基于云平臺的發電機組節能減排監測方法探索

□戚青青

當前各個地區的熱電廠發展較快，但是其節能減排效果難以控制，一些發電廠名義上是熱電聯產或多資源發電廠，有包括電費、蒸汽、上網電價在內的各種優惠政策，但實際上并沒有達到國家熱電聯產或綜合利用的標準，在能源資源的使用方面出現了較大的偏差，而且有的熱電廠裝置選型不合理，環保程度低。由于上述要求，針對節能減排日益增長的需要，部分火力發電廠安裝了脫硫系統和排煙系統[1]。然而，許多監控系統由于自身的功能有限，無法發揮良好的作用，也有許多企業由于經濟原因實際上并沒有使用該系統。再加上目前大多數監測系統僅建立在火力發電等受控設施上，存在著能源使用信息不全、信息孤島等技術問題，導致火力發電廠難以實現全面實時監測，不能有組織地對火力發電廠進行監測，不能有效地監測火電廠的節能減排情況。所以，隨著現代信息技術的快速發展，為節約能源和降低單位排放，迫切需要建立有效的實時監測系統，從而將相關數據反饋給不同部門，使這些部門能夠有能力同時接收大量數據，并及時對發電機組節能減排效果不佳的情況進行分析和改進，真正實現發電機組節能減排效果的提升。

一、云平臺

社會中逐漸出現了較多優秀的云計算技術以及云平臺，主要包括Open Stack、Hadoop、Ceph等，其中Hadoop應用較為廣泛，由于該平臺擴容性能強、成本低且效率高，因此，在電力企業得到了廣泛的應用。發電機組節能減排實時監測系統功能復雜，包括分布在不同地點的多個部門，不同的部門有不同的職能和任務，常規的本地化監測平臺不能有效地實現以上功能，而云計算平臺簡化了復雜的系統。利用云平臺，則開發人員只需集中精力收集數據，操作具體的監測系統，就可以實現實時監測系統的節能減排[2]。同時，云平臺還提供了服務器、數據庫、Web應用發布、安全審核、系統維護等基礎支持，能夠縮短系統監測周期。

(一)云功能。云平臺具有多種功能，包括用戶管理、數據采集與分析、查詢統計、實時監控等。為實現發電機組節能減排實時監控，在設計本文方法時，必須充分利用云平臺的強大優勢，從而實現發電機組節能減排數據的存儲，供監控中心使用，呼叫與處理監測中心還在云平臺上對各機組節能減排狀態進行維護，以便其他部門和用戶調用。同時，對整個設備的分析保留了原有的功耗和減少的數量，從而避免了傳統數據處理應用中本地備份不同步的問題，并且還能發揮節約能源，減少單位排放量，為網絡服務器和應用程序提供軟件功能的作用。

(二)云架構。近些年來，智能電表、智能傳感器的廣泛普及與應用，使電力系統更加完善，電力企業的信息化進程也得到了長足發展。但隨著網絡數據體量的快速增長，傳統大數據分析技術，已經出現了分析數據能力不足的狀態。為此，組合工藝控制，向用戶顯示分層、模塊化設計方法能夠大大提高系統的可擴展性。而多層結構則可以提高系統的可靠性[3]。

二、基于云平臺建立節能減排監測需求分析模型

云平臺具有計算能力強、規模大與高性能等特征，在建立監測需求分析模型時，需滿足如下基本要求：一是監測模型必須實時監測出所有云環境下的行為特性，不但要監測主機行為，還要監測出云漏洞、非法訪問等云平臺特有行為。二是云平臺為用戶提供的網絡數據是實時變化的，因此監測模型需要具備可擴展性，以提高對云平臺的適應性。三是因為云平臺具有復雜性與無法預知等特點，監測模型需要具備自主學習特性。四是云平臺的環境并不是真實的，而是一個異構化、虛擬化的環境類型，為此在構建發電機組節能減排監測模型實現相關數據的全面監測時，有必要對虛擬網絡進行監控，還要獲取虛擬機的通信數據。

該監測模型將云平臺劃分為若干區域，在不同區域中設計單獨監測代理，且放置一個對每個區域進行集中管理的中央控制器。包括云控制器與主機監測代理，云控制器負責對主機監測代理提交的結果進行綜合分析，判定是否存在局部范圍的網絡入侵并提出相應措施，再將結果提交到中央控制器。監測需求分析模型如下[4]。

f=αy

(1)

在式(1)中，α表示監測區域，y表示監測需求數據。

(一)異常行為特征提取。異常行為中包括m個變量x1,x2,…,xm，其中xj表示標準變量，可用bj對其表示，因此獲得以下結論：

Km=x1x2+x3xm

(2)

公式中，Km表示互為獨立的入侵特性。通過下述公式，確定特性權值系數矩陣。

(3)

利用主成分分析法分析行為特性，可構建特征權值系數矩陣，以此獲取能真實體現特征參數的多個主成分。采集原始節能減排信息，對其做規范化處理，獲取準確數據基礎；通過計算獲得異常行為特征權值矩陣；獲得所有矩陣中的特征值，并計算與其相對的特征分量；得到網絡中特征主成分，對其進行規范化，得到最終結果[5]。

對行為特征規范化處理流程如下：

(4)

根據以上方法，可以獲得行為特性，為實時監測提供合理依據。

(二)實時監測。在對云平臺位置實時監測過程中，最重要的環節就是計算待監測信息和信息之間的特征模糊聚類特征，然后在上述采集的信息特征基礎上，建立能夠描述模糊聚類概率的數學模型，此模型包括c個待檢測信息和δ條相關程度較高的信息，構建一個c×δ的矩陣，表示為：

(5)

為獲得云平臺入侵過程的待監測信息與信息之間存在的聯系，對計算過程進行精簡，提高運算效率，因此對協方差矩陣做降維運算：

Wh=(ej+δj)/h

(6)

上述公式中，δj表示矩陣相關程度系數，ej是權值系數。如果在滿足以上條件基礎上，h與rank(B)無限接近，則Wh與=Wc×δ也無限接近。實現矩陣降維處理后，可獲得監測信息有關的節點數據，去除一些冗余數據，提高位置信息監測效率。

三、實驗

為驗證所提監測方法性能，在Windows平臺上開發中央分析器，將網絡時間協議服務器當作時間同步設備，進行試驗。

(一)監測效果分析。為驗證本文方法的可行性與有效性，分別采用文獻[2]監測方法與本文方法，對某工廠發電機組節能減排進行監測，如圖1所示為監測結果。

圖1 監測結果

通過圖1可以看出，相對于文獻[2]監測方法的大幅度波動，本文方法的監測結果既接近于實際情況，且性能更加穩定；文獻[2]監測方法與實際數據的最大偏差高達50%，誤差極小值為15.38%，而本文方法與實際數據的偏差極大值僅有5.83%，最小值趨近99.07%。

四、結語

為節約能源和降低單位排放，需要對發電機組節能減排進行實時監控，基于此，本文對基于云平臺的發電機組節能減排監測方法進行設計。首先闡述了云平臺、云功能以及云架構的定義，然后，根據建立的節能減排監測需求分析模型，提取異常節能減排行為特征，并建立能夠描述模糊聚類概率的數學模型，實現對發電機組節能減排的監測。實驗結果表明：提出的節能減排方法與實際數據的偏差極大值僅有5.83%，最小值趨近99.07%，可以證明監測結果近于實際情況，且性能更加穩定。以期通過本文上述研究為發電機組節能減排實時監控效果的提升提供一定幫助。