立项背景

发电侧设备的安全可靠性对于电网调度运行和电能供应质量起着关键的作用，调度人员越来越关注发电侧设备状态信息。然而，调度部门对于发电侧重要设备状态了解甚少，无法预知所调度机组的设备可靠性情况，严重影响发电计划的编制与调整。此外，电网日常运行调度的沟通工作繁多，特别是电网调度值班员与发电厂的值长之间的沟通。因发电厂值长对于发电机组主辅设备异常等情况导致机组带负荷能力下降时的评估、沟通、解释存在较大滞后性，调度部门对于发电机组的非停和非计划降出力更多是在事后了解

面对传统调度方式的不足之处，日常运行调度方式的发展方向主要是向智能化、自动化的方向发展。基于火电厂机、炉、电三大主设备及重要辅机的状态监测及评价数据，实现发电设备带负荷能力的初评估，利用先进的计算机技术和网络技术，建立电网调度与电厂值长的无缝沟通平台，从而减少电网调度员面对电源故障扰动时的工作负担

内涵与创新点

创新点1：运用设备诊断学理论与数理统计理论，实现了从大量历史数据中寻找隐含的参数关联性、耦合性以及设备正常运行的样本数据，建立了电厂设备、设备群或系统监测模型；定量分析了设备性能、状态和早期故障，改变了传统设备状态管理思维

运用大数据分析给出设备运行的动态正常值，由缺陷管理到异常管理，提前预见设备劣化拐点，提供时间充分的维修机会，避免设备达到劣化极限。将事后被动分析、紧急处理变为事前主动分析、主动采取预防措施，延长设备生命周期，降低检修费用和运行成本。有效解决了传统设备管理数据录用量大，价值密度低，提取有用信息困难等问题。如图1所示

图1 设备状态故障预警机

创新点2：运用了多种机器学习算法如K-means算法、高斯混合模型、EM求解等算法，充分挖掘了历史运行工况中各设备状态参数的动态正常值，建立了基于机器学习算法的设备状态监测模型

对历史样本进行充分学习，通过运用多种机器学习算法如K-means算法、高斯混合模型、EM求解等算法，获取了各个工况下的参数动态正常值，并建立了主要设备健康状态的预测模型；实现了专家经验向数学模型的转化，挖掘了历史数据价值，提高了设备状态监测效率和水平，建立了设备状态的监测平台。设备状态监测建模流程如图2所示

图2 设备状态监测建模流

依据设备监测和诊断目标，确定设备监测参数；选择覆盖最近一年的数据，以保证模型训练的成熟度和预测精度；对数据进行清洗，采用K-means算法与基于EM（期望最大）的GMM（高斯混合模型）算法相结合的聚类分析算法，对样本数据进行数据挖掘分析，建立模型健康工况状态矩阵；通过最大似然相似理论求解实时状态数据与模型健康工况状态矩阵之间最大相似问题，运用非线性状态回归方程对设备状态的期望值进行精确求解

创新点3：构建了基于设备健康状态、主参数超限、环保指标及闭锁增的带负荷能力评估模型，量化了机组带负荷能力，实现了值长等专家经验向数学模型的转化，减轻了机组操控人员的工作强度

基于设备状态监测结果，结合运行调整规程及经验，并运用RB控制理论，建立了机组带负荷能力评估模型，实时掌握了机组的降负荷风险，并提出负荷调整优化建议，为机组安全运行及优化调度赢取了时间。机组带负荷能力评估框架如图3所示

图3 机组带负荷能力评估框

创新点4：实现了发电厂重要设备和辅机以及热力系统的健康状态监测和影响发电设备安全运行的异常征兆的超前预警，增强了电网公司的应对能力；实时评价机组带负荷能力，深化了厂网间的联系，提高了电网调度自动化的程度。对发电设备健康评价实现了从被动上报到主动发现的创新

通过搭建主站与子站的机组健康状态及带负荷能力监测平台，实时掌握了机组的健康状态及降负荷风险，深化了厂网间协调机制，建立了电网调度与值长之间的无缝沟通平台，提升了电力调度和生产的智能化水平。系统架构如图4所示

图4 系统架构

基于大数据的燃煤机组发电能力评测关键技术的应用有助于推动和实现状态检修，可有效缩短了检修周期和节约设备维护成本，提升了火力发电设备的管理水平及检修的工作效率；有助于减少机组非停事件或降负荷运行的发生概率，减少了机组启停成本，提高了燃料的利用率和降低了污染物排放，增强了电力生产的连续性和可靠性，从而为工业生产和人民生活的电力可靠供应增添了一份保障。同时，其实现电网调度与电厂值长的无缝沟通，深化了厂网协调机制，提高了电力调度的能动性和可靠性，为有效挖掘电网运行的经济效益潜力奠定了基础，有效提高了电网调度的智能化和自动化水平