引言：工業互聯網作為新一代信息技術與工業技術、制造技術深度融合的產物，日益成為新工業革命和中國制造2025的重要基石，不僅是實現兩化融合和智能制造的重要依托，也是落實國務院發改委關于深化“互聯網+”智慧能源指導意見的重要舉措。為進一步實現管控模式、管理手段、生產方式、生產技術的全面創新，融入能源互聯網，建設“能量-信息-價值”互聯互通的智能電力企業，在國家能源集團的領導和支持下，國華電力公司構建了電力生產大數據平臺，并開展工業互聯網的應用研究。
一、 項目概況
國華電力公司通過對海量數據進行高效的存儲組織和有效管理，為數據訪問提供統一透明通道，來滿足各類業務應用需求。大數據平臺的建立，提升了公司大數據處理能力，可全面滿足發電生產運行信息、能耗信息、電量信息、設備狀態信息等數據服務與管理，為優化運行、狀態評估、故障預警、發電生產集控運行等應用奠定基礎。
1. 項目背景
國家能源集團的發展目標是成為“技術領先、管理先進、創新驅動、價值創造”的世界一流清潔能源供應商。在電力板塊，集團以持續創造價值為宗旨，提出建設智能電力，打造全綠色電力。智能電力離不開，智能化電站，智能化電站是在數字化電站基礎上發展起來的，綜合運用了各種數字化、自動化、信息化技術手段，形成的以數據分析處理技術為核心的新型電站。電站智能化水平的提升，導致現場總線、智能儀表、傳感器、攝像頭等新型技術和智能設備的大量應用，造成了數據采集量的急劇增大，數據采集的多樣化與多源化的情況日益顯現，在智能化電站產生了，數據采集的范圍越來越廣，采集頻率越來越高，數據類型越來越多，數據量越來越大，數據產生速度越來越快的現象，為大數據應用奠定了基礎。
2. 項目簡介
1、 電廠面對大規模且種類多樣的現場數據，傳統的應用軟件已經很難處理。有必要運用大數據管理、大數據分析與挖掘技術，通過在智能化電站的體系中，進一步強化和拓展數據的利用范圍與利用方式，讓數據賦予電站新的生產運營能力，并從中發現新的認知，創造新的價值，滿足智能電站的生產與運營。
2、 本項目通過構建國華電力公司大數據分析平臺，對電力大數據分析與應用的關鍵技術路徑、核心技術內涵及其應用方向的研究，實現數據集成與治理服務，為國華公司建設以大數據為核心的系統集成服務、大數據開發、應用、發布服務提供基礎支撐，為電廠本質安全提升、智能診斷、運行優化、經營決策等業務領域的軟課題研究提供實踐環境。
3. 項目目標
1、 探索從以流程為中心向以數據為中心轉變的信息化建設模式。建立以大數據為核心的工業互聯網平臺，匯聚全業務、全類型數據資源，通過數據“存儲、整合、建模、分析”，全面支撐國華電力數據應用需求，為電廠提供設備全生命周期管理、生產運行工況、經營決策提供分析診斷和決策支持服務。支持電廠海量設備高并發接入、支持微服務形式的應用開發、支持關鍵應用的垂直服務，切實幫助企業降低成本，提升工作效率，增強管理水平，為員工提供靈活、多樣的個性化服務。在此基礎上，構建開放、共享、共贏的工業互聯網生態體系，為實現智慧發電的根本目標奠定基礎。
2、 同時，為國華電力公司建設統一的大數據應用平臺，進行大數據的統一存儲、統一管理，以及應用的統一開發和部署。在國華電廠建設分布式大數據應用站點，進行電廠大數據的采集、預處理、大數據分節點計算，以及大數據應用結果的展示。
二、項目實施概況
本項目在建設，將大數據分析技術與火力發電廠運維管理相融合，實現業務應用快速、靈活的標準化開發，匯集數據資產、創新管理模式，促進工業技術/知識信息化產業模式形成，奠定了國華公司工業互聯網平臺（Smart IIP）的基礎架構，為實現智慧企業應用生態鏈提供良好開端。
基于該方案，公司打造了統一開發、統一運維、大數據處理，邊緣計算四位一體的平臺體系，實現了企業IT基礎設施云化、數據集中統一分析利用、“微服務”應用的創新開發模式。
平臺接入各級實時、準實時生產經營數據32億條，連通4家電廠共10臺煤電機組，部署服務14個，應用18個，完成各類機器學習模型20個。在平臺之上部署了基于大數據分析的機組運行優化和設備故障預警等應用。
1. 項目總體架構和主要內容
（1）平臺整體架構
平臺整體架構如。如圖1所示：
資源中心部分由國華公司大數據中心和電廠邊緣計算中心組成，國華公司大數據中心部署IaaS平臺，提供虛擬化資源、Hadoop數據存儲及計算組件、時間序列數據庫和RDB，用于支撐大數據平臺基礎功能及上層業務應用；電廠部署IaaS基礎資源池，提供虛擬化資源、RDB資源，支持大數據平臺和應用的構建。
數據中臺部分在整個大數據平臺中起到承上啟下的作用。通過連接IaaS平臺的虛擬化資源，并利用PaaS的基礎服務功能，為上層的SaaS應用提供基礎支撐功能。PaaS平臺又分為3層：公共服務層、支撐組件層和數據平臺層。
應用中心匯集了大數據應用的成果。該中心不僅包括國華公司大數據平臺工業互聯網門戶，還包括已經開發完成的經營決策系統、運行優化指導系統、故障預警及智能診斷系統。未來，國華公司新增的業務應用，如智慧班組、知識管理等系統，都將在大數據中心進行統一部署。
（2）門戶及應用展示
2 微服務框架
微服務框架(Cloud Service Framework)是企業級微服務應用管理平臺，包含服務注冊、配置和治理中心，幫助國華公司實現微服務應用的快速構建、實時監控和高可用保障。兼容主流開源生態，不綁定特定開發框架和平臺，支持已有應用業務代碼零修改接入。
微服務框架的建立使得我們可以將一個大型獨立的應用系統拆分成多個微服務，被拆分成的每一個微服務都圍繞著系統中的特定業務功能構建，且維護自身的數據存儲、業務開發、自動化測試案例以及獨立部署機制。這些微服務在各自獨立的進程中運行，不同的應用可以根據需要創建相應微服務進程，服務之間通過基于HTTP的RESTful API或私有RPC協議進行協作。
（1）微服務開發框架
支持REST，gRPC、Apache Thrift ? 等微服務RPC框架。提供微服務的注冊、發現、通信、路由、重試等基礎能力。
（2）微服務治理中心
微服務治理中心是整個微服務架構的核心，為整個微服務架構提供微服務的負載均衡、限流、降級、容錯、熔斷、灰度發布、回滾等服務管理功能。
（3）微服務監控和跟蹤
支持微服務實例和接口級的實時QPS、響應時間、出錯率等監控統計。并能實時分析系統內每一次服務調用鏈的情況，精準發現系統的瓶頸和隱患。調用鏈詳情包括應用名、IP、調用類型（Dubbo、gRPC等）、被調用服務、狀態、響應時間、網絡流量，支持按應用名、時間范圍、調用類型、響應閾值等條件進行查詢。
3. 大數據應用
（1）智能診斷應用
智能診斷應用以大數據技術為依托，以轉動設備為研究對象，憑借大數據模，實時計算預測設備運行狀態，實現系統、設備、參數級的早期預警及診斷，構建以數據驅動為中心的共享服務，提高設備健康水平。
智能診斷應用目前涵蓋了引風機、空預器、汽動給水泵和汽輪機四類主機和輔機設備，依托機器學習和大數據技術實現設備的智能故障診斷和設備預警。主要功能包括：設備診斷概覽、設備對比分析、設備診斷分析、設備數據管理、設備診斷模型配置、智能診斷計算調度，設備故障知識庫及系統管理等。
§ 設備診斷概覽：主要顯示系統所有設備的整體狀態。通過可視化的方式展示智能診斷應用結果，多維度分析設備的當前運行狀況和健康狀態
§ 設備對比分析：同類型設備進行橫向對比分析，找出設備之間的健康狀態差異并分析故障預警數據。
§ 設備診斷分析：主要從設備級、參數級和機理級三個維度對設備進行實時故障診斷，并匯總分析設備健康狀態，以引風機為例進行說明。下圖是1號機組11引風機的整體診斷分析及健康狀態分析，以及設備級機器學習診斷和參數級設備預警的診斷結果。
§ 設備狀態監視：實時展示設備的運行狀況以及健康狀態，主要是對機器學習診斷及設備參數診斷的實時監視。
§ 設備的參數預警診斷：通過關鍵參數進行訓練學習，形成不同的異常檢測算法模型和能反應設備健康狀況的主要參數歷史變化曲線，并可通過不斷的數據積累優化算法模型。通過對參數進行診斷分析之后，形成參數的預警結果供用戶分析使用。
§ 設備的機理分析：以引風機為例，引風機的運行特性通常用引風機全壓、軸功率、效率與風機體積流量Q之間的關系曲線來表示。通過對引風機實時狀態參數和特性曲線進行比較分析，可對如喘振、失速等明顯的故障風險進行分析預警，同時可與機器學習、參數診斷等模型對比驗證。
§ 設備診斷模型：通過對原始數據建立樣本數據，進行數據處理和數據標簽后形成訓練集數據，然后結合機器學習算法進行模型訓練和學習，形成不同的算法模塊。隨著數據不斷積累更新后，通過訓練學習，對已有的算法模塊的參數進行優化，從而逐漸優化該設備的診斷模型。
設備故障知識庫：通過對設備相關數據進行分析匯總，結合ERP系統故障數據、DCS報警信息及操作日志、設備巡檢記錄等，匯總設備所有相關的故障特征和故障原因，建立設備、故障、原因三者的關聯關系，形成典型故障知識庫，支持對設備故障數據的大數據分析。
2）機組運行優化應用
機組運行優化主要是針對國華公司寧海電廠、定州電廠，臺山電廠的各2臺600MW燃煤機組，依托機器學習和大數據技術進行機組的運行經濟性優化，以降低供電煤耗為主要優化方向。機組運行優化的功能包括機組運行概覽、機組指標計算、機組工況尋優、機組經濟性分析、機組操作指導、工況對比分析及系統管理等功能。
§ 機組運行優化概覽：主要展示機組當前的工況及經濟性指標和主要輔機的狀態。
§ 實時性能指標計算：通過圖形化的方式，展現性能計算的主要指標，包括機組供電煤耗，鍋爐、汽機效率等實時經濟性指標。
§ 機組工況尋優：以機器學習算法為基礎，尋找歷史機組運行最優工況，繼而對現有工況中與歷史最優工況進行智能聚類分析，尋找最佳可控參數，實現工況逐步優化。根據機組工況分類情況，從六個維度對機組進行顆粒度細分，包括機組負荷、循環水溫、環境文件、燃煤熱值、鍋爐吹灰及機組供熱，工況組合至少在50000種以上，如下所示。
§ 機組經濟性分析：通過對每種工況得到的尋優結果進行逐層分析，分析影響煤耗經濟性的主要原因并量化，對供電煤耗進行了基于反平衡計算的逐層分解計算和分析。如下圖所示：
§ 運行操作指導：根據尋優結果，對工況進行優化指導，提出操作建議供運行參考。
§ 工況對比分析：以機組為單位，通過各工況組合維度對各項數據進行對比，展示出關鍵數據，從而清晰看出各機組的差異性。
圖20工況對比分析
（3）經營決策應用
§ 經營決策應用實現了全廠指標的實時展示分析（如圖21所示）。
§ 實現了靈活可視化的指標配置，支持多種算法。
§ 看板設計器可以方便的定義管理數據看板，通過圖形化的表現方式讓數據更直觀、易懂。
§ 便捷易用的報表設計器，可以幫助電廠可以按照需求快速定義報表
（4）統一管理平臺
§ 統一監控平臺：實現多維監控，從基礎到應用，分散監控指標，實現統一配置、統一管理，分散、細化監控閾值、預警，屏蔽誤報，使監控系統更精確、更真實，為用戶提供系統及設備使用趨勢數據，預防因業務激增帶來的意外宕機，為用戶后期增容提供有力數據支撐。
§ 虛擬化管理平臺：統一的虛擬化管理平臺，管理員可自定義云主機相關參數。普通用戶可以選擇虛擬機所在的資源池、定義虛擬機名稱、操作系統的HOSTNAME。隨時查看已申請的虛擬機信息，對虛擬機進行操作管理。提供VPN服務，實現自助配置VPN網關和VPN連接。提供統一的告警服務，隨時處理告警信息。系統保證安全性，口令加密存儲，接口傳輸采用加密協議。
§ 審計平臺：實現用戶行為分析，業務流程分析，系統健康狀態分析，根據實際情況跟蹤、還原用戶行為及問題過程。
4. 基于大數據平臺的機器學習技術
平臺將SaaS應用相關測點數據及訓練集數據存儲在Hadoop大數據倉庫中。目前公司的Hadoop平臺已經存儲了10年以上歷史測點數據，實時數據會以準實時的方式進行同步，實現了純Python開發調用Python科學計算庫建立機器學習模型，以及通過 Pyspark開發基于Spark ML庫支持分布式計算的機器學習模型，可以支持多種技術路線的機器學習模式。
如上圖所示，通過將歷史數據的機器學習和實時數據的實時診斷計算結合起來，實現業務應用。
平臺還集成了大量的算法模型，如基于隨機最速下降法（SGD）算法，通過執行算法找到海量數據和維度構成的數據中的極值、最大或最小值。如下圖所示：
5. 社會經濟效益分析
(1) 生產數據的高度集成，生產管理精細化。
(2) 電力行業工業化和信息化深度結合的示范。
(3) 填補了行業該方面的空白，成為行業參考模板。
(4) 節能減排：通過對機組的優化，使得資源配置得到優化，能源利用率得到提升。
(5) 降低成本：通過大數據技術的應用，不斷優化機組的運行狀態，降低煤耗，降低工作強度，有助于人力維護成本下降。
三、下一步實施計劃
未來我們從3個階段逐步完善國華工業互聯網平臺，第一階段我們注重在搭平臺，目前平臺建設基本完成，進入第二階段建應用，主要鞏固平臺建設，接入國華所有機組得 數據，逐步開發國華各類應用，未來到2025年我們將全面打造國華工業互聯網生態體系。引領創新和提升企業競爭力。
1. 階段一
§ 完成大數據機房建設
§ 開展大數據平臺建設
§ 試點電廠數據接入大數據平臺，并完成數據治理。
§ 開發試點應用進行平臺測試。
§ 應用開發標準規范
§ 微服務接口、開發、管理規范
§ 第三方應用開發驗證
目前該階段大部分工作已經進入收尾階段，當前主要的任務是查缺堵漏，提高平臺應用的成熟度。
2. 階段二
§ 鞏固大數據平臺建設，逐步接入國華所有發電機組數據；
§ 逐步在大數據平臺上開發部署智慧黨建領航、智慧安全監察、智慧生產調度、智慧經營決策、智慧工程管理、智慧資源共享等六類應用。
該階段工作已經完成了總體規劃，正在有序的向底層詳細設計方案推進，部分工程有望在年內開工實施。整個階段預計3-5年內完成。
3. 階段三
§ 全面實現公司工業互聯網平臺生態體系建設，持續提升平臺賦能、賦智能力，在整個工業領域具有創新引領能力和明顯競爭優勢，整體水平國內領先。
在第二階段工作的基礎上，進一步完善平臺體系建設，全面整合公司IT和數據資源，用5-8年的時間，實現一個技術領先、功能完備的國內工業互聯網平臺生態體系。
四、項目創新點和實施效果
1. 項目先進性及創新點
(1) 系統依托大數據平臺，建立數據治理的體系和標準規范，共享數據來源及應用成果。
(2) 建立了“一平臺，多站點”的設計模式，即依托一個平臺，機器學習等大量歷史數據功能部署在總部，實時計算等實時性要求高的部分部署在邊緣計算側的各電廠，實現了云邊協同發展。
(3) 獨創基于HTML5的SVG的B/S組態技術，提高用戶組態實時監視畫面效率，支持共享和在線創建、修改和刪除。
(4) 首次在火電行業規模應用多維看板分析技術，實現組件化的報表開發。
(5) 基于SGD機器學習算法的技術，首次在跨電廠和機組的工況尋優應用中使用，基于聚類算法的工況分類技術，通過對歷史工況的機器學習，將常規固定步長的工況分類方式，改變為不等步長的分類方式，優化了機組工況的組合針對性，提高了計算效率和工況價值。
(6) 建立融合傳統機理分析和大數據機器學習算法在引風機等5類轉機設備上的智能診斷和設備故障預警，提供了設備預警和診斷的新模式新思路。
2. 實施效果
目前，國華工業互聯網平臺已經完成從機房建設、平臺建設、數據治理到應用中心建設的過程，隨著4個電廠的數據接入，應用中心開始落地使用，以及后續智能智慧化建設，工業互聯網平臺的規模和價值將愈發凸顯。
（1）本項目帶來的企業經濟效益
通過國華工業互聯網的建設，為企業效益帶來了提升，包括：
① 實現了工業互聯網生態環境的打造。
② 實現了生產數據的高度集成，生產管理精細化。
③ 完成了電力行業工業化和信息化深度結合的示范。
④ 填補了行業該方面的空白，成為行業參考模板。
⑤ 節能減排：通過對機組的優化等應用，使得資源配置得到優化，能源利用率得到提升。
⑥ 降低成本：通過大數據技術的應用，不但降低了后續的IT建設和運維成本，而且可以優化機組的運行狀態，降低煤耗，降低工作強度，有助于人力維護成本下降。
（2）技術成果應用說明
（一）數據中心建設成果
國華大數據中心主節點部署在高安屯電廠新建數據機房內，機房整體采用模塊化設計，并留有較大擴容空間，項目一期目前已部署關系型數據庫服務器2臺、時序數據庫服務器4臺、Hadoop服務器9臺、OpenStack服務器14臺。
（二）建成了IaaS、PaaS及SaaS平臺
資源中心（IaaS平臺）也已經部署完畢并投入使用。在本期項目為了驗證平臺的開放性和可擴展性，添加了國華原有2臺利舊服務器加入到云平臺中?？赏ㄟ^主節點統一監控和管理各電廠邊緣計算節點資源。
PaaS平臺，建成了包括微服務架構的服務總線、消息總線，容器管理，發布管理，權限管理，調度管理，智能搜索等服務組件，以及關系數據庫，時序數據庫，Hadoop平臺，以及相關的統一監控平臺和統計開發平臺。
應用中心（SaaS平臺）已經完成基于大數據技術和機器學習技術的四個應用的落地，包括經營決策系統，智能診斷應用，設備故障預警和機組運行優化。
（三）建成了國華數據治理體系和標準
形成了國華的數據治理系統和數據治理標準，形成了7類主數據，完成了超過12類系統的數據接入和治理，在接入4個廠數據情況下已經形成了約56T數據，并在繼續增加。
（四）應用：智能診斷應用
該應用通過結合機理分析、參數分析和機器學習，實現了對引風機、空預器、汽動給水泵、凝結水泵轉機設備的診斷分析和預警，并建立了設備的故障知識庫，通過應用建立了設備的基于PHM的健康狀態指數，便于設備管理和維護，提高了設備管理水平。應用通過總部的歷史數據進行機器學習模型訓練，在電廠邊緣計算平臺進行實時診斷計算，也實踐了云邊協同的技術模式。
（五）應用：機組運行優化
該應用對每臺機組，從6個維度來定位唯一工況，形成機組的細顆粒工況模型，便于工況優化、斷面分析等。相對于傳統主要以機組負荷為工況區分標準，通過6個維度作為工況模型標準，更符合實際情況和統一工況基準，以工況模型為基準，可以進行工況尋優，對比分析，性能評定，耗差分析，指標考核等；以工況斷面為基準，可以分析其它相關輔機狀態和斷面參數，為操作指導提供依據；也可以為配煤摻燒、脫硫優化、脫硝優化等提供工況基礎數據和分析依據。通過應用可以明確機組在各工況下的最佳工況數據，包括供電煤耗等經濟指標，以及當前工況與對應最優工況的差異，以便調整機組操作參數，優化運行經濟性。
（六）應用：經營決策系統
通過該應用，建立指標計算中心，統計報表中心和多維分析中心，來電廠業務提供支持，解決數據重復錄入、統計計算口徑不一、數據傳遞復雜等問題，提高數據共享，簡化報表配置，支持多維分析，提供決策支持。
圖31 經營決策多維分析支持
通過國華大數據平臺的建設，主要實現了公司所屬電廠生產數據和部分關系型數據的覆蓋，并不斷擴充業務涵蓋范圍，支持更多數據類型和更大的數據規模，最終實現全業務數據納管的目標。搭建統一IT基礎資源，利用云服務實現各類應用的靈活、高效、可靠的資源配置，減少各類系統重復投入，提供高質量基礎設施。構建工業互聯網生態圈，綜合工業智能生態圈各方能力，加快技術驗證步伐，孵化更加全面、更有業務價值的應用。利用開放式生態圈架構，集成更多的專業算法引擎，圖形圖像處理引擎，人工智能引擎，創新大數據在發電企業的應用，促進數據分析技術轉型升級。