劉長良，許 濤，王梓齊，孫群麗

基于智能電廠大數(shù)據(jù)的關(guān)鍵參數(shù)目標值挖掘技術(shù)

劉長良1,2，許 濤2，王梓齊2，孫群麗3

（1.華北電力大學新能源電力系統(tǒng)國家重點實驗室，北京 102206；2.華北電力大學自動化系，河北 保定 071003；3.華北電力大學科技學院，河北 保定 071003）

為響應(yīng)能源結(jié)構(gòu)調(diào)整、推進能源供給側(cè)改革，火力發(fā)電行業(yè)迫切需要進行深刻的技術(shù)轉(zhuǎn)型。關(guān)鍵參數(shù)目標值的計算是火電廠運行優(yōu)化的重要環(huán)節(jié)，常規(guī)的計算和挖掘方法精度低、實時性差、難以投入閉環(huán)應(yīng)用。本文探討了基于智能電廠大數(shù)據(jù)的關(guān)鍵參數(shù)目標值挖掘技術(shù)的內(nèi)涵和具體實現(xiàn)，涉及整體架構(gòu)、專用數(shù)據(jù)挖掘技術(shù)等；并以國內(nèi)某超超臨界機組為例，介紹了針對超超臨界機組的關(guān)鍵參數(shù)目標值挖掘系統(tǒng)，該系統(tǒng)利用在線迭代更新和離線挖掘修正相結(jié)合的策略，解決了數(shù)據(jù)體量大與時效性要求高的矛盾，有助于實現(xiàn)關(guān)鍵參數(shù)目標值的高效挖掘。

智能電廠；大數(shù)據(jù)；關(guān)鍵參數(shù)；目標值；數(shù)據(jù)挖掘；迭代更新

為進一步提升能源轉(zhuǎn)換效率、推進能源供給側(cè)改革，2016年2月國家發(fā)改委發(fā)布了《關(guān)于推進“互聯(lián)網(wǎng)+”智能能源發(fā)展的指導意見》[1]，明確指出促進能源和信息深度融合?！爸悄馨l(fā)電”這一概念，正是在國家能源轉(zhuǎn)型的要求下應(yīng)運而生，其核心是發(fā)電技術(shù)的轉(zhuǎn)型革命[2]。在“智能發(fā)電”這一背景下，火力發(fā)電這一傳統(tǒng)的發(fā)電產(chǎn)業(yè)，急需轉(zhuǎn)變其原本粗放的生產(chǎn)方式，有必要深度結(jié)合互聯(lián)網(wǎng)+、大數(shù)據(jù)等先進技術(shù)，以實現(xiàn)更高的安全性、更低的環(huán)境污染和更好的經(jīng)濟效益。

確定關(guān)鍵參數(shù)的目標值是火電廠節(jié)能、運行優(yōu)化的重要環(huán)節(jié)之一。關(guān)鍵參數(shù)是指如鍋爐側(cè)的煙氣含氧量、二次風擋板開度、汽輪機側(cè)的凝汽器真空等重要運行參數(shù)，以及如鍋爐效率、熱耗率、發(fā)電煤耗等重要的經(jīng)濟性指標。目標值是指在當前的運行工況下，使得機組經(jīng)濟性、安全性、環(huán)保指標等相對最優(yōu)時，關(guān)鍵參數(shù)的優(yōu)化值或應(yīng)達值。計算關(guān)鍵參數(shù)的目標值對于火電機組運行優(yōu)化、節(jié)能環(huán)保等方面具有重要的意義。

目前，常規(guī)的關(guān)鍵參數(shù)目標值計算方法如熱力試驗、耗差分析等，由于使用的數(shù)據(jù)規(guī)模小、類型單一，導致數(shù)據(jù)挖掘的精度和實時性較低、僅能用于指導運行，無法滿足“智能發(fā)電”背景下目標值應(yīng)用的閉環(huán)要求?；谶\行數(shù)據(jù)的關(guān)鍵參數(shù)目標值挖掘方法，不依賴精細的試驗建模和復雜計算，具有可施行性強、可靠性高的優(yōu)點，正逐漸成為主流的運行優(yōu)化方式。

目前，已有一些關(guān)于火電廠大數(shù)據(jù)技術(shù)的研究和應(yīng)用。如文獻[3]提出通過大數(shù)據(jù)信息化手段提高電廠經(jīng)營管理水平；文獻[4]提出利用電廠的運行監(jiān)控大數(shù)據(jù)建立設(shè)備模型，實現(xiàn)故障預警、提高機組安全性；文獻[5]提出利用大數(shù)據(jù)技術(shù)實現(xiàn)控制、數(shù)據(jù)一體化，從而深度優(yōu)化運行模式；文獻[6]從數(shù)據(jù)應(yīng)用的角度闡明了智能發(fā)電的數(shù)據(jù)化特征，提出了基于智能電廠大數(shù)據(jù)的應(yīng)用架構(gòu)和功能。針對關(guān)鍵參數(shù)目標值挖掘這一具體問題，可以利用“智能電廠大數(shù)據(jù)”作為主要數(shù)據(jù)來源，以解決常規(guī)技術(shù)精度低、實時性差、無法投入閉環(huán)應(yīng)用等問題。本文主要討論了智能電廠大數(shù)據(jù)的特點，探討了基于智能電廠大數(shù)據(jù)的關(guān)鍵參數(shù)目標值挖掘技術(shù)的內(nèi)涵和具體實現(xiàn)，涉及整體架構(gòu)、數(shù)據(jù)挖掘技術(shù)等，并以某超超臨界機組為例，介紹了關(guān)鍵參數(shù)目標值挖掘系統(tǒng)。

1 智能電廠大數(shù)據(jù)

1.1 智能電廠結(jié)構(gòu)

劉吉臻等[7]提出了“智能發(fā)電”這一概念。智能電廠是基于“智能發(fā)電”概念的一種實現(xiàn)形式[2]，它以新一代智能管控一體化系統(tǒng)為核心，全面整合電廠的實時數(shù)據(jù)處理及管理決策等業(yè)務(wù)，形成一種具備自趨優(yōu)、自學習、自恢復、自適應(yīng)、自組織等特征的智能發(fā)電運行控制與管理模式[8]。

智能電廠主要由公共服務(wù)系統(tǒng)（ISS）和運行控制系統(tǒng)（ICS）組成。ISS主要包含智能管理層，提供智能巡檢、設(shè)備遠程管理等功能；ICS主要包含智能控制層、智能設(shè)備層和智能生產(chǎn)監(jiān)管層，主要負責整個電廠生產(chǎn)的監(jiān)測與控制。由于ISS的兩端分別連接著ICS與外網(wǎng)，而ICS需保證絕對的安全性，因此兩系統(tǒng)間必須架設(shè)安全隔離器。智能電廠總體結(jié)構(gòu)如圖1所示。

圖1 智能電廠總體結(jié)構(gòu)

1.2 智能電廠大數(shù)據(jù)及其特點

大數(shù)據(jù)是在數(shù)據(jù)獲取、存儲、管理、分析方面大大超出了傳統(tǒng)數(shù)據(jù)庫軟件工具能力范圍的數(shù)據(jù)集合，是一種海量、高增長率和多樣化的信息資產(chǎn)。如今的火電廠特別是超超臨界機組，數(shù)據(jù)測點分布廣、數(shù)量多、采集頻率高，歷史和實時運行數(shù)據(jù)均具有體量大、種類多、存儲規(guī)模大的特點，屬于典型的大數(shù)據(jù)，已成為智能電廠的重要屬性之一。

智能電廠大數(shù)據(jù)主要具有以下5個特點：多源獲取、位置分散、數(shù)據(jù)體量大、結(jié)構(gòu)多樣；蘊含的信息復雜，數(shù)據(jù)間的關(guān)聯(lián)性強；數(shù)據(jù)持續(xù)采集，采樣速率多樣化，具有動態(tài)時空特性；數(shù)據(jù)采集、存儲、處理、分析、挖掘的時序性和實時性要求高；數(shù)據(jù)應(yīng)用具有閉環(huán)要求。智能電廠的關(guān)鍵就是各種數(shù)據(jù)分析、挖掘、優(yōu)化結(jié)果的閉環(huán)實現(xiàn)。

2 關(guān)鍵參數(shù)目標值挖掘技術(shù)

2.1 常規(guī)關(guān)鍵參數(shù)目標值計算方法缺陷

常規(guī)的關(guān)鍵參數(shù)目標值計算方法主要有熱力試驗、耗差分析、數(shù)據(jù)挖掘等。

熱力試驗是指通過優(yōu)化調(diào)整試驗，確定機組的關(guān)鍵參數(shù)目標值，并提出合理的關(guān)鍵參數(shù)運行曲線指導運行操作。熱力試驗得到的結(jié)果貼近機組當前的實際情況，具有可靠性強的優(yōu)點。但熱力試驗過程需要專業(yè)人員全程參與，耗時、耗力且一般會影響機組的正常運行，多在新機組投產(chǎn)或在役機組燃燒設(shè)備、燃料種類、操作方式等有重大改變時進行。

耗差分析是指通過熱力計算建立關(guān)鍵參數(shù)與重要經(jīng)濟性指標間的數(shù)值模型，基于模型計算目標值，并實時監(jiān)測運行參數(shù)的實時值與目標值間的偏差及其對重要經(jīng)濟性指標的定量影響。耗差分析方法具有理論基礎(chǔ)強的優(yōu)勢，但由于需要對熱力過程進行數(shù)值建模并通過尋優(yōu)計算關(guān)鍵參數(shù)的目標值，涉及大量復雜的熱力計算等，所需計算時間長且模型的適用范圍有時空上的局限性，因此多應(yīng)用于仿真研究和離線分析，距離目標值實時的閉環(huán)應(yīng)用還有較大差距[9]。

數(shù)據(jù)挖掘是指在相近的運行工況下，以有關(guān)重要運行指標最優(yōu)為目標，從歷史運行數(shù)據(jù)中挖掘?qū)?yīng)關(guān)鍵參數(shù)的目標值，以指導機組的實際運行。數(shù)據(jù)挖掘所得到的關(guān)鍵參數(shù)目標值指機組在相近工況下運行狀態(tài)、實用價值曾經(jīng)達到相對較強。但常規(guī)數(shù)據(jù)挖掘技術(shù)所使用的數(shù)據(jù)規(guī)模小、數(shù)據(jù)類型單一，在數(shù)據(jù)規(guī)模較大時挖掘速度較慢，得到的數(shù)據(jù)挖掘結(jié)果實時性較差，不能滿足閉環(huán)應(yīng)用的要求，與智能電廠的需求還有一定的距離。

2.2 基于智能電廠大數(shù)據(jù)的關(guān)鍵參數(shù)目標值挖掘

智能電廠大數(shù)據(jù)背景下的關(guān)鍵參數(shù)目標值挖掘，使用的是智能電廠大數(shù)據(jù)中的時序數(shù)據(jù)。該數(shù)據(jù)具有歷史數(shù)據(jù)體量大、實時數(shù)據(jù)屬性多、數(shù)據(jù)實時性要求高的特點。數(shù)據(jù)挖掘的關(guān)鍵在于解決數(shù)據(jù)挖掘精度和實時性間的矛盾。本文提出的基于智能電廠大數(shù)據(jù)的關(guān)鍵參數(shù)目標值挖掘技術(shù)，其總體結(jié)構(gòu)如圖2所示。由圖2可見，基于智能電廠大數(shù)據(jù)的關(guān)鍵參數(shù)目標值挖掘技術(shù)主要分為離線和在線2個階段。

離線階段的主要功能是通過關(guān)聯(lián)分析，確定數(shù)據(jù)挖掘所針對的關(guān)鍵參數(shù)以及與這些關(guān)鍵參數(shù)密切相關(guān)的輔助參數(shù)，并利用離線數(shù)據(jù)挖掘技術(shù)確定初始的關(guān)鍵參數(shù)目標值數(shù)據(jù)庫。

在線運行時，依據(jù)離線階段關(guān)聯(lián)分析得到的結(jié)果，從海量的運行數(shù)據(jù)流中截取數(shù)據(jù)挖掘所需要的實時數(shù)據(jù)；在對數(shù)據(jù)流進行在線數(shù)據(jù)挖掘后，通過指標比對，判斷當前的數(shù)據(jù)挖掘結(jié)果是否優(yōu)于對應(yīng)工況下目標值數(shù)據(jù)庫的記錄，實現(xiàn)目標值數(shù)據(jù)庫的實時更新。挖掘出的各參數(shù)目標值若要投入閉環(huán)應(yīng)用，還需要考慮變化頻率的限制。

圖2 數(shù)據(jù)挖掘技術(shù)總體結(jié)構(gòu)

基于智能電廠大數(shù)據(jù)的關(guān)鍵參數(shù)目標值挖掘技術(shù)的核心內(nèi)容包括：基于關(guān)聯(lián)分析的關(guān)鍵參數(shù)和輔助參數(shù)選取、關(guān)鍵參數(shù)目標值的優(yōu)化目標、離線-在線階段結(jié)合的數(shù)據(jù)挖掘技術(shù)、核心數(shù)據(jù)處理方法。

2.2.1基于關(guān)聯(lián)分析的關(guān)鍵參數(shù)和輔助參數(shù)選取

參數(shù)選取即特征選擇，是指從原始特征中選擇出一些最有效特征以降低數(shù)據(jù)集維度的過程，其算法框架如圖3所示。

圖3 特征選擇算法框架

關(guān)聯(lián)分析是一種常用的特征選擇手段，其目的是基于大量數(shù)據(jù)發(fā)現(xiàn)其中某些屬性的關(guān)聯(lián)性。針對關(guān)鍵參數(shù)目標值計算這一應(yīng)用場景，需要從海量的運行數(shù)據(jù)和運行參數(shù)中，挑選出與機組關(guān)鍵運行指標最相關(guān)的運行參數(shù)。關(guān)聯(lián)分析法具有客觀性強、分析層次全面的優(yōu)點，更善于處理數(shù)據(jù)結(jié)構(gòu)多樣、信息不明確的復雜系統(tǒng)，適合對智能電廠大數(shù)據(jù)進行分析?；痣姀S常用的關(guān)聯(lián)分析算法主要有灰色關(guān)聯(lián)分析法[10]、DHP算法[11]等。

基于關(guān)聯(lián)分析的運行參數(shù)選取主要分為兩部分：第一部分是通過關(guān)聯(lián)分析確定與運行效益指標密切相關(guān)的運行參數(shù)，即關(guān)鍵參數(shù)；第二部分是針對關(guān)鍵參數(shù)做關(guān)聯(lián)分析，找到與這些關(guān)鍵參數(shù)密切相關(guān)的可控參數(shù)即輔助參數(shù)，通過調(diào)節(jié)這些參數(shù)控制機組運行。輔助參數(shù)的選取是相互獨立的，當1個輔助參數(shù)與多個關(guān)鍵參數(shù)相關(guān)時，可以被重復選取。

2.2.2關(guān)鍵參數(shù)目標值的優(yōu)化目標

關(guān)鍵參數(shù)目標值挖掘是火電機組尋優(yōu)的一種重要手段，系統(tǒng)尋優(yōu)首先需要明確優(yōu)化目標。對于火電機組來說，優(yōu)化目標通常包含節(jié)能、環(huán)保、穩(wěn)定3個方面。節(jié)能即優(yōu)化各項經(jīng)濟性指標，主要包括發(fā)電煤耗、鍋爐效率、汽機熱耗率等；環(huán)保通常指NO等污染物的排放質(zhì)量濃度應(yīng)盡可能低；穩(wěn)定則要求主蒸汽溫度和各主要換熱面溫度不超限。據(jù)此，優(yōu)化目標表達式為

式中：為發(fā)電煤耗，為NO生成量，為熱耗率，為鍋爐效率，為煙氣含氧量，s1為燃盡風擋板1開度，s2為燃盡風擋板2開度，L和H分別是發(fā)電煤耗的低限和高限，L和H分別是NO生成量的低限和高限，L和H分別是煙氣含氧量的低限和高限，s1L和s1H分別是燃盡風擋板1開度的低限和高限，s2L和s2H分別是燃盡風擋板2開度的低限和高限，temp1為主蒸汽溫度，temp2為水冷壁壁溫，temp1H為主蒸汽溫度高限，temp2H為水冷壁壁溫高限。

式(1)中，設(shè)定發(fā)電煤耗、NO生成量等的高低限是為了排除異常數(shù)據(jù)，而含氧量和各換熱面溫度等的高低限則是機組正常運行的要求。

根據(jù)上述優(yōu)化目標，首先從某一工況的海量穩(wěn)態(tài)數(shù)據(jù)中，按照每個指標的要求各篩選出一批數(shù)據(jù)，組成初始數(shù)據(jù)集；然后再對集中的數(shù)據(jù)按照優(yōu)化目標加權(quán)打分并排序；最后選取最優(yōu)的一條 數(shù)據(jù)，將其參數(shù)值設(shè)定為當前工況下的初始關(guān)鍵參數(shù)目標值。

2.2.3離線-在線階段結(jié)合的數(shù)據(jù)挖掘技術(shù)

離線-在線階段結(jié)合的數(shù)據(jù)挖掘技術(shù)是解決數(shù)據(jù)挖掘精度和實時性間的矛盾的核心。智能電廠大數(shù)據(jù)體量大的特點決定了數(shù)據(jù)挖掘規(guī)模龐大，即使運用先進的數(shù)據(jù)挖掘算法，完成一次挖掘也需要較長的時間。對此，考慮將整個數(shù)據(jù)挖掘過程分為離線階段和在線階段2個部分。

在離線階段，需要考慮各種因素的影響，制定多目標的綜合優(yōu)化指標，盡可能選取包含多種運行工況的歷史運行數(shù)據(jù)進行挖掘，以確定較為精準、全面的初始關(guān)鍵參數(shù)目標值。由于離線階段的數(shù)據(jù)量和計算工作量相對較大，可選擇合適的時機定期或不定期進行，盡可能減少對生產(chǎn)的影響。

在線階段僅對分流出的部分實時數(shù)據(jù)流進行數(shù)據(jù)挖掘，工作量相對較小、運行速度較快、能夠滿足實時性要求。同時，對關(guān)鍵參數(shù)目標值數(shù)據(jù)庫進行實時迭代更新，以保證機組近期的優(yōu)秀運行狀態(tài)和對應(yīng)的運行數(shù)據(jù)盡早進入目標值數(shù)據(jù)庫、參與閉環(huán)應(yīng)用，從而改善目標值的時效性。

2.2.4核心數(shù)據(jù)處理方法

離線-在線數(shù)據(jù)挖掘階段均涉及到以下3種關(guān)鍵核心數(shù)據(jù)處理方法。

1）穩(wěn)態(tài)檢測

對于火電廠的升降負荷等生產(chǎn)過程，各個穩(wěn)態(tài)工況之間存在著一定的過渡，即非穩(wěn)態(tài)過程。對于關(guān)鍵參數(shù)目標值計算這一應(yīng)用場景，非穩(wěn)態(tài)過程的動態(tài)特性復雜、數(shù)據(jù)波動劇烈，可能會使目標值存在較大偏差、不適宜用于運行指導和閉環(huán)應(yīng)用[12]。因此，為了使數(shù)據(jù)挖掘所得到的目標值具有更高的可靠性，必須對運行數(shù)據(jù)進行穩(wěn)態(tài)檢測。

離線數(shù)據(jù)挖掘階段的穩(wěn)態(tài)檢測是從歷史數(shù)據(jù)中找出若干段穩(wěn)態(tài)的數(shù)據(jù)，主要的方法有機理分析法、統(tǒng)計理論法、趨勢提取法等[13]。在線數(shù)據(jù)挖掘階段的穩(wěn)態(tài)檢測，主要用于判斷實時數(shù)據(jù)是否處于穩(wěn)態(tài)。實時穩(wěn)態(tài)檢測具有快速性，要求計算速度快，反應(yīng)遲滯較小，常用方法有、R檢驗法、小波分析法等[13]。

2）異常數(shù)據(jù)處理

異常數(shù)據(jù)主要分為兩大類：一類是由于變送器故障、通信故障等導致的數(shù)據(jù)嚴重失真或數(shù)據(jù)缺失；另一類是由于信號測量、傳輸?shù)雀鱾€環(huán)節(jié)的干擾，導致采集的數(shù)據(jù)中包含較大噪聲。

嚴重失真和缺失類的數(shù)據(jù)直接采用拉依達準則[14]、格拉布斯準則等剔除即可，而含有噪聲的信號則需要進行數(shù)據(jù)濾波，常用的方法有小波去噪、閾值去噪、滑動窗口去噪等。在離線階段設(shè)計、測試好濾波算法后，在線階段自動調(diào)用即可實現(xiàn)異常數(shù)據(jù)的處理。

3）工況劃分與匹配

工況主要包含煤質(zhì)、負荷、環(huán)境溫度、燃燒方式等，不同工況下的關(guān)鍵參數(shù)目標值不同。在進行關(guān)鍵參數(shù)目標值挖掘時，必須考慮工況劃分和匹配的問題。工況劃分可以采用多步K-均值聚類算法[15]，其算法流程如圖4所示。

圖4 工況劃分算法流程

將穩(wěn)態(tài)工況數(shù)據(jù)依次以外部邊界條件(1,2,…,v)中的某一變量v為特征，逐一進行單變量的K-均值聚類。每次聚類后的樣本分類簇，作為下一次聚類的父樣本集，直至所有邊界條件遍歷結(jié)束，將最后一次的聚類結(jié)果重新標記排序作為最終的工況劃分結(jié)果[15-16]。

一般機組燃燒方式是確定的，不作為工況劃分的指標。在進行聚類前，首先需要將數(shù)據(jù)按照負荷分段，可按照每5%的負荷分為1段，每段負荷取該段的中值，例如對于425~475 MW負荷段，該段的負荷就為450 MW。這樣做是為了保證最終得到的目標值等負荷間距分布，避免數(shù)據(jù)過疏或過密。接著對每個負荷段的數(shù)據(jù)按照先環(huán)境溫度后煤質(zhì)的順序進行分步聚類。

其中，環(huán)境溫度可直接從SIS中讀取，而煤質(zhì)信息包含發(fā)熱量、水分、灰分、HGI、灰熔點等眾多數(shù)據(jù)，很難實時獲取，在沒有實時煤質(zhì)分析裝置的前提下，考慮以煤質(zhì)校正系數(shù)作為煤質(zhì)劃分的依據(jù)。獲得煤質(zhì)校正系數(shù)的方法有很多，如熱值校正法、發(fā)熱量校正法、煤質(zhì)做功能力校正法等。其中，煤質(zhì)做功能力校正法具有計算簡單、實時性高的優(yōu)點，具體步驟如圖5所示。在線運行階段，首先根據(jù)實時數(shù)據(jù)中的負荷參數(shù)確定負荷段，再通過環(huán)境溫度和煤質(zhì)校正系數(shù)2個參數(shù)計算當前數(shù)據(jù)到各類工況中心的距離，選取距離最小的工況作為該次實時數(shù)據(jù)的所屬類別，完成工況匹配。

圖5 煤質(zhì)校正系數(shù)計算步驟

3 應(yīng)用實例

基于上述方法中的核心內(nèi)容即在線迭代更新和離線挖掘修正相結(jié)合的策略，針對某超超臨界機組設(shè)計并開發(fā)了一套較為基礎(chǔ)的關(guān)鍵參數(shù)目標值挖掘系統(tǒng)。該系統(tǒng)應(yīng)用于某省信息中心，主要起到遠程監(jiān)控和指導運行的作用，目前已投運半年，效果良好。

3.1 系統(tǒng)整體框架

關(guān)鍵參數(shù)目標值挖掘系統(tǒng)整體架構(gòu)如圖6所示。由圖6可見：該系統(tǒng)首先從PI數(shù)據(jù)庫的Nginx反向代理鏡像服務(wù)器中讀取大量歷史運行參數(shù)，通過數(shù)據(jù)挖掘生成初始的關(guān)鍵參數(shù)目標值數(shù)據(jù)庫；接著，將初始數(shù)據(jù)庫導入本地服務(wù)器的SQL Sever數(shù)據(jù)庫中，同時將封裝好的數(shù)據(jù)挖掘規(guī)則裝入本地服務(wù)器。

圖6 關(guān)鍵參數(shù)目標值挖掘系統(tǒng)整體框架

在線運行時，瀏覽器每60 s向本地服務(wù)器發(fā)送1次HTTP的POST請求；本地服務(wù)器接收請求后，通過PI接口程序訪問外部的Nginx反向代理鏡像服務(wù)器以獲取PI數(shù)據(jù)庫的實時數(shù)據(jù)。每次讀取實時數(shù)據(jù)后，根據(jù)指標判斷是否更新目標值，以實現(xiàn)目標值數(shù)據(jù)庫的迭代更新?；痣姀S所使用的軟件往往需要多并發(fā)運行，可以通過負載均衡組建Web服務(wù)集群，用戶請求通過Nginx反向代理轉(zhuǎn)發(fā)給后臺服務(wù)器集群，以分擔服務(wù)器的壓力[17]。

3.2 系統(tǒng)主要功能

3.2.1初始關(guān)鍵參數(shù)目標值的確定

離線階段采用TOPSIS法確定初始關(guān)鍵參數(shù)目標值，其步驟如下：

1）從某一工況下的穩(wěn)態(tài)數(shù)據(jù)中分別按照發(fā)電煤耗、熱耗率、NO排放量和鍋爐效率4項指標，各挑取10條最優(yōu)的記錄（煤耗最低、熱耗率最低、NO排放量最低、鍋爐效率最高），組成備選方案集，共40條記錄（可能有重復記錄）。

2）選取發(fā)電煤耗、熱耗率、NO排放量和鍋爐效率4個字段組成決策矩陣（40×4）。

3）將上述矩陣規(guī)范化，并將規(guī)范化后的矩陣的每一列乘以對應(yīng)的權(quán)值，構(gòu)建加權(quán)矩陣。

4）選取每項指標中的最優(yōu)（劣）值構(gòu)成虛擬正（負）理想解。

5）計算各記錄與正負理想解的距離，并求相對貼近度，相對貼近度最大的即為最優(yōu)方案。

6）以該條記錄的各項參數(shù)值作為當前工況的初始關(guān)鍵參數(shù)目標值。

3.2.2在線迭代更新

在線運行時，每次讀入數(shù)據(jù)后，通過簡化的指標比對判斷是否需要更新目標值，實時數(shù)據(jù)處理流程如圖7所示。

圖7 實時數(shù)據(jù)處理流程

實時數(shù)據(jù)處理流程如下。

1）從PI實時數(shù)據(jù)庫中讀取1條記錄，選取所需測點數(shù)據(jù)，存儲到本地SQL Server實時庫表中。

2）判斷實時數(shù)據(jù)值是否為穩(wěn)態(tài)工況，檢查是否存在失真和缺失，若數(shù)據(jù)均無問題則對其進行濾波處理并存儲到工況庫表中，否則直接執(zhí)行步驟4）。

3）通過煤質(zhì)校正系數(shù)選取目標值庫表，將本次數(shù)據(jù)中的發(fā)電煤耗值與對應(yīng)負荷下發(fā)電煤耗目標值做比較，若前者小于后者，則用本次數(shù)據(jù)更新目標值數(shù)據(jù)庫對應(yīng)工況下的記錄。

4）讀取對應(yīng)目標值數(shù)據(jù)，在界面顯示實時數(shù)據(jù)，結(jié)束當前循環(huán)，等待下一輪數(shù)據(jù)。

3.3 界面展示

系統(tǒng)主要頁面分為兩大類：一類為熱力數(shù)據(jù)實時顯示界面，如機組總體熱力圖界面（圖8），該界面主要用于顯示火電機組總體的熱力性能圖以及主要參數(shù)的實時值，用于運行監(jiān)控；另一類則為挖掘目標值頁面，如鍋爐參數(shù)目標值總覽界面（圖9），該界面用于顯示鍋爐側(cè)各關(guān)鍵參數(shù)的目標值曲線，可以為機組運行優(yōu)化提供參考。

圖8 機組總體熱力圖界面

圖9 鍋爐參數(shù)目標值總覽界面

4 結(jié) 語

針對國家能源結(jié)構(gòu)調(diào)整，火力發(fā)電行業(yè)向“智能發(fā)電”轉(zhuǎn)變的大背景，本文重點闡述了智能電廠大數(shù)據(jù)的特點，分析了智能電廠大數(shù)據(jù)挖掘技術(shù)的具體要求，并在此基礎(chǔ)上，針對關(guān)鍵參數(shù)目標值計算這一應(yīng)用場景，比較了熱力試驗、耗差分析等常規(guī)計算方法，并探討了基于智能電廠大數(shù)據(jù)的關(guān)鍵參數(shù)目標值挖掘技術(shù)的內(nèi)涵和具體實現(xiàn)，涉及整體架構(gòu)、專用數(shù)據(jù)挖掘技術(shù)等，最后展示了一個針對超超臨界機組的相關(guān)應(yīng)用實例，包括系統(tǒng)的架構(gòu)、主要功能和主要界面。

［1］ 國家能源局. 關(guān)于推進“互聯(lián)網(wǎng)+”智能能源發(fā)展的指導意見[EB/OL]. (2016-02-29)[2019-05-30]. http://www. nea.gov.cn/2016-02/29/c_135141026.htm.

National Energy Administration. Guiding opinions on promoting the development of smart energy with internet plus[EB/OL]. (2016-02-29)[2019-05-28]. http://www. nea.gov.cn/2016-02/29/c_135141026.htm.

［2］ 國務(wù)院辦公廳. 中國制造2025[EB/OL]. (2015-05-19) [2019-05-28]. http://www.gov.cn/zhengce/ content/2015- 05/19/content_9784.htm.

General Office of the State Council. China’s manufacture 2015[EB/OL]. (2015-05-19)[2019-05-28]. http://www. gov.cn/zhengce/content/2015-05/19/content_ 9784.htm.

［3］ 李偉. 大數(shù)據(jù)管理系統(tǒng)在燃氣電廠生產(chǎn)經(jīng)營管理中的應(yīng)用實踐探索[J]. 自動化博覽, 2019(4): 56-58.

LI Wei. Practical exploration on the application of large data management system in production and management of gas power plant[J]. Automation Panorama, 2019(4): 56-58.

［4］ 蘇朝宏, 張強, 景國鋒, 等. 應(yīng)用大數(shù)據(jù)技術(shù)監(jiān)控設(shè)備運行狀態(tài)實踐[J]. 電力大數(shù)據(jù), 2018, 21(10): 24-28.

SU Chaohong, ZHANG Qiang, JING Guofeng, et al. Application of big data technology to monitor operation status of equipment[J]. Electric Power Data, 2018, 21(10): 24-28.

［5］ 徐利平, 胡興. 控制數(shù)據(jù)一體化火電廠應(yīng)用實踐[J]. 電力大數(shù)據(jù), 2018, 21(1): 18-25.

XU Liping, HU Xing. Application practice of control data integrated thermal power plant[J]. Electric Power Big Data, 2018, 21(1): 18-25.

［6］ 劉吉臻, 王慶華, 房方, 等. 數(shù)據(jù)驅(qū)動下的智能發(fā)電系統(tǒng)應(yīng)用架構(gòu)及關(guān)鍵技術(shù)[J]. 中國電機工程學報, 2019, 39(12): 3579.

LIU Jizhen, WANG Qinghua, FANG Fang, et al. Data-driven-based application architecture and technologies of smart power generation[J]. Proceedings of the CSEE, 2019, 39(12): 3579.

［7］ 劉吉臻, 胡勇, 曾德良, 等. 智能發(fā)電廠的架構(gòu)及特征[J]. 中國電機工程學報, 2017, 37(22): 6463-6470.

LIU Jizhen, HU Yong, ZENG Deliang, et al. Architecture and feature of smart power generation[J]. Proceedings of the CSEE, 2017, 37(22): 6463-6470.

［8］ 劉吉臻. 智能發(fā)電: 第四次工業(yè)革命的大趨勢[N]. 中國能源報, 2016-07-25.

LIU Jizhen. Smart generation: the general trend of the fourth industrial revolution[N]. China Energy News, 2016-07-25.

［9］ 周建新, 樊征兵, 司風琪, 等. 電站鍋爐燃燒優(yōu)化技術(shù)研究發(fā)展綜述[J]. 鍋爐技術(shù), 2008(5): 33-36.

ZHOU Jianxin, FAN Zhengbing, SI Fengqi, et al. A review about the development of boiler combustion optimization technology[J]. Boiler Technology, 2008(5): 33-36.

［10］ 羅毅, 周創(chuàng)立, 劉向杰. 多層次灰色關(guān)聯(lián)分析法在火電機組運行評價中的應(yīng)用[J]. 中國電機工程學報, 2012, 32(17): 97-103.

LUO Yi, ZHOU Chuangli, LIU Xiangjie. Application of the multi-level grey relational analysis method in operation assessment of thermal power units[J]. Proceedings of the CSEE, 2012, 32(17): 97-103.

［11］ 崔妍, 包志強. 關(guān)聯(lián)規(guī)則挖掘綜述[J]. 計算機應(yīng)用研究, 2016, 33(2): 330-334.

CUI Yan, BAO Zhiqiang. Survey of association rule mining[J]. Application Research of Computers, 2016, 33(2): 330-334.

［12］ 熊偉麗, 郭校根.一種基于多工況識別的過程在線監(jiān)測方法[J]. 控制與決策, 2018, 33(3): 403-412.

XIONG Weili, GUO Xiaogen. A process on-line monitoring method based on multi-mode identification[J]. Control and Decision, 2018, 33(3): 403-412.

［13］ 劉吉臻, 高萌, 呂游, 等. 過程運行數(shù)據(jù)的穩(wěn)態(tài)檢測方法綜述[J]. 儀器儀表學報, 2013, 34(8): 1739-1748.

LIU Jizhen, GAO Meng, LV You, et al. Overview on the steady-state detection methods of process operating data[J]. Chinese Journal of Scientific Instrument, 2013, 34(8): 1739-1748.

［14］ EASON G, NOBLE B, SNEDDON I N. On certain integrals of Lipschitz-Hankel type involving products of Bessel functions[J]. Philosophical Transactions of the Royal Society of London1955, 247(935): 529-551.

［15］ 王仲, 顧煜炯, 韓旭東, 等. 基于歷史數(shù)據(jù)聚類的火電機組工況劃分[J]. 儀器儀表學報, 2019, 40(2): 90-95.

WANG Zhong, GU Yujiong, HAN Xudong, et al. Operating condition classification of thermal power unit based on historical data clustering[J]. Chinese Journal of Scientific Instrument, 2019, 40(2): 90-95.

［16］ 趙征, 曾德良, 田亮, 等. 基于數(shù)據(jù)融合的氧量軟測量研究[J]. 中國電機工程學報, 2005, 25(7): 7-12.

ZHAO Zheng, ZENG Deliang, TIAN Liang, et al. Research on soft-sensing of oxygen content based on data fusion[J]. Proceedings of the CSEE, 2005, 25(7): 7-12.

［17］ 程婷婷, 胡煒薇, 崔佳冬. 智慧路燈遠程監(jiān)控平臺的設(shè)計與實現(xiàn)[J]. 計算機應(yīng)用與軟件, 2018, 35(3): 93-97.

CHENG Tingting, HU Weiwei, CUI Jiadong. Design and implemention of remote monitoring platform for intelligent street lamp[J]. Computer Applications and Software, 2018, 35(3): 93-97.

Target value mining technology for key parameters based on big data in smart power plant

LIU Changliang1,2, XU Tao2, WANG Ziqi2, SUN Qunli3

(1. State Key Laboratory of New Energy Power Systems, North China Electric Power University, Beijing 102206, China;2. Department of Automation, North China Electric Power University, Baoding 071003, China;3. Science and Technology College, North China Electric Power University, Baoding 071003, China)

In order to respond to the adjustment of energy structure and promote the reform of energy supply side, the thermal power generation industry needs a profound technological transformation urgently. The calculation of the target value of key parameters is an important part of the operation optimization of thermal power plants. The conventional calculation and mining methods have low precision, poor real-time performance and are difficult to put into closed-loop applications. To solve this problem, this paper discusses the connotation and concrete realization of key parameter target value mining technology based on big data of intelligent power plant, involving the whole architecture and special data mining technology. Moreover, taking an ultra-supercritical unit in China as an example, it introduces the key parameter target value mining system for ultra-supercritical units. By applying the combination of online iterative update and offline mining correction, this system solves the contradiction between large data volume and high timeliness requirements, and helps to achieve efficient mining of key parameter target values.

smart power plant, big data, key parameters, target value, data mining, iterative update

TK32

A

10.19666/j.rlfd.201905111

2019-05-30

北京市自然科學基金資助項目(4182061)；中央高?；究蒲袠I(yè)務(wù)費專項基金資助(9161717007)

Supported by：Beijing Natural Science Foundation (4182061); Fundamental Research Funds for the Central Universities (9161717007)

劉長良(1965—)，男，博士，教授，博士生導師，主要研究方向為火電機組建模、仿真與節(jié)能、故障診斷等，13603123513@163.com。

劉長良, 許濤, 王梓齊, 等. 基于智能電廠大數(shù)據(jù)的關(guān)鍵參數(shù)目標值挖掘技術(shù)[J]. 熱力發(fā)電, 2019, 48(9): 14-21. LIU Changliang, XU Tao, WANG Ziqi, et al. Target value mining technology for key parameters based on big data in smart power plant[J]. Thermal Power Generation, 2019, 48(9): 14-21.

（責任編輯 楊嘉蕾）