CN112465239A - 基于改进pso-fcm算法的脱硫***运行优化方法 - Google Patents
基于改进pso-fcm算法的脱硫***运行优化方法 Download PDFInfo
- Publication number
- CN112465239A CN112465239A CN202011395588.7A CN202011395588A CN112465239A CN 112465239 A CN112465239 A CN 112465239A CN 202011395588 A CN202011395588 A CN 202011395588A CN 112465239 A CN112465239 A CN 112465239A
- Authority
- CN
- China
- Prior art keywords
- desulfurization
- clustering
- data
- fcm
- particle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000006477 desulfuration reaction Methods 0.000 title claims abstract description 73
- 230000023556 desulfurization Effects 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 36
- 238000005457 optimization Methods 0.000 title claims abstract description 18
- 239000002002 slurry Substances 0.000 claims abstract description 34
- 238000011156 evaluation Methods 0.000 claims abstract description 6
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract 5
- 239000002245 particle Substances 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 16
- 235000019738 Limestone Nutrition 0.000 claims description 10
- 230000005611 electricity Effects 0.000 claims description 10
- 239000006028 limestone Substances 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 241001123248 Arma Species 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 238000001278 Kwiatkowski–Phillips–Schmidt–Shin (KPSS) test Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000011234 economic evaluation Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 230000001360 synchronised effect Effects 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 37
- 230000006870 function Effects 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- 238000000977 Dickey–Fuller test Methods 0.000 description 2
- 238000001562 Phillips–Perron test Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 239000003546 flue gas Substances 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005086 pumping Methods 0.000 description 2
- 238000011425 standardization method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000010977 unit operation Methods 0.000 description 2
- 238000001744 unit root test Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000010440 gypsum Substances 0.000 description 1
- 229910052602 gypsum Inorganic materials 0.000 description 1
- 229910052595 hematite Inorganic materials 0.000 description 1
- 239000011019 hematite Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- LIKBJVNGSGBSGK-UHFFFAOYSA-N iron(3+);oxygen(2-) Chemical compound [O-2].[O-2].[O-2].[Fe+3].[Fe+3] LIKBJVNGSGBSGK-UHFFFAOYSA-N 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Treating Waste Gases (AREA)
Abstract
本申请涉及一种基于改进PSO‑FCM算法的脱硫***运行优化方法，方法包括：采用改进的PSO‑FCM算法对样本数据进行聚类，并建立脱硫***运行目标工况库；采用ARIMA模型对脱硫边界条件进行预测；指导脱硫运行参数的调节。与现有技术相比，同时考虑了pH、浆液密度等与脱硫运行成本密切相关的参数，同时解决了目前电厂变频泵与普通定频泵结合的调循泵调度问题，可进行多参数同步调节，调节方式更加灵活。对传统的FCM算法进行了改进，针对传统FCM中受初始聚类中心影响大，易陷入局部最优，聚类数目不确定的缺点，使用PSO算法对其进行优化，可避免陷入局部最优，同时引入聚类有效性评价函数，可确定聚类效果最好的聚类数目。
Description
技术领域
本申请涉及数据处理领域，尤其是涉及一基于改进PSO-FCM算法的脱硫***运行优化方法。
背景技术
SO2是大气主要污染物之一，作为我国燃煤大户的火电机组，是SO2排放的主要来源。因此减少火电厂SO2排放是控制污染的重点。
石灰石/石膏湿法烟气脱除二氧化硫方法,是我国电站锅炉普遍采用的SO2脱除技术，通过喷入石灰石浆液与烟气中SO2进行化学反应从而达到脱硫目的。根据我国日益严格的环保法规要求，脱硫***需要连续可靠高效运行，但是脱硫***在降低电厂SO2排放、改善环境的同时,也明显增加了运行成本。燃煤机组脱硫***的运行成本主要包括电耗以及石灰石耗量，大型燃煤电厂湿法脱硫***所消耗的电能可达3～10MW，约占火电机组总发电量的1％～2％，占脱硫运行总成本的70％以上，石灰石消耗约占总成本的15％左右。因此，如何对脱硫运行的关键参数进行调整，在满足SO2排放浓度的基础上尽可能减少运行成本成为脱硫技术领域的一个重要课题。
目前大多数技术方案都通过调整浆液循环泵的组合以降低运行成本，包括建立具体的数学模型和采用数据挖掘算法来寻找不同工况下最优的浆液循环泵组合方式，这种方式只考虑的液气比这一个因素对脱硫运行成本的影响，同时目前很多电厂对浆液循环泵进行了变频改造，以往的方法大多适用于定频浆液循环泵。
现有技术中存在如下问题：
(1)现有的方法大多只单纯考虑循环浆液泵的调度，即只考虑液气比，往往忽略了pH和浆液密度等与运行成本相关的量，例如某些工况下，为了满足排放标准可通过提高浆液的pH避免多开一台泵。
(2)目前很多电厂对浆液循环泵进行了变频改造，采用用变频调节与定频泵相结合的方案。现有的调节技术往往只针对定频泵的调节，没有考虑到变频泵对于整个***的影响。
(3)传统FCM算法需要人为确定初始聚类中心和聚类数目，具有很大主观性和不确定性，而且算法容易陷入局部极值。
(4)由于泵的切换需要一定的时间，以及pH和浆液密度等参数具有一定的时延性，因此现有的运行调节手段很难运用到实际的运行优化调节中。
发明内容
本申请提供一种基于改进PSO-FCM算法的脱硫***运行优化方法，可降低脱硫***的运行成本，同时改进后的算法果较传统FCM算法聚类效果更好，准明提供一种多参数同步挖掘的基于改进PSO-FCM算法的脱硫***运行优化方法，确度更高，通过改进的算法建立全工况的运行目标工况库。考虑到泵的切换需要一定的时间，以及pH和浆液密度等参数具有一定的时延性，在调整之前，对脱硫运行的边界条件进行了预测。然后结合运行目标工况库给出优化运行建议。
为了实现上述目的，本申请提出一种基于改进PSO-FCM算法的脱硫***运行优化方法，包括：
采用改进的PSO-FCM算法(PSO-FCM，Fuzzy c-means clustering algorithmbased on improved particle swarm optimization粒子群-模糊C均值聚类算法)对样本数据进行聚类，并建立脱硫***运行目标工况库；
采用ARIMA(ARIMA，Autoregressive Integrated Moving Average model，差分整合移动平均自回归模型)模型对脱硫边界条件进行预测；
根据脱硫边界条件预测结果指导脱硫运行参数的调节。
所述采用改进的PSO-FCM算法对样本数据进行聚类，并建立脱硫***运行目标工况库，过程如下：
导入脱硫***的历史数据，并对历史数据进行处理，剔除异常数据；
对脱硫运行进行经济性评价，计算单位脱硫成本；
对数据进行转换，选择定频泵组合、变频泵的频率、浆液PH值、浆液密度作为待调节参数，并形成新的样本数据；
采用改进的PSO-FCM算法对新的样本数据进行聚类，得到样本的隶属度矩阵和聚类中心；
根据隶属度矩阵将样本数据分类，并将相对运行成本作为评价标准，找到类中心点处相对运行成本最小的类；
计算类中所有样本点到类中心的距离，返回距离最近的样本作为当前工况下的运行基准值；
得到不同负荷下不同入口SO2浓度的运行基准值，用插值法得到全工况下的运行基准值，建立运行目标工况库。
所述对数据进行转换过程如下：为根据各个浆液循环泵的电流确定每台定频泵的启停状态，0为关，1为开，用二进制数代表泵的启停，然后将二进制数转化为十进制数，用十进制数来表示定频泵的组合。
所述样本点到类中心的距离为欧式距离。
所述脱硫成本包括：浆液循环泵电费、增压风机电费和石灰石消耗费用。
所述采用改进的PSO-FCM算法对新的样本数据进行聚类，得到样本的隶属度矩阵和聚类中心，过程如下：
步骤S101：确定聚类个数k的范围；
步骤S102：初始化参数；
步骤S103：计算每个粒子的隶属度及聚类中心；
步骤S104：计算每个粒子的适应度值,如果适应度值优于该粒子当前的最好位置的适应度,则更新该粒子个体最好位置，如果所有粒子中的最好位置的适应度优于当前全局最好位置的适应度,则更新全局最好位置；
步骤S105：对每个粒子的速度和位置进行更新,产生下一代的粒子群；
步骤S106：检查终止条件，若满足终止条件，则计算结束，若不满足终止条件，则优化变量即粒子的速度和位置，用该次循环最优粒子的位置形成新的聚类中心，再转至步骤S103；
步骤S107：计算聚类有效性；
步骤S108：增加聚类数，令k＝k+1，重复步骤S102，最大聚类有效性所对应的聚类数作为最佳聚类数，输出聚类中心和隶属度矩阵。
所述终止条件包括：达到最大迭代次数或满足小于规定正数或模糊矩阵不变。
所述采用ARIMA模型对脱硫边界条件进行预测，过程如下：
步骤S201：导入时间序列的历史数据，设置采样间隔；
步骤S202：对历史数据进行平稳性检测；
步骤S203：确定ARIMA模型阶数；
步骤S204：进行残差检验；
步骤S205：通过建立的ARIMA模型，以原始数据做单点预测；
步骤S206：对历史数据进行实时更新，重复步骤S201～S206，进行滚动动态预测。
所述残差检验，过程如下：残差即原始信号减掉模型拟合出的信号后的残余信号；如果残差是随机正态分布的、不自相关的，则表明残差是一段白噪声信号，即信号已经都被提取到ARMA模型中了。
所述平稳性检测，包括如下方法：使用单位根检验法，常用的方法有ADF检验(Augmented Dickey-Fuller test)、KPSS检验(Kwiatkowski,Phillips,Schmidt and Shintest)、P-P检验(Phillips-Perron test)。
所述根据脱硫边界条件预测结果指导脱硫运行参数的调节，将脱硫边界条件预测结果与所述目标工况库进行比对，所述脱硫边界条件预测结果包括负荷的预测结果以及入口SO2浓度的预测结果，即首先将负荷的预测结果与所述目标工况库中的负荷进行比较，选择数值最接近的负荷，其次将所述入口SO2浓度的预测结果与所述目标工况库中的入口SO2浓度进行比较，选择数值最接近的入口SO2浓度，并对应找到最接近的入口SO2浓度对应的一组参数目标值，使用所述一组参数目标值对待调节参数进行调整。
有益技术效果
本申请提出了一种基于改进PSO-FCM算法的脱硫***运行优化方法，有益技术效果如下：
1、与现有技术相比，同时考虑了pH、浆液密度等与脱硫运行成本密切相关的参数，同时解决了目前电厂变频泵与普通定频泵结合的调循泵调度问题，可进行多参数同步调节，调节方式更加灵活。
2、对传统的FCM算法进行了改进，针对传统FCM中受初始聚类中心影响大，易陷入局部最优，聚类数目不确定的缺点，使用PSO算法对其进行优化，可避免陷入局部最优，同时引入聚类有效性评价函数，可确定聚类效果最好的聚类数目。
3、考虑到泵的切换需要一定的时间，以及pH和浆液密度等参数具有一定的时延性，在调整之前，对脱硫运行的边界条件进行了预测。结合运行目标工况库给出优化运行建议。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例的一种基于改进PSO-FCM算法的脱硫***运行优化方法流程图；
图2为本申请实施例的建立脱硫***运行目标工况库流程图；
图3为本申请实施例的采用改进的PSO-FCM算法对新的样本数据进行聚类流程图；
图4为本申请实施例的采用ARIMA模型对脱硫边界条件进行预测流程图；
图5为本申请实施例的运行散点图；
图6为本申请实施例的目标函数变化值；
图7为本申请实施例的聚类数C自适应函数迭代曲线图；
图8为本申请实施例的预测值与真实值曲线图。
具体实施方式
下面将结合实施例对本申请的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
在本申请的描述中，需要理解的是，术语"中心"、"纵向"、"横向"、"长度"、"宽度"、"厚度"、"上"、"下"、"前"、"后"、"左"、"右"、"竖直"、"水平"、"顶"、"底"、"内"、"外"、"顺时针"、"逆时针"等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
此外，术语"第一"、"第二"仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有"第一"、"第二"的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，"多个"的含义是两个或两个以上，除非另有明确具体的限定。此外，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
本申请提出一种基于改进PSO-FCM算法的脱硫***运行优化方法，如图1所示，包括：
步骤S1：采用改进的PSO-FCM算法(PSO-FCM，Fuzzy c-means clusteringalgorithm based on improved particle swarm optimization粒子群-模糊C均值聚类算法)对样本数据进行聚类，并建立脱硫***运行目标工况库；
步骤S2：采用ARIMA模型(ARIMA，Autoregressive Integrated Moving Averagemodel，差分整合移动平均自回归模型)对脱硫边界条件进行预测；
步骤S3：指导脱硫运行参数的调节。
所述采用改进的PSO-FCM算法对样本数据进行聚类，并建立脱硫***运行目标工况库，如图2所示，过程如下：
步骤S11：导入脱硫***的历史数据，并对历史数据进行处理，剔除异常数据；导入的历史数据为某一负荷下中的某一SO2浓度段的数据，异常数据包括SO2排放浓度超标数据，测量参数超出正常范围，突变的数据。对历史数据进行处理使用离差标准化法,其表达式为：
式中：yi为标准化的数据，xi为原始数据，
分别为原始数据所在属性的最小值和最大值。
步骤S12：对脱硫运行进行经济性评价，计算单位脱硫成本；本申请对脱硫运行成本做了简化处理，只考虑由较大节能空间的可控成本，包括浆液循环泵电费、增压风机电费和石灰石消耗费用。单位脱硫成本的定义如下：
其中，C为脱硫***运行成，单位未元/h，Ccycle为浆液循环泵电费，Cfan为增压风机电费，Cy为石灰石消耗费用，各费用模型中的价格系数取自当地当前电价、石灰石单价标准，并依此求得脱硫***运行总成本。mSO2为该运行工况下SO2脱除总量。
步骤S13：对数据进行转换，选择定频泵组合、变频泵的频率、浆液PH值、浆液密度作为待调节参数，并形成新的样本数据；
步骤S14：采用改进的PSO-FCM算法对新的样本数据进行聚类，得到样本的隶属度矩阵和聚类中心；
步骤S15：根据隶属度矩阵将样本数据分类，并将相对运行成本作为评价标准，找到类中心点处相对运行成本最小的类；
步骤S16：计算类中所有样本点到类中心的距离，返回距离最近的样本作为当前工况下的运行基准值；
步骤S17：得到典型负荷下不同入口SO2浓度的运行基准值，用插值法得到全工况下的运行基准值，建立运行目标工况库。
所述对数据进行转换过程如下：为根据各个浆液循环泵的电流确定每台定频泵的启停状态，0为关，1为开，用二进制数代表泵的启停，然后将二进制数转化为十进制数，用十进制数来表示定频泵的组合。
所述样本点到类中心的距离为欧式距离。
所述脱硫成本包括：浆液循环泵电费、增压风机电费和石灰石消耗费用。
所述采用改进的PSO-FCM算法对新的样本数据进行聚类，得到样本的隶属度矩阵和聚类中心，如图3所示，过程如下：
步骤S101：确定聚类个数k的范围
步骤S102：初始化参数；首先，给定模糊化程度常数m、加速常数c1和c2、聚类数c＝cmin、最大迭代次数以及粒子群群体规模.随机选出c样本作为一个聚类中心集(即粒子)，反复多次，产生多个粒子及其初始速度。
步骤S103：计算每个粒子的隶属度及聚类中心；
其中，vi为第i个聚类中心，uik为第k个样本归属于第i个类别的隶属度，xk为样本数据，m是模糊化系数。
步骤S104：计算每个粒子的适应度值，如果适应度值优于该粒子当前的最好位置的适应度,则更新该粒子个体最好位置，如果所有粒子中的最好位置的适应度优于当前全局最好位置的适应度,则更新全局最好位置；
步骤S105：对每个粒子的速度和位置进行更新,产生下一代的粒子群；
其中，vi表示第i个粒子的速度,yi为第i个粒子的位置,pbest为粒子的个体极值，gbest为全局极值，c1、c2为学习因子，是一个常数，rand1和rand2为(0,1)之间的随机数，w是惯性权重。
步骤S106：检查终止条件，若满足终止条件，则计算结束，若不满足终止条件，则优化变量即粒子的速度vi(t+1)和位置xi(t+1)，用该次循环最优粒子的位置形成新的聚类中心，再转至步骤S103；
步骤S107：计算聚类有效性；引入聚类有效性评价函数，对当前聚类数的聚类结果进行评估：
式中：为总体样本的中心变量，用以下公式求得：
步骤S108：增加聚类数，令k＝k+1，重复步骤S102，最大聚类有效性所对应的聚类数作为最佳聚类数，输出聚类中心和隶属度矩阵。
所述终止条件包括：达到最大迭代次数或满足小于规定正数或模糊矩阵不变。
所述采用ARIMA模型对脱硫边界条件进行预测，如图4所示，过程如下：
脱硫运行边界条件包括负荷及入口SO2浓度，本发明采用ARIMA模型对分别对负荷及入口SO2浓度进行预测，以负荷预测为例对具体步骤进行详细说明，入口SO2浓度的预测同理。
ARIMA的数学形式表示为：
其中，p代表预测模型采用时序数据本身的滞后数；d代表时序数据进行差分化的阶数；q代表预测模型中采用的预测误差的滞后数；φ代表AR的系数；θ代表MA的系数；假设y表示t时刻对Y的差分，差分表达式：
步骤S201：导入时间序列的历史数据，设置采样间隔；本实施例采样间隔为十五分钟。
步骤S202：对历史数据进行平稳性检测；使用ARMA模型要求时间序列必须是平稳的，所以需要先对原始数据进行平稳性检验。检验方法有很多种，包括ADF检验、KPS检验S、P-P检验等。这里用ADF检验和KPSS检验，对于非平稳时间序列要先进行d阶差分，转化为平稳时间序列。
步骤S203：确定ARIMA模型阶数；通过AIC(AIC，Akaike information criterion赤池信息准则)BIC(BIC，Bayesian Information Criterion，贝叶斯信息准则)等准则选定阶数。
步骤S204：进行残差检验；为了确保确定的阶数合适，还需要进行残差检验。残差即原始信号减掉模型拟合出的信号后的残余信号。如果残差是随机正态分布的、不自相关的，这说明残差是一段白噪声信号，也就说明有用的信号已经都被提取到ARMA模型中了。
步骤S205：通过建立的ARIMA模型，以历史数据做单点预测，即预测十五分钟后的负荷。
步骤S206：对历史数据进行实时更新，重复步骤S201～S206，进行滚动动态预测。
所述残差检验，过程如下：残差即原始信号减掉模型拟合出的信号后的残余信号；如果残差是随机正态分布的、不自相关的，则表明残差是一段白噪声信号，即信号已经都被提取到ARMA模型中了。
所述平稳性检测，包括如下方法：使用单位根检验法，常用的方法有ADF检验(Augmented Dickey-Fuller test)、KPSS检验(Kwiatkowski,Phillips,Schmidt and Shintest)、P-P检验(Phillips-Perron test)。
所述根据脱硫边界条件预测结果指导脱硫运行参数的调节，将脱硫边界条件预测结果与所述目标工况库进行比对，所述脱硫边界条件预测结果包括负荷的预测结果以及入口SO2浓度的预测结果，即首先将负荷的预测结果与所述目标工况库中的负荷进行比较，选择数值最接近的负荷，其次将所述入口SO2浓度的预测结果与所述目标工况库中的入口SO2浓度进行比较，选择数值最接近的入口SO2浓度，并对应找到最接近的入口SO2浓度对应的一组参数目标值，使用所述一组参数目标值对待调节参数进行调整。比如目标工况库中负荷被分成N1段，目标工况库中入口so2浓度被分成N2段，每一段代表一段数值范围，每个数值范围对应一组待调节参数的目标值，实施例中若负荷的预测结果为350mw，入口so2浓度预测结果为1250mg/m3,对应的目标工况库中的一组参数目标值分别为：浆液密度为1150mg,ph为5.2，变频泵频率为45,定频泵组合为#1#2#5，那么使用这一组参数为目标值对待调节参数进行调整。
实施例：
以某600MW机组为对象进行分析，***主要设备有增压风机1台、普通浆液循环泵4台(A、B、C、E)、变频浆液循环泵1台、氧化风机3台(2运1备)、球磨机2台(1运1备)。该机组长期承担调峰任务，负荷在50％-100％范围内变动。
1、首先建立运行目标工况库：
在2018年8月1日到2018年9月1日一个月的运行数据中，取典型负荷为350MW，负荷邻域ΔP＝±5MW时的主要监控参数值。在入口SO2浓度为2500-2750mg/Nm3范围内的612个样本，对其行进行聚类分析。
(1)导入电站脱硫***的运行数据并对其进行数据清理，剔除异常数据。对于排放浓度超标、测量参数不在正常范围内、突变的数据点进行识别删除。
(2)利用上述处理过的健康的612个机组运行数据样本，如表1，选待调节参数为定频泵的组合、变频泵频率、pH、浆液密度，对数据进行转化。
表1脱硫***运行数据样本
根据电流判断泵的启停情况，将开启设为1，关闭设为0，用0、1组成的二进制数来表示定频泵的组合,然后将二进制数转化为十进制数，用十进制数来表示定频泵的组合。如表2
表2数据转换后的样本数据
(3)使用改进的模糊C聚类算法对转换后的样本数据进行聚类分析，.模糊化常数m取2，加速常数c1和c2取为1，粒子群规模为30，最大进化代数100，聚类数为1时的自适应函数L(1)＝0，运行散点图如图5，通过聚类将数据分成4个簇，不同的簇用不同颜色的点表示。目标函数变化图如图6，可以看出在迭代了10次后目标函数开始收敛。生成的隶属度矩阵如表3，聚类中心为表4。在计算迭代过程中，聚类数自适应函数的迭代曲线如图7，由图7可以看出，聚类数C的自适应函数值在第二类达到最大值，因此最佳分类类数为4。
表3隶属度矩阵
表4聚类中心
(4)根据隶属度矩阵为每个样本数据分类，根据单位运行成本的计算公式，计算每一类类中心的成本，可以得到第二类对应的单位运行成本最低。
(5)取第二类中的数据，返回距离类中心最近的样本作为该负荷、入口SO2浓度下的运行目标值。然后将十进制表示的循环泵组合还原为二进制；如表5所示：
表4与聚类中心距离
最终的运行目标值pH:45.047,pH值5.086，浆液密度1170.26，普通浆液循环泵组合为：二三四泵开，五号泵关。
(6)使用插值法得到包含全工况的运行目标工况库。
2、使用ARIMA模型对脱硫运行边界条件进行预测。
取当前时刻150个历史负荷运行数据，采样间隔为15分钟
(1)平稳性检验。使用ARMA模型要求时间序列必须是平稳的，所以第一步是对原始数据进行平稳性检验。检验方法有很多种，包括ADF、KPSS、P-P等。这里用ADF检验和KPSS检验。得到adf＝1,kpss＝0，通过检验
(2)确定ARMA模型阶数。这里使用AIC&.BIC准则，选取原则是使aic和bic最小的(p，q)组合
(3)残差检验。为了确保确定的阶数合适，还需要进行残差检验。残差即原始信号减掉模型拟合出的信号后的残余信号。如果残差是随机正态分布的、不自相关的，这说明残差是一段白噪声信号，也就说明有用的信号已经都被提取到ARMA模型中了
(4)预测。其思路就是比如从6开始，用前6个数据预测第7个；再用前7个预测第8个...用前159个预测第160个。图8是预测值与真实值的曲线图，其预测效果较好。
3、指导脱硫运行参数的调节
根据边界条件预测值，从运行目标工况库中找到相对应的各个参数目标值，对实际运行进行调节。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (10)
1.一种基于改进PSO-FCM算法的脱硫***运行优化方法，其特征在于，包括：
采用改进的PSO-FCM算法对样本数据进行聚类，并建立脱硫***运行目标工况库；
采用ARIMA模型对脱硫边界条件进行预测；
根据脱硫边界条件预测结果指导脱硫运行参数的调节。
2.根据权利要求1所述的方法，其特征在于，所述采用改进的PSO-FCM算法对样本数据进行聚类，并建立脱硫***运行目标工况库，过程如下：
导入脱硫***的历史数据，并对历史数据进行处理，剔除异常数据；
对脱硫运行进行经济性评价，计算单位脱硫成本；
对数据进行转换，选择定频泵组合、变频泵的频率、浆液PH值、浆液密度作为待调节参数，并形成新的样本数据；
采用改进的PSO-FCM算法对新的样本数据进行聚类，得到样本的隶属度矩阵和聚类中心；
根据隶属度矩阵将样本数据分类，并将相对运行成本作为评价标准，找到类中心点处相对运行成本最小的类；
计算类中所有样本点到类中心的距离，返回距离最近的样本作为当前工况下的运行基准值；
得到不同负荷下不同入口SO2浓度的运行基准值，用插值法得到全工况下的运行基准值，建立运行目标工况库。
3.根据权利要求2所述的方法，其特征在于，所述对数据进行转换过程如下：为根据各个浆液循环泵的电流确定每台定频泵的启停状态，0为关，1为开，用二进制数代表泵的启停，然后将二进制数转化为十进制数，用十进制数来表示定频泵的组合。
4.根据权利要求2所述的方法，其特征在于，所述样本点到类中心的距离为欧式距离。
5.根据权利要求2所述的方法，其特征在于，所述脱硫成本包括：浆液循环泵电费、增压风机电费和石灰石消耗费用。
6.根据权利要求2所述的方法，其特征在于，所述采用改进的PSO-FCM算法对新的样本数据进行聚类，得到样本的隶属度矩阵和聚类中心，过程如下：
步骤S101：确定聚类个数k的范围；
步骤S102：初始化参数；
步骤S103：计算每个粒子的隶属度及聚类中心；
步骤S104：计算每个粒子的适应度值，如果适应度值优于该粒子当前的最好位置的适应度，则更新该粒子个体最好位置，如果所有粒子中的最好位置的适应度优于当前全局最好位置的适应度,则更新全局最好位置；
步骤S105：对每个粒子的速度和位置进行更新,产生下一代的粒子群；
步骤S106：检查终止条件，若满足终止条件，则计算结束，若不满足终止条件，则优化变量即粒子的速度和位置，用该次循环最优粒子的位置形成新的聚类中心，再转至步骤S103；
步骤S107：计算聚类有效性；
步骤S108：增加聚类数，令k＝k+1，重复步骤S102，最大聚类有效性所对应的聚类数作为最佳聚类数，输出聚类中心和隶属度矩阵。
7.根据权利要求6所述的方法，其特征在于，所述终止条件包括：达到最大迭代次数或满足小于规定正数或模糊矩阵不变。
8.根据权利要求1所述的方法，其特征在于，所述采用ARIMA模型对脱硫边界条件进行预测，过程如下：
步骤S201：导入时间序列的历史数据，设置采样间隔；
步骤S202：对历史数据进行平稳性检测；
步骤S203：确定ARIMA模型阶数；
步骤S204：进行残差检验；
步骤S205：通过建立的ARIMA模型，以原始数据做单点预测；
步骤S206：对历史数据进行实时更新，重复步骤S201～S206，进行滚动动态预测。
9.根据权利要求8所述的方法，其特征在于，所述残差检验，过程如下：残差即原始信号减掉模型拟合出的信号后的残余信号；如果残差是随机正态分布的、不自相关的，则表明残差是一段白噪声信号，即信号已经都被提取到ARMA模型中了。
10.根据权利要求8所述的方法，其特征在于，所述平稳性检测，包括如下方法：ADF检验、KPSS检验、P-P检验。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011395588.7A CN112465239B (zh) | 2020-12-03 | 2020-12-03 | 基于改进pso-fcm算法的脱硫***运行优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011395588.7A CN112465239B (zh) | 2020-12-03 | 2020-12-03 | 基于改进pso-fcm算法的脱硫***运行优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112465239A true CN112465239A (zh) | 2021-03-09 |
| CN112465239B CN112465239B (zh) | 2022-03-18 |
Family
ID=74805373
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011395588.7A Active CN112465239B (zh) | 2020-12-03 | 2020-12-03 | 基于改进pso-fcm算法的脱硫***运行优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112465239B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113110046A (zh) * | 2021-04-02 | 2021-07-13 | 玖禾智控(北京)科技有限公司 | 一种基于大数据自学习预测控制的脱硫***控制方法 |
| CN113190983A (zh) * | 2021-04-21 | 2021-07-30 | 南京工程学院 | 一种基于复合软测量的火电厂磨机负荷预测方法 |
| CN113313325A (zh) * | 2021-06-21 | 2021-08-27 | 西安热工研究院有限公司 | 一种脱硫***运行优化方法、***、设备及存储介质 |
| CN114815628A (zh) * | 2022-06-30 | 2022-07-29 | 微山县大卫新型建材有限公司 | 脱硫***控制模型及脱硫***控制方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107167555A (zh) * | 2017-04-17 | 2017-09-15 | 中国大唐集团科学技术研究院有限公司火力发电技术研究所 | 基于随机时序分析的吸收塔入口so2浓度预测方法 |
| CN110033141A (zh) * | 2019-04-22 | 2019-07-19 | 大唐环境产业集团股份有限公司 | 一种脱硫***运行工况数据库的建立方法 |
| CN110909912A (zh) * | 2019-10-08 | 2020-03-24 | 西安交通大学 | 基于自适应误差反馈的园区电力***净负荷组合预测方法 |
| CN111046018A (zh) * | 2019-11-06 | 2020-04-21 | 华北电力科学研究院有限责任公司 | 基于多目标优化的发电设备运行工况库构建方法和装置 |
| CN111598308A (zh) * | 2020-04-24 | 2020-08-28 | 大唐环境产业集团股份有限公司 | 基于回归和二重pso算法解决浆液循环泵组合优化方法 |
-
2020
- 2020-12-03 CN CN202011395588.7A patent/CN112465239B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107167555A (zh) * | 2017-04-17 | 2017-09-15 | 中国大唐集团科学技术研究院有限公司火力发电技术研究所 | 基于随机时序分析的吸收塔入口so2浓度预测方法 |
| CN110033141A (zh) * | 2019-04-22 | 2019-07-19 | 大唐环境产业集团股份有限公司 | 一种脱硫***运行工况数据库的建立方法 |
| CN110909912A (zh) * | 2019-10-08 | 2020-03-24 | 西安交通大学 | 基于自适应误差反馈的园区电力***净负荷组合预测方法 |
| CN111046018A (zh) * | 2019-11-06 | 2020-04-21 | 华北电力科学研究院有限责任公司 | 基于多目标优化的发电设备运行工况库构建方法和装置 |
| CN111598308A (zh) * | 2020-04-24 | 2020-08-28 | 大唐环境产业集团股份有限公司 | 基于回归和二重pso算法解决浆液循环泵组合优化方法 |
Non-Patent Citations (3)
| Title |
|---|
| 李建强等: "基于PSO-LSSVM模型的火电厂烟气含氧量预测", 《热能动力工程》 * |
| 王宇钢: "基于粒子群优化的模糊C均值聚类算法", 《信息技术与网络安全》 * |
| 陶君等: "湿法脱硫浆液中汞的再释放及其稳定化研究进展", 《洁净煤技术》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113110046A (zh) * | 2021-04-02 | 2021-07-13 | 玖禾智控(北京)科技有限公司 | 一种基于大数据自学习预测控制的脱硫***控制方法 |
| CN113110046B (zh) * | 2021-04-02 | 2022-06-07 | 玖禾智控(北京)科技有限公司 | 一种基于大数据自学习预测控制的脱硫***控制方法 |
| CN113190983A (zh) * | 2021-04-21 | 2021-07-30 | 南京工程学院 | 一种基于复合软测量的火电厂磨机负荷预测方法 |
| CN113190983B (zh) * | 2021-04-21 | 2024-03-01 | 南京工程学院 | 一种基于复合软测量的火电厂磨机负荷预测方法 |
| CN113313325A (zh) * | 2021-06-21 | 2021-08-27 | 西安热工研究院有限公司 | 一种脱硫***运行优化方法、***、设备及存储介质 |
| CN114815628A (zh) * | 2022-06-30 | 2022-07-29 | 微山县大卫新型建材有限公司 | 脱硫***控制模型及脱硫***控制方法 |
| CN114815628B (zh) * | 2022-06-30 | 2022-09-02 | 微山县大卫新型建材有限公司 | 脱硫***控制模型及脱硫***控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112465239B (zh) | 2022-03-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112465239B (zh) | 基于改进pso-fcm算法的脱硫***运行优化方法 | |
| Wang et al. | Approaches to wind power curve modeling: A review and discussion | |
| CN108985381B (zh) | 氮氧化物排放量预测模型的确定方法、装置及设备 | |
| CN111275335A (zh) | 一种基于数据驱动的浆液循环泵寻优方法及*** | |
| CN113440990A (zh) | 基于emd-lstm的出口so2浓度预测方法 | |
| CN104715142B (zh) | 一种电站锅炉NOx排放动态软测量方法 | |
| CN110263395A (zh) | 基于数值模拟和数据分析的电厂脱硝运行优化方法及*** | |
| CN113094988A (zh) | 一种基于数据驱动的浆液循环泵运行优化方法及*** | |
| CN112836920A (zh) | 煤电机组能效状态评价方法、装置及煤电机组*** | |
| CN113408659A (zh) | 一种基于数据挖掘的建筑能耗集成分析方法 | |
| CN113723002A (zh) | 全工况下脱硫***浆液pH值预测模型建立方法及*** | |
| CN110986407A (zh) | 一种离心式冷水机组故障诊断方法 | |
| CN114912640A (zh) | 基于深度学习的发电机组的异常模式检测方法及*** | |
| CN115526258A (zh) | 基于Spearman相关系数特征提取的电力***暂稳评估方法 | |
| US7155367B1 (en) | Method for evaluating relative efficiency of equipment | |
| CN113505497B (zh) | 湿法烟气脱硫吸收塔浆液品质监测方法及*** | |
| CN111815039A (zh) | 基于天气分类的周尺度风电功率概率预测方法及*** | |
| CN113468813B (zh) | 一种脱硫***入口so2浓度预测方法、装置、电子设备 | |
| CN117595231A (zh) | 一种智能电网配网管理***及其方法 | |
| CN114444391A (zh) | 一种基于粒子群优化的氧化风机运行优化算法 | |
| CN116305985A (zh) | 一种基于多传感器数据融合的局部智能通风方法 | |
| CN114487284B (zh) | 一种测量空气中重金属浓度的方法及*** | |
| CN113935230A (zh) | 基于注意力机制LSTM模型实现NOx排放量预测方法 | |
| CN112700085B (zh) | 基于关联规则的复杂***稳态运行参数优化方法、***和介质 | |
| CN116757337B (zh) | 一种基于人工智能的房建施工进度预测*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |