基于大數據分析預警技術的火電廠智能監盤系統研究

湖南大唐先一科技有限公司 閔 怡 羅仁強 胡 蓉 深圳大唐寶昌燃氣發電有限公司 顏凱康 石志偉

近年來，隨著“雙碳”目標的提出，以風電、光伏為代表的清潔能源得到快速發展，根據中電聯發布的《中國電力行業年度發展報告2021》數據顯示，截至2020年年底全國全口徑發電裝機容量220204萬千瓦，其中火電容量124624萬千瓦（煤電107912萬千瓦，氣電9972萬千瓦），占比56.6%；全國全口徑發電量為76264億千瓦時，火電發電量51770億千瓦時，占比67.9%。可知火力發電仍是我國發電市場的主力。受制于環境變化，風電、光伏的設備利用小時數較低，在儲能技術未取得突破的條件下，我國今后一段時間內的電力市場仍要以火電為主。

隨著云計算、大數據、物聯網、移動應用、人工智能等新一代信息技術的快速發展，人類正在從第三次工業革命向第四次工業革命邁進，為了促進各產業的轉型升級，搶占科技制高點，我國政府相繼推出了“互聯網+”、“中國制造2025”、“新基建”等前瞻性發展戰略。2016年國家發改委、能源局、工業和信息化部聯合印發了《推進“互聯網+”智慧能源發展的指導意見》，意見指出要以“互聯網+”為手段，以智能化為基礎，促進能源和信息的深度融合。2020年9月國資委印發了《關于加快推進國有企業數字化轉型工作的通知》，通知指出要打造能源類數字化轉型示范企業，加快推進智能電網、智能電站的建設；隨后，各能源類中央企業相繼推出數字化轉型方案，積極推進“數字企業”和“智能電廠”建設。因此，對于我國存量龐大的火力發電企業，數字化、智能化建設將是今后一段時間內的重點發展方向。

目前，我國火電廠發電運行工作仍然面臨一些困境。一方面，電廠DCS 監控系統界面、參數多，監盤人員工作壓力大、勞動強度高，愿意從事運行監盤工作的年輕人越來越少，運行經驗難以傳承；另一方面，電廠運行主要通過參數異常波動和DCS報警來發現異常，經驗欠缺的運行人員難以及時發現，DCS 報警時往往故障已經發生，留給運行人員運行調整的時間不足，或者設備已經出現了一定程度的損壞，屬于事后報警。因此，針對火電廠DCS運行監盤的現狀，需要一個具有預警能力的智能監盤系統幫助運行人員“發現問題”，實現監盤工作由“人監盤”到“計算機監盤”的轉變，通過提前發現異常，降低監盤人員監盤壓力，提高電廠運行的智能化水平。

1 大數據分析平臺架構及智能算法

目前，我國發電企業基本完成了信息化建設，SIS 系統（廠級監控信息系統）存儲了海量的機組歷史運行數據，基于此，大數據分析平臺通過采集SIS 實時數據庫中的歷史數據，經過數據處理、數據分析、模型搭建、模型訓練、模型評價、結果輸出等環節實現發電機組各運行參數的實時預警。大數據分析平臺的技術架構包括支撐層、處理層和應用層三層。

支撐層包括SIS 實時數據庫、關系數據庫和歷史數據采集程序。SIS 實時數據庫中的數據取自DCS 數據庫，為結構化數據。數據采集程序可從SIS 實時數據庫中采集按時間排列的結構化數據，便于處理和分析；處理層包括數據分析與處理、預警算法和模型評價。數據分析可分析數據的平均值、最大值、最小值、方差、標準差和相關性分析等，為數據處理提供參考。數據處理可將采集的原始數據進行清洗，將空值、零值等異常數據篩選掉，還可通過分類、聚類等算法進行典型工況篩選。回歸評價通過對回歸算法評價指標的計算判斷算法的準確度，作為對算法參數調整的依據。

應用層包括模型搭建、模型訓練和結果輸出。通過大數據平臺的預警算法進行模型的搭建，利用處理好的數據對模型進行訓練，調整模型參數使之達到預警精度，將實時運行數據輸入成熟模型即可計算得出回歸期望值。

目前有研究人員進行了各種智能算法應用于電廠設備預警的研究[2]，獲得了大量的成果，主要有神經網絡、支持向量機、隨機森林、多元狀態估計等。發電機組各系統設備運行狀態、運行參數的預警可選擇多種算法，預警精度不僅受到算法選擇的影響，也和算法調優、數據質量有關。本文主要以多元狀態估計技術為例進行說明。

多元狀態估計技術（Multivariate State Esti_mation Technique，MSET）是一種多變量狀態估計技術，最早由美國阿爾貢國立實驗室開發用于核電站設備狀態預警。MSET 通過比較實時數據與歷史數據的相似性，據此來估計設備的運行狀態，本質是使用設備處于正常工作狀態時的歷史數據，建立正常運行狀態下的模型，然后使用模型對新的運行狀態進行估計。

MSET 通過對海量的歷史健康數據進行分析，提取預警對象在不同負荷和環境條件下的典型運行工況特性數據。在對預警對象進行實時監測時，獲得的實時數據中包含了預警對象的實時運行狀態，多元狀態估計技術利用實時運行狀態數據和提取出的典型運行工況特征數據計算出實時運行狀態的估計狀態，通過計算實時運行狀態和實時運行估計狀態的偏差來判斷預警對象此時的狀態是否正常。多元狀態估計技術的預警流程步驟如下。

選取歷史健康數據。從電廠SIS 數據庫中采集機組歷史運行數據，通過數據清洗篩選掉異常運行數據，形成歷史健康數據樣本。對健康數據的要求是盡可能覆蓋預警對象正常運行時各監測參數所有的動態變化情況；提取記憶矩陣。在歷史健康數據中提取記憶矩陣，需要用到聚類、等距抽取等數據處理算法，提取出的矩陣需盡可能反映所有正常運行狀態。假設歷史數據按時間序列縱向排列，記憶矩陣D 是m×n維，則行數m 表示記憶矩陣共有m 個特征狀態，列數n 表示記憶矩陣有n 個監測參數；組建剩余健康訓練矩陣。從歷史健康數據樣本中提取出記憶矩陣后，剩余的數據即為剩余健康訓練矩陣。

求解剩余健康訓練矩陣的估計矩陣。假設剩余健康訓練矩陣Xobs的估計矩陣是Xest，由于估計矩陣是記憶矩陣的加權線性組合，則Xest=D×W，W為加權線性組合的系數，其含義為運行狀態的最優參數估計與記憶矩陣中歷史正常運行工況之間的相似程度；健康偏差計算。剩余健康訓練矩陣與剩余健康訓練矩陣估計矩陣的差值即為健康偏差，一般取最大值為健康偏差的數值；求解實時運行矩陣的估計矩陣。求解方法與求解剩余健康訓練矩陣的估計矩陣相同；實際偏差計算。實際偏差為實時運行矩陣與實時運行矩陣估計矩陣的差值；預警判斷。比較實際偏差與健康偏差，當實際偏差大于健康偏差時，說明預警對象處在不健康運行狀態，即可發出預警。

2 智能監盤系統技術架構及應用場景

智能監盤系統以大數據分析平臺為支撐，以提前發現機組運行異常、減輕運行人員監盤壓力為目標，利用多元狀態估計技術計算機組當前負荷、環境條件下各系統設備應當所處的健康狀態，以此為依據對當前的運行狀態進行判斷，從而實現運行異常的早期預警，并通過關聯規則、邏輯判斷等方法依據運行參數狀態進行預警的原因分析及診斷，結合診斷指導專家庫指導運行人員進行運行調整。

2.1 智能監視

區別于DCS 多系統的監控界面，智能監盤系統整合各系統進行運行狀態整體展示，監盤人員可在一個界面上觀察機組運行情況，實現機組監視“所見即異常”。系統運行狀態通過健康度的方式展示，健康度降低，表面系統的某些運行參數偏離了最佳狀態，需要人工干預。健康度表示系統運行狀態與之期望狀態的相似程度。

系統健康度由模型健康度組成，模型健康度由參數健康度組成。一個系統由多個模型組成，分為設備模型和流體介質（水、蒸汽、風、煙氣、潤滑油）模型。如汽機凝結水系統包括凝汽器預警模型、凝結水泵預警模型和凝結水預警模型。以設備或流體介質為對象建立預警模型，根據機理及運行經驗篩選互相耦合的參數進行建模分析，如凝結水泵的電流、轉速、軸承溫度、軸承振動等，凝結水的溫度、壓力、流量、過冷度等，當某項參數變化時，與之耦合的參數也會出現變化，預警模型通過大量的歷史正常運行數據訓練獲取參數之間的變化規律，當某項參數異常變化時，模型即可捕捉到異常。系統健康度可從安全、經濟、可靠三個方面進行評價。

安全性評價。系統安全運行狀態的評價，在預警模型中選擇影響系統安全運行的參數，通過安全參數的健康度計算系統的安全性。如凝結水泵軸承振動影響凝結水泵的安全運行，進而影響到凝結水系統的運行安全，則凝結水泵軸承振動即為凝結水系統安全性評價的影響參數。當安全評分降低時，表明設備處在異常工作狀態，提醒監盤人員檢查調整。

經濟性評價。即系統經濟運行狀態的評價，在預警模型中選擇影響系統經濟運行的參數，通過經濟參數的健康度計算系統的經濟性。如凝結水過冷度影響機組的熱經濟性，則凝結水過冷度為凝結水系統經濟性評價的影響參數。當經濟評分降低時，表明系統處在不經濟的運行狀態，提醒監盤人員進行調整；可靠性評價。指系統中互為備用的設備投聯鎖和閥門投自動的狀態評價，當可靠性評分降低時，表明有設備未投聯鎖或閥門未投自動的狀態，即可提醒監盤人員及時操作調整。

2.2 智能預警

智能預警是當預警模型檢測到運行參數出現異常趨勢且未達到DCS 報警值時及時給出預警，為監盤人員提供充足的時間進行運行調整。智能預警可設置兩級預警。

Ⅱ級預警為基于多元狀態估計技術的預警模型計算得出的動態偏差預警。對于搭建好的預警模型，利用海量歷史正常運行數據對模型進行訓練，成熟的模型可以根據當前設備、流體介質的實時運行狀態輸出期望健康狀態，當實時運行狀態與期望健康狀態的偏差超過健康偏差時，預警模型判定異常，發出Ⅱ級預警提示。系統在不同負荷、不同環境條件下運行狀態是不同的，通過偏差預警能更準確的發現異常；Ⅰ級預警通過對歷史運行數據進行統計分析得出，預警級別高于Ⅱ級預警。如選取引風機一整年的軸承溫度數據進行統計分析，剔除異常工況數據和測點異常等明顯異常的數據，以歷史正常軸承溫度的最大值作為Ⅰ級預警的預警值，當實時溫度超過該值時發出Ⅰ級預警提示。

各級預警的先后順序為Ⅱ級預警先于Ⅰ級預警，Ⅰ級預警先于DCS 限值報警。智能預警還可進行開關量狀態異常報警，通過開關量關聯參數狀態進行邏輯判斷是否異常，如聯鎖投入、自動投入、閥門開關狀態等。

2.3 智能診斷與指導

智能診斷與指導通過梳理運行規程、總結資深運行人員的運行經驗，形成診斷指導專家庫，通過關聯規則、邏輯判斷等方法根據運行參數異常情況進行預警原因的分析與診斷，并通過專家庫給出運行調整建議。運行參數異常時，系統發出預警并自動關聯專家庫，給出異常原因診斷和運行調整建議，幫助經驗欠缺的運行監盤人員快速定位異常原因，并指導監盤人員進行運行調整或現場設備的進一步檢查處理，可以有效解決員工經驗不足的問題，減少誤判和誤操作[3]。診斷指導專家庫是一個開放的知識積累平臺，可進行知識的快速添加和修改，隨著使用和維護次數的增多內容會逐漸豐富和完善，異常診斷和指導也會更準確。

智能監盤系統的主要功能為幫助電廠監盤人員“發現問題”，運行調整仍然需要監盤人員通過DCS監控系統實現，因此智能監盤系統的部署應能讓監盤人員及時接收預警信息并不影響DCS 系統的操作。基于此，可在集控室大屏顯示墻增設一臺大小合適的大屏顯示器，連接控制臺的PC，監盤人員可在盤前通過鼠標進行操作；或者在監盤人員原有的監盤顯示器上安裝分屏器，在同一個顯示器上同時顯示DCS 和智能監盤系統，如此可使監盤人員得到最佳的使用體驗，通過智能監盤系統大幅減輕監盤壓力。