大數據時代火電廠的數據價值

隨著近幾年互聯網的飛速發展和普及，數據呈持續性爆發增長，“大數據”時代的腳步已悄然而至。而傳統的火力發電廠也正逐步向數字化電廠邁進，各種數字化儀表與設備已取代原有的機械式儀表與設備，DCS、SIS乃至ERP等系統也已在各個電廠普及。各類傳感設備、移動終端、數據采集設備等產生的大量數據被保存、分析，用于指導火力發電廠的生產運營。可見，火力發電廠在向數字化電廠邁進的過程中，已經感受到“大數據”對企業管理與運營帶來的沖擊。

1、面臨的問題

數據的存儲與保存，在信息技術日新月異的今天已不成問題，但對數據的分析應用乃至數據價值的深度挖掘卻依然是擺在各個火力發電企業面前的難題。導致企業海量數據無法體現其深層價值的原因有3個方面:

1)不重視數據價值的挖掘。用平面、離散的眼光來看待數據，滿足于各類生產實時數據的查看、統計報表的生成，沒有重視數據間關系的分析及各類相關數據間的時間特性。

2)缺乏數據價值挖掘的長效機制。數據價值的深度挖掘，依靠數據分析模型逐步建立。如果沒有對數據的長期分析跟蹤，就不可能找到有效的分析模型。

3)缺乏專業知識高度融合的復合型人才。對數據進行分析，不僅需要具備火力發電廠的相關知識，也需要掌握足夠的計算機專業知識，尤其是對各類數據庫的理解與對結構化查詢語句的熟練掌握。

2、火力發電廠的數據分析

數據在火力發電廠主要存在以下3類:第一類結構化數據。直接展現企業生產一線各種信息，數據價值密度高，由于其有嚴格的數據類型、標準的查詢語言等特點，易于挖掘出更高的數據價值。第二類非結構化數據。不是生產一線數據，但往往與企業管理契合度較高，數據價值密度中等，數據價值挖掘難度較大;第三類，多媒體數據。大部分對生產而言價值較小，但對于事故的視頻回放分析有很高的價值，所以其數據價值密度低，但數據價值挖掘難度大。

數據價值除了極少能直觀表現出來，更多則隱含在枯燥數字的背后。在火力發電廠內，廠用電率指標的高低可以直接從指標信息中獲得，是直觀表現出來的，而導致廠用電率升高或降低的原因卻隱藏在看似雜亂無章的數據洪流背后。對數據的分析越深入，就能獲得越多的數據價值，分析后取得的數據價值密度要遠遠高于原始數據的價值密度。

數據的相關性分析是獲得隱含數據價值的高效方式。數據可以存儲在不同的數據庫、不同的數據文件、不同的表空間、不同的表中，但是物理上的分離并不代表這些數據在邏輯上也是隔離的，在邏輯上這些數據恰恰是高度相關的。所以對數據價值的分析，必須將各相關數據看作一個整體，進行各數據間的相關性分級，然后建立模型。例如電廠廠用電率指標與各主要輔機耗電量有關，各輔機設備耗電量又與單臺輔機的各項運行指標有關，任何一個指標的變動都會導致廠用電率改變。相關性分析就如同將廠用電率當作一個生命體，而輔機指標等相關數據集作為這個生命體的體征指標，用來衡量這個生命體的健康程度。

3、火力發電廠的數據挖掘

數據挖掘是從大量的、不完全的、有噪聲的、模糊的、隨機的數據中提取隱含在其中的、人們事先不知道的，但又是潛在有用的信息和知識的過程。數據挖掘是伴隨著數據的急速膨脹而發展起來的技術，沒有數據挖掘技術，就不會在海量數據中發現數據的價值。伴隨著“大數據”時代的到來，數據挖掘技術必將越來越重要。

數據挖掘不同于傳統的數據分析(查詢、報表等)，數據挖掘可以得到有效可用且先前未知的信息，是不能靠直覺發現信息或知識的，甚至挖掘出的是出乎意料的信息。例如在美國某超市內，經過數據挖掘發現，購買嬰兒尿布的男性有30%~40%會順便購買啤酒，依據這一信息，超市將嬰兒用品與男士用品靠近擺放，結果這個變動讓此類商品的銷售量成倍增長。可見，數據挖掘能發現有預見性的信息與知識。

數據挖掘的方法主要有神經網絡方法、遺傳算法、決策樹方法、粗集方法等。在火力發電廠數據挖掘中，神經網絡方法由于本身有良好的魯棒性、自組織自適應性、并行處理、分布存儲和高度容錯等特性，非常適合解決數據挖掘的問題，因此被普遍采用。數據挖掘的任務有關聯分析、聚類分析、分類、預測、時序模式和偏差分析等。只有完成這些才可以發現數據價值。一般用支持度和可信度2個閾值來度量關聯規則的相關性，同時不斷引入興趣度、相關性等參數，使得所挖掘的規則更符合需求。

數據價值挖掘貫穿于企業信息化過程的整個生命周期。數據挖掘技術是數據價值挖掘重要的方法。在數據價值挖掘中，必須重視企業所有原始數據的建模，盡量使得用于數據挖掘的數據條理清楚、關聯清晰，盡可能結構化。可見，數據價值挖掘必須有配套的數據整體規劃制度，將數據價值挖掘的思想貫穿于任何一個應用開發的整個生命周期，否則數據挖掘所取得的價值會大打折扣，難度也會成倍增加。可以說，企業信息化初期的規劃、數據庫的建模等決定了數據挖掘所能取得的知識和信息的多少。

在“大數據”時代，火力發電廠所產生的數據僅僅是整個社會數據海洋中的一滴水，如果將這滴水放入大海，挖掘出的數據價值將會成倍增長。例如火力發電廠與其設備制造廠都有針對設備和零部件的大量數據，但電廠保存的是設備的缺陷信息、生命期參數信息等數據，而設備制造廠保存的是設備部件材質、質檢情況、流水線信息等數據。以往這些數據是割裂的，是信息孤島，很少能一起用來進行數據挖掘。但“大數據”時代可以對這些數據價值進行深度挖掘，電廠的設備缺陷信息、生命期參數信息等數據可以反饋回設備制造廠家，用于設備改進以及更精準地進行市場定位。設備制造廠家的設備部件材質、質檢情況、流水線信息等數據傳遞給電廠用來指導檢修和設備狀態調優。通過信息匯總后的數據挖掘，可以得到對雙方都有用的數據價值，并且這些數據價值是不可能單獨從一方的數據中挖掘得到的。

“大數據”時代，火力發電廠的數據會持續增長。面對海量數據，數據價值深度挖掘尤為重要，挖掘更多的數據價值意味著可以為企業節省更多的成本和創造更高的利潤，否則就如同坐擁金山而不自知。努力提高信息化水平，培養專業人才，深度挖掘數據價值，必然是火力發電廠管理模式發展的趨勢。

國電中星是電力測試設備生產廠家，密切關注電力相關行業的動態與發展，更多資訊盡在國電中星官網www.288g.cn。