CN110263988B - 一种基于电厂脱硫***的数据运行优化方法 - Google Patents

Abstract

本发明公开了一种基于电厂脱硫***的数据运行优化方法，该方法包括：获取电站实际运行***一定时间段内的实际运行数据，并对所述实际运行数据进行预处理和回归分析；根据运行负荷划分不同工况，并进行数值模拟得到不同工况下脱硫***整体的流场、温度、SO₂组分分布情况；对燃煤电站脱硫***所述实际运行数据进行大数据分析，得到确定工况下运行数据的最优区间；将大数据寻优结果在模拟结果中实践以检验寻优结果的准确性。本发明在建立神经网络预测模型之前首先对工况进行区分，这使得数据量减小，且能耗、除硫率输出参数与影响因子间关系相对明确而简单，有利于保证精度。

Description

一种基于电厂脱硫***的数据运行优化方法

技术领域

本发明涉及燃煤锅炉大气污染控制技术领域，具体涉及一种基于电厂脱硫***的数据运行优化方法。

背景技术

目前，环境污染已成为阻碍国家经济健康高质量可持续发展的主要拦路虎之一，而燃煤电站作为环境问题的重点治理对象，国家不断提高污染物排放标准。为满足污染物排放标准，燃煤电站往往采取充分用料除污的对策，这造成了资源在一定程度上的浪费。

同时，脱硫***中同时涉及传热传质、酸碱中和、水分蒸发、液滴聚并与破碎等问题，实际运行情况复杂，虽然已有不少学者采用相关软件对脱硫塔内流场、温度场、SO₂分布等问题进行过详细的模拟研究，然而以大量实际运行数据为基础，与数值模拟相结合对脱硫***进行***分析却是鲜有的。

此外，电站在多年运行过程中，历经各种工况，存储了大量珍贵的实际运行数据。可目前多数电站并没有将这一宝贵的数据资源利用，不仅是对数据资源的极大浪费，同时也占用着宝贵的网络和物理空间。

在此情境下，大数据、智能计算技术的发展进步为电站的精细化管理提供了新的发展方向。大数据分析技术因其准确、速度快、可视化等显著优点，已逐渐为越来越多燃煤电厂关注、研究和应用。利用大数据技术对脱硫***的实际运行数据进行深度分析，已成为燃煤电站污染物处理、***运行优化、提高效率的重要内容之一。

发明内容

发明目的：本发明针对上述问题，提供了一种以理论分析为基础，以数值模拟为辅助，以大数据分析为手段为脱硫***运行优化提供策略的方法，用于解决以往脱硫***为满足国家污染物排放标准而存在能源、资源浪费的问题。

技术方案：本发明以污染物控制***理论模型为基础，以脱硫***实际流场模拟为辅助、以实际运行数据所搭建数学模型为核心。三种模型相互合作、相辅相成。该方法具体实践步骤包括：

(1)获取电站实际运行***一定时间段内的实际运行数据，并对所述实际运行数据进行预处理及其回归分析；

(2)根据运行负荷划分不同工况，进行数值模拟得到不同工况下脱硫***整体的流场、温度、SO₂组分分布情况；

(3)对燃煤电站脱硫***所述实际运行数据进行大数据分析，具体包括：

(31)对固定工况数据进行回归分析：依据去除单位质量SO₂所消耗货币对预处理后数据进行回归计算，分析影响确定工况下能耗差异的因素；

(32)筛选影响因子：分析确定工况下对能耗影响最为关键的运行数据，筛选其中符合预设阈值的运行数据作为影响因子集，所述影响因子集是所获得电站实际运行数据的子集；

(33)搭建数学预测模型：以所述影响因子集参数数据为输入，采用神经网络构建数学预测模型，以所述预处理后得到的部分实际运行数据量为训练数据，输出为能耗评价指标；

(34)审核预测模型：利用电站同工况下，除训练数据以外的其他实际运行数据量对同工况预测模型进行输出预测，设置合适误差线，判断模型的准确性，若审核通过进入步骤(35)，否则回归步骤(33)；

(35)算法寻优：利用遗传算法寻找确定工况下所述预测模型全局最优解集或最优区间。

(4)将数据分析所得最优解集或最优区间带入所得模拟模型，审核最优解集、最优区间的正确性。

进一步地，包括：

所述步骤(1)中，实际运行数据包括：机组负荷，煤种，FGD进口气量、FGD出口气量、硫量、温度、速度、循环浆液流量、脱硫塔内浆液密度、吸收塔浆液PH、吸收塔浆液液位、补充浆液密度、流量、氧化风机分量、功耗以及搅拌机功耗。

进一步地，包括：

所述步骤(2)中，数值模拟具体包括：

(21)根据电站实际运行***设备的实际结构和尺寸，采用Gambit软件建立包含锅炉炉膛、水平烟道、各除污装置以及尾部烟道的全***三维物理模型；

(22)以脱硫***入口处的非均匀性条件作为所述全***三维物理模型的入口边界条件，利用Fluent软件，模拟计算不同工况下脱硫***整体的流场、温度、SO₂组分分布情况；

(23)将所述数值模拟结果与实际运行参数数据对比分析，引入修正因子，审核所述全***三维物理模型及模拟结果的可靠性，若审核通过，则进入所述大数据分析，否则，重新进行数值模拟。

进一步地，包括：

所述步骤(1)中，预处理包括：首先，对所获得运行数据进行可信度审核，剔除其中不合理数据；其次，采用加权填充方法补充缺失数据；最后，对波动频繁的参数数据进行去噪处理。

进一步地，包括：

该方法还包括：对步骤(35)中的最终优化参数区间进行数值模拟，以最优解的相关参数为数值模拟的输入，判断大数据分析所得参数最优区间是否能够满足除硫效果，若满足，则整合不同工况下参数取值区间，得出最终优化参数区间，否则，更换输入参数重新进行数值模拟。

进一步地，包括：

所述步骤(32)中，分析确定工况下对能耗影响最为关键的运行数据采用的方法为灰关联熵分析法，具体包括：

(321)数据初始化；X₀＝{X₀(i)|i＝1,2,...,m},X_k＝{X_k(i)|i＝1,2,...,m}，m表示序列长度，n表示维度。

X'₀＝{X₀(i)/X₀(1)|i＝1,2,...,m},X'_k＝{X_k(i)/X_k(1)|i＝1,2,...,m}

(322)计算数据列级差矩阵

其中，y_ij＝|X₀(j)-X_i(j)|

(323)求两级最小差Y_min，两级最大差Y_max

y_min＝min(min(Y))，y_max＝max(max(Y))

(324)计算关联矩阵ζ

其中，ζ_ij＝(y_min+εy_max)/(y_ij+εy_max),i＝1,2,...,n；j＝1,2,...,m.0＜ε＜1，ε＝0.5；

(325)计算灰关联矩阵E_r：

P_i,j＝ζ_ij/ζ_i

E_r(X_i)＝H(R_i)/H_m,H_m＝ln(m)。

进一步地，包括：

所述步骤(2)中，运行负荷划分不同工况具体采用的方法为采用传统方法按占额定负荷比例进行划分或者采用聚类分析方法按照数据分布进行区分。

有益效果：本发明与现有技术相比，其显著优点是：1、本发明在建立神经网络预测模型之前首先对工况进行区分，数据量较小，且能耗、除硫率等输出参数与影响因子间关系相对明确而简单，故而往往对输入参数进行一定筛选，保证了精度；2、本发明的工况区分使得参数波动明显减弱，数据量明显缩小，这将极大地降低数据分析的复杂度，有利于获得特定工况下的稳定解和最优解；3、本发明以数值模拟为辅助，以脱硫***大数据分析为手段为脱硫***运行优化提供策略的方法，旨在提高燃煤电站脱硫***的能源利用效率，降低污染物脱除成本，节约能源；4、本发明搭建确定工况数学预测模型通过大数据分析，分析各个运行数据之间的关系，为脱硫***提供运行优化改进策略，解决以往脱硫***由于充分用料所造成的能源资源利用不合理问题，达到优化调度电站资源的效果。

附图说明

图1为本发明其中一实施例所述的方法流程图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明进行详细描述。

本发明该方法以电站脱硫***为分析研究对象，借助Fluent软件模拟、大数据分析的方法对该***电站实际运行数据进行深层次的分析，不仅能够获得电站无法提供却又有着重要意义的数据信息，并且能够搭建数学预测模型并获得模型局部、全局最优解，同时以理论模型为辅助，三者结合，为脱硫***实际运行提供运行优化改进策略。

参阅图1所示，本发明所述的基于电厂脱硫***的数据运行优化方法，具体包括：

S1)建立燃煤电站脱硫***理论模型并获得所需数据：根据电站实际设备组件及具体构造搭建理论模型，建立其能量平衡、物料守恒理论模型，与原型尺寸比例为1:1。

以去除单位质量SO₂所消耗货币为能耗评价指标，分析项目所需数据并与电站合作，获得电站***结构参数和一定时间段运行数据。所述能耗评价指标由下式定义。

能耗＝a×耗料+b×耗电-c×产出

式中，产出主要为石膏，a，b，c代表三种材料的市场单价。

所获取运行数据应该包括但不限于以下参数：机组负荷，煤种，FGD进(出)口气量、硫量、温度、速度，循环浆液流量，脱硫塔内浆液密度，吸收塔浆液PH，吸收塔浆液液位，补充浆液密度、流量，氧化风机分量、功耗，搅拌机功耗。

S2)对电站实际运行数据进行预处理分析：对所获得运行数据进行可信度审核，剔除其中不合理数据；采用加权填充方法补充缺失数据；对波动频繁的参数数据(如压力)进行去噪处理，去噪方法可以采用SG滤波法。

并根据运行负荷划分不同工况，在本发明的其中一个实施例中，可以采用传统方法按占额定负荷比例进行划分，如50％，70％等额定负荷；也可以采取聚类分析方法按照数据分布进行区分。

S3)对S2)预处理之后数据进行回归分析：以S1)中所述能耗评价指标及传统指标除硫率，钙硫比为目标参数对数据进行回归计算。

回归计算可以获得脱硫率，钙硫比等参数。由于脱硫设备设计裕量和实际运行过程充分用料等因素，进行脱硫率往往高于国家超低排放要求，过高的除硫率对能耗有着直接的影响。在满足超低排放标准前提下，除硫率可以降低的比率往往是S5)大数据分析中预测模型的精度要求。

S4)通过模拟获得电站无法全面提供却有重要意义的参数，在本发明的其中一个实施例中，具体为脱硫***实际流场、温度场、SO₂组分分布情况。

数值模拟是在S2)中分类负荷下进行的。模拟具体步骤如下：

(1)根据电站实际运行***设备实际结构和尺寸，采用Gambit软件建立包含锅炉炉膛、水平烟道、各除污装置以及尾部烟道的全***三维物理模型；

(2)通过实验和现场测试手段，结合电站相关数据，获得脱硫***入口处的非均匀性条件作为计算模型的入口边界条件，包括但不限于速度分布、温度分布、成分浓度分布。利用Fluent软件，获得不同工况下脱硫***整体(入口、脱硫塔、出口)的流场、温度、SO₂组分分布情况；

(3)将模拟结果与电站实际运行参数数据对比分析，引入修正因子，审核所搭建物理模型及模拟结果的可靠性。审核通过，则进入下一步进行大数据分析，反之重新进行S4)；

S5)大数据分析：对燃煤电站脱硫***实际运行数据进行大数据分析。

以区分工况为例，具体包括以下几个步骤：

(51)对固定工况数据进行回归分析：依据S1)中所述能耗评价指标对S2)预处理后数据进行回归计算，以理论模型为基础，初步分析影响确定工况下能耗差异的因素。在区分工况前提下，逻辑关系简单，数据量较小，故可以采用多因素回归分析方法对能耗进行分析，以所获得运行数据为自变量，以能耗为因变量。

(52)筛选影响因子：利用相关方法，本实施例采用灰关联熵分析法，分析确定工况下对能耗影响最为关键的运行数据，设立阈值筛选其中若干因子，在本发明的其中一个实施例中，不同工况下可能所选取阈值不同，影响因子个数不同，其作为下一步模型输入的影响因子集，影响因子集是所获得电站参数集的子集。

灰关联熵分析法具体包括：

(521)数据初始化；X₀＝{X₀(i)|i＝1,2,...,m},X_k＝{X_k(i)|i＝1,2,...,m}

X'₀＝{X₀(i)/X₀(1)|i＝1,2,...,m},X'_k＝{X_k(i)/X_k(1)|i＝1,2,...,m}

(522)计算数据列级差矩阵

其中,y_ij＝|X₀(j)-X_i(j)|

(523)求两级最小差Y_min，两级最大差Y_max

y_min＝min(min(Y)),y_max＝max(max(Y))

(524)计算关联矩阵ζ

其中，ζ_ij＝(y_min+εy_max)/(y_ij+εy_max),i＝1,2,...,n；j＝1,2,...,m.0＜ε＜1，ε＝0.5；

(525)计算灰关联矩阵E_r：

P_i,j＝ζ_ij/ζ_i

E_r(X_i)＝H(R_i)/H_m,H_m＝ln(m)

(53)搭建数学预测模型：以影响因子集参数数据为基础，借助神经网络、向量机等方法搭建数学预测模型。数学预测模型以影响因子集参数为输入，以S2)数据预处理之后实际运行数据为训练数据，本实施例中，选取95％的数据量为训练数据，剩余5％用于审核预测模型，输出是能耗评价指标。此外，可以添加除硫率、钙硫比等参数作为多输出模型。如利用神经网络搭建能耗、除硫率双因素输出模型，这样有利于获得满足众多参数的最优解集，若不搭建，在模拟阶段会自动删除相关寻优结果；

(54)审核预测模型：利用电站同工况下非模型搭建数据(剩余5％数据)对同工况预测模型进行输出预测，设置合适误差线，判断模型的准确性。若审核通过进入步骤(55)，否则回归步骤(53)。若多次所搭建模型均未通过审核，则回归步骤(52)，查看物理模型及所需数据是否缺漏；

(55)利用合适算法寻找确定工况下预测模型局部和全局最优解。本发明的实施例中，采用遗传算法或人工蜂群算法，即：在所搭建所述预测模型基础之上，结合遗传算法或人工蜂群算法，以遗传算法或人工蜂群算法所获得关键影响因子数据为模型输入，寻找各个参数最优取值区间。为避免离散值点对寻优结果造成影响，可以利用钙硫比、除硫率参数设置相关阈值。

S6)结合S1)中理论模型和所得最优取值区间，判断所得寻优解是否满足理论约束，确定***在确定工况下各个关键影响因子最优区间；

S7)对S6)中所获得最优区间利用Fluent软件进行数值模拟，以最优解的相关参数为数值模拟的输入，参照S4)的模拟结果，判断大数据分析所得参数最优区间的正确性，若正确，进行S8)，否则，回归S6)；

S8)整合不同工况下参数取值区间，得出最终优化参数区间，在此基础上，本发明的实施例，分析最优区间与各影响因子间动态关系，本发明的实施例中，利用回归分析的方法以能耗为因变量，以不同工况下各输入因素最优取值为自变量；利用不同工况下各参数最优取值与负荷之间关系搭建神经网络模型，如此可进一步获得已划分工况中尚未存在的工况的各参数最优取值，得出最终优化改进策略。

以下参照附图详细说明本发明实施。本实施案例在以本技术方法为前提下进行实施，给出了详细的实施方式和操作过程，但本发明的保护范围不仅限于下述的实施例。

本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (6)

1.一种基于电厂脱硫***的数据运行优化方法，其特征在于，该方法包括：

(1)获取电站实际运行***一定时间段内的实际运行数据，并对所述实际运行数据进行预处理和回归分析；

(2)根据运行负荷划分不同工况，数值模拟得到不同工况下脱硫***整体的流场、温度、SO₂组分分布情况；

所述步骤(2)中，数值模拟具体包括：

(21)根据电站实际运行***设备的实际结构和尺寸，采用Gambit软件建立包含锅炉炉膛、水平烟道、各除污装置以及尾部烟道的全***三维物理模型；

(22)以脱硫***入口处的非均匀性条件作为所述全***三维物理模型的入口边界条件，利用Fluent软件，模拟计算不同工况下脱硫***整体的流场、温度、SO₂组分分布情况；

(23)将所述数值模拟结果与实际运行参数数据对比分析，引入修正因子，审核所述全***三维物理模型及模拟结果的可靠性，若审核通过，则进入大数据分析，否则，重新进行数值模拟；

(3)对燃煤电站脱硫***所述实际运行数据进行大数据分析，得到确定工况下运行数据的最优区间，具体包括：

(31)对固定工况数据进行回归分析：依据去除单位质量SO₂所消耗货币对预处理后数据进行回归计算，分析影响该工况下能耗差异的因素；

(32)筛选影响因子：分析确定工况下对能耗影响最为关键的运行数据，选取其中符合预设阈值的运行数据作为影响因子集，所述影响因子集是所获得电站实际运行数据的子集；

(33)搭建数学预测模型：以所述影响因子集参数数据为输入，采用神经网络构建数学预测模型，以所述预处理后得到的部分实际运行数据量为训练数据，输出为能耗评价指标；

(34)审核预测模型：利用电站同工况下，除训练数据以外的其他实际运行数据量对同工况预测模型进行输出预测，设置合适误差线，判断模型的准确性，若审核通过进入步骤(35)，否则回归步骤(33)；

(35)算法寻优：利用遗传算法寻找确定工况下所述预测模型局部和全局最优解，得到各个参数最优取值区间；

(4)将数据分析所得最优取值区间进行数值模拟，并审核最优取值区间的正确性，判断其是否能够达到预设除硫目标。

2.根据权利要求1所述的基于电厂脱硫***的数据运行优化方法，其特征在于，所述步骤(1)中，实际运行数据包括：机组负荷，煤种，FGD进口气量、FGD出口气量、硫量、温度、速度、循环浆液流量、脱硫塔内浆液密度、吸收塔浆液PH、吸收塔浆液液位、补充浆液密度、流量、氧化风机分量、功耗以及搅拌机功耗。

3.根据权利要求1所述的基于电厂脱硫***的数据运行优化方法，其特征在于，所述步骤(1)中，预处理包括：首先，对所获得运行数据进行可信度审核，剔除其中不合理数据；其次，采用加权填充方法补充缺失数据；最后，对波动频繁的参数数据进行去噪处理。

4.根据权利要求1所述的基于电厂脱硫***的数据运行优化方法，其特征在于，该方法还包括：对步骤(35)中的最优取值区间进行数值模拟，以最优解集的相关参数为数值模拟的输入，参照所述步骤(2)的模拟结果，判断大数据分析所得参数是否能够满足SO₂的脱除要求，若可以，则整合不同工况下参数取值区间，得出最终优化参数区间，否则，更换参数重新进行数值模拟。

5.根据权利要求1所述的基于电厂脱硫***的数据运行优化方法，其特征在于，所述步骤(32)中，分析确定工况下对能耗影响最为关键的运行数据采用的方法为灰关联熵分析法，具体包括：

(321)假设被比较序列为：X₀＝{X₀(i)|i＝1,2,...,m},比较序列为X_k＝{X_k(i)|i＝1,2,...,m}，k＝1,2,…n，m表示序列长度，n表示维度；

数据初始化：X'₀＝{X₀(i)/X₀(1)|i＝1,2,...,m}，X’_k＝{X_k(i)/X_k(1)|i＝1,2,...,m}

(322):计算数据列级差矩阵

其中,y_ij＝|X₀(j)-X_i(j)|

(323)求两级最小差Y_min，两级最大差Y_max

y_min＝min(min(Y)),y_max＝max(max(Y))

(324)计算关联矩阵ζ

其中，ζ_ij＝(y_min+εy_max)/(y_ij+εy_max),i＝1,2,...,n；j＝1,2,...,m，0＜ε＜1，ε＝0.5；

(325)计算灰关联矩阵E_r：

P_i,j＝ζ_ij/ζ_i

E_r(X_i)＝H(R_i)/H_m,H_m＝ln(m)。

6.根据权利要求1所述的基于电厂脱硫***的数据运行优化方法，其特征在于，所述步骤(2)中，运行负荷划分不同工况具体采用的方法为采用传统方法按占额定负荷比例进行划分或者采用聚类分析方法按照数据分布进行区分。

Images