智能电厂实施过程中的大数据应用研究
★中国电工技术学会出品★
致力于产业界与学术界融合创新的品牌会议
①浏览会议通知，请戳下面标题 ☟
☞会议通知︱2018第十二届中国电工装备创新与发展论坛暨第八届电工技术前沿问题学术论坛（第一轮）
②了解《电工技术学报》会议征文详情，请戳下面标题 ☟
☞应广大作者要求，第八届电工技术前沿问题学术论坛征文截至时间延期至7月10日
③参会注册，请长按识别下方二维码 ☟（先注册网站会员，然后提交报名信息）
西北电力设计院有限公司、华北电力科学研究院（西安）有限公司的研究人员刘新龙、贺悦科等，在2018年第6期《电气技术》杂志上撰文，参考目前智能电厂实施导则中控制层面的相关内容，通过对发电机组运行过程中的大量实际数据进行分析研究，给出智能电厂实施过程中的报警优化、控制系统运行曲线优化、控制系统性能评估的大数据分析及应用方法，提升数据的可用性，为智能电厂实施过程中的大数据应用提供进一步的研究方向和方法支持。
随着整个人类社会科学技术水平的飞速发展、社会生活水平的不断提升，大数据、云计算、物联网、移动互联网等新概念不断涌出，电力工业行业也发生着翻天覆地的变化，“智能电厂”的概念在此种环境下应运而生。
智能电厂是指以数字化为前提，以网络、信息技术为基础，通过采用智能分析、智能处理、智能控制等技术，使其在各种环境条件（煤质、气象、排放、电网要求等）下都能提供经济、环保、快捷、稳定的电能，具有智能化、一体化等特征的新型电厂[1]。
2017年4月，由国内多家单位联合编写的团体标准《火力发电厂智能化技术导则》（以下简称《导则》）正式提交报批稿，标志着火力发电厂“智能化”进程又前进了一大步。《导则》中对智能化电厂体系结构、相关技术要求、外部接口以及工程实施过程中的设计、安装调试、检测、评估等各个环节进行了明确解释和规定，其中管控体系又细化分为设备层、控制层和管理层。
依据目前有报道的已实施“智能化”电厂的情况，主要是在设备运行维护、故障诊断、生产管理、智能巡检等方面来开展，而从控制层面进行智能电厂实施的相关报道较少，鉴于此，本文从控制层面对智能化实施过程中的大数据应用进行重点论述，为智能电厂的实施过程的功能完善添砖加瓦。
1 智能电厂大数据应用理论
大数据是近年来受到广泛关注的新概念，是指通过对大量的、多种类和来源复杂的数据进行高速地捕捉、发现和分析，用经济的方法提取其价值的技术体系或技术构架[2]。大数据不仅包括单纯的数据，同时还包括对这些数据进行处理的理论和方法。
火力发电厂大数据主要分为两类：①有关生产运行相关数据；②涉及到企业管理等相关数据。本文主要对与智能电厂控制层实施过程中关系密切的生产运行数据进行研究，这些运行数据之间不是完全独立的，存在比较复杂的耦合关系。火力发电厂大数据的特点主要包括以下几个方面：①数据来自各种不同的设备和系统；②数据量大、维数多、数据种类多；③大数据对电厂运行可靠性、经济性均具有巨大的价值；④各数据之间存在着复杂关系需要挖掘，且大多数情况下有实时性要求[3]。
鉴于火力发电厂生产运行大数据的特殊性，整理火力发电厂大数据的应用过程如图1所示。火电厂大数据的应用可分为创建目标数据源、数据处理、数据分析、对数据分析所得规则知识等信息进行解释、对所得规则知识进行应用验证；以上步骤中的数据处理、数据分析、数据规则知识信息解释三个部分为大数据应用过程中的关键技术。
图1 火力发电厂大数据的应用流程图
1）火力发电厂大数据多样性以及不精确性、不完整性等特点，这种复杂的数据环境要求必须对数据源中的数据进行处理，可采用统计学方法剔除由于精度等原因产生的异常数据和部分冗余数据；采用聚类分析的方法对数据源中的数据进行抽取和集成，为后续数据分析的合理性提供有效的支持。
2）数据分析是大数据发挥其核心价值的重要流程，常用的数据分析技术主要有数据挖掘、机器学习、统计分析、神经网络、模糊理论等，分析的结论可用于推荐系统、专家系统、运行指导、决策支持系统等方面[4]。
3）对于数据分析的结果，其核心内容是数据规则、数据知识等的具体表述方法，如果没有合适的表述方法，使用者往往难以理解，甚至会误导使用者；一般的表述方法仅是文本、图表等电脑终端的直观显示，随着云技术的不断发展，标签云、人机交互技术等可视化技术的解释方法被逐步应用[5]，数据分析得到的规则、知识等信息的解释逐步向最佳的数据解释效果方向发展。
2 智能电厂大数据典型应用优化分析
智能电厂实施过程中的大数据应用较多并且比较成熟的主要是智能管理层和智能设备层，包括经营决策、安全管理、智能巡检、设备故障诊断、智能检修等方面，而从智能控制层面进行的相关应用研究较少，本文结合上述大数据应用理论，分别从火力发电厂报警系统优化、控制系统运行曲线优化、控制系统性能评估三个方面对智能电厂实施过程中的大数据典型应用进行分析研究。
2.1 大数据应用下的报警优化
火力发电厂工艺系统复杂，DCS控制系统监控点数十分庞大，随着DCS系统功能的逐步强大，最近几年新建电厂已不再设置硬光字报警系统，所有报警功能均在DCS中实现，然而火电厂报警功能一般仅在机组调试期间实施，设计院在施工图设计阶段以及组态厂家在DCS组态过程中几乎没有系统考虑和明确细则，运行过程中报警泛滥现象严重，最终导致运行人员厌倦了运行期间大量的报警信息，报警功能形同虚设[6]。
国际标准ANSI/ISA-18.2—2009《Management of alarm system for the process industries》[5]（《过程工业中的报警系统管理》）中定义报警“一种能够提醒操作人员针对设备故障、过程偏差或者异常状态做出响应的声音的和视觉的方法”。表1给出了运行人员在一定时间内可接受的正常以及最大报警数量，火力发电厂报警组态设计时必须要充分考虑表1中的报警数量，合理设置报警系统组态方案。
表1 运行人员可接受的正常及报警数量表
火力发电厂报警系统设置一般依据重要程度分为多级报警，然而每一级报警应如何设置却没有明确准则，本文结合大量历史运行数据，采用主元分析的方法得出与某条报警相关性较大的参数，作为此报警的下一级报警项，可有效减少无效报警信息，提高报警信息的准确性。
以某600MW超临界机组的机组功率信号报警分析为例，从DCS历史数据库中提取230项不同类型的运行数据共60480组（采样周期10s），经过数据预处理剔除坏值及不合理项；为了确保和验证主元分析结果的正确性，采用百叶窗分类方法将历史数据分为两部分：①作为校正集；②作为验证集，采用Matlab编程进行分析计算，结果如图2（a）和图2（b）所示。
图2
由图2（a）可知，当选取主元个数为16时，预测残差平方根最小为0.5355；图2（b）中的数值均为标准化处理之后的值，经计算后的预测残差平方根的值为8.0508，可见主元分析结果较优。因此，报警设置过程中对机组功率异常报警的设置可以综合考虑此16个相关数据的运行情况，在其中部分数据有异常时触发机组功率报警，同时16个信号的相关报警信息可作为机组功率异常报警的二级报警信号。
以上给出基于大数据的火电厂报警信号设置的主元分析方法，可有效提升报警系统设置的针对性，提升报警信息的准确性。然而，上述方法仅仅是电厂报警系统设置过程中大数据应用的第一步，与报警信息相关性较高的信号如何组合会触发系统报警，以及如果对每个相关信号进行报警设置是今后继续要深入研究的方向之一。
2.2 汽轮机调节汽门流量特性曲线优化
汽轮机调节汽门作为DEH系统的主要执行机构，其流量特性偏差过大会导致节流损失加大、一次调频的响应负荷不足或者过大、AGC响应变慢、阀门切换负荷波动等，最终影响机组的安全稳定运行[7]。汽轮发电机组在长时间运行过程中阀门的实际流量曲线难免有所变化，因此很有必要经常对机组的阀门流量曲线进行试验校正，以使机组各项指标趋于最优[8]。
以某600MW汽轮发电机组为例，分别对该机组单阀运行方式和顺序阀方式下的阀门流量特性曲线进行优化，具体操作过程如下。
1）数据源的选取。选取与阀门流量特性曲线优化相关的参数共43200（采样周期60s）组，具体参数为汽轮机综合阀位指令、各阀门指令、各阀门开度、机组主蒸汽压力、主蒸汽温度、机组负荷、调节级压力、给水流量、减温水流量。
2）神经网络数据处理。结合所选取的历史运行数据，采用模糊神经网络对历史数据进行建模，得出阀门开度同主蒸汽流量的神经网络模型，为下一步阀门流量特性曲线优化做好准备；为了验证所建模型的正确性，选取样本数据之外的22组数据，将采用弗留格尔公式法计算得到的流量数值与神经网络模型计算得到的数值进行比较[9]，验证效果如图3所示。
3）基于模糊神经网络，并结合实际运行数据对单阀方式下的流量曲线进行拟合，其结果如图4（a）所示。由图4（a）可知，校正前后的单阀曲线有较大差异：校正后同一综合流量指令下的开度增大0%～6%左右，可以有效提高负荷响应值和响应速度。
该机组设计为顺序阀方式下高压调节阀1、3、4同时开启，全开后高压调节阀2才开启。重叠度的设置一般以前一个阀门开至阀后压力与主汽压力比值为0.85～0.90时后一个阀开始开启为合适，以此数据对各阀门之间的重叠度进行修正完善[10]。
由于本机组阀后并没有安装压力测点，所以采用试验数据观察法来近似，利用作图法来计算重叠度。依据历史运行数据以及模糊神经网络模型计算得出顺序阀方式下的实际流量曲线，利用作图法得到顺序阀方式下的阀门流量曲线,如图4（b）所示。
由图4（b）可以看出，校正前后的顺序阀曲线有较大差异：校正后高压调节阀1、3、4在同一综合流量指令下的开度变化0%～5%左右，拐点前后特性比原来光滑，拐点前附近的流量曲线提高了负荷响应值和响应速度；修改前后高压调节阀2的阀门重叠度由原来的7%调整为4%，适合新的流量曲线，机组运行稳定性有所提高。
图3 模糊神经网络模型仿真验证曲线
图4
2.3 基于大数据理论下的控制系统性能评估
在电厂工艺过程控制中，几乎85%以上的控制系统均采用PID控制器，但是在控制系统工作过程中，一般电厂热控专业人员并不能快速判断某控制系统的控制水平是否最优，如果不是最优，就还有多大提升潜力等信息[11]。目前关于电厂热工控制方面的研究主要集中在先进控制算法设计上，对已有的控制系统的性能评价方面的研究相对较少。
本文简要介绍基于大数据的控制系统性能评价方法，希望对智能电厂实施过程中的大数据应用起到抛砖引玉的作用。
图5所示为基于运行数据的控制系统性能评估步骤流程图。首先对控制系统本身进行分析研究，对控制器输出数据进行采集和预处理；其次确定控制系统评估的准则，该准则的确定需要依据系统本身特性来确定适合的评估准则；在评估准则确定之后，使用选取的评估基准对待评估的控制系统进行性能评估，通过评估得到待评估的控制系统的性能，分析控制性能是否满足运行要求，也即是否需要进行控制系统维护；最后在性能评估的基础之上，对控制系统性能较差的原因进行分析，为进一步的控制系统性能维护提供依据和指导[12]。
图5 控制系统性能评估步骤流程图
以上控制系统性能评估步骤中，最重要的是基准模型的建立和评估准则的选取。基于闭环回路运行数据的控制系统建模一直是热工控制领域专家学者研究的重要方向之一，可采用的方法较多，且效果良好：既有经典控制理论的建模方法，也有基于现代控制理论的建模方法，同时还有以神经网络、支持向量机、模糊理论等基于各种先进计算理论的建模方法。
然而，合理的控制系统性能评估准则的选取则相对较难。目前仅有的少量的报道，而且应用最为广泛的仍然是基于最小方差准则或者改进最小方差准则的控制系统性能评估准则。所以，如何选取合适的性能评估准则仍将是大数据应用过程中控制系统性能评估今后研究的重点之一。
3 结论
智能电厂是一个系统工程，在实施过程中的方方面面都需要电力工作者付出十分的努力，同时该项工程每一部分新的进展都是对我国电力工业发展进步的极大推动。本文抛开智能电厂实施过程中大数据在企业管理、生产管理和设备管理层面的应用，重点介绍了大数据在控制系统层面的报警系统优化、控制系统运行曲线优化、控制系统性能评估三个方面的应用，同时结合部分实例进行了分析论述，指出了以上几个方面实施过程中存在的问题和今后的研究重点。
随着技术水平的不断发展和工程应用的不断实施，火电厂大数据的应用范畴必然会越来越广，希望本文的论述能够起到抛砖引玉的作用，引导广大电力工作者重视智能电厂建设过程中的每一个细节和突破口，为智能电厂这个系统工程的发展、完善做出贡献。