 專業知識復合型人才的缺乏

在對數據分析挖掘的同時，專業人員不僅需要掌握關于火力發電廠的學習知識，同時也需要了解透析一定的計算機方面的專業知識，特別是對專業化語句查詢的熟練掌握和對于各類數據庫的理解。

1.2 對數據價值的挖掘不夠重視

在大多數企業，由于受傳統觀念的影響，單單只是用淺短、片面的眼光來看待數據分析，只滿足于生產實時數據的觀察以及其統計數據表格的產生，對于各類相關數據間的時間特性和數據間關系分析沒有重視起來。

1.3 數據價值挖掘的長效機制的缺乏

數據價值深度挖掘系統，是以數據的分析模型為基礎逐步建設的。因此如果缺乏對大量數據的長期的分析跟蹤，就不能及時找到有效的分析模型系統。

2 火力發電廠數據價值分析

火力發電廠的數據主要分為以下3類：

第一類：數據的結構化可以直接展出企業項目生產的各類信息，具有極高的數據價值密度，所以就出現例如統一語言查詢、數據板塊的嚴格控制統等特點，這些方式更加利于更高價值數據的挖掘。第二類：數據沒有結構化就不會生產一線的數據，但這種情況就經常和企業管理有著極高的契合度，但缺點是數據價值的密度中等，致使有價值的數據挖掘難度比較大。第三類為多媒體數據，這種大量數據的模式對于生產來說不具有較高的價值，但是這類數據在對事故的視頻回放中就具有很高的價值，所以這種類型的數據價值密度低，也就導致數據價值挖掘的技術難度大。

在智能的火力發電廠中，電廠內的用電指標高低都是可以直接從指標信息中了解，但是電廠用電率變化的原因在大多數情況下都會隱藏在被忽略的數據流下。但是如果對于數據的分析更加深入，也就能獲取更多的數據價值，在數據得到分析后獲取的數據價值密度就會比原始數據的價值密度會大大提升。

數據的深入探究和挖掘是去的隱藏數據價值的快速方式。數據可以在不同的數據文件、不同的表格空間、不同的數據庫進行儲存，但是這并不表明在儲存方式上的不同這些數據在邏輯關系上就是隔離的，從另一個方面來說在邏輯上的數據相聯程度是與高度有關的。因此針對數據價值的分析挖掘，就需要將相關的數據當作一個整體看待，這是十分重要的一個步驟。在各數據間的相關性進行分級，然后構建模型，如：火力發電廠的用電率指標主要與不同的輔助設備耗電量相關，不同的數據輔助設備耗電量又與單獨的輔機運行指標息息相關，在這其中任一指標的變動都會使電廠用電率發生改變。

3 火力發電廠數據價值挖掘

數據價值挖掘是從大量的、模糊的、不完整的、隨機數據中提取不易被發現的信息，然后發現其利用的價值。數據信息量的急速膨脹也引發了數據挖掘技術的高速發展，如果沒有數據挖掘技術，在海量數據中發現有價值的數據就會顯得十分困難，因此企業已經把數據挖掘技術逐漸重視起來。

數據挖掘和傳統的數據分析系統不同，數據挖掘能夠直接發現有效并且無法預知的信息，這些數據無法通過直覺來發現的。例如，在火電廠中，使用數據挖掘技術可以實時監控鍋爐狀態以及鍋爐下各個部件的整體情況，包括部件下評估點的壽命狀態，然后在鍋爐要損壞時工廠員工能夠及時發現并更換相關部件或進行相關檢修工作。數據挖掘還可以檢測電力設備的可靠性管理，能夠衡量設備的技術狀況，也可以在電廠運行時檢測能力水平。在電氣系統故障時能夠進行信息采集、傳輸、處理、分析，通過數據挖掘技術，定位故障原因，引導對設備運維方向，從而提高設備的運行效率。

4 結束語

綜上所述，在當前這個“大數據”時代，火力發電廠企業的數據會保持持續增長的模式。所以對于這些海量數據，其中就數據價值挖掘的價值就得到了體現，數據價值挖掘的更多就表明能夠為企業節約更多的項目成本以及提高項目利潤。所以努力將信息化水平提高，培養更加專業的技術人才，發現數據價值，這些方面一定是火力發電廠管理模式的發展方向。