国能荥阳热电有限公司 彭雨 450100
摘要：电厂设备运行的安全性、稳定性受到多种因素影响，非确定环境下的电场运行预测工作是保障其整体运行质量的重要因素之一。在以往的预测方式上，需要通过解析模型的建立进行电场运行的整体性评估，以此对电厂设备的稳定性与安全性等方面进行预期运行状况的分析。但从预测的精确度上看，该种方式还缺乏较高精度的综合性评估，主要优点体现在运算迅捷与实时性强两个方面。随着大数据信息技术的发展与行业渗透深化，通过该项技术的加持，使得数据挖掘、收集、整合与分析的方式对电场运行趋势进行预测，能够在较大程度上解释电场运行的基本规律与变化情况。相较于人工建模的电厂运行预测方法，基于大数据的预测模式，能够转变以往设备运行规律分析不足的情况。但需要引起重视的是，多层次结构的神经网络在数据整理和运算的过程中会随着数据量的大小而增加运算所需时间。本文根据动态预测方法中的实时数据运算与解析模型预测方法存在的内在关系展开研究，对其多层结构的神经网络技术运用、解析模型模拟等提出相关优化策略。
关键词：非确定环境；电厂运行；动态预测；大数据
一、引言
在智慧型电厂持续发展发展的背景下，借由诊断技术的优化与创新，使得电厂的故障诊断与运行预测等工作方式得到较大转变，也提升了电厂运行安全的相关要求，电厂运行趋势预测的相关技术、理论等成为行业专家主要关注的内容之一。运行趋势预测具有时间上的跳跃性，即根据电厂现阶段的运行情况，对其未来的运行状况进行分析和预测，以此对故障的发生几率进行较为校准的评估。从经济价值的角度上看，预测分析技术能够面向潜在的故障因素，使电厂的运行管理工作能够根据预测结果及时进行故障排查、设备维护等，从而较大程度上降低故障发生的几率与相关方面的成本支出。
二、 电厂运行故障的相关概述
电厂运行故障在分类上包含两大类，即：一般状态转为故障状态；量变转为质变的故障状态。前者还可被称为不可预测性故障，后者可被称为可预测性故障。
首先，从“不可预测故障”的性质上看，由于存在不可预测性，在对其展开预测工作的过程中，通常采用线上装置进行实时监测，通过监测所采集到的数据进行整理、分析与整合，以此从数据变化的过程中进行导致故障的因素分析。其次，经由相关工作人员或者报警系统进行故障通报，以此快速进行诊断方案的制定与维修工作实施。DCS实时采样与监控系统起到关键作用。
而“可预测故障”主要通过解析模型创建的方式进行故障诊断工作。从性质上看，该种故障形式并非一定发生，因此存在误报的情况，同时，在数据探测的过程中，电厂设备的运行数据存在异常情况，但没有到达设定的故障确定参数，则警报系统不会发出警告，只有在及时发现的基础上进行故障排查，才能较好避免故障发生。[1]
量变到质变具有短期和长期两种情况，短期内的运行故障能够得到较为准确的预测，但长期的运行故障存在的变动性较大，也使得干扰因素增多，造成运行预测工作存在一定难度。
三、非确定环境下的动态预测特性分析
（一）精确度和运行偏差
正确度、精确度与精密度属于准确性的主要构成单位，该三种单位存在的关系如图1 所示：
.png)
图1正确度、精确度和精密度的关系示意图（从左至右）
正确度主要用于系统误差的描述，其余两种基本构成单位可合称为准确度。点阵较为分散的情况，意味着设备运行缺乏稳定性，同时传感器也存在故障的可能性；点阵与远点存在分离的情况，意味着设备的运行存在故障；点阵较为密集且处在原点中心位置，表示设备的运行状态较为平稳。在精确度的衡量方法上，一般根据引用误差的方式进行应用，如图2所示：
.png)
图2
Emax表示满量程内实际测量值和理想测量值的最大绝对误差，F、S表示满量程。本文根据国家的相关规定，引用误差等级一般为0．1%、0．2%和 0．5%，而关于安全生产的测量设备，引用误差等级应＜0.1%。本文通过“运行偏差”的方式表示系统运行的稳定性，如图3所示：
.png)
图3
Et表示测量值与预设值存在的偏差情况，对运行工程偏离设定参数的范围进行描述，运行偏差主要通过相应的传感器水平比较进行共用参数的设置。
（二）短期预测分辨率
数字化仪控系统在装置的数据收集上具有时段性，初始数值的预测同样具有时段性。电厂系统的复杂程度较高，在预测模型的构建上难以进行通用模型的建立，电厂运行状态的数据采集时段不固定，使得系统相应部分的模型计算和数据采集周期的比值不同，如图4所示：
.png)
图4
T采集表示实时系统的数据采集时间段，T计算表示相应结构的精确模型计算时间，公式的运算符号设置成向上取整符。短周期预测分辨率通常情况下表示解析模型仿真受到外界因素影响的实时性。[2]
（三）相对预测精度
短周期预测工作结束后，预测数据的运算结果和DCS数据收集的真是数值会存在相对误差γ，长周期预测完成后，预测结果和短周期预测值同样存在相对误差γ，从而推出图5：
.png)
图5
（四）预测模型校准阈值
实际装置方法受到外部环境因素的影响而存在较大变动，如果系统的DCS采样周期期间没有存在外界环境因素影响，则解析模型在短周期的数据采样预测中，一般和实际的预测数值相近。临近的预测周期进行预测时，可不用进行初始值的从新设定，当另一个预测周期完成后和实际预测数值存在较大差值，应对初始值的预测模型进行相应调整。长周期预测和短周期预测对于该种情况较为常见，校准激发阈值St设定存在差异也会造成动态预测精确度、预测模型计算量存在出入。
（五）模型可靠性
电厂运行趋势预测出现误差的情况主要受到模型精度的影响，其次为外界影响因素的干扰，使得预测结果出现一定程度的误差。模型可靠性需要在累积误差定义的分析过程中，用以对预测模型在特定周期内的预测成功率进行反映，如图6所示：
.png)
图6
公式的n 校准激发表示T仿周期内模型计算累积误差造成校准激发次数，n 校准激发应＞1，假如该条件不符合，应增加预测周期避免出现为零的情况。
结语：多层神经网络的电厂运行动态预测需要运用到现有数学理论对定量的解释，从以往的解析模型越策方法上，进行逐步加深应用，在现阶段的电厂运行趋势预测系统研究工作中，需要结合解析模型与数据驱动，通过新时期大数据技术与传统运行动态预测确保预测结果的准确性。
参考文献：
[1]胡辉,顾丽琴,查伟雄.不确定环境下基于ELECTRE的多式联运路径选择评价方法[J].北京交通大学学报（社会科学版）,2017
[2]夏卓群,胡珍珍,罗君鹏,陈月月.不确定环境下移动对象自适应轨迹预测方法[J].计算机研究与发展,2017:19-29.