【学科发展报告】发电自动化技术（文末含彩蛋！）

发电自动化领域是工业自动化领域的重要分支之一，近年来快速发展，工业自动化领域的学科前沿和热门技术均有所涉及，同时也不乏自身特色。尤其近年来，新能源的快速发展、特高压互联电网的建设、机器人及深度学习技术的应用、智能电厂的规划与试点、先进控制算法的工业化推广、大数据技术的应用等技术热点不断推动了发电自动化学科的建设和发展。下文将介绍发电自动化学科近年来的研究发展方向。

发电自动化学科涉及的领域主要包括了火力发电、水力发电、核电及各种新能源发电方式下的自动化控制和相关需求，而全国 70% 以上的发电量由火力发电机组承担。从狭义上来说，该学科针对了发电过程中的工业化自动控制；从广义上来说，学科发展则是各种发电方式根据社会发展和电网需求的优化调整和有机融合。发电自动化学科不但需要提供高效精准的工业自动化控制解决方案，更应针对社会发展的需求提供行业综合发展方案。在中国经济转型能源消费升级的背景下，适应新能源的发展、提高特高压互联电网的可靠性、推动智能电厂建设、构建发电行业大数据、探索机器学习和人工智能应用等热点问题引领了发电自动化学科的发展。

（一）新能源适应性控制技术

新能源的快速发展，尤其大规模的光伏、风电并入电网后，由于风力发电、光伏发电的间歇性、波动性特点，给新能源的发展带来了新的挑战。一方面需要传统能源发电方式进一步调整优化运行方式来解决新能源的消纳问题，另一方面需要研究基于功率预测的新能源负荷控制方式来提高新能源入网的可控性。

目前主要着眼于研究解决短时风电功率波动对电力系统造成的频率扰动以及新能源消纳的优化控制问题。通过对风光水火联合运行电网的电源出力特性及相关性研究［1］, 利用抽水蓄能机组的调节资源，研究风电 - 火电 - 抽水蓄能联合优化机组组合模型［2］, 提出大规模风电、光伏并网下的抽水蓄能机组调频控制策略［3，4］；利用电池储能系统平滑可再生能源出力波动［5］，参考文献［6-8］则提出改进的双重粒子群算法，开展机组组合问题研究，既考虑对于节能和减排两个不同目标的侧重 , 又并行地给出不同目标权重的解决方案，实现新能源消纳的全局节能优化控制。此外，通过机器学习算法预测新能源发电功率［9］，或采用基于大数据私有云的构建思路［10，11］来解决间歇性能源出力的精准控制问题，通过对间歇性能源的监控、运营管理和功率预测，实现区域性大规模间歇性能源的能量管理。

（二）电网友好型传统电源灵活发电控制技术

随着电力系统的广泛互联，尤其是特高压电网的互联，区域电网之间的连接线路承载了越来越多的负荷，当其中某一承载大量负荷的线路发生故障时，将对电网造成巨大冲击［12］，因此除提高电网本身可靠性外，电源侧的深度调频能力建设是近期研究的重要方向。提升传统燃煤机组的深度调频能力主要是挖掘机组的蓄热利用能力，并通过诸如凝结水节流［13，14］、给水旁路、高加快切等手段［15，16］来满足大频差工况下的调频需求。同时燃机热备［17］与储能辅助［18］也是新的可行方向。

在故障容错与自愈控制方面，目前较为成熟的负荷快速控制技术只有辅机故障减负荷（Run Back，RB）技术，在电源重要辅机故障时保障机组运行安全，减少负荷损失。在电源点出线发生故障时，负荷快速切回（Fast Cut Back，FCB）功能［19］可以快速切除机组负载，保持机组带厂用电运行，为迅速并网恢复线路运行提供保障［20］，但该技术受机组设备能力与运行方式限制，仅有少量应用。另一项利用机组快速减负荷功能提高电网故障运行方式下局部线路输送限额的技术目前已有应用案例［21］，通过设计验证机组在规定时限内快速减负荷的能力，使机组在线路故障时的出力上限得到拓展。

而随着运行机组负荷率不断下降，电网越来越需要机组具备深度灵活调峰的能力［22］。通过采用双向解耦与多变量智能控制策略，解决深度调峰过程中机组干态转换时机与过程控制问题［23］，可实现火电机组的深度调峰运行及控制过程优化。同时通过机组自启停控制系统（Automatic Power Plant Startup and Shutdown System，APS）及磨组智能启停控制技术实现火电机组自动发电控制系统（Automatic Generation Control，AGC）无断点智能连续运行，可提高机组 AGC 深度调峰的运行可靠性与灵活性［24］。

（三）先进测量及智能控制算法的工业化应用

目前清洁燃煤发电控制技术的需求，推动了发电自动化学科在先进测量与智能算法应用等方面均有较快发展。而炉内燃烧在线测量、过程对象在线辨识与闭环优化是最为热门的研究方向。

在炉内燃烧参数的在线测量方面，主要着眼于炉内温度、气体浓度测量与煤种辨识技术［25］，温度是反映燃烧状态的一个重要参数，其准确测量对于了解燃烧过程和完善燃烧理论具有重要指导意义。参考文献［26，27］利用火焰的辐射光谱和图像中包含的与温度和辐射特性有关信息，结合特定的算法计算得到火焰表观温度、黑度、内部温度、辐射介质颗粒浓度等多个参数。参考文献［28，29］则利用超声波方法的机械波特性 , 可适应粉尘浓度大及强电磁辐射场合的优势 , 实现炉内温度场测量与重建。在炉内燃烧场的成分检测方面，国内外的研究重点主要集中在基于先进硬件的可调谐二极管激光吸收光谱（Tunable Diode Laser Absorption Spectroscopy，TDLAS）技术，通过选择与炉膛火焰中某一组分共振频率相同的激光穿过炉膛，利用路径中元素共振吸收强度衰减与元素分子数密度的相互关系，检测出激光通路上的平均组分浓度，然后将网状分布的采集数据逆推反算出炉膛内的组分、温度等分布特性［30-32］。在煤种辨识方面，参考文献［33，34］通过火焰发射光谱的基础理论与测量机理研究，利用 Na、K、Li 等碱金属元素含量与比例对煤种的标识意义，提出了基于炉内煤粉火焰光谱中碱金属原子发射光谱强度关系特征的煤种辨识方法，从机理上对测量与环境因素进行消去与补偿，获得稳定的特征量；参考文献［35］ 则采用激光诱导击穿光谱技术（Laser-Induced Breakdown Spectroscopy，LIBS）实现炉前的煤种成分在线检测。

在智能控制算法的应用方面，针对在火力发电厂的自动控制系统，大量的先进控制算法被应用于锅炉控制。模型预测控制（Model Predictive Control，MPC）是近年来广泛研究与应用的一种反馈控制策略，范围非常广泛，是处理约束系统控制问题的最有效方法之一［36，37］。其中，广义预测控制（General Predictive Control，GPC）算法融合了预测控制与自适应控制的优点，易于实现参数在线估计，控制鲁棒性强、稳定性好，具有更小的超调与更快的稳定时间［38，39］。参考文献［40］则采用预测函数控制（Predictive Functional Control，PFC）实现了超临界机组主汽温度控制，PFC 算法简单，对模型要求不高，工况适应性好，非常适合于实际应用对象。

（四）探索机器学习和人工智能技术的应用

机器学习和人工智能技术的快速发展给发电自动化的深入发展带来了新的思路。就近几年的研究发展热点统计，该领域的研究和发展主要集中在以下几个方面：基于大数据的控制参数自学习技术、基于机器学习的机组柔性程控技术、复杂环境下的机器人应用技术［41］等。

目前的电站优化控制往往是基于现场试验来辨识模型、整定参数，这就造成了控制参数随着机组特性变化而劣化的情况。已有研究人员关注到了机器学习在机组自调整控制中的应用方向［42，43］，并开展了相关研究：建立机组控制品质的自评价机制，获取机组日常运行中的每一次状态调整数据，利用评价机制对调整过程进行激励，采用寻优算法按激励结果对控制参数进行调整。

基于机器学习的机组柔性程控技术则是机器学习中的无监督学习方式的应用，为了适应少人值守的自动化控制需要，大量工程技术人员都开展了关于机组 APS 的研究，APS 应用中的难点是在于机组设备状态不符合逻辑编程要求时的控制处理，目前主要采用设置断点的方式交于运行人员处理。基于机器学习的机组柔性程控技术是通过研究模仿学习运行人员对上述问题的操作处理方式来达到全程自动控制的目的。

而在人工智能方面，部分研究人员已在复杂环境下的机器人巡检技术上取得了一定进展，近年来已工程实践了包括凝汽器胶球清洗机器人、数字化煤厂盘煤无人机与导轨式巡检机器人、独立光伏发电系统动力的柔性关节机器人等在内的相关应用研究。同时基于电站复杂环境下的轮式巡检机器人相关研究也在大量开展，对机器人地图重建、路径自寻优、图像识别等技术也已成为热点研究方向。

（五）信息融合与故障诊断技术

近年来各大发电集团已开始建立集团级的生产运维数据平台，为发电数据的云计算和大数据应用提供了基础支撑。对于发电自动化行业的云计算和大数据应用的研究方向主要集中在以下方面：机组的性能对标计算、机组的远程专家诊断、机组的运维数据管理、机组的状态信息挖掘管理等。

目前开展得较多的是机组的性能对标计算和远程专家诊断，已有研究人员完成了关于机组能耗、环保、控制品质、电量等关键参数的平台对标计算功能，参考文献［44］ 提出了一种受基本方程规范的火电机组耗量特性abc系数优化辨识方法，完成了机组状态参数的对标计算。

远程专家诊断的研究则通过建立以状态检修为目标的机组故障预警系统获得应用。通过构建集团级发电设备远程在线实时综合数据处理平台、建立集中式的设备诊断和故障预警中心，可实现电厂设备的数据积累、信息挖掘与远程诊断技术应用［45］。通过建立远程诊断系统和专业分析队伍对数据的深度挖掘分析，及时识别潜在的系统风险，提供辅助决策支持。以设备为类对数据进行整合，通过生产实时数据、运行操作数据、检修维护数据等展开设备可用率、设备检修周期、设备健康状态等方面的深入挖掘。

（一）国内外发展趋势比较

国外发电自动化控制领域的主要研究也同样集中于可再生能源、燃煤发电、核能发电三个核心方向，聚变、风电和光热发电控制是热点之一，清洁燃煤技术，如化学链燃烧（Chemical Looping Combustion，CLC）和燃料电池，正逐步实现，火力发电厂的控制则正面对融入智能电网的巨大挑战［46］。火力发电厂控制同样面临灵活性改善需求，为应对新能源接入影响，在抽汽节流技术上又提出了熔盐储能辅助技术提高机组调频性能［47］。同时利用规模性储能技术平衡机组调频需求发展较快［48］。

总体来看，国内外面临的发展需求是一致的，国内在常规电源的清洁燃烧与电网适应性方面的研究比国外同行开展得相对深入，而在新型清洁发电技术的应用进展方面则相对缓慢，在储能辅助的发电灵活性控制方面的研究工作才刚刚起步，还有很大的发展空间。而在生产过程运行监控的信息化、可视化与智能化应用方面，随着应用技术的快速发展， 正同步开展跨界融合与应用尝试，国内自主研发的技术进步显著。

（二）我国发展趋势与对策

随着国家《中国制造 2025》发展战略的出台，伴随电力转型发展与市场化改革的需要，清洁、高效、安全、电网友好型的智能发电技术成为了发电自动化领域的主攻方向。大数据、物联网、移动互联、云计算、三维可视化等技术的进步，为发电企业由数字化向智能化发展奠定了基础。

一些发电集团已经开始进行电厂智能化建设的规划、论证与实施，建设智能电厂正逐渐成为行业的共识，并将是发电企业下一个十年的发展方向，智能电厂与智能电网共同组成了智能电力，支撑着国民经济发展对能源的需求。

基于当前的研究现状与发展趋势，今后在发电自动化领域的技术研究将主要着眼于以下一些技术方向：适应新能源大规模消纳的负荷预测与全局优化控制技术、基于不同类型储能辅助的频率稳定控制技术、适应电力市场规则的电网友好型灵活发电控制技术、火电机组炉内燃烧检测与清洁高效智能控制技术、火电厂数字化煤场与智能配煤优化运行控制技术、基于大数据利用的故障诊断与远程平台支撑技术、基于多维信息辨识融合与机器人辅助的智能巡检技术、三维数字化设计移交与全息可视化技术、基于 AR 与 VR 的检修维护辅助与沉浸式仿真培训技术。

伴随先进检测与控制、人工智能、以及数据利用与信息可视化技术的快速发展，在不断改善服务电网的发电控制主体功能的同时，发电厂将进一步提高生产运维的智能化水平，在行业需求的引领下，助力中国制造 2025 的实现进程。

发电自动化学科的发展，将围绕社会能源结构与发展水平的变化而逐步调整，融合新技术，面向新需求，在技术创新与应用实践中获得持续进步的动力。