一、研究背景及意义
（一）研究背景
随着现代化工业的快速发展和科学技术的高速进步，为了能够最大限度的提高生产效率，更有效的利用现有的资源，人们不断提升着工业生产水平的极限，生产设备也逐渐向着大型化，精密化，自动化，复杂化的方向发展。各设备部件之间的联系越来越紧密，相应的影响系统正常运行的因素也越来越多。
2018年，全社会用电量69002亿千瓦时，相比2017年增长了8.4%；全国发电装机容量190012万千瓦，相比2017年增长了6.5%；其中燃气发电机组装机容量比上一年增长了10.49%，为8375万千瓦。
要保障如此规模的电力供应，一方面需要提升发电机组的发电能力，另一方面需要完善发电设备的故障监测手段，减少因故障引起的非计划停机时间。电厂设备几乎都处在高温、高压环境中，长时间连续高负荷运转的工作特性，决定了电厂设备不可避免的高故障率和极大的危害性，一旦电厂的重要设备出现了故障，极易导致重大的经济损失或安全生产事故。
燃气轮机较燃煤发电机组效率得到了极大的提升，通用电气9HA.02重型燃机联合循环效率已超过64%。由于其效率高，启停迅速，对环境友好，进而成为目前发展较快的机组类型。
现阶段国内发电企业在设备管理方面仍普遍采用故障事后处理模式，通过DCS系统对机组的运行参数进行监视，根据固定限值触发报警，由工作人员对报警进行分析判断，通知维护人员进行处理。而这样的工作方式只能在设备已经出现故障后，依照经验对故障的现象进行分析，推断故障的原因，定位故障的位置，无法提前预测机组有可能出现的故障。
因此，在设备出现轻微劣化趋势时便对其进行事前预警已经逐步成为了电力设备监测的研究重点。
数据中心现已实现对集团公司内6家电厂13台机组的监视与诊断、实时机组性能计算。针对GE机组，监视与诊断系统可以提供关于燃机本体，发电机、汽轮机的故障监测；对于非GE机组，智慧信号系统可提供旋转设备或过程设备及机组整体性能的故障预警与诊断；结合热效率计算系统，提供季度的联合循环机组性能报告，包括每季度机组的修正功率和热耗的变化情况，以及系统级部件引起的变化。
数据中心现有数据分析工程师8人，集团公司内部人员共6人，其中学士学位1人，硕士学位5人；GE常驻工程师2人。数据中心实现为接入电厂5*8小时的实时故障预警服务，提供周报、月报，以及季度性能报告。
（二）国内外研究现状及发展趋势
1989年，第十一届国际联合人工智能学术会议上，首次提出了知识发现(KnowledgeDiscoveryinDatabase)用以命名一种新的知识提取技术。第一个KDD实验室在美国底特律成立。1996年，UsamaFayyad给出了其定义：一个在数据中识别有效的、新颖的、潜在的、最终可理解的模型的非平凡过程。自此，数据挖掘为故障诊断及预警、生产过程优化提供了一种新的途径。
近年来，机器学习、云计算等方法得到了飞速发展，电力行业监测手段与理论模型不断创新，两者的结合已经成为今后电力行业数字化智能化发展的方向。
浙江能源集团于2009年开始引进并开发设备故障预警系统，建设了发电机组在线诊断预警系统，在分析设备参数异常原因、设备异常发生的范围、各个设备异常之间的关联方面具有明显的优点，已成为发电厂设备管理专业人员、运行监控人员的一个掌握设备状况的重要工具。
美国最大的发电集团杜克电力（DukeEnergy）在北卡罗莱州夏洛特的SmartM&D中心实现了对该集团拥有的100多个燃气，燃煤，水力发电厂设备实现了远程实时状态监测及基于状态检修。该中心每年为杜克电力节省数千万美元的运行成本。
英国一个燃煤机组上根据性能计算结果，运行人调整了晚间负荷曲线实现最佳效率，热耗降低了500Btu/kWh，在美国RiverRun燃机上则优化了温度控制曲线，电厂的利润为此每天增加了1500美元。
（三）数据中心国产化建设的意义
将先进的数据分析手段与传统电力设备状态监测相结合，势必能有效解决传统电力行业生产设备无法实时掌握运行状态的问题，实现设备状态的实时监控和事故隐患的早期预警，快速、自动、准确的对故障进行定位，最大限度降低维护成本，避免重大事故的发生。
结合大数据、神经网络等先进算法指导电力生产过程优化调整，逐步实现自动调整，在安全裕度内最大限度提升机组运行效率，降低运行成本。
同时国产化数据中心平台的建设，将打破国外制造商的技术壁垒，在降低自身成本的基础上，可介入国内燃机市场，带来良好的经济效益和社会效益。
二、研究及探索
目前电力工业互联网没有明确的发展方向。基于当前的研究热点以及数据中心实际情况，可进行如下的研究探索工作：故障预警与诊断、机组性能分析、生产过程运行优化、振动数据分析预警。
1.故障预警与诊断
故障预警由设备状态监测和故障诊断两部分相结合、发展而来。设备状态监测，故障诊断和故障预警是机械设备状态识别技术的重要组成部分，这三部分存在着递进的关系。
目前状态监测和故障诊断工作主要集中在算法理论研究上，实际推广应用的案例较少。研究主要集中在人工神经网络方法、支持向量机、数据统计分析方法等，各种故障诊断都有各自的优点和不足。因此故障诊断方法应该注重解决各种算法的不足，并研究各种故障诊断算法的优点的融合方法，提高故障诊断结果的准确性，并最终在状态监测和故障诊断系统中应用。
多元状态估计技术是一种非参数、非线性建模方法，最早由美国阿尔贡国立实验室开发，并应用于核电站，监测其传感器和设备等的运行参数的异常，是一种测量实时工况与历史正常工况相似程度以实现实时状态估计的模式识别技术。
多元状态估计技术属于非参数建模方式，建模方法通用性强，只要求建模变量间具有相关性；预估值的产生基于矩阵相似性的计算，计算复杂度低，计算量小，可满足工业项目实时性的要求；可同时对多变量同时进行预估，适用于多传感器状态监测。
此方法需要人工提取特征向量，人工提取历史状态向量，人工对残差阈值进行设定，此三个方面可以使用聚类、主成分分析等算法进行改进；同时故障的诊断可以采用人工神经网络等方法进行自动诊断。
决策树算法简单直观，不同于神经网络等黑箱模型，决策树可以给出逻辑判断规则，但单棵决策树存在容易过拟合的问题，结果受样本变动的影响较大，且容易陷入局部最优。随机森林本质上是对决策树算法的一种改进，通过将多个决策树合并在一起，每棵决策树的建立依赖于独立抽取的样本集。单棵树的分类和回归存在过拟合的可能，但在随机生成大量的决策树后，一个测试数据集可以通过多棵树的分类或回归结果经统计后得出，模型结果更为可靠。因泛化能力强、准确度高，随机森林在多个学科领域展现出超越传统算法的优势。
2.机组性能分析
机组性能分析提供从部件到设备到系统级的性能实时计算，使用机器学习的数据建模方式，使用随机森林、人工神经网络等算法，从机组历史数据中挖掘数据间的隐含联系，找出影响设备性能的关键特征；结合机组运行参数及热平衡模型，通过改进运行方式或技术改造提高机组运行效率。
人工神经网络是一种非线性的建模方法，它由若干神经元通过节点间的连接构成，每一个连接都被赋予一个可变的权重参数，以解决多输入、多输出的系统辨识，且其模型是非参数化的，不需要建立以实际系统数学模型为基础的辨识格式，对于电力生产过程这样的复杂系统建模有着较为有效的应用。
3.生产过程运行优化
电力的生产过程及其复杂，各系统高度耦合，需要协同优化。现阶段的运行优化一般都为子系统集的优化，例如，凝汽器最佳真空、过冷度，给水流量调节，SCR喷氨量调节，锅炉加药调节，化学水加药调节等，子系统内部的最优不能保证整个系统达到最优，而厂耗电量、耗水量等需要综合各子系统进行协调，因此仅靠运行人员现场经验难以对如此庞杂的系统进行优化。
同时，现有的调节基本都基于运行人员经验，根据人员水平不同，调节品质也不尽相同，最优调节参数较为随机。对于此类问题，神经网络等机器学习算法可以有效解决。
4.旋转机械振动分析
旋转机械振动分析一般电厂人员掌握不深，一般只关注轴振、瓦振的振动幅值，对于启停机阶段的轴心轨迹等图形、数据关注度不够。近年来，振动信号的分解、频域分解、小波分析等方法的研究为机器学习提供了更多的数据特征，将两者结合势必能够在此领域内有所突破。
三、研究内容与探索
（一）完全自主创新建立工业互联网平台
建立数据中心自主的互联网平台，统一数据采集、压缩、存储、传输标准，依托集团公司数据中心建立数据中心数据湖，以自主开发和合作开发的方式完成模块化的应用，以期实现设备管理，业务运营优化，新模式新业务几大板块的数字化解决方案，实现软件授权盈利。
1.结合现有工业互联网云平台进行功能模块开发
在现有的工业互联网云平台上进行开发，结合现有成熟软件应用和平台提供的算法与工具，完成模块化的应用，实现设备管理，业务运营优化，新模式新业务几大板块的数字化解决方案，同时实现软件授权盈利。
2.实现功能
数据采集，传输，压缩、存储标准化。现有数据存在着数据结构不统一，数据之间无法连接使用，分散存储等问题，不利于数据的进一步挖掘。财务数据，库存数据，设备维护记录，缺陷等数据各自存放，没有开放的接口。首先应将各种数据统一收集，建立数据湖，解决数据孤岛问题，之后才能完成数据的充分挖掘利用。
完全自主建立平台，需要解决数据的采集、压缩、存储、传输等问题，需购买大量实体服务器及存储设备，安全防护设备，引进维护人员，设计数据的容灾机制，设立异地备份方案等，造成大量的支出。
设计平台需大量专业网络技术人员参与，前期设计与建设投入较高，风险较大。
如使用现有工业互联网平台，以上问题都已有完备的解决方案，且费用低廉。
现阿里云，华为云等都提供了工业互联网云平台，可以实现统一平台的功能快速开发和复用，通过数据工厂实现数据上云，再基于AI创作间训练出工厂的专属智能。此外，该平台使用拖拽式开发，极大地降低了使用门槛，普通工程师也能轻松进行操作，项目实施周期大大减少。
以阿里云ET工业大脑开放平台为例，部署原理可以分为以下四个步骤：
数据采集：对企业系统数据、工厂设备数据、传感器数据、人员管理数据等多方工业企业数据进行采集。
数据预处理：包括过滤脏数据与噪音、解决数据的多源异构、找回丢失的数据以及修正错误的数据等。同时，还要根据用途，对数据进行分割、分解、分类，为下一步的算法建模做好准备。
算法建模：通过ET工业大脑AI创作间内置的算法引擎或算法市场提供的算法，对所收集并预处理完成的历史数据进行快速建模，该模型可以是描述模型、预测模型或优化模型。
模型应用：将已经建立的算法模型，发布成服务并集成到生产系统中，作用到业务，完成数据智能应用的闭环。
数据中心可以在该平台上建立两种角色：行业顾问和AI交付工程师，以完成自主功能模块的开发和发布。
行业顾问：可创建行业知识图谱，配置通用算法引擎，将算法用业务化的语言进行表达，形成行业算法引擎模板。
AI交付工程师：根据实际业务场景来选择和使用行业算法模板引擎模板，并在此基础上开发出企业专属的人工智能算法服务，最终发布成API供上层应用调用。
在现有的较为成熟的工业互联网云平台上开发功能模块，能够极大的缩短开发周期，节省大量软硬件购买开支，同时可根据需求定制化的开发功能，满足现场实际需求。
【作者简介】
王爽，男，大唐国际发电股份有限公司北京高井热电厂设备管理部（网络安全与信息化部）数据分析工程师。具有5年热控专业工作经验，2016年底与通用电气联合建设数据监测与诊断中心，后主要从事数据分析工作，研究机器学习算法、云计算在电力工业领域中的实际应用效果，多次参加电力工业互联网方向研讨会、论坛，致力于推动传统电力行业向电力工业互联网升级转型和设备状态监测方式的转变，以数字化手段优化机组运行模式，提高生产效率。曾获得2019年度电力科技创新奖一等奖、电力企业设备管理创新优秀成果三星等荣誉。
评论