王勝中 趙拼
1. 中國華電集團有限公司浙江分公司 浙江 杭州 310021;2. 南京華盾電力信息安全測評有限公司 江蘇 南京 210037
發電企業數字化發展已經歷了較長時期,隨著測控技術和自動化設備的不斷更新,發電企業的設備自動化控制手段經歷了手動-遙控-自動控制幾個階段,全面建設了分散控制(DCS)系統后,又完成了廠級監控信息系統(SIS)的部署,逐步從生產控制自動化向經營管理數字化過渡。發電企業數字化轉型需要借助一些工具,大數據是其中至關重要的一環[1-2]。大數據技術近些年發展迅猛,發電企業在日常的電力生產運行、檢修維護等過程中會產生大量數據。通過對這些大數據的分析、利用,可以有效推動發電企業的生產和經營水平提升,產生明顯的價值效益。本文將對大數據時代下發電企業數字化轉型建設的內容與轉型發展路徑進行討論。
電力系統具有特點繁雜的物理系統,電力系統的相關設備和服務分布廣泛,用電量與供電量實時平衡,電能傳輸量非常大且速度接近光速,具有通信可靠度高的特點。電力系統的這些特點決定了其在運行中會產生數量龐大的數據,同時這些數據也在以快速和多樣化的方式增長。
電力大數據的規模巨大,近些年電網和發電企業數字化程度不斷提升,對電力數據的采集和分析頻率也在快速增高,電力數據得到了迅猛發展。同時,電力大數據的類型多種多樣,包括了結構化、半結構化和非結構化等三類數據。音視頻在電力企業數字化過程中越來越多地被應用,這種非結構化的數據也在電力大數據中的占比快速增高。另外,在應用電力大數據過程中牽扯到電力行業能源的數據以及天氣數據等數據的關聯性分析,前述過程導致了電力大數據的快速增長。電力系統在處理核心業務需求的時限上有確定的要求,而利用大數據的實時處理是電力數字化的重要特征,這一點也可以同傳統電力事后處理的模式明顯的區分開來[3]。
數據的分析應用使得大型發電企業管理層能夠即時了解全公司經營全貌,能更加快速、準確的診斷出企業經營狀況及識別其主要影響因素,簡潔、高效和有的放矢地管理企業。目前,電力大數據在發電企業的應用場景主要在以下方面:
第一,通過對大數據的分析,利用數據挖掘技術,更準確地掌握用電負荷的分布和變化規律,提高電網期負荷需求的預測準確度,為發電企業開展電力市場報價交易決策提供關鍵依據。
第二,利用機器學習、模式識別等多維分析預測技術,分析新能源的出力與風速、光照、溫度等氣象因素的關聯關系,更準確地對新能源的發電能力進行預測和管理。在基于能源互聯網的綜合能源服務環境中,也可以通過有效提升多種能源互補的耦合度,提升能源利用效率[4]。
第三,利用大數據挖掘與人工智能故障診斷技術,研究不同運行工況對發電設備狀態的影響,進一步對發設備的健康狀態進行評估,根據評估發電設備的健康狀態值提出預測性維修意見。通過及時采取預防的措施,可以大大提高設備的可以利用性。并可利用并行計算等技術實現檢修策略優化,指導狀態檢修的深入開展。
第四,同時采用大數據分析管控平臺技術,對數據進行智能實時監控分析,提升現場安全管理能力。可通過對現場照片進行批量比對分析,利用分布式存儲、并行計算、模式識別等技術,掌握生產現場的安全隱患,或者核查安全整改措施的落實情況。通過事前防范,強化本質安全,全面提高發電企業安全管控能力和安全生產水平[5]。
通過建設電力大數據平臺,在IaaS層,建立數據計算資源池、網絡資源池,還有存儲資源池;在PaaS端,將結構化的數據、非結構化的數據進行實時采集和抽取,并且具備一定原數據的接口,有實時處理同步的能力、數據脫敏以及加密等核心能力;在SaaS層面,引進第三方或者行業內的創新應用方,建立自助應用平臺以及數據應用平臺,比如負荷預測、發電運行效率分析優化、故障診斷和預測等具體應用。
通常,數字電廠數據平臺可定位為輕量工業大數據平臺,為數字化系統建設過程中產生的海量多元化數據的處理、存儲和分析挖掘提供支撐。建立電廠級的數據存儲中心、運算分析中心,滿足電廠級需要,并可為上級公司或外部業務提供有效的結果數據。
數字電廠數據平臺一般部署在發電企業的電力三區,可通過在虛擬化節點上建立的統一的數據采集、存儲和運算平臺,通常采用基于分布式組件的框架設計理念。具備數據采集、數據抽取、數據存儲、數據計算、可視化建模、數據安全等功能。能夠匯集并整合電廠的生產、管理及經營等各類數據,為廠側各智能應用功能提供數據服務支撐。
發電企業數據平臺通常包括以下內容:①平臺運維管理工具:依托平臺的運維管理工具,實現對平臺物理節點管理、分布式組件管理、多租戶和用戶管理,以及數據存儲和作業管理。②安全管理:在物理安全、組件安全、網絡安全、應用軟件安全等幾個方面進行管理,形成一套多維立體的安全支撐體系。③數據采集和抽取:可通過基于IEC60870的規約采集軟件和ETL抽取工具,實現對電廠的各種異源數據進行采集。針對電力安全分區的要求,需專門開發跨安全區抽取工具。④統一的數據存儲:可基于Hadoop生態的開源組件,建立操作數據存儲中心、時序數據存儲中心、數據倉庫以及其他的非結構化數據存儲。⑤通用分析和計算:建立算法模型庫,可依托分布式計算能力,實現實時、準實時、離線計算。⑥智能計算和分析:基于機器學習算法,在海量的數據基礎之上,智能算法模型得以訓練和建立。結合多維關聯數據分析建立更為合理的模型,大幅提升預測精度。⑦邊緣計算:利用智能設備的計算能力,使其成為大數據平臺重要的計算服務節點。通過平臺下發算法模型,智能終端能根據獲取到的模型進行實時分析和診斷。⑧統一的微服務發布:平臺通常承載了大量的對外服務功能,這些服務可以通過統一的微服務框架,實現對這些服務的有效管理。
從兩化融合、互聯網+、智能制造到人工智能戰略、工業互聯網行動計劃,在國家戰略層面,大數據、人工智能技術已成為國家戰略競爭力之一。國內大部分電力企業都在積極探索開展數字化轉型工作,主要以大數據為基礎,結合人工智能技術的深度應用為特點,通過實現IT與OT、AI與傳統機理的融合,打通企業生產與應用系統間的數據壁壘,建立一體化數據和運算服務平臺,重塑了電力企業傳統信息系統構架,為電力企業生產、運營管理提供全生態的管控支撐體系。
就發電企業而言,對大數據的治理、挖掘、分析和應用,是發電企業數字化轉型的關鍵和方向。通過實施端到端燃料綜合效益優化,并且利用高級分析和機器學習對價值鏈開展整體優化,包括從采購、物流、燃料庫存管理、發電生產、設備管理與維護到上網競價等各個環節。通過數字工具有效提升發電效率,梳理各環節的關鍵價值漏損點,結合設備運行工況、管網狀態、工藝參數情況,全面導入并實施電廠能效提升杠桿,有效降低能耗、節約成本。通過優化管理體系提升運營穩定性、改善電廠的本質安全。
現在國內電力行業的智能化水平在單項應用上目前處于領先水平,很多情況下一些新的大數據分析應用,都是根據國內客戶需求,在國內開發,然后再輻射至歐美,或者是一些歐美的先進算法剛剛走出實驗室,國內就已經將其轉化為產品投入實際應用。但在整體應用方面還不盡如人意,在觀念上,以往電力行業重應用,輕架構,追求單個應用產生的價值與象征意義,缺乏對于整體的規劃以及多應用協同方面的考慮,應用與實際生產管理間的關系也難以理順;在實際操作層面,電力實時數據基礎豐富,但經驗性非結構化數據質量遠不及西方發達國家。未來必然會走向一條用大數據和AI技術,對歷史數據總結,形成替代經驗模型之路,替代經驗模型即可指導自身優化,又避免了數據直接交易的敏感性,這種替代模型將成為工業數字化資產中的核心[6]。
電力行業目前大數據建設整體還處于發展階段,電力企業對這方面的投資正慢慢由傳統科研類項目向實際生產項目試點轉變,各相關企業實際上數據歸集率平和數據利用率仍然不高,這意味著電力行業大數據建設將是個長期的事情。同時,國內電力產業高度集中在國有資本,數字化轉型必然會依照國有資本的規劃與風險控制原則推進,是一個循序漸進的過程。
電力企業作為資產密集型和技術密集型行業的典型,信息技術已覆蓋基建、生產、經營、辦公、管理各個領域,不僅歷史數據量巨大,而且實時采集及產生的數據量正迅速增長。目前面臨的問題不僅僅是如何采集、存儲和檢索數據,關鍵是如何分析和利用此類數據并提供有價值的信息,進而全面管控企業業務,為企業管理和戰略決策提供數據支撐。在電力數字化轉型中,要采取多個措施,包括開展系統性規劃、重視人才培養、完善數據管理體系等。
當前,數字革命正在加速從信息技術時代向與傳統行業領域進行深度融合的時代邁進,成為推動能源發展模式轉變的一個重要驅動力。隨著電力體制改革深入,電力企業要變革其生產和管理模式,發電企業要緊跟時代步伐,利用好最新大數據技術,做好數據的管理和應用,并通過數字化轉型實踐,積極開展數字電廠、數字區域和數字集團的建設,讓數字基因融入企業生產和管理的全要素,讓數字化變身為企業新的生產力,從根本上提高企業的市場競爭力。