周慧， 王瑤， 羅仁強(qiáng)， 黨俊榜， 肖振馨， 趙航

(1. 湖南大唐先一科技有限公司， 湖南 長沙 410004；2. 大唐陜西發(fā)電有限公司延安熱電廠， 陜西 延安 716004)

0 引言

隨著大數(shù)據(jù)技術(shù)的不斷發(fā)展， 智慧電廠的建設(shè)也在逐步深入， 智慧輔助監(jiān)盤作為智慧電廠建設(shè)中的“點(diǎn)睛之筆”， 宗旨就是計(jì)算機(jī)代替人完成部分重復(fù)繁瑣的監(jiān)盤工作， 在保證機(jī)組安全穩(wěn)定運(yùn)行的同時(shí)提高監(jiān)盤效率， 解放部分勞動(dòng)力[1－3]。 目前，國內(nèi)已有的監(jiān)盤系統(tǒng)產(chǎn)品多是注重機(jī)組與系統(tǒng)設(shè)備狀態(tài)的監(jiān)測與故障預(yù)警， 少有對系統(tǒng)與設(shè)備的故障識別、 故障處理指導(dǎo)的研究[4－6]。 邱志勤[7]提出了一種基于相似理論的智能監(jiān)盤系統(tǒng)， 對設(shè)備隱患進(jìn)行提前預(yù)警。 雷元金等[8]提出了一種基于人工智能算法的大型水電站智能監(jiān)盤系統(tǒng)， 對系統(tǒng)和設(shè)備的重要參數(shù)進(jìn)行監(jiān)測與預(yù)警。 因此， 本文提出一種大數(shù)據(jù)挖掘技術(shù)與規(guī)則引擎相結(jié)合的智慧輔助監(jiān)盤系統(tǒng)， 將設(shè)備狀態(tài)監(jiān)測與預(yù)警、 設(shè)備故障識別與故障處理指導(dǎo)有效地集成在一起， 實(shí)現(xiàn)對電廠系統(tǒng)設(shè)備狀態(tài)全方位的分析監(jiān)測與把控。

1 系統(tǒng)架構(gòu)

基于大數(shù)據(jù)挖掘與規(guī)則引擎的智慧輔助監(jiān)盤系統(tǒng)采用B/S 結(jié)構(gòu)， 以網(wǎng)絡(luò)服務(wù)器和PC 機(jī)為硬件基礎(chǔ)， 以人工智能平臺等為軟件基礎(chǔ)， 確保數(shù)據(jù)的準(zhǔn)確性和軟件系統(tǒng)的可拓展性[8－10]。 系統(tǒng)架構(gòu)示意如圖1 所示， 系統(tǒng)架構(gòu)可分為: 支撐層、 核心業(yè)務(wù)層和應(yīng)用層三個(gè)層級。

圖1 系統(tǒng)架構(gòu)示意圖

1) 支撐層: 包括私有云平臺、 實(shí)時(shí)數(shù)據(jù)庫、人工智能分析平臺、 URule 規(guī)則引擎、 關(guān)系數(shù)據(jù)庫和歷史數(shù)據(jù)采集程序等。

2) 核心處理層: 包括數(shù)據(jù)采集與處理、 算法模型和規(guī)則計(jì)算。 數(shù)據(jù)采集與處理支持歷史數(shù)據(jù)批量采集、 實(shí)時(shí)數(shù)據(jù)采集、 數(shù)據(jù)處理(包括數(shù)據(jù)聚合、 數(shù)據(jù)轉(zhuǎn)換、 數(shù)據(jù)探索、 數(shù)據(jù)清洗等)； 算法模型支持基于BP 神經(jīng)網(wǎng)絡(luò)多目標(biāo)回歸的狀態(tài)預(yù)警建模、 支持向量機(jī)多目標(biāo)回歸的狀態(tài)預(yù)警建模、 基于多元狀態(tài)估計(jì)的狀態(tài)預(yù)警等算法； 規(guī)則計(jì)算支持報(bào)警綜合指標(biāo)計(jì)算及規(guī)則引擎配置與實(shí)時(shí)計(jì)算。

3) 應(yīng)用層: 包括大數(shù)據(jù)分析建模、 監(jiān)盤畫面展示、 配置管理、 系統(tǒng)管理等應(yīng)用。

2 業(yè)務(wù)實(shí)現(xiàn)

系統(tǒng)主要基于多元狀態(tài)估計(jì)、 隨機(jī)森林、 多目標(biāo)回歸等大數(shù)據(jù)算法， 對電廠各個(gè)系統(tǒng)設(shè)備的健康狀態(tài)進(jìn)行評估、 重要參數(shù)進(jìn)行預(yù)測， 同時(shí)利用URule 規(guī)則引擎對系統(tǒng)故障預(yù)警信息給出異常描述及處理指導(dǎo)， 主要的業(yè)務(wù)實(shí)現(xiàn)流程如圖2 所示。

圖2 業(yè)務(wù)實(shí)現(xiàn)流程

3 關(guān)鍵技術(shù)

3.1 大數(shù)據(jù)分析與建模

3.1.1 數(shù)據(jù)采集與存儲

系統(tǒng)支持多種異構(gòu)數(shù)據(jù)源的數(shù)據(jù)抽取， 包括關(guān)系型數(shù)據(jù)源(支持Oracle、 MySQL 等)、 半結(jié)構(gòu)化數(shù)據(jù)源(如XML 文件等)、 數(shù)據(jù)文件(如txt 文件等)， 同時(shí)支持能返回結(jié)構(gòu)化數(shù)據(jù)的http 接口和webservice 接口等[11]。

支持實(shí)時(shí)數(shù)據(jù)與歷史數(shù)據(jù)采集， 實(shí)時(shí)數(shù)據(jù)采集采用實(shí)時(shí)數(shù)據(jù)鏡像程序?qū)懭隭DB 或者寫入Kafka；歷史數(shù)據(jù)采集采用程序?qū)懭氲絏DB/Hbase。 平臺提供多種分布式數(shù)據(jù)存儲方式， 包括分布式文件系統(tǒng)、 時(shí)序數(shù)據(jù)庫等。 每種方式都采用大數(shù)據(jù)分布式存儲技術(shù)， 并且適合不同用途的數(shù)據(jù)存儲。

3.1.2 數(shù)據(jù)挖掘

大數(shù)據(jù)分析是對大量結(jié)構(gòu)化和非結(jié)構(gòu)化的數(shù)據(jù)進(jìn)行分析處理， 從中獲得新的價(jià)值， 具有數(shù)據(jù)量大、 數(shù)據(jù)類型多、 處理要求快等特點(diǎn)。

1) 數(shù)據(jù)探索: 對從電廠廠級監(jiān)控信息系統(tǒng)采集的機(jī)組歷史運(yùn)行數(shù)據(jù)進(jìn)行深入摸底。 主要利用基本統(tǒng)計(jì)量分析， 對采集的各個(gè)參數(shù)的最大值、 最小值、 中值及平均值等進(jìn)行分析。

2) 數(shù)據(jù)預(yù)處理: 由于電廠運(yùn)行數(shù)據(jù)中可能包含噪音、 不完整、 甚至不一致的數(shù)據(jù)， 還有數(shù)據(jù)內(nèi)容不滿足挖掘的要求， 數(shù)據(jù)建模前需對涉及的數(shù)據(jù)對象進(jìn)行預(yù)處理。 主要運(yùn)用異常值處理、 相關(guān)性分析、 穩(wěn)定性分析等。

異常值處理: 對采集的歷史數(shù)據(jù)中出現(xiàn)的測點(diǎn)異常的值、 參數(shù)拉直線的值和不符合當(dāng)前實(shí)際工況的值進(jìn)行過濾或替換處理。

相關(guān)性分析: 在大量的設(shè)備參數(shù)中， 利用Pearson 相關(guān)性原理， 篩選出相關(guān)性低且能夠全面反映設(shè)備狀態(tài)的參數(shù)作為特征參數(shù)。

穩(wěn)定性分析: 利用穩(wěn)定性分析組件， 自由設(shè)置運(yùn)行時(shí)長， 篩選出連續(xù)穩(wěn)定運(yùn)行超過所設(shè)置的運(yùn)行時(shí)長的健康樣本。

3) 可視化建模: 采用圖形化、 流程化的方式進(jìn)行大數(shù)據(jù)挖掘工作， 找出背后的規(guī)律。 主要利用多元狀態(tài)估計(jì)算法對各種電力設(shè)備和系統(tǒng)的運(yùn)行狀態(tài)進(jìn)行評估。

4) 模型評價(jià): 通過算法對大量樣本進(jìn)行訓(xùn)練得到一個(gè)模型， 模型具有隱藏在海量數(shù)據(jù)中的價(jià)值， 需要評價(jià)模型質(zhì)量、 是否能在實(shí)際應(yīng)用中發(fā)揮預(yù)測或指導(dǎo)作用。

3.2 Urule 規(guī)則引擎

Urule 規(guī)則引擎是一種基于Java 的規(guī)則引擎，提供規(guī)則集、 決策表、 決策樹等多種類型的業(yè)務(wù)規(guī)則設(shè)計(jì)工具， 包含嵌入式、 本地、 分布式計(jì)算及獨(dú)立服務(wù)四種運(yùn)行模式[12－13]。 本系統(tǒng)中Urule 規(guī)則引擎采用分布式計(jì)算模式， 利用規(guī)則集的業(yè)務(wù)規(guī)則設(shè)計(jì)工具建立監(jiān)盤故障診斷專家系統(tǒng)。

規(guī)則庫以XML 文件的形式存儲系統(tǒng)推理所需要的規(guī)則， 系統(tǒng)根據(jù)大數(shù)據(jù)分析出來的故障數(shù)據(jù)，對電力系統(tǒng)及設(shè)備故障進(jìn)行診斷。 系統(tǒng)根據(jù)規(guī)則庫中配置的規(guī)則自動(dòng)匹配預(yù)警事件， 輸出對應(yīng)的故障操作指導(dǎo)。 規(guī)則引擎調(diào)用與故障推理過程如下。

1) 規(guī)則引擎配置: 以XML 文件的形式將模型涉及的參數(shù)導(dǎo)入成規(guī)則引擎庫文件； 配置監(jiān)盤異常知識庫， 對預(yù)警事件名稱、 產(chǎn)生的原因及處理指導(dǎo)進(jìn)行配置， 對每一個(gè)預(yù)警事件賦予唯一事件編號；通過庫文件配置導(dǎo)入模型參數(shù)信息， 利用規(guī)則集配置預(yù)警事件產(chǎn)生的條件。

2) 規(guī)則引擎調(diào)用: 對大數(shù)據(jù)平臺輸出的模型結(jié)果進(jìn)行封裝， 用http 接口調(diào)用模型結(jié)果， 通過模型狀態(tài)值觸發(fā)規(guī)則引擎。

3) 執(zhí)行規(guī)則: 對模型結(jié)果與規(guī)則設(shè)定的值進(jìn)行比對， 執(zhí)行并返回對應(yīng)的預(yù)警事件編碼。

4) 輸出結(jié)果: 通過規(guī)則引擎返回的預(yù)警事件編碼， 讀取并返回預(yù)警事件編碼對應(yīng)的事件名稱、原因分析及處理指導(dǎo)。

3.3 多元狀態(tài)估計(jì)算法

多元狀態(tài)估計(jì)技術(shù)(multivariate state estimation techniques， MSET) 是一種基于特征驅(qū)動(dòng)的多變量時(shí)間序列分析方法， 可以通過監(jiān)測電力系統(tǒng)設(shè)備實(shí)時(shí)運(yùn)行參數(shù)與歷史運(yùn)行參數(shù)的相似度來對系統(tǒng)或設(shè)備的狀態(tài)進(jìn)行計(jì)算和評價(jià)[14－16]。 MEST 算法利用系統(tǒng)或設(shè)備在各個(gè)工況下歷史運(yùn)行的健康樣本構(gòu)建典型樣本數(shù)據(jù)庫[17－19]， 利用在歷史健康樣本學(xué)習(xí)到的狀態(tài)參數(shù)關(guān)系來評估每一個(gè)新監(jiān)測實(shí)時(shí)樣本的健康狀態(tài)。

4 功能要求

4.1 設(shè)備狀態(tài)監(jiān)測與預(yù)警

機(jī)組監(jiān)測頁面: 從安全性、 故障預(yù)警、 自動(dòng)投入三個(gè)維度對電廠系統(tǒng)或設(shè)備狀態(tài)評分進(jìn)行展示，綜合三個(gè)維度的評分對系統(tǒng)或設(shè)備整體健康狀態(tài)評分進(jìn)行展示。 界面設(shè)置預(yù)警信息按鈕， 可查看當(dāng)前發(fā)生的預(yù)警事件和預(yù)警參數(shù)信息； 點(diǎn)擊對應(yīng)的系統(tǒng)或設(shè)備可鏈接到對應(yīng)的系統(tǒng)監(jiān)測界面。

系統(tǒng)監(jiān)測頁面: 分系統(tǒng)或設(shè)備對預(yù)警模型監(jiān)測參數(shù)的實(shí)際值、 期望值、 偏差及模型健康度進(jìn)行展示， 同時(shí)用顏色表示參數(shù)和模型的預(yù)警等級， 紅色表示一級預(yù)警， 黃色表示二級預(yù)警； 當(dāng)前發(fā)生的預(yù)警事件的名稱和狀態(tài)以事件列表的形式展示， 點(diǎn)擊對應(yīng)的預(yù)警事件， 則會顯示對應(yīng)事件的異常描述、原因分析與處理指導(dǎo)的詳細(xì)信息， 供運(yùn)行值班員進(jìn)行預(yù)警事件處理使用。

4.2 設(shè)備故障識別與處理指導(dǎo)

系統(tǒng)內(nèi)置異常處理知識庫， 根據(jù)設(shè)備監(jiān)測參數(shù)進(jìn)行預(yù)警原因規(guī)則樹推理， 并給出運(yùn)行處理建議。運(yùn)行異常或設(shè)備異常時(shí)， 系統(tǒng)發(fā)出預(yù)警并自動(dòng)關(guān)聯(lián)異常知識庫， 給出異常調(diào)整或診斷提示信息， 便于運(yùn)行人員查找原因， 進(jìn)行運(yùn)行調(diào)整或現(xiàn)場設(shè)備檢查處理。 異常知識庫是一個(gè)開放的診斷知識積累平臺， 能自動(dòng)監(jiān)視和記錄系統(tǒng)運(yùn)行異常和關(guān)鍵設(shè)備的異常發(fā)展過程、 可能原因、 征兆和措施等， 可進(jìn)行診斷知識的快速添加， 并在再次發(fā)生同樣征兆或異常時(shí)自動(dòng)提示相關(guān)異常處理知識。

4.3 數(shù)據(jù)分析與統(tǒng)計(jì)

趨勢分析頁面: 提供設(shè)備狀態(tài)健康度曲線分析， 包括監(jiān)測參數(shù)的實(shí)際值與期望值曲線、 設(shè)備健康度曲線。 運(yùn)行人員可以通過“選擇分析測點(diǎn)”的下拉框選擇需要查看的參數(shù)， 還可以通過查看各個(gè)參數(shù)的歷史數(shù)據(jù)， 分析系統(tǒng)或設(shè)備參數(shù)的劣化趨勢。

事件統(tǒng)計(jì)頁面: 支持歷史異常預(yù)警時(shí)間的查詢， 包括不同機(jī)組、 系統(tǒng)、 設(shè)備發(fā)生的預(yù)警頻次、預(yù)警無效次數(shù)、 累計(jì)持續(xù)時(shí)長等。

5 測試結(jié)果

以某電廠4 號機(jī)組制粉系統(tǒng)E 磨煤機(jī)的運(yùn)行數(shù)據(jù)作為系統(tǒng)功能測試數(shù)據(jù)來源， 選取該機(jī)2019 年6 月至2020 年5 月的歷史運(yùn)行數(shù)據(jù)為訓(xùn)練樣本， 每隔1 min 采集1 組數(shù)據(jù)， 共計(jì)527 052 組數(shù)據(jù)。 2020 年12 月26 日， E 磨煤機(jī)出口風(fēng)、 粉溫度高導(dǎo)致磨煤機(jī)故障， 選取故障發(fā)生前后約8 h(2020－12－26 15:00:00—2020－12－27 07:39:00)的運(yùn)行數(shù)據(jù)為測試數(shù)據(jù)， 共計(jì)1 000 組數(shù)據(jù)。 選取代表制粉系統(tǒng)中磨煤機(jī)主電機(jī)電流等5 個(gè)相關(guān)性弱的關(guān)鍵參數(shù)進(jìn)行建模分析。

將采集的訓(xùn)練樣本寫入人工智能平臺進(jìn)行大數(shù)據(jù)分析與挖掘， 包括對數(shù)據(jù)進(jìn)行預(yù)處理、 相關(guān)性分析、 穩(wěn)定性分析及典型樣本選取等。 將篩選出來的健康訓(xùn)練樣本和典型樣本接入多元狀態(tài)估計(jì)預(yù)警組件， 得到監(jiān)測參數(shù)的健康固定上下限值和健康偏差上下限值， 具體參數(shù)預(yù)警上下限值見表1。

表1 參數(shù)預(yù)警上下限值

磨煤機(jī)主電機(jī)電流、 磨煤機(jī)進(jìn)出口差壓、 磨煤機(jī)出口風(fēng)粉混合物溫度、 磨煤機(jī)煤位、 給煤機(jī)瞬時(shí)給煤量的監(jiān)測與估計(jì)結(jié)果如圖3—7 所示。

圖3 磨煤機(jī)出口風(fēng)粉混合物溫度監(jiān)測與估計(jì)結(jié)果

圖4 給煤機(jī)瞬時(shí)給煤量監(jiān)測與估計(jì)結(jié)果

圖5 磨煤機(jī)進(jìn)出口差壓監(jiān)測與估計(jì)結(jié)果

圖6 磨煤機(jī)主電機(jī)電流監(jiān)測與估計(jì)結(jié)果

圖7 磨煤機(jī)煤位監(jiān)測與估計(jì)結(jié)果

由圖3—7 可知， 磨煤機(jī)主電機(jī)電流、 磨煤機(jī)進(jìn)出口差壓和磨煤機(jī)煤位預(yù)測精度較高且殘差較小， 均屬于正常狀態(tài)， 但磨煤機(jī)出口風(fēng)粉混合物溫度和給煤機(jī)瞬時(shí)給煤量在2020 年12 月26 日23:50:00 的監(jiān)測參數(shù)有明顯增大的趨勢且超出了健康固定上限值， 對應(yīng)的估計(jì)偏差超出了健康偏差上限值， 表明故障發(fā)生。 系統(tǒng)觸發(fā)URule 規(guī)則引擎， 根據(jù)事件編碼發(fā)出預(yù)警指導(dǎo)信息并給出異常描述、 原因分析與處理指導(dǎo)。

測試結(jié)果表明， 基于大數(shù)據(jù)挖掘與規(guī)則引擎的智能輔助監(jiān)盤系統(tǒng)對電廠系統(tǒng)或設(shè)備運(yùn)行狀態(tài)進(jìn)行預(yù)測具有較好的效果， 能夠有效地對電力系統(tǒng)或設(shè)備運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測， 幫助運(yùn)行監(jiān)盤人員發(fā)現(xiàn)設(shè)備和參數(shù)的異常， 更加全面地實(shí)現(xiàn)對電廠系統(tǒng)設(shè)備狀態(tài)的監(jiān)測。

6 結(jié)語

本文研究基于大數(shù)據(jù)挖掘與規(guī)則引擎的智能監(jiān)盤系統(tǒng)， 依托各類先進(jìn)的機(jī)器學(xué)習(xí)算法， 從生產(chǎn)監(jiān)測大數(shù)據(jù)中挖掘出各類系統(tǒng)和設(shè)備的參數(shù)變化規(guī)律， 準(zhǔn)確發(fā)現(xiàn)和提示運(yùn)行控制異常事件， 可以降低運(yùn)行人員監(jiān)盤壓力， 有效提高機(jī)組運(yùn)行可靠性。 同時(shí)， 運(yùn)行異常診斷知識庫還集成了電廠運(yùn)行專家、電廠運(yùn)行專工和值長的經(jīng)驗(yàn)和智慧， 歷史健康數(shù)據(jù)挖掘更是傳承了機(jī)組歷史運(yùn)行經(jīng)驗(yàn)。 綜合而言， 基于大數(shù)據(jù)挖掘與規(guī)則引擎的智能監(jiān)盤系統(tǒng)的有效實(shí)施與應(yīng)用將會提升機(jī)組的監(jiān)盤效率與運(yùn)行水平。