貢文明

（江蘇華電戚墅堰發(fā)電有限公司 生產(chǎn)技術(shù)部，江蘇 常州 213011）

現(xiàn)代化火電廠是一個龐大而又復雜的、集成多種關(guān)鍵設備的工廠，電廠生產(chǎn)過程的任何故障不僅直接影響電能的產(chǎn)量和質(zhì)量，而且還可能造成設備毀壞和人身事故。要使發(fā)電機組設備能夠安全、可靠、有效地運行，使其充分發(fā)揮作用，發(fā)展設備在線監(jiān)控和智能預警技術(shù)是必經(jīng)之路。

智能預警技術(shù)的基本思想是實時監(jiān)測設備的運行狀態(tài)，在設備故障產(chǎn)生初期，即設備當前運行狀態(tài)剛開始偏離正常運行狀態(tài)時，給出準確的、快速的預警結(jié)果，縮小故障定位范圍，為檢修和運行人員爭取更多的故障處理時間與主動性，提高機組設備運行的可靠性，降低維修成本，減少經(jīng)濟損失。電廠設備在線監(jiān)測與智能預警系統(tǒng)，針對電力行業(yè)發(fā)電機組中重要的設備設計并研發(fā)的一款智能分析系統(tǒng)，為發(fā)電機組的設備監(jiān)控、預警、檢修、輔助決策等提供整體的解決方案。

1 框架設計

基于大數(shù)據(jù)分析和物理建模的智能預警充分利用現(xiàn)已積累的海量數(shù)據(jù)和新增的運行數(shù)據(jù)，通過大數(shù)據(jù)分析和人工智能技術(shù)的應用，實現(xiàn)機組故障早期預警和診斷，提高設備的可利用率，為最終實現(xiàn)狀態(tài)檢修打下堅實的基礎。

系統(tǒng)采用B/S架構(gòu)，由基礎技術(shù)平臺、軟件支撐系統(tǒng)、基于大數(shù)據(jù)的智能預警、故障診斷等功能模塊構(gòu)成。集成于大數(shù)據(jù)平臺，面向生產(chǎn)管理人員及領(lǐng)導。每套機組配置一臺智能預警服務器和顯示器，服務器與管控系統(tǒng)數(shù)據(jù)庫進行通信，并利用歷史數(shù)據(jù)建立各種預警模型。生產(chǎn)管理人員及領(lǐng)導均可在桌面顯示終端獲取預警信息，可顯示系統(tǒng)級、設備級以及測量級的預警畫面，并有豐富的實時、歷史趨勢查詢、預警查詢和統(tǒng)計等功能。主要包括以下幾個部分：

（1）現(xiàn)場采集層?，F(xiàn)場采集層包括一系列用于設備狀態(tài)數(shù)據(jù)和過程量數(shù)據(jù)的采集裝置和軟件構(gòu)成，針對本次項目，現(xiàn)場采集層的配置主要包括信號采集系統(tǒng)、SyncBase（實時數(shù)據(jù)庫）、Gateway過程量數(shù)據(jù)采集網(wǎng)關(guān)（軟件）等。

（2）數(shù)據(jù)存儲層。數(shù)據(jù)資源層是經(jīng)過原始數(shù)據(jù)采集和外部系統(tǒng)數(shù)據(jù)采集后整理的主題數(shù)據(jù)區(qū)，來自存儲于關(guān)系型數(shù)據(jù)庫管理系統(tǒng)和SyncBase實時數(shù)據(jù)庫系統(tǒng)中，經(jīng)過歸類處理，將可能用于設備狀態(tài)分析與預警的數(shù)據(jù)，其主要包括臺賬數(shù)據(jù)、在線數(shù)據(jù)、離線數(shù)據(jù)、運檢數(shù)據(jù)和試驗數(shù)據(jù)等。

（3）數(shù)據(jù)分析層。數(shù)據(jù)分析層是通過基于特征量分析技術(shù)的大數(shù)據(jù)分析引擎對狀態(tài)采集數(shù)據(jù)路由存儲至關(guān)系型數(shù)據(jù)庫管理系統(tǒng)和SyncBase實時數(shù)據(jù)庫系統(tǒng)中，同時對智能預警及設備故障診斷提供數(shù)據(jù)和算法支持。

（4）應用層。應用層是劃分的多個應用模塊，分別為在線狀態(tài)檢測系統(tǒng)、過程量數(shù)據(jù)采集與狀態(tài)分析系統(tǒng)、故障特征提取系統(tǒng)、智能設備預警和故障診斷系統(tǒng)等。

圖1 預警系統(tǒng)架構(gòu)

2 實現(xiàn)原理

智能預警系統(tǒng)抓取現(xiàn)場異常，是通過使用python程序來實現(xiàn)算法的運用，故智能預警的關(guān)鍵技術(shù)則是對于重要算法的實現(xiàn)。為實現(xiàn)對于異常狀態(tài)數(shù)據(jù)的識別，需要考慮使用算法對參數(shù)進行相應的處理，例如，相關(guān)性分析、KNN近鄰分析算法、MSET以及滑動窗口濾波法。算法作為數(shù)據(jù)處理的工具，用于發(fā)電機組的預警與診斷中，不可直接照搬，需要根據(jù)系統(tǒng)與設備的參數(shù)特性，合理選擇并適當處理后才可用于工程實際，否則，應用效果會大打折扣。

2.1 相關(guān)性分析

相關(guān)性分析一般是對存在關(guān)聯(lián)關(guān)系的變量之間進行分析，從可量化的角度來分份變量之間的關(guān)聯(lián)程度。相關(guān)性分析較為經(jīng)典的方法有皮爾遜相關(guān)系數(shù)、肯德爾相關(guān)系數(shù)以及斯皮爾曼相關(guān)系數(shù)。以皮爾遜相關(guān)系數(shù)為例，其計算公式如下所示，其中α為相關(guān)性系數(shù)。

一般而言，對于電廠系統(tǒng)設備部分參數(shù)之間存在強關(guān)聯(lián)性（正相關(guān)或負相關(guān)）。如機組功率和主給水流量（正相關(guān)性）、電機電流與泵組出力等（正相關(guān)性）。當系統(tǒng)設備出現(xiàn)異常，往往會打破這種強關(guān)聯(lián)性的關(guān)系，可以在參數(shù)出現(xiàn)異常的早期階段識別此類異常，所以，相關(guān)性分析可以作為數(shù)據(jù)驅(qū)動建模的維度之一。

2.2 KNN近鄰分析算法

使用正常的運行數(shù)據(jù)建模分析，并運用模型來計算實時數(shù)據(jù)是否正常，此類情況屬于監(jiān)督式學習，也就是模型訓練數(shù)據(jù)都是帶有標簽的樣本，即通過帶有標簽的訓練數(shù)據(jù)建立模型，從而能夠?qū)ξ粗臉撕灅颖具M行預測。

KNN（K-Nearest Neighbor），即K近鄰算法。通俗來講，當預測一個未知樣本的時候，該樣本屬于何種類型是由K個最近的鄰居來決定的，或者當樣本與哪幾個鄰居最為接近，則與這幾個鄰居更為相似。

2.3 MSET多元狀態(tài)估計

MSET是一種測量新狀態(tài)與正常工作狀態(tài)相似性的算法。其本質(zhì)是通過對正常的歷史數(shù)據(jù)訓練學習建立正常狀態(tài)模型，對于每個新的工作狀態(tài)，依據(jù)模型來估計該狀態(tài)是否正常。

使用MSET首先從歷史數(shù)據(jù)進行處理，剔除異常數(shù)據(jù)后，建立記憶矩陣：

Dn×m表示系統(tǒng)監(jiān)測的n個變量中，選取了m個正常時刻的歷史值。為計算當前狀態(tài)是否正常，可以將當前值與歷史值做對比并計算出估計向量，通過構(gòu)造觀測向量（當前值）和估計向量之間的殘差，則可以衡量當前值與歷史值的偏差大小，偏差小則認為當前狀態(tài)正常，反之則異常。偏差大小的選取則是基于訓練集計算得出。

3 系統(tǒng)實現(xiàn)

系統(tǒng)整體流程如圖2所示。

圖2 智能預警實現(xiàn)流程框圖

3.1 設備本體參數(shù)智能預警

采用單點統(tǒng)計、設備預警算法：當設備出現(xiàn)異常、故障后，設備本體參數(shù)（如振動、溫度等）會偏離正常狀態(tài)。設備本體智能預警系統(tǒng)可在設備發(fā)生異常、故障后的短時間內(nèi)進行預警，避免非正常停機，降低設備維修成本。除了主設備外，原理上對所有設備均可實現(xiàn)智能預警。

3.2 工藝系統(tǒng)智能預警

采用系統(tǒng)預警算法：當出現(xiàn)設備異常、控制調(diào)節(jié)異常等情形時，工藝參數(shù)會產(chǎn)生相應變化，偏離正常運行值。工藝系統(tǒng)智能預警即針對上述異常發(fā)生后引起的工藝參數(shù)非正常變化進行預警，有助于運行人員盡早處理異常。

3.3 冗余測點智能預警

采用雙冗余、三冗余測點預警算法：當某個冗余測點偏離正常運行值，出現(xiàn)異常情況時，冗余測點預警算法即針對上述異常發(fā)生后引起的參數(shù)非正常變化進行預警，提醒運行人員盡早處理異常。

3.4 數(shù)據(jù)模型和機理模型有機結(jié)合

預警服務采集的數(shù)據(jù)輸入數(shù)據(jù)清理標準模型，通過一系列步驟“清理”數(shù)據(jù)，然后以期望的模式輸出清理過的數(shù)據(jù)，提供給智能算法建模模塊。通過數(shù)據(jù)模型和機理模型相結(jié)合，使用大數(shù)據(jù)分析技術(shù)，實時計算并綜合評估機組關(guān)鍵設備及主要系統(tǒng)當前的健康狀態(tài)，當出現(xiàn)異常情況時能提前發(fā)出預警，并給出可能的原因。當測點發(fā)生微小偏差時，能夠從海量數(shù)據(jù)中，提前識別和抓取異常，且預警系統(tǒng)的靈敏程度可以依據(jù)系統(tǒng)和設備特性自行調(diào)整。從每日、每月、每年等多個時間維度展示預警相關(guān)統(tǒng)計信息，有利于綜合分析和把握系統(tǒng)和設備的健康狀態(tài)。

4 結(jié)語

該系統(tǒng)通過大量數(shù)據(jù)的挖掘、預警模型的精確建立和專家知識庫的自我學習，實現(xiàn)系統(tǒng)和設備的在線監(jiān)測、診斷與預警功能，大幅提高設備運行的安全性、可靠性和穩(wěn)定性，具有更智能、更科學、更簡潔、更體系、更人性等特征，具有很好的推廣價值。