大数据分析技术在发电企业的应用

1  引言

国家鼓励能源企业运用大数据技术对设备状态、电能负载等数据进行分析挖掘与预测，开展精准调度、故障判断和预测性维护，提高能源利用效率和安全稳定运行水平。《中国制造 2025》提出要开发已有装备的价值，通过大数据分析挖掘设备的潜力，增加设备的附加价值，让已有的设备变得更加高效、高质量、低成本和低污染，同时，利用创新的方法与技术解决未知的问题。以大数据分析技术为基础，将大数据分析技术引入到发电领域，结合发电企业生产管理的特点，开发适用于发电企业的大数据分析系统。本文将对发电企业大数据分析技术的应用展开探讨并提出解决方案。

2  发电企业应用大数据分析技术的必要性

发电企业大多采用厂级监控系统（SIS）进行设备故障诊断、设备健康状况管理、耗差分析等工作，这些都是基于设备的机理模型进行分析，应用多年效果并不理想，其困境和问题在于：一是鉴于目前国内的理论计算水平，发电设备的机理模型往往不够精确，很难依靠这些机理模型进行故障诊断或者设备性能计算，测点数据的不足也导致很难使用机理模型进行计算，假设后的理想机理模型与实际情况往往相差甚大。同时，对于发电企业而言，并非是所有设备性能最好的时候，整台机组的性能最好或者效率最高。二是缺少一个实时捕捉设备异常的引擎，仅仅依靠 SIS 数据进行判断，其结果常常难以让人信服。三是 DCS、SIS 等系统报警时，往往已经太晚了，故障已经恶化或者没有足够的时间处理。当关键设备发生故障时，很可能会对整个系统及其他相关设备产生重大影响——造成非计划停机，检修费用超支，发电量损失，效率降低，环保排放超标，甚至人身或者设备损坏等。

因此，需要一种先进有效的手段，在成千上万个变量中找出问题进行预测性分析，随着计算机计算速度的提升，大数据分析技术适应这一需要而产生。

3  大数据分析技术的特点

发电企业过去采用的设备故障诊断、性能优化等分析基于设备的机理模型，见图 1。机理模型分析首先需要对设备的机理模型进行修正，修正后的模型带入实时数据进行计算，最终输出结果。这种分析方法的问题在于，修正后的机理模型同实际的设备存在偏差，甚至机理模型是假设的或者是理想模型，导致偏差永恒存在。其次，带入计算的数据是样本数据，数据往往不如全集数据更具有代表性或者表征性。

大数据分析技术通过以往大量数据的最优集、稳定集、劣化集预测未来的状况、评价当前的生产方式。利用数据推演和条件判断，基于发电企业长期工艺流程数据的统计学分析和整理，归纳总结出设备之间、设备与系统、系统之间、系统与工艺之间的相互作用关系，建立了发电厂的大数据分析系统，实现测点的预测报警，运行操作指导，运行参数优化，生产方式优化。未来在条件允许的情况下，利用数据模型对海量测点的监控，大数据平台可有效地分析出设备的最佳运行曲线和工况，通过 DCS 实现设备实时运行参数的调整。

4  大数据分析技术在发电企业的应用方向

4.1 在设备运维方面的应用

大数据设备管理平台能够利用历史数据建立数据模型，对大量实时数据进行分析比较，对设备状态进行自动判断。在设备发生故障或将要发生故障的时候发出报警，提供有价值的参考，帮助工程师及时了解设备状态，提高检修工作的效率，提高设备利用率。彻底摒弃“坏了就切换、坏了就维修”的被动设备管理模式，建立全新的“预知检测、预知维修”的积极主动的设备管理模式。具体应用在以下几个方面。（1）大数据平台对以往数据和当前实时数据按照运行工况进行机器学习，预测当前运行工况下的数据，对实时数据的偏移、错误进行预警，提早发现问题，提醒运行人员提前干预，预防异常或事故的扩大化。（2）大数据平台建立转动设备的评价体系，通过对大量历史数据的分析，给出设备的健康状况指标。同时，针对有振动测点的设备，结合振动分析给出设备健康状况评级。（3）按照运行规程的相关内容，结合大数据分析技术进行实时仿真和预警，通过这种手段，在生产操作的同时，仿真系统与离散控制系统（DCS）进行实时对比分析，给出预警，辅助生产操作，避免出现人为误操作，导致出现人身伤害、设备损坏事件的发生。

4.2 在生产管理方面的应用

应用大数据分析技术对机组实际累积的运行数据进行各种工况、设备运行状态寻优，持续改进机组性能，优化机组的不稳定工况和运行方式，建立设备经济性指标评价曲线，通过对设备的历史数据进行分析获得设备的运行状态趋势，提高机组的效率，具体应用在以下几个方面：（1）基于机组历史数据及工况分析，建立机组安全运行辅助报警体系，监控机组的运行状态。（2）基于机组历史数据、运行工况，依靠大数据实时计算机组的度电利润，匹配机组的最佳运行工况。在当前全社会整体用电量低迷、竞价上网的大环境下，辅助电力营销增效创收。（3）通过大数据分析技术，实现实时度电利润和工况的匹配寻优，寻找设备运行、参数调整的最佳状态，指导运行操作及自动优化，提升机组及设备效率。

5  发电企业大数据分析技术面临的问题和挑战

5.1 数据清洗的问题和解决办法

数据清理对接入的实时数据进行清理，从而保证进入系统分析模块的数据满足分析要求，通过业务规则、决策树算法、公里定理等方式来剔除原始数据中的噪音数据，并对数据进行完整性处理。在智能设备运行过程中可能出现的由于设备自身问题或外界信号干扰导致的数据异常。由于噪音数据无法反映出真实的设备状态和真实数据，如果输入的分析数据是错误的，那么输出的分析结果也将是错误的，噪音数据的存在会影响所有数据分析的结果，导致分析结果出现较大的偏差，必须处理这些噪音数据。

由于流程工业的特殊性，商业大数据上使用的一些数据清洗的算法并不适用于发电企业，例如在机组在变负荷、变工况运行情况下，商业大数据上使用最多的聚类算法并不适用，聚类算法会把有用的数据剔除掉。因此，需要制定发电企业数据清洗的方式和算法，见图 2。

对于发电企业，DCS 和 SIS 系统中均存在数据不准确的问题，解决噪音数据和数据完整性，从以下方面入手解决。

（1）数据测量设备的可靠性，很多发电企业都应用了现场总线技术，通过现场总线设备的周期数据和非周期数据，可以方便快捷地知道设备工作状态是否正常，异常代码是否影响到了设备的可用性和数据的准确性。没有采用现场总线的企业，同样可以采用支持 HART 协议的卡件采集到上述的诊断信息，从源头上确认测量仪表的测量指标。

同时，也建议发电企业在信号设计时尽量使用变送器来替代开关，开关信号对数据分析的作用不如模拟量信号。

（2）在大数据分析系统与 DCS 系统的数据接口设计时，考虑接入 DCS 侧的参数质量信息，这个信息是 DCS 内部的通道检测信息。如果测点的质量信息为 GOOD，则表明 DCS 采集这个数据的通道是正常的。

（3）通过业务规则校验数据，例如三重冗余、两重冗余参数的设计。通过决策树算法利用工艺流程上的温度、压力的传递关系校验数据。利用符合热力学原理的公式进行数据的校验。这些数据的校验方法和商业大数据上的数据校验方法全然不同，因此，发电企业大数据分析系统绝对不能照搬商业大数据分析的方法。

5.2 偶然性和将错就错的问题

商业大数据分析主要分析对象是人的行为，人是有主动性的，因此，分析人的行为得出的结论有偶然性，例如，消费者购买了手机，大数据系统分析认为这位消费者可能需要购买手机壳，这之间是偶然的，没有必然的联系。而像发电企业这样的工业大数据分析对象是设备和系统，这些设备和系统并没有主动性，因此，通过大数据分析找到的是设备和系统运行的规律，用这些优化、稳定、劣化的规律来指导生产管理工作。基于这个需求，就会出现如果某个设备或者系统的数据采集一直是错误的，那么大数据分析系统就会出现将错就错的情况，评价和预测结果也一直是错误的，这个问题一定要通过数据校验提前来避免和解决的。

5.3 是什么和为什么的问题

发电企业大数据分析对海量数据进行动态建模，寻找数据之间的相互关系，建立数据之间的评价体系，预测电厂设备、工艺系统、优化方式的优化趋势和劣化趋势。因此，发电企业大数据分析给出的是发展的趋势，即是什么的问题。大数据分析能够给出的是现象，并未给出具体的原因，即为什么的问题，构建大数据分析的专家系统或者故障诊断系统，这个上需要大量的工作，即使是简单的故障特征匹配，也需要庞大的故障库，故障库的建立并非一个企业或者一朝一夕能够建立的。

6  结语

随着计算机计算速度的提升和大数据分析技术的发展，为发电企业在设备运维和生产经营管理方面提供了全新的工具和手段。尽管在商业方面大数据分析获得了空前的发展和成功，但是，鉴于工业企业和商业的差异性，发电企业的大数据分析并不能照搬商业上的用法。大数据分析技术只是实现和解决问题的工具，需要我们做更多更细致的工作去使用好大数据分析技术这个工具，更好地提升发电企业的安全性、经济性，创造更大的价值。