張曉宇,卞慶華,張坤峰
(中國(guó)長(zhǎng)江電力股份有限公司三峽水力發(fā)電廠,湖北 宜昌 443133)
根據(jù)上述建設(shè)目標(biāo)和基本要求,本文構(gòu)建覆蓋電站全壽命周期,以智能數(shù)據(jù)為基礎(chǔ)、智能管控一體化平臺(tái)為核心、智能發(fā)電運(yùn)行管控模式為目標(biāo)的三峽電站智能平臺(tái)架構(gòu)[1],在此平臺(tái)上進(jìn)行了應(yīng)用擴(kuò)展和資源優(yōu)化調(diào)度整合。通過(guò)該平臺(tái)的信息集成,實(shí)現(xiàn)了智能數(shù)據(jù)層、智能算法層、智能應(yīng)用層之間的融合,提升了設(shè)備診斷效率和安全管理維護(hù)水平。
智能發(fā)電以發(fā)電過(guò)程的數(shù)字化、自動(dòng)化、信息化、標(biāo)準(zhǔn)化為基礎(chǔ),以管控一體化、大數(shù)據(jù)、云計(jì)算、物聯(lián)網(wǎng)為平臺(tái),集成智能傳感與執(zhí)行、智能控制與優(yōu)化、智能管理與決策等技術(shù),形成一種具備自學(xué)習(xí)、自適應(yīng)、自趨優(yōu)、自恢復(fù)、自組織的智能發(fā)電運(yùn)行控制管理模式,實(shí)現(xiàn)更加安全、高效、清潔、低碳、靈活的生產(chǎn)目標(biāo)[2]?;诖耍\(yùn)用自適應(yīng)控制、模糊控制、多目標(biāo)優(yōu)化等現(xiàn)代控制理論,采用大數(shù)據(jù)、深度學(xué)習(xí)、工業(yè)平臺(tái)等信息技術(shù),構(gòu)建覆蓋電站全壽命周期,以智能數(shù)據(jù)為基礎(chǔ)、智能管控一體化平臺(tái)為核心、智能發(fā)電運(yùn)行管控模式為目標(biāo)的三峽電站智能平臺(tái)架構(gòu),如圖1 所示。平臺(tái)軟件由具有不同功能的微組件以“搭積木”的方式組成,組件可移植、可復(fù)用,能以圖形化模式供電站運(yùn)行人員根據(jù)經(jīng)驗(yàn)和設(shè)備特性自行配置,組成不同系統(tǒng)和設(shè)備的智慧運(yùn)行平臺(tái)。微組件可以是在設(shè)備運(yùn)行、維護(hù)、狀態(tài)評(píng)估、故障診斷的技術(shù)、知識(shí)、經(jīng)驗(yàn)等基礎(chǔ)上建立的物理機(jī)理模型,如泵運(yùn)行狀態(tài)組件;或是結(jié)合大數(shù)據(jù)統(tǒng)計(jì)、人工智能算法、異常檢測(cè)、歸一化處理、數(shù)據(jù)聚類、關(guān)聯(lián)和預(yù)測(cè)等數(shù)據(jù)處理方法標(biāo)準(zhǔn)化后的數(shù)據(jù)分析模塊,如邏輯運(yùn)算組件、FFT 組件等,實(shí)現(xiàn)趨勢(shì)統(tǒng)計(jì)、大數(shù)據(jù)分析及智能告警功能。
圖1 三峽電站智能平臺(tái)架構(gòu)
智能數(shù)據(jù)層對(duì)各分散的狀態(tài)監(jiān)測(cè)系統(tǒng)海量異構(gòu)數(shù)據(jù)進(jìn)行預(yù)處理,打通生產(chǎn)經(jīng)營(yíng)多個(gè)環(huán)節(jié)的數(shù)據(jù)孤島,是智慧電站數(shù)據(jù)治理的重要工作內(nèi)容,也是智能管控的基礎(chǔ)和驅(qū)動(dòng)力。
(1)智能數(shù)據(jù)層由數(shù)據(jù)源、數(shù)據(jù)接口模塊、數(shù)據(jù)清洗模塊等組成,負(fù)責(zé)從II 區(qū)數(shù)據(jù)整合平臺(tái)讀取數(shù)據(jù),進(jìn)行清洗,去除重復(fù)、冗余及無(wú)效數(shù)據(jù),并對(duì)數(shù)據(jù)進(jìn)行轉(zhuǎn)換、歸約、集成和統(tǒng)一編碼,為智能算法層中的優(yōu)化控制、狀態(tài)評(píng)估及診斷系統(tǒng)提供重要數(shù)據(jù)保證。
(2)系統(tǒng)采用Ⅱ區(qū)數(shù)據(jù)整合平臺(tái)提供的專用數(shù)據(jù)服務(wù)接口獲取數(shù)據(jù),支持WebService、FTP 等通用協(xié)議。數(shù)據(jù)接口將各種通用通信協(xié)議做成獨(dú)立模塊,可以根據(jù)需要進(jìn)行組合,滿足數(shù)據(jù)讀取要求。智能數(shù)據(jù)層如圖2 所示。
圖2 數(shù)據(jù)層結(jié)構(gòu)
(3)智能數(shù)據(jù)層嵌入智能測(cè)量設(shè)備,如紅外熱成像、高清攝像頭、智能機(jī)器人、聲音監(jiān)測(cè)裝置、無(wú)人機(jī)等,全天候?qū)υO(shè)備狀態(tài)進(jìn)行全方位監(jiān)測(cè),實(shí)時(shí)對(duì)巡檢結(jié)果進(jìn)行識(shí)別和診斷,彌補(bǔ)了傳統(tǒng)人工巡檢的缺陷和不足,提高了設(shè)備運(yùn)行可靠性[3]。
智能算法層通過(guò)智能應(yīng)用層指令與智能數(shù)據(jù)層數(shù)據(jù)信息實(shí)現(xiàn),融合先進(jìn)控制算法及智能控制策略、多目標(biāo)優(yōu)化、數(shù)據(jù)分析等技術(shù)手段,精細(xì)控制發(fā)電過(guò)程中的各項(xiàng)重要參數(shù)。智能算法層主要包括以下幾種技術(shù):
(1)智能算法層嵌入智能數(shù)據(jù)分析技術(shù),融合大數(shù)據(jù)分析、邊緣計(jì)算等先進(jìn)技術(shù),對(duì)電力生產(chǎn)過(guò)程中的海量數(shù)據(jù)進(jìn)行統(tǒng)計(jì)、挖掘,歸納數(shù)據(jù)特征和規(guī)律,從而實(shí)現(xiàn)多源數(shù)據(jù)的深度融合,為設(shè)備智能控制提供優(yōu)化建議。
(2)智能算法層中嵌入設(shè)備實(shí)時(shí)評(píng)價(jià)規(guī)則庫(kù),結(jié)合智能數(shù)據(jù)層提供的高可靠、高精度數(shù)據(jù),融合相關(guān)行業(yè)標(biāo)準(zhǔn)、設(shè)備現(xiàn)場(chǎng)實(shí)際運(yùn)行特性及專家經(jīng)驗(yàn),應(yīng)用數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)和自尋優(yōu)算法,全面、精確、實(shí)時(shí)反映當(dāng)前電廠設(shè)備及系統(tǒng)性能,推薦當(dāng)前工況下最優(yōu)運(yùn)行方式,運(yùn)行人員可根據(jù)建議調(diào)整設(shè)定值和運(yùn)行方式,提高機(jī)組運(yùn)行效率。
語(yǔ)文教育家葉圣陶先生說(shuō):“就接受和發(fā)表而言,口頭的表現(xiàn)形式為聽(tīng)人說(shuō)和自己說(shuō)。聽(tīng)和讀,之于接受同樣重要;說(shuō)和寫,之于發(fā)表同樣重要?!敝袑W(xué)生學(xué)習(xí)文本語(yǔ)言,就是為了實(shí)現(xiàn)表達(dá)的遷移。我們要為中學(xué)生創(chuàng)設(shè)民主自由的表達(dá)空間,引導(dǎo)學(xué)生漫溯文本,于深度解讀處抓住語(yǔ)言表達(dá)的章法,以適時(shí)運(yùn)用提升其口語(yǔ)。
(3)智能算法層嵌入機(jī)組工況和試驗(yàn)工況識(shí)別算法,記錄工況原始數(shù)據(jù)、計(jì)算性能指標(biāo),根據(jù)不同工況對(duì)數(shù)據(jù)采用不同的分析策略,并自動(dòng)評(píng)估性能品質(zhì)及變化趨勢(shì),顯著增加機(jī)組控制系統(tǒng)自動(dòng)化水平,大幅減少操作強(qiáng)度?;跈C(jī)組工況的設(shè)備性能分析平臺(tái)如圖3 所示。
圖3 基于機(jī)組工況的設(shè)備性能分析平臺(tái)
(4)智能算法層中嵌入故障診斷知識(shí)庫(kù),如圖4所示。建立大型發(fā)電機(jī)組健康狀態(tài)多維動(dòng)態(tài)智能診斷模型、機(jī)組穩(wěn)定性故障診斷模型、機(jī)組導(dǎo)葉間隙診斷模型、推力瓦受力分布診斷模型、液壓系統(tǒng)內(nèi)漏診斷模型等,實(shí)現(xiàn)對(duì)機(jī)組運(yùn)行狀態(tài)及故障的超前預(yù)警與故障診斷,方便運(yùn)行人員及時(shí)掌控設(shè)備健康狀況,識(shí)別潛在風(fēng)險(xiǎn),為智能管理提供決策支持[4]。
圖4 故障診斷種類
(5)智能算法層中嵌入智能軟測(cè)量技術(shù),使用機(jī)理和數(shù)據(jù)雙驅(qū)動(dòng)精確建模[5],如機(jī)組穩(wěn)定性及效率數(shù)字模型、三部軸承溫度預(yù)測(cè)模型、調(diào)速器控制行為尋優(yōu)模型、液壓系統(tǒng)工況劣化預(yù)測(cè)模型等,實(shí)現(xiàn)電站設(shè)備不可測(cè)關(guān)鍵狀態(tài)在線監(jiān)測(cè)。以調(diào)速器控制行為尋優(yōu)模型為例,采用T-S 模糊模型對(duì)調(diào)速器這個(gè)復(fù)雜非線性動(dòng)態(tài)系統(tǒng)進(jìn)行建模,將既能有效進(jìn)行自學(xué)習(xí)又能利用模糊規(guī)則推理來(lái)描述系統(tǒng)的模糊神經(jīng)網(wǎng)絡(luò)控制技術(shù)應(yīng)用于調(diào)節(jié)系統(tǒng)控制中[6]。其系統(tǒng)結(jié)構(gòu)如圖5 所示。
圖5 自適應(yīng)模糊廣義預(yù)測(cè)控制系統(tǒng)
傳統(tǒng)調(diào)速器控制規(guī)律大多采用PID 控制,在機(jī)組確定工況下,通過(guò)整定一組恰當(dāng)?shù)膮?shù)可以獲得較好的控制性能[7]。但當(dāng)工況發(fā)生變化偏離設(shè)定工況時(shí),PID 控制很難取得滿意的控制效果。針對(duì)線性模型不能準(zhǔn)確描述系統(tǒng)動(dòng)態(tài)特性,從而導(dǎo)致基于線性模型所設(shè)計(jì)的控制器無(wú)法取得理想控制效果的缺點(diǎn)[8],將T-S 模糊模型與廣測(cè)控制(GPC)[9]相結(jié)合,采樣被控對(duì)象的輸入輸出數(shù)據(jù),離線辨識(shí)得到T-S模糊模型,在線對(duì)模型進(jìn)行自適應(yīng)調(diào)整,在每個(gè)采樣時(shí)刻得到被控對(duì)象的線性化模型,采用GPC 算法對(duì)機(jī)組進(jìn)行控制;同時(shí),針對(duì)系統(tǒng)辨識(shí)輸入變量難以選擇的問(wèn)題,采用決策樹(shù)搜索法來(lái)挑選輸入變量,建立系統(tǒng)的最優(yōu)模糊模型。通過(guò)對(duì)模型輸出結(jié)論部分在線辨識(shí),既避免了全局模型在線實(shí)時(shí)辨識(shí)造成的算法復(fù)雜耗時(shí),又能保證系統(tǒng)具有較高的動(dòng)態(tài)性能和魯棒性。實(shí)踐表明,基于T-S 模糊模型的水輪機(jī)調(diào)節(jié)系統(tǒng)自適應(yīng)廣義預(yù)測(cè)控制器具有很好的控制效果,控制性能指標(biāo)明顯優(yōu)于傳統(tǒng)PID 控制方法和基于線性模型的GPC 控制方法。
智能應(yīng)用層是平臺(tái)的核心,其根據(jù)智能算法層提供的設(shè)備實(shí)時(shí)評(píng)價(jià)方案、故障診斷結(jié)果,以各類分析算法與模型為支撐,實(shí)現(xiàn)水電站設(shè)備狀態(tài)的全方位實(shí)時(shí)自動(dòng)巡檢、自動(dòng)報(bào)表定制等。智能應(yīng)用包括智能巡檢、智能報(bào)表、智能檢修等應(yīng)用軟件,提供設(shè)備狀態(tài)實(shí)時(shí)監(jiān)測(cè)、智能巡檢、預(yù)警報(bào)警、趨勢(shì)預(yù)測(cè)、狀態(tài)檢修等功能,為運(yùn)行人員提供決策支持。
(1)智能應(yīng)用層中嵌入設(shè)備狀態(tài)實(shí)時(shí)自動(dòng)巡檢系統(tǒng)。包括以各類分析算法與模型為支撐的設(shè)備狀態(tài)實(shí)時(shí)自動(dòng)巡檢系統(tǒng)、基于判斷監(jiān)測(cè)數(shù)據(jù)是否異常的監(jiān)測(cè)狀態(tài)巡檢系統(tǒng)、與設(shè)備特征值比較的設(shè)備性能巡檢系統(tǒng)等。以上導(dǎo)狀態(tài)巡檢策略為例,系統(tǒng)從3 方面對(duì)設(shè)備狀態(tài)進(jìn)行巡檢:①關(guān)鍵參數(shù)越限巡檢:實(shí)時(shí)分析上導(dǎo)關(guān)鍵參數(shù)的狀態(tài),判斷是否有越限報(bào)警。②關(guān)鍵參數(shù)離群巡檢:將實(shí)時(shí)監(jiān)測(cè)數(shù)值和歷史分布區(qū)間進(jìn)行對(duì)比,分析參數(shù)是否偏離正常區(qū)間。③常見(jiàn)故障巡檢:根據(jù)當(dāng)前上導(dǎo)擺度、上機(jī)架振動(dòng)數(shù)據(jù),結(jié)合上導(dǎo)擺度峰峰值、間隙值長(zhǎng)期變化趨勢(shì),分析軸瓦松動(dòng)情況;計(jì)算上導(dǎo)瓦溫偏差數(shù)值,結(jié)合上導(dǎo)軸心軌跡形狀,分析判斷上導(dǎo)瓦隙是否存在不均勻;分析瓦溫是否超標(biāo)或有增大趨勢(shì),結(jié)合潤(rùn)滑油溫、油位,分析上導(dǎo)潤(rùn)滑油系統(tǒng)是否異常。
實(shí)時(shí)自動(dòng)巡檢不僅能夠根據(jù)當(dāng)前狀態(tài)數(shù)據(jù)發(fā)出報(bào)警信息,還能根據(jù)數(shù)據(jù)的變化趨勢(shì)發(fā)出預(yù)警提示,以預(yù)防重大故障的發(fā)生;所有報(bào)警閾值可根據(jù)設(shè)備不同運(yùn)行工況計(jì)算,也可根據(jù)運(yùn)行人員經(jīng)驗(yàn)設(shè)定,具有很強(qiáng)的自適應(yīng)性。
(2)智能應(yīng)用層中嵌入智能運(yùn)行分析報(bào)表。以智能數(shù)據(jù)層數(shù)據(jù)為基礎(chǔ),結(jié)合各種分析算法模型及運(yùn)行分析經(jīng)驗(yàn),自動(dòng)生成運(yùn)行分析報(bào)表,包括實(shí)時(shí)狀態(tài)分析報(bào)表、定期狀態(tài)分析報(bào)表、專項(xiàng)檢查分析報(bào)表、定期巡檢報(bào)表等。在此基礎(chǔ)上,提供各種分析功能,如頻域分析、閾值分析、趨勢(shì)分析、對(duì)比分析等,智能分析評(píng)價(jià)機(jī)組健康狀態(tài),實(shí)時(shí)給出當(dāng)前工況下最優(yōu)操作目標(biāo)值和最優(yōu)運(yùn)行方式,指導(dǎo)機(jī)組智慧運(yùn)行。智能分析報(bào)表結(jié)合了診斷和評(píng)價(jià)技術(shù),可自動(dòng)根據(jù)設(shè)定的狀態(tài)報(bào)告分析模板選取相關(guān)的數(shù)據(jù),自動(dòng)進(jìn)行相應(yīng)的計(jì)算并提取相應(yīng)的特征數(shù)據(jù),根據(jù)特征數(shù)據(jù)提出相應(yīng)的處理意見(jiàn),具有分析報(bào)表定制化、分析手段多樣化、分析結(jié)論精準(zhǔn)化等特點(diǎn)。
以擺度特性定期狀態(tài)分析報(bào)表為例,利用系統(tǒng)長(zhǎng)期積累的不同水頭和負(fù)荷下的擺度數(shù)據(jù),通過(guò)多維相關(guān)趨勢(shì)分析工具分析導(dǎo)軸承擺度在不同水頭下隨負(fù)荷的變化趨勢(shì),掌握水頭對(duì)導(dǎo)軸承擺度隨負(fù)荷變化特性的影響,為優(yōu)化運(yùn)行提供數(shù)據(jù)基礎(chǔ);此外,通過(guò)分析導(dǎo)軸承擺度幅值、相位和擺度測(cè)點(diǎn)平均間隙在相同工況下隨時(shí)間的變化趨勢(shì),分析導(dǎo)軸承擺度是否存在突變,輔助及時(shí)發(fā)現(xiàn)機(jī)組異常情況。
(3)智能應(yīng)用層中嵌入智能檢修系統(tǒng)。長(zhǎng)期以來(lái),三峽電站有一套成熟的基于人工打分系統(tǒng)的設(shè)備檢修決策方法,通過(guò)長(zhǎng)期的實(shí)踐已證明了此決策方法有其合理性,但是根據(jù)經(jīng)驗(yàn)的人工設(shè)備檢修決策受限于經(jīng)驗(yàn)和知識(shí)水平,有其局限性。融合計(jì)算機(jī)智能化輔助檢修決策和人工檢修決策信息,將狀態(tài)檢修、智能預(yù)警、專家診斷[10]、遠(yuǎn)程診斷等技術(shù)應(yīng)用于狀態(tài)檢修策略的制定、檢修過(guò)程實(shí)施的智能狀態(tài)檢修系統(tǒng),構(gòu)建基于設(shè)備性能特征值的等級(jí)評(píng)估模型、基于故障診斷的劣化預(yù)測(cè)模型、基于健康預(yù)測(cè)及健康評(píng)估的健康管理模型、基于自學(xué)習(xí)訓(xùn)練樣本的可靠性檢修模型、基于大數(shù)據(jù)統(tǒng)計(jì)的壽命評(píng)判模型等,能夠?qū)崿F(xiàn)對(duì)重要系統(tǒng)和設(shè)備的自學(xué)習(xí)、自分析、自診斷,從而實(shí)現(xiàn)科學(xué)優(yōu)化檢修項(xiàng)目、檢修周期、檢修費(fèi)用,最終實(shí)現(xiàn)檢修管理水平提升和檢修成本優(yōu)化。
以變壓器狀態(tài)評(píng)估方法為例,傳統(tǒng)的三比值法評(píng)價(jià)指標(biāo)固化、無(wú)法綜合參照設(shè)備各個(gè)參量的不足,采用“在線數(shù)據(jù)+實(shí)驗(yàn)機(jī)理數(shù)據(jù)”或“智能算法+故障機(jī)理模型”這類數(shù)據(jù)驅(qū)動(dòng)與傳統(tǒng)評(píng)價(jià)指標(biāo)相結(jié)合的方式[11],能夠有效地判斷變壓器的運(yùn)行狀態(tài)。選取油色譜數(shù)據(jù)、電氣試驗(yàn)數(shù)據(jù)、油品質(zhì)試驗(yàn)數(shù)據(jù)、絕緣油特性數(shù)據(jù)為定量指標(biāo),變壓器運(yùn)行情況及檢修記錄為定性指標(biāo),構(gòu)建變壓器絕緣狀態(tài)評(píng)估指標(biāo)體系如圖6 所示?;谥笜?biāo)劣化度確定等級(jí)劃分標(biāo)準(zhǔn){H1,H2,H3,H4},構(gòu)建變壓器狀態(tài)評(píng)估的物元層次模型,引入最優(yōu)權(quán)重和D-S 證據(jù)理論,對(duì)評(píng)估中的模糊性和隨機(jī)性等不確定性整體考慮,從而得出最終狀態(tài)評(píng)估結(jié)果。
圖6 變壓器絕緣狀態(tài)評(píng)估體系
(4)智能應(yīng)用層中嵌入預(yù)警報(bào)警系統(tǒng)。根據(jù)設(shè)備運(yùn)行特性及模型,結(jié)合積累的歷史數(shù)據(jù),利用聚類分析算法等智能趨勢(shì)分析算法對(duì)設(shè)備變化趨勢(shì)、變化率異常自動(dòng)識(shí)別并及時(shí)告警,報(bào)警策略包括動(dòng)態(tài)閾值報(bào)警、參數(shù)離群報(bào)警、參數(shù)變化異常報(bào)警、設(shè)備故障報(bào)警等。預(yù)警報(bào)警系統(tǒng)可解決機(jī)組漏水、漏油、軸承溫度緩慢異常變化等問(wèn)題,實(shí)現(xiàn)故障超前預(yù)警、超限報(bào)警和趨勢(shì)預(yù)測(cè)。
本文分析了三峽電站智能化現(xiàn)狀,探討了三峽電站智能平臺(tái)架構(gòu)、關(guān)鍵技術(shù)及業(yè)務(wù)模塊功能。三峽電站智能平臺(tái)整合了全廠的生產(chǎn)數(shù)據(jù),為生產(chǎn)過(guò)程深度分析及指導(dǎo)全廠運(yùn)行控制提供了統(tǒng)一的數(shù)據(jù)基礎(chǔ);此外,在此數(shù)據(jù)平臺(tái)上提供了豐富的智能算法及其應(yīng)用環(huán)境供運(yùn)行控制調(diào)用,能完成包含機(jī)器學(xué)習(xí)、能效計(jì)算、運(yùn)行優(yōu)化、智能控制等各種生產(chǎn)環(huán)節(jié)的計(jì)算,提高了電站的智能化水平[8]。