一种基于群厂协同的智能电厂数据模型构建方法

技术领域

本发明属于电力信息系统领域，尤其涉及一种基于群厂协同的智能电厂数据模型构建方法。

背景技术

在电力生产企业的智能化信息化改造中，现有的分布式过程控制系统(DCS)、监控信息系统(SIS)、企业资源管理系统(ERP)可以将能源生产过程中产生的实时数据进行统一的存储和管理。但由于生产商、设备性能和设备参数供应商的不同，所使用的系统集成模式、设计标准和开发技术不同，各系统在数据传输上无法实现有效信息的互联互通，从而导致系统间的数据孤岛问题，进一步导致信息无法共享化。为解决数据孤岛导致的数据互联互通率低、信息整合不充分、知识积累困难等问题，有必要建立一种基于群厂协同的智能电厂数据模型构建方法，实现数据协同与智能化生产应用，对设备的远程预警、诊断和智慧检修提供有效决策。

发明内容

本发明的目的是克服现有技术中的不足，提供一种基于群厂协同的智能电厂数据模型构建方法。

这种基于群厂协同的智能电厂数据模型，构建了业务层、模型层和数据层；业务层采用云边端分布式弹性架构，云边端分布式弹性架构包括厂侧一区、厂侧四区和集团侧，其中集团侧与厂侧一区组成两地双注册中心；集团侧部署了综合决策模块和物联网平台，厂侧一区部署了智能应用模块，厂侧四区部署了赋能服务模块，赋能服务模块采用微服务架构实现前后端分离及服务独立部署；物联网平台为由电厂DCS系统构建的各个设备的数据采集平台；云边端分布式弹性架构按照需求对业务层、模型层和数据层提供组件支持；模型层包括模型模块、模型管理模块和模型部署模块；厂侧一区、厂侧四区和集团侧的数据层均设置内存数据库和关系型数据库；厂侧四区对应的数据层还设有时序数据库。

作为优选，业务层、模型层和数据层采用自顶向下的方式构建。

作为优选，厂侧一区为电厂实际生产区，厂侧四区为生产管理区。

作为优选，每一个赋能服务模块均为软件模块，采用RestfulAPI(表征性状态转移式接口)实现通信。

这种基于群厂协同的智能电厂数据模型的构建方法，包括以下步骤：

步骤1、在集团侧部署用于实现各厂综合展示与综合决策的综合决策模块；在集团侧进行业务数据抽取、智能电厂数据模型构建和训练；

步骤2、集团侧通过模型导出算子导出训练好的智能电厂数据模型至指定服务器；通过电力物联网专用网络传输至厂侧四区的服务器，在厂侧四区进行智能电厂数据模型的优化调整；

步骤3、将厂侧四区内经过步骤2优化调整完成的智能电厂数据模型通过网络隔离装置下发部署至厂侧一区，并使用智能电厂数据模型；在厂侧一区部署用于实现业务的智能应用模块；采用训练集微调智能电厂数据模型得到数理模型与机理模型，通过数理模型与机理模型进行在线预警及监测(数理模型，采用历史生产数据、选择合适算法训练得到；机理模型，根据经典机理公式，采用试验数据进行调整得到)；

构建的数理模型为：

上式中，x为来源于生产系统的历史数据；

构建的机理模型为：

上式中，x为来源于生产系统的历史数据；ε为机理模型修正值；

步骤4、在厂侧一区部署优化调整完成的智能电厂数据模型后，运行人员定期对厂侧一区、厂侧四区和集团侧的智能电厂数据模型分别进行模型评价；若厂侧一区、厂侧四区和集团侧中仅其中一个的智能电厂数据模型的评价分数低于标准，则在厂侧四区调整智能电厂数据模型的配置参数，并重新部署智能电厂数据模型；若厂侧一区、厂侧四区和集团侧中两个及以上智能电厂数据模型的评价分数低于标准，则在集团侧重新构建和训练智能电厂数据模型，并将智能电厂数据模型的配置参数下发至厂侧四区，将新训练得到的智能电厂数据模型重新部署至厂侧一区，实现群厂数据模型的协同与更新。

作为优选，步骤1具体包括以下步骤：

步骤1.1、业务数据抽取：采用统一编码对数据进行采样，将设备测点映射到统一的KKS编码库；设备数字镜像算子按照统一编码规律快速确定业务数据的物理含义，将业务数据从厂侧一区经厂侧四区抽取至集团侧，得到历史数据集；

步骤1.2、构建智能电厂数据模型，通过图形化算子拖拽方式进行智能电厂数据模型的配置；

y

＝h

＝h

＝h

上式中，h()为主智能电厂数据模型；x

图形化算子将算法拆分成设备数字镜像算子、数据筛选算子、有效性分析算子、相关性分析算子、归一化算子、模型训练算子和模型导出算子，各个算子之间串联；

步骤1.3、模型训练算子根据相关性系数和归一化后的有效测点数据完成智能电厂数据模型的训练：

上式中，Model为智能电厂数据模型，输入为相关性系数矩阵cor、归一化后的有效测点数据norm，

作为优选，步骤1.2具体包括以下步骤：

步骤1.2.1、数据筛选算子将通过规则方法和趋势方法对业务数据进行过滤，将影响模型训练的数据从历史数据集中去除，得到已过滤的数据；

上式中，x为实际生产数据；规则范围为R；SR为通过规则方法过滤后的业务数据；规则方法按照运行规程得到测点正常运行范围，当测点数值不在规则范围内时，通过SR数值对数据进行筛选，只保留规则范围内的数据；趋势范围为A，SA为通过趋势方法过滤后的业务数据；趋势方法按照运行人员的常识得到测点获得运行范围，当测点数值不在规则范围内时，通过SA数值对数据进行筛选，只保留规则范围内的数据；

步骤1.2.2、有效性分析算子将经过步骤1.2.1处理后的数据集中的数据进行数值有效性分析，根据稀疏性统计测点的空值与无效值的占比来划分有效测点与无效测点，并选用有效测点用于模型训练；

上式中，r

步骤1.2.3、采用相关性分析算子对有效测点进行分析，并通过计算有效测点的协方差矩阵得到相关性系数：

上式中，采用person方法计算相关性系数，

步骤1.2.4、归一化算子采用最大最小值方法去除有效测点数据本身的多维量纲，得到归一化后的有效测点数据：

上式中，Min代表最小值，Max代表最大值，x为当前数据，norm为归一化后的有效测点数据。

作为优选，步骤2中厂侧四区作为数据中枢，用于传输与存储数据；分别将数据传输到厂侧一区与集团侧。

作为优选，步骤4中模型评价的标准为：在一段时间内，运行人员对实际运行过程中的真实情况与模型结果的偏差进行对比，若偏差小，则智能电厂数据模型性能好，若偏差大，则智能电厂数据模型性能差。

作为优选，厂侧一区与厂侧四区之间采用正向网络隔离装置和反向网络隔离装置进行数据通信；正向隔离装置保证厂侧一区通过网络层向厂侧四区特定端口进行单向数据加密传输，厂侧一区通过正向隔离装置将生产数据全量传输至厂侧四区的时序数据库；使用反向隔离装置保证厂侧四区通过网络层向厂侧一区特定端口进行单向数据加密传输，厂侧四区通过反向隔离装置使模型参数传输到厂侧一区；厂侧一区提供生产实时数据的采集、存储、传输，生产实时数据的采集按照标准工业自动化控制硬件接口协议执行采集操作；生产实时数据的存储分为全量存储、运算存储、系统存储，全量存储将实时数据通过部署的测点接口传输至生产时序数据库进行存储；生产实时数据的的运算存储将生产时序数据库中频繁读取的测点数据传输至内存数据库进行存储，电厂DCS系统的存储为将系统参数存储到关系型数据库用于支持系统运行。

作为优选，集团侧与厂侧四区采用电力物联网专用网络进行数据加密通信；厂侧四区对应的内存数据库将自身时序数据库中的测点数据进行存取，厂侧四区的关系型数据库存储智能电厂数据模型的训练正常运行必要的数据。

本发明的有益效果是：

本发明采用云边端分布式弹性架构模式，分布式包括厂侧一区、厂侧四区所属的“边端”以及集团侧所属的“云”数据汇聚应用、物联网平台(以电厂DCS系统为主，构建各个设备的数据采集平台)，厂侧一区为电厂实际生产区，厂侧四区为生产管理区，所述弹性架构为各部分可按照需求对业务、模型、数据提供组件支持。

业务层采用两地双注册中心的服务架构，两地双注册中心为集团侧与电厂侧，集团侧部署综合决策，电厂部署智能应用与赋能服务，服务采用微服务架构实现前后端分离及服务独立部署，服务之间通过表征性状态转移式接口完成通信，按照自底向上的设计原则，由厂侧一区实现业务的智能应用，采用训练集微调完成的数理模型与机理模型进行在线预警及监测，由厂侧四区实现厂侧设备的综合展示与管理，由集团侧实现各厂综合展示与综合决策。

本发明解决了数据孤岛导致的数据互联互通率低、信息整合不充分、知识积累困难等问题。

附图说明

图1为本发明基于群厂协同的智能电厂数据模型架构图；

图2为实施例二中引风机预警模型构建流程图；

图3为实施例二中引风机预警模型各个算子的处理流程图；

图4为实施例二中某沿海a电厂引风机预警模型结果图；

图5为实施例二中某沿海b电厂引风机预警模型结果图。

具体实施方式

下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

实施例一

本申请实施例一提供了一种如图1所示基于群厂协同的智能电厂数据模型：

采用自顶向下的方式构建了业务层、模型层和数据层；业务层采用云边端分布式弹性架构，云边端分布式弹性架构包括厂侧一区(电厂实际生产区)、厂侧四区(生产管理区)和集团侧，其中集团侧与厂侧一区组成两地双注册中心；集团侧部署了综合决策模块和物联网平台，厂侧一区部署了智能应用模块，厂侧四区部署了赋能服务模块，赋能服务模块采用微服务架构实现前后端分离及服务独立部署；物联网平台为由电厂DCS系统构建的各个设备的数据采集平台；云边端分布式弹性架构按照需求对业务层、模型层和数据层提供组件支持；模型层包括模型模块、模型管理模块和模型部署模块；厂侧一区、厂侧四区和集团侧的数据层均设置内存数据库和关系型数据库；厂侧四区对应的数据层还设有时序数据库。

实施例二

在实施例一的基础上，以引风机预警模型训练与部署为例，本申请实施例二提供了一种如图2所示引风机预警模型的构建方法：

步骤1、在集团侧部署用于实现各厂综合展示与综合决策的综合决策模块；在集团侧进行业务数据抽取、智能电厂数据模型构建和训练；

步骤1.1、业务数据抽取：采用统一编码对数据进行采样，将表1中各设备测点映射到统一的KKS编码库；设备数字镜像算子按照统一编码规律快速确定业务数据的物理含义，将业务数据从厂侧一区经厂侧四区抽取至集团侧，得到历史数据集；

表1引风机预警模型测点表

步骤1.2、构建智能电厂数据模型，通过图形化算子拖拽方式进行智能电厂数据模型的配置；

y

＝h

＝h

＝h

上式中，h()为主智能电厂数据模型；x

如图3所示，图形化算子将算法拆分成设备数字镜像算子、数据筛选算子、有效性分析算子、相关性分析算子、归一化算子、模型训练算子和模型导出算子，各个算子之间串联；

步骤1.2.1、数据筛选算子将通过规则方法和趋势方法对业务数据进行过滤，将影响模型训练的数据从历史数据集中去除，得到已过滤的数据；

上式中，x为实际生产数据；规则范围为R；SR为通过规则方法过滤后的业务数据；规则方法按照运行规程得到测点正常运行范围，当测点数值不在规则范围内时，通过SR数值对数据进行筛选，只保留规则范围内的数据；趋势范围为A，SA为通过趋势方法过滤后的业务数据；趋势方法按照运行人员的常识得到测点获得运行范围，当测点数值不在规则范围内时，通过SA数值对数据进行筛选，只保留规则范围内的数据；

步骤1.2.2、有效性分析算子将经过步骤1.2.1处理后的数据集中的数据进行数值有效性分析，根据稀疏性统计测点的空值与无效值的占比来划分有效测点与无效测点，并选用有效测点用于模型训练；

上式中，r

步骤1.2.3、采用相关性分析算子对有效测点进行分析，并通过计算有效测点的协方差矩阵得到相关性系数：

上式中，采用person方法计算相关性系数，

步骤1.2.4、归一化算子采用最大最小值方法去除有效测点数据本身的多维量纲，得到归一化后的有效测点数据：

上式中，Min代表最小值，Max代表最大值，x为当前数据，norm为归一化后的有效测点数据；

步骤1.3、模型训练算子根据相关性系数和归一化后的有效测点数据完成智能电厂数据模型的训练：

上式中，Model为智能电厂数据模型，输入为相关性系数矩阵cor、归一化后的有效测点数据norm，

步骤2、集团侧通过模型导出算子导出训练好的智能电厂数据模型至指定服务器；通过电力物联网专用网络传输至厂侧四区的服务器，在厂侧四区进行智能电厂数据模型的优化调整；

步骤3、将厂侧四区内经过步骤2优化调整完成的智能电厂数据模型通过网络隔离装置下发部署至厂侧一区，并使用智能电厂数据模型；在厂侧一区部署用于实现业务的智能应用模块；采用训练集微调智能电厂数据模型得到数理模型与机理模型，通过数理模型与机理模型进行在线预警及监测(数理模型，采用历史生产数据、选择合适算法训练得到；机理模型，根据经典机理公式，采用试验数据进行调整得到)；

构建的数理模型为：

上式中，x为来源于生产系统的历史数据；

构建的机理模型为：

上式中，x为来源于生产系统的历史数据；ε为机理模型修正值；

步骤4、在厂侧一区部署优化调整完成的智能电厂数据模型后，运行人员定期对厂侧一区、厂侧四区和集团侧的智能电厂数据模型分别进行模型评价；若厂侧一区、厂侧四区和集团侧中仅其中一个的智能电厂数据模型的评价分数低于标准，则在厂侧四区调整智能电厂数据模型的配置参数，并重新部署智能电厂数据模型；若厂侧一区、厂侧四区和集团侧中两个及以上智能电厂数据模型的评价分数低于标准，则在集团侧重新构建和训练智能电厂数据模型，并将智能电厂数据模型的配置参数下发至厂侧四区，将新训练得到的智能电厂数据模型重新部署至厂侧一区，实现群厂数据模型的协同与更新。

本实施例将引风机预警模型分别部署至某沿海a电厂与某沿海b电厂，通过历史数据对模型进行检验，得到如图4和图5所示反映引风机失速的电流偏差图作为模型预警结果，分析可知模型可提前约10分钟发送引风机失速的报警信息，模型针对设备具有较强的预警作用。

针对上述模型，在厂侧将会由人员定期进行模型评价，若单厂的模型评价分数低于标准，模型在厂侧四区进行调整并重新部署，若多厂的模型评价分数低于标准，模型需要到集团进行通用模型的重训练并完成下发和部署，实现群厂数据模型的协同与更新。