智能电厂大数据的关键参数目标值挖掘技术分析

王琦 李慎东 沙千里 赵琦 董利斌 杜学聪 冯博 周宝柱

摘要：新时期下，火力发电企业技术升级转型势在必行，这是落实国家能源结构调整政策、推进能源供给侧改革过程的重要基础。测算关键参数目标值为优化火电厂运行模式的重要基础，传统的测算与挖掘方式暴露出精准度低、时效性不足及很难实现闭环式应用等问题。本课题主要将以智能电厂大数据为基础的关键参数目标值挖掘技术作为论点，较为详细的阐述其内涵及具体表现形式，火电厂生产实践中合理应用该项技术，明显提升了关键参数目标值的挖掘效率。

关键词：智能电厂;大数据;关键参数;目标值;数据挖掘;技术分析

引言

火电厂每天运行阶段会生成海量数据，不同数据之间形成了千丝万缕的关联，且这种联系也是十分繁杂的，部分关联性显而易见，能用肉眼观察到的，比如在正常运行状态中，机组负荷和机组出力两者之间存在正比关系，但依然有大量数据之间的关系是潜在的，例如火电机组负荷与其振动之间的关系。在传统电厂内不同专业系统之间隔离，基础数据高度统一，但缺乏数据库之间的接口，滋生出“信息孤岛”情况，外加工作人员专业水平偏低，缺少科学指导，以致大量数据价值被荒废[1]。

在提出建设“智能电厂”的背景下，火力发电厂应尽早扭转传统粗放式生产形式，主动与互联网、大数据等高新科技对接，确保生产安全、环保的基础上，创造出更多的经济效益。确定关键参数的目标值为火电厂实现节能、改善运行模式的重要工作内容之一。以运行数据关键参数目标值为基础形成的挖掘技术，应用过程中在可执行性、可靠性等方面均表现出良好效能，逐渐演变成优化火电厂运行的主流方式。

一、智能电厂大数据

1、智能电厂结构案例分析

关于智能电厂，国内外很多学者作出了不同的定义。比如，刘吉臻等[2]指出，智能电厂是以“智能发电”概念为基础的一种实现形式，其将全新智能管控一体化系统作为核心，综合火电厂运行阶段形成的实时数据处理、管理决策等诸多业务，打造出有趋优性、自学习及自适应等功能的智能化发电运行管控模式。

智能电厂的整体结构见图1。其主要由ISS与ICS两大部分构成，前者的功能是智能化巡检、设备远程管理等，后者主要执行整个电厂生产过程的监控任务。因为ISS的两侧端分别衔接ICS和外网，ICS运行阶段需要确保绝对的安全性，故而一定要把安全隔离器搭设在两个系统之间。

2、智能电厂大数据及其特点

我们可以将大数据理解在数据获取、存管及分析等方面明显超出常规数据库软件能力范围的数据集合，其作为一种特别的信息资产，有批量化、高增长率及多样化等诸多特征。新时期建成的火电厂有数据测点广泛分布、数量繁多、采集频次高、既往与实时运转数据均有体量庞大、类型多等特征，其属于十分典型的大数据，已演变成智能电厂的一种重要属性。

多源性获取、方位分散度高、数量庞大、结构多元化;含有繁杂信息，数据之间的关系强;数据能实现连续采集，采样速率多样多变，具备动态时空属性;数据信息收集、存管、处置、解析及挖掘等对时效性均提出较高要求;数据资源运用时有明确的闭环要求。

二、关键参数目标值挖掘技术分析

1、常规关键参数目标值计算方法缺陷

（1）热力试验： 即基于优化调整试验确定机组的关键参数目标值，且以此为基础提出相对较合理的关键参数运行曲线，对火电厂业务运行进行科学指导。通过热力试验获得的结果和火电机组当下状况较贴近，可靠性较强。但整个试验过程需有专业人员的参与配合，耗用较大的时间成本，通常会影响机组的正常运行状态。

（2）耗差分析：基于热力测算过程构建关键参数和主要经济指标之间的数学模型，利用模型测算得到目标值，还能动态监测运行参数的实时值，掌握其和目标值之间的偏差及对部分经济性指标形成的影响。理论基础强是这种方法的主要优点，但应需建设热力过程的数值模型且利用寻优计算出关键参数的目标值，故而需要测算出大批量复杂的热力计算等，不仅耗时较长，并且模型的适用范围在时空上还存在着一定局限性。

（3）数据挖掘：即在相似的运转工况下，将相关重要运行指标最优设定为目标，在既往运行数据中挖掘出相对应关键参数的目标值，利用其指导机组的运转状态。传统数据挖掘技术采用的数据规模偏小、数据类别单一化显著，在数据规模庞大时很难实现快速挖掘，所得的数据挖掘结果时效性不足，很难满足闭环式运用的现实需求，和智能电厂建设、运营中还有不小的距离。

2、智能电厂大数据的关键参数目标值挖掘

2.1选择关联分析的关键及辅助数据

选择参数实质上就是选择特征，通常是指由原始特征內选择部分最具有效特征，进而减少数据集维度 [3]。

可以将关联分析理解成一种常规的特征选择手段，其宗旨是以海量数据为基础，探查到其内一些属性之间的相关性。对于测算关键参数目标值的应用情景，需由海量的运行数据以及参数内容，筛选出和机组关键运行指标相近度最高的运行参数。客观性强、分析层次综合性高等均是关联分析的优点，其在处理数据结构多样、信息模糊的复杂系统方面表现出良好效能，适用于分析智能电厂大数据。灰色关联分析法、DHP算法等均是火电厂常用的关联分析算法。

以关联分析为基础选择运行参数时，主要由如下两部分着手：一是确定和运行效益指标相关性较高的运行参数，实质上就是关键参数;二是对关键参数进行关联分析，探查到和这些关键参数紧密相关的辅助参数，这些参数是可控的，通过参数调节去调控火电机组运行过程。选择辅助参数过程中要遵循相互独立的原则，如果1个辅助参数和多个关键参数之间相关联，则其准许被重复选择。

2.2设定关键参数目标值的优化目标

新时期下，对于火电机组而言，优化目标通常由节能、环保及稳定三大方面构成。节能等同于优化各项经济指标，主要涵盖发电煤耗、锅炉运行效率、汽机热耗率等;环保一般是尽可能的降低 NOx等污染物的排放浓度;稳定主要是要求主蒸汽温度与各主要换热面温度不超出限定区间。火电厂优化目标的表达式如下[4]：

在上式内，c、r、h、e、o分别代表发电煤耗、NOx生成量、热耗率，、锅炉效率、烟气含氧量，ys1、ys2分别是燃尽风挡板1、2的开度，cL、CH依次代表的是发电煤耗的低限、高限，几和YH分别是NO*生成量的低限和高限，OL、OH分别为烟气含氧量的低限与高限，ys1L（ys2L）、ys1H（ys2H）分别为燃尽风挡板1（2）开度的低、高限，temp 1、temp 1H分别代表的是主蒸汽温度及其高限，temp2、temp 2H分别代表的是水冷壁壁温及其高限。

在①式内，假定发电煤耗、NOx生成量等的高低限目的是为解除异常数据，而设定含氧量和各换热面温度等的高低限宗旨是为满足机组的正常运行需求。

参照以上设定的优化目标，先由某个工况的大量稳态数据中，依照各指标的实际要求筛选出相应的数据信息，用于组建初始数据集，而后依照优化目标对集中数据进行加权打分并排列其先后次序，最后则选出一条最优秀的数据，把对应的参数值设定成当前工况下的原始关键参数目标值。

2.3离线——在线时段整合的数据挖掘

这种技术方法主要是用于处理数据挖掘精准度与时效性之间形成的矛盾，体量庞大是智能电厂大数据的主要特征之一，其对数据挖掘规模大小起到决定性作用，即便是应用高新的数据挖掘算法，执行一次挖掘任务也需耗用较长时间。鉴于以上情况，把整个数据挖掘过程细化程在线与离线两个时段。

其中，离线时段时，要分析主客观多种因素形成的影响，编制多目标的整体优化指标，尽量选择含有多种运转工况的既往运行数据开展挖掘工作，进而设定相对更为准确、完善的原始关键参数目标值。因离线时段中的数据量与测算工作量均较大，可以选定适宜时机定期或不定期查证，将其对火电厂正常生产形成的影响降到最低。

在线时段仅挖掘分流出的局部实时数据流，作业量相对较小、运行快速、能较好地满足时效性要求。也能实时迭代更替关键参数目标值数据库，进而确保火电机组近期能维持最优状态，诱导相应的运行数据尽早进入到目标值数据库、参与闭环式运用过程，进一步改善目标值的时效性。

2.4核心处理法

（1）稳态检测：火电厂的升降负荷等运行过程，不同稳态工况之间存有一定过渡期，业内将其叫做非稳态过程。非稳态过程有动态属性复杂、数据变动性较大等特征，可能会使目标值存有较大偏差，很难用在运转指导与闭环式运用过程。故而，为确保数据挖掘技术下所得目标值的高可靠性，一定要对运行数据开展稳态检测活动。在离线数据挖掘时段，稳态检测主要是有既往数据内探查到速段维泰数据，机理分析、统计理论即趋势提取等均是常用方法。在线数据挖掘时可采用R检验法、小波分析法等进行稳态检测。

（2）异常数据处理：针对严重失真与缺失类数据，建议用拉依达、格拉布斯准则等直接将其剔除;如果信号内含有噪音，则需进行滤波处理，小波、阈值及滑动窗口去噪等均是常用手段。

（3）划分与匹配工况：煤质、负荷、环境温度等均是属于工况的范畴，不同工况下的关键参数目标值有一定差异。在挖掘关键参数目标值时，一定要关注工况规划与匹配性问题。实践中，可以采用K-均值聚类算法去划分工况 [5]。

在线运行时段中，先依照实时数据内负荷参数设定相应的负荷段，随后利用环境温度与煤质校正系数测算当下数据抵达各工况中心的距离，选出间距最小的工况作为本次实时数据的所属类别，此时工况匹配任务便完成。

三、实例分析

1、系统框架

在线运转阶段，浏览器每间隔1min将1次HTTP的POST请求传送给本地服务器，服务器经PI 接口程序访问Nginx镜像服务器，此时就能顺利获得PI数据库的实时数据。每每阅读实时数据后，参照指标判断是否有更新目标值的需求，进而更新目标值数据库。

3、系统主要功能

受篇幅的限制，本文对系统确定初始关键参数目标值的基本功能不再赘述，仅阐述在线迭代更新功能。在线运转阶段，各次在获读数据信息后，基于简易的指标比较判别是否有更新目标值的必要性。

（1）由PI实时数据库内读获1 条记录，选定所需测点数据，将其完整的存储到SQL Server 实时库表。

（2）判别实时数据值是否是稳态工况，检测是否存在失真与缺失等不良状况，如果数据未见异常，则要对其进行滤波处理且要完整的存储至工况库表内，否则直接运行步骤（4）。

（3）利用煤质校正系数筛选出目标值库表，对比本次数据内发电煤耗值和相应负荷下的发电煤耗目标值，如果前者低于后者，就选用本次数据更新目标值数据库相应工况下的记录信息[8]。

（4）讀获相应目标值，与界面上呈现出实时数据，终止当下循环过程，待命进入到下一轮数据。

结束语：

为了更好的响应国家能源结构调整政策，火力发电厂应积极向智能发电方向转型，本文在浅谈智能电厂大数据特征的基础上，解读大数据挖掘技术几点应用要求，对比了几种计算关键参数目标值的常用算法，着重分析目标值挖掘技术的内涵与表现形式，基于实例分析证实了这种技术的可行性、合理性，具有较高的推广

参考文献：

[1]王硕. 以提质增效为目标的大数据采办与物资管理初探[J]. 现代商业，2020，000（008）：158-160.

[2]刘吉臻，胡勇，曾德良，等. 智能发电厂的架构及特 征[J]. 中国电机工程学报，2017，37（22）： 6463-6470.

[3]铁成梁. 电厂设备管理智能系统及其大数据分析应用研究[D]. 华北电力大学，2019.

[4]刘吉，刘炳含，张月，等.基于大数据技术的火电厂节能环保多目标负荷优化分配[J]. 工程热物理学报，2020，v.41（01）：31-40.

[5]尚志高. 电力大数据关键技术的应用[J].水电水利，2019，3（12）：74-75.

作者简介：王琦，1997年9月，男，汉族，山东济宁人，本科，无，热工自动化。