王翔宇,陈武晖*,郭小龙,常喜强
(1.太原理工大学电气与动力工程学院,山西省 太原市 030024;
2.国网新疆电力有限公司,新疆维吾尔自治区 乌鲁木齐市 830000)
发电系统数字化就是利用海量传感器、智能设备、电力物联网等手段实现物理电厂的数字化升级[1],形成一种集成智能传感与执行、智能控制与优化、智能管理与决策等技术的具备自学习、自适应、自趋优、自恢复、自组织的智能发电运行控制管理模式[2],最终建成管控一体化的数字化平台。数字化的发电系统可以利用信息网络技术进行准确的信息化交换,实现资源的实时性共享,从而使得电厂在电力生产的整个过程中产生最大的经济效益[3-5]。
随着新型电力系统建设的不断推进,以风电、光伏等为代表的清洁能源发电系统大量并网[6-7],其电能生产的随机性、波动性导致系统面临的不确定性进一步增加;
另外,发电侧兆瓦级发电设备数量日趋庞大[8-9],发电侧数据呈现指数级增长。因此,建立数字化运行和管理的发电体系,推进发电系统的数字化、智能化建设,促进物理电厂和数字技术深度融合,进而实现各类能源的高效利用以及经营管理全过程实时感知、可视可控、精益高效[10-11],是助力新型电力系统建设的重要保障。
自从2016年“智能发电”的概念被提出以来[12],发电系统的数字化、智能化发展受到行业和国家主管部门的高度关注。2017年3月,工业和信息化部、国家标准化管理委员会联合发布《信息物理系统白皮书(2017)》,对信息物理系统的技术内涵做了全面归纳与系统阐释[13]。2020年9月,国资委印发了《关于加快推进国有企业数字化转型工作的通知》,为电力系统数字化转型指明了方向[14]。2022年4月,南方电网发布了《数字电网标准框架白皮书》,提出数字电网技术标准框架及重点研制方向,为数字电网企业标准、行业标准、国家标准、国际标准的制定提供了科学依据。
在国家战略及相关政策的引导下,许多专家学者对发电系统数字化的研究和建设开展了有益探索,文献[15-21]从不同的角度阐述智慧电厂、智能发电的概念及体系架构,但是很少涉及到发电系统数字化建设过程中的关键技术及相关应用,发电系统的数字化建设需要以新一代数字技术为依托,进而实现传统发电系统的数字化智能化升级。文献[22-25]结合智能发电、智慧电厂的业务应用与典型研究方向,综述了发电系统数字化建设需要形成的各类关键技术,但是其涉及范围大多局限于数字技术的某一方面,新一代的数字技术应包含感知、融合、应用等多个层面。文献[26-30]从智慧电厂的建设实际出发,探讨了面向新型发电系统的多类型数字业务需求,为发电系统的数字化建设提供了思路与借鉴,但是未能形成通用的业务应用架构。
基于发电系统数字化的研究现状,本文从发电系统的业务需求出发,综述了全生命周期管理、智能运维、智能运行、联合运行及碳排放管理等多种业务类型对于数据的研究现状,梳理了新型发电系统数字化系统的体系架构以及发电系统数字化建设过程中的关键技术应用,指出了发电系统数字化过程中尚待解决的问题。
发电系统数字化首先要探究新型发电系统的数字化业务应用架构,分析面向各类型关键基础业务的发电侧数据需求,对应挖掘出精准描述不同类型电源及相应业务需求的电气量数据和非电气量数据。
1.1 数字化业务应用架构
目前,我国在发电系统数字化研究领域已经开展了较多探索,许多专家学者对于面向新型发电系统的数字化业务提出了不同的观点。
在水电领域:文献[31]认为智慧水电的建设要构建以态势感知、多维分析、趋势预测、风险预警、远程控制为主要特征的统一平台,最终实现无人值守和智能协同。在风电领域:文献[32]认为海上风电机组有分布广阔、无人值守、运行环境恶劣等特点,必须实现设备状态全息感知,机器代替人工巡检,设备缺陷主动预警和控制策略智能调节等功能;
文献[33]则是从智能设备、智能控制、场级管控、集团4个层级阐述了怎样建设海上智慧风电场,涵盖了项目设计、基建、运营的全生命周期过程以及全场设备、资产的数字化监控与管理等多项业务。在光伏发电领域:文献[34]提出要建设一个集约管理、弹性存储、灵活高效、少人或无人值班的光伏电站运维云平台。在核电领域:文献[35]提出了平行核电系统的概念,可以实现生产过程的状态监测、未知情景的智能模拟计算、应急方案的滚动优化分析及运行过程的在线推演评估与优化等功能。在地热、潮汐、波浪发电领域:从目前的研究现状和能源特点来看,智能电站要实现少人、无人值守以及无人巡检、智能诊断、功率最大/平滑控制等各项智能业务[36-39]。在燃气发电领域:文献[40]研究了燃气热电顶层业务架构模式的设计及应用情况,为新型发电系统的业务应用架构设计提供了借鉴。在火力发电领域:文献[41]指出新型智能燃煤发电厂必须具有深度调峰、快速变负荷、超净排放、高效燃煤发电和碳电市场协同发展的业务功能;
文献[42]给出了智慧电厂信息化建设蓝图,规划业务范围覆盖公司组织管控、人力资源管理、财务管理、生产管理等多方面业务。
综合来看,面向新型发电系统的数字化业务需要包括设备全生命周期管理、智能运维、智能运行、联合运行、电碳交易等诸多类型业务,这些业务可以分为高级决策型业务、运行控制型业务及职能型业务,图1为新型发电系统的数字化业务应用架构。
图1 数字化业务应用架构示意图Fig.1 Schematic diagram of digital business application architecture
1.2 关键基础应用
随着科学技术的发展和生产工艺的进步,发电设备日益朝着大型化、复杂化、自动化及智能化方向发展。不同发电形式的发电设备因为其原理的独特性也应有不同侧重方向的业务应用。寿命预测和工况监控是火、水、核、风、光、燃气等各发电类型的共同的关键基础应用,可以保障设备安全可靠运行。功率预测和智能控制针对的是风电、光伏等波动性随机性较强的新能源发电,可以起到提高发电效率和最大能量捕获的作用,实现新能源发电的智能运行。协调控制主要通过电厂/电站之间的联合运行平抑功率波动,提高系统的鲁棒性。碳排放监测针对的是传统燃煤火电厂的碳排放管理问题。
1.2.1 寿命预测
为保障火、水、核、风、光等多种类型发电设备安全性与可靠性,实现设备全生命周期管理,剩余寿命(remaining useful life,RUL)预测技术受到了普遍关注,同时得到了广泛应用[43]。剩余寿命预测技术主要分为基于机理模型的预测方法和基于统计模型的预测方法。
基于机理模型的方法根据设备的物理运行规律建立起相应的元器件、部件及整机的损耗模型,从而对整个设备的剩余寿命进行预测。文献[44-46]从载荷分析的角度利用有限元分析对风电轴承进行模拟仿真,从而得到轴承的疲劳寿命。文献[47-48]将光伏逆变器一年内实际运行中的环境数据作为输入,完成了逆变器输出功率到逆变器温度剖面再到器件预测寿命的转换,并通过雨流计数法和Miner累计损伤模型得到了器件的预测寿命值。图2为基于机理模型的风电与光伏关键设备寿命预测流程。
图2 基于机理的寿命预测流程示意图Fig.2 Schematic diagram of life prediction process based on mechanism
基于统计模型的预测方法通过学习设备的历史检修数据,建立设备的寿命预测模型,并且该模型可以根据每次设备检修情况不断迭代更新,从而提高预测精度。文献[49]基于改进神经网络方法建立了风力发电机轴承温度预测模型,通过线性回归的分析方法成功对轴承RUL进行了预测。文献[50]通过故障模式、影响和危害性分析得出转子绕组是影响风机装备剩余寿命的关键参数,运用卡尔曼滤波算法,利用观测到的最新实验数据预测了风机装备的剩余寿命。
1.2.2 工况监控
对于各种类型发电设备的工况实时在线监控是实现发电系统智能运维和智能运行的基础条件。从广义上讲,工况监控包括了状态监测和故障诊断[51]。状态监测是对设备异常状态的识别预警,是故障诊断的基础,故障诊断则是根据状态监测所获得的信息,对设备可能要发生的或已经发生的故障进行事前预报和事后分析[51]。目前工况监控方法主要分为基于专家知识的解析方法和基于数据驱动的统计方法。
基于专家知识的方法是通过建立发电设备的精确数学模型,将该数学模型的输出信号与测量到的信号比较之后得到残差信号,从而判断设备目前的运行工况[51]。文献[52]根据除氧器储罐的输入输出流量和液位的关系,建立了动态控制模型,实现了核电站除氧器液位控制系统的故障检测与诊断。文献[53]对给水加热器进行了建模,并且将模型用于燃煤机组给水加热器的故障诊断。图3为基于专家知识的发电设备工况监控流程示意图。
图3 基于专家知识的工况监控流程示意图Fig.3 Schematic diagram of working condition monitoring process based on expert knowledge
基于数据驱动的发电设备工况监控技术主要是通过分析和挖掘发电过程历史数据,提取数据内部的隐含信息和关键特征参数,从而利用训练模型判别发电过程的运行状态和追溯故障形成的原因。文献[54]将热电站锅炉的20种运行参数作为输入量,利用人工神经网络方法形成的模型,对热电站锅炉进行了状态监测与故障诊断。文献[55]提出了一种改进的多步向前滑动窗主元分析方法,实现了火电机组双背压凝汽器运行状态的实时监测。
1.2.3 功率预测
实现高精度的风电及光伏功率预测是新能源发电企业实时调度运行、修订合理发电计划和参与电力市场的基础条件[56]。风电和光伏功率预测都是以数值天气预报(numerical weather prediction,NWP)数据或/和实测数据为基础,结合电站的地理坐标、具体地域特点以及发电设备信息,建立预测模型及算法,实现对未来一定时间段内风电以及光伏输出功率的预测[56-57]。功率预测方法主要分为物理方法、统计方法和组合预测方法。
物理方法基于太阳辐照传递方程、光伏组件运行方程或风电机组风速-功率转化方程等物理方程,将NWP数据或/和实测数据转化为风电和光伏的功率预测数据。文献[58]提出了计及风电场局地效应与风电机组尾流影响的风电场功率预测模型。文献[59]采用Gauss混合模型构建实测风速和NWP数据之间的映射关系,并以此来修正NWP风速,校正后的NWP数据及功率预测精度得到了大幅提升。图4为文献[58]提出的基于物理方法的风电功率预测流程图。
图4 基于物理方法的风电功率预测流程图Fig.4 Schematic diagram of wind power prediction based on physical method
统计方法不考虑物理变化过程,而是通过统计算法来学习历史气象、电力数据之间的统计规律,结合实测功率数据或NWP数据预测发电功率。文献[60]总结归纳了统计预测方法的预测思路、数据筛选的评价手段以及目前深度学习算法的最新研究进展。文献[61]构建了一种基于改进灰狼学习算法的脉冲神经网络,并将其应用到光伏出力短期预测中,与传统模型相比,该方法预测性能提升明显。文献[62]提出一种基于多重时空注意力图神经网络的海上风电场出力预测模型,该模型相比传统预测模型在空间、特征、时间多个维度具有合理的可解释性。
光伏和风力发电受多种因素的影响,单一的预测模型不能考虑到所有因素,而组合预测方法可以综合不同预测模型的优点,提高预测精度。文献[63]提出了不同时间断面差异化的组合预测方法,针对各集合成员每日更新结果动态修正各集合单元组合权值,提高预测模型的适应性。文献[64]提出了结合径向基函数(radial basis function,RBF)神经网络功率预测模型和时间序列模型的组合预测模型,该组合模型可以得到较高的短期发电功率预测准确度。文献[65]提出一种基于Kalman滤波和反向传播(back propagation,BP)神经网络的光伏超短期功率预测模型,实际数据验证了所提出模型的可行性。
1.2.4 智能控制
由于风光等自然资源本身所具有的不确定性,导致新能源发电设备出力具有随机性与波动性,因此有必要建立风电场和光伏电站的智能运行控制模型,该模型可以通过气象监测预警和新能源出力预测环节实时感知并预测发电量变化数据,结合电场运营评估环节,以延长寿命和提高发电效率为目标,智能切换电源控制策略,实现新能源场站的AGC/AVC一体化控制,并对电源运行状态数据进行实时更新,使电源实体和数字化智能运行模型之间形成闭环反馈。
文献[66]提出一种自适应数字动态面智能控制算法,实现了光伏伺服系统对太阳位置的跟踪控制。文献[67]开发了一套基于柔性尾缘襟翼(deformable trailing edge flap,DTEF)的载荷智能控制系统,在正常湍流模型和正常海况模型工况条件下的实验证明,在DTEF控制下,叶片、传动链和塔架的疲劳载荷得到了有效控制。文献[68]采用人工蜂群算法对大型风电机组的变桨距控制器参数进行优化,有效降低了输出功率和风轮转速的波动,减少了传动链疲劳荷载和机组结构反应,增加了风电机组的使用寿命。文献[69]基于经典优先顺序法提出了一种应用于变速恒频风电场的限出力有功控制策略,实现了最大风能利用和避免风电场频繁起停的目标。
1.2.5 协调控制
新能源本身所具有的不确定性使得大规模新能源并入电网时给电力系统带来很大的调峰调频压力,各大新能源基地都出现了不同程度的弃风弃光现象。以多能互补协调控制技术为核心的联合运行是缓解大规模新能源发电与电网消纳矛盾的重要手段之一[70]。多能互补协调控制技术主要分为单能源电站集群控制、双能源协调控制与多态能源协调控制。
单能源电站集群控制主要有风电场、光伏电站和水电站集群协调控制。文献[71]对梯级水电站群跨电网短期联合运行、经济调度控制建模及求解方法展开深入研究,制定了最佳机组起停机状态组合和最优出力方案,为电力系统能源优化配置、安全高效经济运行提供了指导。文献[72]提出了大型集群风电有功智能控制系统的控制策略,设计了最大出力控制和出力跟踪控制2种风电场间的协调控制方法,在甘肃电网的实际应用结果证明了该策略的可行性。文献[73]提出一种风电集群有功功率多时间尺度协调调度新方法,有效克服了已有方法在风电集群有功功率控制效果差、跟踪调度计划误差较大的不足。文献[74]研究了一种基于光伏电站集群协调控制的方法,通过大片区域中多个光伏电站的配合实现总体输出功率上的稳定。
双能源协调控制主要分为新能源与常规能源的协调控制、新能源之间的协调控制和新能源与储能的协调控制。新能源与常规能源协调控制方面,文献[75]提出了风火打捆外送的有功控制策略,并且在实际工程应用中证明了该策略能够有效控制风火电打捆外送断面潮流不超过稳定限额,提高了通道利用率和风能利用率。文献[76]提出一种以火电机组调频为主、风电机组调频为辅的一次调频联合控制策略,仿真结果表明,所提策略能够充分利用风电调频容量,有效改善系统频率特性。新能源间协调控制方面,文献[77]研究了风电-抽水蓄能联合日运行的优化方法,提出了电网消纳风电出力的新模式,测试结果表明,抽水蓄能电站与风电场配合可大大降低风电出力随机性对电网运行的负面影响。文献[78]分析了某地区光伏电站和风电站输出功率波动特性,建立了风光联合发电系统,结果表明风光联合发电系统输出功率更加平稳。新能源与储能协调控制方面,文献[79]综述了包含大容量储热的电-热联合系统研究现状及关键技术,提出包含大容量储热的电-热联合系统可以充分利用电力系统和热力系统物理特性的优势,提高能源系统大时空范围优化配置能力。
多态能源协调控制方面,文献[80]提出了一种具有信息松弛的多态能源协调控制策略,通过仿真验证了所提方法的有效性。目前一些新兴的虚拟发电技术如虚拟电厂和产销者也是一种基于多态能源协调控制技术的新型应用。文献[81]指出虚拟电厂可通过协调控制分布式电源、储能系统、可控负荷、电动汽车等分布式能源的聚合优化来作为一个特殊电厂参与电网运行。文献[82]提出了一种含风光水的虚拟电厂与配电公司协调调度模型,为可再生能源分布式电源的并网提供了可行的方案。能源产销者既是能源的生产者也是能源的售卖者,目前的能源产销者主要有分布式可再生能源发电、电动汽车、新型储能等[83]。文献[84]提出了基于合作博弈的产销者社区分布式光伏与共享储能容量优化方法,实现了博弈各方利益在均衡意义下的最大化。
1.2.6 碳排放监测
精确监测二氧化碳气体排放是燃煤发电系统碳排放管理工作的基础,可以为碳排放权交易、低碳火电厂经济补偿等方面提供依据。燃煤发电过程中的二氧化碳气体排放源主要包括锅炉中煤炭的燃烧、锅炉启动阶段燃料油的辅助燃烧和石灰石湿法脱硫设施的二氧化碳排放,其中燃煤带来的二氧化碳排放在所有排放中占有最大的比例[85-86]。目前燃煤产生二氧化碳的量化方法主要可以分为在线监测法、碳平衡法和排放因子法。
在线监测法是指对火电厂利用带二氧化碳测量组分的烟气监测系统进行实时碳排放监测,精确计算火电厂碳排放速率。文献[87]阐述了燃煤排放二氧化碳的3种量化方法的选择依据,指出了在线监测法在实际应用过程中存在测点布置、二氧化碳浓度测量、湿度测量等问题,并针对这些问题提出了改进方法。文献[88]提出了一种燃煤电厂碳排放在线监测和管理系统设计方案,包括碳排放计量、碳排放预警、碳配额管理、数据统计及调度和考核方法,为指导节能发电调度和碳排放考核提供了思路。图5为文献[87]提出的碳排放在线监测系统示意图。
图5 碳排放在线监测系统示意图Fig.5 Schematic diagram of carbon emission online monitoring system
因为技术和资金问题,通过烟气在线监测设备实测火电厂二氧化碳排放目前还不具备推广条件。为解决火电厂二氧化碳排放的实时在线监测问题,文献[89]提出了一种基于碳平衡理论的改进模型,以通过实际运行数据计算得到的实际燃煤量等中间变量代替在线监测方法所使用的误差较大的测量值,实验结果证明了该模型的可靠性。
新型发电系统是以传统发电系统为基础,结合新一代数字技术形成的融合型社会公共设施。新型发电系统的数字化系统体系架构可以从网络结构和数字技术架构2方面来阐述[90-92]。
2.1 网络结构
目前我国传统发电系统的数字化系统网络结构主要为分布式控制系统(distributed control system,DCS)、厂级监控信息系统(supervisory information system,SIS)和管理信息系统(management information system,MIS)三 层 架构[91]。其中DCS为生产过程层,主要完成机组级的实时监控,实现设备实时监视与控制;
SIS为监控优化层,集过程实时监测、优化控制及生产过程管理为一体,主要目标是实现生产过程的优化控制和负荷经济分配;
MIS为管理服务层,主要为全厂运营、生产和行政的管理工作服务,帮助相关部门人员完成设备和维修管理、生产经营管理、财务管理及办公自动化等工作[92]。图6是文献[93]提出的传统发电系统数字化系统的网络结构示意图。
图6 传统发电系统数字化系统网络结构示意图Fig.6 Schematic diagram of the network structure of the digital system of the traditional power generation system
传统的网络结构中SIS与DCS之间设置有正向物理隔离装置,这使得SIS中的一些高级应用模块如吹灰优化、负荷优化分配等只能以开环指导系统方式运行,无法与DCS的控制指令结合做闭环控制,从而限制了这些高级应用模块发挥更大的作用[93-94]。随着互联网、大数据、云平台以及新的安全理念和管理技术的发展,为了适应智能化管控的需求,刘吉臻等人[2]提出了包括智能发电运行控制系统(intelligent control system,ICS)和智能发电公共服务系统(intelligent service system,ISS)的智能发电系统网络拓扑架构。在此架构中,与生产运行密切相关的生产过程层网络和监控优化层网络被统一在ICS层,具有相同的安全可靠性要求。管理服务层网络属于ISS层,主要提供巡检、设备维护、分析核算、移动应用等功能。图7是文献[2]提出的智能发电系统数字化系统网络结构示意图。
图7 智能发电系统数字化系统网络结构示意图Fig.7 Schematic diagram of the network structure of the digital system of the intelligent power generation system
2.2 数字技术架构
发电系统数字化系统的数字技术架构可以分为感知层、融合层、应用层3个层次,图8是发电系统数字化系统的数字技术架构示意图。
图8 发电系统数字技术架构示意图Fig.8 Schematic diagram of the digital technology architecture of the power generation side
2.2.1 感知层
感知层是发电系统数字化的基础环节。感知层的关键任务包括2方面:一是研究面向复杂部署环境的高适应性传感测量技术,提升传感器的自驱动能力、抗干扰能力和环境适应能力,以实现覆盖发电系统全范围全方位的高渗透率智能测量感知;
二是研究发电侧多物理量的宽量程多尺度传感测量技术,实现对发电侧不同时间尺度的电气量和非电气量的精准采集[1]。图9为感知层示意图,在实现发电侧全域高适应性测量感知以及不同时间尺度物理量精准采集的基础上,数据读取层最终要构建成发电侧网络化传感量测体系,建设各类电源全景监测网络,实现对发电系统物理运行过程的数字化抽象及对各类数据的精准测量与全面感知。
图9 感知层示意图Fig.9 Schematic diagram of the reading layer
2.2.2 融合层
作为新型智能发电系统的大脑,融合层是发电系统数字化的关键环节。如图10所示,融合层的主要任务有3部分:一是探究发电系统多模态数据融合方法,统一各类电源业务的技术与数据格式标准,构建面向各类业务场景的数据仓库,实现发电侧全域数据资源的高效利用;
二是研究发电侧融合数据多重特征表达方法,构建面向涉网业务的发电侧数据特征提取模型,提取设备的关键特征参数,精准描述各种业务场景下的电源物理形态;
三是构建发电系统数据-知识协同发现模型,通过专家知识和数据驱动的融合及对知识的全面评价和动态更新,构建动态更新、协同进化的发电系统知识库、模型库和算法库。
图10 融合层示意图Fig.10 Schematic diagram of the fusion layer
2.2.3 应用层
应用层是发电系统数字化的最终环节。数据应用层的内容有3部分:一是要探究基于知识-数据协同驱动的发电侧各类型发电机、发电厂和集群电厂的数字孪生模型构建方法,实现物理实体与虚拟镜像的实时响应与动态更新;
二是探究以源网互动场景业务为导向的发电系统数字镜像可视化方法,利用全域全量的数据资源构建发电系统多维数据空间,研究基于建筑信息模型和工程信息模型的发电系统数字画像构建方法,实现发电侧多类型业务涉网数据的动态展示;
三是要以数字画像和数字孪生模型为基础,针对设备全生命周期管理、智能运维、智能运行等业务需求,探究不同场景下的差异化数据服务形态,并形成数据、模型、算法、业务之间相适配相统一的发电系统数字化应用平台,以实现在不同业务中数据资源的灵活运用。图11是发电系统应用层示意图。
图11 应用层示意图Fig.11 Schematic diagram of the application layer
3.1 发电系统数字化的特征
发电系统是电力系统的重要组成部分,因而发电系统数字化与电力系统的数字化具有相似的特征,例如宽频信号特征、多源异构特征和信息化特征,针对这些共性问题,一些应用于其他电力系统数字化的研究方法与技术也可以用在发电系统数字化的建设过程中,而发电系统数字化所独有的是更加复杂的环境特征,因此针对个性问题需要研发一些针对性的方法技术。
1)复杂环境特征。随着发电系统数字化建设向前推进,需要在发电系统关键节点处安装各类型量测装置,然而发电环境复杂多变,特别是燃煤发电,其发电的工艺过程具有生产流程长、系统规模大、设备结构复杂、空间分布广的特点[51],这为量测装置的部署带来了挑战。有些需要测量温度、转速的装置更是需要安装在高温、高压、高速旋转的恶劣环境中,因此亟需研究面向复杂部署环境的高适应性传感量测技术。
2)宽频信号特征。目前由于新能源的大规模并网给发电系统引入了大量的电力电子设备,电力电子设备的高频动作给发电侧注入了大量的间谐波和高次谐波等宽频信号,而现有的量测设备主要测量的是工频信号,无法应对宽频信号测量所提出的挑战,因此亟需能够测量宽频信号的多物理量的宽量程多尺度传感量测技术[95]。
3)多源异构特征。随着智能传感技术的不断发展以及无人机、巡检机器人的广泛使用,发电系统信息采集的范围、种类和频率不断增加,发电系统中的数据呈现出了海量、多源、异构的特征[96]。传统的数据挖掘方法已经无法有效应对多源异构特征带来的数据处理问题,因此亟需能够处理多源数据的多模态数据融合与挖掘技术。
4)信息化特征。随着无处不在的传感器、高速通信网络以及高性能分布式计算系统的广泛应用,发电系统正在进入崭新的大数据时代[97],如何管理分析这些海量信息并最终指导生产、服务终端用户将是发电系统信息化的重要研究课题。研究基于实时数据交互通信的数字孪生可视化技术将会是进一步提升发电系统生产效率的重要途径。
3.2 发电系统数字化的关键技术应用
3.2.1 数据量测与感知
1)面向复杂部署环境的高适应性传感量测
面向复杂部署环境的高适应性传感量测技术可以针对不同类型电源部署环境的复杂性和分散性,将智能检测设备与先进检测技术相结合,利用自驱动、高抗扰、高适应性的测量仪表和分析仪器,实现对发电过程中环境、状态、位置等信息的全方位监测、识别与自适应处理[2]。
智能变送器、智能执行机构、采集一体机等智能测控单元可以为系统提供多维数据[2]。文献[98]提出一种可以实现测量级电流互感器和保护级电流互感器的自动切换的智能变送装置,确保了发电机功率自动调节系统和分布式控制系统的可靠运行。文献[99]开发了一款叶片巡检机器人,实现了风力发电机组叶片无人巡检功能。基于微波、激光、红外、静电、声波等先进测量技术能够实现发电过程参数的在线检测[2]。文献[100]设计了基于激光雷达点云数据的光伏电站智能巡检系统。文献[101]将神经网络与红外热图像结合,实现了光伏电站的智能监测。基于机理模型和可测变量的软测量模型可以实现发电设备不可测关键状态的在线监测[2]。文献[102]建立了基于热力学原理的燃气轮机关键部件效能软测量模型。文献[103]提出一种基于长短期记忆神经网络的软测量方法对含氮气体排放量进行预测。
当前电网的传统量测手段还是以“互感器+低压回路测控终端”为主,安装较为复杂,对于设备的可靠供能要求比较高[104],仍需进一步发展面向复杂部署环境的高适应性传感量测技术与应用。
2)多物理量的宽量程多尺度传感量测
多物理量的宽量程多尺度传感量测技术可以实现对发电侧不同时间尺度的电气量和非电气量的精准采集,通过先进的传感测量手段及网络通信技术,实现对电力生产和管理过程中环境、状态等宽频信号的全方位监测、识别和多维感知。
文献[105]分析了现有测量技术的现状,针对性地提出了宽频测量技术总体方案,并讨论了具体实现所涉及的宽频信号范围限定、采样频率选择、数据处理机制设计、数据传输协议和同步对时等关键问题。文献[106]针对电力电子化电网电气量的宽频特征,设计了具有宽频振荡检测、同步相量测量、宽频(间)谐波测量功能的多功能宽频测量装置,实现了0~2 500 Hz范围内工频、非工频分量和振荡功率的全面检测,为宽量程多尺度传感量测技术的研究做出了探索。
宽频量测技术的快速发展为一些基于宽频量测的应用提供了有效手段。文献[107]提出了一种基于新能源发电并网点宽频量测间谐波潮流计算的次/超同步振荡溯源方法,该方法基于次同步振荡频率下间谐波潮流计算的网络模型和元件模型,通过间谐波潮流计算得到各个节点的理想间谐波电压电流分布,再将之与实际各个节点的间谐波宽频量测结果比较,根据间谐波的潮流分布变化获得新能源发电系统次/超同步振荡的传播路径。
3.2.2 数据融合与挖掘
发电侧多模态数据融合与挖掘方法通过利用机器学习、深度学习、大数据处理等先进技术,对电力生产与管理过程中的海量数据在数据级、特征级、决策级3个层次上进行深度融合[101],从而实现发电侧全域数据资源的高效利用。目前的发电侧数据融合与挖掘方法主要有贝叶斯网络、Dempster-Shafer(DS)证据理论、以神经网络为代表的人工智能算法和知识图谱技术等方法。
1)贝叶斯网络
贝叶斯网络是研究不确定性问题的重要方法之一。由于具有自然的表达方式、强大的推理能力和方便的决策机制等许多优点,贝叶斯网络在许多领域得到了广泛的应用[108]。
在故障诊断方面,文献[109]构建了一种基于事故树分析方法的3层 CME 贝叶斯网络模型并解析了贝叶斯网络的故障推理过程,为维修人员的故障检查提出指导性意见。文献[110]将贝叶斯网络的理论与方法应用到水电机组故障诊断中,通过算例证明了基于贝叶斯网络的水电机组故障诊断专家系统比单纯的专家系统具有更高的准确度。在发电预测方面,文献[111]建立了光伏发电预测的 DBN 模型,综合考虑影响光伏发电量的多种因素来预测未来短期光伏发电量的概率分布。文献[112]提出了一种基于朴素贝叶斯的正态指数平滑法和混合滑动核密度估计的组合风电功率区间预测方法,该方法同时兼顾了功率区间预测的可靠性和准确性。在可靠性评估方面,文献[113]提出了一种基于贝叶斯网络的光伏系统可靠性评估模型,通过诊断推理和因果推理,识别出系统的薄弱环节。文献[114]建立了一种融合故障树、云模型及无标度网络的改进贝叶斯网络,将改进贝叶斯网络与时序分析方法相结合,提出一种基于改进贝叶斯网络的风电机组动态可靠性评估方法。
贝叶斯网络是基于概率框架下的一种理论,其优点是拥有坚实的数学理论基础和强大的可解释性[108],但是贝叶斯网络的建立需要领域专家和知识工程师共同参与来给出随机变量之间的因果图,这是目前制约该技术发展的主要瓶颈[115]。
2)DS证据理论
DS证据理论产生自20世纪 60年代,DS证据理论作为一种不确定性推理方法,为决策级不确定信息的表征与融合提供了强有力的工具,在信息融合、模式识别和决策分析等领域得到了广泛应用[116]。
文献[117]对基于DS方法的融合模型、DS方法的算法实现,以及DS方法的拓展等方面,进行了比较全面的论述。文献[118]提出了基于修改证据源的改进方法,利用该方法对风力发电机组的齿轮箱的故障进行诊断应用,结果验证了此改进方法的有效性。文献[119]提出了一种基于改进DS证据理论的诊断方法,实例分析表明,所提方法可以有效识别机组的振动故障,具有较高的诊断准确率。
DS证据理论的优点是具有较强的理论基础,可以通过证据区间来描述证据的支持程度,对不确定和不完整信息有较好的处理能力[101]。但是当参与合成的证据之间有较大的冲突时,无法使用该方法[101],并且基本概率分配函数如何构造也是该方法使用时需要考虑的问题[115]。
3)神经网络
人工神经网络是一种通过模仿动物神经网络的行为特征进行分布式并行信息处理的数学模型。人工神经网络按其网络结构主要分为前馈型网络和反馈型网络。
文献[120]建立了风电功率预测的神经网络模型,分析了实测功率数据、不同高度的大气数据对预测结果的影响。文献[121]提出了一种基于粒子群优化BP神经网络风电机组齿轮箱故障诊断方法,测试结果验证了粒子群优化BP神经网络用于风电机组齿轮箱故障诊断的有效性和实用性。
人工神经网络的建立无需领域知识,可以直接通过数据迭代训练得到,其能充分逼近复杂的非线性关系,具有较强的鲁棒性和容错性。但是人工神经网络最大的缺点是可解释性差,目前针对提高神经网络可解释性是重要的一个研究方向[122]。
4)知识图谱技术
知识图谱技术是一种基于人工智能技术的知识组织和构建方法,能够从语义层面表示复杂的关联关系,知识图谱能够提供一种更好地管理和理解海量信息的能力[123]。
文献[124]提出了风电机组故障知识的获取、表达与推理框架,并结合风电机组知识图谱和本体理论,将知识可视化展示,提高了知识查询与推理的效率。文献[125]在故障诊断分析领域引入知识图谱相关技术思想,将故障树诊断方法、故障模式及后果分析法与知识图谱的本体化表示过程和推理功能相结合,为实现知识共享通用型智能化故障诊断技术提供了一种新的可行思路。
知识图谱的优点是能够将不同来源的结构化与非结构化数据转化为统一的知识形式存储,并且实现智能化知识检索与管理,有着较好的可解释性[93]。但是,目前知识图谱的内涵还不够清晰,已有知识图谱的使用率和重用率不高[125-126],这是目前该技术的一个短板。
3.2.3 数字孪生与可视化
数字孪生是一种集成多物理、多尺度、多学科属性,具有实时同步、忠实映射、高保真度特性,能够实现物理世界与信息世界交互与融合的技术手段[127]。
发电系统数字孪生与可视化技术就是要探究基于知识-数据协同驱动的发电侧各类型发电机、发电厂和集群电厂的数字孪生模型构建方法, 文献[128]系统梳理了风力发电机组数字孪生系统应具备的核心能力,研发了一套风电机组数字孪生系统,该系统可以实时、高精度表达风电机组在多种运行工况下各关键部件的动态响应特性。文献[129]利用数字孪生技术将发电厂生产经营要素和过程全息投影到集团级数据中心,构建了包括智能决策、智能监管、智能控制和智能设备的智能电厂体系架构,从而实现了数字电厂全面感知、协同优化、预警预测和科学决策的目标。
构建基于知识-数据协同驱动的发电系统数字孪生模型,能够有效推进电厂运检和管控智能化、数字化,奠定发电系统数字化转型基石,实现“数”与“智”的融合。
随着数据感知层量测设备和数据应用层多类型业务的爆炸式增长,新型发电系统需要对更大规模的异构数据进行采集、传输、存储和处理,为保证新型发电系统安全、稳定、经济、可靠运行,亟需软硬件相关技术的进一步发展。目前亟待解决的问题主要有数据传输、数据安全、数据存储及数据处理等问题。
4.1 面向低延时需求场景的数据传输问题
一些对于数据有低延时、高可靠性要求的业务场景,如系统紧急切机切负荷、瞬态振荡检测和实时调频等业务,其时间尺度为毫秒级,虽然数据实时处理技术能够提供快速的计算服务,但是网络拥塞、算法复杂、数据量大等问题仍然会导致延迟[4]。目前,这些低延时需求场景中的通信一般采用电力光纤专网,光纤通信具有低延时和高可靠性的优点,但是经济性差,对于铺设现场环境要求也比较高。相比于光纤通信,5G通信技术似乎是解决数据延迟问题的一种可行方法,其低延时特性可以提供低至1 ms的传输延迟,此外,5G通信还具有高容量和超广域覆盖的特性,这使得发电系统中海量设备的接入成为可能[130]。因此,研究利用5G通信等相关技术来解决新型发电系统中的数据传输问题将会是发电系统数字化建设过程中的一个重点和难点。
4.2 面向恶意网络攻击的数据安全问题
随着发电系统的数字化进程逐步推进,发电系统对于信息系统的依存度将会越来越高,数据安全的重要性在整个发电系统中将会愈发凸显。数据安全问题主要是由针对发电系统的恶意网络攻击引起的,这些网络攻击具有隐蔽性强、潜伏期长、攻击代价小的特点,虽然其不能直接对发电系统的一次设备造成破坏,但是可以通过影响二次设备从而间接造成一次设备的损坏[131]。数据安全问题除了造成发电设备的损坏,还会造成发电企业隐私数据的泄露,为企业、社会和国家造成不可挽回的损失。可以说,数据安全问题贯穿发电系统的数据感知、数据融合、数据应用全过程。目前针对分布式发电或用户侧发电资源接入电力系统的信息安全问题方面已有了一些研究[132-133],文献[132]分析了基于区块链的能源交易系统面临的安全和隐私保护方面的问题与挑战,并从数据层、网络层、合约层和应用层4个方面总结了现有的解决方案。文献[133]针对分布式微电网电力交易过程中的交易信息篡改问题,提出了一种分布式微电网直接交易系统及其安全协议。但是目前针对发电侧的整体数据安全防御概念及理论框架方面的研究还有所不足。综上,研究新型发电系统中的数据安全问题以提高发电系统的安全稳定运行能力,是当前重要研究方向之一。
4.3 面向新型数据的数据存储问题
新一代数字技术的应用为数据的存储带来了全新的改变。传统的关系型数据库主要存储的是结构化数据,而随着智能传感设备的多样化,非结构化数据如图片、音视频逐渐成为需要存储的数据的重要组成部分[134],传统数据库已不能适应新型数据的存储要求。传统数据库数据存储容量有限,关系型数据库可以有效处理TB级的数据,但当数据量从TB级上升到PB、EB级,传统数据库将很难处理。此外,传统关系型数据库还具有可扩展性差、访问耗时长的缺点[135]。目前采用数据压缩技术可以减少数据传输量及提高存储效率,但是同时也增加了数据处理环节及计算负担,而采用分布式存储要权衡对存储空间及实时性的影响[136]。综合来看,研究基于多存储介质的分层存储架构和基于闪存及相变存储器的主存架构成为解决数据存储问题的选择之二[137]。
4.4 面向业务需求的数据处理问题
随着数据规模的不断增大,分析处理的时间相应地越来越长,而大数据条件下对信息处理的时效性要求越来越高[134]。目前数据实时处理技术一般包括分布式计算技术、流处理技术和内存计算技术等。分布式计算技术是一种基于分布式存储的计算方式,主要用来解决大数据内部分布式预处理的问题[138-139]。内存计算技术是一种基于主存架构的计算方式,主要用来实现高效的数据读取与处理以及解决在线实时计算问题。流处理是相对于批处理的一种处理模式,批处理是先存储后处理,而流处理是直接处理[140],适用于处理实时到达、速度和规模不受控制的数据。虽然目前这些处理技术的相关研究很多,但是没有一个通用的大数据实时处理框架,各种工具实现实时处理的方法不一,支持的业务应用类型都相对有限,这导致实际应用中往往需要根据自己的业务需求和应用场景对现有的这些技术和工具进行改造才能满足要求[140]。综上所述,研究通用的大数据实时处理框架是解决新型发电系统中数据处理难题的关键。
相比于传统发电系统而言,以新一代数字技术构建的新型发电系统将具备更大范围的信息感知能力,更加强大的知识挖掘能力以及更加立体的数据交互能力,发电系统的数字化建设对于支撑能源转型、助力新型电力系统构建具有重大的意义。从发电系统的业务需求出发,梳理了发电系统的数字化系统体系架构,总结了发电系统数字化建设过程中的关键技术与应用以及尚待解决的问题,得出以下结论:
1)构建新型发电系统的基本要求是要探究面向全生命周期管理、智能运维、智能运行等多类型业务场景中对数据的需求特性,挖掘出精准描述不同类型电源及相应业务需求的电气量数据和非电气量数据。
2)发电系统的数字技术架构分为数据感知、数据融合、数据应用3方面。感知层中的关键技术主要有高适应性的传感量测技术和宽量程多尺度的传感量测技术,融合层中的关键技术主要有贝叶斯网络、DS证据理论、神经网络和知识图谱等方法,应用层中的关键技术主要是数字孪生技术。
3)发电系统数字化建设过程中仍然面临着许多难题,数据传输、数据安全、数据存储和数据处理方面的研究仍需进一步完善。随着5G、网络安全防御、大数据存储与实时处理等相关技术的进一步发展,数据传输、数据安全、数据存储和数据处理领域也是未来重要的研究方向。
猜你喜欢 发电数字化文献 “发电”环球时报(2022-06-15)2022-06-15Hostile takeovers in China and Japan速读·下旬(2021年11期)2021-10-12柠檬亦能发电?科学大众(2021年9期)2021-07-16家纺业亟待数字化赋能纺织科学研究(2021年6期)2021-07-15Cultural and Religious Context of the Two Ancient Egyptian Stelae An Opening Paragraph大东方(2019年12期)2019-10-20高中数学“一对一”数字化学习实践探索福建基础教育研究(2019年1期)2019-09-10高中数学“一对一”数字化学习实践探索福建基础教育研究(2019年1期)2019-05-28The Application of the Situational Teaching Method in English Classroom Teaching at Vocational Colleges科学与财富(2017年22期)2017-09-10摇晃发电小圆球下一代英才(酷炫少年)(2017年3期)2017-06-15The Role and Significant of Professional Ethics in Accounting and Auditing商情(2017年1期)2017-03-22