一种电厂循环流化床锅炉操作优化方法与流程

本发明属于智能工业领域，具体涉及一种电厂循环流化床锅炉操作优化方法。

背景技术

火电厂锅炉由于技术设计偏差、工程建设偏差和长期运行造成设备损坏、效率降低、以及运行管理的原因，导致在实际运行中偏离最佳运行点，从而导致效率偏低，能耗偏高。目前，尽管火电厂节能减排已经受到广泛的重视，但是在效果方面却始终不够显著。由于火力发电是一个基于朗肯循环的闭式系统，单一参数的改变会影响到很多参数，这种影响既有正向影响，又有负向影响。因此，对于综合权衡参数的大小对火电站效率的提高和能耗的降低具有十分重要的意义。能够在安全稳定的前提下，可靠的提供重要参数的优化值，为运行人员在实际运行中提供决策支持是当务之急和大势所趋。

随着信息、通讯、计算机、智能控制、变频技术的发展，为火力发电厂的高效、节约运作、科学管理，以及过程优化提供了前所未有的手段，进而促进火力发电厂的科学管理和自动化水平的提高。同时，计算机技术为火电厂保存大量的数据，它们能够反映电厂历史的运行情况。如果能够对这些数据进行分析处理，就能够针对电厂进行合理的“解剖”，从而能完全了解电厂实际性能和特性。并且能够根据历史优异的运行经验为现在运行操作提供参照。

当前能处理如此众多繁杂的数据，必须依赖大数据技术。大数据技术，是指从各种各样类型的数据中，快速获得有价值信息的能力。适用于大数据的技术，包括大规模并行处理(MPP)数据库，数据挖掘电网，分布式文件系统，分布式数据库，云计算平台，互联网，和可扩展的存储系统。有人把数据比喻为蕴藏能量的煤矿。煤炭按照性质有焦煤、无烟煤、肥煤、贫煤等分类，而露天煤矿、深山煤矿的挖掘成本又不一样。与此类似，大数据并不在“大”，而在于“有用”。价值含量、挖掘成本比数量更为重要。对于很多行业而言，如何利用这些大规模数据是赢得竞争的关键。对于火电厂而言，大数据技术通过分析和挖掘电厂运行数据，能够以能耗为指标，通过分析电厂实际运行相关参数与能耗的关系，分析并获得在特定工况下最优的操作建议，为运行人员提供决策支持。

本锅炉燃烧深度优化系统以DCS的数据以及日常其他数据为数据源，以大数据技术为核心，通过神经网络、关联规则等算法寻找出特定工况下最优运行参数，为电厂实际运行提供决策支持，从而有效的降低电厂能耗，为电厂带来可观的经济效益。

技术实现要素：

为了实现上述目的，本发明涉及：一种电厂循环流化床锅炉操作优化方法，包括如下步骤：

步骤一.基于OPC服务进行实时数据采集；

步骤二.通过剔除异常值、稳态分析及相关性分析进行数据预处理；

步骤三.使用神经网络算法建立锅炉数字模型；

步骤四.运用关联规则对锅炉运行数据进行挖掘，建立操作优化模型；得到锅炉吨标煤产汽量最大的运行操作参数；经过关联规则计算后得到锅炉吨标煤产汽量最大的区间；

步骤五.运用多维聚类算法对区间进行聚类分析，得到聚类中心，以此建立优化操作模型；

步骤六.求出锅炉效率最高时所对应的各操作参数，并与当前运行参数对比，制定需要调整参数及范围，给予运行人员操作指导。

进一步的，所述步骤一基于OPC服务进行实时数据采集的方法为：组建OPC数据采集网络以采集锅炉操作数据。建立专用数据库系统用于保存采集到的锅炉操作数据，为建立锅炉的精确模型做准备。

进一步的，所述步骤二中剔除异常值是指将数据中的NaN空数据和数值为0及违反常理的离群值删除。

进一步的，所述违反常理的判断标准为：开度、一次风量、二次风量、给水流量、给水温度、空预器入口温度、氧量、真空、排烟温度、主蒸汽压力、主蒸汽温度、主蒸汽流量、循环水泵电流、循环水入口温度、磨煤机电流、炉膛负压、负荷、给煤流量中不可能为负值或者不可能为正值的数据；

开度、一次风量、二次风量、给水流量、给水温度、空预器入口温度、氧量、真空、排烟温度、主蒸汽压力、主蒸汽温度、主蒸汽流量、循环水泵电流、循环水入口温度、磨煤机电流、炉膛负压、负荷、给煤流量中超出正常范围的数据；

停机时，开度、一次风量、二次风量、给水流量、氧量、真空、排烟温度、主蒸汽流量、循环水泵电流、磨煤机电流、负荷、给煤流量数据的非零显示；

空气温度高于100℃的数据。

进一步的，所述稳态分析的方法为：

以“主汽压力(MPa)”用滑动窗口法，对数据按照时间顺序进行稳态状态的判别，得到稳定无异常的运行数据；火电厂机组的运行状态经常发生变化，为了准确获得机组各变量间的关系，需要从采样数据中选择机组稳态运行数据；机组主汽压力是反映机组运行工况是否稳定的重要因素，因此在本方案中采用滑动窗口法对“主汽压力(MPa)”进行稳态区间检测；计算窗口内数据的波动情况，若波动情况较大，则认为窗口内数据处于非稳态，不保留数据；否则数据处于稳态，保留数据，通过对稳态数据进行关联分析，对负荷进行合理的切割，通过聚类分析，寻找出各类负荷下最优运行工况，从而为未来运行操作提供支持；

计算公式：

式中：δ表示稳态判定指标，t表示滑动窗口内采样时间；N表示滑动窗口的宽度，表示从t到t N-1之间实时的主蒸汽压力的均值；xt表示第t个工况的实时的主蒸汽压力值；λ为主汽压力量程范围的2％；

上式成立时候,则保留数据,不成立时，则不保留数据。

进一步的，所述步骤二中相关性分析的方法为：对给水流量、给水温度、总风量、一次风量、二次风量、氧量、引风机电流、送风机电流、一次风机电流、循环水进口温度、循环水泵电流、真空泵电流、磨煤机电流、磨煤机转速与煤耗进行相关性分析，将各变量与煤耗间的相关性系数进行排序，保留相关性强的前N个变量，其余变量全部删除。

进一步的，N的取值范围为14≥N≥11。

进一步的，所述步骤三中使用神经网络算法建立锅炉数字模型的方法为：采用BP神经网络算法，负荷、一次风量、二次风量、给水流量、给水温度、空预器入口温度、氧量、真空、排烟温度、主蒸汽压力、主蒸汽温度、主蒸汽流量、循环水泵电流、循环水入口温度、磨煤机电流、炉膛负压等17个变量，以预测进煤总热量与测试时间段内实际实时进煤总热量的方差和小于设定值；以预测数据与实际数据平均值差值小于设置值；以实际实时进煤总热量的差值最大值小于设定值。通过最优模型寻找法，寻找出拟合准确比率和模型总体偏移程度小的最优训练模型。

进一步的，所述锅炉数字模型包括两层：全厂锅炉数字模型和单锅炉数字模型；

1)全厂锅炉数字模型基于各给煤煤质和总负荷下整体锅炉效率数字模型，该模型最大作用是定量分析负荷和给煤煤质对全厂效率的影响，从而指导配煤和负荷分配；

2)单锅炉数字模型基于每台锅炉运行数据建立的反映单锅炉效率的数字模型，与单锅炉机理模型协调配合，最大程度再现锅炉运行状态，从而为优化模型做铺垫。

进一步的，所述步骤四中运用关联规则对锅炉运行数据进行挖掘，建立操作优化模型的方法为；获取历史数据，完成数据的整理以及离散化后，根据Apriori法获取与机组高效率、低煤耗点相关的关联规则。将得到的关联规则进行整理形成关联规则库。进行优化时首先获取机组运行的实时数据，根据负荷及环境温度从关联规则库当中搜索符合负荷及环境温度的全部关联规则。然后在众多检索出的规则进行选取，规则选取时考虑机组的运行规程，工艺指标，同时对当前运行工况的综合性能与关联规则库中选取的工况综合性能进行评估，假若当前运行工况下的综合性能比关联规程库中的综合性能优异，则继续保持当前工况控制参数值，最终选取可控参数最优值对实际操作进行指导；

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

(1)本发明的电厂循环流化床锅炉操作优化方法，通过开发锅炉效率的机理模型和数学模型，建立针对全厂锅炉深度优化的优化模型并求解，可为全厂锅炉的操作优化提供指导，产生明显的经济效益。

(2)本发明的电厂循环流化床锅炉操作优化方法，无硬件改造，不影响电厂正常运行。

附图说明

图1为本发明较佳实施例的锅炉燃烧优化系统技术原理结构图；

图2为本发明较佳实施例的聚类分析流程图；

图3为本发明较佳实施例聚类分析对锅炉数据离散化处理示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

请参考图1-图2，一种电厂循环流化床锅炉操作优化方法，包括如下步骤：

步骤一.基于OPC服务进行实时数据采集；

步骤二.通过剔除异常值、稳态分析及相关性分析进行数据预处理；

步骤三.使用神经网络算法建立锅炉数字模型；

步骤四.运用关联规则对锅炉运行数据进行挖掘，建立操作优化模型；得到锅炉吨标煤产汽量最大的运行操作参数；经过关联规则计算后得到锅炉吨标煤产汽量最大的区间；

步骤五.运用多维聚类算法对区间进行聚类分析，得到聚类中心，以此建立优化操作模型；

步骤六.求出锅炉效率最高时所对应的各操作参数，并与当前运行参数对比，制定需要调整参数及范围，给予运行人员操作指导。

所述步骤一基于OPC服务进行实时数据采集的方法为：组建OPC数据采集网络以采集锅炉操作数据。建立专用数据库系统用于保存采集到的锅炉操作数据，为建立锅炉的精确模型做准备。

所述步骤二中剔除异常值是指将数据中的NaN空数据和数值为0及违反常理的离群值删除。

所述违反常理的判断标准为：开度、一次风量、二次风量、给水流量、给水温度、空预器入口温度、氧量、真空、排烟温度、主蒸汽压力、主蒸汽温度、主蒸汽流量、循环水泵电流、循环水入口温度、磨煤机电流、炉膛负压、负荷、给煤流量中不可能为负值或者不可能为正值的数据；

开度、一次风量、二次风量、给水流量、给水温度、空预器入口温度、氧量、真空、排烟温度、主蒸汽压力、主蒸汽温度、主蒸汽流量、循环水泵电流、循环水入口温度、磨煤机电流、炉膛负压、负荷、给煤流量中超出正常范围的数据；

停机时，开度、一次风量、二次风量、给水流量、氧量、真空、排烟温度、主蒸汽流量、循环水泵电流、磨煤机电流、负荷、给煤流量数据的非零显示；

空气温度高于100℃的数据。

进一步的，所述稳态分析的方法为：

以“主汽压力(MPa)”用滑动窗口法，对数据按照时间顺序进行稳态状态的判别，得到稳定无异常的运行数据；火电厂机组的运行状态经常发生变化，为了准确获得机组各变量间的关系，需要从采样数据中选择机组稳态运行数据；机组主汽压力是反映机组运行工况是否稳定的重要因素，因此在本方案中采用滑动窗口法对“主汽压力(MPa)”进行稳态区间检测；计算窗口内数据的波动情况，若波动情况较大，则认为窗口内数据处于非稳态，不保留数据；否则数据处于稳态，保留数据，通过对稳态数据进行关联分析，对负荷进行合理的切割，通过聚类分析，寻找出各类负荷下最优运行工况，从而为未来运行操作提供支持；

计算公式：

式中：δ表示稳态判定指标，t表示滑动窗口内采样时间；N表示滑动窗口的宽度，表示从t到t N-1之间实时的主蒸汽压力的均值；xt表示第t个工况的实时的主蒸汽压力值；λ为主汽压力量程范围的2％；

上式成立时候,则保留数据,不成立时，则不保留数据。

所述步骤二中相关性分析的方法为：对给水流量、给水温度、总风量、一次风量、二次风量、氧量、引风机电流、送风机电流、一次风机电流、循环水进口温度、循环水泵电流、真空泵电流、磨煤机电流、磨煤机转速与煤耗进行相关性分析，将各变量与煤耗间的相关性系数进行排序，保留相关性强的前N个变量，其余变量全部删除。

N的取值范围为14≥N≥11。

所述步骤三中使用神经网络算法建立锅炉数字模型的方法为：采用BP神经网络算法，负荷、一次风量、二次风量、给水流量、给水温度、空预器入口温度、氧量、真空、排烟温度、主蒸汽压力、主蒸汽温度、主蒸汽流量、循环水泵电流、循环水入口温度、磨煤机电流、炉膛负压等17个变量，以预测进煤总热量与测试时间段内实际实时进煤总热量的方差和小于设定值；以预测数据与实际数据平均值差值小于设置值；以实际实时进煤总热量的差值最大值小于设定值。通过最优模型寻找法，寻找出拟合准确比率和模型总体偏移程度小的最优训练模型。

进一步的，所述步骤三中锅炉数字模型包括两层：全厂锅炉数字模型和单锅炉数字模型；

1)全厂锅炉数字模型基于各给煤煤质和总负荷下整体锅炉效率数字模型，该模型最大作用是定量分析负荷和给煤煤质对全厂效率的影响，从而指导配煤和负荷分配；

2)单锅炉数字模型基于每台锅炉运行数据建立的反映单锅炉效率的数字模型，与单锅炉机理模型协调配合，最大程度再现锅炉运行状态，从而为优化模型做铺垫。

所述步骤四中运用关联规则对锅炉运行数据进行挖掘，建立操作优化模型的方法为；获取历史数据，完成数据的整理以及离散化后，根据Apriori法获取与机组高效率、低煤耗点相关的关联规则。将得到的关联规则进行整理形成关联规则库。进行优化时首先获取机组运行的实时数据，根据负荷及环境温度从关联规则库当中搜索符合负荷及环境温度的全部关联规则。然后在众多检索出的规则进行选取，规则选取时考虑机组的运行规程，工艺指标，同时对当前运行工况的综合性能与关联规则库中选取的工况综合性能进行评估，假若当前运行工况下的综合性能比关联规程库中的综合性能优异，则继续保持当前工况控制参数值，最终选取可控参数最优值对实际操作进行指导；

外推优化值

考虑机组在某些工况下可能从未达到最优运行，因此除从历史工况数据中选择的最优关联规则可控参数最优值外，可能存在更佳的可控参数值使机组运行效率更高、煤耗更低。

基于往坏的方向走将更坏，往好的方向走将更好的原理，通过以差类关联规则平均值为支点往好类关联规则优化点方向外推，控制步长控制外推范围，可以外推得到比历史数据中更好地可控参数最优值，如果外推可控参数最优值超过可操作范围，改变外推歩长，再次进行外推，最终得到不超过可操作范围的外推可控参数最优值。

以关联规则为支点往好关联规则优化点方向外推，得到比历史数据中更好地外推优化点，如果外推优化点操作变量值超过可操作范围，可以改变预测歩长，再次进行外推，得到操作变量值不超过可操作范围的外推优化点。

外推优化：

考虑机组在某些工况下可能从未达到最优运行，因此除从历史工况数据中选择的最优关联规则可控参数最优值外，可能存在更佳的可控参数值使机组运行效率更高、煤耗更低。

基于往坏的方向走将更坏，往好的方向走将更好的原理，通过以差类关联规则平均值为支点往好类关联规则优化点方向外推，控制步长控制外推范围，可以外推得到比历史数据中更好地可控参数最优值，如果外推可控参数最优值超过可操作范围，改变外推歩长，再次进行外推，最终得到不超过可操作范围的外推可控参数最优值。

以关联规则为支点往好关联规则优化点方向外推，得到比历史数据中更好地外推优化点，如果外推优化点操作变量值超过可操作范围，可以改变预测歩长，再次进行外推，得到操作变量值不超过可操作范围的外推优化点。

请参考图3，聚类分析是一种将研究对象分为相对同质的群组的统计分析技术。电厂中的参数大多是连续型数据，需要将连续型数据转换为离散型数据才能用关联规则进行挖掘。在本方案中聚类分析有三个作用：作用一：通过聚类分析查看各变量的聚集程度以及波动情况，然后根据各变量的聚集程度以及波动情况确定各变量类别数量。

作用二：通过聚类分析将电厂连续型数据划分成有意义的组，转换为离散型数据，用于关联规则数据挖掘。

作用三：通过聚类分析将电厂数据转换为离散型数据，提高了数据挖掘的查询和处理速度。数据离散化是指将连续的数据进行分段，使其变为一段段离散化的区间。分段的原则有基于等距离、等频率或优化的方法。

通过聚类分析，将发电煤耗分为三大类，其余变量分为两大类

首先通过聚类分析查看各变量的聚集程度以及波动情况，然后根据各变量的聚集程度以及波动情况确定各变量类别数量，多分配变量波动情况大且聚集程度比较分散的变量类别数量，适当减少变量波动情况小且聚集程度集中的变量类别数量。

每一类的标准为各变量的数据到此聚类中心的距离最小，将数据对象划分到距离最近的类中，以“距离”作为分类的依据，距离越小，数据越“相似”。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。