大型水電站智能監盤系統設計研究

雅礱江流域水電開發有限公司 郭玉恒 王 剛 席紅兵 劉 峰

引言

國內大部分水電廠運行過程中的監盤分析靠運行人員手工瀏覽畫面、抄表、巡撿、趨勢分析及控制系統的固定界限報警來提示。人工觀察數據的工作量大、沒有統一規范，主要靠人的經驗。控制系統報警的界限值不能輕易改動，不論何種工況采用固定的界限值報警往往容易誤報、漏報，或報警時已來不及采取措施。人工分析參數的變化趨勢，參數異常的早期識別難度大[1-2]。

在火電領域有部分電廠已開展智能監盤方面的探索和實踐：神華國華北京燃氣熱電廠將多變量模式識別技術應用于智能監盤，該廠基于歷史數據挖掘，建立監盤參數的多變量自關聯模型，進行了燃機電廠智能監控研發，畫面實時傳送至集控室大屏。該成果獲得了眾多的獎項，具有豐富的應用案例；利港電廠也開啟了智能監盤研究應用，其智能監盤系統基本架構思想主要是系統自動監視，通過將相關聯的參數導入到參數預測模型機器學習算法中，對海量歷史數據的訓練挖掘得到每個監視參數的預測值，將得到的預測值與運行標準、運行經驗、當前的實測值放入到健康度評價模型中，判斷該算法得到的預測值是否相對準確，形成一個健康度評價打分體系[3]。

國外GE、西門子等公司都提出了各自的數字化智能化解決方案，將多種數據分析技術結合應用到電廠具體業務中，很多集團通過集中監視和診斷中心進行監視，電廠的生產更像一個車間。加拿大TransAlta 集團將控制系統的傳統報警和事件記錄傳送到集中監視和診斷中心，再通過實時數據、智能預警、性能計算分析等系統集成在一起，將各個系統產生的報警進行統一監視和分析，對機組從經濟性和可靠性兩個方面進行分析和把控。在關鍵參數的早期異常方面芝加哥大學開展研究和應用較早，其多變量模式識別技術在國外的眾多發電集團得到了普遍應用[4-5]。

目前基于大數據技術的智能監盤系統為運行值班員提供了強有力的工具：該系統大大降低人工進行運行監視和分析的工作負擔，提高運行人員工作效率，甚至可減少運行人員的投入人力；提高運行值班員的操作水平，提高對機組、系統、設備運行異常的識別能力、分析能力和預知預判能力，降低運行中的設備故障率，減少非停和緊急搶修，從而提高機組的安全性和可靠性；通過監盤參數的變化及時發現設備部件的異常和故障，大大降低設備檢修維護成本，提高設備可靠性；該系統可對設備、系統、機組實現整體的科學、量化的健康評估，有效服務于運行管理和生產管理。

1 智能監盤實現的功能

1.1 數據處理

從生產控制大區獲取實時數據并存儲于數據服務器上，數據延時小于0.5s，具備生產控制大區各系統歷史數據的導入功能。對采集的數據進行有效性和正確性檢查，過濾無效數據；根據設備模型自動學習歷史數據，記錄設備不同工況下多維度的運行數據，實現智能閾值計算，得到設備不同工況下的報警閾值并不斷進行修正，實時進行狀態趨勢曲線數據對比監測。

1.2 趨勢分析

智能分析設備參量突變原因及趨勢功能。基于相同工況運行條件下的歷史數據分析設備參量突變的原因及趨勢，適用于參量變化過快等類似設備保護預警；智能分析設備長期運行趨勢功能。提取設備長期運行特征參量值，結合設備的當前運行工況分析設備長期運行趨勢，根據故障征兆對可能發生故障的時間、位置和程度進行預測，適用于設備運行效率分析或隱患提前預測；縱向趨勢分析功能。對同一設備相同工況下進行數據縱向環比及數據趨勢預測，當設備運行參量大幅度偏離或趨勢預測偏離歷史運行平均值時進行報警；橫向趨勢分析功能。對同類設備相同工況下進行橫向數據趨勢分析，對運行參量大幅度偏離或趨勢預測偏離同類設備運行平均值的設備進行報警。

1.3 輔助預警

輔助故障定位功能。根據故障特征和報警信息，結合設備運行工況及歷史報警信息對已發生故障進行定位，提出若干條故障報警原因，輔助運行人員快速、準確定位設備故障部位，查明事故原因；輔助故障處置功能。根據運行人員判斷出的故障原因，結合歷史故障處理方法，提出若干條處理措施或聯動應急預案并附加安全措施范圍及風險評估值，供運行人員根據實際情況進行選擇；緊急故障狀態推送。當機電設備發生緊急故障時，第一時間推送故障信息，監視畫面自動跳轉至故障設備界面并推送相關故障處理建議及措施，緊急情況下推送相關的故障應急預案，輔助運行人員快速、正確地處理緊急異常事件。

1.4 智能統計

實現每兩小時智能巡屏，自動記錄相應數據，對全站機電設備運行參數情況進行分析對比，并可將上述數據導出生成指定格式的文檔，支持Excel和word 文檔；每日零點自動生成生產日報、電量報表，每月定點自動生成生產月報，代替人工制表，確保制表的精確性和及時性，并可將上述數據導出生成指定格式的文檔；可對所有設備的任意時間段自動生成運行狀態分析報告，運行人員可根據設定的日期查詢各設備的運行時間、運行次數；定期自動生成各系統設備運行分析報告，如油、水、氣系統運行周報、月報、年度報告，對設備的運行情況進行全面評估，并可將上述數據導出生成指定格式的文檔。

實現巡檢數據統計的自動生成，運行人員可根據每日巡檢或周巡檢需要統計的數據設定統計內容，并可將上述數據導出生成指定格式的文檔；實現泄洪閘門操作數據的記錄及統計。運行人員可根據設定的時間段查詢每個泄洪閘門操作記錄詳情、啟門次數、閉門次數，并可將上述數據導出生成指定格式的文檔；實現機組開停機時間及開停機次數的記錄及統計。運行人員可根據設定的月份查詢各機組一個月內所有的開機時刻、停機時刻、開停機次數及開停機失敗時刻，并可將上述數據導出生成指定格式的文檔；實現每日最高及最低庫水位的統計。運行人員可根據設定的時間段查詢電站每日最高庫水位、最高庫水位到達時間、每日最低庫水位、最低庫水位到達時間，并可將上述數據導出生成指定格式的文檔。

2 智能監盤系統設計原則及其設計

2.1 智能監盤系統設計原則

安全原則。智能監盤系統應部署在安全III 區，系統通過安全隔離裝置從控制區(安全Ⅰ區)實時獲取監控系統數據，并將數據存儲于安全III 區。智能監盤系統不得影響電站計算機監控系統監視、操作、數據存儲等功能。智能監盤系統需滿足《電力監控系統安全防護規定》和《電力行業信息安全等級防護管理辦法》的要求，同時做好數據安全防護工作，應滿足國家、電力行業對于數據安全管理的相關規定。

適應原則。數據獲取、處理的過程中不影響現有系統的運行和性能，同時支持將來其它應用系統的數據共享、查詢和二次開發。智能監盤系統的設計與開發應采用標準化、開放式的接口技術，便于后期的功能擴展。軟件模塊可根據功能發展逐步配置，新增加的設備和軟件不得影響原有系統的可靠高效運行，應滿足系統不斷發展和完善的要求。

高效原則。通過智能監控及輔助決策系統整合全站機電設備信息，實現對機電設備運行狀態的實時評估，對可能發生的故障進行預測，對已發生故障提供處置方案，同時輔助人工實現自動巡盤，定期完成各系統設備分析報告。通過該系統切實提升運行監盤工作效率，降低運行人員監盤工作強度，提高電站的安全運行水平。

2.2 硬件系統設計

智能監盤系統部署在安全III 區，其硬件系統由數據服務器、報警工作站、交換機、防火墻、隔離裝置、入侵檢測系統、光纖磁盤陣列、顯示器、人機交互系統等組成。數據的傳輸速率、數據的完整性應滿足要求。智能監盤通過正向安全隔離裝置從生產控制大區獲取數據，采用防火墻進行隔離。系統采用分級授權管理，具有安全審計功能。

2.3 軟件系統設計

數據流向：數據從電廠的綜合信息平臺進入監盤模型計算，模型實時計算動態基準值，動態基準值送入監盤服務經模式識別判斷后送到監盤網站，展示給監盤人員。

部署方式：單機方式。實時數據從CCS 經接口采集進入電廠數據綜合平臺，綜合平臺數據經接口送到智能監盤服務器進行計算和展示。除實時測量數據外監盤系統還可讀取實時數據庫中的存檔數據、運行人員的手工輸入數據、關系數據庫數據、計算指標數據等。單機方式部署簡單，硬件成本低，但可靠性比雙機冗余低；冗余方式。與單機部署不同的地方在于，所有的監盤軟件都在另外一臺服務器上部署一套，兩套軟件互為備份，萬一有一臺服務器硬件損壞或軟件出故障，智能監盤會自動切換到另外一臺服務器上運行。保證系統的可靠性。冗余部署的方式在可靠性上有顯著提高，成本上需增加一臺服務器和操作系統。

圖1 基于綜合信息管理平臺的數據流向圖

3 智能監盤系統技術原理

3.1 應用的技術

智能監盤系統主要基于建模技術與機器學習技術、模式識別技術、整體狀態評估技術，這三大技術也是智能監盤系統高效、精準預測必不可缺少的：建模技術與機器學習技術。多變量自關聯的監盤模型采用基于相似性原理的建模技術，對生產現場機組大量運行參數的海量歷史數據進行深入挖掘分析，基于機理的分析和數學方法相結合研究建模，建立機組重要系統及關鍵設備的正常運行過程的高保真歷史經驗模型；模式識別技術。基于監盤模型對于監盤對象（機組下各個系統及設備）當前是否處于正常運行模式進行準確識別。如沒有處于正常的運行工況模式，不僅要指出異常特征還要指出可能的異常原因診斷，預警異常的部件、設備和系統以及當前的緊急嚴重程度；整體狀態評估技術。研發、使用嚴重度算法，對部件、設備、系統、機組的劣化嚴重度進行逐層計算，進而給出設備、系統、機組的整體健康狀態的科學、量化評估。

3.2 建模原理

建模工具對歷史數據（通常為最近1年的時間間隔為1h 的歷史數據，以保證數據能夠覆蓋不同環境溫度、不同運行工況）進行學習訓練，最終生成狀態矩陣來描述設備或工藝過程的應有狀態，狀態矩陣中應覆蓋各種可能的運行工況和環境工況。在計算引擎運行時，實時運行狀態用多個傳感器的實時數據組成的實時向量表示，實時向量與狀態矩陣進行計算得出每一個傳感器的健康估計值，實時值與估計值之差記為偏差，并產生動態報警帶，依據動態報警帶進行報警；健康估計值作為監盤、分析的基準。監盤系統將異常清楚明白地用趨勢圖表現出來并持續進行跟蹤和監視。將同一設備相關傳感器的趨勢放在一起進行綜合分析，還可把同一類型對象正常運行的相應傳感器趨勢與存在異常征兆的異常傳感器趨勢放在一起進行對比分析。

3.3 模型算法應用

3.3.1 相似性理論

基于相似性理論的建模技術是通過模式重構來完成的，不會試圖將一個變量明確地同另一個變量聯系起來，而是純碎基于選定的訓練數據（樣本）產生估計。通過基于樣本的數據進行插值重構、確切符合訓練數據、線性組合產生估計，最終達到清除正常變量，從而顯示出異常運行狀態。

大型水利發電廠發電工藝流程相對復雜，機理模型建模難以準確實現，其中變量多，水電廠數據較多、工況復雜，需要調較多的經驗公式、參數設值調整復雜。因此一般采用非參數化建模中的SBM基于相似理論建模，也就是基于大數據訓練模型的一種手段。具體實施將一組相關的變量放在一起，將模擬量分組分系統。例如運行人員監盤監視某個系統，在某個工況下，一個參數在一定范圍內、另一個參數也在相應的范圍或將影響另一個參數的范圍。這樣一組互相關聯的變量可反應系統設備的運行情況。將一年的歷史數據，例如水頭、工況、溫度等模擬量選取其中健康的數據作為輸入，輸出一個狀態矩陣，掌握機組在健康狀態下的各種參數顯示。該狀態矩陣將掌握機組機組健康下的各種參數顯示。

機組實際運行過程中，該參數的選取即為機組當前狀態下的實時數據，通過計算所有組合的相似度產生插值矩陣，然后權重模式加到一塊組成估計模式。通過把輸入模式減去估計模式從而產生一個剩余值，把剩余值較低的變量作為正常變量移除，較高的即為需要顯示出來的異常數據。

3.3.2 嚴重度

嚴重度算法為監盤模型中的每一個測點實時計算嚴重度，計算該測點健康估計值與實時值偏差的嚴重程度。實時嚴重度是監盤、監視的第二個基準。

3.3.3 動態基準值計算

依據系統的函數、建模和組態配置系統實時地判斷當前工況，根據當前的運行工況不同，實時地計算出所有監視參數的基準值，大量參數實時計算不卡頓。結合電廠實際情況，可利用計算指標實時計算出運行人員所關注的數據，其也是從實時數據庫中讀取。具體配置哪些參數和配置多少參數根據運行的實際需要來確定。

4 結語

智能監盤系統可實時計算主要運行參數的基準值和正常的變動區間，通過動態監視帶和智能化設置提高預知預判能力，并將運行人員的經驗知識通過專家系統進行系統化來實現智能化的監盤。智能監盤系統可提高監盤效率和降低監盤的勞動強度，提高運行監盤的智能性和全面性。