智能电厂控制层和管理层实施过程中的大数据应用研究

马亮

摘 要：火电厂智能化的核心主要包括三个层级，即智能设备层、智能控制层和智能管理层。本文应用大数据技术对火力发电厂的数据进行收集和存取，利用大数据分析方式中的统计学和机器学习对数据进行处理。研究表明，统计学分析可以应用到报警优化、保护定值优化、设备定修管理等智能控制层中;机器学习可以应用到厂级负荷优化分配、机组能耗分析等智能管理层中。上述分析方法的分类应用在电厂中得到了有效的实施。

关键词：大数据技术;统计学分析;机器学习

中图分类号：TM621文献标识码：A文章编号：1003-5168（2020）32-0018-04

Abstract： The core of the intelligentization of thermal power plants mainly includes three levels， namely the intelligent equipment layer， the intelligent control layer and the intelligent management layer. This paper used big data technology to collect and access data from thermal power plants， and used statistics and machine learning in big data analysis to process the data. Research shows that statistical analysis can be applied to intelligent control layers such as alarm optimization， protection setting optimization， and equipment maintenance management; machine learning can be applied to intelligent management layers such as plant-level load optimization and unit energy consumption analysis. The classification and application of the above analysis methods have been effectively implemented in power plants.

Keywords： big data technology; statistical analysis; machine learning

2014年，我国提出了打造制造强国的发展计划——《中国制造2025》。其内涵是在信息化与工业化深度融合的背景下，积极应对互联网、大数据、云计算等信息领域新技术的发展，提高资源利用效率，推进重点行业智能转型升级，其中就包括电力行业。2016年2月，国家发展和改革委员会发布了《关于推进“互联网+”智慧能源发展的指导意见》，明确指出促进能源产业和信息技术深度融合，以更好地提升能源转换效率、减轻环境污染，推进能源供给侧的改革。2017年，中国自动化学会、电力企业、行业专家等联合组织了多次对智能电厂最新发展技术和发展方向的研讨，并制定了《智能电厂技术发展纲要》。党的十九大报告强调，要推动互联网、大数据、人工智能和实体经济的深度融合。同年，国务院出台了《关于深化“互联网+先进制造业”发展工业互联网的指导意见》。2018年，工业和信息化部发布了《工业互联网发展行动计划（2018—2020年）》。

目前，我国电力行业产能过剩严重，发电企业的火电利用小时大幅度减少，电价下调，节能减排任务较过去任何时候更为艰巨，排放要求十分苛刻。因此，当前形势下，电力行业非常有必要推进智慧企业建设，这是提质增效、节能减排、改革创新的主要方法。国内各个发电集团都在积极探索智慧电厂建设模式，树立样板工程，某电厂在大数据技术应用领域率先迈出了第一步并取得了一定成效。

1 大数据平台搭建的必要性

搭建大数据平台，可以响应国家产、学、研协同发展的号召，更好地分配和利用资源。如图1所示，大数据平台可以对历史数据进行学习训练，针对当前的生产数据、运行数据、设备参数等给出参考建议和可视化图表[1-2]。Jupyter是一个开源的Web应用程序，旨在方便开发者创建和共享代码文档。该系统主要基于Jupyterhub进行二次开发，支持多用户的Notebook服务器，用于创建、管理、代理多个Jupyter Notebook实例。其提供了一个环境，无须离开这个环境，人们就可以在其中编写运行代码、查看输出结果。其可以进行数据清理、统计建模构建、训练机器学习模型等。

2 大数据技术中统计学分析方式的应用

2.1 设备参数关联性报警优化

目前，在运行过程中，高压加热器是否发生泄漏需要人工根据运行经验自行判断。泄漏初期，高压加热器的泄流量较小，各种参数变化不明显，短时间内难以判断高压加热器是否已经出现泄漏。所以，有必要建立高压加热器泄漏的特征参数模型，帮助运行人员及早判断高压加热器泄漏并发出报警，以便提前安排时间进行检查和处理，如图2所示。

采集实际运行中高压加热器正常疏水调门开度值，与数据模型中经过函数计算得到的高压加热器疏水调门开度值进行比对，当实际调门开度与函数计算得到的调门开度差值大于10%且持续时间超过5 min时，将会发出高压加热器调门开度异常报警。

另外，采集实际运行中高压加热器出入口给水流量差值，与数据模型中经过函数计算得到的高压加热器出入口给水流量差值进行比对，若实际高压加热器出入口给水流量差值与函数计算得到的高压加热器出入口给水流量差值大于50 t/h，将会发出给水流量异常報警。以上两个报警做出“与”的逻辑关系，可以作为高压加热器发生泄漏的判断依据。