基于云平台的发电机组节能减排监测方法探索

□戚青青

当前各个地区的热电厂发展较快，但是其节能减排效果难以控制，一些发电厂名义上是热电联产或多资源发电厂，有包括电费、蒸汽、上网电价在内的各种优惠政策，但实际上并没有达到国家热电联产或综合利用的标准，在能源资源的使用方面出现了较大的偏差，而且有的热电厂装置选型不合理，环保程度低。由于上述要求，针对节能减排日益增长的需要，部分火力发电厂安装了脱硫系统和排烟系统[1]。然而，许多监控系统由于自身的功能有限，无法发挥良好的作用，也有许多企业由于经济原因实际上并没有使用该系统。再加上目前大多数监测系统仅建立在火力发电等受控设施上，存在着能源使用信息不全、信息孤岛等技术问题，导致火力发电厂难以实现全面实时监测，不能有组织地对火力发电厂进行监测，不能有效地监测火电厂的节能减排情况。所以，随着现代信息技术的快速发展，为节约能源和降低单位排放，迫切需要建立有效的实时监测系统，从而将相关数据反馈给不同部门，使这些部门能够有能力同时接收大量数据，并及时对发电机组节能减排效果不佳的情况进行分析和改进，真正实现发电机组节能减排效果的提升。

一、云平台

社会中逐渐出现了较多优秀的云计算技术以及云平台，主要包括Open Stack、Hadoop、Ceph等，其中Hadoop应用较为广泛，由于该平台扩容性能强、成本低且效率高，因此，在电力企业得到了广泛的应用。发电机组节能减排实时监测系统功能复杂，包括分布在不同地点的多个部门，不同的部门有不同的职能和任务，常规的本地化监测平台不能有效地实现以上功能，而云计算平台简化了复杂的系统。利用云平台，则开发人员只需集中精力收集数据，操作具体的监测系统，就可以实现实时监测系统的节能减排[2]。同时，云平台还提供了服务器、数据库、Web应用发布、安全审核、系统维护等基础支持，能够缩短系统监测周期。

(一)云功能。云平台具有多种功能，包括用户管理、数据采集与分析、查询统计、实时监控等。为实现发电机组节能减排实时监控，在设计本文方法时，必须充分利用云平台的强大优势，从而实现发电机组节能减排数据的存储，供监控中心使用，呼叫与处理监测中心还在云平台上对各机组节能减排状态进行维护，以便其他部门和用户调用。同时，对整个设备的分析保留了原有的功耗和减少的数量，从而避免了传统数据处理应用中本地备份不同步的问题，并且还能发挥节约能源，减少单位排放量，为网络服务器和应用程序提供软件功能的作用。

(二)云架构。近些年来，智能电表、智能传感器的广泛普及与应用，使电力系统更加完善，电力企业的信息化进程也得到了长足发展。但随着网络数据体量的快速增长，传统大数据分析技术，已经出现了分析数据能力不足的状态。为此，组合工艺控制，向用户显示分层、模块化设计方法能够大大提高系统的可扩展性。而多层结构则可以提高系统的可靠性[3]。

二、基于云平台建立节能减排监测需求分析模型

云平台具有计算能力强、规模大与高性能等特征，在建立监测需求分析模型时，需满足如下基本要求：一是监测模型必须实时监测出所有云环境下的行为特性，不但要监测主机行为，还要监测出云漏洞、非法访问等云平台特有行为。二是云平台为用户提供的网络数据是实时变化的，因此监测模型需要具备可扩展性，以提高对云平台的适应性。三是因为云平台具有复杂性与无法预知等特点，监测模型需要具备自主学习特性。四是云平台的环境并不是真实的，而是一个异构化、虚拟化的环境类型，为此在构建发电机组节能减排监测模型实现相关数据的全面监测时，有必要对虚拟网络进行监控，还要获取虚拟机的通信数据。

该监测模型将云平台划分为若干区域，在不同区域中设计单独监测代理，且放置一个对每个区域进行集中管理的中央控制器。包括云控制器与主机监测代理，云控制器负责对主机监测代理提交的结果进行综合分析，判定是否存在局部范围的网络入侵并提出相应措施，再将结果提交到中央控制器。监测需求分析模型如下[4]。

f=αy

(1)

在式(1)中，α表示监测区域，y表示监测需求数据。

(一)异常行为特征提取。异常行为中包括m个变量x1,x2,…,xm，其中xj表示标准变量，可用bj对其表示，因此获得以下结论：

Km=x1x2+x3xm

(2)

公式中，Km表示互为独立的入侵特性。通过下述公式，确定特性权值系数矩阵。

(3)

利用主成分分析法分析行为特性，可构建特征权值系数矩阵，以此获取能真实体现特征参数的多个主成分。采集原始节能减排信息，对其做规范化处理，获取准确数据基础；通过计算获得异常行为特征权值矩阵；获得所有矩阵中的特征值，并计算与其相对的特征分量；得到网络中特征主成分，对其进行规范化，得到最终结果[5]。

对行为特征规范化处理流程如下：

(4)

根据以上方法，可以获得行为特性，为实时监测提供合理依据。

(二)实时监测。在对云平台位置实时监测过程中，最重要的环节就是计算待监测信息和信息之间的特征模糊聚类特征，然后在上述采集的信息特征基础上，建立能够描述模糊聚类概率的数学模型，此模型包括c个待检测信息和δ条相关程度较高的信息，构建一个c×δ的矩阵，表示为：

(5)

为获得云平台入侵过程的待监测信息与信息之间存在的联系，对计算过程进行精简，提高运算效率，因此对协方差矩阵做降维运算：

Wh=(ej+δj)/h

(6)

上述公式中，δj表示矩阵相关程度系数，ej是权值系数。如果在满足以上条件基础上，h与rank(B)无限接近，则Wh与=Wc×δ也无限接近。实现矩阵降维处理后，可获得监测信息有关的节点数据，去除一些冗余数据，提高位置信息监测效率。

三、实验

为验证所提监测方法性能，在Windows平台上开发中央分析器，将网络时间协议服务器当作时间同步设备，进行试验。

(一)监测效果分析。为验证本文方法的可行性与有效性，分别采用文献[2]监测方法与本文方法，对某工厂发电机组节能减排进行监测，如图1所示为监测结果。

图1 监测结果

通过图1可以看出，相对于文献[2]监测方法的大幅度波动，本文方法的监测结果既接近于实际情况，且性能更加稳定；文献[2]监测方法与实际数据的最大偏差高达50%，误差极小值为15.38%，而本文方法与实际数据的偏差极大值仅有5.83%，最小值趋近99.07%。

四、结语

为节约能源和降低单位排放，需要对发电机组节能减排进行实时监控，基于此，本文对基于云平台的发电机组节能减排监测方法进行设计。首先阐述了云平台、云功能以及云架构的定义，然后，根据建立的节能减排监测需求分析模型，提取异常节能减排行为特征，并建立能够描述模糊聚类概率的数学模型，实现对发电机组节能减排的监测。实验结果表明：提出的节能减排方法与实际数据的偏差极大值仅有5.83%，最小值趋近99.07%，可以证明监测结果近于实际情况，且性能更加稳定。以期通过本文上述研究为发电机组节能减排实时监控效果的提升提供一定帮助。