火电厂嵌入式智慧监盘系统建模研究

储墨1 侯江敏1 赵亮1 陈学峰1 董鹏1 郑峰1 吕涛1

1.华能莱芜发电有限公司，山东 济南271100

摘 要：随着我国经济结构调整和转型升级深入推进，以及电力体制改革大力实施，智慧电厂已经成为行业发展的趋势。在节能、降耗、减排等政策驱动下，综合互联网技术、大数据资源、推进智慧电厂建设，成为有效提升电厂核心竞争力，推动电厂持续发展的手段。为此，本文结合某火电厂1000MW超超临界机组，介绍火电厂嵌入式智慧监盘，为火电企业提供参考。

关键词：嵌入式；智慧监盘；健康度评价；神经网络；建模

0 引言

2013年汉诺威工业博览会上德国正式推出工业4.0（Industry4.0）以来，在全球范围内引发了新一轮的工业转型。作为助力本轮科技革命和产业变革的战略性技术，以深度学习、知识图谱等为代表的新一轮人工智能技术呈现出爆发趋势，工业智能迎来了发展的新阶段。通过海量数据的全面实时感知、端到端深度集成和智能化建模分析，工业智能将企业的分析决策水平提升到了全新高度。【1】

我国能源结构正在发生变革，传统能源企业转型升级、高质量发展需求不断增加。以大数据、云计算、工业互联网等新技术在火电机组逐步应用，催生出了许多创新性技术，智慧监盘系统就是其中的典型。

本文结合某1000MW超超临界二次再热燃煤机组，开展了火电厂嵌入式智慧监盘系统建模的研究。

1 嵌入式智慧监盘系统

本文介绍的嵌入式智慧监盘系统是基于Ovation分散控制系统，构建热力系统和热力设备模型，与DCS控制逻辑融合，实现故障预警，使机组运行更安全、更经济、更环保。

智慧监盘系统的关键点是建立准确的故障预警模型，模型要能覆盖机组所有可监视参数和设备，且要能在DCS系统里高效安全稳定地在线运行这些模型。本文讲述的是一种与DCS系统深度融合的一体化智慧监盘系统，该系统直接部署在DCS上，利用API接口从DCS高速公路上完成实时数据采集，为模型训练提供更快更准确更可靠的数据样本，同时可以将结果送到DCS系统，展示在操作员画面上。

2 建模算法

建立系统模型的过程，又称模型化。建模是研究系统的重要手段和前提。凡是用模型描述系统的因果关系或相互关系的过程都属于建模。

算法（Algorithm）是指解题方案的准确而完整的描述，是一系列解决问题的清晰指令，算法代表着用系统的方法描述解决问题的策略机制。针对火电厂工艺系统建模，本方案主要采用了回归算法、聚类分析、神经网络算法、多变量状态估计等算法方法。

2.1 线性回归算法（Linear Regression Algorithm）

回归算法是一种比较常用的机器学习算法，用来解释变量（自变量X）和观测值（因变量Y）之间的关系；从机器学习的角度来讲，用于构建一个算法模型函数来做X与Y之间的映射关系。

+

+…+

= +…+

= +…+

= =

线性回归(Linear Regression)是利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。

在线性回归中，数据使用线性预测函数来建模，并且未知的模型参数也是通过数据来估计。这些模型被叫做线性模型。最常用的线性回归建模是给定X值的y的条件均值是X的仿射函数。不太一般的情况，线性回归模型可以是一个中位数或一些其他的给定X的条件下y的条件分布的分位数作为X的线性函数表示。像所有形式的回归分析一样，线性回归也把焦点放在给定X值的y的条件概率分布，而不是X和y的联合概率分布（多元分析领域）。

为了求出多元线性回归模型中的参数 …  ,可采用最小二乘法，即在其数学模型所属的函数类中找一个近似的函数，使得这个近似函数在已知的对应数据上尽可能和真实函数接近。

设 … 分别是 … 的最小二乘估计，则多元回归方程为Y= + +…+ ，其中 … 叫做回归系数。根据微积分学中的极值原理， … 是如下方程组的解，

（X’X） =X’Y，其中 =（ … ）’。X’是X的转置矩阵。当X’X满秩时，逆矩阵（X’X）-1存在，系数矩阵 =（X’X）^-1X’Y，至此我们就得到了n元线性回归方程。

2.2 聚类分析（Cluster Analysis）

聚类分析是研究数据分类问题的一种统计方法，同时也是数据挖掘的一个重要算法。聚类分析是以相似性为基础，在一个积累的模式之间比不在同一个聚类中的模式之间具有更多的相似性。

聚类就是对大量未知标注的数据集，按照数据内部存在的数据特征将数据集划分为多个不同的类别，使类别内的数据比较相似，类别之间的数据相似度较小。因此，聚类算法的重点是计算样本项之间的相似度，即相似距离。

闵可夫斯基距离（Minkowski）

当p为1的时候是曼哈顿距离（Manhattan）

dist(X,Y)=

当p为2的时候是欧式距离（Euclidean）

S_E_D=

当p为无穷大的时候是切比雪夫距离（Chebyshev）

M_dist= ，E_dist=

C_dist=

聚类算法对于给定的类别数目i，首先给定初始划分，通过迭代改变样本和簇的隶属关系，使得每次处理后得到的划分方式比上一次的好。

2.3 神经网络算法（Neural network Algorithm）

神经网络是深度学习的基础，是以人脑中的神经网络作为启发，模拟人的思维方式。这是一个非线性的系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的机构极其简单，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。

神经网络的学习主要蕴含在权重和阈值中，多层网络使用上面简单感知机的权重调整规则显然不够用了，BP神经网络算法即误差逆传播算法（error Backpropagation）正是为学习多层前馈神经网络而设计，BP神经网络算法是迄今为止最成功的的神经网络学习算法。

BP神经网络具有任意复杂的模式分类能力和优良的多维函数映射能力，解决了简单感知器不能解决的异或(Exclusive OR，XOR)和一些其他问题。从结构上讲，BP网络具有输入层、隐藏层和输出层；从本质上讲，BP算法就是以网络误差平方为目标函数、采用梯度下降法来计算目标函数的最小值。BP算法是一种计算偏导数的有效方法，它的基本原理是：利用前向传播最后输出的结果来计算误差的偏导数，再用这个偏导数和前面的隐藏层进行加权求和，如此一层一层的向后传下去，直到输入层(不计算输入层)，最后利用每个节点求出的偏导数来更新权重。

2.4 多变量状态估计（Multivariate State Estimation Technique）

MSET是由Singer等提出的一种非线性的多元预测诊断技术，是一种通过分析对比实际监测参数与设备正常运行时的健康数据为基础，对正常运行时的各个参数进行运算并做出估计，以这种正常的状态估计作为标准。当得到实际的运行数据时，同样以健康数据为基础，并找到实际数据与健康数据的关联程度，以此对实际运行状态做出估计，这种＂程度＂是通过权值向量来决定的，用于衡量实际状态与正常状态的相似性。最终对健康状态与实际运行状态的估计结果进行对比分折，并引入残差的概念，最终进行诊断。

MSET模型采用过程记忆矩阵，合理选择有限个历史观测向量代表整个参数特性的正常工作空间。其对整个正常工作空间总体上覆盖能力较好,但对正常工作空间的不同区域，其覆盖能力是有差异的。当MSET模型的输入观测向量位于这些区域时，其预测精度会有所下降，即在残差序列中会出现一些孤立的残差相对较大的点。这些孤立的残差相对较大的点并不是设备故障的征兆。滑动窗口残差统计方法计算滑动窗口内多个残差的统计特性，对上述情况下的孤立较大残差的不利影响具有很好的抑制作用。通过合理选择滑动窗口的宽度n ，既能及时迅速地反映残差统计特性的连续变化，又能消除随机因素的影响，提高参数监测的可靠性，降低误报警的几率。当设备工作正常时，MSET参数模型预测精度很高，预测残差的均值接近0，且标准差较小。当设备出现故障隐患时，其工作特性会发生改变，使新的观测向量偏离正常工作状态空间。

3 结论

嵌入式智慧监盘系统可以帮助运行人员从繁琐重复监盘变为精准捕捉异常，从低价值工作跃升为不断丰富、优化模型的创新工作，人机正向迭代，专家知识给机器赋能，使得运行人员面对异常不再手足无措，显著降低运行人员劳动强度，提高机组运行的安全性、经济性和环保性。

通过不断完善的建模平台和不断丰富的建模算法，总结边界约束条件，从而使得模型与设备之间的匹配度不断提高，与控制逻辑结合起来，可以实现故障诊断预测，最终实现少人监盘甚至无人监盘。

参考文献：

[1] 工业智能白皮书， 工业互联网产业联盟

[2] 关于推进“互联网+”智慧能源发展的指导意见，发改能源【2016】392号，国家发展改革委，国家能源局，工业和信息化部

[4] 华能莱芜电厂企业标准，Q/HN-1-51C3.13.001-2020,670MW机组集控运行规程.

[5] 刘吉臻，智能发电：第四次工业革命的大趋势。中国能源报，2016-7-25

2