智能電廠大數據的關鍵參數目標值挖掘技術分析

王琦 李慎東 沙千里 趙琦 董利斌 杜學聰 馮博 周寶柱

摘要：新時期下，火力發電企業技術升級轉型勢在必行，這是落實國家能源結構調整政策、推進能源供給側改革過程的重要基礎。測算關鍵參數目標值為優化火電廠運行模式的重要基礎，傳統的測算與挖掘方式暴露出精準度低、時效性不足及很難實現閉環式應用等問題。本課題主要將以智能電廠大數據為基礎的關鍵參數目標值挖掘技術作為論點，較為詳細的闡述其內涵及具體表現形式，火電廠生產實踐中合理應用該項技術，明顯提升了關鍵參數目標值的挖掘效率。

關鍵詞：智能電廠;大數據;關鍵參數;目標值;數據挖掘;技術分析

引言

火電廠每天運行階段會生成海量數據，不同數據之間形成了千絲萬縷的關聯，且這種聯系也是十分繁雜的，部分關聯性顯而易見，能用肉眼觀察到的，比如在正常運行狀態中，機組負荷和機組出力兩者之間存在正比關系，但依然有大量數據之間的關系是潛在的，例如火電機組負荷與其振動之間的關系。在傳統電廠內不同專業系統之間隔離，基礎數據高度統一，但缺乏數據庫之間的接口，滋生出“信息孤島”情況，外加工作人員專業水平偏低，缺少科學指導，以致大量數據價值被荒廢[1]。

在提出建設“智能電廠”的背景下，火力發電廠應盡早扭轉傳統粗放式生產形式，主動與互聯網、大數據等高新科技對接，確保生產安全、環保的基礎上，創造出更多的經濟效益。確定關鍵參數的目標值為火電廠實現節能、改善運行模式的重要工作內容之一。以運行數據關鍵參數目標值為基礎形成的挖掘技術，應用過程中在可執行性、可靠性等方面均表現出良好效能，逐漸演變成優化火電廠運行的主流方式。

一、智能電廠大數據

1、智能電廠結構案例分析

關于智能電廠，國內外很多學者作出了不同的定義。比如，劉吉臻等[2]指出，智能電廠是以“智能發電”概念為基礎的一種實現形式，其將全新智能管控一體化系統作為核心，綜合火電廠運行階段形成的實時數據處理、管理決策等諸多業務，打造出有趨優性、自學習及自適應等功能的智能化發電運行管控模式。

智能電廠的整體結構見圖1。其主要由ISS與ICS兩大部分構成，前者的功能是智能化巡檢、設備遠程管理等，后者主要執行整個電廠生產過程的監控任務。因為ISS的兩側端分別銜接ICS和外網，ICS運行階段需要確保絕對的安全性，故而一定要把安全隔離器搭設在兩個系統之間。

2、智能電廠大數據及其特點

我們可以將大數據理解在數據獲取、存管及分析等方面明顯超出常規數據庫軟件能力范圍的數據集合，其作為一種特別的信息資產，有批量化、高增長率及多樣化等諸多特征。新時期建成的火電廠有數據測點廣泛分布、數量繁多、采集頻次高、既往與實時運轉數據均有體量龐大、類型多等特征，其屬于十分典型的大數據，已演變成智能電廠的一種重要屬性。

多源性獲取、方位分散度高、數量龐大、結構多元化;含有繁雜信息，數據之間的關系強;數據能實現連續采集，采樣速率多樣多變，具備動態時空屬性;數據信息收集、存管、處置、解析及挖掘等對時效性均提出較高要求;數據資源運用時有明確的閉環要求。

二、關鍵參數目標值挖掘技術分析

1、常規關鍵參數目標值計算方法缺陷

（1）熱力試驗： 即基于優化調整試驗確定機組的關鍵參數目標值，且以此為基礎提出相對較合理的關鍵參數運行曲線，對火電廠業務運行進行科學指導。通過熱力試驗獲得的結果和火電機組當下狀況較貼近，可靠性較強。但整個試驗過程需有專業人員的參與配合，耗用較大的時間成本，通常會影響機組的正常運行狀態。

（2）耗差分析：基于熱力測算過程構建關鍵參數和主要經濟指標之間的數學模型，利用模型測算得到目標值，還能動態監測運行參數的實時值，掌握其和目標值之間的偏差及對部分經濟性指標形成的影響。理論基礎強是這種方法的主要優點，但應需建設熱力過程的數值模型且利用尋優計算出關鍵參數的目標值，故而需要測算出大批量復雜的熱力計算等，不僅耗時較長，并且模型的適用范圍在時空上還存在著一定局限性。

（3）數據挖掘：即在相似的運轉工況下，將相關重要運行指標最優設定為目標，在既往運行數據中挖掘出相對應關鍵參數的目標值，利用其指導機組的運轉狀態。傳統數據挖掘技術采用的數據規模偏小、數據類別單一化顯著，在數據規模龐大時很難實現快速挖掘，所得的數據挖掘結果時效性不足，很難滿足閉環式運用的現實需求，和智能電廠建設、運營中還有不小的距離。

2、智能電廠大數據的關鍵參數目標值挖掘

2.1選擇關聯分析的關鍵及輔助數據

選擇參數實質上就是選擇特征，通常是指由原始特征內選擇部分最具有效特征，進而減少數據集維度 [3]。

可以將關聯分析理解成一種常規的特征選擇手段，其宗旨是以海量數據為基礎，探查到其內一些屬性之間的相關性。對于測算關鍵參數目標值的應用情景，需由海量的運行數據以及參數內容，篩選出和機組關鍵運行指標相近度最高的運行參數。客觀性強、分析層次綜合性高等均是關聯分析的優點，其在處理數據結構多樣、信息模糊的復雜系統方面表現出良好效能，適用于分析智能電廠大數據。灰色關聯分析法、DHP算法等均是火電廠常用的關聯分析算法。

以關聯分析為基礎選擇運行參數時，主要由如下兩部分著手：一是確定和運行效益指標相關性較高的運行參數，實質上就是關鍵參數;二是對關鍵參數進行關聯分析，探查到和這些關鍵參數緊密相關的輔助參數，這些參數是可控的，通過參數調節去調控火電機組運行過程。選擇輔助參數過程中要遵循相互獨立的原則，如果1個輔助參數和多個關鍵參數之間相關聯，則其準許被重復選擇。

2.2設定關鍵參數目標值的優化目標

新時期下，對于火電機組而言，優化目標通常由節能、環保及穩定三大方面構成。節能等同于優化各項經濟指標，主要涵蓋發電煤耗、鍋爐運行效率、汽機熱耗率等;環保一般是盡可能的降低 NOx等污染物的排放濃度;穩定主要是要求主蒸汽溫度與各主要換熱面溫度不超出限定區間。火電廠優化目標的表達式如下[4]：

在上式內，c、r、h、e、o分別代表發電煤耗、NOx生成量、熱耗率，、鍋爐效率、煙氣含氧量，ys1、ys2分別是燃盡風擋板1、2的開度，cL、CH依次代表的是發電煤耗的低限、高限，幾和YH分別是NO*生成量的低限和高限，OL、OH分別為煙氣含氧量的低限與高限，ys1L（ys2L）、ys1H（ys2H）分別為燃盡風擋板1（2）開度的低、高限，temp 1、temp 1H分別代表的是主蒸汽溫度及其高限，temp2、temp 2H分別代表的是水冷壁壁溫及其高限。

在①式內，假定發電煤耗、NOx生成量等的高低限目的是為解除異常數據，而設定含氧量和各換熱面溫度等的高低限宗旨是為滿足機組的正常運行需求。

參照以上設定的優化目標，先由某個工況的大量穩態數據中，依照各指標的實際要求篩選出相應的數據信息，用于組建初始數據集，而后依照優化目標對集中數據進行加權打分并排列其先后次序，最后則選出一條最優秀的數據，把對應的參數值設定成當前工況下的原始關鍵參數目標值。

2.3離線——在線時段整合的數據挖掘

這種技術方法主要是用于處理數據挖掘精準度與時效性之間形成的矛盾，體量龐大是智能電廠大數據的主要特征之一，其對數據挖掘規模大小起到決定性作用，即便是應用高新的數據挖掘算法，執行一次挖掘任務也需耗用較長時間。鑒于以上情況，把整個數據挖掘過程細化程在線與離線兩個時段。

其中，離線時段時，要分析主客觀多種因素形成的影響，編制多目標的整體優化指標，盡量選擇含有多種運轉工況的既往運行數據開展挖掘工作，進而設定相對更為準確、完善的原始關鍵參數目標值。因離線時段中的數據量與測算工作量均較大，可以選定適宜時機定期或不定期查證，將其對火電廠正常生產形成的影響降到最低。

在線時段僅挖掘分流出的局部實時數據流，作業量相對較小、運行快速、能較好地滿足時效性要求。也能實時迭代更替關鍵參數目標值數據庫，進而確保火電機組近期能維持最優狀態，誘導相應的運行數據盡早進入到目標值數據庫、參與閉環式運用過程，進一步改善目標值的時效性。

2.4核心處理法

（1）穩態檢測：火電廠的升降負荷等運行過程，不同穩態工況之間存有一定過渡期，業內將其叫做非穩態過程。非穩態過程有動態屬性復雜、數據變動性較大等特征，可能會使目標值存有較大偏差，很難用在運轉指導與閉環式運用過程。故而，為確保數據挖掘技術下所得目標值的高可靠性，一定要對運行數據開展穩態檢測活動。在離線數據挖掘時段，穩態檢測主要是有既往數據內探查到速段維泰數據，機理分析、統計理論即趨勢提取等均是常用方法。在線數據挖掘時可采用R檢驗法、小波分析法等進行穩態檢測。

（2）異常數據處理：針對嚴重失真與缺失類數據，建議用拉依達、格拉布斯準則等直接將其剔除;如果信號內含有噪音，則需進行濾波處理，小波、閾值及滑動窗口去噪等均是常用手段。

（3）劃分與匹配工況：煤質、負荷、環境溫度等均是屬于工況的范疇，不同工況下的關鍵參數目標值有一定差異。在挖掘關鍵參數目標值時，一定要關注工況規劃與匹配性問題。實踐中，可以采用K-均值聚類算法去劃分工況 [5]。

在線運行時段中，先依照實時數據內負荷參數設定相應的負荷段，隨后利用環境溫度與煤質校正系數測算當下數據抵達各工況中心的距離，選出間距最小的工況作為本次實時數據的所屬類別，此時工況匹配任務便完成。

三、實例分析

1、系統框架

在線運轉階段，瀏覽器每間隔1min將1次HTTP的POST請求傳送給本地服務器，服務器經PI 接口程序訪問Nginx鏡像服務器，此時就能順利獲得PI數據庫的實時數據。每每閱讀實時數據后，參照指標判斷是否有更新目標值的需求，進而更新目標值數據庫。

3、系統主要功能

受篇幅的限制，本文對系統確定初始關鍵參數目標值的基本功能不再贅述，僅闡述在線迭代更新功能。在線運轉階段，各次在獲讀數據信息后，基于簡易的指標比較判別是否有更新目標值的必要性。

（1）由PI實時數據庫內讀獲1 條記錄，選定所需測點數據，將其完整的存儲到SQL Server 實時庫表。

（2）判別實時數據值是否是穩態工況，檢測是否存在失真與缺失等不良狀況，如果數據未見異常，則要對其進行濾波處理且要完整的存儲至工況庫表內，否則直接運行步驟（4）。

（3）利用煤質校正系數篩選出目標值庫表，對比本次數據內發電煤耗值和相應負荷下的發電煤耗目標值，如果前者低于后者，就選用本次數據更新目標值數據庫相應工況下的記錄信息[8]。

（4）讀獲相應目標值，與界面上呈現出實時數據，終止當下循環過程，待命進入到下一輪數據。

結束語：

為了更好的響應國家能源結構調整政策，火力發電廠應積極向智能發電方向轉型，本文在淺談智能電廠大數據特征的基礎上，解讀大數據挖掘技術幾點應用要求，對比了幾種計算關鍵參數目標值的常用算法，著重分析目標值挖掘技術的內涵與表現形式，基于實例分析證實了這種技術的可行性、合理性，具有較高的推廣

參考文獻：

[1]王碩. 以提質增效為目標的大數據采辦與物資管理初探[J]. 現代商業，2020，000（008）：158-160.

[2]劉吉臻，胡勇，曾德良，等. 智能發電廠的架構及特 征[J]. 中國電機工程學報，2017，37（22）： 6463-6470.

[3]鐵成梁. 電廠設備管理智能系統及其大數據分析應用研究[D]. 華北電力大學，2019.

[4]劉吉，劉炳含，張月，等.基于大數據技術的火電廠節能環保多目標負荷優化分配[J]. 工程熱物理學報，2020，v.41（01）：31-40.

[5]尚志高. 電力大數據關鍵技術的應用[J].水電水利，2019，3（12）：74-75.

作者簡介：王琦，1997年9月，男，漢族，山東濟寧人，本科，無，熱工自動化。