基于大數據挖掘與規則引擎的智慧輔助監盤系統研究

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. 大唐陜西發電有限公司延安熱電廠， 陜西 延安 716004)

0 引言

隨著大數據技術的不斷發展， 智慧電廠的建設也在逐步深入， 智慧輔助監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盤工作， 在保證機組安全穩定運行的同時提高監盤效率， 解放部分勞動力[1－3]。 目前，國內已有的監盤系統產品多是注重機組與系統設備狀態的監測與故障預警， 少有對系統與設備的故障識別、 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盤系統， 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盤系統， 對系統和設備的重要參數進行監測與預警。 因此， 本文提出一種大數據挖掘技術與規則引擎相結合的智慧輔助監盤系統， 將設備狀態監測與預警、 設備故障識別與故障處理指導有效地集成在一起， 實現對電廠系統設備狀態全方位的分析監測與把控。

1 系統架構

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

圖1 系統架構示意圖

1) 支撐層: 包括私有云平臺、 實時數據庫、人工智能分析平臺、 URule 規則引擎、 關系數據庫和歷史數據采集程序等。

2) 核心處理層: 包括數據采集與處理、 算法模型和規則計算。 數據采集與處理支持歷史數據批量采集、 實時數據采集、 數據處理(包括數據聚合、 數據轉換、 數據探索、 數據清洗等)； 算法模型支持基于BP 神經網絡多目標回歸的狀態預警建模、 支持向量機多目標回歸的狀態預警建模、 基于多元狀態估計的狀態預警等算法； 規則計算支持報警綜合指標計算及規則引擎配置與實時計算。

3) 應用層: 包括大數據分析建模、 監盤畫面展示、 配置管理、 系統管理等應用。

2 業務實現

系統主要基于多元狀態估計、 隨機森林、 多目標回歸等大數據算法， 對電廠各個系統設備的健康狀態進行評估、 重要參數進行預測， 同時利用URule 規則引擎對系統故障預警信息給出異常描述及處理指導， 主要的業務實現流程如圖2 所示。

圖2 業務實現流程

3 關鍵技術

3.1 大數據分析與建模

3.1.1 數據采集與存儲

系統支持多種異構數據源的數據抽取， 包括關系型數據源(支持Oracle、 MySQL 等)、 半結構化數據源(如XML 文件等)、 數據文件(如txt 文件等)， 同時支持能返回結構化數據的http 接口和webservice 接口等[11]。

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

3.1.2 數據挖掘

大數據分析是對大量結構化和非結構化的數據進行分析處理， 從中獲得新的價值， 具有數據量大、 數據類型多、 處理要求快等特點。

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

2) 數據預處理: 由于電廠運行數據中可能包含噪音、 不完整、 甚至不一致的數據， 還有數據內容不滿足挖掘的要求， 數據建模前需對涉及的數據對象進行預處理。 主要運用異常值處理、 相關性分析、 穩定性分析等。

異常值處理: 對采集的歷史數據中出現的測點異常的值、 參數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的參數作為特征參數。

穩定性分析: 利用穩定性分析組件， 自由設置運行時長， 篩選出連續穩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據挖掘工作， 找出背后的規律。 主要利用多元狀態估計算法對各種電力設備和系統的運行狀態進行評估。

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據中的價值， 需要評價模型質量、 是否能在實際應用中發揮預測或指導作用。

3.2 Urule 規則引擎

Urule 規則引擎是一種基于Java 的規則引擎，提供規則集、 決策表、 決策樹等多種類型的業務規則設計工具， 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]。 本系統中Urule 規則引擎采用分布式計算模式， 利用規則集的業務規則設計工具建立監盤故障診斷專家系統。

規則庫以XML 文件的形式存儲系統推理所需要的規則， 系統根據大數據分析出來的故障數據，對電力系統及設備故障進行診斷。 系統根據規則庫中配置的規則自動匹配預警事件， 輸出對應的故障操作指導。 規則引擎調用與故障推理過程如下。

1) 規則引擎配置: 以XML 文件的形式將模型涉及的參數導入成規則引擎庫文件； 配置監盤異常知識庫， 對預警事件名稱、 產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信息， 利用規則集配置預警事件產生的條件。

2) 規則引擎調用: 對大數據平臺輸出的模型結果進行封裝， 用http 接口調用模型結果， 通過模型狀態值觸發規則引擎。

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

4) 輸出結果: 通過規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 多元狀態估計算法

多元狀態估計技術(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， 可以通過監測電力系統設備實時運行參數與歷史運行參數的相似度來對系統或設備的狀態進行計算和評價[14－16]。 MEST 算法利用系統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據庫[17－19]， 利用在歷史健康樣本學習到的狀態參數關系來評估每一個新監測實時樣本的健康狀態。

4 功能要求

4.1 設備狀態監測與預警

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

系統監測頁面: 分系統或設備對預警模型監測參數的實際值、 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； 當前發生的預警事件的名稱和狀態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

系統內置異常處理知識庫， 根據設備監測參數進行預警原因規則樹推理， 并給出運行處理建議。運行異常或設備異常時， 系統發出預警并自動關聯異常知識庫， 給出異常調整或診斷提示信息， 便于運行人員查找原因， 進行運行調整或現場設備檢查處理。 異常知識庫是一個開放的診斷知識積累平臺， 能自動監視和記錄系統運行異常和關鍵設備的異常發展過程、 可能原因、 征兆和措施等， 可進行診斷知識的快速添加， 并在再次發生同樣征兆或異常時自動提示相關異常處理知識。

4.3 數據分析與統計

趨勢分析頁面: 提供設備狀態健康度曲線分析， 包括監測參數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， 還可以通過查看各個參數的歷史數據， 分析系統或設備參數的劣化趨勢。

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

5 測試結果

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

將采集的訓練樣本寫入人工智能平臺進行大數據分析與挖掘， 包括對數據進行預處理、 相關性分析、 穩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估計預警組件， 得到監測參數的健康固定上下限值和健康偏差上下限值， 具體參數預警上下限值見表1。

表1 參數預警上下限值

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測與估計結果

圖4 給煤機瞬時給煤量監測與估計結果

圖5 磨煤機進出口差壓監測與估計結果

圖6 磨煤機主電機電流監測與估計結果

圖7 磨煤機煤位監測與估計結果

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， 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 的監測參數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， 表明故障發生。 系統觸發URule 規則引擎， 根據事件編碼發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， 基于大數據挖掘與規則引擎的智能輔助監盤系統對電廠系統或設備運行狀態進行預測具有較好的效果， 能夠有效地對電力系統或設備運行狀態進行實時監測， 幫助運行監盤人員發現設備和參數的異常， 更加全面地實現對電廠系統設備狀態的監測。

6 結語

本文研究基于大數據挖掘與規則引擎的智能監盤系統， 依托各類先進的機器學習算法， 從生產監測大數據中挖掘出各類系統和設備的參數變化規律， 準確發現和提示運行控制異常事件， 可以降低運行人員監盤壓力， 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驗和智慧， 歷史健康數據挖掘更是傳承了機組歷史運行經驗。 綜合而言， 基于大數據挖掘與規則引擎的智能監盤系統的有效實施與應用將會提升機組的監盤效率與運行水平。