Research on Performance Prediction of Flue Gas Desulfurization System Based on Operation Data of Coal-fired Power Station

doi:10.12096/j.2096-4528.pgt.20009

Abstract

Abstract:

Accurate acquisition of flue gas environmental protection system performance is the premise of its optimal adjustment and technological transformation. Based on the limestone-gypsum wet sulfur removal system of a 600 MW coal-fired power station, the data mining was used to obtain the key factor set of desulfurization system performance. On this basis, a variety of algorithms of regression analysis technology were combined to study and construct the data model of the performance of the flue gas environmental protection system of coal-fired power station. The results show that the data model can reproduce the desulfurization system performance under different load conditions with high precision, and also has good flexibility and expandability, which provides a solid foundation for state monitoring, trend analysis and operation optimization of the environmental protection system.

Key words: coal-fired power station, flue gas desulfurization system, data mining, data model, performance prediction

CLC Number:

TK 09

Cunwen LI, Zaihua WANG, Tao CHEN, Qianwei FENG, Ketao XU, Yang ZHANG. Research on Performance Prediction of Flue Gas Desulfurization System Based on Operation Data of Coal-fired Power Station[J]. Power Generation Technology, 2022, 43(4): 673-678.

Figures/Tables 9

References 21

1	发展改革委，环境保护部，能源局．关于印发《煤电节能减排升级与改造行动计划(2014—2020年)》的通知[J]．中华人民共和国国务院公报，2015(5)：65-71． doi:10.4028/www.scientific.net/amr.1008-1009.1425
	Circular of the National Development and Reform Commission，Ministry of Environmental Protection， EnergyNational ．Administration on printing and issuing “Action Plan for Energy Conservation and Emission Reduction、Upgradation and Reformation of coal-fired power (2014-2020)”[J]．Bulletin of the State Council of the People's Republic of China，2015(5)：65-71． doi:10.4028/www.scientific.net/amr.1008-1009.1425
2	李存文．基于历史数据挖掘的汽轮机流量特性辨识与优化研究[D]．武汉：华中科技大学，2016．
	LI C W ． Research on the identification and optimization of steam turbine flow characteristics based on historical data mining[D]．Wuhan： Huazhong University of Science and Technology，2016．
3	Han Jiawei， Kamber Micheline， Jian Pei ．数据挖掘：概念与技术[M]．范明，孟小峰，译．北京：机械工业出版社， 2012．
	HAN J W， MICHEKINE K， PEI J ． Concepts and technology of data mining[M]．Beijing： China Machine Press， 2012．
4	王光宏，蒋平．数据挖掘综述[J]．同济大学学报(自然科学版)，2004(2)：246-252．
	WANG G H， JIANG P ． Overview of data mining [J]．Journal of Tongji University (Natural Science Edition)，2004(2)：246-252．
5	刘敏钰，薛鸿民． Web数据挖掘系统的设计及关键技术研究[J]．航空计算技术， 2005(1)：63-66． doi:10.3969/j.issn.1671-654X.2005.01.016
	LIU M Y， XUE H M ． Design and key technology research of web data mining system[J]．Aeronautical Computing Technology， 2005(1)：63-66． doi:10.3969/j.issn.1671-654X.2005.01.016
6	王建民．《生态环境大数据建设总体方案》政策解读[J]．环境保护， 2016， 44(14)：12-14． doi:10.14026/j.cnki.0253-9705.2016.14.001
	WANG J M ． Policy interpretation of the overall plan for big data construction of ecological environment[J]．Environmental Protection， 2016，44 (14)： 12-14． doi:10.14026/j.cnki.0253-9705.2016.14.001
7	刘小明．数据降维及分类中的流形学习研究[D]．杭州：浙江大学， 2007． doi:10.5152/tjg.2020.19256
	LIU X M ． Study on manifold learning in data dimension reduction and classification[D]．Hangzhou：Zhejiang University， 2007． doi:10.5152/tjg.2020.19256
8	贺川双，杜修明，严英杰，等．基于数据挖掘和主成分分析的电力设备状态评价[J]．高压电器，2017，53(12)：34-41．
	HE C S， DU X M， YAN Y J， et al ． Power equipment state evaluation based on data mining and principal component analysis[J]．High Voltage Apparatus，2017，53(12)：34-41．
9	王喜，赵宵凯，熊斌宇．一种基于数据挖掘技术的智能变电站故障诊断方法[J]．智慧电力，2018，46(4)：39-43． doi:10.3969/j.issn.1673-7598.2018.04.008
	WANG X， ZHAO X K， XIONG B Y ． Intelligent substation fault diagnosis method based on data mining technology[J]．Smart Power， 2018，46(4)：39-43． doi:10.3969/j.issn.1673-7598.2018.04.008
10	陈秋，张志强，郁金星．循环流化床烟气脱硫系统运行的技术分析[J]．电力建设，2011，32(11)：51-54．
	CHEN Q， ZHANG Z Q， YU J X ． Technical analysis of operation problems about circulating fluid bed-flue gas desulfurization(CFB-FGD)[J]．Electric Power Construction， 2011，32(11)：51-54．
11	乔宗良．石灰石/石膏湿法烟气脱硫系统优化技术研究[D]．南京：东南大学，2015．
	QIAO Z L ． Study on optimization technology of limestone/gypsum wet flue gas desulfurization system[D]．Nanjing： Southeast University，2015．
12	阎维平．电站燃煤锅炉石灰石湿法烟气脱硫装置运行与控制[M]．北京：中国电力出版社， 2005．
	YAN W P ． Operation and control of limestone wet flue gas desulfurization device for power station coal-fired boiler[M]．Beijing： China Electric Power Press， 2005．
13	张军．超低排放的湿法高效脱硫协同除尘的机理及模型研究[D]．杭州：浙江大学，2018． doi:10.1631/jzus.a1700229
	ZHANG J ． Study on mechanism and model of efficient wet-process desulfurization and dust removal by ultra-low ejection[D]． Hangzhou： Zhejiang University，2018． doi:10.1631/jzus.a1700229
14	温忠麟，侯杰泰，马什赫伯特．结构方程模型检验：拟合指数与卡方准则[J]．心理学报，2004，36(2)：186-194．
	WEN Z L， HOU J T， MASH H ． Structural equation model testing： fitting index and chi-square criterion[J]．Acta Psychologica Sinica， 2004， 36(2)：186-194．
15	柳小桐． BP神经网络输入层数据归一化研究[J]．机械工程与自动化， 2010(3)：122-123． doi:10.3969/j.issn.1672-6413.2010.03.046
	LIU X T ． Research on data normalization in input layer of BP neural network[J]．Mechanical Engineering and Automation， 2010(3)：122-123． doi:10.3969/j.issn.1672-6413.2010.03.046
16	王大荣，张忠占．线性回归模型中变量选择方法综述[J]．数理统计与管理， 2010， 29(4)：615-627．
	WANG D R， ZHANG Z Z ． Review of variable selection methods in linear regression models[J]．Mathematical Statistics and Management， 2010，29(4)： 615-627．
17	胡添翼，杨光，陈波，等．基于Pearson相关性检验的ARIMA边坡位移监测模型[J]．水利水电技术，2016，47(1)：71-75．
	HU T Y， YANG G， CHEN B， et al ． Monitoring model of ARIMA slope displacement based on pearson correlation test[J]．Water Resources and Hydropower Technology，2016，47(1)：71-75．
18	杜若，谢川，吴群艳．电力环保大数据平台开发及智能运用[J]．电力大数据，2017，20(8)：64-67．
	DU R， XIE C， WU Q Y ． Power environmental protection big data platform development and intelligent application[J]．Power Big Data，2017，20(8)：64-67．
19	高隽．人工神经网络原理及仿真实例[M]．北京：机械工业出版社， 2003．
	GAO J ． Artificial neural network principle and simulation example[M]．Beijing： China Machine Press， 2003．
20	袁曾任．人工神经元网络及其应用[M]．北京：清华大学出版社， 1999．
	YUAN Z R ． Artificial neuron network and its application[M]．Beijing： Tsinghua University Press， 1999．
21	方贤，铁治欣，崔仕文，等．基于粒子群优化双支持向量机的SCR烟气脱硝效率预测模型[J]．热力发电，2018，47(1)：53-58．
	FANG X， TIE Z X， CUI S W，et al ． Prediction model of denitration efficiency of SCR flue gas based on particle swarm optimization dual support vector machine[J]．Thermal Power Generation，2018，47(1)：53-58．

序号	项目	最大值	最小值	众数
1	机组功率/MW	668.16	273.40	499
2	原烟气SO₂质量浓度/(mg/m³)	4 375.31	630.64	2 615
3	原烟气压力/kPa	2.950	1.029	1.506
4	原烟气氧浓度/%	10.5	1.8	5.4
5	原烟气温度/℃	127.5	98.5	105.7
6	净烟气SO₂质量浓度/(mg/m³)	40.5	2.5	6.1
7	净烟气压力/kPa	0.153	-0.148	0.019
8	净烟气温度/℃	53.5	40.7	50.3
9	净烟气NO _x 质量浓度/(mg/m³)	44.55	5.48	17.22
10	浆液密度/(kg/m³)	1 517.53	823.40	1 118
11	吸收塔液位/m	11.33	8.97	10.25
12	脱硫物耗/(t/h)	31.12	4.62	14.64
13	脱硫电耗/kW	8 307.34	3 946.54	7 123.3

序号	项目	最大值	最小值	众数
1	机组功率/MW	668.16	273.40	499
2	原烟气SO₂质量浓度/(mg/m³)	4 375.31	630.64	2 615
3	原烟气压力/kPa	2.950	1.029	1.506
4	原烟气氧浓度/%	10.5	1.8	5.4
5	原烟气温度/℃	127.5	98.5	105.7
6	净烟气SO₂质量浓度/(mg/m³)	40.5	2.5	6.1
7	净烟气压力/kPa	0.153	-0.148	0.019
8	净烟气温度/℃	53.5	40.7	50.3
9	净烟气NO _x 质量浓度/(mg/m³)	44.55	5.48	17.22
10	浆液密度/(kg/m³)	1 517.53	823.40	1 118
11	吸收塔液位/m	11.33	8.97	10.25
12	脱硫物耗/(t/h)	31.12	4.62	14.64
13	脱硫电耗/kW	8 307.34	3 946.54	7 123.3

序号	评价指标	净烟气SO₂质量浓度	净烟气温度	脱硫电耗
1	γ_RMSE	1.09 mg/m³	0.41℃	88.82 kW
2	γ_R2	0.88	0.89	0.99
3	γ_MAPE	0.09	0.01	0.01

序号	评价指标	净烟气SO₂质量浓度	净烟气温度	脱硫电耗
1	γ_RMSE	1.09 mg/m³	0.41℃	88.82 kW
2	γ_R2	0.88	0.89	0.99
3	γ_MAPE	0.09	0.01	0.01

类别	参数	满负荷工况	中负荷工况	低负荷工况
输入	机组功率/MW	558.104 7	459.424 4	305.675
	原烟气SO₂质量浓度 (折算值)/(mg/m³)	2 175	875	1 339
	原烟气氧浓度/%	3.0	4.7	5.6
	原烟气温度/℃	119.4	110.7	101.5
	原烟气压力/kPa	2.7	1.8	1.3
	吸收塔液位/m	10.2	9.9	9.8
	吸收塔石膏浆液密度/(kg/m³)	1 118	1 123	1 114
	浆液pH值	5.2	5.2	5.1
	浆液循环泵电流/A	519.6	308.8	318.2
	氧化风机电流/A	59.5	29.3	27.5
实际	净烟气SO₂质量浓度/(mg/m³)	5.56	4.16	4.86
	净烟气温度/℃	51.23	50.15	47.96
	脱硫电耗/kW	7 824.0	4 790.3	4 410.4
	石灰石耗量/(t/h)	14.4	5.8	7.8
预测	净烟气SO₂质量浓度/(mg/m³)	5.61	4.37	4.72
	净烟气温度/℃	51.86	49.68	47.84
	脱硫电耗/kW	7 813.36	5 099.47	4 442.11
	石灰石耗量/(t/h)	13.22	5.33	7.17