楊新民，曾衛(wèi)東，肖 勇

火電站智能化現(xiàn)狀及展望

楊新民，曾衛(wèi)東，肖 勇

（西安熱工研究院有限公司，陜西 西安 710054）

采用人工智能技術來提高火電站的安全性、經濟性和環(huán)保性已成為行業(yè)研究和應用熱點。本文在總結人工智能技術在火電站設備層、控制層及管理層研究應用及智能電站建設現(xiàn)狀基礎上，對應用過程中遇到的主要問題進行了說明，如系統(tǒng)架構缺陷、感知設備缺失、數(shù)據共享困難以及認知差異和標準規(guī)范缺失等。提出了火電站在向智能化發(fā)展過程中，在平臺的開發(fā)完善、燃料管理、主動安全、設備故障預警、鍋爐燃燒控制、網源互動靈活性控制、機器人巡檢、設備檢測、競價決策支持、信息和功能安全、集團級數(shù)據平臺等方面的應加強研究和應用。

火電站；智能化；發(fā)電；智能控制；智能算法；自動控制；發(fā)展展望

隨著我國能源結構的變化，火電站面臨的運行環(huán)境日趨復雜。它不但要滿足日益嚴格的環(huán)保和安全要求，同時也要面對燃燒煤種的不確定、電網快速調峰的要求及經營競爭的壓力，傳統(tǒng)運行控制技術已不能解決這些問題。目前隨著物聯(lián)網、云計算、大數(shù)據等人工智能的快速發(fā)展，一些學者也開始嘗試在發(fā)電領域應用人工智能的相關技術和成果。

人工智能在歐美等發(fā)達國家發(fā)電行業(yè)的應用，重點在風力發(fā)電和光伏發(fā)電等新能源發(fā)電領域，常規(guī)火電投資較少，甚至逐步關停，其相關的新技術研究也較少。發(fā)電領域的智能化研究主要圍繞多種形式發(fā)電互補、設備故障診斷及檢修維護工作等方面。國內火電機組裝機容量的快速擴張，為人工智能技術的應用提供了廣闊的市場，因而國內在火電領域智能化研究工作相對深入，一些智能技術或產品在電站得到了應用，也率先提出了智能發(fā)電的概念并嘗試工程示范。2016年國家三部委聯(lián)合發(fā)布《關于推進“互聯(lián)網+”智慧能源發(fā)展的指導意見》，隨后國家發(fā)改委和國家能源局發(fā)布《電力發(fā)展“十三五”規(guī)劃》，提出大力發(fā)展智能發(fā)電技術。2017年國務院印發(fā)的《新一代人工智能發(fā)展規(guī)劃》為人工智能在各行業(yè)的發(fā)展明確了戰(zhàn)略目標與重點任務。這些文件為電站智能化明確了發(fā)展方向，推動了電站智能化發(fā)展步伐。

1 火電站智能化現(xiàn)狀

人工智能是一個高度交叉的新興學科，盡管經歷了60多年的發(fā)展，但仍沒有一個統(tǒng)一的定義和完整的理論體系。在其應用過程中，不同的學科從不同角度對其給出不同的解析[1-2]。在流程工業(yè)領域，目前研究和應用的人工智能技術主要集中在神經網絡、模糊計算、專家系統(tǒng)、機器學習（深度學習）、智能搜索計算（遺傳算法、粒子群優(yōu)化算法、蟻群優(yōu)化算法、狀態(tài)空間啟發(fā)式搜索算法等）及其與大數(shù)據處理、圖像識別處理、虛擬現(xiàn)實、現(xiàn)代控制等技術的融合應用上?；痣娬局悄芑窃陔姀S數(shù)字化和信息化基礎上，采用人工智能技術提高電站運行安全性、經濟性、環(huán)保性以及競爭能力的發(fā)展過程。

國內早在2004年開始的電站數(shù)字化、信息化建設現(xiàn)已基本完成，這為電站向智能化發(fā)展提供了基礎。在各種發(fā)電形式中，火力發(fā)電工藝相對復雜，具有非線性、強耦合性的特點，運行安全性和調控能力要求高。在其智能化發(fā)展過程中，人工智能技術除在生產管理及決策的應用外，在機組設備及其參數(shù)監(jiān)測、機組控制系統(tǒng)等也得到了廣泛的研究和應用。

1.1 機組設備及其參數(shù)監(jiān)測

2009年先后投產的華能九臺電廠660 MW機組和金陵電廠1 000 MW機組，在全廠范圍采用現(xiàn)場總線技術，自此新建火電機組普遍采用現(xiàn)場總線技術。單臺機組的變送器、調節(jié)門（閥）、電動機及分析儀表等現(xiàn)場總線設備已達1 300多臺（套）[3]，這為設備故障預警提供了數(shù)據基礎。部分設備也具備了初步的智能診斷和報警功能，極大地方便了檢修維護工作；針對現(xiàn)場難以準確在線檢測的工藝參數(shù)，采用智能算法的軟測量技術得到了快速發(fā)展，并在控制系統(tǒng)中開始使用。如采用主元分析法對NO含量進行預測[4]，采用神經網絡算法對鍋爐出口煙溫、過熱器壁溫等進行預測[5-6]，將神經網絡與蟻群優(yōu)化算法相結合對飛灰含碳量進行預測[7]，將遺傳算法與神經網絡算法相結合對入爐煤質進行預測[8]，將模糊計算與神經網絡算法相結合對鍋爐結渣進行預測等[9]。

1.2 機組控制系統(tǒng)

人工智能技術在火電機組控制系統(tǒng)中的研究和應用，主要集中在以下方面。

1）采用智能算法對傳統(tǒng)PID控制器的3個參數(shù)進行尋優(yōu)。如在主蒸汽溫度控制系統(tǒng)中，利用遺傳算法、粒子群優(yōu)化算法對控制器參數(shù)進行滾動優(yōu)化[10-11]；利用神經網絡的自學習功能對PID參數(shù)進行整定[12-13]；根據設定值和測量值的偏差及其變化率按照模糊規(guī)則實時調整控制器的參數(shù)[14]等。

2）采用模糊控制與傳統(tǒng)PID控制相結合的方式，在被控參數(shù)與設定值偏差較大時采用模糊控制方式進行初調，當偏差在一定范圍內采用PID控制方式進行細調[15]。

3）采用神經網絡、支持向量機等技術對復雜的多變量、大遲延、非線性對象進行建模，并與智能尋優(yōu)算法及基于模型的預測控制技術相結合實施閉環(huán)控制。如以神經網絡、支持向量機技術建立的鍋爐燃燒模型為基礎，采用粒子群優(yōu)化算法、遺傳算法、蟻群優(yōu)化算法等智能優(yōu)化算法，尋找鍋爐燃燒系統(tǒng)各輸入參數(shù)的最佳組合，并以此作為各層風量配置的依據，并對鍋爐燃燒進行優(yōu)化指導和實時控制[16-19]，采用神經網絡技術建立NO排放、凝汽器背壓模型，利用預測控制技術實現(xiàn)對噴氨量、空冷風機的精準控制[20-22]等。

4）將智能算法、模糊計算與預測控制相結合，實現(xiàn)復雜工藝系統(tǒng)的多變量解耦控制。如將神經網絡和模糊控制相結合，對鋼球磨煤機出口溫度、入口負壓進行解耦控制[23]；將神經網絡和預測控制技術相結合實現(xiàn)中速磨煤機的冷、熱風解耦控制[24]；采用神經元及模糊規(guī)則，實現(xiàn)循環(huán)流化床鍋爐主蒸汽壓力、床溫和爐膛出口氧量的解耦控制[25]等。

5）機組自啟?？刂浦?，基于機組啟動前的設備狀況等約束條件，通過智能算法實現(xiàn)啟動路徑的規(guī)劃；借助專家推理及知識庫，對制粉系統(tǒng)進行最佳啟停時間和順序的控制[26]。

1.3 生產監(jiān)督和管理系統(tǒng)

人工智能技術在火電站廠級生產監(jiān)督和管理系統(tǒng)中的研究主要包括以下方面。

1）以機組運行數(shù)據為樣本，將數(shù)據挖掘技術與專家經驗相結合，提取設備故障特征參數(shù)，采用神經網絡技術建立設備故障預警模型。如采用小波分析法對旋轉設備振動測量信號去噪并提取故障特征向量，利用神經網絡技術分別建立汽輪機和風機故障預測模型[27-28]；通過分析鍋爐風機停轉、凝汽器積灰、凝汽器結冰等典型故障基礎上，選取機組相關的運行參數(shù)作為故障征兆輸入參數(shù)，利用神經網絡建立直接空冷凝汽器故障預測模型[29]；采用機組正常運行工況的歷史數(shù)據為訓練樣本，建立燃氣-蒸汽聯(lián)合循環(huán)發(fā)電機組各主要設備的神經網絡預測模型[30]等。

2）在機組負荷優(yōu)化分配中，智能優(yōu)化算法的尋優(yōu)能力也得到嘗試。如基于粒子群優(yōu)化算法，改進的遺傳粒子群混合算法在眾多邊界約束條件中尋找最佳的負荷分配方式[31-32]。

3）在燃料管理系統(tǒng)中，根據爐型、煤場現(xiàn)狀、燃燒狀態(tài)和煤質、環(huán)保、安全等各種約束條件，采用智能優(yōu)化算法尋找鍋爐最佳配煤摻燒方案，并對燃料采購提供決策支持[33-34]。

4）在機組巡檢管理中，采用集成可見光攝像儀、熱成像儀、激光測振儀、激光雷達導航傳感器、聲納傳感器等設備及后臺管理專家系統(tǒng)的智能巡檢機器人，已在電廠的化水車間、主變壓器、供熱系統(tǒng)和鍋爐水泵區(qū)域巡檢工作中開始應用[35]。

盡管對人工智能技術在火電站參數(shù)檢測、機組控制及管理系統(tǒng)中開展了大量的研究工作，但目前仍以仿真和試驗研究為主，具體的工程應用較少。

2 智能電站建設現(xiàn)狀

隨著人工智能技術在火電站應用研究的深入，尤其是國家電網公司2009年5月公布了包括發(fā)電、輸電、變電、配電、用電、調度6大環(huán)節(jié)的智能電網發(fā)展計劃以來[36]，發(fā)電領域開始提出智能電站的概念。不同學者從不同角度對智能電站的概念、結構及主要實現(xiàn)功能進行了闡述[37-40]。2016年中國自動化學會發(fā)電自動化專業(yè)委員會組織編寫了《智能電廠技術發(fā)展綱要》，中國電力企業(yè)聯(lián)合會標準《火力發(fā)電廠智能化技術導則》T/CEC 164也于2018年頒布[41]，這些都對電站向智能化發(fā)展起到推進作用。正如學術界對人工智能沒有普遍認可的定義一樣，國內對智能電站的概念也處于探討和深化階段。有學者提出將智能電站體系結構劃分為智能設備、智能控制、智能生產監(jiān)管和智能管理4個層 次[37]，也有將智能生產監(jiān)管和智能管理統(tǒng)一為智能管理[38-39]。而智能電站的本質是信息技術與人工智能技術在發(fā)電領域的高度發(fā)展與深度融合，體現(xiàn)在大數(shù)據、物聯(lián)網、可視化、先進測量與智能控制等技術的系統(tǒng)化應用。其應初步具備的如泛在感知、自趨優(yōu)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(yōu)化、自組織管理和自決策支持等基本特征已形成普遍共識。

在對智能電站概念、結構和具體功能的探索中，國內一些發(fā)電集團也在積極開展智能電廠規(guī)劃及建設。其主要集中在大數(shù)據平臺、移動互聯(lián)網、三維展示、人員定位、安全識別管理及智能控制技術的應用上。如北京某燃氣熱電有限公司建成了具有一體化云平臺、無斷點一鍵啟停、全業(yè)務移動應用、三維消防安保及全壽命周期設備數(shù)據管理的多維度融合燃氣智能電站；江蘇某燃氣電廠建成了包含基于“互聯(lián)網+”的安全生產管理系統(tǒng)、基于大數(shù)據分析的運行優(yōu)化系統(tǒng)、基于專家系統(tǒng)的三維可視化故障診斷系統(tǒng)以及三維數(shù)字化檔案和可視化培訓系統(tǒng)的智慧電廠；南京某2×660 MW燃煤電廠規(guī)劃了三維數(shù)字檔案和可視化設備立體模型、智能摻配與燃燒、汽輪機冷端優(yōu)化、故障診斷與事故預報、安全生產管理、管控一體化的智慧電廠建設方案；江蘇某集團公司正在建設的燃氣輪機智慧電廠以現(xiàn)有的數(shù)字化電廠為基礎，從設備管理、運行管理、安全感知和管理、可視化仿真培訓等四方面展開，以三維可視化、大數(shù)據分析、工業(yè)機器人等技術為突破口，實現(xiàn)“電力流、信息流、業(yè)務流”一體化融合；山東某2×1 000 MW燃煤電廠規(guī)劃建設包括鍋爐燃燒優(yōu)化控制、基于深度滑壓的凝結水變負荷控制、脫硝優(yōu)化控制、現(xiàn)場總線設備故障預測及管理、重要設備故障預警、機組壽命管理及狀態(tài)檢修、遠程診斷與分析等功能的智能電站等。

當前國內智能電廠的建設和投運進一步提升了發(fā)電企業(yè)的管理水平，促進了生產與經營的一體化融合。但其應用更多側重于信息集成展示及生產管理的數(shù)字化、信息化等層面，僅在某個方向或某一層面上具備一定的智能化特征，距離“智能電廠”應具有的初步特征尚有較大距離。在電站智能化探索中，僅從局部系統(tǒng)進行智能化升級，各系統(tǒng)之間缺乏緊密聯(lián)系，缺乏從整體上對“智能發(fā)電”進行設計和規(guī)劃。智能電站的建設有待深入探索和提升。

3 存在的主要問題

3.1 系統(tǒng)架構缺陷

電站智能化的基礎是海量數(shù)據的準確共享及供機器自學習訓練的大量樣本。以前國內火電站按照不同時期的需求建立了管理信息系統(tǒng)（MIS）、企業(yè)資源計劃（ERP）、廠級監(jiān)控信息系統(tǒng)（SIS）、數(shù)字化煤場、移動巡檢等各種信息系統(tǒng)，其建設是以應用功能為核心進行規(guī)劃，從而造成數(shù)據未有效貫通、跨專業(yè)流通不暢、功能交叉重復、體系架構不統(tǒng)一等問題，難以形成智能化技術應用的統(tǒng)一數(shù)據平臺。如在機組控制層級，傳統(tǒng)的分散控制系統(tǒng)（DCS）難以提供智能算法所需的計算資源，常采用外掛方式來解決，增加了安全性隱患和維護工作量，且難以做到機器自學習功能的在線運行。在SIS中的機組負荷分配、設備故障處理及運行參數(shù)優(yōu)化等功能因安全功能區(qū)域劃分，難以在機組控制系統(tǒng)在線實施等。

3.2 感知設備缺失

電站智能化離不開檢測和執(zhí)行設備的數(shù)字化和智能化，而影響機組安全、經濟和環(huán)保運行的一些工藝參數(shù)在線檢測技術和設備還不完善。如煤質在線檢測、爐膛溫度場在線檢測、低負荷工況工質流量的準確測量、視頻圖像的自動識別和處理等。

3.3 數(shù)據共享困難

電站主要設備和系統(tǒng)性能診斷和故障預警是電站智能化的主要功能，它需要大量的樣本數(shù)據。單個電廠的運行模式和數(shù)據，難以提供足夠的供機器學習的訓練樣本，從同類機組獲取相關信息尤為重要；在機組負荷預測、上網競價中，也需要掌握電網公司和用電大戶的相關信息；重要設備檢修和維護工作也需要與設備制造廠進行信息共享等。當前管理方式和體制下，難以做到不同企業(yè)主體之間的數(shù)據高效交流和共享。

3.4 認知差異

當前人工智能還處在一個發(fā)展時期，相對完整的理論體系建立和應用技術完善還需要一個漫長的過程。因此火電廠智能化也必將是一個長期的發(fā)展過程。而現(xiàn)在僅將部分系統(tǒng)或功能中采用了人工智能技術的電站稱為智能或智慧電站，壓縮了日新月異的新技術應用空間，難以避免特定技術可能導致的負面影響。目前更應該關注的是電站向智能化方向發(fā)展，而智能電站是電站智能化的最終目標。同時人工智能技術的應用要與電站實際需求相結合，新技術應用的目的是保障電站在效率、安全和環(huán)保方面的提升，應該避免僅為智能化的概念進行創(chuàng)新。

3.5 標準和規(guī)范的缺失

電站智能化涉及的系統(tǒng)龐大且設備眾多，由于缺少相關標準和規(guī)范的支持，在建設中電站各自為政，獨立探索，資源和經驗難以高效利用和共享，新技術和新產品很難做到無縫連接，不利于可持續(xù)的發(fā)展。

4 發(fā)展展望

隨著人工智能技術的發(fā)展與完善，其在火電站的應用也會更加廣泛和普及。在電站向智能化發(fā)展過程中，也會受實際需求驅動，將人工智能技術與其他先進的技術相結合，以提高其競爭力。依據當前相關技術成熟度及電站運行面臨的實際問題，參考同行學者的觀點[42-47]，近期火電站智能化將會在以下幾個方面開展相關研究和應用。

4.1 平臺的開發(fā)與完善

基于工控系統(tǒng)信息安全以及大數(shù)據處理、智能算法對信息平臺的要求，智能電站采用兩級信息平臺的結構方式更為合理，即機組智能控制系統(tǒng)和全廠智能管理決策系統(tǒng)兩層結構信息平臺，如圖1所示。機組智能控制系統(tǒng)布置在生產控制大區(qū)，以機組控制系統(tǒng)為核心，以智能檢測和執(zhí)行設備為基礎，配置智能算法、現(xiàn)代控制技術及數(shù)據挖掘處理技術所需的數(shù)據存儲和計算資源，以實現(xiàn)發(fā)電機組的智能檢測、控制和運行監(jiān)管功能。機組負荷分配、設備故障預警等原來在SIS中完成的功能也在此平臺實現(xiàn)。全廠智能管理決策系統(tǒng)可布置于管理信息大區(qū)，它是以數(shù)據信息共享為基礎的云架構一體化平臺，整合全廠內部外部各種數(shù)據資源，將大數(shù)據處理、智能計算、圖像處理、移動互聯(lián)、定位、三維可視化、機器人巡檢等技術與管理流程高度融合。主要完成智能化的安全管理、燃料管理、生產管理、生產服務和決策支持等功能，具備高度的靈活性、開放性和擴展性。

圖1 智能電站系統(tǒng)架構

4.2 燃料管理

燃料成本在火電站經營中占比最大，由于各種原因，鍋爐難以按照設計煤種進行燃燒，而普遍采用配煤摻燒運行方式。不同的煤種按照不同方式和比例摻燒將影響鍋爐燃燒的穩(wěn)定性、燃燒效率和排放指標，同時對磨煤機、送引風機、灰渣處理等輔助設備電耗及燃料采購、運輸、煤場堆放管理等成本有影響。燃料管理系統(tǒng)智能化應根據對未來時段發(fā)電計劃和調峰需求進行預測，結合當前庫存結構，采用智能尋優(yōu)算法，在保證機組安全環(huán)保運行前提下，對滿足各種經濟指標約束條件的最經濟摻燒方案進行尋優(yōu)，并以此指導燃料采購、運輸和堆放管理。

按照短期負荷預測，結合各原煤倉存煤狀況、煤種堆放位置、輔機運行狀況、不同摻燒方案所產生的影響及歷史摻燒評價等因素，尋找當前時段最經濟摻燒方案，并進行上煤自動控制及制定磨煤機自動啟停方案。結合煤場三維數(shù)字管理、視頻監(jiān)控、斗輪機自動定位控制及采制樣自動化等技術實現(xiàn)燃料管理系統(tǒng)的智能化。

4.3 主動安全

隨著移動通信技術應用的普及以及圖像處理技術的快速發(fā)展，采用卷積神經網絡、機器深度學習等技術，通過對現(xiàn)場固定和移動的視頻圖像進行處理，可及時識別安全隱患。同時結合移動定位技術，制定相關的巡檢線路，實時掌握生產區(qū)域人員位置并提供安全警示。通過智能穿戴等設備，了解人員健康狀況，結合員工安全操作歷史數(shù)據和培訓考核情況，合理進行任務分配。集成支持人臉識別技術的門禁系統(tǒng)、電子圍欄、人員定位等技術，實現(xiàn)從開票、簽發(fā)到現(xiàn)場作業(yè)的整個過程中人員、設備及環(huán)境安全的智能管理。

4.4 設備故障預警

火電機組參與調峰頻率的提高以及煤種的經常變化，使得電站設備發(fā)生故障的幾率增大，影響發(fā)電設備運行安全性?；谠O備管理基礎數(shù)據和歷史運行數(shù)據，采用關聯(lián)規(guī)則、主元分析、相關性分析等不同技術手段和方法，結合專家知識與經驗，確定故障的主要征兆參數(shù)和閾值。基于典型的故障樣本，采用機器學習與智能建模技術，建立設備故障預警模型和時間預測模型，從而實現(xiàn)對設備的故障準確預警和診斷，降低設備異常，減小導致故障的風險。

4.5 鍋爐燃燒控制

節(jié)能減排是火電站永恒的目標，而鍋爐燃燒的控制對能量轉換效率、污染物產生及運行安全性影響最大。鍋爐燃燒和傳熱過程的復雜性，使得難以按照傳統(tǒng)方法對其進行建模從而進行有效控制。在鍋爐燃燒智能化方面，可采用多目標優(yōu)化控制技術路線（圖2）。以機組性能試驗、燃燒調整數(shù)據及歷史運行數(shù)據為樣本，借助先進的檢測技術及煤質在線軟測量方法，采用支持向量機、神經網絡等技術，結合工藝對象特性，建立鍋爐效率、污染物排放、高溫受熱面金屬壁溫等預測模型。利用模糊計算方法對鍋爐效率、NO排放和壁溫進行多目標協(xié)調優(yōu)化，以粒子群尋優(yōu)、遺傳算法等優(yōu)化算法和預測控制、模糊控制相結合實現(xiàn)鍋爐燃燒系統(tǒng)的風壓、風量、氧量及減溫水、噴氨量等參數(shù)的最優(yōu)控制。

圖2 鍋爐多目標燃燒優(yōu)化控制原理

4.6 網源互動靈活性控制

清潔能源裝機容量的不斷增大，使火電機組面臨的調峰任務越來越重。鍋爐燃燒和傳熱系統(tǒng)工藝特點決定了從給煤量變化到機組負荷相應變化需要3~5min滯后。而在這段遲延期，機組負荷的變化主要來源于自蓄能的改變。因此研究機組各系統(tǒng)蓄能能力、蓄能量變化時間特性、安全特性，合理設計控制策略，在保障機組安全運行條件下，合理充分利用機組蓄能變化來提高機組調峰能力。如采用歷史數(shù)據挖掘分析、機器學習等方法，對理論計算的蓄熱模型進行完善和修正，結合預測控制、魯棒控制等現(xiàn)代控制技術以實現(xiàn)鍋爐、汽輪機以及輔助系統(tǒng)的蓄能高效利用，提高機組安全調峰能力。

4.7 機器人巡檢

在機組日常運行中，掌握設備運行狀態(tài)的方法，除從控制系統(tǒng)已獲取的各種信息進行分析判別外，現(xiàn)場巡檢也是一種有效的補充手段。而采用人工巡檢不僅工作量大，電纜溝槽、粉塵和化學氣體、高溫高壓等區(qū)域及惡劣天氣環(huán)境也對人工巡檢造成安全風險。采用集成視覺識別、聲音識別、振動檢測、紅外測溫等設備以及結合導航定位、無線傳輸?shù)燃夹g的機器人，對現(xiàn)場各種設備狀態(tài)和位置、設備溫度及振動、環(huán)境噪音及氣味等進行感知，通過目標搜索、識別、定位及圖像處理、歷史數(shù)據對比分析、設備相關工藝相關參數(shù)校驗等方法，實現(xiàn)對現(xiàn)場設備的智能巡檢。

4.8 設備檢測

電站智能化的基礎是對系統(tǒng)、設備和環(huán)境的準確感知，因此檢測設備向智能化、網絡化、接口標準化方向發(fā)展是必然的結果。智能化使檢測設備能對自身健康狀況進行診斷和預測，網絡化使其能將大量的信息向控制系統(tǒng)和設備健康管理系統(tǒng)進行傳輸，為設備狀態(tài)檢修工作提供基礎。因此采用多元信息融合技術開發(fā)適應電廠特殊運行環(huán)境的檢測儀表及煤質、爐膛溫度、低負荷液體流量、爐膛結焦等智能化檢測設備，同時實現(xiàn)與被測對象的控制系統(tǒng)相關信息共享，利用控制系統(tǒng)中采集的與被測對象有因果關聯(lián)的其他信息，采用智能算法和數(shù)據處理技術對測量結果進行實時驗證，并對其計算依據進行修改，將能提高參數(shù)檢測的準確性。

4.9 競價決策支持

電力市場競爭機制的引入，作為市場主體之一的發(fā)電企業(yè)，可采用智能算法、數(shù)據處理和博弈技術相結合建立電力市場競價上網決策支持系統(tǒng)。如用大數(shù)據分析方法建立發(fā)電成本計算模型，采用深度學習、灰色關聯(lián)度分析、模糊計算等技術對各級市場電價進行預測，利用博弈論方法并結合風險規(guī)避等技術建立上網電力報價模型。

4.10 信息和功能安全

“互聯(lián)、互通、互動”是現(xiàn)代工業(yè)智能化應用的主要特點，云計算、大數(shù)據、物聯(lián)網、移動互聯(lián)網等新技術的應用增加了工業(yè)處理流程的開發(fā)性和不確定性，安全風險進一步集中和放大?；痣娬局悄芑媾R多元系統(tǒng)融合及海量信息的傳輸、共享，給生產、管理與信息安全帶來極大的挑戰(zhàn)，因此有必要開展基于“可管、可控、可知、可信”理念的電站信息安全相關機制研究，保障多來源數(shù)據的有效性和可靠性，防止外部的侵害。在解決信息安全的基礎上，開展智能決策的可信度評價技術，保障智能控制與決策實施的可靠性。

4.11 集團級數(shù)據平臺

單個電廠運行數(shù)據和各種案例畢竟有限，而集團公司所管理電廠中，機組、主輔設備類型很多是相同或相近的，構建集團級發(fā)電系統(tǒng)大數(shù)據綜合平臺，將集團各電廠運行數(shù)據集中管理，采樣大數(shù)據處理、智能算法與專家經驗相結合，將能建立更加準確的故障預警模型，更快捷的故障診斷與分析。同時也為電站負荷預測、配煤摻數(shù)與燃料管理、多種形式發(fā)電互補利用決策提供數(shù)據支持。

5 結 語

電站向智能化方向發(fā)展是必然趨勢，當前也基本具備相應的條件，相關研發(fā)和試點工作已經展開，并取得一定的成效。但電站智能化仍是一個長期的過程，它會受電站實際需求所驅動，將不斷成熟和完善的人工智能技術與其他先進技術高度融合，最終目標是建成智能電站。

［1］ 王萬森. 人工智能原理及其應用[M]. 4版. 北京: 電子工業(yè)出版社, 2018: 1-21.

WANG Wansen. Artificial intelligence principles and applications[M]. 4th ed. Beijing: Publishing House of Electronics Industry, 2018: 1-21.

［2］ 蔡自興, 劉麗玨, 蔡竟峰, 等. 人工智能及其應用[M]. 5版. 北京: 清華大學出版社, 2016: 1-31.

CAI Zixing, LIU Lijue, CAI Jingfeng, et al. Artificial intelligence: principles & applications[M]. 5th ed. Beijing: Tsinghua University Press, 2016: 1-31.

［3］ 中國電機工程學會. 中國電機工程學會專業(yè)發(fā)展報告2016—2017[M]. 北京: 中國電力出版社, 2017: 61-64.

Chinese Society for Electrical Engineering. Progress reports on specialty technology of CSEE 2016—2017 [M]. Beijing: China Electric Power Press, 2017: 61-64.

［4］ 王林, 王小成, 郭亦文, 等. 基于深度主元分析的電站鍋爐NO質量濃度預測模型研究[J]. 熱力發(fā)電, 2016, 46(12): 68-74.

WANG Lin, WANG Xiaocheng, GUO Yiwen, et al. Research and application of prediction model for NOconcentration in utility boilers based on deep component analysis[J]. Thermal Power Generation, 2016, 46(12): 68-74.

［5］ CHANDOK J S, KAR I N, TULI S. Estimation of furnace exit gas temperature(FEGT) using optimized radial basis and back-propagation neural network[J]. Energy Conversion and Management, 2008, 49(8): 1989-1998.

［6］ 鄧博, 徐鴻, 郭鵬, 等. 變負荷下超(超)臨界機組過熱器壁溫預測[J]. 中國電力, 2018, 51(3): 13-20.

DENG Bo, XU Hong, GUO Peng, et al. Prediction of superheater tube wall temperature in supercritical/ultra-supercritical boilers for different loading[J]. Electric Power, 2018, 51(3): 13-20.

［7］ 張正友, 錢家俊, 馮旭剛. 基于蟻群神經網絡的飛灰含碳量測量方法[J]. 計測技術, 2017, 37(1): 18-20.

ZHANG Zhengyou, QIAN Jiajun, FENG Xugang. Prediction method of unburned carbon content in fly ash based on ant colony algorithm[J]. Metrology and Measurement Technology, 2017, 37(1): 18-20.

［8］ 巨林倉, 李磊, 趙強. 基于遺傳神經網絡的鍋爐入爐煤質軟測量研究[J]. 熱力發(fā)電, 2011, 40(3): 24-27.

JU Lincang, LI Lei, ZHAO Qiang. Study on soft measurement of quality for furnace entering coal based on genetic neural network[J]. Thermal Power Generation, 2011, 40(3): 24-27.

［9］ 王洪亮, 王東風, 韓璞. 基于模糊神經網絡的電站燃煤鍋爐結渣預測[J]. 電力科學與工程, 2010, 26(6): 28-32.

WANG Hongliang, WANG Dongfeng, HAN Pu. Forecasting slagging properties of coal fired boiler in power station based on fuzzy neural network[J]. Electric Power Science and Engineering, 2010, 26(6): 28-32.

［10］ 方彥軍, 易鳳飛, 胡文凱. 基于遺傳算法的廣義預測PID控制及其在鍋爐主汽溫系統(tǒng)中的應用[J]. 武漢大學學報(工學版), 2013, 46(3): 386-392.

FANG Yanjun, YI Fengfei, HU Wenkai. Genetic algorithm-based generalized predictive PID control and its application to main steam temperature control system[J]. Engineering Journal of Wuhan University, 2013, 46(3): 386-392.

［11］ 苗春艷, 楊耀權, 韓升暉. 基于粒子群算法的PID控制器參數(shù)優(yōu)化[J]. 儀器儀表與分析監(jiān)測, 2013(4): 1-3.

MIAO Chunyan, YANG Yaoquan, HAN Shenghui. PID controller parameters optimization based on PSO[J]. Instrumentation Analysis Monitoring, 2013(4): 1-3.

［12］ 薛陽, 汪莎, 陳磊. 過熱蒸汽溫度控制中RBF神經網絡整定PID控制的應用[J]. 上海電力學院學報, 2012, 28(5): 467-468.

XUE Yang, WANG Sha, CHEN Lei. Application of RBF neural network-tuning PID controlin superheated steam temperature control[J]. Journal of Shanghai University of Electric Power, 2012, 28(5): 467-468.

［13］ 高昆侖, 梁宵, 王杰, 等. 改進的神經網絡PID火電廠主汽溫控制研究[J]. 熱能動力工程, 2012, 27(6): 709-714.

GAO Kunlun, LIANG Xiao, WANG Jie, et al. Study of the control over the main steam temperature in a thermal power plant based on an improved neural network PID[J]. Journal of Engineering for Thermal Energy and Power, 2012, 27(6): 709-714.

［14］ 吳勇, 張超, 董學育. 模糊自整定PID在過熱汽溫控制中的應用研究[J]. 自動化與儀器儀表, 2016(4): 107-109.

WU Yong, ZHANG Chao, DONG Xueyu. Application of fuzzy self-tuning PID in superheated steam temperature control[J]. Automation and Instrumentation, 2016(4): 107-109.

［15］ 莊偉, 肖伯樂, 高升, 等. 模糊PID在單元機組主汽溫控制系統(tǒng)中的應用[J]. 發(fā)電設備, 2015, 29(5): 331-335.

ZHUANG Wei, XIAO Bole, GAO Sheng, et al. Appli- cation of fuzzy PID in main steam temperature control of the power unit[J]. Power Equipment, 2015, 29(5): 331-335.

［16］ 趙雷. 基于智能控制算法的燃燒系統(tǒng)優(yōu)化模型研究[J]. 鍋爐制造, 2016(4): 30-33.

ZHAO Lei. Research of combustion system optimization model based on intelligent control algorithm[J]. Boiler Manufacturing, 2016(4): 30-33.

［17］ ZHANG Y, DING Y, WU Z, et al. Modeling and coordinative optimization of NOemission and efficiency of utility boilers with neural network[J]. Korean Journal of Chemical Engineering, 2007, 24(6): 1118-1123.

［18］ 王禹朋, 閻維平, 祝云飛, 等. 支持向量機理論與遺傳算法相結合的300 MW機組鍋爐多目標燃燒優(yōu)化[J]. 熱力發(fā)電, 2015, 44(10): 91-96.

WANG Yupeng, YAN Weiping, ZHU Yunfei, et al. Multi-objective combustion optimization for a 300 MW unit using support vector machine theory combining with genetic algorithm[J]. Thermal Power Generation, 2015, 44(10): 91-96.

［19］ 龍文, 梁昔明, 龍祖強, 等. 基于蟻群算法和LSSVM的鍋爐燃燒優(yōu)化預測控制[J]. 電力自動化設備, 2011, 31(11): 89-93.

LONG Wen, LIANG Ximing, LONG Zuqiang, et al. Predictive control based on LSSVM and ACO for boiler combustion optimization[J]. Electric Power Automation Equipment, 2011, 31(11): 89-93.

［20］ 孟范偉, 徐博, 呂曉永, 等. 神經網絡預測控制在SCR煙氣脫硝系統(tǒng)中應用[J]. 東北大學學報(自然科學版), 2017, 38(6): 778-782.

MENG Fanwei, XU Bo, LYU Xiaoyong, et al. Application of neural network predictive control in SCR flue gas denitration system[J]. Journal of Northeastern University (Natural Science Edition), 2017, 38(6): 778-782.

［21］ 周洪煜, 趙乾, 張振華, 等. 煙氣脫硝噴氨量SA-RBF神經網絡最優(yōu)控制[J]. 控制工程, 2012, 19(6): 947-951.

ZHOU Hongyu, ZHAO Qian, ZHANG Zhenhua, et al. Sensitivity analysis radial basis function neural network control on spraying ammonia flow denitrification[J]. Control Engineering of China, 2012, 19(6): 947-951.

［22］ 任國華. 基于神經網絡預測控制的直接空冷背壓控制優(yōu)化[D]. 太原: 山西大學, 2012: 18-34.

REN Guohua. The optimization of back pressure control system direct air cooled condenser based on NNPC[D]. Taiyuan: Shanxi University, 2012: 18-34.

［23］ 劉鑫屏, 劉吉臻, 樓冠男, 等. 球磨煤機隸屬函數(shù)型模糊神經網絡解耦控制方法[J]. 中國電力, 2010, 43(4): 72-75.

LIU Xinping, LIU Jizhen, LOU Guannan, et al. Research on fuzzy neural network decoupling control method based on membership function for ball mill[J]. Electric Power, 2010, 43(4): 72-75.

［24］ 張柯, 韋光輝, 盧佳樂, 等. 基于動態(tài)RBF網絡的預測控制在中速磨煤機優(yōu)化控制的應用[J]. 化工自動化及儀表, 2016, 43(1): 58-61.

ZHANG Ke, WEI Guanghui, LU Jiale, et al. Application of dynamic RBF neural network-based predictive control in optimizing control over medium speed mill[J]. Control and Instruments in Chemical Industry, 2016, 43(1): 58-61.

［25］ 王萬召, 趙興濤, 譚文. 流化床燃燒系統(tǒng)模糊-神經元PID解耦補償控制[J]. 中國電機工程學報, 2008, 28(8): 94-98.

WANG Wanzhao, ZHAO Xingtao, TAN Wen. Fuzzy-neural PID decoupling compensation control circulating fluidized bed boiler combustion system[J]. Proceedings of the CSEE, 2008, 28(8): 94-98.

［26］ 朱曉星, 尋新, 陳厚濤, 等. 基于智能算法的火電機組啟動優(yōu)化控制技術[J]. 中國電力, 2018, 51(10): 43-47.

ZHU Xiaoxing, XUN Xin, CHEN Houtao, et al. Optimized control technology for start-up process of thermal power units based on intelligent algorithm[J]. Electric Power, 2018, 51(10): 43-47.

［27］ 高建強, 馬亞, 鐘錫鎮(zhèn), 等. 基于神經網絡的直接空冷凝汽器故障診斷研究[J]. 華北電力大學學報, 2013, 40(3): 69-73.

GAO Jianqiang, MA Ya, ZHONG Xizhen, et al. Research on fault diagnosis of direct air-cooled condenser based on genetic-BP neural network[J]. Journal of North China Electric Power University, 2013, 40(3): 69-73.

［28］ 余熳燁, 林穎. 基于小波-神經網絡的某電廠汽輪機振動故障診斷系統(tǒng)的研究[J]. 機床與液壓, 2013, 41(15): 194-196.

YU Manye, LIN Ying. Research on a steam turbine vibration fault diagnosis system for a power plant based on wavelet-neural network[J]. Machine Tool and Hydraulics, 2013, 41(15): 194-196.

［29］ 王松嶺, 劉錦廉, 許小剛. 基于小波包變換和奇異值分解的風機故障診斷研究[J]. 熱力發(fā)電, 2013, 42(11): 101-106.

WANG Songling, LIU Jinlian, XU Xiaogang. Wavelet packet transform and singular value decomposition based fault diagnosis of fans[J]. Thermal Power Generation, 2013, 42(11): 101-106.

［30］ FAST M, PALMé T. Application of artificial neural network to the condition monitoring and diagnosis of a combined heat and power plant[J]. Energy, 2010, 35(2): 1114-1120.

［31］ 李鐵蒼, 周黎輝, 張光偉, 等. 基于粒子群算法的火電廠機組負荷優(yōu)化分配[J]. 華北電力大學學報, 2008, 35(1): 44-47.

LI Tiecang, ZHOU Lihui, ZHANG Guangwei, et al. Research on load optimal dispatch among thermal power units based on particle swarm optimization algorithm[J]. Journal of North China Electric Power University, 2008, 35(1): 44-47.

［32］ 余廷芳, 彭春華. 遺傳粒子群混合算法在電廠機組負荷組合優(yōu)化中的應用[J]. 電力自動化設備, 2010, 30(10): 22-26.

YU Tingfang, PENG Chunhua. Application of hybrid algorithm in unit commitment optimization[J]. Electric Power Automation Equipment, 2010, 30(10): 22-26.

［33］ 趙越, 蒙毅, 李仁義. 基于粒子群優(yōu)化算法分析約束條件對配煤最優(yōu)價格的影響[J]. 熱力發(fā)電, 2017, 46(12): 99-104.

ZHAO Yue, MENG Yi, LI Renyi. Influence of constraints on optimal price of blending coal: by particle swarm optimization algorithm[J]. Thermal Power Generation, 2017, 46(12): 99-104.

［34］ 李號彩. 大數(shù)據技術在智能配煤摻燒中的應用[J]. 電力大數(shù)據, 2017, 20(8): 41-44.

LI Haocai. Application of large data technology in intelligent coal blending combustion[J]. Power Systems and Big Data, 2017, 20(8): 41-44.

［35］ 張燕東, 田磊, 李茂清, 等. 智能巡檢機器人系統(tǒng)在火力發(fā)電行業(yè)的應用研發(fā)及示范[J]. 中國電力, 2017, 50(10): 1-7.

ZHANG Yandong, TIAN Lei, LI Maoqing, et al. Application and development of intelligent inspection robot system in thermal power plant[J]. Electric Power, 2017, 50(10): 1-7.

［36］ 楊新民, 陳豐, 曾衛(wèi)東, 等. 智能電站的概念及結 構[J], 熱力發(fā)電, 2015, 44(10): 10-13.

YANG Xinmin, CHEN Feng, ZENG Weidong, et al. Concept and structure of intelligent power stations[J]. Thermal Power Generation, 2015, 44(10): 10-13.

［37］ 劉吉臻, 胡勇, 曾德良, 等. 智能發(fā)電廠的架構及特征[J]. 中國電機工程學報, 2017, 31(22): 6463-6470.

LIU Jizhen, HU Yong, ZENG Deliang, et al. Architecture and feature of smart power generation[J]. Proceedings of the CSEE, 2017, 31(22): 6463-6470.

［38］ 劉振亞. 智能電網技術[M]. 北京: 中國電力出版社, 2010: 10-16．

LIU Zhenya. Smart power grid technology[M]. Beijing: Electric Power Press, 2010: 10-16.

［39］ 陳世和, 張曦. 基于工業(yè)4.0的智能電站控制技術[J]. 自動化博覽, 2015(9): 42-50.

CHEN Shihe, ZHANG Xi. Control technology of smart power plant based on industry 4.0[J]. Automation Panorama, 2015(9): 42-50.

［40］ 張晉賓, 周四維. 智能電廠概念及體系架構模型研 究[J]. 中國電力, 2018, 51(10): 2-7.

ZHANG Jinbin, ZHOU Siwei. Study on the concept of the smart power plant and its architecture model[J]. Electric Power, 2018, 51(10): 2-7.

［41］ 火力發(fā)電廠智能化技術導則: T/CEC 164—2018[S]. 北京: 中國電力出版社, 2018: 3.

Technical guide for thermal power plant intellectualization: T/CEC 164—2018[S]. Beijing: China Electric Power Press, 2018: 3.

［42］ 郭為民, 張廣濤, 李炳楠, 等. 火電廠智能化建設規(guī)劃與技術路線[J]. 中國電力, 2018, 51(10): 17-25.

GUO Weimin, ZHANG Guangtao, LI Bingnan, et al. Construction planning and technical route for thermal power plant intelligentization[J]. Electric Power, 2018, 51(10): 17-25.

［43］ 潘衛(wèi)東, 武霞, 潘瑞. 智能電廠新技術應用現(xiàn)狀及發(fā)展前景[J]. 內蒙古電力技術, 2018, 36(3): 83-88.

PAN Weidong, WU Xia, PAN Rui. Application status and development prospect of new technology in smart power plant[J]. Inner Mongolia Electric Power, 2018, 36(3): 83-88.

［44］ 許繼剛, 鄭慧莉. 電廠自動化的現(xiàn)狀與未來[J].自動化博覽, 2016, 33(9): 38-42.

XU Jigang, ZHENG Huili. The present situation and future of power plant automation[J]. Automation Panorama, 2016, 33(9): 38-42.

［45］ 尹峰, 陳波, 蘇燁, 等. 智慧電廠與智能發(fā)電典型研究方向及關鍵技術綜述[J]. 浙江電力, 2017, 36(10): 1-6.

YIN Feng, CHEN Bo, SU Ye, et al. Discussion on typical research directions and key technologies for smart power plants and smart power generation[J]. Zhejiang Electric Power, 2017, 36(10): 1-6.

［46］ 楊新民. 智能控制技術在火電廠應用研究現(xiàn)狀與展望[J]. 熱力發(fā)電, 2018, 47(7): 1-9.

YANG Xinmin. Application status and prospect of intelligent control technology in thermal power plants[J]. Thermal Power Generation, 2018, 47(7): 1-9.

［47］ 華志剛, 郭榮, 汪勇. 燃煤智能發(fā)電的關鍵技術[J]. 中國電力, 2018, 51(10): 8-16.

HUA Zhigang, GUO Rong, WANG Yong. Key tech- nologies for intelligent coal-fired power generation[J]. Electric Power, 2018, 51(10): 8-16.

Present situation and prospect of thermal power plant intelligentization

YANG Xinmin, ZENG Weidong, XIAO Yong

(Xi’an Thermal Power Research Institute Co., Ltd., Xi’an 710054, China)

Using artificial intelligence technology to improve the safety, economy and environmental protection of thermal power stations has become a hot spot in industry research and application. On the basis of summarizing the current situation of application of artificial intelligence technology in equipment layer, control layer and management layer of thermal power plants and presenting the construction situation of smart power plants, this paper describes the main problems encountered during the application process, such as system architecture defects, lack of perceived devices, data sharing difficulties, cognitive differences and lack of standard specifications. It puts forward that research and application should be strengthened in the process of the development of thermal power plant to intellectualization in the following aspect: the development and perfection of the platform, fuel management, active safety, early warning of equipment failure, boiler combustion control, network source interactive flexibility control, robot patrol inspection, equipment testing, bidding decision support, information and function security, group-level data platform and so on.

thermal power station, intelligentilization, power generation, intelligent control, intelligent algorithm, automatic control, development outlook

TM621；TK323

A

10.19666/j.rlfd.201905098

2019-05-28

楊新民(1963—)，男，碩士，正高級工程師，主要研究方向為電站自動控制，yangxinminx@tpri.com.cn。

楊新民, 曾衛(wèi)東, 肖勇. 火電站智能化現(xiàn)狀及展望[J]. 熱力發(fā)電, 2019, 48(9): 1-8. YANG Xinmin, ZENG Weidong, XIAO Yong. Present situation and prospect of thermal power plant intelligentization[J]. Thermal Power Generation, 2019, 48(9): 1-8.

（責任編輯 杜亞勤）