燃煤電廠集控系統中的大數據挖掘與預測控制

摘 要：本文提出了一種基于時序數據挖掘和長短期記憶網絡（LSTM）的燃煤電廠集中控制系統異常檢測與預測控制方法。該方法實時采集了燃煤電廠各類傳感器數據，利用滑動窗口檢測算法識別突變點，并結合多區間的聚類分析構建LSTM預測模型，對系統的運行狀態進行實時預測和控制。試驗結果表明，該方法在檢測靈敏度、預測準確性以及控制效果方面均表現優異，能夠為燃煤電廠的智能化運行和安全管理提供有效的技術支持。

關鍵詞：異常檢測；預測控制；長短期記憶網絡；時序數據挖掘

中圖分類號：TM 63 " " " 文獻標志碼：A

在現代燃煤電廠中，集中控制系統（Centralized Control System，CCS）具有至關重要的作用[1]。隨著燃煤電廠規模擴大和自動化程度提高，CCS能夠整合電廠各個子系統的數據，包括鍋爐系統、汽輪機系統、發電機系統和輔機系統等[2]。并利用先進的控制算法和優化技術，對電廠的運行參數進行實時調整，以實現最佳的運行工況。然而，燃煤電廠的運行環境復雜多變，各類設備和系統的運行狀態時常發生波動，傳統的異常檢測和預測控制方法面臨很多挑戰。

集控運行系統管理的對象是整個生產系統及其子環節，工作內容復雜，每個環節都會產生龐大的數據[3]。企業利用集控系統對數據進行統籌、收集和科學合理的分析，可以揭示隱藏在數據中的異常模式和變化趨勢，為異常檢測和預測控制提供有力支持。

傳統的異常檢測方法通常基于預先設定的規則和閾值，這種方法雖然簡單直接，但是當應對復雜且動態變化的燃煤電廠數據時，其通常表現出檢測準確率低、響應速度慢、誤報率高等缺點。同時，傳統的預測控制方法主要基于物理模型和經驗數據，模型復雜且難以適應多變的工況，導致預測精度不足，控制效果不佳[4]。

1 研究內容

本文提出了一種基于時序數據挖掘和LSTM網絡的燃煤電廠集中控制系統異常檢測與預測控制方法。該方法將海量數據劃分為不同的時間序列區域，進而觀察每個區間內產生突變的數據，單獨記錄其信息，并結合多個區間內的情況進行聚類分析，從而得到更精確的預測。對預測結果進行實時應用，可以及時發現、預防潛在的異常事件，優化系統控制策略，提升燃煤電廠的運行效率和安全性。

該方法不僅提高了異常檢測的靈敏度和準確性，還改進了預測控制的效果，具有重要的理論意義和實際應用價值。隨著智能電廠建設推進，基于數據驅動的異常檢測和預測控制方法將發揮越來越重要的作用，為電力系統的智能化、信息化和現代化提供有力支持。

2 設計方法概述

2.1 方法論

在預測控制方面，時序數據處理性能優越的深度學習技術，特別是長短期記憶網絡（LongShort-TermMemory，LSTM）逐漸成為研究熱點。LSTM能夠有效捕捉長時間序列數據中的依賴關系，適用于在燃煤電廠的復雜工況下進行參數預測。對歷史數據進行學習和訓練后，LSTM模型可以對未來的系統行為進行準確預測，輔助控制決策制定，進一步提高系統的穩定性和經濟性。

2.2 時序數據劃分

從燃煤電廠集控系統中采集實時運行數據，包括溫度、壓力、流量、電流和電壓等。將數據按時間劃分為不同的時間序列區間，例如小時、天和周等，根據具體應用場景選擇合適的時間粒度。設定時間序列為xt，其中t=1，2，...，N，表示時間點，xt表示時間點t的數據值。1）數據采集與預處理。從集控系統中提取實時運行數據，設定這些數據的采樣頻率為每秒一次，即每秒記錄一個數據點。2）數據劃分。將數據按時間劃分為不同的時間序列區間。例如，以小時為單位，將86400s（1天）的數據劃分為24個小時，每個小時包括3600個數據點。

2.3 突變點檢測

在每個時間區間內，利用突變檢測算法進行突變點檢測，本文選用的是滑動窗口檢測算法識別數據中的突變點。在滑動窗口檢測算法中，設定窗口大小為w，閾值為θ，對每個時間點t計算窗口內數據的均值μt和標準差σt。如果|xt-μt|gt;θσt，那么認為xt為突變點。

單獨記錄每個區間內檢測到的突變數據，包括突變點的位置、幅度和持續時間等信息。綜合分析多個時間區間內的突變數據，利用聚類分析、模式識別方法，確定突變數據間的關聯和模式。設定聚類數為k，采用K-means聚類算法，將突變數據xt劃分為k個聚類，得到聚類中心Ci。

2.4 預測控制模型

利用綜合分析得到的突變數據特征，構建預測模型。設定時間窗口大小為w，訓練數據為Xt、Yt，其中Xt=xt-w，

xt-w+1，...，xt-1，Yt=xt。構建LSTM網絡，設定輸入層為W，隱含層單元數為n，輸出層為1。利用Adam優化算法進行模型訓練，設定最大迭代次數為e，學習率為α，損失函數為均方誤差（MSE）。本文中的LSTM預測模型構建順序如下所示。1）數據準備。將檢測到的突變數據轉換為訓練數據，設定時間窗口大小w=5，即每個輸入數據包括前w個時刻的突變數據，輸出為當前時刻的突變數據，即將每個窗口的數據存儲在Xt中，將當前時刻的數據存儲在Yt中。2）模型構建。構建LSTM網絡，設定輸入層的維度為W=5，隱含層單元數n=50，輸出層為1。LSTM網絡能夠捕捉時序數據中的長時間依賴關系，非常適用于處理燃煤電廠復雜工況下的數據。3）模型訓練。采用Adam優化算法進行模型訓練，設定最大迭代次數e=100，學習率α=0.01，損失函數為均方誤差（MSE）。Adam優化算法結合了動量和自適應學習率方法，能夠在訓練過程中快速收斂，并有效避免局部最優解。4）模型驗證。訓練完成后，利用訓練好的模型對測試數據進行預測，并將預測結果與實際值進行比較，評估模型的預測性能。將均方誤差（MSE）作為評估指標，MSE越小，表示模型的預測精度越高。

本文由上述方法構建了基于LSTM的預測控制模型。該模型利用歷史突變數據進行學習和訓練，能夠對未來的系統行為進行準確預測，輔助控制決策制定，進一步提高系統的穩定性和經濟性。

2.5 實時預測與控制

在實際應用中，實時采集新的傳感器數據，按照上述突變檢測方法識別突變點。利用訓練好的LSTM模型對識別到的突變數據進行實時預測，得到預測值。根據預測結果，調整控制參數，優化系統運行。預測過程如下所示。1）實時數據采集。從燃煤電廠集中控制系統中實時采集傳感器數據，包括溫度、壓力、流量、電流和電壓等。設定時間序列為xt'，其中t=1，2，...，N，表示時間點，xt'表示時間點t的實時數據值。2）實時突變點檢測。將實時采集的數據按照時間窗口大小w進行劃分。采用滑動窗口檢測算法識別數據中的突變點。3）實時預測。利用訓練好的LSTM模型對識別到的突變點數據進行實時預測，得到預測值yt'。構建輸入數據Xt'=xt-w'，xt-w+1'，...，xt-1'，將其輸入訓練好的LSTM模型并進行預測。4）控制參數調整。根據預測值yt'，對系統的控制參數進行調整，優化系統運行。實時預測結果可以用于提前發現系統的潛在問題，從而采取預防措施，避免系統故障，提高系統的穩定性和經濟性。

3 仿真效果

根據上述突變點監測、聚類分析以及LSTM模型構建后的訓練預測圖、實時預測，可以得到如圖1～圖4所示的仿真效果。

燃煤電廠集中控制系統中采集的模擬數據的突變點檢測結果如圖1所示。采用的檢測方法為滑動窗口檢測算法，窗口大小為10，閾值為2。檢測突變點可以識別出數據中的異常變化，證明滑動窗口檢測算法在燃煤電廠復雜數據環境中的有效性。

采用K-means聚類算法，將突變點數據劃分為3個聚類。檢測到的突變點的聚類分析結果如圖2所示。

LSTM模型對測試數據的預測結果如圖3所示。從圖3中的走勢可看出，LSTM模型能夠較好地捕捉數據中的變化趨勢，并對未來的突變點進行有效預測，表明LSTM模型在處理復雜時間序列數據方面具有較高的準確性和穩定性。

新的實時數據（即測試集）預測結果如圖4所示。在新的實時數據中，LSTM模型同樣能夠進行預測，并且預測精度較高，具有泛化能力和實時應用的潛力，對實際應用中的實時監控和預警系統具有重要的參考價值。

當數據集中不存在突變點時，就不會啟動聚類分析和LSTM的建模與預測。其突變點監測效果如圖5所示。

4 結語

本文提出了一種基于時序數據挖掘和LSTM網絡的燃煤電廠集中控制系統異常檢測與預測控制方法，對燃煤電廠的運行數據進行實時采集和處理，以有效識別數據中的突變點，并利用LSTM模型進行精確預測和控制調整。仿真結果表明，該方法在提升系統運行效率和安全性方面具有顯著效果。未來可以進一步優化算法，提高檢測和預測的精度，并在實際工程應用中驗證該方法的實用性和可靠性。

參考文獻

[1]李裕琨.火電廠輔控網集中控制系統的研究[J].自動化儀表，2010（5）：55-58.

[2]勝利蒲.火力發電廠汽機輔機現狀和優化措施分析[J].工程管理，2024，5（7）：103-105.

[3]孫偉佳.關于燃煤電廠集控運行與機組協調控制[J].中國科技期刊數據庫科研，2016（12）：288.

[4]席裕庚，李德偉，林姝.模型預測控制——現狀與挑戰[J].自動化學報，2013，39（3）：222-236.