刘洋

摘要：随着现代科技迅猛发展，火电厂的智慧化与数字化标签越发浓重，不断向安全高效与环保生产标准靠拢。智能电厂融入了云平台与大数据技术，是数字化电厂的进一步升级，通过智能电厂的大数据应用优化，数据采集也更加科学，电厂运行管理水平得以有效提升，使得火电厂的人性化与安全性特征更加明显。

关键词：智能电厂;大数据;应用

在信息时代，大数据与物联网等技术的涌现推动了电力工业行业发展，基于信息网络技术的智能电厂概念应运而生。智能电厂以数字化电厂为前提，借助智能控制与处理分析技术，使火电厂在任何电网要求以及气象与排放等环境的条件下都能提供环保稳定的电能，逐步向一体化电厂转型。智能电厂在故障诊断与生产管理等方面，尤其从控制层面入手实施智能管理方式，对电厂管理水平完善有着积极的促进作用。

一、大数据应用在智能电厂的理论研究

大数据是指快速发现并分析复杂而繁琐的庞大数据，利用技术方式提取有价值的技术框架，既包括庞大数据，也包括数据处理方法、理论。火电厂大数据涉及生产运行数据与企业管理数据，因为数据之前并不是独立，相互之间耦合关系比较繁琐，故利用虚拟仿真验证平台，让各业务等类别数据集实现深入交联以及虚拟现实人机互动，最终实现集约化管理。电厂大数据特征主要体现在以下几方面;一是各种设备与系统均产生数据;二是数据量庞大，种类维数多;三是大数据提高了火电厂运行效益与安全可靠性;四是为满足实时性要求，需要进一步挖掘数据关系。[1]

数据处理、数据分析、知识与规则解释是大数据应用必不可少的步骤。火力发电厂大数据具有多样性、不精确性、不完整性等特点，这种复杂的数据环境下，要求必须对数据源中的数据进行处理，必须采用统计学方法剔除由于精度等原因产生的异常数据和冗余数据;采用聚类分析的方法对数据源中的数据进行抽取和集成，为后续数据分析的合理性提供有效的支持。数据分析是发挥大数据研究核心价值的重要流程，常用的数据分析技术主要有：统计分析、数据挖掘、神经网络、机器学习、模糊理论等，分析的结论可用于专家系统、推荐系统、决策支持系统、运行指导等方面。数据分析结果的核心内容是数据知识规则等具体表述方法，表述方法不合适会对使用者起到误导作用。一般的表述方法是文本、图表等电脑终端的直观显示，随着云技术的不断发展，人机交互技术、标签云等可视化技术的解释方法被逐步应用，数据分析得到的规则、知识等信息的解释，逐步向最佳的数据解释效果方向发展。

二、大数据应用优化分析

（一）报警优化

火电厂DCS系统的发展日益完善，功能与监控点数逐步提高，也逐步具备荧光字报警等功能。但机组调试过程中，受设计施工等因素影响，DCS系统运行常出现报警泛滥的情况，导致报警信息数据量庞大，限制了报警系统作用的发挥。理想的报警组态设计要求每天的报警数量不可超过300个，每个小时的报警数量不可超过12个，每10分钟的报警数量不可超过2个。故需根据运行人员可接受的报警数，科学布置报警系统组态计划。

除此之外，还需要根据重要程度设置多级别的报警类型。为减少无效报警信息，确保信息精确度，可以采用主元分析法。首先了解各报警极限参数，以此作为后级警报项。以某机组功率信号为例，从报警分析入手研究，确定采样周期后，在DCS数据库中选择多项运行数据展开主元分析。同时采用分类的方式将历史数据分为验证集与校正集两部分，通过Matlab分析了解主元分析结果的真实性，根据各主元数相对的残差平方根曲線将最小残差平方根，将其对应的主元个数作为机组功率报警异常优化中综合考虑的重点。同时将主元个数的报警信息当作二级报警信号，从而提高机组功率报警信息的针对性、准确性。

（二）阀门流量特性偏差调整

汽轮机调节汽门作为DEH系统的主要执行机构，出现流量特性偏差时会引起节流大量损失、调频响应负荷不当等问题，会直接降低机组安全运行的可靠性。该问题可从汽轮发电机组入手分析，由于影响阀门流量曲线异常的因素较多，故加强曲线校正，确保机组处于正常工作状态。改善阀门流量曲线的步骤如下，一是选择数据源，选择多组相关参数，包括机组主蒸汽压力、机组负荷、主蒸汽温度、各阀门指令等。二是结合所选取的历史运行数据，采用模糊神经网络对历史数据进行建模，得出阀门开度同主蒸汽流量的神经网络模型，为下一步阀门流量特性曲线优化做好准备。在其基础上，另选择多组数据通过弗留格尔公式得出流量数值，并对比模型数值，以此验证模型计算数据的准确度。三是从单阀条件入手分析，围绕实际运行数据，利用模糊神经网络，拟合该情况下的流量曲线。校正后的曲线开度增大，优化了负荷响应成效。

在实践中设置重叠度时，通常是在开阀后压力与主气压力间比值超过0.85时再开启下一个阀门，以此优化各阀门重叠度。根据单阀、顺阀方式下矫正前后的流量曲线，发现矫正前后曲线差异较大，且在相同综合流量指令下，其不同的高压调节法开度变化也存在不同。具体表现为拐点更加光滑，拐点前的流量曲线，对负荷响应成效相对提高，且阀门重叠度降低，机组性能随之得到优化[23]。

（三）控制系统性能

火电厂由于工艺繁琐，控制系统运行离不开PID设备的控制，但在实践中，大部分的热控技术人员对系统控制的有效性无法及时评判。此类问题可从电厂热工控制入手，采用大数据方法对当前控制系统性能进行评定。

评定控制系统性能的方法多种多样，但系统性能计算、控制系统参数识别、思想控制系统设计与控制系统诊断决策是每种方法都必不可少的内容。实施步骤一般先是计算当前系统性能，收集处理控制器输出信息。然后根据系统特性，合理选择系统评定准则。围绕准则评定系统性能，了解控制性能是否达标或是需要维护等操作。最后根据性能评估结果，分析系统性能滞后的影响因素，为系统性能维护提供价值依据。

近年来，对以闭环回路运行数据为基础的控制系统建模研究越发深入，相比传统或现代控制理论的建模，现在可供选择的方法更加多样，效果也更加显著。除此之外，基于支持向量机，神经网络等计算理论的建模方法也有了长足的进步。但合理选取控制系统性能评估准则仍是一件难度较高的工作，目前应用最为广泛的仍然是基于最小方差准则，或者改进最小方差准则的控制系统性能评估准则。

三、总结

智能电厂工程在实践中需对在线监控系统、设备缺陷系统、检修系统、仿真系统、DEH系统等系统进行深入研究，同时要加强与云计算、大数据等先进技术的整合，为我国电力工业现代化发展助力。本文主要从控制系统方面应用大数据的可行性与成效展开分析，优化报警系统与系统运行曲线，同时加强系统性能评估，希望对智能火电厂建设起到积极的促进作用。

参考文献：

[1]刘艳英.基于大数据的水电厂状态检修方案探讨[J].数字技术与应用，2017（10）：230231.

[2]高学伟，付忠广，张连升，刘炳含.大数据技术在燃煤电站发展中的应用研究[J].沈阳工程学院学报（自然科学版），2018，（01）：1622.

[3]尹峰，陈波，苏烨，李泉，张鹏.智慧电厂与智能发电典型研究方向及关键技术综述[J].浙江电力，2017，（10）：16+26.