一种基于大数据分析的火电机组间冷塔防冻预警方法与流程

1.本发明涉及火电机组技术领域，具体为基于大数据的机组间冷塔防冻预 警方法。


背景技术：

2.北方的电厂因面临缺水问题，汽轮机冷端一般采用空冷系统，空冷系统 在冬季环境温度过低时，都面临着散热面结冻的风险，空冷系统可分为直接 空冷系统和间接空冷系统，间接空冷系统散热面结冻不仅严重威胁电厂的安 全稳定生产，而且散热面的更换和检修工作还会给电厂带来严重的经济损失， 因此，加强火电厂间冷系统的冬季防冻监测与预警尤为重要。
3.为了解决冬季工况下的散热面结冻问题，目前广泛存在的解决方法包括： 通过物理的方法改善冷却管速内部流动状态和外部换热环境，如安装间接空 冷系统滑动式防冻布帘等，但缺点是需要根据外界环境的变化进行频繁的操 作调整，且部分物理改造方式工程量大；也有部分电厂通过监测间冷塔扇区 出水温度是否达到经验限值或者人工测量间冷塔扇区壁温进行防冻监测，但 存在扇区出水温度反应迟缓、扇区壁温测量布点不充分、人工测量工作量大 等问题。
4.随着厂级监控信息系统(sis)在电厂的普及应用，电厂控制系统数据可 以存储在sis实时数据库系统种长达3-5年，火电机组运行过程中产生的数 据量巨大，而这些数据缺乏深度挖掘和利用，当前大数据技术发展日趋成熟， 其强大的数据分析处理能力正在被越来越多的行业认可与应用，基于火电大 数据分析技术解决间冷系统冬季工况下扇区防冻监测问题无疑是一种新思路 和新方法，因此，亟需一种基于大数据的机组间冷塔防冻预警方法。


技术实现要素：

5.(一)解决的技术问题
6.针对现有技术的不足，本发明提供了基于大数据的机组间冷塔防冻预警 方法，具备对间冷塔扇区结冻风险的实时预警与提示等优点，解决了防冻监 测的不及时性、有效性差和智能性较低的问题。
7.(二)技术方案
8.为实现上述目的，本发明提供如下技术方案：基于大数据的机组间冷塔 防冻预警方法，包括基于工业大数据分析平台的扇区防冻预警方法，基于工 业大数据分析平台的扇区防冻预警方法的步骤如下：
9.1)历史数据采集与存储；
10.2)特征参数处理；
11.3)样本数据筛选；
12.4)扇区壁温极小值预测；
13.5)扇区出水温度预测；
14.6)扇区防冻预警实时计算。
15.优选的，步骤1)基于数据采集程序包从电厂sis实时数据库采集间冷塔 运行相关参数在近一年的冬季工况历史数据，冬季工况的采集时间段根据当 底气候的自然月进行设定，采集间隔设置为1-5分钟，间冷塔运行相关参数 包括：机组负荷、循环水泵电流、环境温度、风速、风向、各扇形段百叶窗 开度等，历史数据采集样本量规模可自行设置，保证所有采集参数采集的同 时性和连续性，基于大数据平台的“数据源”组件进行历史数据读取，基于
ꢀ“
多源合并”组件将历史数据进行合并，且以parquet格式存储在大数据平 台。
16.优选的，步骤2)包括：
17.a)间冷塔各扇区额壁温极小值计算：利用“列间统计”组件实现对各 扇区的多个壁温测点数据的最小值计算，输出各扇区壁温极小值的参数列。
18.b)间冷塔各扇区循环水温降计算：利用“列间统计”组件实现对各扇 区循环水温降计算，输出各扇区循环水温降的参数列。
19.c)间冷塔各扇区水阻计算：利用“列间统计”组件实现对间冷塔各扇 区水阻计算，输出各扇区水阻的参数列。
20.d)循环水泵运行台数计算：利用“列间计算”组件，基于循环水泵电 流等参数对机组循环水泵的运行状态进行判断，计算循环水泵运行台数，输 出循环水泵运行台数的参数列。
21.e)参数相关性分析：利用相关性分析组件对样本数据进行相关性分析， 为扇区冷却柱壁温极小值预测模型、扇区出水温度预测模型的特征参数选取 提供参考。
22.pearson相关性分析是通过计算不同参数间的pearson相关系数得出，参 数x与y之间的pearson相关系数c(x，y)的计算公式如下：
[0023][0024]
优选的，步骤3)包括：
[0025]
a)工况稳定性分析：利用“工况稳定性分析”组件对历史数据进行稳 定性分析，并输出各个时刻的工况状态变量stability；利用“数据过滤”组 件筛选数据，保留工况稳定的数据，过滤掉工况不稳定的数据，工况稳定性 分析采用变化阈值的方法进行判定，对机组负荷、主蒸汽压力、供热抽气流 量等参数采用相对阈值进行稳定性判定，对主要的温度参数采用绝对阈值进 行稳定性判定。
[0026]
b)局部离群因子检测：利用“局部离群因子”检测组件对历史数据进 行局部离群因子检测，并输出各个时刻对应的lof值，根据lof值得分布情 况确定lof阈值；利用“数据过滤”组件筛选数据，保留lof阈值范围内的 数据，过滤掉lof阈值范围外的数据。
[0027]
c)工况统计分析：利用“工况统计”组件基于时间变量time和工况状 态变量stability进行连续稳定工况数据的抽取，并对各工况时段进行均值、 极差、均方差的统计特征计算，基于工况分析结果的表格和x-y图形进行工 况数据分析，记录异常数据的时间段。
[0028]
d)异常数据过滤：利用“数据过滤”组件和时间变量time过滤掉异常 工况的时段
数据。
[0029]
相对阈值和绝对阈值的计算公式如下：
[0030]
相对阈值：
[0031]
绝对阈值：|x-xe|
max
＜δ
k，a
[0032]
其中，
[0033]
——代表一定时间内参数的最大相对离均差；
[0034]
|x-xe|
max
——代表一定时间内参数的最大绝对离均差；
[0035]
xe——代表一定时间内参数的平均值；
[0036]
δ
k，r
——代表相对离均差的阈值；
[0037]
δ
k，a
——代表绝对离均差的阈值。
[0038]
优选的，步骤4)通过每台机组设有多个冷却扇形段，分别预测各扇形段 壁温极小值，单个扇形段壁温极小值预测建模步骤如下：
[0039]
a)利用大数据平台中“列间计算”组件和均匀分布的随机函数生成随 机列，根据随机的数值范围筛选训练集和测试集；
[0040]
b)利用“分类”配置组件设置扇区壁温极小值预测模型的输入/输出变 量。输入变量包括环境温度、冷却塔进水温度、百叶窗开度、供热抽气流量、 扇区出水温度、扇区循环水温降、扇区循环水水阻、凝汽器真空、冷却塔内 温度等，模型输出变量为冷却柱壁温极小值；
[0041]
c)选择“随机森林回归”组件进行回归计算：对原始训练集进行 bootstrap抽样，有放回地从n1个原始训练样本中选择n1(n1＜n1)个样 本生成m1个训练子集；使用训练子集训练回归树，在节点上所有的样本特征 中随机选择一部分样本特征，依据最小均方差进行回归树的左右子树划分， 分裂直到树生长到最大；重复以上步骤，将多棵回归树组成随机森林；
[0042]
d)基于“回归模型评估”组件设置预测参数与输出参数，计算回归效 果指标包括均方误差(mse)、均方根误差(rmse)、平均绝对误差(mae)、回 归系数(r2)对预测模型的预测误差进行评价，若是回归效果指标不理想， 可返回步骤b、c调整输入参数和“随机森林回归”组件的算法参数；
[0043]
e)利用“模型引用”组件调用基于“随机森林”回归的训练模型，搭 建测试集的回归测试模型，模型搭建过程与训练模型相同，若是回归效果指 标不理想，可返回步骤b、c调整输入参数和“随机森林回归”组件的算法参 数；
[0044]
f)模型训练集和测试集的回归效果指标均理想时，单个扇形段壁温极 小值预测建模过程结束。
[0045]
优选的，步骤5)通过每台机组设有多个冷却扇形段，分别预测各扇形段 出水温度。单个扇形段出水温度预测建模步骤如下：
[0046]
a)利用大数据平台中“列间计算”组件和均匀分布的随机函数生成随 机列，根据随机的数值范围筛选训练集和测试集；
[0047]
b)利用“分类配置”组件设置扇区出水温度预测模型的输入/输出变量： 输入变量
包括环境温度、冷却塔进水温度、百叶窗开度、供热抽气流量、扇 区壁温平均值、扇区循环水水阻、凝汽器真空、冷却塔内温度等，模型输出 变量为某扇区出水温度；
[0048]
c)选择“随机森林回归”组件进行回归计算：对原始训练集进行 bootstrap抽样，有放回地从n个原始训练样本中选择n2(n2《n2)个样 本生成m2个训练子集；使用训练子集训练回归树，在节点上所有的样本特征 中随机选择一部分样本特征，依据最小均方差进行回归树的左右子树划分， 分裂直到树生长到最大；重复以上步骤，将多棵回归树组成随机森林；
[0049]
d)基于“回归模型评估”组件设置预测参数与输出参数，计算回归效 果指标包括均方误差(mse)、均方根误差(rmse)、平均绝对误差(mae)、回 归系数(r2)对预测模型的预测误差进行评价。若是回归效果指标不理想， 可返回步骤b、c调整输入参数和“随机森林回归”组件的算法参数；
[0050]
e)利用“模型引用”组件调用基于“随机森林”回归的训练模型，搭 建测试集的回归测试模型，模型搭建过程与训练模型相同，若是回归效果指 标不理想，可返回步骤b、c调整输入参数和“随机森林回归”组件的算法参 数；
[0051]
f)模型训练集和测试集的回归效果指标均理想时，单个扇形段壁温极 小值预测建模过程结束。
[0052]
优选的，步骤6)利用“实时库kafka源”组件实时采集冬季间冷塔运行 相关监测参数的数据，调用扇区壁温极小值预测模型和扇区出水温度预测模 型，实时计算扇区壁温极小值期望值和扇区出水温度期望值。当扇区冷却柱 壁温极小值期望值小于设定值或扇区出水温度期望值小于设定值时，利用“列 间计算”组件输出间冷系统扇区防冻预警状态列pre_alarm_status的数值为 1，否则为0，当状态列pre_alarm_status的数值为1时，系统给出间冷系统 扇区防冻预警信息，从而及时提醒运行人员进行扇区百叶窗开度调整，做好 相关防冻措施。
[0053]
与现有技术相比，本发明提供了基于大数据的机组间冷塔防冻预警方法， 具备以下有益效果：
[0054]
1、该基于大数据的机组间冷塔防冻预警方法，有效避免了根据外界环境 的变化进行频繁的操作调整，由于测点不足导致的人工测量工作量的处境。
[0055]
2、该基于大数据的机组间冷塔防冻预警方法，基于大数据分析技术产生 的预警结果是建立在电厂实时运行数据的基础上，使得冷间系统的历史数据 得到了充分利用，减轻了运行人员工作量，同时保证机组安全稳定经济运行， 为如何将电厂运行产生的海量数据深度挖掘与利用提供了很好的思路。
附图说明
[0056]
图1为间冷系统防冻预警计算流程示意图；
[0057]
图2为局部离群因子检测中lof值分布示意图；
[0058]
图3为扇区壁温极小值的预测值与实测值对比图；
[0059]
图4为扇区出水温度的预测值与实测值对比图。
具体实施方式
[0060]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行 清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而 不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做 出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0061]
请参阅图1-4，基于大数据的机组间冷塔防冻预警方法，包括基于工业大 数据分析平台的扇区防冻预警方法，基于工业大数据分析平台的扇区防冻预 警方法的步骤如下：
[0062]
1)历史数据采集与存储；
[0063]
2)特征参数处理；
[0064]
3)样本数据筛选；
[0065]
4)扇区壁温极小值预测；
[0066]
5)扇区出水温度预测；
[0067]
6)扇区防冻预警实时计算。
[0068]
具体的，步骤1)基于数据采集程序包从电厂sis实时数据库采集间冷塔 运行相关参数在近一年的冬季工况历史数据，冬季工况的采集时间段根据当 底气候的自然月进行设定，采集间隔设置为1-5分钟，间冷塔运行相关参数 包括：机组负荷、循环水泵电流、环境温度、风速、风向、各扇形段百叶窗 开度等，历史数据采集样本量规模可自行设置，保证所有采集参数采集的同 时性和连续性，基于大数据平台的“数据源”组件进行历史数据读取，基于
ꢀ“
多源合并”组件将历史数据进行合并，且以parquet格式存储在大数据平 台。
[0069]
具体的，步骤2)包括：
[0070]
a)间冷塔各扇区额壁温极小值计算：利用“列间统计”组件实现对各 扇区的多个壁温测点数据的最小值计算，输出各扇区壁温极小值的参数列。
[0071]
b)间冷塔各扇区循环水温降计算：利用“列间统计”组件实现对各扇 区循环水温降计算，输出各扇区循环水温降的参数列。
[0072]
c)间冷塔各扇区水阻计算：利用“列间统计”组件实现对间冷塔各扇 区水阻计算，输出各扇区水阻的参数列。
[0073]
d)循环水泵运行台数计算：利用“列间计算”组件，基于循环水泵电 流等参数对机组循环水泵的运行状态进行判断，计算循环水泵运行台数，输 出循环水泵运行台数的参数列。
[0074]
e)参数相关性分析：利用相关性分析组件对样本数据进行相关性分析， 为扇区冷却柱壁温极小值预测模型、扇区出水温度预测模型的特征参数选取 提供参考。
[0075]
通过上述技术方案，pearson相关性分析是通过计算不同参数间的 pearson相关系数得出，参数x与y之间的pearson相关系数c(x，y)的 计算公式如下：
[0076][0077]
具体的，步骤3)包括：
[0078]
a)工况稳定性分析：利用“工况稳定性分析”组件对历史数据进行稳 定性分析，并
输出各个时刻的工况状态变量stability；利用“数据过滤”组 件筛选数据，保留工况稳定的数据，过滤掉工况不稳定的数据，工况稳定性 分析采用变化阈值的方法进行判定，对机组负荷、主蒸汽压力、供热抽气流 量等参数采用相对阈值进行稳定性判定，对主要的温度参数采用绝对阈值进 行稳定性判定。
[0079]
b)局部离群因子检测：利用“局部离群因子”检测组件对历史数据进 行局部离群因子检测，并输出各个时刻对应的lof值，根据lof值得分布情 况确定lof阈值；利用“数据过滤”组件筛选数据，保留lof阈值范围内的 数据，过滤掉lof阈值范围外的数据。
[0080]
c)工况统计分析：利用“工况统计”组件基于时间变量time和工况状 态变量stability进行连续稳定工况数据的抽取，并对各工况时段进行均值、 极差、均方差的统计特征计算，基于工况分析结果的表格和x-y图形进行工 况数据分析，记录异常数据的时间段。
[0081]
d)异常数据过滤：利用“数据过滤”组件和时间变量time过滤掉异常 工况的时段数据。
[0082]
通过上述技术方案，相对阈值和绝对阈值的计算公式如下：
[0083]
相对阈值：
[0084]
绝对阈值：|x-xe|
max
＜δ
k，a
[0085]
其中，
[0086]
——代表一定时间内参数的最大相对离均差；
[0087]
|x-xe|
max
——代表一定时间内参数的最大绝对离均差；
[0088]
xe——代表一定时间内参数的平均值；
[0089]
δ
k，r
——代表相对离均差的阈值；
[0090]
δ
k，a
——代表绝对离均差的阈值。
[0091]
具体的，步骤4)通过每台机组设有多个冷却扇形段，分别预测各扇形段 壁温极小值，单个扇形段壁温极小值预测建模步骤如下：
[0092]
a)利用大数据平台中“列间计算”组件和均匀分布的随机函数生成随 机列，根据随机的数值范围筛选训练集和测试集；
[0093]
b)利用“分类”配置组件设置扇区壁温极小值预测模型的输入/输出变 量。输入变量包括环境温度、冷却塔进水温度、百叶窗开度、供热抽气流量、 扇区出水温度、扇区循环水温降、扇区循环水水阻、凝汽器真空、冷却塔内 温度等，模型输出变量为冷却柱壁温极小值；
[0094]
c)选择“随机森林回归”组件进行回归计算：对原始训练集进行 bootstrap抽样，有放回地从n1个原始训练样本中选择n1(n1《n1)个样 本生成m1个训练子集；使用训练子集训练回归树，在节点上所有的样本特征 中随机选择一部分样本特征，依据最小均方差进行回归树的左右子树划分， 分裂直到树生长到最大；重复以上步骤，将多棵回归树组成随机森林；
[0095]
d)基于“回归模型评估”组件设置预测参数与输出参数，计算回归效 果指标包括均方误差(mse)、均方根误差(rmse)、平均绝对误差(mae)、回 归系数(r2)对预测模型的预
测误差进行评价，若是回归效果指标不理想， 可返回步骤b、c调整输入参数和“随机森林回归”组件的算法参数；
[0096]
e)利用“模型引用”组件调用基于“随机森林”回归的训练模型，搭 建测试集的回归测试模型，模型搭建过程与训练模型相同，若是回归效果指 标不理想，可返回步骤b、c调整输入参数和“随机森林回归”组件的算法参 数；
[0097]
f)模型训练集和测试集的回归效果指标均理想时，单个扇形段壁温极 小值预测建模过程结束。
[0098]
具体的，步骤5)通过每台机组设有多个冷却扇形段，分别预测各扇形段 出水温度。单个扇形段出水温度预测建模步骤如下：
[0099]
a)利用大数据平台中“列间计算”组件和均匀分布的随机函数生成随 机列，根据随机的数值范围筛选训练集和测试集；
[0100]
b)利用“分类配置”组件设置扇区出水温度预测模型的输入/输出变量： 输入变量包括环境温度、冷却塔进水温度、百叶窗开度、供热抽气流量、扇 区壁温平均值、扇区循环水水阻、凝汽器真空、冷却塔内温度等，模型输出 变量为某扇区出水温度；
[0101]
c)选择“随机森林回归”组件进行回归计算：对原始训练集进行 bootstrap抽样，有放回地从n个原始训练样本中选择n2(n2《n2)个样 本生成m2个训练子集；使用训练子集训练回归树，在节点上所有的样本特征 中随机选择一部分样本特征，依据最小均方差进行回归树的左右子树划分， 分裂直到树生长到最大；重复以上步骤，将多棵回归树组成随机森林；
[0102]
d)基于“回归模型评估”组件设置预测参数与输出参数，计算回归效 果指标包括均方误差(mse)、均方根误差(rmse)、平均绝对误差(mae)、回 归系数(r2)对预测模型的预测误差进行评价。若是回归效果指标不理想， 可返回步骤b、c调整输入参数和“随机森林回归”组件的算法参数；
[0103]
e)利用“模型引用”组件调用基于“随机森林”回归的训练模型，搭 建测试集的回归测试模型，模型搭建过程与训练模型相同，若是回归效果指 标不理想，可返回步骤b、c调整输入参数和“随机森林回归”组件的算法参 数；
[0104]
f)模型训练集和测试集的回归效果指标均理想时，单个扇形段壁温极 小值预测建模过程结束。
[0105]
具体的，步骤6)利用“实时库kafka源”组件实时采集冬季间冷塔运行 相关监测参数的数据，调用扇区壁温极小值预测模型和扇区出水温度预测模 型，实时计算扇区壁温极小值期望值和扇区出水温度期望值。当扇区冷却柱 壁温极小值期望值小于设定值或扇区出水温度期望值小于设定值时，利用“列 间计算”组件输出间冷系统扇区防冻预警状态列pre_alarm_status的数值为1，否则为0，当状态列pre_alarm_status的数值为1时，系统给出间冷系统 扇区防冻预警信息，从而及时提醒运行人员进行扇区百叶窗开度调整，做好 相关防冻措施。
[0106]
举例说明：
[0107]
某电厂2
×
300mw间冷机组间冷系统防冻预警方法。
[0108]
1)历史数据采集与存储
[0109]
基于数据采集程序包从电厂sis实时数据库采集间冷塔运行相关参数在 近一年
的冬季工况历史数据。间冷塔运行相关参数包括：机组负荷、循环水 泵电流、环境温度、风速、风向、各扇形段百叶窗开度、冷却塔进水/出水温 度、冷却塔进/出水压力、扇区各扇形段冷却柱壁面温度、凝汽器真空、对外 供热抽汽流量等157个参数。基于大数据平台的“数据源”组件进行历史数 据读取，基于“多源合并”组件将历史数据进行合并，且以parquet格式存 储在大数据平台。采集时间为2019年11月-2020年3月、2020年11月-2020 年12月，数据采集间隔为2分钟，共计109445条数据。
[0110]
2)特征参数处理
[0111]
a)间冷塔各扇区壁温极小值计算
[0112]
利用“列间统计”组件实现对各扇区的多个壁温测点数据的最小值计算， 输出各扇区壁温极小值的参数列。
[0113]
b)间冷塔各扇区循环水温降计算
[0114]
利用“列间统计”组件实现对各扇区循环水温降计算，输出各扇区循环 水温降的参数列。
[0115]
c)间冷塔各扇区水阻计算
[0116]
利用“列间统计”组件实现对间冷塔各扇区水阻计算，输出各扇区水阻 的参数列。
[0117]
d)循环水泵运行台数计算
[0118]
利用“列间计算”组件，对机组循环冷却水泵的投退状态进行判断，循 环冷却水泵投入运行的判断条件：如果循泵电流≥70a，则结果列输出1，否 则结果列输出0；每台循环水泵都执行同样的计算。最后，将所有循环水泵输 出结果相加即得出循环水泵运行台数。
[0119]
e)参数相关性分析
[0120]
通过相关性分析组件对样本数据进行相关性分析，去除与扇区冷却柱壁 温极小值、扇区出水温度相关性小于0.5的样本数据，以提高模型预测精度。 经过样本数据筛选后，还剩总计78211条合格的样本数据。
[0121]
3)样本数据筛选
[0122]
a)工况稳定性分析
[0123]
利用“工况稳定性分析”组件对历史数据进行稳定性分析，并输出各个 时刻的工况状态变量stability；利用“数据过滤”组件筛选数据，保留工况 稳定的数据，过滤掉工况不稳定的数据。对机组负荷、主蒸汽压力、供热抽 气流量等参数采用相对阈值进行稳定性判定，对主要的温度参数采用绝对阈 值进行稳定性判定。工况稳定性的判定标准如下：
[0124]
参数名称判稳标准#1发电机功率相对阈值小于3％#2发电机功率相对阈值小于3％汽轮机背压汽轮机背压相对阈值小于5％环境温度绝对阈值小于2℃冷却塔进水温度绝对阈值小于2℃抽汽供热流量计算值相对阈值小于5％
[0125]
取各参数连续30min内的数据进行判稳，若未超过判稳阈值，则判定对 应工况段为稳定工况。经过工况稳定性分析筛选后，还剩总计77865条合格 的样本数据。
[0126]
b)工况统计分析
[0127]
利用“工况统计”组件基于时间变量time和工况状态变量stability进 行连续稳定工况数据的抽取，并对各工况时段进行均值、极差、均方差的统 计特征计算，基于工况分析结果的表格和x-y图形进行工况数据分析，记录 异常数据的时间段。
[0128]
c)异常数据过滤
[0129]
利用“数据过滤”组件和时间变量time过滤掉异常工况的时段数据，经 过异常数据过滤后，还剩总计76593条合格的样本数据。
[0130]
4)扇区冷却柱壁温极小值预测
[0131]
每台机组有6个冷却扇形段，分别对机组6个扇形段对应的冷却柱壁温 极小值进行预测，具体步骤以1#扇形段为例进行说明，具体步骤如下：
[0132]
a)利用大数据平台中“列间计算”组件和均匀分布的随机函数生成随 机列，根据随机的数值范围筛选训练集和测试集；样本数据的80％作为训练集， 共计61274条数据，20％作为测试集，共计15319条数据；
[0133]
b)利用“分类”配置组件设置扇区壁温极小值预测模型的输入/输出变 量。输入变量为11个，具体包括：环境温度、环境风速、风向、冷却塔进水 温度、百叶窗开度、供热抽气流量、1#扇形段出水温度、1#扇形段循环水温 降、1#扇形段循环水水阻、凝汽器真空、循泵投运台数；输出变量为1#扇形 段冷却柱壁温极小值；
[0134]
c)选择“随机森林回归”组件建立随机森林回归模型，决策树数量设 为100，分裂策略选用“auto”，不纯度选用“variance”，最大深度设为30， 最大分裂数设为50；使用训练子集训练回归树，在节点上所有的样本特征中 随机选择一部分样本特征，依据最小均方差进行回归树的左右子树划分，分 裂直到树生长到最大；重复以上步骤，将多棵回归树组成随机森林；
[0135]
d)基于“回归模型评估”组件设置预测参数与输出参数，计算回归效 果指标包括均方误差(mse)、均方根误差(rmse)、平均绝对误差(mae)、回 归系数(r2)对预测模型的预测误差进行评价。训练模型的mse为0.032、 rmes为0.178、mae为0.087、r2为0.999；
[0136]
e)利用“模型引用”组件调用基于“随机森林”回归的训练模型，搭 建测试集的回归测试模型，模型搭建过程与训练模型相同。模型测试的mse 为0.137、rmes为0.370、mae为0.196、r2为0.996，扇区壁温极小值的预 测值与实测值结果对比如图3所示；
[0137]
f)模型训练集和测试集的回归效果指标均理想时，1#扇形段壁温极小 值预测建模过程结束。
[0138]
5)扇区出水温度预测
[0139]
每台机组有6个冷却扇形段，分别对机组6个扇形段对应的出水温度进 行预测，具体步骤以1#扇形段为例进行说明，具体步骤如下：
[0140]
a)利用大数据平台中“列间计算”组件和均匀分布的随机函数生成随 机列，根据随机的数值范围筛选训练集和测试集；样本数据的80％作为训练集， 共计61274条数据，20％作为测试集，共计15319条数据；
[0141]
b)利用“分类”配置组件设置扇区出水温度预测模型的输入/输出变量。 输入变量为10个，具体包括：环境温度、环境风速、风向、冷却塔进水温度、 百叶窗开度、供热抽气流量、1#扇形段壁温平均值、1#扇形段循环水水阻、 凝汽器真空、循泵投运台数；输出变量为1#扇形段出水温度。
[0142]
c)选择“随机森林回归”组件建立随机森林回归模型，决策树数量设 为100，分裂策略选用“auto”，不纯度选用“variance”，最大深度设为30， 最大分裂数设为50；使用训练子集训练回归树，在节点上所有的样本特征中 随机选择一部分样本特征，依据最小均方差进行回归树的左右子树划分，分 裂直到树生长到最大；重复以上步骤，将多棵回归树组成随机森林；
[0143]
d)基于“回归模型评估”组件设置预测参数与输出参数，计算回归效 果指标包括均方误差(mse)、均方根误差(rmse)、平均绝对误差(mae)、回 归系数(r2)对预测模型的预测误差进行评价，训练模型的mse为0.014、rmes 为0.118、mae为0.076、r2为0.999；
[0144]
e)利用“模型引用”组件调用基于“随机森林”回归的训练模型，搭 建测试集的回归测试模型，模型搭建过程与训练模型相同。模型测试的mse 为0.055、rmes为0.235、mae为0.167、r2为0.995，扇区出水温度的预测 值与实测值结果对比如图4所示；
[0145]
f)模型训练集和测试集的回归效果指标均理想时，1#扇形段出水温度 预测建模过程结束。
[0146]
6)扇区防冻预警实时计算
[0147]
利用“实时库kafka源”组件实时采集冬季间冷塔运行相关监测参数的 数据，调用扇区壁温极小值预测模型和扇区出水温度预测模型，实时计算扇 区壁温极小值期望值和扇区出水温度期望值。当扇区冷却柱壁温极小值期望 值小于设定值或扇区出水温度期望值小于设定值时，利用“列间计算”组件 输出间冷系统扇区防冻预警状态列pre_alarm_status的数值为1，否则为0。 当状态列pre_alarm_status的数值为1时，系统给出间冷系统扇区防冻预警 信息，从而及时提醒运行人员进行扇区百叶窗开度调整，做好相关防冻措施。
[0148]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而 言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行 多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限 定。