基于Tableau的AGC速率数据挖掘的分析.pdf

74VOL.43No.4基于 Tableau 的 AGC 速率数据挖掘的分析李恩长1,2，何郁晟1,2（1.浙江浙能技术研究院有限公司，浙江 杭州 311121；2.浙江省火力发电高效节能与污染物控制技术研究重点实验，浙江 杭州 311121）摘要：通过 Tableau 工具对 AGC 速率数据进行深度挖掘。分析了指令密度、负荷段分布对 AGC 速率的影响，并利用Tableau 重建考核数据时间轴以便于比对与交叉分析。同时根据数据挖掘得到的考核细节，通过 Python 工具建立速率仿真模型，验证了其有效性。最后，展望了后续的优化方向和对其他调度数据进行深入分析的前景。关键词：Tableau;AGC 速率;数据挖掘中图分类号：TM621文献标识码：ADOI：10.16189/j.nygc.2023.04.011AGC rate data mining based on TableauLI Enzhang1,2,HE Yusheng1,2(1.Zhejiang Energy R&D Institute Co.,Ltd,Hangzhou 311121,China;2.Zhejiang Key Laboratory of Energy Conservation&Pollutant Control Technology for Thermal Power,Hangzhou 311121,China)Abstract:An in-depth analysis of AGC rate data using Tableau tool was conducted,the impacts of AGC density and load segment distribution on the AGC rate were studied.To facilitate comparison and cross-analysis,a timeline for assessment data was reconstructed using Tableau.Additionally,a rate simulation model was established with Python tools based on assessment details obtained from data mining,and its effectiveness was subsequently validated.Future optimization potential and the prospects for conducting further analysis on other scheduling data were discussed.Key words:Tableau;AGC rate;data mining收稿日期：2023-04-17作者简介：李恩长(1987-)，男，浙江台州人，工程师，从事火电厂热工控制工作。0引言随着电力市场的推进，AGC 速率越来越引起发电企业的关注。目前，在浙江省两个细则考核网站中，记录了每次 AGC 动作考核速率以及日均速率、月均速率。技术人员根据日均数据判断机组大致的性能情况，由于机组工况的变化、电网指令模式的变化，火电机组的日均速率往往变化幅度较大，而人工查找单个 AGC 速率不佳的情况又往往效率不高，且无法全面地发现问题，难以及时、准确、高效地分析机组AGC性能的限制因素。本文介绍了基于 Tableau 的 AGC 速率分析，针对调度考核详细数据，结合电厂生产的实时数据，进行数据挖掘、分析与可视化处理，多维度展示考核数据反映出来的限制机组 AGC 性能的因素。1原始数据与数据处理1.1原始数据针对每一次考核，两个细则考核网站提供以下数据。1）提供每次考核的考核时间、考核厂站、考核机组、调节速率、开始时间、结束时间、开始出力、目标出力、结束出力、测速开始出力、测速结束出力。2）每日平均速率与月度平均速率。日均速率速率只能比较粗略地反映机组速率分布情况，如图 1 所示。而检查单次速率情况又耗时耗力，无法快速地检查机组速率调节情况。VOL.43No.4Aug.2023第 43 卷第 4 期2023 年 8 月能 源 工 程ENERGY ENGINEERING75第 43 卷第 4 期能 源 工 程图 1某电厂日均 AGC 速率的分布示意图1.2数据预处理基于对数据的理解，也是为后续 Tableau 处理做准备，对数据进行预处理。根据 AGC 速率详情表格建立新的字段：1）负荷段：目标出力所在的负荷段，一般按 100 MW 区间为一个负荷段。2）上一次测试间隔：根据每个指令的开始时间、结束时间，计算每个指令距上一次指令结束的时间，记为上一次测试间隔。3）升降负荷：根据指令相对实际负荷的方向，建立升降负荷字段。4）开始负荷差：测试开始出力相对开始出力的偏差。5）结束负荷差：测试结束出力相对结束出力的偏差。2AGC 详情数据的多维度数据可视化进行数据整合后，利用 Tableau 工具的数据可视化。2.1负荷速率日均分布可视化2.1.1负荷速率相关的多维度数据引入对于机组每日负荷速率，首先引入每日的调节次数，并展示其在不同负荷段上的分布情况；其次，用上一次测试间隔的中值，表征指令密度。2.1.2负荷速率的可视化展示图 2 展示了电厂日均速率结合当日负荷调节指令数量、负荷分布情况、指令密集后的分布情况。上半图是某机组 AGC 速率的每日分布，用测试间隔的中值表征指令密度，颜色越深，测试间隔越小，指令密度越大。下半图是该机组 AGC 指令数量的每日分布，每日柱状图的颜色表示所处的负荷段。图 2某电厂日均 AGC 速率的可视化76VOL.43No.4图 2 中负荷速率低谷处，负荷段的分布没有明显的变化，而指令数量和密度明显异常，指令密度与 AGC 速率有较大相关性。2.2不同负荷段下 AGC 负荷速率分布可视化2.2.1负荷速率相关的多维度数据引入负荷速率和机组工况密切相关，将考核数据和机组数据结合，可以从更多的维度上分析负荷速率的受限因素。机组工况因素中一个很重要的维度是负荷段，而为了在分析负荷分布对 AGC 速率影响时剔除外部指令密度因素的干扰，除了引入负荷段外，还需要引入测试间隔数据。2.2.1分负荷段 AGC 速率的可视化筛选测试间隔在 60 s 以上的数据，结合负荷段数据，进行分负荷段 AGC 速率的可视化，结果如图3所示，将不同负荷段分为升负荷、降负荷，调节速率按密度图分布，横线表示平均速率。图中显示该电厂在 600MW660MW 的负荷速率明显偏低，而该段的数据密度又是最大的，因此该段时间负荷速率的受限因素主要是高负荷段的加负荷能力。图 3某电厂分负荷段 AGC 速率分布图2.3根据考核数据重建时间轴在对照考核数据检查机组 AGC 速率时，另一个困难是时间对齐，考核数据是表格形式，而DCS 数据是曲线形式，在数据比对的过程中效率不高。而利用 Tableau 工具可以重建时间轴，根据可视化的速率分布，快速定位速率异常区域，并结合 DCS 数据进行分析。AGC 考核数据的时间轴分布如图 4 所示。相比表格形式，图 4 更直观地展示了负荷指令与对应的考核速率分布情况，便于快速定位考核速率不佳的工况点。图 4某电厂 AGC 考核数据的时间轴分布李恩长等：基于 Tableau 的 AGC 速率数据挖掘的分析77第 43 卷第 4 期能 源 工 程3AGC 速率的仿真两个细则数据的考核存在一定的滞后，若能实时监测机组速率，则便于技术人员及时发现速率下降的问题，调整机组的运行状态，而通过对比仿真 AGC 速率和考核 AGC 速率，也便于发现异常情况。为了实现以上目标，以机组数据为基础，理解考核细节，并按照两个细则考核规则，仿真AGC 速率，并与机组速率进行对比分析。3.1测试死区的分析通过 Tableau 分析机组在升、降负荷时，不同 AGC 调节结果对应的开始负荷差与结束负荷差。其中开始负荷差定义为开始出力和测速开始出力的差，结束负荷差定义为结束负荷和测试结束负荷的差，其结果如图 5 所示。图 5某电厂指令类型与测试死区的分布关系图 5 区分了升、降负荷工况时，“未开始”、“未结束”、“已到位”三种调节状况时，开始负荷差与结束负荷差的分布。对于“已到位”情况，开始负荷差大于 2 MW、结束负荷差在 2 MW 以内。对于“未结束”情况，基本上开始负荷差大于 2 MW，结束负荷差大于 2 MW。对于“未开始”情况，基本上开始负荷差为0，结束负荷差大于 2 MW。因此可以判断机组测试的死区在2 MW左右。3.2测试时间分布在不同调节状况下的测试时间的分布如图 6所示，未开始类型指令结束于 2 min，未结束指令结束于 3 min，且考核数据量最大的点分别是 2 min、3 min。图 6某电厂测试时间的分布情况78VOL.43No.43.3速率的仿真与数据比较结合两个细则数据反映的速率测量方法、死区定义、测试时间分布，采集 DCS 的负荷指令与实际负荷数据，利用 Python 工具重新计算负荷速率，并导入 Tableau，与实际的两个细则系统的考核数据进行比较，验证数据拟合的准确性。最终结果如图 7 所示。从上到下分别是 DCS数据中的负荷指令和实际负荷、考核数据中的实际速率测试结果与测试状态、仿真 AGC 速率与仿真测试状态。图 7AGC 速率拟合速率与实际考核数据比较不同指令类型的平均速率如表 1 所示。表 1AGC 考核速率与仿真速率对照调节类型实际考核速率/(MW/min)仿真速率/(MW/min)已到位10.1610.81未开始-2.23-1.4未结束3.85.3汇总3.724.3从图 7 的图形和表 1 的数据看，仿真速率能大致反映机组速率的调节情况。仿真速率相比考核数据的速率偏差主要体现在以下方面：1)连续升降负荷时，考核数据将大指令拆解成几个小指令，而只计算一次考核，因此相比考核数据，拟合数据的测试次数更多。2)由于负荷信号的传输误差、传输时延的存在，根据电厂侧的数据拟合的负荷调节速率和两个细则数据存在一定的误差。6结论数据要素的价值越来越受重视，而如何充分挖掘数据中蕴含的价值也是技术人员面临的一大课题。本文讨论了利用 Tableau 等工具，对两个考核数据中的 AGC 速率数据进行了深度挖掘。1）挖掘考核数据，分析了指令密度、负荷段分布对 AGC 速率的影响，帮助技术人员高效、快速地分析AGC速率异常的原因。在这个基础上，也可进一步考虑结合其他相关 DCS 数据，比如汽机调门开度、机组汽压偏差等，做更多维度的分析比较。而综合考虑指令密度、负荷段等因素分析 AGC 速率的方法，也可用于更客观地评估一个电厂的 AGC 速率水平。2）介绍了利用 Tableau 重建考核数据时间轴，统一了考核数据与 DCS 历史数据的格式，便于技术人员比对 DCS 数据，快速锁定 AGC 速率异常时间段，也便于考核数据与DCS数据的交叉分析。3）在 Tableau 工具帮助下理解考核数据的细节，利用 Python 工具建立了基于机组负荷指令和实际负荷数据的速率仿真，通过比对仿真速率与实际测试速率的结果，验证了仿真逻辑的相对有效性。后续可继续优化该测速工具，以快速测试负荷速率，及时发现速率异常情况，通过其与实际考核数据的比对，可及时发现电厂与调度之间李恩长等：基于 Tableau 的 AGC 速率数据挖掘的分析79第 43 卷第 4 期能 源 工 程信号传输时延、传输误差过大的异常情况。除了 AGC 速率速率，后续也可用对一次调频等其他两个细则数据进行更深入的分析以充分利用数据的价值，提高电厂的两个细则数据分析效率，最终提高两个细则效果。参考文献1 丁乙崟,邵程安,顾海英,等.基于 AGC 指令状态判断的火电机组变速率负荷控制策略研究 J.能源工程,2023,(1)：1-5.2 王强,刘拥军,武彬.华东电网“两个细则”技术支持系统开发及应用 J.华东电力,2011,39(4)：594-596.3 宋鸣程,贾立,叶灵芝.基于 Spark 的火电大数据挖掘方法的研究 J.控制工程,2018,25(12)：2158-2165.4 马成龙,袁雪峰,李晓静.基于 K means 聚类算法的火电机组两个细则考核分析 J.电力学报,2021,36(3)：261-269.5 李昂,张佳轩,邓雅心.基于 Tableau 的电力大数据线损分析 J.通信电源技术,2019,36(9)：86-89.6 张蕾,李昂,向翰丞.基于 Tableau 的大电量客户用电异常分析 J.电工技术,2018,(13)：76-77.（责任编辑杨启岳）