導讀：隨著大數據、物聯網、移動應用、云計算、人工智能等技術的迅猛發展，工業互聯網與各行各業的結合逐步深入，正不斷催生新的生產作業及經營模式，改變著企業的組織結構、服務方式和產品形態。某發電企業立足當前信息化現狀及發展困境，圍繞智能生產控制和智能管理兩個中心，提出建設智能電廠的建設方案，革新電廠作業模式和管理手段，提升生產控制能力、故障處理能力和輔助決策能力，逐步向更加清潔、高效、可靠的智能化方向發展。

　　一、建設背景

　　發電行業是我國國民經濟的重要行業，但很多發電企業至今還沒有找到與最新的互聯網技術進行融合的有效途徑。某發電企業以傳統DCS系統為核心的自動化系統和以SIS/MIS為核心的信息化系統近年來無明顯進步，現場總線僅僅作為過程數據的通信總線，現場設備的內部信息始終無法很好的接入系統并被進一步使用。發電廠主副機檢修和維護還遵循著多年以來的“大小修”模式，無法通過優化的按需實施的狀態檢修來實現設備檢修的精確化和低成本化。發電運行和設備數據很多，但出現機組故障后，多采用現場“事后分析”的模式，不能通過互聯網將主副機數據實時在線反饋到設備廠家，利用設備廠家的知識庫、專家庫進行實時遠程分析、遠程維護和故障預測。

　　二、智能電廠架構

　　該企業智能電廠建設的思路是以新一代智能管控一體化系統為核心，全面開拓和整合實時數據處理及管理決策等業務，構建覆蓋發電廠全壽命周期的智能發電廠技術方案。智能發電廠以統一的管控一體化平臺作為支撐，融合智能設備層、智能控制層、智能生產監管層以及智能管理層，形成一種具備自趨優全程控制、自學習分析診斷、自恢復故障(事故)處理、自適應多目標優化、自組織精細管理等特征的智能發電運行控制與管理模式，并借助可視化、云計算與服務、移動應用等技術，為發電企業帶來更高設備可靠度、更優出力與運行、更低能耗排放、更強外部條件適應性、更少人力需求和更好企業效益。

　　(1)設備層：在電廠傳統運行設備的基礎上，采用先進的測量傳感技術，對電廠生產過程進行全方位檢測和感知，并將關鍵狀態參數、設備狀態信息及環境因素轉換為數字信息，對其進行相應的處理和高效傳輸，為智能控制層及智能管理層提供基礎數據支持。

　　(2)控制層：結合先進控制算法及智能控制策略、多目標優化、數據分析等技術手段，嵌入實時控制和優化算法、節能控制優化方案、機組實時經濟性分析與診斷模塊、設備狀態監測與智能預警診斷模塊、自啟?？刂颇K等來滿足對象多樣化的需求。

　　(3)監管層：提供用戶界面、柔性多目標決策、模型的更新與深度學習、故障自切換與恢復、機組全面分析診斷等功能，為智能管理決策提供依據。配備廠級負荷優化系統及高級值班員決策支持系統,為機組的高效運行及安全管理維護提供支持。

　　(4)管理層：提供自組織的精細化管理解決方案，通過廠級能效對標與考核系統、運行管理系統、智能巡檢、精密點檢與設備遠程管理、設備定期輪換管理、可視化設備潤滑智能管理、可視化技術監督智能管理、可視化三維作業指導書及檢修培訓、缺陷管理、全局成本利潤分析與決策、移動應用、遠程診斷、三維虛擬電廠與安全管控、三維建檔等管理系統，設計基于數據共享的管理一體化平臺，實現發電廠的閉環、自組織的精細化管理系統。

　　三、主要建設內容

　　該企業智慧電廠的主要建設內容包括公有云平臺、現場設備數據采集系統、機組實時自校正仿真系統、基于自校正仿真的優化運行/事故預報系統、設備能耗監控與管理系統、設備狀態檢修/維護系統、遠程診斷支撐系統、三位數字化電廠系統、知識管理及共享系統等。

　　(1)云平臺：借助共有云提供的虛擬計算和分布式存儲功能，將云平臺中的實時數據存儲為發電廠各種設備的實時運行信息。通過對設備運行信息的分析和整理，計算出發電廠各主副設備的運行能耗;結合機組運行工況數據，分析得出機組運行工況與設備能耗的關聯性，給出優選的設備能耗分配;在仿真系統中經過加速運行優化后，可以將機組運行優化與發電廠設備能耗優化統一聯動起來，降低機組設備內部能耗，提升發電效率。

　　(2)遠程診斷支撐系統：該系統集成了傳感器技術、信號處理、計算機應用、網絡通信、專家系統、神經網絡、仿真等技術，可為重要設備或系統建立了一套嚴密的監控保護體系，為發電廠設備、電廠用戶以及第三方廠商搭建一個三方互聯平臺。通過連續在線監測設備或系統運行的重要狀態參數，及時了解設備或系統的運行狀況，為事故征兆的預診斷提供重要的數據資料，對已發生的故障進行快速的診斷分析，及時指出故障原因，提醒操作運行人員采取必要的措施，為設備或系統的安全運行提供可靠的保障。設備廠商/第三方機構可以監控發電廠設備運行狀態并給出設備故障預警和維護建議;電廠用戶也可以通過該平臺尋求設備廠商/第三方機構的技術支持，以便在設備發生故障時進行快速診斷和修復。

　　(3)數字化電廠系統：該系統具有對接PDMS、PDS等大型三維設計軟件的數據接口，可將大量有用信息平滑地導入到本系統進行加工處理，并集成工廠運行維護數據，再通過運行系統(如DCS、SIS、MIS 等)內其它各種相關功能，實現三維模型與設備、信息文檔的有力結合，最終形成龐大的工廠三維信息化系統。三維信息化涉及到從設計、建造、安裝、調試、投運等不同階段，有設計方、建造方、設備方、業主方等多家單位參入，統一規劃，并在統一框架的指導下，各公司進行數字化工廠的建設，實現信息網絡互聯互通，共享資源，避免重復建設。

　　(4)自校正仿真系統：該系統以仿真模型為核心，首先符合目標機組特征的初始仿真模型在仿真子系統中運行，來自于目標機組的實時運行數據接入該仿真模型，仿真模型在機組實時數據的驅動下進行自矯正訓練，訓練后的模型輸出數據與下一時間剖面的目標機組的實時運行數據進行誤差比對，自動調整模型參數后，再進行下一輪的訓練調整，這個過程是實時自動連續的，經過若干周期，可以得到仿真精度非常高的仿真模型，并且隨著時間的推移，精度越來越高。

　　(5)基于自校正仿真的優化運行/事故預報系統：在高精度仿真模型的基礎上，可以在該仿真平臺上對機組的設備進行生命周期管理，結合設備參數和設備狀態實現設備狀態檢修以及維護計劃安排;設備廠商和第三方機構也可以在該仿真子系統中進行設備和過程優化研究、診斷維護。仿真系統中的過程數據與真實機組是實時同步的，仿真子系統是位于互聯網的云端，任何經過授權的單位和個人都可以訪問和使用仿真系統的功能和數據。

　　(6)遠程診斷支撐系統：該系統根據輸入、輸出及相關狀態變量之間的關聯，通過對海量歷史數據的深度學習建立系統的數學模型，并基于實時運行數據對模型可信度進行評價，實現模型的在線更新;根據對象數學模型，采取模型自弈的學習模式，通過對關鍵輸入參數及狀態變量的有序調整，對系統典型故障進行激發和模擬，獲取機組大量的故障歷史專家庫;利用自弈獲取的海量故障數據，通過深度學習神經網絡對故障數據進行深度學習和訓練，提升系統故障診斷的準確率;進而根據閾值評價體系，對機組實際運行數據與機組故障模型之間的比對，實現對設備故障的提前預警和診斷。

　　四、結語

　　某發電企業以工業互聯網為抓手提出的智能電廠建設方案，有利于全面整合和優化企業內部的網絡、平臺和安全體系，有利于實現設備檢修的精確化和低成本化，有利于實現故障智能處理和設備運行在線仿真，提升實時遠程分析、遠程維護和故障預測能力，有利于自趨優全程控制、自學習分析診斷、自恢復故障處理、自適應多目標優化和自組織精細管理，為其他發電企業推進智能化生產和管理提供了重要參考。