【智能化验】基于数据挖掘算法的锅炉效率智能计算应用研究

推荐单位及作者

中电华创电力技术研究有限公司

丁皓轩、宁新宇、赵昕熠、唐文

武汉智凯科技有限公司

张凯平、童颢、金飞、赵琦

摘要

火力发电厂是我国目前主要的电力生产组织方式，燃煤是电厂生产成本中的绝大部分，占成本的80%左右。火电机组作为节能减碳的重点单位，提高火电机组的运行效率、减少煤炭的消耗势在必行。根据锅炉效率计算标准，计算锅炉热效率需要使用入炉煤元素分析组分、飞灰含碳量、排烟温度、排烟氧量等多个关键参数。依据锅炉效率计算标准，借助电厂的SIS数据库，计算锅炉运行热效率。结合多种智能算法，对影响锅炉热效率的关键参数进行特性分析和全局寻优，以提升锅炉运行效率为目的，指导锅炉的运行参数调整。从而大大提升火电厂安全性、经济性、环保性。

关键词：数据挖掘；锅炉效率计算；应用研究

前言

近年来，我国提出“3060”碳达峰、碳中和的目标，能源行业迎来新的变革。锅炉长期运行在非设计工况，运行工况不稳定导致煤炭利用效率下降成为常态。同时，火电机组作为节能减碳的重点单位，提高火电机组的运行效率、减少煤炭的消耗势在必行。根据锅炉效率计算标准，计算锅炉热效率需要使用入炉煤元素分析组分、飞灰含碳量、排烟温度、排烟氧量等多个关键参数。但目前电厂的数据库中，缺乏煤质和飞灰含碳量等参数，因此获取实时准确的锅炉热效率存在困难。

通过对燃煤工业分析转化元素分析的计算方法开展研究，以及锅炉全负荷段飞灰含碳量预测方法，建立煤质元素分析组分和飞灰含碳量的智能预测模型，以获取锅炉效率计算的关键输入参数。依据锅炉效率计算标准，借助电厂的SIS数据库，计算锅炉运行热效率。

1、研究对象概述

本文以湖北省某火力发电厂600MW机组为研究对象，锅炉型号为HG-1970/25.4-YM4，一次中间再热、超临界压力变压运行带内置式再循环泵启动系统直流锅炉，单炉膛、平衡通风、固态排渣、全钢架、全悬吊结构、π型布置。锅炉岛为露天布置。设计煤种为淮南煤，校核煤分别是平顶山煤和黄陵煤。采用30只低NOx轴向旋流燃烧器前后墙布置、对冲燃烧方式，正压直吹制粉系统6台HP1003中速磨煤机。

2、锅炉燃烧热效率计算的应用研究过程

2.1机器学习相关原理介绍

2.1.1数据预处理

模型数据来源于机组SIS数据库，通常在工程实践中，数据库中的数据由于采集、传输等过程，会存在有缺失值、重复值等，在使用之前需要进行数据预处理。

数据预处理的方法多种多样，通常针对不同的任务和不同的数据集属性选择合适的方法，例如：去除唯一属性、处理缺失值、属性编码、数据标准化正则化、特征选择、主成分分析等。

本文采用了数据清理、特征提取、数据转换等方法进行了数据预处理。

2.1.2 回归预测模型

（1）Lasso线性模型

LASSO回归的特点是在拟合广义线性模型的同时进行变量筛选和复杂度调整。因此，不论因变量是连续的，还是二元或者多元离散的，都可以用 LASSO 回归建模然后预测。

（2）SVR回归模型

支持向量机回归SVR算法通过在特征空间中寻找一个超平面来进行回归预测，具有非线性能力强、对异常值鲁棒性强、模型泛化能力强等特点。然而，它也存在计算复杂度过高、参数调节敏感等缺点，需要根据具体问题进行使用和调优。

（3）多项式模型

多项式回归在锅炉燃烧热效率中也有应用。具体来说，可以使用多项式回归来拟合和预测锅炉燃烧的热效率。通过收集锅炉的燃烧数据，包括燃料消耗量、进出水温度、压力等参数，并采用多项式回归算法进行拟合和预测，可以得出锅炉燃烧的热效率。多项式回归可以处理非线性问题，对复杂的锅炉燃烧过程进行模拟和预测，提高预测精度和稳定性等。另外，可以通过优化多项式回归模型的参数和变量，提高模型的泛化能力和可靠性。

2.2飞灰含碳量预测

2.2.1建模方式

由于不同的工况下，磨煤机的组合方式多种多样，会导致燃烧工况的特性产生不同，每一种磨煤机的组合方式都会有其特有的特征性。基于此考虑针对不同的磨煤机组合方式训练出不同的飞灰含碳量的预测模型用于预测飞灰含碳量。具体进行预测时根据当前的给煤机组合方式适配到指定的预测模型中并进行最终的飞灰含碳量的预测。飞灰含碳量预测流程图如下：

2.2.2回归模型的选择

选择样本时，为消除变工况过程中由于锅炉热惯性而产生的运行参数与飞灰含碳量时间轴不匹配的问题，本文选择稳定工况下的样本作为模型训练样本。同时基于先前模型训练的经验及实际效果，决定采用多项式模型作为最终的预测模型这与多项式模型不容易过拟合、并且飞灰含碳量与含氧量、功率等参数有二次幂关系有一定的关系。

2.2.3特征筛选、模型选择

首先对于不同的工况需要选择相关性较强的工况参数作为预测模型的特征值，需要在潜在的相关特征中选择最佳的特征既进行特征降维。初步所选的潜在特征值分别为给煤量和磨煤机电流、空预器出口含氧量和烟气温度、实际负荷、送风机出口温度、主气温度、主汽压力、给水流量。

在特征降维过程中通常的方法主要有主成分分析、lasso回归特征降维、单变量特征降维、基于模型的预测效果特征降维。其中基于模型预测效果的特征降维能够在特征维度

较少、时间较充足的情况下适合作为特征降维的方法。我们通过组合不同的特征，计算各自组合的预测效果，并选择其中最佳组合作为最终的特征组合。

2.3煤质成分计算

2.3.1计算原理

基于收到的基煤质工业分析获取对应的基煤质元素分析，对于工业分析数据转化元素分析数据，目前已有对应的经验公式，但经验公式准确度较差。本研究基于经验公式的改进，以及机器学习模型训练出的预测模型综合分析并得到最终的煤质元素分析数据。

2.3.2特征筛选、模型选择

分别对碳、氢、氧、氮，进行了lasso模型、SVR模型、多项式模型、改进公式等模型进行了效果的对比。

（1）碳分析

经对比，选择了lasso模型，选择全水份、灰份、挥发份、固定碳、高位发热量作为特征参数。

（2）氢分析

经对比，选择了多项式模型，选择全水份、灰份、高位发热量、低位发热量作为特征参数。

（3）氧分析

经对比，选择了Lasso模型，选择灰份、全硫、高位发热量、低位发热量作为特征参数。

（4）氮分析

经对比，最终选择了组合基于氢元素预测值的lasso比例模型，选择全水份、挥发份、固定碳、全硫、高位发热量、干燥无灰基挥发分、低位发热量作为特征参数。

2.3.3最终模型

综合分析四种元素分析的预测结果，考虑到氧的预测的相对误差是最大的，所以最终选取碳、氢、氮作为预测的元素，氧元素通过100减去其他成分获得。

2.4热效率修正计算

热效率的计算参考ASME锅炉效率计算标准，基于反平衡的原理，根据机组工况数据及前文所述模型得到的在线煤质数据和在线飞灰含碳量数据计算。

2.5运行工况最佳推荐

基于机组运行过程中SIS系统历史数据，通过读取煤质信息、运行参数、机组参数等信息，采用聚类分析和因子分析的方法建立以安全性、经济性和环保性为指标的机组运行状态分级评价综合量化标准。基于标杆的计算规则，寻找历史工况中的最佳标杆相应的工况值。本次研究以磨煤机运行工况的最佳推荐为例说明其算法原理及实现方法。

磨煤机运行状态的标杆是以系统耗电率和煤粉细度为主要指标，指导确定制粉系统各磨煤机出力（给煤量）、以及分离器挡板开度的最优组合优化运行方式。对所有的历史工况数据计算对应的标杆值，为后续标杆库的建立做数据的储备。

2.5.1历史工况分析

火力发电厂的工况参数存储于SIS实时数据库中,基于数据库的接口开发对应的数据采集程序，可获取所有的历史工况数据。历史工况的数据是拥有较多噪音的数据，并且数据的储存频率也不尽相同。为此我们首先对原始数据进行了数据的预处理，并且以5分钟时间为平均时间对历史数据进行了平均值的计算。通过上述数据的处理我们可以得到所有历史工况的以五分钟为间隔的历史值，为后续标杆库的建立提供了数据基础。

为了分析磨煤机的运行状态，我们需要获取所有磨煤机相关的工况参数，同时考虑到煤粉细度数据的获取难度，我们以飞灰含碳量的实时值代替了煤粉细度。同时通过观察一段时间的各组参数之间的数据相关性，分析出主要的磨煤机工况参数。

2.5.2运行标杆计算

针对于所有的历史工况数据，我们需要一个评判磨煤机运行状态好坏的标杆值，该标杆值按照如下方法计算。

1)计算磨煤机单耗

磨煤机单耗基于各组磨煤机的实时电流值、额定电压及磨煤机出力计算实时单耗值。

2)获取热效率实时计算模块的热效率数据，并计算最终标杆。

2.5.3工况精细化模型建立

精细化模型概念启发于机组的运行状态可根据机组关键的工况参数大致分为相近的运行工况。比如当两组历史工况数据（5分钟为平均值的工况数据）每个磨煤机的煤质品种相差不大，并且机组的发电功率属于相近的范围，则可大致认为两组工况属于相近的机组运行状态。则我们可以基于这些参数把所有的历史工况数据进行精细化聚类，既把相近的工况参数当做相同的聚类的类别对待。据此我们可根据当前的工况数据计算出当前工况对应的类别，进而搜索所有的相同类别的历史数据，并以此数据作为经验基础进行进一步的数据分析。

磨煤机的优化也是基于上述的原理，按照此方法我们可以建立所有历史工况的精细化聚类模型，最终只保留有限个标杆值较高的历史工况参数。

2.5.4优化指导参数选择

基于上一节中的模型原理我们可以知道，任何历史工况参数都可作为优化的指标，只要该参数在当时的工况下有有效的值。我们分别对磨煤机及配风系统进行了优化参数的推荐。

其中对于磨煤机考虑到可调参数较有限及现场操作人员可进行调节的参数也较有限，我们选择了磨煤机转速以及磨煤机入口风门开度的最优组合优化运行方式。

2.5.5基于历史数据建立标杆库

该模型库以文件的形式储存于服务器中，并通过程序中特有的解码方式获取数据。该历史数据是逐渐积累的过程，随着机组的运行会逐步完善模型数据。最终的优化指导方案基于该标杆库进行推荐。

2.5.6基于标杆库优化指导

优化指导方案可以通过用户登陆后在用户操作界面进行查看，推荐最优精细化模型fj进行操作指导。