大数据在智能化电厂中的应用研究与展望

发表时间:2020/7/20   来源:《当代电力文化》2020年6期   作者:苏展
[导读] 随着电力行业信息化和智能化技术的不断发展,
        摘要:随着电力行业信息化和智能化技术的不断发展,传统数据处理技术在处理上述数据过程中存在的技术瓶颈日益明显,难以满足从海量数据中快速获取信息与知识的分析需求,大数据技术在发电领域的广泛应用势在必行。
        关键词:智能化电厂;大数据;应用研究
        1 面向智能电厂的大数据技术架构
        1.1 数据特征
        随着电力信息化的发展及智能化技术的进步,电厂信息化建设向数字化和智能方向推进, 智能仪表、实时监测系统、移动巡点检系统、智能煤场系统以及一大批服务于电厂各个专业的信息系统相继建设并投入应用,电厂的数据规模和种类快速增长,这些数据共同构成了智能电厂大数据。从数据种类上看,数据结构复杂既有结构化数据也有非结构化数据,数据格式包含多种异构数据,如实时监测数据、文档数据和图片数据等;从数据的采样频率与周期上看,频率和周期跨度大,既有秒级和分钟级,也有小时、日、月度甚至年度数据;从数据的来源上看,数据来源具有多样化的特点,通常可以分为两类:一类是来源于现场生产设备监测或检测的设备数据;另外一类是电力企业经营管理数据,包括设备运行管理,设备管理,物资管理,燃料管理等。
        1.2 发电企业大数据平台的总体架构
        Apache 基金会开源技术通用的大数据平台整体架构。整体框架包含了进行数据存储的 HDFS 分布式文件系统,并行计算框架 Map Reduce,大数据分析工具 Pig,数据仓库工具 Hive,NoSQL 列数据库 HBase,日志收集系统 Flume,利用 Sqoop 在 Hadoop 与传统的数据库间进行数据的传递, Avro 作为新的数据序列化格式与传输工具,采用 Zookeeper 作为分布式锁设施。
        发电企业与当前大数据技术应用最深入的互联网企业不同,电厂大多已经建成多种信息系统,且数据分散、种类多,实时监测数据和各类维修检验化验数据在安全生产、经济和环保运行过程中有重要作用,而 Apache 基金会推荐的技术框架中对上述问题没有具体解决方案,因而需要针对电力企业的具体情况对上述框架方案进行完善,使之能够融合现有信息系统,同时满足电厂智能化过程中对于实时监测数据的实时分析处理需求。Map Reduce 用于在海量历史数据中进行数据分析与挖掘工作,仍然采用实时数据库存储来自设备的实时数据,采用 Storm 来进行实时数据的计算并处理如生产监控数据、故障警报数据等动态和大批量实时数据,海量数据查询需求应采用 Spark 内存计算组件。
        2 大数据在电厂智能化中的应用展望
        2.1 电厂设备资产管理
        当前电厂的设备资产管理中,设备设计、制造、安装、调试、运行、维护、检修、历史故障和缺陷数据相互割裂,难以实现设备全生命周期的资产优化管理。在利用大数据进行设备资产管理方面,首先应实现设备全生命周期数据的数字化和数据集中管理;然后以设备和系统的长期效益最大化为出发点,按设备对机组安全性、环保性、可靠性及经济性的影响,专项分析与全面综合分析并举,物理建模和统计分析相结合,在保证机组安全、环保和可靠运行的前提下,以实现经济效益最大化为目标,进行大数据分析;最终依照分析结论实现对设备运行维护管理的优化。以电厂锅炉中过热器、再热器、水冷壁等高温受热面的寿命管理为例,传统火电厂受热面寿命管理技术通常局限于运行数据分析,通过超温幅度和时长来预测部件剩余寿命。

运用大数据技术,首先应全面的采集受热面设计信息、实际运行信息、设备启停状况、离线检测获得的管壁磨损情况和制造安装过程中出现的缺陷记录等多方面因素;然后在物理建模和统计分析两个方面上,综合分析上述因素对受热面部件寿命的影响,从而能够更为准确预测受热面金属剩余寿命;最后依据上述信息,合理安排检测、检修和换管计划,优化运行方式,在充分利用受热面金属剩余寿命的同时减少受热面爆管事故的发生。
        2.2 机组运行经济性、稳定性运行与控制
        传统机组设备优化运行技术通常以汽轮机热耗、锅炉热效率或机组煤耗等单一指标为标准,依据运行或试验数据建立的物理模型确定最经济的运行方式,推导出优化运行结论建议,较少考虑局部运行调整对机组整体运行指标的影响,但仅从机组经济运行的角度出发远远不够。首先,按照机组的实际运行特性,主蒸汽压力等运行参数应当满足设备安全运行的基本要求;其次,机组实际运行应满足电网的考核指标,另外机组运行还应考虑环保排放等多种外部约束条件。具体实践过程中,机组在经济性指标最优工况下出现其负荷响应能力或设备稳定性变差等情况时有发生,因此有必要在更为全面的约束条件下寻优。运用大数据技术进行机组的运行经济性、稳定性与控制优化分析,首先应全面采集机组设计数据、制造过程数据、试验数据、实际运行历史数据、安全、环保及可调等政策规章要求;然后运用关联性分析等方法,确定机组实际运行特性,在满足安全、经济、可调和环保等多种约束的前提下,最终提出可以实际应用的最佳运行策略。例如:针对高能耗、高排放的火电机组当前必须面对深度调峰的现实需求,考虑到机组在部分负荷下的经济性,进行汽轮机定滑压曲线实际应用计算寻优过程中,不仅要从机组经济运行的角度考虑,还应充分分析大量的机组设计、运行数据及电网调度要求,从大数据角度,分析优化后的滑压曲线能否保证机组的负荷响应速度满足电网要求,机组频繁快速升降负荷对汽轮机和锅炉的高温部件产生寿命损耗带来的安全性影响等因素,最终需要综合多种影响因素的分析结果来确定优化方案。
        2.3 基于大数据的在线故障诊断与状态检修
        由于数据的不全面和分析模型的不健全,目前在线故障诊断技术与状态检修技术在电厂推广进展较为缓慢。利用大数据平台,全面采集MIS、SIS、检修管理、运行管理、物资管理和各类在线监测系统等关系数据和实时数据。通过物理建模、关联分析和统计分析,分析各类管理系统中的设备设计数据、试验性能指标数据等,结合 SIS 监测到的设备性能变化趋势,对电厂主要高耗能系统设备和环保设施进行动态经济性和环保性评估及预测;综合设备管理系统中的巡检数据、实时运行数据、报警数据、关键指标的变化趋势,及专家诊断系统诊断结论等数据,能够对关系机组安全、稳定运行的关键运行系统设备进行可靠性和安全性动态评估,进而实现在线故障告警、故障预警、故障诊断和预测;综合上述安全性、可靠性、环保性和运行经济性评估及预测结果,在初期可以为机组设备状态维修提供技术支撑,随着数据的不断积累和模型的不断完善, 最终全面实现在线故障诊断和状态检修。
        3 结语
        下一代智能电力系统将产生大量的数据,但是电力行业在进化的过程中面临的问题并不是简单的数据量膨胀问题,而是整个行业面临重塑的机遇和挑战,即如何从海量的数据中识别可用的数据,评估潜在的价值,进而促进整个行业的转型发展。
        参考文献:
        [1]王昭力.大数据时代下发电集团数字化管控[J].中国电力企业管理,2017(1):58–59.
        [2]吕守旭.基于大数据分析的智能电网降损效果估计模型仿真[J].中国电力,2017,50(4):172–175.
投稿 打印文章 转寄朋友 留言编辑 收藏文章
  期刊推荐
1/1
转寄给朋友
朋友的昵称:
朋友的邮件地址:
您的昵称:
您的邮件地址:
邮件主题:
推荐理由:

写信给编辑
标题:
内容:
您的昵称:
您的邮件地址: