电力企业生产数据分析及预警模型的开发与应用.pdf

62VOL.43No.4电力企业生产数据分析及预警模型的开发与应用吴龙飞，刘浩（淮浙电力有限责任公司凤台发电分公司，安徽 淮南 232131）摘要：通过对电力企业在数据分析、处理过程中的痛点问题进行梳理，掌握了用户的关键需求。使用 Python、MySQL、Vue 等基础编程语言，开发构建了前后端分离的网页应用模型，实现了对电厂 DCS 平台积累的大量数据信息进行预处理、归类、存储、调用、分析。基于该模型，用户可以便捷地实现数据的实时监视、比对计算和判断分析，从而有效提升运行人员对于异常事件发现的及时性以及操作处理的准确性。关键词：数据挖掘；电力企业；大数据中图分类号：TK01+8文献标识码：ADOI：10.16189/j.nygc.2023.04.009Development and application of production data analysis and early warning model for power enterprisesWU Longfei,LIU Hao（Fengtai Power Generation Branch of Huaizhe Electric Power Co.,Ltd Huainan,232131,China）Abstract:The key needs of users were grasped by sorting out the pain points in the process of data analysis and processing of power enterprises.Using PYTHON,MYSQL,VUE and other basic programming languages,the web application model with front and back end separation was developed and constructed to pre-process,categorize,store,recall,and analyze large amount of data information.Based on this model,real-time monitoring,comparison calculation and judgment analysis of data can be conveniently realized,thus effectively improving the timeliness of abnormal event discovery and the accuracy of operation processing by operators.Key words:data mining;electric power enterprises;big data收稿日期：2023-03-01 作者简介：吴龙飞(1988-)，男，江西上饶人，工程师，主要从事燃煤电厂锅炉专业运行管理工作。智慧能源0引言燃煤发电厂是一个过程生产企业，有着极其复杂的系统，各个数据量之间具有各种各样的关系，传统的数据处理技术已无法满足要求，采用大数据挖掘技术可以找到数据蕴含的规律，已成为电力企业信息化、智能化发展的必然要求1。文献 2 以大数据时代下电力企业应用数据挖掘技术为切入点，分析其作用及意义，提出了具体的应用要点。文献 3-7 针对数据挖掘技术在企业中的实际应用方式进行了相应的分析和探究。然而目前行业内针对具体业务需求和建模应用的研究则很少涉及。针对电力生产企业一线岗位人员具体业务需求，通过现有互联网技术，开发出相应的数据分析模型及预警模型，可实现对历史数据快速筛选、调用、分析、寻优以及实时数据的在线预警等功能，实现数据资源的效益最大化。1业务需求背景概述在进行模型开发前，分析现场数据以及梳理处理过程中的痛点问题，具体表现在以下四个方VOL.43No.4Aug.2023第 43 卷第 4 期2023 年 8 月能 源 工 程ENERGY ENGINEERING63第 43 卷第 4 期能 源 工 程面。1.1数据量过大，系统响应慢发电厂现场储存的数据量过于庞大，调阅查询费时费力。以某电厂 2 台 630MW 和 2 台660MW 机组为例，全厂所有的生产设备一共有9 万多个测点，通常 SIS 系统采集数据的周期为每秒 1 次，相当于每天有 70 多亿条的数据存入数据库中。当使用 PI-Data Link 或者是 PI-Process Book 对生产数据进行调阅分析时，由于运算量过大，常常会造成电脑卡顿，有时甚至无法计算出相应的结果。1.2参数寻优功能缺失在数据分析过程中，通常需要寻找历史最优工况，来评估当前设备及系统的健康水平。因此，需要使用筛选功能，比如筛选出同负荷、同环境温度工况下烟道的阻力，进行对比分析等。而在使用现有 PI 相关软件分析时，每次都要重新设置条件。如果使用现有 PI 相关软件分析趋势图，效率更低，因为现有 PI 相关软件无法将一些不符合条件的工况自动过滤掉，这样就无法实现类似工况在同一维度条件下对比分析。1.3同类型机组主参数对比功能缺失在机组运行过程中，运行人员需认真监视机组的主要参数并开展分析，做好优化调整。而调整的依据通常来源于规程的规定值和经验值，也来源于同类型机组的参考数据。同一单元的两台机组的主机设备及辅机设备一般均为相同型号，通常在相同工况下运行，适合持续开展日常对比分析，以便及时发现差异和异常。但是由于两台机参数众多，且监控画面不在同一电脑显示，在没有使用新工具的情况下，显然无法做到第一时间发现两台机组运行参数的差异，也不能实时对全部主要参数对比分析。此外，运行人员实时监视、调整时，以往开展数据对比分析，均采用查阅历史曲线，手动记录数据等方式，具有不便和滞后性。1.4DCS 报警功能单一目前单元机组报警系统比较完善，但是也存在一些不足，主要表现在功能单一，无法实现个性化定制。例如 DCS 上主要参数的报警定值是一个固定值，以某油箱油位为例，正常运行过程中油位平稳趋于直线，一旦管路发生泄漏，油箱油位下降，但是由于未达到报警定值，无法触发大屏报警，可能会延长运行人员发现异常的时间，从而错过事故的最佳处理时机。2数据池构建由于 PI 数据库中的数据量过于庞大，会影响数据分析处理时的速度，因此需要基于 PI 数据库中的数据重新构建一个数据池。2.1数据来源本模型的侧重点在于数据的挖掘分析以及预警，因此在数据池构建过程中主要是通过 PI-Data Link 从 PI 数据库中定期采集相关数据存入数据池中，然后通过网页请求的方式从数据池中调取经过Python处理后的数据，实现数据的快速调用、筛选、寻优等功能。2.2数据分类根据电力企业生产管理业务特点，借助现有工具 OSISOFT 的 PI 系统，对生产数据进行数据集成、分析、归类、对比，将零散的数据按照单元机组或者辅机的特性有效的组织起来，重新对设备赋予属性值来实现建模，为后续的分析提供了很好地支撑。根据运行管理经验对相关参数进行梳理，主要将数据分为两个大类。一是实时数据，主要用于预警，便于运行人员及时发现异常并提前干预介入，保证设备及机组的本质安全；二是生成主要参数历史数据库，比如对于一台风机，可以用来表征其主要特征的参数，主要有电流、动叶开度、进出口压力、振动、轴承温度。当需要了解该风机的运行状况时，通过对其主要特征参数对比分析即可进行全面的评估。2.3数据预处理实现数据的快速调阅及响应，关键在于对 PI数据库中大量的数据压缩。对于燃煤发电企业来说，用于数据分析的数据源是主要参数历史数据库，无需把每一分每一秒的数据都统计进来，对64VOL.43No.4于大多数的系统和设备，其工况出现异常或者恶化都是一个相当缓慢的过程，因此可以用 2 h 或者是 8 h 的平均值来代表当日某个班次主辅设备的运行状况。这样不仅可以解决实时数据量小幅度波动、测点跳变等问题，还能大幅度压缩数据。模型主要参数历史数据库中的数据采集周期是每 8 h 一次，以单个测点为例，原来每天会产生86400 条数据，可压缩到 3 条数据。数据量瘦身后，在调阅、处理过程中响应速度将会快速提升。而对于实时预警数据，采集频率则是每 10s 1 次，通过 Python 程序写入数据库中，在网页上进行展示，保证故障出现时能及时预警。此外，对于量程属于不同数量等级的多个参数，如果需要在同一图表上展示的数据，可以通过归一化处理来实现。3具体算法及应用由图 1 所示，本模型以电力企业 PI 数据库作为数据源，通过 Python 对数据集成建模、分析、调阅、处理，对运行参数实时监视、实时分析，最后通过 Vue 实现网页展示及操作。可根据参数变化趋势提前预警，提醒运行人员及时检查处理，保证机组重大操作的及时性和安全性。图 1数据分析及预警模型原理图吴龙飞等：电力企业生产数据分析及预警模型的开发与应用结合生产一线岗位对于数据使用便捷、高效的要求，根据不同的业务需求对 PI 数据库中的数据进行了高效的归类、整理，将大量繁杂的数据精简、压缩，然后写入数据库中，从而实现表格报表、图形报表的快速、便捷调阅。3.1参数寻优每天从 PI 数据库获取到 3 个班次的历史数据作为数据源，某电厂 4 台机组相当于每天产生 12条的数据。每条数据的基础属性包含了时间、机组号、班次、负荷、环境温度、汽温等重要参数。后续所有的数据分析以及数据挖掘均可以在这个数据池中进行。这样只需要设置一些简单的条件筛选出同类型工况的所有数据，形成一个集合，然后根据需要选取出这个数据集合中某一属性对应值所在数组的最小值或最大值，即为我们需要寻找的最优参数。以某电厂 1 号机组 3 月 15 日夜班 325MW 工况为例，通过筛选可以从数据池中找到 1、2 号机组负荷在315MW335MW之间的所有工况点，形成数据集合如下：Kn=(机组：N1，负荷：P1，引风机电流：C1，.),(机组：N2，负荷：P2，引风机电流：C2，.),.(机组：Nn，负荷：Pn，引风机电流：Cn，.)如果要寻找烟道阻力最优的工况，实际上可以看成是寻找这些集合里面引风机电流最小的工况。因此，可以从上述集合 Kn中生成一个新的数组 An=C1，C2，.，Cn，通过数组的排序功能即可找到引风机电流最小的元素，该元素在数据集Kn的中的索引号即为我们要寻找的最优工况，如图 2 所示。65第 43 卷第 4 期能 源 工 程图 2风烟系统参数寻优展示图燃煤机组在实际运行过程中由于工作环境的恶化，参数可能会缓慢发生变化。如果仅靠 DCS预警或者是监盘发现是比较困难的，因为整个过程比较缓慢，有些可能是经过一个月甚至是一年的时间逐渐扩大的，比如风烟系统的阻力、空预器或者烟道漏风等等。因此本模块通过找出同负荷（10MW）、同环境温度（3）下最优参数，可以提前感知当前机组设备的健康度及能耗水平，用于指导日常的运行调整，不断提高机组的安全与经济性水平。基于上述原理，可以迅速地找到同工况下机组氮氧化物、锅炉效率等历史最优工况，从而为企业的运营决策提供基础数据支持。3.2个性化定制报警功能如图 3 所示，利用 PI-Process Book 中数据集功能，计算得到需要的电厂运行参数实时值和历史数值，再建立参数监测模块对相关数据进行实时监测，并利用 Vue 和 Python 编程对人工设置参数指标的实时判断和实时越限告警，提示操作员及时进行调整。图 3功能设计流程图相比大屏报警和 DCS 系统内参数报警等功能，运行人员可利用本系统自行设定更为严格的报警参数，对报警值进行个性化设置，如图4所示，更加及时发现数据异常，可在 DCS 报警前提前发现异常，及时采取调整手段，保障机组安全稳定运行。66VOL.43No.4吴龙飞等：电力企业生产数据分析及预警模型的开发与应用图 4个性化报警设置展示图3.3历史数据多维度分析模块由于数据预处理过程中已经对数据进行归类、梳理，相当于每台机组都有相同的属性，因此可以在同一维度条件下，自由设置查询条件，便于从历史数据池中进行横纵向的对比分析、开展寻优，找到指标最优情况下各设备运行组合方式和运行操作调整方式。本模型能实现时间、机组、班次等维度的选择，还设置了扩展选项，用于选择需要对比的参数。这样便于从多角度进行数据分析，更好地进行数据对比。如同时设置负荷、磨煤机运行方式、真空等条件限制进行数据搜索，在进行能耗分析和优化分析时，可以更好更便捷地寻找机组最佳运行工况。图 5历史数据多维度分析功能展示图在调取需要的对比数据后，还可以通过导出功能，将选定的数据导出，如图 5 所示，供广大运行人员交流学习，并进行进一步加工处理。3.4目视化展示人们对图像的敏感和记忆高于数字，在运行人员日常动态监视过程中，仅仅只看数字，可能67第 43 卷第 4 期能 源 工 程会忽略数字的变化，进而忽略设备运行的异常。本模型充分利用目视化原理方法，通过图形化监测单元机组主要运行参数等方式，充分展示机组的健康状态和机组的能效水平，最大程度上辅助运行人员保障机组安全经济运行。在页面设计时集中各监测要素，具备一定的图形可视化功能，便于目视化管理，提高监测效率。为同时反映电厂内各台机组的运行情况，除了要监测单台机组运行参数外，还需要同时监测并对比单元机组各参数实时运行数据。要将监测的数据集合在一个界面上，以提高监测和对比效率。主要实现方法是在网页上发起请求，获取相应的数据，然后结合 Echarts 以图形化的方式进行展示。4结语本文通过对电力企业用户数据处理过程中需求痛点问题进行梳理，利用 Python、Vue 等新技术开发出了网页应用模型。可以实现关键数据的实时监视、比对计算和判断分析，能够有效的提升运行人员对于事件发现的及时性以及事件操作处理的准确性，进而实现降低设备突发故障引起的机组突降负荷或非计划停运次数，达到提升机组的运行稳定性目的。另外，通过软件调取数据进行分析，更加快速便捷，能有效进行机组能耗分析，找到机组最优运行方式，高效指导运行人员进行操作调整，促使实现机组安全经济运行。智慧电厂是当前所有电厂升级的目标，做好数据挖掘是实现智慧电厂的有效手段之一。通过数据分析反哺生产，将生产过程中的数据转化成生产力，可进一步提高企业的安全与经济效益。参考文献1 樊淑炎.大数据技术在电力企业中的应用分析 J.智能城市,2021,7(19)：99-100.2 吴昆霖,曾波.大数据时代下基于数据挖掘技术在电力企业的应用初探 J.信息通信,2020,(8)：193-194.3 冯蕊.大数据时代下数据挖掘技术在电力企业中的应用分析 J.中国战略新兴产业,2017,(24)：94.4 傅世权.大数据时代下数据挖掘技术在电力企业中的应用探讨 J.信息记录材料,2019,20(11)：128-129.5 吴全才.能源互联网形势下的电力大数据发展趋势J.信息与电脑：理论版,2016,(18)：147-148.6 覃鑫,叶耿等.数据挖掘技术在电力企业大数据的应用 J.广西电力,2019,42(2)：40-43.7 王少成.数据挖掘及其在电力企业的应用前景分析J.智能城市,2018,4(24)：44-45.（责任编辑周洁）