张洋德

摘要： 近年来，随着智慧电厂建设的不断深入，为了使生产现场工作更加智能化，设备运行智能评价系统应运而生。智能预警和智能预测便是该评价系统的核心应用模块，本论文则是深入地阐述智能预警和智能预测的设计思路和功能应用研究。

关键词：智能预警、智能预测、设计思路、功能应用

1 引言

智能预警和智能预测是枕头坝电站设备运行智能评价系统的高级应用模块。智能预警模块是为电站运维人员提供组态逻辑报警自定义功能算子以方便用户结合设备运行工况和运行经验自定义组态预警逻辑，以实现综合报警和辅助决策支持。

智能预测模块则使用现有神经网络预测算法，为电站运维人员提供机组重要数据的历史运行标准曲线并实时预测重要数据在未来一段时间内的运行走势，可有效帮助运行值班人员更好的掌握设备运行状态及未来运行趋势，以便提早发现各设备可能会出现的问题，是监视全厂运行实况的专业辅助模块。

2 正文

2.1 趋势组态预警

设备状态智能预警系统应能充分利用历史数据和设备实时的状态数据，根据设备长期运行的特征数据和相关运行经验，建立预警模型，实现趋势组态预警。

（1）设备运行状态趋势预警。在设备数据测点还未达到报警值时，计算数据点的变化趋势值，监测数据变化趋势，当数据变化趋势与历史运行稳定值有较大差异时，产生预警信息，提前告知运行人员设备有趋于故障报警的趋势。

（2）偏离经验数据、特征数据预警。长期监测某些能够直接代表设备工况是否良好的数据点，如机组振摆数据，计算数据分布区间和算术平均值，得到这些数据的稳定运行经验值或特征值，判断当前数据是否偏离经验值，若偏离则产生报警信息。

（3）泵运行效率分析预警。记录油泵、排水泵、空压机等周期启动设备的启停周期和运行时间，并与历史稳定运行值比较，若存在较大差异，则预警。

（4）多数据逻辑组态分析预警。通过对多个数据的逻辑组态，得到具有一定实际意义的综合预警。

2.2 设备运行趋势预测

该趋势预测是基于大数据和机器学习算法实现的，主要功能是预测设备特征参数在未来一定时间的变化趋势同时发现特征参数存在故障隐患指标，并提前预警发出警报，使得相关人员第一时间采取措施，有效降低系统的故障率。

（1）对重要设备的重要参数，例如机组的四部轴承瓦温、定子相关温度、顶盖水位和各部油槽油位等，建立历史运行经验曲线且用户能对历史运行经验曲线进行参数调整。通过对历史运行经验曲线的分析，预测数据在未来一段时间内的运行曲线，以辅助运行人员把握设备运行趋势。

（2）对重要设备的重要参数，例如机组的四部轴承瓦温、定子相关温度、顶盖水位和各部油槽油位等，进行大数据数学建模，以得出设备运行数据的函数，从而根据函数以预测设备在未来一段时间的运行趋势。

（3）系统结合对设备未来一段时间内的运行趋势，形成分析报告得出最优的运行建议。

（4）系统对于重要参数进行预测的数据，如果在未来的2分钟后数据偏离预设的安全范围也会发报警。

2.3 潜在故障早期预警功能

本系统通过建立模型将设备实时状态综合成一个0-100%的评价值，也就是健康度。当设备实时健康度出现下降趋势，系统能及时给出潜在故障早期预警。系统中的早期预警应至少包含以下信息：

（1）设备异动时间：当设备健康度跌落到基准线之下并持续一段时间后，系统将自动视为设备出现异动，设备的健康度跌落时间将作为重要参数保存到数据库中，并可与设备异动时间内的所有状态值一起随时复现;

（2）超限测点：通常由于数据的测量通道出现异常的情况下，会导致系统发生预警。系统应能自动识别超出正常运行范围的测点。

（3）主关联测点：系统关联计算引擎，对异动时刻的设备状态做连续评价，对影响系统健康度的主要测点自动识别，并能通过主关联测点的方式呈现出来。

2.4 建立设备状态预警逻辑编辑平台，实现预警逻辑自由编辑和新增自定义预警。

设备状态预警系统应提供简单易用的报警逻辑编辑平台，实现用户自由编辑预警逻辑，包括趋势预警逻辑编辑，关联工况的条件报警逻辑编辑，报警参数阈值修改，操作流程综合监视逻辑编辑等。

2.5数据处理

2.5.1数据整合封装

总线提供数据封装能力，接入各种结构化数据和非结构化数据并对最终用户隐藏接入系统的物理位置，从而使多个分布式应用系统看起来就像一个应用数据提供者。

2.5.2数据分发

数据总线能管理接入系统所能共享的数据类型、属性和接口服务等信息，根据应用系统向总线发出的数据访问请求，设置数据分发规则，智能地将该请求分发给满足条件的数据提供系统，从而降低对不相关系统的访问压力，提高数据访问效率。

2.5.3数据合并

能够整合来自多个系统的冗余数据，消除重复的数据，以保证数据的一致性。要求数据集成总线能指定一个数据源作为正确的数据来源，并能设置的合并规则对来自多个数据源的数据进行合并处理。

2.6 实例说明（以机组顶盖排水系统为例）

智能预警：建立顶盖排水系统预警模型库“1-4号泵运行效率低”、“负荷稳定情况下顶盖泵频繁启动”和“顶盖漏水过大”，模型组态逻辑表如下：

智能预测：利用神經网络算法自主学习机组顶盖水位历年的数据得到特征曲线，利用特征曲线与实时运行曲线相比较，当出现异常变化时做出报警信号。利用自主学习的特征曲线，通过曲线向后延展的方式预测未来一段时间内的曲线走势，若走势超过报警值，则预警。

3 结论

智能预警和预测功能可大幅度提高电站运维人员对于设备运行状态的感知，同时能把握未来一段时间重要设备运行参数的趋势，提前分析出设备可能存在的故障隐患并及时消除。

参考文献

【1】维克托·迈尔-舍恩伯格.大数据时代【M】.大数据中心.英国：2014-04-09

【2】Ian H Witten.数据挖掘：实用机器学习工具与技术【M】.英文版第3版.机械工业出版社.