张中财1 池毓培2
清洁燃烧与烟气净化四川省重点实验室成都611731；2、东方电气集团东方锅炉股份有限公司，成都611731
摘要：火力发电机组是一个高度集成的多设备工厂，现在大型发电集团和设备制造厂都建立了自己的远程诊断平台，但如何利用运行数据对设备进行状态监测和实现运行优化一直没有标准化的方式和思路，本文结合进几年在电厂数据分析和优化的实践提出了一些方法和思路。
关键词：火力发电；诊断；运行优化；神经网络；遗传算法
Application of data mining technology in remote diagnosis cloud platform
ZHANG ZhongCai CHI YuPei
(1.SiChuan Provincial Key Laboratory of Clean Combustion and Flue Gas Purification,611731 Chengdu;
2.Dongfang Boiler Group Co.,Ltd.,611731,Chengdu,China)
Abstract: thermal power generation unit is a highly integrated multi equipment factory. Now large power generation groups and equipment manufacturers have established their own remote diagnosis platform. However, there is no standardized method and idea on how to use operation data to monitor equipment condition and realize operation optimization. Based on the practice of data analysis and Optimization in power plant in recent years, some methods are proposed Law and thinking.
Key words: thermal power generation; diagnosis; operation optimization; neural network; genetic algorithm
现代火力发电正向大型化、复杂化方向发展，多数设备都无法通过精准的物理建模来进行状态分析，而这些设备又时刻产生大量数据，所以如何能通过这些运行数据对设备的健康进行监视来提高设备的可靠性是非常有必要的。
1.数据挖掘的故障诊断技术
1.1.什么是故障诊断
故障诊断就是鉴别机器设备的技术状态是否正常、确定故障性质、发现故障部位，分析故障的原因。
1.2.故障诊断的方法
故障诊断目前主要从机理建模、故障知识库、数据分析加模式识别三个方面进行；精准的机理建模需要高精度传感器和明确的数理关系；专家系统需要复杂高深的专业知识和长年累月的积累；
而数据分析采用的方法就是获取正常运行的数据、故障时的数据，通过数据分析方法对数据特征进行识别，寻找故障发生前后的特征规律，并剔除特征不明显数据，建立故障识别正常样本和故障样本，然后通过机器学习方法对故障进行识别。
1.3.基于数据挖掘的故障诊断案例
如下图是某电厂机组运行时预热器跳机故障的样本数据，经过数据采集平台，采集了30个特征数据，时长达到半年，从图上可以看出，在故障发生前后，机组负荷、预热器电机电流、预热器出、入口烟温都有显著变化；
.png)
图 预热器运行数据表
1.4.1.对收集数据进行时序分析，绘制时间序列曲线，从曲线上发现异常，这是最常用的方法，也是最直观的方法；
.png)
图 预热器电机电流
经过分析可知，电机电流均值在14A左右，故障发生时电流逐渐升高，达到30A左右，但右侧预热器电流虽有升高,但也只有15.0A左右，这说明是单侧膨胀引起的不均衡，可以通过调节左右两侧烟气量来预防；
1.4.2.绘制时间序列的频次图，统计各特征的分布情况，根据观察，数据的分布符合正态分布，故障发生时，运行点已偏离正常频次；
1.4.3.拟合数据频次曲线，根据频次曲线的异同对数据对特征进行描述；
.png)
1.4.4.数据自相关性分析，自相关性也称序列相关，是同一信号在不同时间段的互相关，主要表达两次观察之间的相识度，经分析，预热器电流在正常时段和异常时段的自相关性有明显的差异；
1.4.5.数据互相关性分析，互相关性又称皮尔森相关系数，是反应两个变量线性相关程度；通过对预热器跳机电流和其它属性进行相关性分析，并排名如下：
.png)
1.4.6.抽取数据特征，建立故障识别样本；根据数据挖掘后的特征，选择对故障识别灵敏和准确的特征来建模故障识别模型；经过皮尔森相关性分析后，选择电机电流、预热器出口烟温、预热器入口烟温作为预热器故障识别的特征变量；
1.4.7.采用决策树的方法进行故障识别。
2.数据挖掘的运行优化技术
数据挖掘技术在电厂的另外一种典型应用为运行优化，理论上设备输出最高的效率且消耗最小的能量；火力发电最常用的为燃烧优化系统，即如何在当前燃料上进行合理的配风，促使燃料燃尽且排放满足要求；具体做法如下：
2.1.收集运行数据；即通过数据分析平台，收集各工况下的燃烧数据，数据尽可能的全，收集完成的数据如下：
.png)
图燃烧优化数据表
2.2.数据建模，根据数据进行建模目前常用的方法是神经网络建模：主要分为建立神经网络结构，数据归一化，模型训练，模型测试，输出反归一化等步骤；
.png)
图 排放预测
蓝色表示实测值，红色表示预测值，预测效果较好，其MSE=13.93;RMSE=3.258;
2.3.数据寻优；在建立好模型后，我们需要寻找出当前模型下最好的运行参数，而遗传算法是寻优算法的一种典型方法，主要是采用训练好的神经网络预测结果作为种群个体适应度值，具体为燃烧效率和机组排放，选择燃烧效率最高和机组排放最低的个体通过交叉和变异操作继续迭代，直到迭代完成，选择当前个体对应的风门开度，并通过专家知识选择其中一组完成燃烧优化方案；
.png)
图 最终优化方案
3.结语
本文通过两个具体实例介绍了火力发电厂如何对设备进行数据挖掘，对工程实施具有借鉴意义。火力发电的数据挖掘技术当前还处于摸索阶段，如何探索出行之有效的方案是每个发电集团和设备厂家急需解决的问题。
参考文献：
[1] 大数据挖掘系统方法与实例分析/周英，卓金武 2016.4
[2] MATLAB神经网络43个案例分析，王小川 2013
[3] 智能故障诊断与专家系统，吴今培肖健华1997
[4] 强化学习，马可.威宁2018