摘要：本文针对目前发电集团集中监控系统与大数据技术应用中存在的数据孤岛、分析和诊断不够准确有效、分析和诊断的结果与发电生产管理脱节、不能快速适应电力市场的变化等问题，提出以系统协同方法改进集团级的集中监控与分析诊断系统，在发电集团内纵向、横向和时间轴上融合贯通分析系统与管理功能，遵循迭代开发原则，改进分布于各系统中的数据完备性，确保数据的传输及时，对分析诊断系统中的功能进行融合，形成分析有效、管控统一的整体解决方案。本文将先进的大数据技术与传统发电产业相结合，改善发电产业生产管理模式，减少设备故障，提高运行效率，输出设备与系统的在线健康度报告，实现机组全生命周期管理，贯通燃料从采购到燃烧的全过程，快速响应电网与售电需求，降低生产成本，提高发电企业运营管理水平。

关键词：系统协同; 火电机组; 大数据分析; 诊断

Abstract: In order to solve the problem that the data isolated island, analysis and state diagnosis are not accurate and effective, the results of analysis and state diagnosis are disjointed with the power generation management and can not quickly adapt to the change of the electricity market, this paper proposes a system synergy method to improve the power group level. In the power group, it integrates the analysis system and management function in the vertical, horizontal and time axis of the power generation group. It follows the principle of iterative development, improves the data completeness in each system, ensures the timely transmission of the data, and integrates the functions in the analysis and state diagnosis system to form the analysis effective, a unified overall solution for management and control. This paper combines the advanced Big data technology with the traditional power generation industry to improve the production management mode of power generation industry, reduces equipments failure, improves operation efficiency, reports on the online prognostic and health management (PHM) of the output equipments and systems, realizes the whole life cycle management of the units, and quickly responds to the power grid and demand for electricity sales, the whole process of fuel from the purchase to the burning, reducing production cost and improving operation management level of power generation enterprises.

Key words: System synergy; Thermal power unit; Big data analysis; State diagnosis

1 引言

我国“富煤、贫油、少气”的能源禀赋致使一次能源消费和生产以煤为主的格局在较长时间内不会改变。按照国家发展规划，到2020年使电煤占煤炭消费比重提高到60%以上，同时提出对燃煤机组全面实施超低排放和节能改造，在2020年之前使所有现役燃煤机组平均煤耗低于310g/kW·h^[1]。截止2019年7月底，全国6000千瓦及以上电厂装机容量18.5亿千瓦，其中火电11.6亿千瓦，占比为62.8%，全国供电煤耗率为307.3g/kW·h^[2]。

我国能源发展目标是要推进能源生产和消费革命，构建清洁低碳、安全高效的能源体系。我国清洁能源发展迅速，火电机组除负荷调峰外，长期处于中低负荷下运行，2019年1~7月全国火电设备平均利用小时为2442小时（其中，燃煤发电和燃气发电设备平均利用小时分别为2512和1485小时），比上年同期降低87小时^[2]。如何保证机组在中低负荷下安全、环保运行，供电煤耗达到最低，对能源工作者及现场运行人员提出挑战。

工业大数据应用已经提升为国家重要发展战略。除了进行能源设备改造，应用先进的大数据与人工智能技 术改造、升级传统的能源系统是重要的发展方向。

随着厂级信息监控系统（SIS，supervisory informationsystem）和分散控制系统（DCS，Distributed ConutrolSystem）在电厂中广泛应用，电厂海量运行数据得以保存，数据挖掘技术在电力行业迅速崛起，很多学者开始运用数据挖掘技术开展了对燃煤电站机组优化运行的研究^[3~5]。文献^[6]研究大数据挖据技术在燃煤电站机组能耗分析中的应用，以某600MW燃煤电站机组为研究对象，采用新算法挖掘典型负荷工况下影响供电煤耗的可控运行参数的基准值，最后，以支持向量机技术为基础，分析不同负荷工况下各运行参数对供电煤耗的敏感性系数。文献^[7]研究大数据环境下的电力数据质量评价模型与治理体系，分析了影响电力数据质量的主要因素,按数据质量的一致性、准确性、完整性和及时性等四个关键特性建立数据质量评价指标,并建立了大数据下的数据质量评价模型。文献^[8]探讨大数据技术在火力发电企业生产经营中的应用，提出操作管理、电力营销、燃料价值管理、指标管理、设备管理等云平台。文献^[9]研究基于信息物理融合的火电机组节能环保负荷优化分配，提出基于模糊粗糙集（FRS，fuzzy rough set）大数据处理方法，得到机组煤耗和污染物排放量物理模型与信息模型的对应关系；综合考虑经济和排放因素，建立基于物理信息融合（CP）的负荷分配模型。这些文献都在大数据技术应用于发电过程进行了局部的探索。文献^[10]提出了较完整的基于大数据分析的电站运行优化与三维可视化故障诊断系统，提出了智能预警系统、设备与运行优化系统。但该系统只是在个别电厂应用，未推广到发电集团。

目前各发电集团的相关信息化系统或集中监控系统均有不同方面的应用与创新，但仍存在以下一些主要问题^[11]：（1）数据孤岛问题，各数据分布于不同的信息系统中，按照竖井的方式管理，形成数据孤岛；（2）分析诊断方面，还存在分析、诊断不够准确、有效的问题；（3）运营管理方面：分析、诊断的结果，还存在与发电生产与运营管理脱节的情况，大量结果没有有效应用到运营管理中；（4）电力市场方面，目前的信息系统，还不能够有效地适应电力市场的变化，如厂级负荷调度、竞价上网，缺少从燃料采购、生产管理到竞价上网的整体性分析与解决方案等。

因此，要以系统协同方法改进集团级的集中监控与分析诊断系统，如图1所示。首先保证分布于各系统中的数据更完备，同时确保数据的传输及时，在此基础上，对原有分散于各孤立的信息系统中的功能进行融合，形成分析更有效、管控更统一的整体解决方案。

图1 集团级集控系统改进方向

2 火电机组工业大数据分析

2.1 工业4.0技术

火电机组工业大数据分析首先要应用工业4.0技术。工业4.0是由德国政府《德国2020高技术战略》中所提出的十大未来项目之一。该项目由德国联邦教育局及研究部和联邦经济技术部联合资助，旨在提升制造业的智能化水平，建立具有适应性、资源效率及基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。

工业4.0技术以信息物理系统（CPS，Cyber-PhysicalSystem）为核心，整合互联网、工业云计算、工业大数据、工业机器人、知识工作自动化、工业网络安全、虚拟现实及人工智能等先进技术，应用“云（计算）、大（数据）、物（联网）、联（互联网）”技术，支撑智能化控制，实现提供定制化掺配和服务、实现无忧生产环境、发现用户价值缺口、发现和管理部可见问题，实现制造本身价值化、系统“自省”功能，力求实现生产过程的“零故障、零隐患、零意外及零污染”，最终能够灵活、高效地满足用户需求，如图2所示。

图2 工业4.0技术体系与目标

2.2 工业互联网技术

火电机组工业大数据分析其次要应用工业互联网技术。工业互联网技术是由美国GE公司发起的，是指通过智能设备、人机交换接口与先进数据分析工具间的连接并最终将人机连接，结合大数据分析技术、互联网技术、智能传感器技术及高级分析、计算工具，重构全球工业系统，实现智能制造体系与智能服务体系的深度融合，工业系统产业链与价值链的整合与外延，如图3所示。

图3 工业互联网技术体系

2.3 工业大数据定义与特征

工业大数据是指在工业领域中，围绕典型智能制造模式，从客户需求到销售、订单、计划、研发、设计、工艺、制造、采购、供应、库存、发货和交付、售后服务、运维、报废或回收再制造等整个产品全生命周期各个环节所产生的各类数据及相关技术和应用的总称。工业大数据是以工业系统的数据收集、特征分析为基础，对设备、装备的质量和生产效率以及产业链进行更有效的优化管理，并为未来的制造系统搭建无忧的环境^[12]。

工业大数据涵盖了设备物联数据、运营生产数据和外部数据。

工业大数据区别于其它商业大数据，反映出工业系统“多模态、高通量、强关联”的特点。其中多模态体现为数据类型多以及系统、设备、部件多，如汽轮机包含了35万各零部件数据。高通量体现为数据的规模大、频率高，按照每台机组2万个数据点考虑，每台机组每秒的数据规模就达到20MB。强关联体现在结合工业生产过程的协作专业多，如电力生产直接与生产相关的专业就有10余个，如果算上与管理相关的专业，则达到20个以上。

工业大数据还具有以下特征：（1）跨尺度，主要体现在需要将毫秒级、分钟级小时级乃至更长的时间尺度信息按照不同的需求进行集成。（2）系统性，工业大数据存在“牵一发二动全身”的特点。某个业务目标的需求，需要通过正规企业乃至供应链上多个相关方的协同才能完成，如竞价上网的策略，既包含了机组运行状态、效能，也包含了上游的燃料市场和下游的售电市场的变化。（3）多因素、强机理、因果性，由于工业系统时通过一系列的工艺设计相互关联而形成，因此存在多个因素对一个或多个结果产生印象的情况，也造成了需要通过较高水平的分析手段来保障结果符合工业系统的确定性和准确性的追求。（4）时间序列，由于系统数据具有严格的时间标签，数据先后之间存在因果性影响，因此对数据的实时性要求也比较高。

针对上述特征与特点，对比互联网大数据与工业大数据，可以看出它们之间存在如下区别，如表1所示，两者对分析结果准确性要求不同，互联网大数据对分析结果的精确度可以稍低，而工业大数据要求的结果精确度较高。

表1 互联网大数据与工业大数据对比

2.4 工业大数据分析方法与思路

工业大数据分析主要包括描述性（Descriptive）、规定性（Prescriptive）和预测性（Predictive）等三种方法。

描述性分析方法是指，基于对数据的统计分析，描述数据表现的现象与客观规律，如火电机组大数据分析与诊断中的技术监控、以可靠性为中心的检修（RCM, ReliabilityCenteredMaintenance）等功能。

规定性分析方法是指，利用历史数据建立分析模型和规范化的分析流程，建立数据到信息的输入输出关系，实现对连续数据流的实时分析，如火电机组大数据分析与诊断中的性能分析、燃料分析与自动调节回路评估等功能。

预测性分析方法是指，通过对数据的深层挖掘建立预测模型，实现对不可见因素当前和未来状态的预测，如火电机组大数据分析与诊断中的性能优化、故障预警与诊断、负荷优化调度等功能。

工业大数据分析思路是基于工业4.0与工业互联网技术体系，采用统计分析、关联挖掘、模式识别、特征提取、深度学习等技术，开展数据分析与预测，进而实现故障诊断与健康管理（PHM，Prognostic and Health Management），包括监测与预测管理、系统性工程、衰退管理、预测性维护等，将传统维护方式从依靠经验的“艺术”转变为一门精密的“科学”。

工业大数据分析可以划分为三个阶段，如表2所示。

表2 工业大数据分析的三个阶段

3 火电机组大数据分析与诊断中的系统协同技术

3.1 系统协同定义

系统协同是指远离平衡态的开放系统在与外界有物质、能量和信息交换的情况下，通过自己内部协同作用，自发地形成时间、空间和功能上的有序结构。

系统协同在应用层包括了五大应用平台：外部信息、内部信息、协同应用平台、办公管理和移动办公等。系统协同有序结构如图4所示。

图4 系统协同有序结构

按照系统协同理论，解决火电机组集团级集中监测与分析专家系统存在问题的关键在于实现：（1）纵向打通；（2）横向融通；（3）时间贯通。

3.2 纵向打通

纵向打通主要体现在三个维度：工业互联网、设备层级和管理层级。图5展示了工业互联网实施框架总体视图，纵向打通就是要在边缘层（现场、电厂）、企业层（发电集团）、产业层（电网、电科院）之间形成深度互动，以边缘层为先导，其它层级响应需求。图6展示了发电集团的设备层级与管理层级，设备层级纵向打通从上至下包含电网（大用户）、售电公司（云）、电厂（项目公司）、机组、系统、设备和部件等七个层级，设备与系统要及时、准确地响应电网与售电的需求，电网与售电需要深度了解系统与设备的状态。管理层级纵向打通从上到下包含了集团（控股）、分公司（大区）、电厂（项目公司）、部门、分部、班组和专工等七个层级，指令与信息要能及时、准确传递和执行，形成有机的整体，发挥集团整体最大效益，体现工业互联网泛在感知、动态优化、敏捷响应、全局协同、智能决策的理念与优势。

图5 工业互联网实施框架总体视图（摘自《工业互联网体系架构2.0 （2019）》）

图6 发电集团设备与管理两个维度的纵向层级

3.3 横向融通

横向融通主要体现在专业、部门、管理系统与地域四个维度，如图7所示。专业横向融通是指火力发电厂涉及的汽机、锅炉、电气、热控、化学、环保和金属等专业之间的数据与功能要互联互通，能够解决一些跨专业、综合的疑难问题，如锅炉爆管、低负荷稳燃、滑压优化运行等。部门横向融通是指发电企业里与生产过程密切相关的管理部门，如燃料、运行（发电））、检修、策划（技术）、人力资源部、财务部、经营部（售电）部等要相互配合，提高管理流程的响应速度，围绕生产过程最大程度地降低成本。管理系统横向融通是指直接为生产过程服务的管理系统（如燃料优化系统（FOS，Fueloptimizationsystem）、操作寻优系统（OOS，Operateingoptimization system）、企业资源计划（ERP，EnterpriseResource Planning）、企业设备资产管理系统（EAM，Enterprise Asset Management）、燃料管理系统、售电管理系统（云）等要数据互通、功能融合，降低燃料库存与成本。地域横向融通是指要打通集团内部不同地域的管理界限，实现人员、物资、备件、信息和燃料等共享，实现集团整体效益的最大化。

图7 横向融通的四个维度

3.4 时间贯通

时间贯通是指在时间轴上贯通过去、现在和将来的联系，如图8所示。通过实时数据，计算火电机组当前状态下的运行指标，通过历史数据，采用大数据与人工智能技术，建立火电机组分析与诊断模型，预测将来时刻机组运行的主要参数与指标，提前发现性能劣化与安全隐患。在此基础上，实现机组全生命周期管理。

图8 时间贯通的三个维度

解决发电集团在大数据分析与诊断系统上存在的数据孤岛、分析不准确有效、分析诊断结果与生产运营融合不够、与售电系统没有有效联动的问题，要推动发电集团在纵向打通、横向融通、时间贯通上深度融合，实现系统协同，最大程度发挥整体效益。

4 火电机组大数据分析与诊断系统

4.1 大数据分析与诊断系统

火电机组大数据分析与诊断系统按照性能分析、安全可靠性评估两条主线，依照系统协同思路，可以设计性能计算、性能分析、性能优化（可以包括燃料分析、自动调节回路评估、负荷优化调度等功能模块）、设备预警、故障诊断、检修维护与技术监控等功能模块，从层次上划分又可以分为发现问题、分析问题和解决问题三个阶段，如图9所示。

图9 火电机组大数据分析与诊断系统功能融合

性能计算、分析和优化模块是先以实时数据计算出实时的机组性能指标，以历史寻优和仿真模型建立多维度标杆库，在此基础上实现多维度、横向、纵向对标，能耗异常时给出预警及诊断建议，优化主机、辅机运行方式，规范运行操作等功能，在电科院现场试验基础上实现在线性能计算功能。主要采用的技术包括（核）主元分析、BP神经网络（误差反向传播算法，BP，Error BackProragation）、鲁棒输入训练神经网络（RITNN,Robust input training neuralnetwork）、变工况分析等。

燃料分析模块归集平台已有的入厂、入炉煤量、标煤单价等指标，形成电厂（项目公司）、分公司（大区）、集团（控股）每日原煤供、耗、存日报，建立对各电厂存煤结构及存煤量的预警系统。横向实现采购价格对标，并甄别锅炉不适烧煤种。通过历史寻优，寻找燃料成本最低掺配方式。主要采用的技术包括聚类数据挖掘技术等。

自动调节回路评估模块统计各电厂的测点完好率与自动投入率，按照行业标准和参数控制特征来评价自动控制品质，结合现场的控制策略优化参数设置，实现机组的自动控制策略寻优，并评估调节阀门流量特性。主要采用的技术包括粒子群、递归最小二乘法、预报误差法、支持向量回归（SVR，Support vectorregression）等。

负荷优化调度模块是以实时性能计算、微增出力曲线、环保指标、燃料特性等为基础，在总负荷一定的情况下给出机组负荷调度、原煤掺配的建议，实现成本、环保指标、安全性最优。既可以实现全厂的负荷优化调度，又可以实现发电集团省内（区域）的机组负荷优化调度。主要采用的技术包括粒子群、微增出力法、神经元网络等。

预警模块是利用标记为正常的历史数据训练模型，产生设定数据之间的相关性，通过相关性对实时数据进行监控，当实时数据偏离预测数据达到所设定的阈值后，触发预警，并形成相关的工作业务流。主要采用的技术包括支持向量机、高斯混合模型和自回归高斯混合模型等。

高级诊断模块通过建立设备及系统的故障模式，录入以往的历史故障及处理案例，通过自然语言处理（NLP, NatureLanguageProcessing）进行训练，当新的故障通过预警、能耗或输入产生时，系统能够寻找以往的故障案例，给出最相似的对应故障案例及处理方案，当无法获得满意的结果时，可以通过专家诊断来完善相关案例。主要采用的技术包括NLP模型及传感器数据分析（SDA，Sensor dataanalysis）模型等。

RCM模块收集、分析预警、缺陷、能耗分析、同类型设备检修情况等信息，对设备健康度进行评价，给出点检、检修建议，为电厂、电科院、集团各专业委员会讨论、制定检修计划提供支撑。主要采用的技术包括故障类型与理象分析（FMEA，Failure Mode and EffectsAnalysis）模型等。

技术监控模块汇集实时数据和离线数据（含现场测试数据）自动生成技术监督月报、年报，结合系统中技术监督标准以及固化的专业经验形成技术监督预警系统，并在系统中实现技术监督任务管理。技术监控为火电机组大数据分析与诊断系统各模块的功能汇聚焦点和枢纽，涵盖问题的发现、分析到解决的全过程，以经济性（性能）和安全性两条主线为机组的全寿命健康管理进行支撑。主要采用的技术包括数据挖掘技术、BI技术等。

4.2 大数据分析与云计算平台

火电机组大数据分析与诊断系统还要配置大数据分析模块，建立灵活、高效的云计算平台。

大数据分析模块通过收集各项目公司已有系统，如SIS、ERP（含月度、年度计划数据）、操作寻优、燃料寻优以及发电集团的ERP、EAM等中的结构性与非结构性数据（包含文本型数据），形成大数据平台，并为高级应用提供数据分析工具与商业智能（BI，BusinessIntelligence）工具。主要采用的技术包括大数据储存与分析技术。

云计算平台比传统的基于面向服务（SOA，Service-Oriented Architecture）架构的集中监控系统具有很多优点，云计算平台可以改进模块性能，降低软硬件成本；兼容性更好，方便整合不同软件与功能；具有海量存储容量，提高数据可靠性；可以实现微服务，进而实现更轻松的团队合作。

MindSphere云平台是西门子公司推出的基于云的开放式物联网操作系统，是云计算技术在工业领域的应用，如图10所示。MindSphere云平台包含MindApps、MindSphere、MindConnect三层，属于平台即服务PaaS，它向下提供数据采集应用编程接口（API，Application ProgrammingInterface），即插即用的数据接入网关MindConnect，支持开放式通讯标准OPC UA，支持西门子和第三方设备的数据连接，向上提供开发API，方便合作伙伴和用户开发应用程序。

图10 MindSphere云平台架构

5 集团级大数据分析与诊断系统应用实践

5.1 集团级大数据分析与诊断系统建设原则

从建设组织方面，体现生产（运营）管理部门、技术研究院（电科院）、信息管理部门（公司）、电厂（项目公司）、合作方（厂家）等共同参与的系统协同。运营管理部门负责，能更好地体现生产的需求，推进项目的实施，负责决策与调配资源；技术研究院具有技术与人才的优势，负责功能设计与技术支持；信息管理部门具有实施IT系统的优势，负责信息平台建设与人机界面设计，电厂负责现场数据的提供与系统功能的应用，合作方负责系统的开发与实施。既分工明确，充分发挥各自优势，又密切配合。

从建设过程方面，遵循迭代开发原则，体现设计、开发、实施、验收四个过程的系统协同，如图11所示。设计要充分考虑使用（实施）的需求，开发过程既要从设计出发，又要响应功能试用后的反馈，实施过程不断总结、改善，暴露的问题要作为设计、开发完善的输入，验收检查过程发现的问题要及时反馈给设计、开发和实施过程。在实施过程中要遵循由小到大、由简单到复杂、由试点到全面铺开的原则，全过程不断优化、完善，梯级推进，实现最终目标。

图11 集团级大数据分析与诊断系统建设的迭代开发过程

5.2 工业大数据分析与诊断系统与常规IT系统的区别

工业大数据分析与诊断系统与常规IT系统有较大区别，如图12所示。工业大数据分析与诊断系统侧重实时数据，有些过程动作较快，数据分辨率更高，要求在实施过程要更加注重数据源的质量，这是分析与诊断结果有效、准确的重要基础。

图12 工业大数据分析与诊断系统与常规IT系统的区别

5.3 发电机组集团级大数据分析与诊断系统应用实例

发电机组集团级工业大数据分析与诊断系统符合信息时代发展方向：把信息变成知识，把知识变成决策，把决策变成利润。对于我国现代大型燃煤电厂，积极采用先进的优化控制和管理软件，将产生巨大的直接与间接效益。

本系统应用大数据技术理念，将先进的信息技术、人工智能技术与传统发电产业相结合，改变传统产业经营管理模式，减少经营管理成本，提高企业管理水平；缩短维修时间、延长检修周期，提高电厂能效，降低生产成本；提高系统可靠性，减少设备与系统的故障次数；提高设备与系统响应的快速性，更有效满足电网两个细则考核，成为能源行业、发电集团的一个创新亮点。

截止2019年8月份，系统已经接入了23家电厂、49台机组、近30万测点的实时数据，实现了实时监测、对标画面、报表定制、度电成本与环保预警功能。分析专家系统已基本完成功能开发与实施，现正在开展功能验收、测试。设备预警模块已搭建趋势模型超过2200个，某电厂预警系统提前12小时发现高加泄漏事件，提前7小时发现一次风机轴承故障等。技术监控模块收录现行常用技术监督标准约850项，经验约770条，为电厂提供快速高效资料支撑，帮助电厂完成线上问题闭环管理超过630项，依据技术监督标准工作库，建立技术监督计划任务近2500项；自动优化模块提供了不同机组自动投入情况和质量的对标平台，还可在线分析机组调节性能响应电网要求的情况，两个细则考核功能每年可带来可观的经济效益，模块还提供在线模型辨识和参数优化的功能，辅助电厂优化回路调节品质，提高机组自动化水平；能耗分析模块实现循泵、减温水、供热优化功能；负荷优化模块具备实时、离线及中长期负荷优化调度的功能，为厂级和大区（区域公司）级提供电热负荷优化决策分析支持。

6 结论

本文针对目前发电集团集中监控系统与大数据技术应用中存在的数据孤岛、分析和诊断不够准确有效、分析和诊断的结果与发电生产管理脱节、不能快速适应电力市场的变化等问题，提出以系统协同方法改进集团级的集中监控与分析诊断系统。

在发电集团内纵向、横向和时间轴上融合贯通分析系统与管理功能，遵循迭代开发原则，改进分布于各系统中的数据完备性，确保数据的传输及时，对分析诊断系统中的功能进行融合，形成分析有效、管控统一的整体解决方案。

本文将先进的大数据技术与传统发电产业相结合，改善发电产业生产管理模式，减少设备故障，提高运行效率，输出设备与系统的在线健康度报告，实现机组全生命周期管理，贯通燃料从采购到燃烧的全过程，快速响应电网与售电需求，降低生产成本，提高发电企业运营管理水平。

发电机组集团级工业大数据分析与诊断系统以基于物联网技术的云平台为基础，应用“纵向打通、横向融通、时间贯通”系统化协同的方法，实现性能优化与可靠性提高的目标，可以提高效率、提升效益，最大程度创造数据的价值。

参考文献：

[1] 国家发展改革委, 环境保护部, 国家能源局. 煤电节能减排升级与改造行动计划（2014-2020年）[Z]. 2014.

[2] 中电联行业发展与环境资源部. 2019年1-7月份电力工业运行简况[R]. 北京：中国电力企业联合会, 2019.

[3] 李建强，赵凯，陈星旭，等. 600MW燃煤机组最优氧量与配风方式的联合优化[J].中国电机工程学报, 2017, 37 ( 15 ) : 4422 - 4429．

[4] 万祥，胡念苏，韩鹏飞，等.大数据挖掘技术应用于汽轮机组运行性能优化的研究[J].中国电机工程学报, 2016，36 ( 2 ) : 459 - 467．

[5] 杨瀚钦，申晓留，王默玉，乔鑫，刘瑞雪，孙杨博.基于大数据的火电厂能耗评估模型的研究[J].电力科学与工程, 2016，32（ 12）：1 - 4.

[6]刘炳含，付忠广，王鹏凯，王永智，高学伟.大数据挖据技术在燃煤电站机组能耗分析中的应用研究[J].中国电机工程学报，2018，38（12）：3578 - 3587.

[7] 尹蕊，余仰淇，王满意，黄文思，许元斌.大数据环境下的电力数据质量评价模型与治理体系研究[J].自动化技术与应用, 2017, 36( 4 ): 137 - 141.

[8] 郭建华. 大数据技术在火力发电企业生产经营中的应用[J]. 贵州电力技术，2017, 20（ 3 ）：26 - 28.

[9]付鹏，王宁玲，李晓恩，徐汉，张雨檬，杨勇平.基于信息物理融合的火电机组节能环保负荷优化分配[J]. 中国电机工程学报，2015，35（ 14 ）：3685 - 3691.

[10] 陈亚明. 基于大数据分析的电站运行优化与三维可视化故障诊断系统[J]. 自动化博览, 2018, 35 ( 3 ) : 28 - 30.

[11] 陈世和. 基于大数据分析的性能评估与状态诊断技术[J]. 中国自动化学会会刊通讯，2017，38（ 3 ）：33 - 41.

[12] 李杰. 工业大数据-工业4.0时代的工业转型与价值创造[M]. 北京：机械工业出版社，2016.

作者简介：

陈世和（1965-），教授级高工，现就职于华润电力技术研究院有限公司，研究方向为火电厂自启停（APS）、控制优化与大数据技术应用。

摘自《自动化博览》2019年9月刊