面向大型发电设备的数据高速存储与智能化分析技术研究

冯普锋，单 涛，陈 静，孙晋志

（华电国际电力股份有限公司十里泉发电厂，山东枣庄 277103）

随着“碳达峰”、“碳中和”战略的提出，国内对发电厂的污染物排放控制日趋严格。在燃煤火电厂中，烟气脱硫技术是实现排放物中SO2含量符合国家要求的重要手段。

双塔双循环脱硫技术是在传统单塔单循环技术基础上进行工艺优化，且其具有更高的脱硫效率[1-2]。该技术系统设备复杂，与脱硫系统能耗与物耗相关的影响因素众多。在火电机组参与调峰任务、运行工况频繁调整的情况下，无法精确地控制脱硫系统运行状态并使脱硫系统运行成本最低。脱硫系统中设备电耗占比较大，可达65%左右[3-4]。因此，如何降低电耗成本是节约成本的重要手段。脱硫系统中功率较大的设备主要有浆液循环泵、氧化风机等，其电耗占整个FGD 系统的85%以上，故减少电能的损耗可以从浆液循环泵的优化控制入手[5-6]。

双塔双循环脱硫系统的智能监控系统中，包含了海量的监测参数，如浆液密度、pH 值、液气比等，以上参数与系统运行状态和运行成本密切相关[7-8]。如何通过大数据技术手段对这些监测数据进行处理分析，并寻找在不同工况下各因素达到最优的组合，且在满足SO2排放控制要求的前提下，尽可能地降低脱硫的能耗与物耗，进而实现运行成本最小化，是值得关注的重要问题。

针对此，该文提出了面向大型发电设备的数据高速存储与智能化分析方法，通过数据驱动手段实现脱硫系统的优化运行控制。

1 面向大型发电设备的数据高速存储架构

面向大型发电设备的智能控制系统数据高速存储架构如图1 所示，其包括数据采集、数据处理、数据储存、数据管理等功能模块。系统的部分功能环节介绍如下。

图1 面向大型发电设备的智能控制系统数据架构

1）外部数据源

大型发电设备智能控制系统的外部数据主要有历史数据和流式数据。前者是在智能控制系统建设之前，大型发电设备运行产生并存储的静态数据；后者是大型发电设备实时运行过程中产生的动态数据。

2）数据采集

针对实时动态数据采取自动读取的流式作业方式，对历史静态数据采用离线上传、手动补算、自动抽取和报表上传这四种数据采集方式。同时，系统采用统一的访问接口来屏蔽不同数据源之间访问差异所造成的障碍。

3）数据处理

数据处理模块利用数据规范化对采集的数据进行质量保证，同时通过数学模型和业务规范对数据进行校验。

4）数据存储

数据存储采用分布式文件系统存储历史数据，用Redis 集群存储快照值，用关系数据库存储结构化数据，从而实现了大型发电设备生产过程中产生的结构化和非结构化数据的海量存储、快速读写。数据存储模块提供统一的读写接口，接口符合WebService、RESTful 等标准接口，从而实现系统存储容量的便捷扩展。

5）数据管理

该模块实现平台的维护管理，可对用户的权限进行配置，其包括组织机构配置、监测指标配置、评价体系配置等。同时，通过对历史数据、故障数据的建模分析，为数据诊断模块提供数据服务。

2 大型发电设备运行优化

基于智能化数据分析的大型发电设备运行优化方法如图2 所示。首先，选择与浆液循环泵运行状态相关的因素样本；然后，通过层次凝聚聚类算法（HAC）构建样本数据库；再将通过LSTM 模型得到的系统工况预测结果与样本数据库进行样本匹配，并按优化规则进行工况寻优；最终，输出优化建议。

图2 大型发电设备运行优化

2.1 基于LSTM模型的工况预测方法

工况预测通过系统实时运行数据，利用LSTM 模型预测得到入口SO2浓度和SO2脱除量等。工况预测流程如图3 所示，其包括变量筛选、数据预处理、LSTM 模型、数据预测和偏差分析等步骤。

图3 基于LSTM的大型发电设备工况预测

1）变量筛选

通过分析SO2的产生机理，得到影响烟气脱硫系统入口SO2浓度与脱除量的主要因素，其包括机组实时负荷、目标负荷和负荷变化率等。

2）数据预处理

研究脱硫系统的数据特性，根据异常情况的数据特征，剔除历史数据中存在数据中断、无效数据、错误数据等情况，并对数据进行采集周期与读取精度的预处理。

3）LSTM 模型

将脱硫系统历史数据分为训练数据库和预测数据库。采用LSTM 算法对训练数据库进行模型训练，并建立算法模型[9-11]。

4）数据预测

将预测数据库代入算法模型中，进行SO2浓度的预测。

5）偏差分析

比较预测数据与实测数据的偏差，并进行偏差分析，进而对算法模型进行优化，减小偏差以达到数据精准预测的目标。

铺设土工膜前要展开复合土工膜，检查是否有漏水点，对漏水点进行补漏；铺设完成后，对割开的土工膜进行焊接，焊接宽度应满足规范要求；土工膜、土工布应自然松弛于支持面贴实，不得出现褶皱、悬空的现象。

2.2 基于HAC算法的样本数据库构建方法

基于层次凝聚聚类算法的样本数据库构建流程如图4 所示[12-16]。其主要包括以下步骤。

图4 基于HAC算法的样本数据库构建流程

1）输入烟气脱硫系统运行数据样本。样本变量包括机组负荷、浆泵组合、浆液pH 值、SO2入口浓度、SO2脱除量、浆液品质监视指数等。

2）将每个烟气脱硫系统运行数据样本单独作为一个簇类。

3）计算任意两个簇类之间的相似度。任意两个簇类之间相似度计算方式如下：

式中，R(X,Y)为簇类X和簇类Y的相似度，c为算法参数，以确保0 ≤R(X,Y)≤1；xi为簇类X的第i个数据样本；yj为簇类Y的第j个数据样本；‖ ‖· 为二范数运算。

4）将相似度最大的两个簇类合并成一个簇类。

5）计算聚类有效性指标BIP。计算方式如下：

式中，BIP 为聚类有效性指标，BIP(i,j)为第i个簇类中第j个数据样本的聚类有效性指标，n为数据样本总数，M为簇类总数，ni为第i个簇类中包含的数据样本个数。

式中，B(i,j)与I(i,j)分别为第i个簇类中第j个数据样本的类间距离和类内距离，其计算方式如式（4）和式（5）所示：

6）判断是否满足聚类终止条件。当聚类有效性指标BIP 达到最大阈值或所有数据样本均归到同一个簇类时，聚类结束；否则，返回步骤3）。

7）根据聚类结果，构建样本数据库。

2.3 样本匹配与工况寻优方法

1）样本匹配

构建样本数据库步骤中，对D个数据样本聚类后，得到K个簇类。分别获取各个簇类下能耗最低所对应的浆液循环泵组合运行方式，则D个数据样本的形式如下：

式中，Di为数据集中第i个数据样本，x1,x2,…,xn为输入参数，Yi为对应的簇类编号，其值也与浆液循环泵组合运行方式相对应。

样本匹配步骤根据实时输入参数，自动预测所属的类，并映射到对应的浆液循环泵运行组合方式。

2）工况寻优

首先搜寻样本类数据库中与当前浆液品质、机组负荷、浆泵组合方式相同，且与SO2入口浓度相同时，单独调节浆液pH 值时SO2脱除量、脱硫效率变化范围是否满足排放要求。若满足，则将最优pH 值作为调整建议；若不满足，则在将pH 值调至最优后选择合理的泵组切换方式，并选取启停次数最少（响应时间最快）、总电流最小、切换后满足排放要求时间最长的历史组合方式。同时将建议的切换方式、运行参数与实时参数比对结果进行展示，从而方便运行人员直观地进行运行调整和技术处置。通过对浆液pH 值、浆液循环泵组合的合理优化，最终实现低电耗下的安全与经济运行。

3 算例分析

以某发电厂双塔双循环脱硫系统为例，验证该文所提的基于智能化数据分析技术的大型发电设备运行优化方法的有效性。该脱硫系统中有A-F 共6台浆泵，单台浆泵额定功率为1 400 kW。

浆液循环泵运行优化前后系统的运行状态监测数据，如表1 所示。经过优化控制后，系统关停1 台浆泵，组合运行方式由4台机组开启切换到3台机组开启。优化后，浆液pH 值减少了0.2，浆液密度增加了36.91 kg/m3，吸收塔液位降低了0.07 m，浆液品质监视参数、入口SO2浓度和出口烟气流量均维持不变。

表1 浆泵优化前后运行状态监测数据

浆液循环泵运行优化前后系统能耗监测数据，如表2 所示。由表中可知，经过优化控制后系统消耗电功率由5 500 kW 降低至4 100 kW，降低了约25%；脱硫效率提升了0.47%；耗电量、单位质量脱硫耗电量和运行成本均降低了约44%。

表2 浆泵优化前后能耗监测数据

综合上述分析，该文所提算法能够在满足SO2排放要求的情况下，优化调整浆泵组合运行方式，进而实现系统的经济运行。

4 结束语

文中开展了数据高速存储与智能化分析技术在大型发电设备运行优化中的应用研究，提出了结合LSTM 与HAC 算法的脱硫系统运行优化模型。通过算例分析表明，经过文中所提方法优化后，系统运行消耗电功率减小了25%，脱硫效率提高了0.47%，并且系统运行成本降低了44%。由此可见，所提控制方法能大幅提高系统运行的经济性。但文中仅实现了对大型发电设备运行的优化控制，而对于如何利用生产数据实现机组故障的精准定位等问题，将在后续研究中开展。