0 引言
为了进一步响应《煤电节能减排升级与改造行动计划(2014—2020年)》[1]的号召，燃煤电站仍在寻求管理和技术手段，以实现排放达标的同时降低烟气环保系统的运行维护成本，即环保系统的精细化运行控制显得越发重要。而对烟气环保系统性能的准确认识是其精细化控制的基础。
获取环保系统性能的途径有性能试验、在线监测等。性能试验依据于标准规范，指标全面，但试验条件严苛，化验耗时长；在线监测主要由现场表计完成，指标的实时性、延续性好，但存在一些参数(如浆液品质等)无法监测的情况。如何准确、快速、高效地获取环保系统实时性能，仍是科研技术人员需要研究的重要课题[2]。
1 环保系统数据挖掘算法
1.1 数据预处理
电站运行参数来自运行实际，其数据一致性和完整性往往无法达到数据挖掘的要求。因而，数据预处理必不可少，有必要进一步研究并实现运行数据预处理方法的标准化。此外，鉴于运行数据在采集时已完成数量化，即自带数值属性，因此，数据预处理包括数据集成、数据清理和变换、统计分析及可视化，具体步骤如图1所示。
图1
数据集成将分散数据集成为数据集。
运行数据不可避免地包含异常、缺省数据和噪声，因而，为针对性地提高数据质量，需进行以下数据清理：一致性检查并清理缺省值、空值和异常值；移动平均滤波法光滑去噪；剔除违背工艺逻辑的工况数据。
为规避量纲对数据认识的影响，同时为数据模型建模及迭代优化考量，数据变换的主要内容有：max-min归一化，稳定梯度下降算法的求优速度，以加快模型训练速度；对有类似开或关2种状态的参数进行二值化处理，压缩模型变量数值域及量纲；引入新指标，如电耗量、还原剂耗量等，丰富对象性能指标。
统计分析及可视化包括两部分：识别研究对象的物理边界、数据特征及规模；将信息从数据中提炼为可解释的知识，包括图、表等。
1.2 环保系统关键因素分析
算法步骤如下：
1）以采样时刻划分数据元组，构成数据集O；
2）元组集O的标准化成矩阵 S；
3）求矩阵 S 的相关系数矩阵 R；
4）求取矩阵 R 的特征根λi 及其特征向量ηi；
5）将标准化后的指标变量转换为主成分ξj；
6）分析各主成分权重系数，并缔结结果集U；
7）设定遴选权重系数规则，将主成分划入关键因素集。
1.3 环保系统性能数据模型
图 2
图 2
烟气环保系统数据模型搭建方法
Fig. 2
Method of building data model of flue gas environmental protection system
数据模型的评价指标较为丰富，结合实际并规避量纲及数值量级对模型精度的影响，综合研究后选用均方根误差γRMSE、决定系数γR2、平均绝对百分比误差γMAPE这3个指标来评价数据模型的准确性、有效性。
2 数据模型应用案例分析
某燃煤电站660 MW机组烟气脱硫系统采用石灰石-石膏湿法工艺，“1炉1塔”配置，喷淋空塔并设置5层喷淋层、1层托盘。借助于厂级实时监控信息系统(supervisory information system, SIS)，采集到2018年4—6月为期50天、包括107个参数的运行数据。依托Matlab平台，将数据块集成为数据矩阵，以采样时刻为元组划分原则，并去除重复数据，得到共计13 983条数据元组。根据运行参数在时域上连续的特点，采用前时刻值填充后时刻缺省值，并运用移动平均滤波的方法进行去噪。
数据平滑滤波后，机组功率的瞬时波动大大减弱、数据趋势及均值不失真，也说明数据去噪的必要性，如图3所示。
图 3
剔除与物质守恒及烟气漏风等客观规律相违背的工况数据，主要有：1）烟气出口氧含量小于入口氧含量的数据；2）烟道两侧烟气氧含量绝对偏差超过3.0%的数据；3）折算后出口污染物浓度大于入口的数据；4）机组有功功率小于等于零的数据。数据清理后，得到数据质量高的8 616个元组数据，即8 616×111数据矩阵，占原数据集约61.62%，表明所采集运行数据的有效性高。
数据变换主要在建模中完成，而电耗和物耗指标为数据模型提供先验知识与信息。
最后，统计环保系统参数的最值和众数，得到该环保系统的物理边界，见表1。
表 1 运行数据的统计分析
Tab. 1
| 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 |
脱硫效率是表征烟气脱硫系统性能的关键指标。借助于阿里云平台，分析各参数对脱硫效率的影响，构成关键因素集。结果表明，影响脱硫效率的关键影响因素有原烟气SO2浓度、循环泵电流、浆液pH值、原烟气烟尘浓度、浆液密度、烟气量、原烟气温度等，如图4所示。该结果与机理定性分析结论一致，表明主成分分析方法具有较好的适用性和有效性，为后续脱硫系统的运行优化及调整提供定量的参考。
图 4
梳理关键因素集的结果，作为烟气脱硫系统性能数据模型的输入，采用多算法融合的回归分析技术构建环保系统性能数据模型，最终通过预测净烟气SO2浓度、净烟气温度、脱硫电耗、石灰石耗量，以达到预测烟气脱硫系统性能的目的，同时完成算法调优和模型训练，如图5所示。
图 5
图 5
烟气脱硫系统性能预测数据模型
Fig. 5
Data model for performance prediction of flue gas desulphurization system
数据模型的建立成功表明了方法的可行性，而模型的准确性通过3个指标来评价界定，见表2。
表 2 数据模型的主要评价指标与效果
Tab. 2
| 序号 | 评价指标 | 净烟气SO2质量浓度 | 净烟气温度 | 脱硫电耗 |
|---|---|---|---|---|
| 1 | γRMSE | 1.09 mg/m3 | 0.41℃ | 88.82 kW |
| 2 | γR2 | 0.88 | 0.89 | 0.99 |
| 3 | γMAPE | 0.09 | 0.01 | 0.01 |
γRMSE分别为1.09 mg/m3、0.41℃、88.82 kW，与其众数和最大值相比，数值和量级均在工程允许范围内；γR2均大于0.85，模型的效果较好，能高概率地保证模型趋势的正确性；γMAPE均小于0.10，模型能高准确度地模拟对象的输入和输出，间接表明算法和参数匹配较好。
表 3 烟气脱硫系统性能预测数据模型测试案例
Tab. 3
| 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 |
表 4 数据模型测试结果
Tab. 4
| 指标 | 相对偏差/% | ||
|---|---|---|---|
| 满负荷工况 | 中负荷工况 | 低负荷工况 | |
| 净烟气SO2质量浓度 | 0.90 | 5.05 | 2.88 |
| 净烟气温度 | 1.23 | 0.94 | 0.25 |
| 脱硫电耗 | 0.14 | 6.45 | 0.72 |
| 石灰石耗量 | 8.19 | 8.10 | 8.08 |
石灰石制浆系统具有时滞延后特性，即石灰石耗量的精确确定不完全依托运行数据，因此石灰石耗量的准确性对于模型效果评价的可靠性有待深入研究。剔除石灰石耗量后，各参数的相对偏差均小于6.50%，量级与模型的γMAPE相当，且数据模型能准确复现负荷变化下环保系统状态变化规律和趋势，具有较强的负荷适应性，验证了性能预测数据模型的有效性和准确性。
3 结论
突破传统机理和试验研究的方式，以燃煤电站烟气脱硫系统运行数据作为切入点，运用大数据技术挖掘出影响脱硫系统性能的关键因素集，合理梳理关键因素并将其作为数据模型的输入，融合回归分析技术的多种算法，构建了烟气脱硫系统性能预测数据模型。实例证明，训练后的模型能高精度地复现不同负荷工况的脱硫系统性能，还具有较好的灵活性和可拓展性，为后续燃煤电站环保装备的状态监测、趋势分析、运行优化提供坚实的基础。相比于机理研究和试验方法，该研究方法更为高效灵活、简洁明了，丰富了燃煤电站环保研究思路，且具有启示意义。
参考文献
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]．
Administration on printing and issuing “Action Plan for Energy Conservation and Emission Reduction、Upgradation and Reformation of coal-fired power (2014-2020)
”[J]．
基于历史数据挖掘的汽轮机流量特性辨识与优化研究
[D]．
Research on the identification and optimization of steam turbine flow characteristics based on historical data mining
[D]．
数据挖掘综述
[J]．
Overview of data mining
[J]．
Web数据挖掘系统的设计及关键技术研究
[J]．
Design and key technology research of web data mining system
[J]．
《生态环境大数据建设总体方案》政策解读
[J]．
Policy interpretation of the overall plan for big data construction of ecological environment
[J]．
数据降维及分类中的流形学习研究
[D]．
Study on manifold learning in data dimension reduction and classification
[D]．
基于数据挖掘和主成分分析的电力设备状态评价
[J]．
Power equipment state evaluation based on data mining and principal component analysis
[J]．
一种基于数据挖掘技术的智能变电站故障诊断方法
[J]．
Intelligent substation fault diagnosis method based on data mining technology
[J]．
循环流化床烟气脱硫系统运行的技术分析
[J]．
Technical analysis of operation problems about circulating fluid bed-flue gas desulfurization(CFB-FGD)
[J]．
石灰石/石膏湿法烟气脱硫系统优化技术研究
[D]．
Study on optimization technology of limestone/gypsum wet flue gas desulfurization system
[D]．
超低排放的湿法高效脱硫协同除尘的机理及模型研究
[D]．
Study on mechanism and model of efficient wet-process desulfurization and dust removal by ultra-low ejection
[D]．
结构方程模型检验：拟合指数与卡方准则
[J]．
Structural equation model testing： fitting index and chi-square criterion
[J]．
BP神经网络输入层数据归一化研究
[J]．
Research on data normalization in input layer of BP neural network
[J]．
线性回归模型中变量选择方法综述
[J]．
Review of variable selection methods in linear regression models
[J]．
基于Pearson相关性检验的ARIMA边坡位移监测模型
[J]．
Monitoring model of ARIMA slope displacement based on pearson correlation test
[J]．
电力环保大数据平台开发及智能运用
[J]．
Power environmental protection big data platform development and intelligent application
[J]．
