基于大數(shù)據(jù)挖掘與規(guī)則引擎的智慧輔助監(jiān)盤系統(tǒng)研究

周慧， 王瑤， 羅仁強， 黨俊榜， 肖振馨， 趙航

(1. 湖南大唐先一科技有限公司， 湖南 長沙 410004；2. 大唐陜西發(fā)電有限公司延安熱電廠， 陜西 延安 716004)

0 引言

隨著大數(shù)據(jù)技術的不斷發(fā)展， 智慧電廠的建設也在逐步深入， 智慧輔助監(jiān)盤作為智慧電廠建設中的“點睛之筆”， 宗旨就是計算機代替人完成部分重復繁瑣的監(jiān)盤工作， 在保證機組安全穩(wěn)定運行的同時提高監(jiān)盤效率， 解放部分勞動力[1－3]。 目前，國內(nèi)已有的監(jiān)盤系統(tǒng)產(chǎn)品多是注重機組與系統(tǒng)設備狀態(tài)的監(jiān)測與故障預警， 少有對系統(tǒng)與設備的故障識別、 故障處理指導的研究[4－6]。 邱志勤[7]提出了一種基于相似理論的智能監(jiān)盤系統(tǒng)， 對設備隱患進行提前預警。 雷元金等[8]提出了一種基于人工智能算法的大型水電站智能監(jiān)盤系統(tǒng)， 對系統(tǒng)和設備的重要參數(shù)進行監(jiān)測與預警。 因此， 本文提出一種大數(shù)據(jù)挖掘技術與規(guī)則引擎相結合的智慧輔助監(jiān)盤系統(tǒng)， 將設備狀態(tài)監(jiān)測與預警、 設備故障識別與故障處理指導有效地集成在一起， 實現(xiàn)對電廠系統(tǒng)設備狀態(tài)全方位的分析監(jiān)測與把控。

1 系統(tǒng)架構

基于大數(shù)據(jù)挖掘與規(guī)則引擎的智慧輔助監(jiān)盤系統(tǒng)采用B/S 結構， 以網(wǎng)絡服務器和PC 機為硬件基礎， 以人工智能平臺等為軟件基礎， 確保數(shù)據(jù)的準確性和軟件系統(tǒng)的可拓展性[8－10]。 系統(tǒng)架構示意如圖1 所示， 系統(tǒng)架構可分為: 支撐層、 核心業(yè)務層和應用層三個層級。

圖1 系統(tǒng)架構示意圖

1) 支撐層: 包括私有云平臺、 實時數(shù)據(jù)庫、人工智能分析平臺、 URule 規(guī)則引擎、 關系數(shù)據(jù)庫和歷史數(shù)據(jù)采集程序等。

2) 核心處理層: 包括數(shù)據(jù)采集與處理、 算法模型和規(guī)則計算。 數(shù)據(jù)采集與處理支持歷史數(shù)據(jù)批量采集、 實時數(shù)據(jù)采集、 數(shù)據(jù)處理(包括數(shù)據(jù)聚合、 數(shù)據(jù)轉換、 數(shù)據(jù)探索、 數(shù)據(jù)清洗等)； 算法模型支持基于BP 神經(jīng)網(wǎng)絡多目標回歸的狀態(tài)預警建模、 支持向量機多目標回歸的狀態(tài)預警建模、 基于多元狀態(tài)估計的狀態(tài)預警等算法； 規(guī)則計算支持報警綜合指標計算及規(guī)則引擎配置與實時計算。

3) 應用層: 包括大數(shù)據(jù)分析建模、 監(jiān)盤畫面展示、 配置管理、 系統(tǒng)管理等應用。

2 業(yè)務實現(xiàn)

系統(tǒng)主要基于多元狀態(tài)估計、 隨機森林、 多目標回歸等大數(shù)據(jù)算法， 對電廠各個系統(tǒng)設備的健康狀態(tài)進行評估、 重要參數(shù)進行預測， 同時利用URule 規(guī)則引擎對系統(tǒng)故障預警信息給出異常描述及處理指導， 主要的業(yè)務實現(xiàn)流程如圖2 所示。

圖2 業(yè)務實現(xiàn)流程

3 關鍵技術

3.1 大數(shù)據(jù)分析與建模

3.1.1 數(shù)據(jù)采集與存儲

系統(tǒng)支持多種異構數(shù)據(jù)源的數(shù)據(jù)抽取， 包括關系型數(shù)據(jù)源(支持Oracle、 MySQL 等)、 半結構化數(shù)據(jù)源(如XML 文件等)、 數(shù)據(jù)文件(如txt 文件等)， 同時支持能返回結構化數(shù)據(jù)的http 接口和webservice 接口等[11]。

支持實時數(shù)據(jù)與歷史數(shù)據(jù)采集， 實時數(shù)據(jù)采集采用實時數(shù)據(jù)鏡像程序寫入XDB 或者寫入Kafka；歷史數(shù)據(jù)采集采用程序寫入到XDB/Hbase。 平臺提供多種分布式數(shù)據(jù)存儲方式， 包括分布式文件系統(tǒng)、 時序數(shù)據(jù)庫等。 每種方式都采用大數(shù)據(jù)分布式存儲技術， 并且適合不同用途的數(shù)據(jù)存儲。

3.1.2 數(shù)據(jù)挖掘

大數(shù)據(jù)分析是對大量結構化和非結構化的數(shù)據(jù)進行分析處理， 從中獲得新的價值， 具有數(shù)據(jù)量大、 數(shù)據(jù)類型多、 處理要求快等特點。

1) 數(shù)據(jù)探索: 對從電廠廠級監(jiān)控信息系統(tǒng)采集的機組歷史運行數(shù)據(jù)進行深入摸底。 主要利用基本統(tǒng)計量分析， 對采集的各個參數(shù)的最大值、 最小值、 中值及平均值等進行分析。

2) 數(shù)據(jù)預處理: 由于電廠運行數(shù)據(jù)中可能包含噪音、 不完整、 甚至不一致的數(shù)據(jù)， 還有數(shù)據(jù)內(nèi)容不滿足挖掘的要求， 數(shù)據(jù)建模前需對涉及的數(shù)據(jù)對象進行預處理。 主要運用異常值處理、 相關性分析、 穩(wěn)定性分析等。

異常值處理: 對采集的歷史數(shù)據(jù)中出現(xiàn)的測點異常的值、 參數(shù)拉直線的值和不符合當前實際工況的值進行過濾或替換處理。

相關性分析: 在大量的設備參數(shù)中， 利用Pearson 相關性原理， 篩選出相關性低且能夠全面反映設備狀態(tài)的參數(shù)作為特征參數(shù)。

穩(wěn)定性分析: 利用穩(wěn)定性分析組件， 自由設置運行時長， 篩選出連續(xù)穩(wěn)定運行超過所設置的運行時長的健康樣本。

3) 可視化建模: 采用圖形化、 流程化的方式進行大數(shù)據(jù)挖掘工作， 找出背后的規(guī)律。 主要利用多元狀態(tài)估計算法對各種電力設備和系統(tǒng)的運行狀態(tài)進行評估。

4) 模型評價: 通過算法對大量樣本進行訓練得到一個模型， 模型具有隱藏在海量數(shù)據(jù)中的價值， 需要評價模型質(zhì)量、 是否能在實際應用中發(fā)揮預測或指導作用。

3.2 Urule 規(guī)則引擎

Urule 規(guī)則引擎是一種基于Java 的規(guī)則引擎，提供規(guī)則集、 決策表、 決策樹等多種類型的業(yè)務規(guī)則設計工具， 包含嵌入式、 本地、 分布式計算及獨立服務四種運行模式[12－13]。 本系統(tǒng)中Urule 規(guī)則引擎采用分布式計算模式， 利用規(guī)則集的業(yè)務規(guī)則設計工具建立監(jiān)盤故障診斷專家系統(tǒng)。

規(guī)則庫以XML 文件的形式存儲系統(tǒng)推理所需要的規(guī)則， 系統(tǒng)根據(jù)大數(shù)據(jù)分析出來的故障數(shù)據(jù)，對電力系統(tǒng)及設備故障進行診斷。 系統(tǒng)根據(jù)規(guī)則庫中配置的規(guī)則自動匹配預警事件， 輸出對應的故障操作指導。 規(guī)則引擎調(diào)用與故障推理過程如下。

1) 規(guī)則引擎配置: 以XML 文件的形式將模型涉及的參數(shù)導入成規(guī)則引擎庫文件； 配置監(jiān)盤異常知識庫， 對預警事件名稱、 產(chǎn)生的原因及處理指導進行配置， 對每一個預警事件賦予唯一事件編號；通過庫文件配置導入模型參數(shù)信息， 利用規(guī)則集配置預警事件產(chǎn)生的條件。

2) 規(guī)則引擎調(diào)用: 對大數(shù)據(jù)平臺輸出的模型結果進行封裝， 用http 接口調(diào)用模型結果， 通過模型狀態(tài)值觸發(fā)規(guī)則引擎。

3) 執(zhí)行規(guī)則: 對模型結果與規(guī)則設定的值進行比對， 執(zhí)行并返回對應的預警事件編碼。

4) 輸出結果: 通過規(guī)則引擎返回的預警事件編碼， 讀取并返回預警事件編碼對應的事件名稱、原因分析及處理指導。

3.3 多元狀態(tài)估計算法

多元狀態(tài)估計技術(multivariate state estimation techniques， MSET) 是一種基于特征驅動的多變量時間序列分析方法， 可以通過監(jiān)測電力系統(tǒng)設備實時運行參數(shù)與歷史運行參數(shù)的相似度來對系統(tǒng)或設備的狀態(tài)進行計算和評價[14－16]。 MEST 算法利用系統(tǒng)或設備在各個工況下歷史運行的健康樣本構建典型樣本數(shù)據(jù)庫[17－19]， 利用在歷史健康樣本學習到的狀態(tài)參數(shù)關系來評估每一個新監(jiān)測實時樣本的健康狀態(tài)。

4 功能要求

4.1 設備狀態(tài)監(jiān)測與預警

機組監(jiān)測頁面: 從安全性、 故障預警、 自動投入三個維度對電廠系統(tǒng)或設備狀態(tài)評分進行展示，綜合三個維度的評分對系統(tǒng)或設備整體健康狀態(tài)評分進行展示。 界面設置預警信息按鈕， 可查看當前發(fā)生的預警事件和預警參數(shù)信息； 點擊對應的系統(tǒng)或設備可鏈接到對應的系統(tǒng)監(jiān)測界面。

系統(tǒng)監(jiān)測頁面: 分系統(tǒng)或設備對預警模型監(jiān)測參數(shù)的實際值、 期望值、 偏差及模型健康度進行展示， 同時用顏色表示參數(shù)和模型的預警等級， 紅色表示一級預警， 黃色表示二級預警； 當前發(fā)生的預警事件的名稱和狀態(tài)以事件列表的形式展示， 點擊對應的預警事件， 則會顯示對應事件的異常描述、原因分析與處理指導的詳細信息， 供運行值班員進行預警事件處理使用。

4.2 設備故障識別與處理指導

系統(tǒng)內(nèi)置異常處理知識庫， 根據(jù)設備監(jiān)測參數(shù)進行預警原因規(guī)則樹推理， 并給出運行處理建議。運行異?；蛟O備異常時， 系統(tǒng)發(fā)出預警并自動關聯(lián)異常知識庫， 給出異常調(diào)整或診斷提示信息， 便于運行人員查找原因， 進行運行調(diào)整或現(xiàn)場設備檢查處理。 異常知識庫是一個開放的診斷知識積累平臺， 能自動監(jiān)視和記錄系統(tǒng)運行異常和關鍵設備的異常發(fā)展過程、 可能原因、 征兆和措施等， 可進行診斷知識的快速添加， 并在再次發(fā)生同樣征兆或異常時自動提示相關異常處理知識。

4.3 數(shù)據(jù)分析與統(tǒng)計

趨勢分析頁面: 提供設備狀態(tài)健康度曲線分析， 包括監(jiān)測參數(shù)的實際值與期望值曲線、 設備健康度曲線。 運行人員可以通過“選擇分析測點”的下拉框選擇需要查看的參數(shù)， 還可以通過查看各個參數(shù)的歷史數(shù)據(jù)， 分析系統(tǒng)或設備參數(shù)的劣化趨勢。

事件統(tǒng)計頁面: 支持歷史異常預警時間的查詢， 包括不同機組、 系統(tǒng)、 設備發(fā)生的預警頻次、預警無效次數(shù)、 累計持續(xù)時長等。

5 測試結果

以某電廠4 號機組制粉系統(tǒng)E 磨煤機的運行數(shù)據(jù)作為系統(tǒng)功能測試數(shù)據(jù)來源， 選取該機2019 年6 月至2020 年5 月的歷史運行數(shù)據(jù)為訓練樣本， 每隔1 min 采集1 組數(shù)據(jù)， 共計527 052 組數(shù)據(jù)。 2020 年12 月26 日， E 磨煤機出口風、 粉溫度高導致磨煤機故障， 選取故障發(fā)生前后約8 h(2020－12－26 15:00:00—2020－12－27 07:39:00)的運行數(shù)據(jù)為測試數(shù)據(jù)， 共計1 000 組數(shù)據(jù)。 選取代表制粉系統(tǒng)中磨煤機主電機電流等5 個相關性弱的關鍵參數(shù)進行建模分析。

將采集的訓練樣本寫入人工智能平臺進行大數(shù)據(jù)分析與挖掘， 包括對數(shù)據(jù)進行預處理、 相關性分析、 穩(wěn)定性分析及典型樣本選取等。 將篩選出來的健康訓練樣本和典型樣本接入多元狀態(tài)估計預警組件， 得到監(jiān)測參數(shù)的健康固定上下限值和健康偏差上下限值， 具體參數(shù)預警上下限值見表1。

表1 參數(shù)預警上下限值

磨煤機主電機電流、 磨煤機進出口差壓、 磨煤機出口風粉混合物溫度、 磨煤機煤位、 給煤機瞬時給煤量的監(jiān)測與估計結果如圖3—7 所示。

圖3 磨煤機出口風粉混合物溫度監(jiān)測與估計結果

圖4 給煤機瞬時給煤量監(jiān)測與估計結果

圖5 磨煤機進出口差壓監(jiān)測與估計結果

圖6 磨煤機主電機電流監(jiān)測與估計結果

圖7 磨煤機煤位監(jiān)測與估計結果

由圖3—7 可知， 磨煤機主電機電流、 磨煤機進出口差壓和磨煤機煤位預測精度較高且殘差較小， 均屬于正常狀態(tài)， 但磨煤機出口風粉混合物溫度和給煤機瞬時給煤量在2020 年12 月26 日23:50:00 的監(jiān)測參數(shù)有明顯增大的趨勢且超出了健康固定上限值， 對應的估計偏差超出了健康偏差上限值， 表明故障發(fā)生。 系統(tǒng)觸發(fā)URule 規(guī)則引擎， 根據(jù)事件編碼發(fā)出預警指導信息并給出異常描述、 原因分析與處理指導。

測試結果表明， 基于大數(shù)據(jù)挖掘與規(guī)則引擎的智能輔助監(jiān)盤系統(tǒng)對電廠系統(tǒng)或設備運行狀態(tài)進行預測具有較好的效果， 能夠有效地對電力系統(tǒng)或設備運行狀態(tài)進行實時監(jiān)測， 幫助運行監(jiān)盤人員發(fā)現(xiàn)設備和參數(shù)的異常， 更加全面地實現(xiàn)對電廠系統(tǒng)設備狀態(tài)的監(jiān)測。

6 結語

本文研究基于大數(shù)據(jù)挖掘與規(guī)則引擎的智能監(jiān)盤系統(tǒng)， 依托各類先進的機器學習算法， 從生產(chǎn)監(jiān)測大數(shù)據(jù)中挖掘出各類系統(tǒng)和設備的參數(shù)變化規(guī)律， 準確發(fā)現(xiàn)和提示運行控制異常事件， 可以降低運行人員監(jiān)盤壓力， 有效提高機組運行可靠性。 同時， 運行異常診斷知識庫還集成了電廠運行專家、電廠運行專工和值長的經(jīng)驗和智慧， 歷史健康數(shù)據(jù)挖掘更是傳承了機組歷史運行經(jīng)驗。 綜合而言， 基于大數(shù)據(jù)挖掘與規(guī)則引擎的智能監(jiān)盤系統(tǒng)的有效實施與應用將會提升機組的監(jiān)盤效率與運行水平。