基于工业互联网云计算和大数据的智能电厂示范项目提案.docx
《基于工业互联网云计算和大数据的智能电厂示范项目提案.docx》由会员分享，可在线阅读，更多相关《基于工业互联网云计算和大数据的智能电厂示范项目提案.docx（12页珍藏版）》请在冰豆网上搜索。
基于工业互联网云计算和大数据的智能电厂示范项目提案
基于工业互联网、云计算及大数据的
智能电厂示范项目提案
目录
0.项目背景1
1.调研分析3
1.1存在的问题3
1.2有关项目发展及现状4
1.2.1电厂信息化发展4
1.2.2智能电厂概括5
1.2.3智能电厂大数据的集成管理6
1.2.4智能电厂大数据的分析6
1.2.4智能电厂大数据的展示7
1.3项目价值和意义7
1.3.1电厂数据价值分析7
1.3.2电厂数据价值挖掘8
1.3.3行业推广应用价值9
2.项目内容初步规划9
3.关于项目开展实施的建议10
3.1项目启动及开展10
3.2初步设想10
3.3智能电厂解决方案功能架构11
3.3.1功能架构逻辑图11
3.3.2功能架构设计12
1.项目背景
当前，欧美等发达国家高端制造回流，德国、美国相继提出工业4.0和工业互联网概念。
2013年4月，德国政府在2013年4月的汉诺威工业博览会上正式推出提出“工业4.0”战略，以期提高德国工业的竞争力，在新一轮工业革命中占领先机。
2013年6月，GE提出了工业互联网革命（IndustrialInternetRevolution），通过一个开放、全球化的网络，将人、数据和机器连接起来。
工业互联网的目标是升级那些关键的工业领域。
“工业4.0”是德国政府提出的一个高科技战略计划，旨在提升制造业的智能化水平，建立具有适应性、资源效率及人因工程学的智慧工厂，在商业流程及价值流程中整合客户及商业伙伴。
其技术基础是网络实体系统及物联网。
所谓工业互联网，简单来说就是将大数据、机器和机器的操作者紧密结合以达到最优状态。
而数字化电厂正是在工业互联网的召唤下应运而生，将电厂的多种需求同高智能的数字化基础设施相结合，从而达到机器和软件的完美协同作用。
2014年5月，中国版的“工业4.0”规划—《中国制造2025》正式发布，宣布中国将于2025年迈入制造强国行列。
2016年6月12日，国家发展改革委、工业和信息化部、国家能源局组织编制并印发了《中国制造2025—能源装备实施方案》。
方案围绕确保能源安全供应、推动清洁能源发展和化石能源清洁高效利用三个方面确定了15个领域的能源装备发展任务，旨在推动能源装备自主创新和产业升级，充分发挥能源装备自主创新在能源技术革命和装备制造业升级中的支撑和引领作用。
其中，在“清洁高效燃煤发电装备”方面，技术攻关“燃煤电厂智能控制系统”中提出：
研发基于互联网技术和智能设备的超超临界机组智能控制系统，采用先进控制技术、实时优化技术、大数据挖掘技术自动化控制和高效低污染运行。
研发燃煤电厂远程诊断和监测系统，研究建设燃煤电厂大数据中心及云计算平台，为电厂高效运行、维修提供指导和决策依据。
这些都标志着新一代信息技术正在与制造业的深度融合，也正在引发影响深远的产业变革，形成新的生产方式、产业形态、商业模式和经济增长点。
1）智能电厂简介
从两个方面来总结一下数字化智能电厂。
首先，资产优化。
在重资产企业产能过剩的情况下，如何优化资产效率，提升资产的利用率，同时为客户带来关键的增值服务，通常也被衍生为装备服务业。
其次，运营优化。
中国企业运营还处在较粗放的阶段。
管理粗放，机能低下，信息化基础薄弱等等，都是现在制约企业发展的重要问题。
如何通过运营优化让在岗的工人、管理人员，能够和管理规章制度结合提升效率，这是同工业互联网的着眼点高度契合的，同时也是中国工业企业迫切需要解决的。
2）智能电厂特性
（1）更快捷
数字化智能电厂让计划外停机成为过去，同时将提升资产性能。
将各类性能参数的采集，24小时不间断的数据分析，资产可视化，故障解决方案，以及其他工业解决方案等融入到一个用户体验良好的智能平台。
（2）更智能
无论是业务管理者，还是现场工程师，各部门的人员都可以在数字化电厂大数据云平台提供的众多报表、分析、预测和建议中筛选出各自所需的资料，从而做出更好的决策。
此外，基于数据的，机器能够检测异常情况并提高自身的效率，从而减少维修，提高产能。
（3）更领先
数字化电厂通过提高可靠性、产能和性能等为客户带来意想不到的业务成果。
智能优化为整个行业带来超过2千亿美元的增值，并且这个数值仍在继续增加。
3）智能电厂实现
数字化智能电厂的核心就是面向大数据的工业互联网云平台（简称智能电厂云平台）。
它可以支持工业领域最具创新的应用，将客户的运行数据转变成有效的定制化解决方案。
凭借不受限的存储和开放的、用户友好的界面，工业互联网云平台可以随时随地获得各类实时运行数据并针对海量的数据进行分析。
（1）软件驱动的灵活性
无论客户需要软件驱动的机器还是运营方案，面向大数据的工业互联网云平台数字化基础设施能够和业务需求无缝对接。
数字化智能电厂可以将目前世界上最可靠的、最有效的机组和最先进的工业应用程序相结合，同时我们的软件解决方案也可以使得现有运营能够具有最大化效率。
（2）数字“双胞胎”
通过信息可视化，用所积累的实时数据虚拟机器的运行动态，使得客户可以测试不同的工况，预测维修方案和提前发现异常现象，同时也通过和整个发电集团以及其他途径得到的数据进行对比来界定客户的资产运行表现，从而最大化挖掘资产回报率。
（3）网络安全、保驾护航
先进的智能电厂云平台防护系统用于评估系统漏洞，检测薄弱环节，保护客户至关重要的基础设施和控制环节并使之符合网络安全的各种规定。
1.调研分析
1.1存在的问题
随着近几年互联网的飞速发展和普及，数据呈持续性爆发增长，“大数据”时代的脚步已悄然而至。
而传统的火力发电厂也正逐步向数字化电厂迈进，各种数字化仪表与设备已取代原有的机械式仪表与设备，DCS、SIS乃至ERP等系统也已在各个电厂普及。
各类传感设备、移动终端、数据采集设备等产生的大量数据被保存、分析，用于指导火力发电厂的生产运营。
可见，火力发电厂在向数字化电厂迈进的过程中，已经感受到“大数据”对企业管理与运营带来的冲击。
数据的存储与保存，在信息技术日新月异的今天已不成问题，但对数据的分析应用乃至数据价值的深度挖掘却依然是摆在各个火力发电企业面前的难题。
导致企业海量数据无法体现其深层价值的原因有3个方面:
1）不重视数据价值的挖掘。
用平面、离散的眼光来看待数据，满足于各类生产实时数据的查看、统计报表的生成，没有重视数据间关系的分析及各类相关数据间的时间特性。
2）缺乏数据价值挖掘的长效机制。
数据价值的深度挖掘，依靠数据分析模型逐步建立。
如果没有对数据的长期分析跟踪，就不可能找到有效的分析模型。
3）缺乏专业知识高度融合的复合型人才。
对数据进行分析，不仅需要具备火力发电厂的相关知识，也需要掌握足够的计算机专业知识，尤其是对各类数据库的理解与对结构化查询语句的熟练掌握。
1.2有关项目发展及现状
1.2.1电厂信息化发展
上世纪六十年代后，火电厂控制方式开始经历从“就地控制”方式向“集中控制”方式演变。
随着1997年电力规划设计总院发布的《2000年火电厂自动化》提出发展全厂自动化系统网络化的技术政策后，集中控制技术迅速从单元机组向全厂辅助车间发展，全厂辅助车间也进入了高度集中控制方式阶段，大幅减少了电厂运行值班人员。
这标志着火电厂控制方式从就地控制向集中控制的第一次大变革基本完成。
火电厂及其自动化（信息化）技术和管理的发展是推动火电厂控制方式演变的主要原动力，而控制方式的每一次变革总是极大的解放火电厂的生产力，推动火电厂在安全、经济和环保诸方面更上一个台阶。
目前，SIS已经成为所有电厂的标配，SIS概念已经向广义发展，扩展到发电企业集团级和集团科技中心级。
从技术方面来看，随着大数据时代的到来，SIS存储数据的能力以及数据挖掘技术等正爆炸式发展，为我们提供了无限的想象空间。
火电厂实时生产过程信息化的广度和深度取得了前所未有的发展。
火电厂实时生产过程的监控模式几乎没有大的实质性变化。
如运行值班人员有数据，但没有能力利用数据。
相关数据不能顺利到达最有效的专家手中出力管理。
对‘数据就是财富’、‘数据就是力量’尚缺乏足够的认识，对实时生产过程快速积累的SIS监控信息的应用管理和对非实时生产过程相对积聚缓慢的MIS管理信息的应用，对待和处理方法应有所不同这一点尚缺乏认识，不利于电厂实时生产过程监管水平向前进一步发展。
过去，发电企业实时生产过程的控制方式主要只有一级，即单元集中控制级。
随着SIS的发展，在单元集中监控级上面不仅必要而且可能发展一个高层多级集中监管级，如厂级监管中心、企业集团级监管中心、集团科研院级监管中心。
发电企业实时生产过程将形成一个由单元集中监控级和高层集中监管级复合组成的一个全新的控制方式体系。
如果进一步扩大，面向整个发电企业，包括实时生产过程和非实时管理过程全体来说，则将形成三大部分：
以DCS为支持的“监控级”，以SIS为支持的“监管级”，以及以MIS为支持的“管理级”。
大数据时代提供的技术手段更为DCS、SIS、MIS插上了高飞的翅膀。
随着大数据、云计算时代的到来，火电厂控制方式正面临革命性大变革，重新组织“人-数”关系为标志的火电厂实时生产过程新的控制方式的变革。
1.2.2智能电厂概括
智能电厂的总体架构：
图1.智能电厂架构
右边是对智能电厂的整体体系结构的一个展示，左边则是我们需要做的大数据方向的工作，智能电厂就是将大数据的一系列技术应用到传统电厂，当然其中也涉及了物联网技术以及网络通信技术等。
1.2.3智能电厂大数据的集成管理
目前智能电厂中一个愈加普及的概念：
SIS（厂级信息监测系统），其核心为实时数据库系统（RTDB），包括INSQL、PI等数据库。
这些数据库普遍具有周期性存储、实时处理数据、数据压缩算法效率高等特点。
电厂数据仓库的设计必须同时考虑对于非结构化数据和结构化数据的存储，下面是电厂数据概况：
图2.电厂数据
经初步分析研究，智能电厂大数据处理涉及到的技术包括分布式计算、流处理技术以及数据仓库技术。
除了计算，由于实时电力数据采样频率较高，数据样本大，所以很有必要预处理去除异常值或者有严重过失误差的样本，数据预处理常见技术为数据调和。
1.2.4智能电厂大数据的分析
由于电厂系统的复杂性，对于每一类设备都要有一套完整的状态监测、故障诊断、检修维护、寿命管理机制，所以目前虽然有很多已经成型的系统，比如SIS系统，集成了这些功能，但是其方法论、算法性能等依然有很多挑战。
基本上每一种设备都会有相应的检测方式，比如旋转机械类（汽轮机、轴承），一般会基于传感器给出的振动信号进行频谱分析仪来进行诊断；而锅炉管壁等金属则会基于热应力计算等方法进行诊断；还有基于神经网络对于发电机状态的监测与诊断等等。
因此，智能电厂数据的分析并不是建立在单一的模型之上的但是其方法论是可以通用的。
每一种故障模式都需要对影响变量进行进行选择学习，形成模型。
例如，汽轮机而言，一般需要时域变量11个，频域变量13个以及19个其他变量，一共43个变量来描述一个状态点，如果每一个变量都参与形成分类器，那么会减缓分类过程并且降低精确性，所以需要根据变量特性进行选择合适的检测技术。
另外，在电厂中有很多类型相同的设备，比如在一个电厂的两个发电机组中，分别有12台汽轮机的话，他们的系统结构是一模一样的，因此可以将磨煤机进行对象建模，建模信息中包含其属性、规则集（专家系统）、维护措施等，可以使用树形结构进行展示
1.2.4智能电厂大数据的展示
数据的展示包括很多技术：
空间信息流展示技术、历史流展示技术、3D建模、可视化技术、虚拟现实等。
1.在数据分析阶段可以生成数据报表；
2.在故障检测阶段可以进行可视化展示，例如，轴承与轴系之间的变化，并且以三维立体形式展示；
3.最终可以自动给出维护建议表。
图3.智能电厂场景应用示例
1.3项目价值和意义
1.3.1电厂数据价值分析
数据在火力发电厂主要存在以下3类:
第一类结构化数据。
直接展现企业生产一线各种信息，数据价值密度高，由于其有严格的数据类型、标准的查询语言等特点，易于挖掘出更高的数据价值。
第二类非结构化数据。
不是生产一线数据，但往往与企业管理契合度较高，数据价值密度中等，数据价值挖掘难度较大。
第三类多媒体数据。
大部分对生产而言价值较小，但对于事故的视频回放分析有很高的价值，所以其数据价值密度低，但数据价值挖掘难度大。
数据价值除了极少能直观表现出来的部分，更多则隐含在枯燥数字的背后。
在火力发电厂内，厂用电率指标的高低可以直接从指标信息中获得，是直观表现出来的，而导致厂用电率升高或降低的原因却隐藏在看似杂乱无章的数据洪流背后。
对数据的分析越深入，就能获得越多的数据价值，分析后取得的数据价值密度要远远高于原始数据的价值密度。
数据的相关性分析是获得隐含数据价值的高效方式。
数据可以存储在不同的数据库、不同的数据文件、不同的表空间、不同的表中，但是物理上的分离并不代表这些数据在逻辑上也是隔离的，在逻辑上这些数据恰恰是高度相关的。
所以对数据价值的分析，必须将各相关数据看作一个整体，进行各数据间的相关性分级，然后建立模型。
例如电厂厂用电率指标与各主要辅机耗电量有关，各辅机设备耗电量又与单台辅机的各项运行指标有关，任何一个指标的变动都会导致厂用电率改变。
相关性分析就如同将厂用电率当作一个生命体，而辅机指标等相关数据集作为这个生命体的体征指标，用来衡量这个生命体的健康程度。
1.3.2电厂数据价值挖掘
数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的、人们事先不知道的，但又是潜在有用的信息和知识的过程。
数据挖掘是伴随着数据的急速膨胀而发展起来的技术，没有数据挖掘技术，就不会在海量数据中发现数据的价值。
伴随着“大数据”时代的到来，数据挖掘技术必将越来越重要。
数据挖掘不同于传统的数据分析（查询、报表等），数据挖掘可以得到有效可用且先前未知的信息，是不能靠直觉发现信息或知识的，甚至挖掘出的是出乎意料的信息。
例如在美国某超市内，经过数据挖掘发现，购买婴儿尿布的男性有30%～40%会顺便购买啤酒，依据这一信息，超市将婴儿用品与男士用品靠近摆放，结果这个变动让此类商品的销售量成倍增长。
可见，数据挖掘能发现有预见性的信息与知识。
数据挖掘的方法主要有神经网络方法、遗传算法、决策树方法、粗集方法等。
在火力发电厂数据挖掘中，神经网络方法由于本身有良好的鲁棒性、自组织自适应性、并行处理、分布存储和高度容错等特性，非常适合解决数据挖掘的问题，因此被普遍采用。
数据挖掘的任务有关联分析、聚类分析、分类、预测、时序模式和偏差分析等。
只有完成这些才可以发现数据价值。
一般用支持度和可信度2个阈值来度量关联规则的相关性，同时不断引入兴趣度、相关性等参数，使得所挖掘的规则更符合需求。
数据价值挖掘贯穿于企业信息化过程的整个生命周期。
数据挖掘技术是数据价值挖掘最重要的方法。
在数据价值挖掘中，必须重视企业所有原始数据的建模，尽量使得用于数据挖掘的数据条理清楚、关联清晰，尽可能结构化。
可见，数据价值挖掘必须有数据整体规划制度的配套，将数据价值挖掘的思想贯穿于任何一个应用开发的整个生命周期，否则数据挖掘所取得的价值会大打折扣，难度也会成倍增加。
可以说，企业信息化初期的规划、数据库的建模等决定了数据挖掘所能取得的知识和信息的多少。
“大数据”时代，火力发电厂的数据会持续增长。
面对海量数据，数据价值深度挖掘尤为重要，挖掘更多的数据价值意味着可以为企业节省更多的成本和创造更高的利润，否则就如同坐拥金山而不自知。
努力提高信息化水平，培养专业人才，深度挖掘数据价值，必然是火力发电厂管理模式发展的趋势。
1.3.3行业推广应用价值
利用大数据、云平台分析，就能为电厂开展节能发电调度、机组运行优化、节能技改等提供科学方案。
整个国华集团的火电机组都将拥有量身定做的“综合分析报告”。
根据火电企业的实际需求进行二次开发，形成特色知识库，适应个性化需求。
知识资源丰富，能系统、准确、及时的为火电企业提供相关的知识服务，有高度的创新性和较强的实用性，在行业内具有推广应用价值。
经济增速放缓新常态下，围绕外部环境变化与转型升级要求，创新制定并执行战略，正成为当今企业管理者面临的首要问题。
而利用大数据技术开展知识管理，提升企业整体核心实力与环境应变能力，则是开题、破题的关键。
2.项目内容初步规划
大数据时代，对数据的分析和挖掘仅仅是技术手段，发现和预测才是最终目标。
“集约化、精细化、信息化”的管理将成为进一步提高电力行业运营效率和管理水平的主要方向，而大数据技术的应用势必成为这一进程的焦点。
如何利用好大数据，充分挖掘企业数据资产，更好地服务电力行业发展将成为电力企业持续发展的重要研究课题。
电力生产大数据产生、发展，首先主要是进行存储、展示和简单分析，描述“发生了什么（whathappened）”及“为什么发生（whyhappened）”；随着数据挖掘和分析的进一步深入，实时分析“正在发生什么（what'shappening）”以及预测“即将发生什么（whatwillhappen）"。
电力生产是大数据产生的主要源头之一，其信息系统覆盖了发电、检修、安全3项主要业务领域，对此类数据的分析主要侧重于如何利用历史信启、指导发电生产及设备检修。
大数据挖掘与分析处理技术在发电企业的应用可以包括但不仅限于3个方面。
1）安全评估及故障诊断
基于DCS,PI等系统的实时数据和海量的历史数据，数据挖掘技术可以自动发现某些不正常的数据分布，从而暴露设备运行中的异常变化，协助运行和检修人员预测机组运行状态，并迅速找出问题发生的范围及时检修和采取对策。
2）发电生产决策与控制
数据挖掘技术具有定性分析能力，从大量数据中去除冗余信自，可将每一种状态的故障特征提取出来，成为判断机组状态、如何快速处理故障、准确决策的依据。
3）设备检修策略改进
通过对历史运行数据和缺陷信息进行数据挖掘，得到设备缺陷状态下特征值及关联参数值，将挖掘得到的信息与设备当前运行监测值进行对比分析，即可以判断设备当前运行状态是否正常。
3.关于项目开展实施的建议
3.1项目启动及开展
1）开展调研，针对电厂情况提出“基于工业互联网、云计算和大数据的智能电厂示范项目”规划书；
2）依据电厂“基于工业互联网、云计算和大数据的智能电厂示范项目”规划书，分阶段认真缜密落地实施。
3.2初步设想
“基于工业互联网、云计算和大数据的智能电厂示范项目”解决方案旨在帮助电厂用先进的物联平台收集和整理与电厂设备运行数据、系统业务数据，并借助科学的数据挖掘和分析手段，实现电厂的智慧化运营。
本规划方案强调前瞻性和可行性，用于指导电厂未来三到五年的数字化建设和相关系统实施。
方案的主体将覆盖电厂运营的七个场景，即电厂概览、智能巡检、智慧运维、失效分析、性能优化和风险管理。
除业务场景这一层次，本文档还描述用于场景实现的另外三个层次：
系统功能描述、数据处理方法和系统技术架构。
六个业务场景可覆盖电厂智慧化应用的行业方向，四层建议可支撑电厂的后续项目实施（即方案落地）。
3.3智能电厂解决方案功能架构
3.3.1功能架构逻辑图
智能电厂解决方案包含数据采集和交换、数据存储、分析及优化、业务应用组件、开放服务和门户管理五个部分。
图4.智能电厂功能架构逻辑图
智能电厂解决方案涉及以下的关键功能节点：
数据采集和交换：
电厂设备传感器数据、SCADA数据、业务交易数据和第三方数据
数据存储：
含各种结构化和非结构化数据
数据分析和优化：
含实时、准实时和离线分析
应用组件：
上述关于智能电厂的若干组件
开放服务和门户管理：
将服务打包成API或APP提供各类用户。
3.3.2功能架构设计
智能电厂解决方案的六个应用组件可继续划分为下图的二级组件，用户对各组件的使用可最终形成知识库和案例库，这些知识库或案例库将是智能电厂的重要智力资产。
各应用组件对智能电厂的价值和意义：
电厂概览：
帮助业主及时矫正运营偏差、找出自身的运营问题。
智能巡检：
借巡检数字化分析设备的运维机理、应用新技术获得可靠的巡检数据。
智慧运维：
掌握设备运营状态和可靠性、合理安排运维资源并节省运维成本。
失效分析：
了解设备及零部件失效机理、降低运维成本、获得产品设计改进和突破。
性能提升：
指导各种控制系统以及设备的升级改造设计、追踪系统的升级效果并持续改进。
风险管理：
基于实际数据理解风险的发生和发展过程、避免不必要的风险损失。
图5.智能电厂功能架构逻辑图
————————————文档结束————————————
升级会员 