燃煤電廠集控系統(tǒng)中的大數(shù)據(jù)挖掘與預(yù)測(cè)控制

摘 要：本文提出了一種基于時(shí)序數(shù)據(jù)挖掘和長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）的燃煤電廠集中控制系統(tǒng)異常檢測(cè)與預(yù)測(cè)控制方法。該方法實(shí)時(shí)采集了燃煤電廠各類傳感器數(shù)據(jù)，利用滑動(dòng)窗口檢測(cè)算法識(shí)別突變點(diǎn)，并結(jié)合多區(qū)間的聚類分析構(gòu)建LSTM預(yù)測(cè)模型，對(duì)系統(tǒng)的運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)預(yù)測(cè)和控制。試驗(yàn)結(jié)果表明，該方法在檢測(cè)靈敏度、預(yù)測(cè)準(zhǔn)確性以及控制效果方面均表現(xiàn)優(yōu)異，能夠?yàn)槿济弘姀S的智能化運(yùn)行和安全管理提供有效的技術(shù)支持。

關(guān)鍵詞：異常檢測(cè)；預(yù)測(cè)控制；長(zhǎng)短期記憶網(wǎng)絡(luò)；時(shí)序數(shù)據(jù)挖掘

中圖分類號(hào)：TM 63 " " " 文獻(xiàn)標(biāo)志碼：A

在現(xiàn)代燃煤電廠中，集中控制系統(tǒng)（Centralized Control System，CCS）具有至關(guān)重要的作用[1]。隨著燃煤電廠規(guī)模擴(kuò)大和自動(dòng)化程度提高，CCS能夠整合電廠各個(gè)子系統(tǒng)的數(shù)據(jù)，包括鍋爐系統(tǒng)、汽輪機(jī)系統(tǒng)、發(fā)電機(jī)系統(tǒng)和輔機(jī)系統(tǒng)等[2]。并利用先進(jìn)的控制算法和優(yōu)化技術(shù)，對(duì)電廠的運(yùn)行參數(shù)進(jìn)行實(shí)時(shí)調(diào)整，以實(shí)現(xiàn)最佳的運(yùn)行工況。然而，燃煤電廠的運(yùn)行環(huán)境復(fù)雜多變，各類設(shè)備和系統(tǒng)的運(yùn)行狀態(tài)時(shí)常發(fā)生波動(dòng)，傳統(tǒng)的異常檢測(cè)和預(yù)測(cè)控制方法面臨很多挑戰(zhàn)。

集控運(yùn)行系統(tǒng)管理的對(duì)象是整個(gè)生產(chǎn)系統(tǒng)及其子環(huán)節(jié)，工作內(nèi)容復(fù)雜，每個(gè)環(huán)節(jié)都會(huì)產(chǎn)生龐大的數(shù)據(jù)[3]。企業(yè)利用集控系統(tǒng)對(duì)數(shù)據(jù)進(jìn)行統(tǒng)籌、收集和科學(xué)合理的分析，可以揭示隱藏在數(shù)據(jù)中的異常模式和變化趨勢(shì)，為異常檢測(cè)和預(yù)測(cè)控制提供有力支持。

傳統(tǒng)的異常檢測(cè)方法通常基于預(yù)先設(shè)定的規(guī)則和閾值，這種方法雖然簡(jiǎn)單直接，但是當(dāng)應(yīng)對(duì)復(fù)雜且動(dòng)態(tài)變化的燃煤電廠數(shù)據(jù)時(shí)，其通常表現(xiàn)出檢測(cè)準(zhǔn)確率低、響應(yīng)速度慢、誤報(bào)率高等缺點(diǎn)。同時(shí)，傳統(tǒng)的預(yù)測(cè)控制方法主要基于物理模型和經(jīng)驗(yàn)數(shù)據(jù)，模型復(fù)雜且難以適應(yīng)多變的工況，導(dǎo)致預(yù)測(cè)精度不足，控制效果不佳[4]。

1 研究?jī)?nèi)容

本文提出了一種基于時(shí)序數(shù)據(jù)挖掘和LSTM網(wǎng)絡(luò)的燃煤電廠集中控制系統(tǒng)異常檢測(cè)與預(yù)測(cè)控制方法。該方法將海量數(shù)據(jù)劃分為不同的時(shí)間序列區(qū)域，進(jìn)而觀察每個(gè)區(qū)間內(nèi)產(chǎn)生突變的數(shù)據(jù)，單獨(dú)記錄其信息，并結(jié)合多個(gè)區(qū)間內(nèi)的情況進(jìn)行聚類分析，從而得到更精確的預(yù)測(cè)。對(duì)預(yù)測(cè)結(jié)果進(jìn)行實(shí)時(shí)應(yīng)用，可以及時(shí)發(fā)現(xiàn)、預(yù)防潛在的異常事件，優(yōu)化系統(tǒng)控制策略，提升燃煤電廠的運(yùn)行效率和安全性。

該方法不僅提高了異常檢測(cè)的靈敏度和準(zhǔn)確性，還改進(jìn)了預(yù)測(cè)控制的效果，具有重要的理論意義和實(shí)際應(yīng)用價(jià)值。隨著智能電廠建設(shè)推進(jìn)，基于數(shù)據(jù)驅(qū)動(dòng)的異常檢測(cè)和預(yù)測(cè)控制方法將發(fā)揮越來(lái)越重要的作用，為電力系統(tǒng)的智能化、信息化和現(xiàn)代化提供有力支持。

2 設(shè)計(jì)方法概述

2.1 方法論

在預(yù)測(cè)控制方面，時(shí)序數(shù)據(jù)處理性能優(yōu)越的深度學(xué)習(xí)技術(shù)，特別是長(zhǎng)短期記憶網(wǎng)絡(luò)（LongShort-TermMemory，LSTM）逐漸成為研究熱點(diǎn)。LSTM能夠有效捕捉長(zhǎng)時(shí)間序列數(shù)據(jù)中的依賴關(guān)系，適用于在燃煤電廠的復(fù)雜工況下進(jìn)行參數(shù)預(yù)測(cè)。對(duì)歷史數(shù)據(jù)進(jìn)行學(xué)習(xí)和訓(xùn)練后，LSTM模型可以對(duì)未來(lái)的系統(tǒng)行為進(jìn)行準(zhǔn)確預(yù)測(cè)，輔助控制決策制定，進(jìn)一步提高系統(tǒng)的穩(wěn)定性和經(jīng)濟(jì)性。

2.2 時(shí)序數(shù)據(jù)劃分

從燃煤電廠集控系統(tǒng)中采集實(shí)時(shí)運(yùn)行數(shù)據(jù)，包括溫度、壓力、流量、電流和電壓等。將數(shù)據(jù)按時(shí)間劃分為不同的時(shí)間序列區(qū)間，例如小時(shí)、天和周等，根據(jù)具體應(yīng)用場(chǎng)景選擇合適的時(shí)間粒度。設(shè)定時(shí)間序列為xt，其中t=1，2，...，N，表示時(shí)間點(diǎn)，xt表示時(shí)間點(diǎn)t的數(shù)據(jù)值。1）數(shù)據(jù)采集與預(yù)處理。從集控系統(tǒng)中提取實(shí)時(shí)運(yùn)行數(shù)據(jù)，設(shè)定這些數(shù)據(jù)的采樣頻率為每秒一次，即每秒記錄一個(gè)數(shù)據(jù)點(diǎn)。2）數(shù)據(jù)劃分。將數(shù)據(jù)按時(shí)間劃分為不同的時(shí)間序列區(qū)間。例如，以小時(shí)為單位，將86400s（1天）的數(shù)據(jù)劃分為24個(gè)小時(shí)，每個(gè)小時(shí)包括3600個(gè)數(shù)據(jù)點(diǎn)。

2.3 突變點(diǎn)檢測(cè)

在每個(gè)時(shí)間區(qū)間內(nèi)，利用突變檢測(cè)算法進(jìn)行突變點(diǎn)檢測(cè)，本文選用的是滑動(dòng)窗口檢測(cè)算法識(shí)別數(shù)據(jù)中的突變點(diǎn)。在滑動(dòng)窗口檢測(cè)算法中，設(shè)定窗口大小為w，閾值為θ，對(duì)每個(gè)時(shí)間點(diǎn)t計(jì)算窗口內(nèi)數(shù)據(jù)的均值μt和標(biāo)準(zhǔn)差σt。如果|xt-μt|gt;θσt，那么認(rèn)為xt為突變點(diǎn)。

單獨(dú)記錄每個(gè)區(qū)間內(nèi)檢測(cè)到的突變數(shù)據(jù)，包括突變點(diǎn)的位置、幅度和持續(xù)時(shí)間等信息。綜合分析多個(gè)時(shí)間區(qū)間內(nèi)的突變數(shù)據(jù)，利用聚類分析、模式識(shí)別方法，確定突變數(shù)據(jù)間的關(guān)聯(lián)和模式。設(shè)定聚類數(shù)為k，采用K-means聚類算法，將突變數(shù)據(jù)xt劃分為k個(gè)聚類，得到聚類中心Ci。

2.4 預(yù)測(cè)控制模型

利用綜合分析得到的突變數(shù)據(jù)特征，構(gòu)建預(yù)測(cè)模型。設(shè)定時(shí)間窗口大小為w，訓(xùn)練數(shù)據(jù)為Xt、Yt，其中Xt=xt-w，

xt-w+1，...，xt-1，Yt=xt。構(gòu)建LSTM網(wǎng)絡(luò)，設(shè)定輸入層為W，隱含層單元數(shù)為n，輸出層為1。利用Adam優(yōu)化算法進(jìn)行模型訓(xùn)練，設(shè)定最大迭代次數(shù)為e，學(xué)習(xí)率為α，損失函數(shù)為均方誤差（MSE）。本文中的LSTM預(yù)測(cè)模型構(gòu)建順序如下所示。1）數(shù)據(jù)準(zhǔn)備。將檢測(cè)到的突變數(shù)據(jù)轉(zhuǎn)換為訓(xùn)練數(shù)據(jù)，設(shè)定時(shí)間窗口大小w=5，即每個(gè)輸入數(shù)據(jù)包括前w個(gè)時(shí)刻的突變數(shù)據(jù)，輸出為當(dāng)前時(shí)刻的突變數(shù)據(jù)，即將每個(gè)窗口的數(shù)據(jù)存儲(chǔ)在Xt中，將當(dāng)前時(shí)刻的數(shù)據(jù)存儲(chǔ)在Yt中。2）模型構(gòu)建。構(gòu)建LSTM網(wǎng)絡(luò)，設(shè)定輸入層的維度為W=5，隱含層單元數(shù)n=50，輸出層為1。LSTM網(wǎng)絡(luò)能夠捕捉時(shí)序數(shù)據(jù)中的長(zhǎng)時(shí)間依賴關(guān)系，非常適用于處理燃煤電廠復(fù)雜工況下的數(shù)據(jù)。3）模型訓(xùn)練。采用Adam優(yōu)化算法進(jìn)行模型訓(xùn)練，設(shè)定最大迭代次數(shù)e=100，學(xué)習(xí)率α=0.01，損失函數(shù)為均方誤差（MSE）。Adam優(yōu)化算法結(jié)合了動(dòng)量和自適應(yīng)學(xué)習(xí)率方法，能夠在訓(xùn)練過(guò)程中快速收斂，并有效避免局部最優(yōu)解。4）模型驗(yàn)證。訓(xùn)練完成后，利用訓(xùn)練好的模型對(duì)測(cè)試數(shù)據(jù)進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)結(jié)果與實(shí)際值進(jìn)行比較，評(píng)估模型的預(yù)測(cè)性能。將均方誤差（MSE）作為評(píng)估指標(biāo)，MSE越小，表示模型的預(yù)測(cè)精度越高。

本文由上述方法構(gòu)建了基于LSTM的預(yù)測(cè)控制模型。該模型利用歷史突變數(shù)據(jù)進(jìn)行學(xué)習(xí)和訓(xùn)練，能夠?qū)ξ磥?lái)的系統(tǒng)行為進(jìn)行準(zhǔn)確預(yù)測(cè)，輔助控制決策制定，進(jìn)一步提高系統(tǒng)的穩(wěn)定性和經(jīng)濟(jì)性。

2.5 實(shí)時(shí)預(yù)測(cè)與控制

在實(shí)際應(yīng)用中，實(shí)時(shí)采集新的傳感器數(shù)據(jù)，按照上述突變檢測(cè)方法識(shí)別突變點(diǎn)。利用訓(xùn)練好的LSTM模型對(duì)識(shí)別到的突變數(shù)據(jù)進(jìn)行實(shí)時(shí)預(yù)測(cè)，得到預(yù)測(cè)值。根據(jù)預(yù)測(cè)結(jié)果，調(diào)整控制參數(shù)，優(yōu)化系統(tǒng)運(yùn)行。預(yù)測(cè)過(guò)程如下所示。1）實(shí)時(shí)數(shù)據(jù)采集。從燃煤電廠集中控制系統(tǒng)中實(shí)時(shí)采集傳感器數(shù)據(jù)，包括溫度、壓力、流量、電流和電壓等。設(shè)定時(shí)間序列為xt'，其中t=1，2，...，N，表示時(shí)間點(diǎn)，xt'表示時(shí)間點(diǎn)t的實(shí)時(shí)數(shù)據(jù)值。2）實(shí)時(shí)突變點(diǎn)檢測(cè)。將實(shí)時(shí)采集的數(shù)據(jù)按照時(shí)間窗口大小w進(jìn)行劃分。采用滑動(dòng)窗口檢測(cè)算法識(shí)別數(shù)據(jù)中的突變點(diǎn)。3）實(shí)時(shí)預(yù)測(cè)。利用訓(xùn)練好的LSTM模型對(duì)識(shí)別到的突變點(diǎn)數(shù)據(jù)進(jìn)行實(shí)時(shí)預(yù)測(cè)，得到預(yù)測(cè)值yt'。構(gòu)建輸入數(shù)據(jù)Xt'=xt-w'，xt-w+1'，...，xt-1'，將其輸入訓(xùn)練好的LSTM模型并進(jìn)行預(yù)測(cè)。4）控制參數(shù)調(diào)整。根據(jù)預(yù)測(cè)值yt'，對(duì)系統(tǒng)的控制參數(shù)進(jìn)行調(diào)整，優(yōu)化系統(tǒng)運(yùn)行。實(shí)時(shí)預(yù)測(cè)結(jié)果可以用于提前發(fā)現(xiàn)系統(tǒng)的潛在問(wèn)題，從而采取預(yù)防措施，避免系統(tǒng)故障，提高系統(tǒng)的穩(wěn)定性和經(jīng)濟(jì)性。

3 仿真效果

根據(jù)上述突變點(diǎn)監(jiān)測(cè)、聚類分析以及LSTM模型構(gòu)建后的訓(xùn)練預(yù)測(cè)圖、實(shí)時(shí)預(yù)測(cè)，可以得到如圖1～圖4所示的仿真效果。

燃煤電廠集中控制系統(tǒng)中采集的模擬數(shù)據(jù)的突變點(diǎn)檢測(cè)結(jié)果如圖1所示。采用的檢測(cè)方法為滑動(dòng)窗口檢測(cè)算法，窗口大小為10，閾值為2。檢測(cè)突變點(diǎn)可以識(shí)別出數(shù)據(jù)中的異常變化，證明滑動(dòng)窗口檢測(cè)算法在燃煤電廠復(fù)雜數(shù)據(jù)環(huán)境中的有效性。

采用K-means聚類算法，將突變點(diǎn)數(shù)據(jù)劃分為3個(gè)聚類。檢測(cè)到的突變點(diǎn)的聚類分析結(jié)果如圖2所示。

LSTM模型對(duì)測(cè)試數(shù)據(jù)的預(yù)測(cè)結(jié)果如圖3所示。從圖3中的走勢(shì)可看出，LSTM模型能夠較好地捕捉數(shù)據(jù)中的變化趨勢(shì)，并對(duì)未來(lái)的突變點(diǎn)進(jìn)行有效預(yù)測(cè)，表明LSTM模型在處理復(fù)雜時(shí)間序列數(shù)據(jù)方面具有較高的準(zhǔn)確性和穩(wěn)定性。

新的實(shí)時(shí)數(shù)據(jù)（即測(cè)試集）預(yù)測(cè)結(jié)果如圖4所示。在新的實(shí)時(shí)數(shù)據(jù)中，LSTM模型同樣能夠進(jìn)行預(yù)測(cè)，并且預(yù)測(cè)精度較高，具有泛化能力和實(shí)時(shí)應(yīng)用的潛力，對(duì)實(shí)際應(yīng)用中的實(shí)時(shí)監(jiān)控和預(yù)警系統(tǒng)具有重要的參考價(jià)值。

當(dāng)數(shù)據(jù)集中不存在突變點(diǎn)時(shí)，就不會(huì)啟動(dòng)聚類分析和LSTM的建模與預(yù)測(cè)。其突變點(diǎn)監(jiān)測(cè)效果如圖5所示。

4 結(jié)語(yǔ)

本文提出了一種基于時(shí)序數(shù)據(jù)挖掘和LSTM網(wǎng)絡(luò)的燃煤電廠集中控制系統(tǒng)異常檢測(cè)與預(yù)測(cè)控制方法，對(duì)燃煤電廠的運(yùn)行數(shù)據(jù)進(jìn)行實(shí)時(shí)采集和處理，以有效識(shí)別數(shù)據(jù)中的突變點(diǎn)，并利用LSTM模型進(jìn)行精確預(yù)測(cè)和控制調(diào)整。仿真結(jié)果表明，該方法在提升系統(tǒng)運(yùn)行效率和安全性方面具有顯著效果。未來(lái)可以進(jìn)一步優(yōu)化算法，提高檢測(cè)和預(yù)測(cè)的精度，并在實(shí)際工程應(yīng)用中驗(yàn)證該方法的實(shí)用性和可靠性。

參考文獻(xiàn)

[1]李裕琨.火電廠輔控網(wǎng)集中控制系統(tǒng)的研究[J].自動(dòng)化儀表，2010（5）：55-58.

[2]勝利蒲.火力發(fā)電廠汽機(jī)輔機(jī)現(xiàn)狀和優(yōu)化措施分析[J].工程管理，2024，5（7）：103-105.

[3]孫偉佳.關(guān)于燃煤電廠集控運(yùn)行與機(jī)組協(xié)調(diào)控制[J].中國(guó)科技期刊數(shù)據(jù)庫(kù)科研，2016（12）：288.

[4]席裕庚，李德偉，林姝.模型預(yù)測(cè)控制——現(xiàn)狀與挑戰(zhàn)[J].自動(dòng)化學(xué)報(bào)，2013，39（3）：222-236.