燃煤电厂集控系统中的大数据挖掘与预测控制

摘 要：本文提出了一种基于时序数据挖掘和长短期记忆网络（LSTM）的燃煤电厂集中控制系统异常检测与预测控制方法。该方法实时采集了燃煤电厂各类传感器数据，利用滑动窗口检测算法识别突变点，并结合多区间的聚类分析构建LSTM预测模型，对系统的运行状态进行实时预测和控制。试验结果表明，该方法在检测灵敏度、预测准确性以及控制效果方面均表现优异，能够为燃煤电厂的智能化运行和安全管理提供有效的技术支持。

关键词：异常检测；预测控制；长短期记忆网络；时序数据挖掘

中图分类号：TM 63 " " " 文献标志码：A

在现代燃煤电厂中，集中控制系统（Centralized Control System，CCS）具有至关重要的作用[1]。随着燃煤电厂规模扩大和自动化程度提高，CCS能够整合电厂各个子系统的数据，包括锅炉系统、汽轮机系统、发电机系统和辅机系统等[2]。并利用先进的控制算法和优化技术，对电厂的运行参数进行实时调整，以实现最佳的运行工况。然而，燃煤电厂的运行环境复杂多变，各类设备和系统的运行状态时常发生波动，传统的异常检测和预测控制方法面临很多挑战。

集控运行系统管理的对象是整个生产系统及其子环节，工作内容复杂，每个环节都会产生庞大的数据[3]。企业利用集控系统对数据进行统筹、收集和科学合理的分析，可以揭示隐藏在数据中的异常模式和变化趋势，为异常检测和预测控制提供有力支持。

传统的异常检测方法通常基于预先设定的规则和阈值，这种方法虽然简单直接，但是当应对复杂且动态变化的燃煤电厂数据时，其通常表现出检测准确率低、响应速度慢、误报率高等缺点。同时，传统的预测控制方法主要基于物理模型和经验数据，模型复杂且难以适应多变的工况，导致预测精度不足，控制效果不佳[4]。

1 研究内容

本文提出了一种基于时序数据挖掘和LSTM网络的燃煤电厂集中控制系统异常检测与预测控制方法。该方法将海量数据划分为不同的时间序列区域，进而观察每个区间内产生突变的数据，单独记录其信息，并结合多个区间内的情况进行聚类分析，从而得到更精确的预测。对预测结果进行实时应用，可以及时发现、预防潜在的异常事件，优化系统控制策略，提升燃煤电厂的运行效率和安全性。

该方法不仅提高了异常检测的灵敏度和准确性，还改进了预测控制的效果，具有重要的理论意义和实际应用价值。随着智能电厂建设推进，基于数据驱动的异常检测和预测控制方法将发挥越来越重要的作用，为电力系统的智能化、信息化和现代化提供有力支持。

2 设计方法概述

2.1 方法论

在预测控制方面，时序数据处理性能优越的深度学习技术，特别是长短期记忆网络（LongShort-TermMemory，LSTM）逐渐成为研究热点。LSTM能够有效捕捉长时间序列数据中的依赖关系，适用于在燃煤电厂的复杂工况下进行参数预测。对历史数据进行学习和训练后，LSTM模型可以对未来的系统行为进行准确预测，辅助控制决策制定，进一步提高系统的稳定性和经济性。

2.2 时序数据划分

从燃煤电厂集控系统中采集实时运行数据，包括温度、压力、流量、电流和电压等。将数据按时间划分为不同的时间序列区间，例如小时、天和周等，根据具体应用场景选择合适的时间粒度。设定时间序列为xt，其中t=1，2，...，N，表示时间点，xt表示时间点t的数据值。1）数据采集与预处理。从集控系统中提取实时运行数据，设定这些数据的采样频率为每秒一次，即每秒记录一个数据点。2）数据划分。将数据按时间划分为不同的时间序列区间。例如，以小时为单位，将86400s（1天）的数据划分为24个小时，每个小时包括3600个数据点。

2.3 突变点检测

在每个时间区间内，利用突变检测算法进行突变点检测，本文选用的是滑动窗口检测算法识别数据中的突变点。在滑动窗口检测算法中，设定窗口大小为w，阈值为θ，对每个时间点t计算窗口内数据的均值μt和标准差σt。如果|xt-μt|gt;θσt，那么认为xt为突变点。

单独记录每个区间内检测到的突变数据，包括突变点的位置、幅度和持续时间等信息。综合分析多个时间区间内的突变数据，利用聚类分析、模式识别方法，确定突变数据间的关联和模式。设定聚类数为k，采用K-means聚类算法，将突变数据xt划分为k个聚类，得到聚类中心Ci。

2.4 预测控制模型

利用综合分析得到的突变数据特征，构建预测模型。设定时间窗口大小为w，训练数据为Xt、Yt，其中Xt=xt-w，

xt-w+1，...，xt-1，Yt=xt。构建LSTM网络，设定输入层为W，隐含层单元数为n，输出层为1。利用Adam优化算法进行模型训练，设定最大迭代次数为e，学习率为α，损失函数为均方误差（MSE）。本文中的LSTM预测模型构建顺序如下所示。1）数据准备。将检测到的突变数据转换为训练数据，设定时间窗口大小w=5，即每个输入数据包括前w个时刻的突变数据，输出为当前时刻的突变数据，即将每个窗口的数据存储在Xt中，将当前时刻的数据存储在Yt中。2）模型构建。构建LSTM网络，设定输入层的维度为W=5，隐含层单元数n=50，输出层为1。LSTM网络能够捕捉时序数据中的长时间依赖关系，非常适用于处理燃煤电厂复杂工况下的数据。3）模型训练。采用Adam优化算法进行模型训练，设定最大迭代次数e=100，学习率α=0.01，损失函数为均方误差（MSE）。Adam优化算法结合了动量和自适应学习率方法，能够在训练过程中快速收敛，并有效避免局部最优解。4）模型验证。训练完成后，利用训练好的模型对测试数据进行预测，并将预测结果与实际值进行比较，评估模型的预测性能。将均方误差（MSE）作为评估指标，MSE越小，表示模型的预测精度越高。

本文由上述方法构建了基于LSTM的预测控制模型。该模型利用历史突变数据进行学习和训练，能够对未来的系统行为进行准确预测，辅助控制决策制定，进一步提高系统的稳定性和经济性。

2.5 实时预测与控制

在实际应用中，实时采集新的传感器数据，按照上述突变检测方法识别突变点。利用训练好的LSTM模型对识别到的突变数据进行实时预测，得到预测值。根据预测结果，调整控制参数，优化系统运行。预测过程如下所示。1）实时数据采集。从燃煤电厂集中控制系统中实时采集传感器数据，包括温度、压力、流量、电流和电压等。设定时间序列为xt'，其中t=1，2，...，N，表示时间点，xt'表示时间点t的实时数据值。2）实时突变点检测。将实时采集的数据按照时间窗口大小w进行划分。采用滑动窗口检测算法识别数据中的突变点。3）实时预测。利用训练好的LSTM模型对识别到的突变点数据进行实时预测，得到预测值yt'。构建输入数据Xt'=xt-w'，xt-w+1'，...，xt-1'，将其输入训练好的LSTM模型并进行预测。4）控制参数调整。根据预测值yt'，对系统的控制参数进行调整，优化系统运行。实时预测结果可以用于提前发现系统的潜在问题，从而采取预防措施，避免系统故障，提高系统的稳定性和经济性。

3 仿真效果

根据上述突变点监测、聚类分析以及LSTM模型构建后的训练预测图、实时预测，可以得到如图1～图4所示的仿真效果。

燃煤电厂集中控制系统中采集的模拟数据的突变点检测结果如图1所示。采用的检测方法为滑动窗口检测算法，窗口大小为10，阈值为2。检测突变点可以识别出数据中的异常变化，证明滑动窗口检测算法在燃煤电厂复杂数据环境中的有效性。

采用K-means聚类算法，将突变点数据划分为3个聚类。检测到的突变点的聚类分析结果如图2所示。

LSTM模型对测试数据的预测结果如图3所示。从图3中的走势可看出，LSTM模型能够较好地捕捉数据中的变化趋势，并对未来的突变点进行有效预测，表明LSTM模型在处理复杂时间序列数据方面具有较高的准确性和稳定性。

新的实时数据（即测试集）预测结果如图4所示。在新的实时数据中，LSTM模型同样能够进行预测，并且预测精度较高，具有泛化能力和实时应用的潜力，对实际应用中的实时监控和预警系统具有重要的参考价值。

当数据集中不存在突变点时，就不会启动聚类分析和LSTM的建模与预测。其突变点监测效果如图5所示。

4 结语

本文提出了一种基于时序数据挖掘和LSTM网络的燃煤电厂集中控制系统异常检测与预测控制方法，对燃煤电厂的运行数据进行实时采集和处理，以有效识别数据中的突变点，并利用LSTM模型进行精确预测和控制调整。仿真结果表明，该方法在提升系统运行效率和安全性方面具有显著效果。未来可以进一步优化算法，提高检测和预测的精度，并在实际工程应用中验证该方法的实用性和可靠性。

参考文献

[1]李裕琨.火电厂辅控网集中控制系统的研究[J].自动化仪表，2010（5）：55-58.

[2]胜利蒲.火力发电厂汽机辅机现状和优化措施分析[J].工程管理，2024，5（7）：103-105.

[3]孙伟佳.关于燃煤电厂集控运行与机组协调控制[J].中国科技期刊数据库科研，2016（12）：288.

[4]席裕庚，李德伟，林姝.模型预测控制——现状与挑战[J].自动化学报，2013，39（3）：222-236.