国产欧美日韩精品a在线观看-国产欧美日韩精品一区二区三区-国产欧美日韩精品综合-国产欧美中文字幕-一区二区三区精品国产-一区二区三区精品国产欧美

摘要：本文針對目前發電集團集中監控系統與大數據技術應用中存在的數據孤島、分析和診斷不夠準確有效、分析和診斷的結果與發電生產管理脫節、不能快速適應電力市場的變化等問題，提出以系統協同方法改進集團級的集中監控與分析診斷系統，在發電集團內縱向、橫向和時間軸上融合貫通分析系統與管理功能，遵循迭代開發原則，改進分布于各系統中的數據完備性，確保數據的傳輸及時，對分析診斷系統中的功能進行融合，形成分析有效、管控統一的整體解決方案。本文將先進的大數據技術與傳統發電產業相結合，改善發電產業生產管理模式，減少設備故障，提高運行效率，輸出設備與系統的在線健康度報告，實現機組全生命周期管理，貫通燃料從采購到燃燒的全過程，快速響應電網與售電需求，降低生產成本，提高發電企業運營管理水平。

關鍵詞：系統協同; 火電機組; 大數據分析; 診斷

Abstract: In order to solve the problem that the data isolated island, analysis and state diagnosis are not accurate and effective, the results of analysis and state diagnosis are disjointed with the power generation management and can not quickly adapt to the change of the electricity market, this paper proposes a system synergy method to improve the power group level. In the power group, it integrates the analysis system and management function in the vertical, horizontal and time axis of the power generation group. It follows the principle of iterative development, improves the data completeness in each system, ensures the timely transmission of the data, and integrates the functions in the analysis and state diagnosis system to form the analysis effective, a unified overall solution for management and control. This paper combines the advanced Big data technology with the traditional power generation industry to improve the production management mode of power generation industry, reduces equipments failure, improves operation efficiency, reports on the online prognostic and health management (PHM) of the output equipments and systems, realizes the whole life cycle management of the units, and quickly responds to the power grid and demand for electricity sales, the whole process of fuel from the purchase to the burning, reducing production cost and improving operation management level of power generation enterprises.

Key words: System synergy; Thermal power unit; Big data analysis; State diagnosis

1 引言

我國“富煤、貧油、少氣”的能源稟賦致使一次能源消費和生產以煤為主的格局在較長時間內不會改變。按照國家發展規劃，到2020年使電煤占煤炭消費比重提高到60%以上，同時提出對燃煤機組全面實施超低排放和節能改造，在2020年之前使所有現役燃煤機組平均煤耗低于310g/kW·h^[1]。截止2019年7月底，全國6000千瓦及以上電廠裝機容量18.5億千瓦，其中火電11.6億千瓦，占比為62.8%，全國供電煤耗率為307.3g/kW·h^[2]。

我國能源發展目標是要推進能源生產和消費革命，構建清潔低碳、安全高效的能源體系。我國清潔能源發展迅速，火電機組除負荷調峰外，長期處于中低負荷下運行，2019年1~7月全國火電設備平均利用小時為2442小時（其中，燃煤發電和燃氣發電設備平均利用小時分別為2512和1485小時），比上年同期降低87小時^[2]。如何保證機組在中低負荷下安全、環保運行，供電煤耗達到最低，對能源工作者及現場運行人員提出挑戰。

工業大數據應用已經提升為國家重要發展戰略。除了進行能源設備改造，應用先進的大數據與人工智能技 術改造、升級傳統的能源系統是重要的發展方向。

隨著廠級信息監控系統（SIS，supervisory informationsystem）和分散控制系統（DCS，Distributed ConutrolSystem）在電廠中廣泛應用，電廠海量運行數據得以保存，數據挖掘技術在電力行業迅速崛起，很多學者開始運用數據挖掘技術開展了對燃煤電站機組優化運行的研究^[3~5]。文獻^[6]研究大數據挖據技術在燃煤電站機組能耗分析中的應用，以某600MW燃煤電站機組為研究對象，采用新算法挖掘典型負荷工況下影響供電煤耗的可控運行參數的基準值，最后，以支持向量機技術為基礎，分析不同負荷工況下各運行參數對供電煤耗的敏感性系數。文獻^[7]研究大數據環境下的電力數據質量評價模型與治理體系，分析了影響電力數據質量的主要因素,按數據質量的一致性、準確性、完整性和及時性等四個關鍵特性建立數據質量評價指標,并建立了大數據下的數據質量評價模型。文獻^[8]探討大數據技術在火力發電企業生產經營中的應用，提出操作管理、電力營銷、燃料價值管理、指標管理、設備管理等云平臺。文獻^[9]研究基于信息物理融合的火電機組節能環保負荷優化分配，提出基于模糊粗糙集（FRS，fuzzy rough set）大數據處理方法，得到機組煤耗和污染物排放量物理模型與信息模型的對應關系；綜合考慮經濟和排放因素，建立基于物理信息融合（CP）的負荷分配模型。這些文獻都在大數據技術應用于發電過程進行了局部的探索。文獻^[10]提出了較完整的基于大數據分析的電站運行優化與三維可視化故障診斷系統，提出了智能預警系統、設備與運行優化系統。但該系統只是在個別電廠應用，未推廣到發電集團。

目前各發電集團的相關信息化系統或集中監控系統均有不同方面的應用與創新，但仍存在以下一些主要問題^[11]：（1）數據孤島問題，各數據分布于不同的信息系統中，按照豎井的方式管理，形成數據孤島；（2）分析診斷方面，還存在分析、診斷不夠準確、有效的問題；（3）運營管理方面：分析、診斷的結果，還存在與發電生產與運營管理脫節的情況，大量結果沒有有效應用到運營管理中；（4）電力市場方面，目前的信息系統，還不能夠有效地適應電力市場的變化，如廠級負荷調度、競價上網，缺少從燃料采購、生產管理到競價上網的整體性分析與解決方案等。

因此，要以系統協同方法改進集團級的集中監控與分析診斷系統，如圖1所示。首先保證分布于各系統中的數據更完備，同時確保數據的傳輸及時，在此基礎上，對原有分散于各孤立的信息系統中的功能進行融合，形成分析更有效、管控更統一的整體解決方案。

圖1 集團級集控系統改進方向

2 火電機組工業大數據分析

2.1 工業4.0技術

火電機組工業大數據分析首先要應用工業4.0技術。工業4.0是由德國政府《德國2020高技術戰略》中所提出的十大未來項目之一。該項目由德國聯邦教育局及研究部和聯邦經濟技術部聯合資助，旨在提升制造業的智能化水平，建立具有適應性、資源效率及基因工程學的智慧工廠，在商業流程及價值流程中整合客戶及商業伙伴。其技術基礎是網絡實體系統及物聯網。

工業4.0技術以信息物理系統（CPS，Cyber-PhysicalSystem）為核心，整合互聯網、工業云計算、工業大數據、工業機器人、知識工作自動化、工業網絡安全、虛擬現實及人工智能等先進技術，應用“云（計算）、大（數據）、物（聯網）、聯（互聯網）”技術，支撐智能化控制，實現提供定制化摻配和服務、實現無憂生產環境、發現用戶價值缺口、發現和管理部可見問題，實現制造本身價值化、系統“自省”功能，力求實現生產過程的“零故障、零隱患、零意外及零污染”，最終能夠靈活、高效地滿足用戶需求，如圖2所示。

圖2 工業4.0技術體系與目標

2.2 工業互聯網技術

火電機組工業大數據分析其次要應用工業互聯網技術。工業互聯網技術是由美國GE公司發起的，是指通過智能設備、人機交換接口與先進數據分析工具間的連接并最終將人機連接，結合大數據分析技術、互聯網技術、智能傳感器技術及高級分析、計算工具，重構全球工業系統，實現智能制造體系與智能服務體系的深度融合，工業系統產業鏈與價值鏈的整合與外延，如圖3所示。

圖3 工業互聯網技術體系

2.3 工業大數據定義與特征

工業大數據是指在工業領域中，圍繞典型智能制造模式，從客戶需求到銷售、訂單、計劃、研發、設計、工藝、制造、采購、供應、庫存、發貨和交付、售后服務、運維、報廢或回收再制造等整個產品全生命周期各個環節所產生的各類數據及相關技術和應用的總稱。工業大數據是以工業系統的數據收集、特征分析為基礎，對設備、裝備的質量和生產效率以及產業鏈進行更有效的優化管理，并為未來的制造系統搭建無憂的環境^[12]。

工業大數據涵蓋了設備物聯數據、運營生產數據和外部數據。

工業大數據區別于其它商業大數據，反映出工業系統“多模態、高通量、強關聯”的特點。其中多模態體現為數據類型多以及系統、設備、部件多，如汽輪機包含了35萬各零部件數據。高通量體現為數據的規模大、頻率高，按照每臺機組2萬個數據點考慮，每臺機組每秒的數據規模就達到20MB。強關聯體現在結合工業生產過程的協作專業多，如電力生產直接與生產相關的專業就有10余個，如果算上與管理相關的專業，則達到20個以上。

工業大數據還具有以下特征：（1）跨尺度，主要體現在需要將毫秒級、分鐘級小時級乃至更長的時間尺度信息按照不同的需求進行集成。（2）系統性，工業大數據存在“牽一發二動全身”的特點。某個業務目標的需求，需要通過正規企業乃至供應鏈上多個相關方的協同才能完成，如競價上網的策略，既包含了機組運行狀態、效能，也包含了上游的燃料市場和下游的售電市場的變化。（3）多因素、強機理、因果性，由于工業系統時通過一系列的工藝設計相互關聯而形成，因此存在多個因素對一個或多個結果產生印象的情況，也造成了需要通過較高水平的分析手段來保障結果符合工業系統的確定性和準確性的追求。（4）時間序列，由于系統數據具有嚴格的時間標簽，數據先后之間存在因果性影響，因此對數據的實時性要求也比較高。

針對上述特征與特點，對比互聯網大數據與工業大數據，可以看出它們之間存在如下區別，如表1所示，兩者對分析結果準確性要求不同，互聯網大數據對分析結果的精確度可以稍低，而工業大數據要求的結果精確度較高。

表1 互聯網大數據與工業大數據對比

2.4 工業大數據分析方法與思路

工業大數據分析主要包括描述性（Descriptive）、規定性（Prescriptive）和預測性（Predictive）等三種方法。

描述性分析方法是指，基于對數據的統計分析，描述數據表現的現象與客觀規律，如火電機組大數據分析與診斷中的技術監控、以可靠性為中心的檢修（RCM, ReliabilityCenteredMaintenance）等功能。

規定性分析方法是指，利用歷史數據建立分析模型和規范化的分析流程，建立數據到信息的輸入輸出關系，實現對連續數據流的實時分析，如火電機組大數據分析與診斷中的性能分析、燃料分析與自動調節回路評估等功能。

預測性分析方法是指，通過對數據的深層挖掘建立預測模型，實現對不可見因素當前和未來狀態的預測，如火電機組大數據分析與診斷中的性能優化、故障預警與診斷、負荷優化調度等功能。

工業大數據分析思路是基于工業4.0與工業互聯網技術體系，采用統計分析、關聯挖掘、模式識別、特征提取、深度學習等技術，開展數據分析與預測，進而實現故障診斷與健康管理（PHM，Prognostic and Health Management），包括監測與預測管理、系統性工程、衰退管理、預測性維護等，將傳統維護方式從依靠經驗的“藝術”轉變為一門精密的“科學”。

工業大數據分析可以劃分為三個階段，如表2所示。

表2 工業大數據分析的三個階段

3 火電機組大數據分析與診斷中的系統協同技術

3.1 系統協同定義

系統協同是指遠離平衡態的開放系統在與外界有物質、能量和信息交換的情況下，通過自己內部協同作用，自發地形成時間、空間和功能上的有序結構。

系統協同在應用層包括了五大應用平臺：外部信息、內部信息、協同應用平臺、辦公管理和移動辦公等。系統協同有序結構如圖4所示。

圖4 系統協同有序結構

按照系統協同理論，解決火電機組集團級集中監測與分析專家系統存在問題的關鍵在于實現：（1）縱向打通；（2）橫向融通；（3）時間貫通。

3.2 縱向打通

縱向打通主要體現在三個維度：工業互聯網、設備層級和管理層級。圖5展示了工業互聯網實施框架總體視圖，縱向打通就是要在邊緣層（現場、電廠）、企業層（發電集團）、產業層（電網、電科院）之間形成深度互動，以邊緣層為先導，其它層級響應需求。圖6展示了發電集團的設備層級與管理層級，設備層級縱向打通從上至下包含電網（大用戶）、售電公司（云）、電廠（項目公司）、機組、系統、設備和部件等七個層級，設備與系統要及時、準確地響應電網與售電的需求，電網與售電需要深度了解系統與設備的狀態。管理層級縱向打通從上到下包含了集團（控股）、分公司（大區）、電廠（項目公司）、部門、分部、班組和專工等七個層級，指令與信息要能及時、準確傳遞和執行，形成有機的整體，發揮集團整體最大效益，體現工業互聯網泛在感知、動態優化、敏捷響應、全局協同、智能決策的理念與優勢。

圖5 工業互聯網實施框架總體視圖（摘自《工業互聯網體系架構2.0 （2019）》）

圖6 發電集團設備與管理兩個維度的縱向層級

3.3 橫向融通

橫向融通主要體現在專業、部門、管理系統與地域四個維度，如圖7所示。專業橫向融通是指火力發電廠涉及的汽機、鍋爐、電氣、熱控、化學、環保和金屬等專業之間的數據與功能要互聯互通，能夠解決一些跨專業、綜合的疑難問題，如鍋爐爆管、低負荷穩燃、滑壓優化運行等。部門橫向融通是指發電企業里與生產過程密切相關的管理部門，如燃料、運行（發電））、檢修、策劃（技術）、人力資源部、財務部、經營部（售電）部等要相互配合，提高管理流程的響應速度，圍繞生產過程最大程度地降低成本。管理系統橫向融通是指直接為生產過程服務的管理系統（如燃料優化系統（FOS，Fueloptimizationsystem）、操作尋優系統（OOS，Operateingoptimization system）、企業資源計劃（ERP，EnterpriseResource Planning）、企業設備資產管理系統（EAM，Enterprise Asset Management）、燃料管理系統、售電管理系統（云）等要數據互通、功能融合，降低燃料庫存與成本。地域橫向融通是指要打通集團內部不同地域的管理界限，實現人員、物資、備件、信息和燃料等共享，實現集團整體效益的最大化。

圖7 橫向融通的四個維度

3.4 時間貫通

時間貫通是指在時間軸上貫通過去、現在和將來的聯系，如圖8所示。通過實時數據，計算火電機組當前狀態下的運行指標，通過歷史數據，采用大數據與人工智能技術，建立火電機組分析與診斷模型，預測將來時刻機組運行的主要參數與指標，提前發現性能劣化與安全隱患。在此基礎上，實現機組全生命周期管理。

圖8 時間貫通的三個維度

解決發電集團在大數據分析與診斷系統上存在的數據孤島、分析不準確有效、分析診斷結果與生產運營融合不夠、與售電系統沒有有效聯動的問題，要推動發電集團在縱向打通、橫向融通、時間貫通上深度融合，實現系統協同，最大程度發揮整體效益。

4 火電機組大數據分析與診斷系統

4.1 大數據分析與診斷系統

火電機組大數據分析與診斷系統按照性能分析、安全可靠性評估兩條主線，依照系統協同思路，可以設計性能計算、性能分析、性能優化（可以包括燃料分析、自動調節回路評估、負荷優化調度等功能模塊）、設備預警、故障診斷、檢修維護與技術監控等功能模塊，從層次上劃分又可以分為發現問題、分析問題和解決問題三個階段，如圖9所示。

圖9 火電機組大數據分析與診斷系統功能融合

性能計算、分析和優化模塊是先以實時數據計算出實時的機組性能指標，以歷史尋優和仿真模型建立多維度標桿庫，在此基礎上實現多維度、橫向、縱向對標，能耗異常時給出預警及診斷建議，優化主機、輔機運行方式，規范運行操作等功能，在電科院現場試驗基礎上實現在線性能計算功能。主要采用的技術包括（核）主元分析、BP神經網絡（誤差反向傳播算法，BP，Error BackProragation）、魯棒輸入訓練神經網絡（RITNN,Robust input training neuralnetwork）、變工況分析等。

燃料分析模塊歸集平臺已有的入廠、入爐煤量、標煤單價等指標，形成電廠（項目公司）、分公司（大區）、集團（控股）每日原煤供、耗、存日報，建立對各電廠存煤結構及存煤量的預警系統。橫向實現采購價格對標，并甄別鍋爐不適燒煤種。通過歷史尋優，尋找燃料成本最低摻配方式。主要采用的技術包括聚類數據挖掘技術等。

自動調節回路評估模塊統計各電廠的測點完好率與自動投入率，按照行業標準和參數控制特征來評價自動控制品質，結合現場的控制策略優化參數設置，實現機組的自動控制策略尋優，并評估調節閥門流量特性。主要采用的技術包括粒子群、遞歸最小二乘法、預報誤差法、支持向量回歸（SVR，Support vectorregression）等。

負荷優化調度模塊是以實時性能計算、微增出力曲線、環保指標、燃料特性等為基礎，在總負荷一定的情況下給出機組負荷調度、原煤摻配的建議，實現成本、環保指標、安全性最優。既可以實現全廠的負荷優化調度，又可以實現發電集團省內（區域）的機組負荷優化調度。主要采用的技術包括粒子群、微增出力法、神經元網絡等。

預警模塊是利用標記為正常的歷史數據訓練模型，產生設定數據之間的相關性，通過相關性對實時數據進行監控，當實時數據偏離預測數據達到所設定的閾值后，觸發預警，并形成相關的工作業務流。主要采用的技術包括支持向量機、高斯混合模型和自回歸高斯混合模型等。

高級診斷模塊通過建立設備及系統的故障模式，錄入以往的歷史故障及處理案例，通過自然語言處理（NLP, NatureLanguageProcessing）進行訓練，當新的故障通過預警、能耗或輸入產生時，系統能夠尋找以往的故障案例，給出最相似的對應故障案例及處理方案，當無法獲得滿意的結果時，可以通過專家診斷來完善相關案例。主要采用的技術包括NLP模型及傳感器數據分析（SDA，Sensor dataanalysis）模型等。

RCM模塊收集、分析預警、缺陷、能耗分析、同類型設備檢修情況等信息，對設備健康度進行評價，給出點檢、檢修建議，為電廠、電科院、集團各專業委員會討論、制定檢修計劃提供支撐。主要采用的技術包括故障類型與理象分析（FMEA，Failure Mode and EffectsAnalysis）模型等。

技術監控模塊匯集實時數據和離線數據（含現場測試數據）自動生成技術監督月報、年報，結合系統中技術監督標準以及固化的專業經驗形成技術監督預警系統，并在系統中實現技術監督任務管理。技術監控為火電機組大數據分析與診斷系統各模塊的功能匯聚焦點和樞紐，涵蓋問題的發現、分析到解決的全過程，以經濟性（性能）和安全性兩條主線為機組的全壽命健康管理進行支撐。主要采用的技術包括數據挖掘技術、BI技術等。

4.2 大數據分析與云計算平臺

火電機組大數據分析與診斷系統還要配置大數據分析模塊，建立靈活、高效的云計算平臺。

大數據分析模塊通過收集各項目公司已有系統，如SIS、ERP（含月度、年度計劃數據）、操作尋優、燃料尋優以及發電集團的ERP、EAM等中的結構性與非結構性數據（包含文本型數據），形成大數據平臺，并為高級應用提供數據分析工具與商業智能（BI，BusinessIntelligence）工具。主要采用的技術包括大數據儲存與分析技術。

云計算平臺比傳統的基于面向服務（SOA，Service-Oriented Architecture）架構的集中監控系統具有很多優點，云計算平臺可以改進模塊性能，降低軟硬件成本；兼容性更好，方便整合不同軟件與功能；具有海量存儲容量，提高數據可靠性；可以實現微服務，進而實現更輕松的團隊合作。

MindSphere云平臺是西門子公司推出的基于云的開放式物聯網操作系統，是云計算技術在工業領域的應用，如圖10所示。MindSphere云平臺包含MindApps、MindSphere、MindConnect三層，屬于平臺即服務PaaS，它向下提供數據采集應用編程接口（API，Application ProgrammingInterface），即插即用的數據接入網關MindConnect，支持開放式通訊標準OPC UA，支持西門子和第三方設備的數據連接，向上提供開發API，方便合作伙伴和用戶開發應用程序。

圖10 MindSphere云平臺架構

5 集團級大數據分析與診斷系統應用實踐

5.1 集團級大數據分析與診斷系統建設原則

從建設組織方面，體現生產（運營）管理部門、技術研究院（電科院）、信息管理部門（公司）、電廠（項目公司）、合作方（廠家）等共同參與的系統協同。運營管理部門負責，能更好地體現生產的需求，推進項目的實施，負責決策與調配資源；技術研究院具有技術與人才的優勢，負責功能設計與技術支持；信息管理部門具有實施IT系統的優勢，負責信息平臺建設與人機界面設計，電廠負責現場數據的提供與系統功能的應用，合作方負責系統的開發與實施。既分工明確，充分發揮各自優勢，又密切配合。

從建設過程方面，遵循迭代開發原則，體現設計、開發、實施、驗收四個過程的系統協同，如圖11所示。設計要充分考慮使用（實施）的需求，開發過程既要從設計出發，又要響應功能試用后的反饋，實施過程不斷總結、改善，暴露的問題要作為設計、開發完善的輸入，驗收檢查過程發現的問題要及時反饋給設計、開發和實施過程。在實施過程中要遵循由小到大、由簡單到復雜、由試點到全面鋪開的原則，全過程不斷優化、完善，梯級推進，實現最終目標。

圖11 集團級大數據分析與診斷系統建設的迭代開發過程

5.2 工業大數據分析與診斷系統與常規IT系統的區別

工業大數據分析與診斷系統與常規IT系統有較大區別，如圖12所示。工業大數據分析與診斷系統側重實時數據，有些過程動作較快，數據分辨率更高，要求在實施過程要更加注重數據源的質量，這是分析與診斷結果有效、準確的重要基礎。

圖12 工業大數據分析與診斷系統與常規IT系統的區別

5.3 發電機組集團級大數據分析與診斷系統應用實例

發電機組集團級工業大數據分析與診斷系統符合信息時代發展方向：把信息變成知識，把知識變成決策，把決策變成利潤。對于我國現代大型燃煤電廠，積極采用先進的優化控制和管理軟件，將產生巨大的直接與間接效益。

本系統應用大數據技術理念，將先進的信息技術、人工智能技術與傳統發電產業相結合，改變傳統產業經營管理模式，減少經營管理成本，提高企業管理水平；縮短維修時間、延長檢修周期，提高電廠能效，降低生產成本；提高系統可靠性，減少設備與系統的故障次數；提高設備與系統響應的快速性，更有效滿足電網兩個細則考核，成為能源行業、發電集團的一個創新亮點。

截止2019年8月份，系統已經接入了23家電廠、49臺機組、近30萬測點的實時數據，實現了實時監測、對標畫面、報表定制、度電成本與環保預警功能。分析專家系統已基本完成功能開發與實施，現正在開展功能驗收、測試。設備預警模塊已搭建趨勢模型超過2200個，某電廠預警系統提前12小時發現高加泄漏事件，提前7小時發現一次風機軸承故障等。技術監控模塊收錄現行常用技術監督標準約850項，經驗約770條，為電廠提供快速高效資料支撐，幫助電廠完成線上問題閉環管理超過630項，依據技術監督標準工作庫，建立技術監督計劃任務近2500項；自動優化模塊提供了不同機組自動投入情況和質量的對標平臺，還可在線分析機組調節性能響應電網要求的情況，兩個細則考核功能每年可帶來可觀的經濟效益，模塊還提供在線模型辨識和參數優化的功能，輔助電廠優化回路調節品質，提高機組自動化水平；能耗分析模塊實現循泵、減溫水、供熱優化功能；負荷優化模塊具備實時、離線及中長期負荷優化調度的功能，為廠級和大區（區域公司）級提供電熱負荷優化決策分析支持。

6 結論

本文針對目前發電集團集中監控系統與大數據技術應用中存在的數據孤島、分析和診斷不夠準確有效、分析和診斷的結果與發電生產管理脫節、不能快速適應電力市場的變化等問題，提出以系統協同方法改進集團級的集中監控與分析診斷系統。

在發電集團內縱向、橫向和時間軸上融合貫通分析系統與管理功能，遵循迭代開發原則，改進分布于各系統中的數據完備性，確保數據的傳輸及時，對分析診斷系統中的功能進行融合，形成分析有效、管控統一的整體解決方案。

本文將先進的大數據技術與傳統發電產業相結合，改善發電產業生產管理模式，減少設備故障，提高運行效率，輸出設備與系統的在線健康度報告，實現機組全生命周期管理，貫通燃料從采購到燃燒的全過程，快速響應電網與售電需求，降低生產成本，提高發電企業運營管理水平。

發電機組集團級工業大數據分析與診斷系統以基于物聯網技術的云平臺為基礎，應用“縱向打通、橫向融通、時間貫通”系統化協同的方法，實現性能優化與可靠性提高的目標，可以提高效率、提升效益，最大程度創造數據的價值。

參考文獻：

[1] 國家發展改革委, 環境保護部, 國家能源局. 煤電節能減排升級與改造行動計劃（2014-2020年）[Z]. 2014.

[2] 中電聯行業發展與環境資源部. 2019年1-7月份電力工業運行簡況[R]. 北京：中國電力企業聯合會, 2019.

[3] 李建強，趙凱，陳星旭，等. 600MW燃煤機組最優氧量與配風方式的聯合優化[J].中國電機工程學報, 2017, 37 ( 15 ) : 4422 - 4429．

[4] 萬祥，胡念蘇，韓鵬飛，等.大數據挖掘技術應用于汽輪機組運行性能優化的研究[J].中國電機工程學報, 2016，36 ( 2 ) : 459 - 467．

[5] 楊瀚欽，申曉留，王默玉，喬鑫，劉瑞雪，孫楊博.基于大數據的火電廠能耗評估模型的研究[J].電力科學與工程, 2016，32（ 12）：1 - 4.

[6]劉炳含，付忠廣，王鵬凱，王永智，高學偉.大數據挖據技術在燃煤電站機組能耗分析中的應用研究[J].中國電機工程學報，2018，38（12）：3578 - 3587.

[7] 尹蕊，余仰淇，王滿意，黃文思，許元斌.大數據環境下的電力數據質量評價模型與治理體系研究[J].自動化技術與應用, 2017, 36( 4 ): 137 - 141.

[8] 郭建華. 大數據技術在火力發電企業生產經營中的應用[J]. 貴州電力技術，2017, 20（ 3 ）：26 - 28.

[9]付鵬，王寧玲，李曉恩，徐漢，張雨檬，楊勇平.基于信息物理融合的火電機組節能環保負荷優化分配[J]. 中國電機工程學報，2015，35（ 14 ）：3685 - 3691.

[10] 陳亞明. 基于大數據分析的電站運行優化與三維可視化故障診斷系統[J]. 自動化博覽, 2018, 35 ( 3 ) : 28 - 30.

[11] 陳世和. 基于大數據分析的性能評估與狀態診斷技術[J]. 中國自動化學會會刊通訊，2017，38（ 3 ）：33 - 41.

[12] 李杰. 工業大數據-工業4.0時代的工業轉型與價值創造[M]. 北京：機械工業出版社，2016.

作者簡介：

陳世和（1965-），教授級高工，現就職于華潤電力技術研究院有限公司，研究方向為火電廠自啟停（APS）、控制優化與大數據技術應用。

摘自《自動化博覽》2019年9月刊