李存斌，董 佳，丁 佳

基于大數(shù)據(jù)的燃煤發(fā)電運行風險實時評估

李存斌，董 佳，丁 佳

(華北電力大學經(jīng)濟與管理學院，北京 102206)

燃煤發(fā)電機組運行過程中面臨各種風險，一旦發(fā)生故障將造成不小的經(jīng)濟損失和社會影響。為了保障機組的安全生產(chǎn)和穩(wěn)定運行，建立了燃煤發(fā)電運行風險實時評估模型，從而及時制定故障檢修計劃。基于大數(shù)據(jù)關(guān)聯(lián)規(guī)則分析了燃煤發(fā)電運行風險與影響因子的關(guān)聯(lián)關(guān)系。在此基礎(chǔ)上，基于熵權(quán)法對影響因子賦權(quán)，并結(jié)合灰色關(guān)聯(lián)理論、證據(jù)理論和Dempster合成規(guī)則實現(xiàn)基本信度分配函數(shù)的確定和融合，從而得到燃煤發(fā)電機組運行風險值和風險等級。最后，以發(fā)電廠A的燃煤發(fā)電機組進行算例分析，其風險評估結(jié)果與實際運行情況具有相關(guān)一致性，證明了模型的現(xiàn)實意義。

大數(shù)據(jù)；燃煤發(fā)電；風險評估；證據(jù)理論；灰色關(guān)聯(lián)分析

0 引言

燃煤發(fā)電廠是當今社會電力發(fā)展的重要來源之一，為了滿足人們在生產(chǎn)和生活中對電能的需求，燃煤發(fā)電廠大多都處于高負荷的生產(chǎn)強度，機組設(shè)備極少停歇運行，在這種情況下，很容易出現(xiàn)機組裝置和設(shè)備老化、磨損等故障，導致安全問題的發(fā)生[1-4]。隨著大數(shù)據(jù)等先進技術(shù)的發(fā)展和設(shè)備維修觀念的轉(zhuǎn)變，對發(fā)電設(shè)備監(jiān)測和維修的實時性要求越來越高，預防性維修遠遠優(yōu)于事后維修，而機組實時動態(tài)的監(jiān)測和評估是預防性維修的基礎(chǔ)[5-10]。因此，對燃煤發(fā)電運行風險實時評估的研究是十分必要的。

燃煤發(fā)電過程中每一個步驟的風險對整個運行過程都有一定影響，若不重視將造成嚴重的損失。目前，國內(nèi)外學者通過構(gòu)建評價模型對燃煤發(fā)電風險評估展開了廣泛而深入的研究，包括建設(shè)、物流、經(jīng)營、環(huán)保等方面的風險。文獻[11]基于可拓層次分析法從技術(shù)、市場和管理等方面對燃煤發(fā)電建設(shè)風險進行評估。文獻[12]運用風險管理理論對燃煤發(fā)電企業(yè)煤炭供應(yīng)風險進行分析和評估。文獻[13]構(gòu)建了SWOT矩陣模型，深入分析并評價燃煤發(fā)電廠所面臨的經(jīng)營風險，并提出相應(yīng)的風險防控策略。文獻[14]基于ANP-Entropy-TODIM方法對“一帶一路”沿線國家燃煤發(fā)電廠投資風險進行評估。文獻[15]采用系統(tǒng)動力學，對燃煤發(fā)電融資風險進行分析和評估，并提出規(guī)避風險的合理化建議。文獻[16]通過建立多層次模糊綜合評價模型對發(fā)電企業(yè)的燃煤風險評估進行深入的研究。文獻[17]將灰色關(guān)聯(lián)度分析法和模糊綜合評價方法有機結(jié)合，應(yīng)用到燃煤發(fā)電機組能效評價研究中。文獻[18]使用AERMOD模型對燃煤發(fā)電廠排放物健康風險進行評估。

燃煤發(fā)電運行風險評估相關(guān)的文獻多采用主成分分析法[19]、信息熵[20]、層次分析法[21]及模糊評價方法等，對燃煤發(fā)電運行過程中的風險進行全面客觀的評價，但少有研究實現(xiàn)對風險的動態(tài)、實時評估，使得評價存在一定滯后性，無法及時掌握燃煤發(fā)電機組的運行情況，一旦停機維修，將造成不小的經(jīng)濟損失。

隨著先進信息技術(shù)的發(fā)展，大數(shù)據(jù)等技術(shù)在電力工業(yè)實時評估領(lǐng)域的應(yīng)用逐漸引起學者們的關(guān)注。文獻[22]通過大數(shù)據(jù)分析技術(shù)，基于高斯云模型實現(xiàn)對風電機組健康狀態(tài)的實時評估。文獻[23]采用大數(shù)據(jù)技術(shù)，基于多源信息融合，對電網(wǎng)暫態(tài)穩(wěn)定風險進行實時評估。文獻[24]結(jié)合層次分析法，利用大數(shù)據(jù)關(guān)聯(lián)規(guī)則算法實時評估配電網(wǎng)安全風險。但基于專家經(jīng)驗的層次分析法具有一定的主觀局限性，學者多選擇挖掘歷史故障數(shù)據(jù)去評估風險。文獻[25]采用信息熵和灰色關(guān)聯(lián)方法，結(jié)合大數(shù)據(jù)關(guān)聯(lián)規(guī)則分析技術(shù)，挖掘特征因子與故障發(fā)生的關(guān)聯(lián)關(guān)系，從而對架空輸電線路雷害風險進行實時評估。文獻[26]利用證據(jù)理論模型處理不完全信息問題的優(yōu)勢，融入大數(shù)據(jù)技術(shù)，對配電項目投資風險進行動態(tài)評估。可以發(fā)現(xiàn)大數(shù)據(jù)與熵權(quán)理論、灰色關(guān)聯(lián)理論、證據(jù)理論等方法的結(jié)合，在狀態(tài)實時評估、動態(tài)監(jiān)測方面展現(xiàn)出獨特優(yōu)勢，少有學者將此應(yīng)用到燃煤發(fā)電運行風險實時評估的相關(guān)領(lǐng)域，因此，本文基于大數(shù)據(jù)技術(shù)，通過動態(tài)采集設(shè)備數(shù)據(jù)，結(jié)合關(guān)聯(lián)規(guī)則分析和熵權(quán)理論實時挖掘數(shù)據(jù)流，基于證據(jù)理論和灰色關(guān)聯(lián)理論提出了燃煤發(fā)電運行風險實時動態(tài)評估模型，及時對燃煤發(fā)電機組運行情況制定相應(yīng)的安全措施，保障燃煤發(fā)電機組的穩(wěn)定運行。

1 燃煤發(fā)電運行風險實時評估模型

燃煤發(fā)電運行風險實時評估模型如圖1所示，包括物理層、信息層、融合層和目標層。由于燃煤發(fā)電系統(tǒng)體積規(guī)模較大，且系統(tǒng)十分復雜，為及時掌握運行過程中各參數(shù)的變化情況，在系統(tǒng)中安裝大量傳感器，將設(shè)備運行的數(shù)據(jù)實時回傳。當燃煤發(fā)電機組運行時，一部分設(shè)備能夠自動實時回傳數(shù)據(jù)，還有一部分設(shè)備則通過安裝的傳感器采集數(shù)據(jù)，并通過線路實時傳輸。動態(tài)與實時評估機制通過不斷監(jiān)測設(shè)備運行狀態(tài)，結(jié)合機組歷史運行數(shù)據(jù)和傳感器回傳的實時數(shù)據(jù)，實時整合數(shù)據(jù)資源并動態(tài)評估機組風險，動態(tài)更新機組風險狀態(tài)，從而及時應(yīng)對機組突發(fā)風險事故。

根據(jù)收集的機組運行實時數(shù)據(jù)流，分析燃煤發(fā)電機組相關(guān)的影響因子與機組運行風險的關(guān)聯(lián)關(guān)系，得到的關(guān)聯(lián)規(guī)則量化表會根據(jù)實時數(shù)據(jù)流的更新不斷動態(tài)更新，更符合評估時刻區(qū)間內(nèi)燃煤發(fā)電機組各個影響因子的屬性狀態(tài)，從而實現(xiàn)對燃煤發(fā)電機組實時、科學的風險評估。然后，基于熵權(quán)理論、灰色關(guān)聯(lián)理論及證據(jù)理論等，對數(shù)據(jù)進行深度挖掘，計算得到每個時刻燃煤發(fā)電機組的風險評估值，并判斷其風險等級，從而對其運行狀況作出判斷并采取相應(yīng)處理措施，實時保障燃煤發(fā)電機組穩(wěn)定運行。

圖1 燃煤發(fā)電運行風險實時評估模型

1.1 燃煤發(fā)電運行風險與影響因子的關(guān)聯(lián)規(guī)則量化

燃煤發(fā)電機組運行是一個復雜的過程，燃煤發(fā)電機組運行風險的關(guān)聯(lián)因素較多。在大數(shù)據(jù)時代，從海量的機組運行數(shù)據(jù)中挖掘出有價值的信息是十分關(guān)鍵的工作，關(guān)聯(lián)規(guī)則分析就是大數(shù)據(jù)的常用算法之一[27]。本文采用關(guān)聯(lián)規(guī)則量化不同影響因子與燃煤發(fā)電機組運行風險的關(guān)聯(lián)關(guān)系。

置信度表示事務(wù)后項對事務(wù)前項的依賴程度，計算公式為[31]

本文選用置信度來量化各個影響因子與燃煤發(fā)電機組運行風險的關(guān)聯(lián)關(guān)系，置信度越高，則燃煤發(fā)電機組在該影響因子的屬性特征下運行風險越高，發(fā)生故障的概率越大。為關(guān)聯(lián)規(guī)則的前項，表示燃煤發(fā)電機組某一影響因子的屬性特征；為關(guān)聯(lián)規(guī)則的后項，表示燃煤發(fā)電機組是否發(fā)生故障。

1.2 燃煤發(fā)電運行風險評估

1.2.1影響因子權(quán)重確定

計算影響因子的熵值矩陣，如式(6)所示。

計算影響因子的權(quán)重矩陣，如式(7)所示。

根據(jù)上述計算，得出加權(quán)關(guān)聯(lián)度矩陣為

1.2.2基本信度分配函數(shù)確定

對于待評估的個時刻、個影響因子的燃煤發(fā)電機組，有基本信度矩陣如式(14)所示。

1.2.3基本信度分配函數(shù)融合

1.2.4風險評估等級劃分

表1 燃煤發(fā)電機組風險評估等級標準

2 算例分析

2.1 風險評估影響因子選取

現(xiàn)代燃煤發(fā)電廠具有規(guī)模大、裝機容量大、輸配電范圍廣等特點，因而對其整體安全性要求更高。燃煤發(fā)電機組是由鍋爐、汽輪機和發(fā)電機三大主機及輔助設(shè)備共同組成，復雜的系統(tǒng)中包含大量不確定性因素影響著燃煤發(fā)電機組運行的安全性。燃煤發(fā)電機組風險實時評估能夠及時發(fā)現(xiàn)機組運行過程中存在的安全問題，風險管控工作對燃煤發(fā)電廠穩(wěn)定健康發(fā)展意義重大。

燃煤發(fā)電機組運行的過程中，設(shè)備的運行環(huán)境、維護與檢修效果以及新技術(shù)的應(yīng)用情況等方面存在很多隱患。具體來說，設(shè)備振動過大，會引起設(shè)備受力不均，短時間內(nèi)，會導致設(shè)備的出力受限，長時間則會導致設(shè)備的疲勞損壞。燃煤發(fā)電廠中有大量的旋轉(zhuǎn)設(shè)備，而這些旋轉(zhuǎn)設(shè)備大多數(shù)都由各類電機驅(qū)動。在滿負荷運行的情況下，汽輪機等核心設(shè)備由于振動故障引起的停機事故，造成了巨大的經(jīng)濟損失，達到約運行成本的5%[35]。此外，還對生產(chǎn)人員的人身安全造成了嚴重的威脅。

通過查閱相關(guān)文獻和調(diào)研發(fā)電廠實際運行情況發(fā)現(xiàn)，汽輪機、一次風機、引風機和送風機等設(shè)備的軸承振動對燃煤發(fā)電機組運行風險有一定程度的綜合影響，但具體影響關(guān)系和程度有待挖掘，通過理清這些影響因子與燃煤發(fā)電機組運行風險的關(guān)聯(lián)關(guān)系，從而對燃煤發(fā)電機組的運行風險進行實時評估，為燃煤發(fā)電機組的正常運行提供保障。調(diào)研燃煤發(fā)電廠實際運行情況發(fā)現(xiàn)，電壓、溫度等指標中的任何一個一旦超過正常范圍，機組必定出現(xiàn)問題，因此沒有將這些指標與其他指標綜合考量去分析判斷機組運行風險，電壓、溫度等指標不納入綜合評估指標范圍內(nèi)。

綜合上述分析，選取燃煤發(fā)電機組風險評估影響因子，包括汽輪機1、2、3軸承、方向振動、一次風機、方向軸承(主軸)振動、引風機、方向軸承(主軸)振動和送風機驅(qū)動端、自由端軸承(主軸)振動，共計12個影響因子，如表2所示。數(shù)據(jù)來源于燃煤發(fā)電廠A在2020年8月至2021年1月機組的運行情況。

表2 燃煤發(fā)電機組風險評估體系

2.2 影響因子與燃煤發(fā)電機組風險的關(guān)聯(lián)分析

基于選取的汽輪機1、2、3軸承、方向振動、一次風機、方向軸承振動、引風機、方向軸承振動和送風機驅(qū)動端、自由端軸承振動12個影響因子，依據(jù)燃煤發(fā)電機組運行風險影響因子的特征數(shù)據(jù)，根據(jù)式(4)分析每個影響因子與燃煤發(fā)電機組風險的關(guān)聯(lián)關(guān)系。

1) 汽輪機軸承振動

燃煤發(fā)電機組的安全穩(wěn)定運行與汽輪機主軸的運行情況密切相關(guān)，汽輪機軸承振動與風險的關(guān)聯(lián)關(guān)系分析結(jié)果如圖2所示，可以發(fā)現(xiàn)汽輪機1、2、3軸承、方向振動最大的區(qū)間，運行風險的置信度均為最高，燃煤發(fā)電機組發(fā)生故障的概率最大。主要原因是汽輪機軸承振動過大，極易造成汽輪機軸瓦、轉(zhuǎn)子等的損壞甚至斷裂，導致汽輪機發(fā)電機組發(fā)生故障，影響整個燃煤發(fā)電機組的正常運行。尤其是高參數(shù)大容量燃煤發(fā)電廠，蒸汽對汽輪機葉片的沖擊，導致氣流激振，汽輪機主軸經(jīng)常受到影響而振動異常，進而引發(fā)機組運行事故。

2) 一次風機軸承振動

一次風機作為鍋爐的重要輔機設(shè)備，其軸承振動是影響燃煤發(fā)電機組運行風險的關(guān)鍵因素之一，通過對一次風機、方向軸承振動與燃煤發(fā)電機組風險的關(guān)聯(lián)關(guān)系進行分析，由圖3可知，一次風機方向軸承振動在[1.7, 2.1] mm/s和[2.5, 4.9] mm/s區(qū)間，發(fā)生故障的概率較高；一次風機方向軸承振動在[1.4, 1.6] mm/s區(qū)間，運行風險的置信度較高。一次風機軸承振動大或嚴重超標，會造成風機軸承損壞、風機聯(lián)軸器不同心以及風機轉(zhuǎn)子質(zhì)量不平衡，導致一次風機無法正常運行甚至整個機組被迫停運，嚴重影響燃煤發(fā)電機組的穩(wěn)定運行。

圖3 一次風機軸承振動與風險的關(guān)聯(lián)關(guān)系

3) 引風機軸承振動

引風機運行的穩(wěn)定性和安全性對燃煤發(fā)電機組的穩(wěn)定運行起著十分關(guān)鍵的作用。引風機、方向軸承振動與風險的關(guān)聯(lián)關(guān)系分析結(jié)果如圖4所示，引風機、方向軸承振動最大區(qū)間運行風險的置信度均為最高，燃煤發(fā)電機組發(fā)生故障的概率最大。引風機軸承振動過大，將嚴重損害軸承機械性能，大大縮短其使用壽命，對葉片、機殼和風道等造成不同程度的損壞，甚至造成燃煤發(fā)電機組生產(chǎn)安全事故，應(yīng)當予以重視并采取相應(yīng)的預防和解決措施。

4) 送風機軸承振動

不同的送風機軸承振動大小對燃煤發(fā)電機組運行風險產(chǎn)生不同的影響，通過分析送風機驅(qū)動端、自由端軸承振動與燃煤發(fā)電機組風險的關(guān)聯(lián)關(guān)系，由圖5可知，送風機驅(qū)動端軸承振動區(qū)間在[0.51, 0.55] mm/s時，燃煤發(fā)電機組運行風險的置信度最高；送風機自由端軸承振動區(qū)間在[1, 1.02] mm/s時，燃煤發(fā)電機組發(fā)生故障的概率最大。送風機在機組出現(xiàn)運行偏離及異常甚至非計劃停機時，保障蒸汽的提供，一旦其軸承振動超標，嚴重影響送風機的穩(wěn)定運行，進而影響鍋爐的穩(wěn)定運行。

圖4 引風機軸承振動與風險的關(guān)聯(lián)關(guān)系

通過對汽輪機、一次風機、引風機和送風機軸承振動等12個影響因子與燃煤發(fā)電機組風險的關(guān)聯(lián)關(guān)系分析，形成關(guān)聯(lián)規(guī)則量化表，用于后續(xù)數(shù)據(jù)融合體系。在關(guān)聯(lián)分析結(jié)果中雖然會存在與整體趨勢不符的個別數(shù)據(jù)，但不會影響后續(xù)建模和運算，并且隨著數(shù)據(jù)量的增加，關(guān)聯(lián)分析結(jié)果也會隨之得到修正。

2.3 燃煤發(fā)電機組風險評估

根據(jù)風險評估等級標準，燃煤發(fā)電機組3987個時刻的風險評估結(jié)果被分為I、II、III、IV、V共5個等級，風險評估的具體結(jié)果如表5所示，可以發(fā)現(xiàn)燃煤發(fā)電機組運行高風險時刻較少，低風險時刻較多，符合運維管理需求。

表3 燃煤發(fā)電機組運行數(shù)據(jù)

表4 燃煤發(fā)電機組風險評估值

表5 燃煤發(fā)電機組風險評估結(jié)果

圖6 T3404—T3604燃煤發(fā)電機組風險評估結(jié)果

圖7 2021年2月燃煤發(fā)電機組600個時刻的風險評估結(jié)果

3 ?結(jié)論

本文建立了基于大數(shù)據(jù)的燃煤發(fā)電運行風險實時評估模型，通過燃煤發(fā)電運行風險與其影響因子的關(guān)聯(lián)關(guān)系分析，結(jié)合灰色關(guān)聯(lián)理論、證據(jù)理論和Dempster合成規(guī)則的基本信度分配函數(shù)的確定和融合，實現(xiàn)了燃煤發(fā)電運行風險的實時評估，并通過算例分析，證明了模型的現(xiàn)實意義。

在實際應(yīng)用中，通過對實時數(shù)據(jù)流的及時處理、挖掘，結(jié)合設(shè)備狀態(tài)評估技術(shù)，對機組運行風險進行實時評估，對機組設(shè)備發(fā)生故障的類型進行初步的判斷和識別，并對其目前的嚴重程度和未來的發(fā)展趨勢進行及時預測，從而在不影響發(fā)電設(shè)備可靠運行的前提下，有針對性地制定相應(yīng)的安全措施，建立有效、全面的設(shè)備應(yīng)急處理預案，盡可能地降低檢修成本，提高設(shè)備的運行效率，以便預防機組不安全事件的發(fā)生，保障燃煤發(fā)電機組的安全、高效、穩(wěn)定、可靠運行。

[1] 李軍徽, 馮喜超, 嚴干貴, 等. 高風電滲透率下的電力系統(tǒng)調(diào)頻研究綜述[J]. 電力系統(tǒng)保護與控制, 2018, 46(2): 163-170.

LI Junhui, FENG Xichao, YAN Gangui, et al. Survey on frequency regulation technology in high wind penetration power system[J]. Power System Protection and Control, 2018, 46(2): 163-170.

[2] WANG Yili, ZHU Caichao, LI Yao, et al. Maximizing the total power generation of faulty wind turbines via reduced power operation[J]. Energy for Sustainable Development, 2021, 65: 36-44.

[3] LI Jiangman, SHEN Jianlin, WANG Xiaoli, et al. Layout and power generation estimation of 50 MW wind turbine in Dayingpo[J]. Energy Reports, 2021, 7: 979-989.

[4] SUN Li, YOU Fengqi. Machine learning and data-driven techniques for the control of smart power generation systems: an uncertainty handling perspective[J]. Engineering, 2021, 7(9): 1239-1247.

[5] 李欣悅, 李鳳婷, 尹純亞, 等. 直流雙極閉鎖故障下送端系統(tǒng)暫態(tài)過電壓計算方法[J]. 電力系統(tǒng)保護與控制, 2021, 49(1): 1-8.

LI Xinyue, LI Fengting, YIN Chunya, et al. Transient overvoltage calculation method of HVDC sending-end system under DC bipolar blocking[J]. Power System Protection and Control, 2021, 49(1): 1-8.

[6] 張偉晨, 熊永新, 李程昊, 等. 基于改進VDCOL的多饋入直流系統(tǒng)連續(xù)換相失敗抑制及協(xié)調(diào)恢復[J]. 電力系統(tǒng)保護與控制, 2020, 48(13): 63-72.

ZHANG Weichen, XIONG Yongxin, LI Chenghao, et al. Continuous commutation failure suppression and coordinated recovery of multi-infeed DC system based on improved VDCOL[J]. Power System Protection and Control, 2020, 48(13): 63-72.

[7] 陳磊, 何慧雯, 王磊, 等. 基于限流器與斷路器協(xié)調(diào)的混合直流輸電系統(tǒng)故障隔離方法[J]. 電力系統(tǒng)保護與控制, 2020, 48(19): 119-127.

CHEN Lei, HE Huiwen, WANG Lei, et al. Fault isolation method of a hybrid HVDC system based on the coordination of a fault current limiter and a DC circuit breaker[J]. Power System Protection and Control, 2020, 48(19): 119-127.

[8] KARAMOV D N. Methodology for calculating the lifetime of storage batteries in autonomous energy systems with renewable power generation[J]. Energy Reports, 2020, 6: 15-24.

[9] 孫立明, 楊博. 蓄電池/超導混合儲能系統(tǒng)非線性魯棒分數(shù)階控制[J]. 電力系統(tǒng)保護與控制, 2020, 48(22): 76-83.

SUN Liming, YANG Bo. Nonlinear robust fractional-order control of battery/SMES hybrid energy storage systems[J]. Power System Protection and Control, 2020, 48(22): 76-83.

[10] DZOBO O, MALILA B, SITHOLE L. Proposed framework for blockchain technology in a decentralised energy network[J]. Protection and Control of Modern Power Systems, 2021, 6(3): 396-406.

[11] 尚敬英. 基于可拓層次分析法的火電建設(shè)工程項目風險評價研究[D]. 北京: 華北電力大學, 2014.

SHANG Jingying. Research on risk evaluation of thermal power construction project based on extension AHP method[D]. Beijing: North China Electric Power University, 2014.

[12]董鑫. 燃煤發(fā)電企業(yè)煤炭供應(yīng)風險控制方法研究[D]. 北京: 華北電力大學, 2014.

DONG Xin. Research on risk control methods of coal supply for coal-generating power enterprises[D]. Beijing: North China Electric Power University, 2014.

[13]韓琨. A燃煤發(fā)電廠經(jīng)營風險分析及防控策略研究[D].北京: 華北電力大學, 2014.

HAN Kun. Research on risk analysis of A fossil power plant management and the prevention and control tactics[D]. Beijing: North China Electric Power University, 2014.

[14] YUAN Jiahai, LI Xinying, XU Chuanbo, et al. Investment risk assessment of coal-fired power plants in countries along the Belt and Road initiative based on ANP-Entropy- TODIM method[J]. Energy, 2019, 176: 623-640.

[15]劉鵬飛. 火電建設(shè)項目融資動態(tài)風險研究[D]. 北京: 華北電力大學, 2017.

LIU Pengfei. Research on dynamic risk of thermal power construction project financing[D]. Beijing: North China Electric Power University, 2017.

[16] 朱鋒. 發(fā)電企業(yè)燃煤風險管理研究[D]. 北京: 華北電力大學, 2006.

ZHU Feng. Studying of fuel risk management for power plants[D]. Beijing: North China Electric Power University, 2006.

[17] 胡斌. 600 MW燃煤發(fā)電機組能效評價方法研究[D]. 銀川: 寧夏大學, 2014.

HU Bin. Research on energy efficiency evaluation method of 600 MW coal-fired generating unit[D]. Yinchuan: Ningxia University, 2014.

[18] MOKHTAR M M, HASSIM M H, TAIB R M. Health risk assessment of emissions from a coal-fired power plant using AERMOD modelling[J]. Process Safety and Environmental Protection, 2014, 92(5): 476-485.

[19] 商立群, 王守鵬. 改進主成分分析法在火電機組綜合評價中的應(yīng)用[J]. 電網(wǎng)技術(shù), 2014, 38(7): 1928-1933.

SHANG Liqun, WANG Shoupeng. Application of improved principal component analysis in comprehensive assessment on thermal power generation units[J]. Power System Technology, 2014, 38(7): 1928-1933.

[20]齊敏芳, 付忠廣, 景源, 等. 基于信息熵與主成分分析的火電機組綜合評價方法[J]. 中國電機工程學報, 2013, 33(2): 58-64, 12.

QI Minfang, FU Zhongguang, JING Yuan, et al. A comprehensive evaluation method of power plant units based on information entropy and principal component analysis[J]. Proceedings of the CSEE, 2013, 33(2): 58-64, 12.

[21] 李剛, 張建付, 文福拴, 等. 計及信息不確定性的風電機組健康狀態(tài)實時評估方法[J]. 電力系統(tǒng)自動化, 2017, 41(18): 111-117.

LI Gang, ZHANG Jianfu, WEN Fushuan, et al. Evaluation of real-time health condition for wind turbines considering information uncertainty[J]. Automation of Electric Power Systems, 2017, 41(18): 111-117.

[22]李勇, 何蕾, 龐傳軍, 等. 基于層次分析法的火電廠運行情況量化評價方法[J]. 電網(wǎng)技術(shù), 2015, 39(2): 500-504.

LI Yong, HE Lei, PANG Chuanjun, et al. An analytical hierarchy process based quantitative method to evaluate operating condition of thermal power plant[J]. Power System Technology, 2015, 39(2): 500-504.

[23]宋墩文. 基于多源信息融合的電網(wǎng)暫態(tài)穩(wěn)定風險評估[D]. 北京: 中國農(nóng)業(yè)大學, 2016.

SONG Dunwen. Power grid transient stability risk assessment based on multi-source information fusion[D]. Beijing: China Agricultural University, 2016.

[24] 白東平. 基于態(tài)勢感知的主動配電網(wǎng)安全風險評估方法研究[D]. 長春: 長春工業(yè)大學, 2021.

BAI Dongping. Research on safety risk assessment method of active distribution network based on situational awareness[D]. Changchun: Changchun University of Technology, 2021.

[25] 白劍鋒. 基于大數(shù)據(jù)分析的輸電線路狀態(tài)評估和故障預測研究[D]. 廣州: 華南理工大學, 2019.

BAI Jianfeng. Research on condition assessment and fault prediction of overhead transmission lines based on big data analysis[D]. Guangzhou: South China University of Technology, 2019.

[26] 萬文軒, 徐文淵, 裴劍, 等. 應(yīng)用D-S證據(jù)理論評估增量配電項目投資風險的方法[J]. 微型電腦應(yīng)用, 2021, 37(9): 185-188, 196.

WAN Wenxuan, XU Wenyuan, PEI Jian, et al. Evaluation method of investment risk of incremental distribution project based on D-S evidence theory[J]. Microcomputer Applications, 2021, 37(9): 185-188, 196.

[27] 杜平, 張小軍, 許永新, 等. 基于改進云模型和Eclat算法的輸電線路極端災害風險評估[J]. 現(xiàn)代電力, 2021, 38(5): 483-491.

DU Ping, ZHANG Xiaojun, XU Yongxin, et al. Extreme disaster risk assessment of transmission line based on improved cloud model and Eclat algorithm[J]. Modern Electric Power, 2021, 38(5): 483-491.

[28]劉豫航, 黃少偉, 梅生偉, 等. 基于序列模式挖掘的電力系統(tǒng)連鎖故障模式分析方法[J]. 電力系統(tǒng)自動化, 2019, 43(6): 34-40.

LIU Yuhang, HUANG Shaowei, MEI Shengwei, et al. Analysis on pattern of power system cascading failure based on sequential pattern mining[J]. Automation of Electric Power Systems, 2019, 43(6): 34-40.

[29]?BERNAL B G, MARTíNEZ-TRINIDAD J F, VALDOVINOS R R M, et al. A PSO-based algorithm for mining association rules using a guided exploration strategy[J]. Pattern Recognition Letters, 2020, 138: 8-15.

[30]王有元, 周立瑋, 梁玄鴻, 等. 基于關(guān)聯(lián)規(guī)則分析的電力變壓器故障馬爾科夫預測模型[J]. 高電壓技術(shù), 2018, 44(4): 1051-1058.

WANG Youyuan, ZHOU Liwei, LIANG Xuanhong, et al. Markov forecasting model of power transformer fault based on association rules analysis[J]. High Voltage Engineering, 2018, 44(4): 1051-1058.

[31]孫豐杰, 王承民, 謝寧. 面向智能電網(wǎng)大數(shù)據(jù)關(guān)聯(lián)規(guī)則挖掘的頻繁模式網(wǎng)絡(luò)模型[J]. 電力自動化設(shè)備, 2018, 38(5): 110-116.

SUN Fengjie, WANG Chengmin, XIE Ning. Frequent pattern network model for association rule mining of big data in smart grid[J]. Electric Power Automation Equipment, 2018, 38(5): 110-116.

[32] LI Zhao, LUO Zujiang, WANG Yan, et al. Suitability evaluation system for the shallow geothermal energy implementation in region by Entropy Weight Method and TOPSIS method[J]. Renewable Energy, 2022, 184: 564-576.

[33] XIAO Fuyuan. A new divergence measure for belief functions in D–S evidence theory for multisensor data fusion[J]. Information Sciences, 2020, 514: 462-483.

[34]薛大為, 王永, 高康凱. 基于規(guī)范分解的證據(jù)合成悖論分析[J]. 北京郵電大學學報, 2019, 42(1): 28-34.

XUE Dawei, WANG Yong, GAO Kangkai. Analysis of evidence combination paradox based on canonical decomposition[J]. Journal of Beijing University of Posts and Telecommunications, 2019, 42(1): 28-34.

[35] 樊新永, 張磊. 火力發(fā)電廠一次風機電機的振動故障分析與處理[J]. 電氣防爆, 2020(4): 8-13.

FAN Xinyong, ZHANG Lei. Analysis and solution of fan motor vibration fault in thermal power plant[J]. Electric Explosion Protection, 2020(4): 8-13.

Real-time assessment of operational risk of coal-fired power generation based on big data

LI Cunbin, DONG Jia, DING Jia

(School of Economics and Management, North China Electric Power University, Beijing 102206, China)

Coal-fired power generation units are faced with various risks in their operation. A fault can cause considerable economic loss and social impact. In order to ensure the safe production and stable operation of the unit, a real-time assessment model of operational risk of a coal-fired power generation is established, so as to formulate the troubleshooting plan in time. Based on big data association rules, the association relationship between the operation risk of coal-fired power generation and impact factors is analyzed. The impact factors are weighted based on the entropy weight method, and the determination and fusion of the basic reliability distribution function are realized by combining the grey correlation theory, evidence theory and Dempster synthesis rules, so as to obtain the operation risk value and risk level of a coal-fired power generation unit. Finally, taking the coal-fired power generation unit of power plant A as an example, the risk assessment results are consistent with the actual operation. This proves the practical significance of the model.

big data; coal-fired power generation; risk assessment; evidence theory; grey relational analysis

10.19783/j.cnki.pspc.211415

2021-10-21；

2021-12-30

李存斌(1959—)，男，教授，博士生導師，主要研究方向為信息管理、風險管理；

董 佳(1997—)，女，通信作者，博士研究生，主要研究方向為信息管理與決策支持；E-mail: 15611571133@ 163.com

丁 佳(1981—)，男，博士研究生，主要研究方向為電力系統(tǒng)風險管理。

國家自然科學基金項目資助(71840004)

This work is supported by the National Natural Science Foundation of China (No. 71840004).

(編輯 許 威)