一、研究背景及意義

（一）研究背景

       隨著現代化工業的快速發展和科學技術的高速進步，為了能夠最大限度的提高生產效率，更有效的利用現有的資源，人們不斷提升著工業生產水平的極限，生產設備也逐漸向著大型化，精密化，自動化，復雜化的方向發展。各設備部件之間的聯系越來越緊密，相應的影響系統正常運行的因素也越來越多。

       2018年，全社會用電量69002億千瓦時，相比2017年增長了8.4%；全國發電裝機容量190012萬千瓦，相比2017年增長了6.5%；其中燃氣發電機組裝機容量比上一年增長了10.49%，為8375萬千瓦。

       要保障如此規模的電力供應，一方面需要提升發電機組的發電能力，另一方面需要完善發電設備的故障監測手段，減少因故障引起的非計劃停機時間。電廠設備幾乎都處在高溫、高壓環境中，長時間連續高負荷運轉的工作特性，決定了電廠設備不可避免的高故障率和極大的危害性，一旦電廠的重要設備出現了故障，極易導致重大的經濟損失或安全生產事故。

       燃氣輪機較燃煤發電機組效率得到了極大的提升，通用電氣9HA.02重型燃機聯合循環效率已超過64%。由于其效率高，啟停迅速，對環境友好，進而成為目前發展較快的機組類型。

       現階段國內發電企業在設備管理方面仍普遍采用故障事后處理模式，通過DCS系統對機組的運行參數進行監視，根據固定限值觸發報警，由工作人員對報警進行分析判斷，通知維護人員進行處理。而這樣的工作方式只能在設備已經出現故障后，依照經驗對故障的現象進行分析，推斷故障的原因，定位故障的位置，無法提前預測機組有可能出現的故障。

       因此，在設備出現輕微劣化趨勢時便對其進行事前預警已經逐步成為了電力設備監測的研究重點。

       數據中心現已實現對集團公司內6家電廠13臺機組的監視與診斷、實時機組性能計算。針對GE機組，監視與診斷系統可以提供關于燃機本體，發電機、汽輪機的故障監測；對于非GE機組，智慧信號系統可提供旋轉設備或過程設備及機組整體性能的故障預警與診斷；結合熱效率計算系統，提供季度的聯合循環機組性能報告，包括每季度機組的修正功率和熱耗的變化情況，以及系統級部件引起的變化。

       數據中心現有數據分析工程師8人，集團公司內部人員共6人，其中學士學位1人，碩士學位5人；GE常駐工程師2人。數據中心實現為接入電廠5*8小時的實時故障預警服務，提供周報、月報，以及季度性能報告。

（二）國內外研究現狀及發展趨勢

       1989年，第十一屆國際聯合人工智能學術會議上，首次提出了知識發現(KnowledgeDiscoveryinDatabase)用以命名一種新的知識提取技術。第一個KDD實驗室在美國底特律成立。1996年，UsamaFayyad給出了其定義：一個在數據中識別有效的、新穎的、潛在的、最終可理解的模型的非平凡過程。自此，數據挖掘為故障診斷及預警、生產過程優化提供了一種新的途徑。

       近年來，機器學習、云計算等方法得到了飛速發展，電力行業監測手段與理論模型不斷創新，兩者的結合已經成為今后電力行業數字化智能化發展的方向。

       浙江能源集團于2009年開始引進并開發設備故障預警系統，建設了發電機組在線診斷預警系統，在分析設備參數異常原因、設備異常發生的范圍、各個設備異常之間的關聯方面具有明顯的優點，已成為發電廠設備管理專業人員、運行監控人員的一個掌握設備狀況的重要工具。

       美國最大的發電集團杜克電力（DukeEnergy）在北卡羅萊州夏洛特的SmartM&D中心實現了對該集團擁有的100多個燃氣，燃煤，水力發電廠設備實現了遠程實時狀態監測及基于狀態檢修。該中心每年為杜克電力節省數千萬美元的運行成本。

       英國一個燃煤機組上根據性能計算結果，運行人調整了晚間負荷曲線實現最佳效率，熱耗降低了500Btu/kWh，在美國RiverRun燃機上則優化了溫度控制曲線，電廠的利潤為此每天增加了1500美元。

（三）數據中心國產化建設的意義

       將先進的數據分析手段與傳統電力設備狀態監測相結合，勢必能有效解決傳統電力行業生產設備無法實時掌握運行狀態的問題，實現設備狀態的實時監控和事故隱患的早期預警，快速、自動、準確的對故障進行定位，最大限度降低維護成本，避免重大事故的發生。

       結合大數據、神經網絡等先進算法指導電力生產過程優化調整，逐步實現自動調整，在安全裕度內最大限度提升機組運行效率，降低運行成本。

       同時國產化數據中心平臺的建設，將打破國外制造商的技術壁壘，在降低自身成本的基礎上，可介入國內燃機市場，帶來良好的經濟效益和社會效益。

二、研究及探索

       目前電力工業互聯網沒有明確的發展方向。基于當前的研究熱點以及數據中心實際情況，可進行如下的研究探索工作：故障預警與診斷、機組性能分析、生產過程運行優化、振動數據分析預警。

1.故障預警與診斷

       故障預警由設備狀態監測和故障診斷兩部分相結合、發展而來。設備狀態監測，故障診斷和故障預警是機械設備狀態識別技術的重要組成部分，這三部分存在著遞進的關系。

       目前狀態監測和故障診斷工作主要集中在算法理論研究上，實際推廣應用的案例較少。研究主要集中在人工神經網絡方法、支持向量機、數據統計分析方法等，各種故障診斷都有各自的優點和不足。因此故障診斷方法應該注重解決各種算法的不足，并研究各種故障診斷算法的優點的融合方法，提高故障診斷結果的準確性，并最終在狀態監測和故障診斷系統中應用。

       多元狀態估計技術是一種非參數、非線性建模方法，最早由美國阿爾貢國立實驗室開發，并應用于核電站，監測其傳感器和設備等的運行參數的異常，是一種測量實時工況與歷史正常工況相似程度以實現實時狀態估計的模式識別技術。

       多元狀態估計技術屬于非參數建模方式，建模方法通用性強，只要求建模變量間具有相關性；預估值的產生基于矩陣相似性的計算，計算復雜度低，計算量小，可滿足工業項目實時性的要求；可同時對多變量同時進行預估，適用于多傳感器狀態監測。

       此方法需要人工提取特征向量，人工提取歷史狀態向量，人工對殘差閾值進行設定，此三個方面可以使用聚類、主成分分析等算法進行改進；同時故障的診斷可以采用人工神經網絡等方法進行自動診斷。

       決策樹算法簡單直觀，不同于神經網絡等黑箱模型，決策樹可以給出邏輯判斷規則，但單棵決策樹存在容易過擬合的問題，結果受樣本變動的影響較大，且容易陷入局部最優。隨機森林本質上是對決策樹算法的一種改進，通過將多個決策樹合并在一起，每棵決策樹的建立依賴于獨立抽取的樣本集。單棵樹的分類和回歸存在過擬合的可能，但在隨機生成大量的決策樹后，一個測試數據集可以通過多棵樹的分類或回歸結果經統計后得出，模型結果更為可靠。因泛化能力強、準確度高，隨機森林在多個學科領域展現出超越傳統算法的優勢。

2.機組性能分析

       機組性能分析提供從部件到設備到系統級的性能實時計算，使用機器學習的數據建模方式，使用隨機森林、人工神經網絡等算法，從機組歷史數據中挖掘數據間的隱含聯系，找出影響設備性能的關鍵特征；結合機組運行參數及熱平衡模型，通過改進運行方式或技術改造提高機組運行效率。

       人工神經網絡是一種非線性的建模方法，它由若干神經元通過節點間的連接構成，每一個連接都被賦予一個可變的權重參數，以解決多輸入、多輸出的系統辨識，且其模型是非參數化的，不需要建立以實際系統數學模型為基礎的辨識格式，對于電力生產過程這樣的復雜系統建模有著較為有效的應用。

3.生產過程運行優化

       電力的生產過程及其復雜，各系統高度耦合，需要協同優化。現階段的運行優化一般都為子系統集的優化，例如，凝汽器最佳真空、過冷度，給水流量調節，SCR噴氨量調節，鍋爐加藥調節，化學水加藥調節等，子系統內部的最優不能保證整個系統達到最優，而廠耗電量、耗水量等需要綜合各子系統進行協調，因此僅靠運行人員現場經驗難以對如此龐雜的系統進行優化。

       同時，現有的調節基本都基于運行人員經驗，根據人員水平不同，調節品質也不盡相同，最優調節參數較為隨機。對于此類問題，神經網絡等機器學習算法可以有效解決。

4.旋轉機械振動分析

       旋轉機械振動分析一般電廠人員掌握不深，一般只關注軸振、瓦振的振動幅值，對于啟停機階段的軸心軌跡等圖形、數據關注度不夠。近年來，振動信號的分解、頻域分解、小波分析等方法的研究為機器學習提供了更多的數據特征，將兩者結合勢必能夠在此領域內有所突破。

三、研究內容與探索

（一）完全自主創新建立工業互聯網平臺

       建立數據中心自主的互聯網平臺，統一數據采集、壓縮、存儲、傳輸標準，依托集團公司數據中心建立數據中心數據湖，以自主開發和合作開發的方式完成模塊化的應用，以期實現設備管理，業務運營優化，新模式新業務幾大板塊的數字化解決方案，實現軟件授權盈利。

1.結合現有工業互聯網云平臺進行功能模塊開發

       在現有的工業互聯網云平臺上進行開發，結合現有成熟軟件應用和平臺提供的算法與工具，完成模塊化的應用，實現設備管理，業務運營優化，新模式新業務幾大板塊的數字化解決方案，同時實現軟件授權盈利。

2.實現功能

       數據采集，傳輸，壓縮、存儲標準化。現有數據存在著數據結構不統一，數據之間無法連接使用，分散存儲等問題，不利于數據的進一步挖掘。財務數據，庫存數據，設備維護記錄，缺陷等數據各自存放，沒有開放的接口。首先應將各種數據統一收集，建立數據湖，解決數據孤島問題，之后才能完成數據的充分挖掘利用。

       完全自主建立平臺，需要解決數據的采集、壓縮、存儲、傳輸等問題，需購買大量實體服務器及存儲設備，安全防護設備，引進維護人員，設計數據的容災機制，設立異地備份方案等，造成大量的支出。

       設計平臺需大量專業網絡技術人員參與，前期設計與建設投入較高，風險較大。

       如使用現有工業互聯網平臺，以上問題都已有完備的解決方案，且費用低廉。

       現阿里云，華為云等都提供了工業互聯網云平臺，可以實現統一平臺的功能快速開發和復用，通過數據工廠實現數據上云，再基于AI創作間訓練出工廠的專屬智能。此外，該平臺使用拖拽式開發，極大地降低了使用門檻，普通工程師也能輕松進行操作，項目實施周期大大減少。

       以阿里云ET工業大腦開放平臺為例，部署原理可以分為以下四個步驟：

       數據采集：對企業系統數據、工廠設備數據、傳感器數據、人員管理數據等多方工業企業數據進行采集。

       數據預處理：包括過濾臟數據與噪音、解決數據的多源異構、找回丟失的數據以及修正錯誤的數據等。同時，還要根據用途，對數據進行分割、分解、分類，為下一步的算法建模做好準備。

       算法建模：通過ET工業大腦AI創作間內置的算法引擎或算法市場提供的算法，對所收集并預處理完成的歷史數據進行快速建模，該模型可以是描述模型、預測模型或優化模型。

       模型應用：將已經建立的算法模型，發布成服務并集成到生產系統中，作用到業務，完成數據智能應用的閉環。

       數據中心可以在該平臺上建立兩種角色：行業顧問和AI交付工程師，以完成自主功能模塊的開發和發布。

       行業顧問：可創建行業知識圖譜，配置通用算法引擎，將算法用業務化的語言進行表達，形成行業算法引擎模板。

       AI交付工程師：根據實際業務場景來選擇和使用行業算法模板引擎模板，并在此基礎上開發出企業專屬的人工智能算法服務，最終發布成API供上層應用調用。

       在現有的較為成熟的工業互聯網云平臺上開發功能模塊，能夠極大的縮短開發周期，節省大量軟硬件購買開支，同時可根據需求定制化的開發功能，滿足現場實際需求。

【作者簡介】

       王爽，男，大唐國際發電股份有限公司北京高井熱電廠設備管理部（網絡安全與信息化部）數據分析工程師。具有5年熱控專業工作經驗，2016年底與通用電氣聯合建設數據監測與診斷中心，后主要從事數據分析工作，研究機器學習算法、云計算在電力工業領域中的實際應用效果，多次參加電力工業互聯網方向研討會、論壇，致力于推動傳統電力行業向電力工業互聯網升級轉型和設備狀態監測方式的轉變，以數字化手段優化機組運行模式，提高生產效率。曾獲得2019年度電力科技創新獎一等獎、電力企業設備管理創新優秀成果三星等榮譽。