摘要：大数据时代，火电厂面临极大的冲击，应用有大数据对于火电厂的优化运行具有十分显著的现实意义。本文简单分析了数据挖掘技术，并结合实际案例探索了数据挖掘技术在火电厂优化运行当中的应用，仅供参考。
关键词：数据挖掘；火电厂；优化
大数据时代，数据已经成为一个企业重要的资产，随着科学技术的不断更新，大数据已经广为人知，各个领域的大数据应用如火如荼。而大数据应用的一个基本前提在于海量的数据，当然如果企业不会在海量数据中挖掘出有价值的信息，用于决策支撑。即使有海量数据，也发挥不出大数据的真正价值。所以大数据应用的另一个关键点在于数据挖掘，本文从火电厂优化运行的角度探讨数据挖掘技术的应用。
1大数据时代火电厂面临的冲击
以往我国电力企业一直实行一体化垂直管理，至2000年开始，我国电力企业实施全面深化的改革。电力行业，大数据的产生仅依靠单独的发电厂或是输电、配电单位等是不可能的，换句话说，大数据产生于电力行业的各个方面。随着火电厂的数字化传统的机械仪表、设备，逐步被数字化设备所取代，SIS、DCS、ERP等系统在电厂逐渐普及，大量的数据通过这些设备和系统收集起来，用于指导火电厂的优化运行。随着技术的进步，数据的存储与保存已经不存在问题，但对于各火电厂来说，摆在面前的问题是如何有效地对数据进行深度挖掘和数据分析的应用。目前来看，火电厂运行当中产生的数据并未成为火电厂的重要资产，运行管理人员观念上不够重视，仅满足于对实时生产数据的查看、统计以及生成报表，缺乏长效的数据挖掘机制。而且人才上的缺乏，导致数据挖掘和数据分析的价值无法体现，在指导火电厂优化运行方面无法提供有效的依据。这些问题均是当前火电厂在大数据应用过程中需要解决的难题，当然也不乏一些成功的经验可以参考。
2数据挖掘技术简要概述
大数据的核心是数据挖掘，具体说是数据挖掘算法，要科学地表现大数据的特点，就需要针对这些数据的类型及格式来制定相应的算法。下文列举一些比较典型的数据挖掘方法。
2.1MBR
MBR即Memory-Based Reasoning的字母缩写，该方法是用一个已知的案例（case）预测未来可能的case的属性，然后找到一些相似的case进行比较。其核心是距离函数以及结合函数，前者用于查找相似case，后者结合相似case的属性用于预测。虽然这种方法具有自学习能力，而且可容许各种型态的数据，限制因素少，但是效率不高。
2.2Decision Tree
中文含义是决策树，这种方法在预测以及归类方面能力极强，通过一系列并列的问题法则，并不断询问问题寻求正确的解。典型的决策树顶端是一个树根，底部拥有许多树叶，记录分解成不同的子集，每个子集可能包含一个简单法则。
2.3Cluster Detection
中文含义聚类分析，这种方法涉及面广，应用最为广泛，涵盖类神经网络、基因算法、群集分析，主要是找出数据当中以前未知的相似群体。刚开始均在群集侦测技术但中运用，作为研究的开端。对于火电厂的数据挖掘来说，它以数据挖掘为核心，形成一个不断循环的业务链路，利用海量的生产数据，建立预测模型。模型对数据进行整理和分析，进而指导火电厂的优化运行。
3数据挖掘在火电厂优化运行中的应用
3.1案例一
某300MW机组的火电厂，基于FCM的模糊关联规则，探索该电厂一个时间段内的运行数据，用以指导该电厂的优化运行。
期刊文章分类查询,尽在期刊图书馆首先，FCM的模糊关联规则，核心在于模糊C均值算法和模糊关联规则算法，先利用模糊C均值算法将电厂的生产数据模糊化，然后用模糊关联规则算法对模糊后的数据进一步处理，得到火电厂有较高运行效率时的参数值。这种方法并不需要精确的数学模型，实际价值很高。
其次，理清火电厂运行参数。火电厂运行参数的核心在于锅炉效率，对于锅炉效率来说，影响因素较多。主要包括但不限于烟气含氧量、排烟温度、过量空气系数、飞回含碳量等。
第三，选取该火电厂一段时间内的7000组历史数据，然后利用K-means算法选取稳态数据进行聚类划分，并选择电厂在该时间段内的常见负荷工况。通过数据清理，清理掉历史数据当中的各种不必要的数据后一共得到1493组有效数据。负荷工况区间在[173.02,186.96],此时的锅炉效率约90.60%。
第四，利用， 将数据规范化至[a,b]区间内，其中为某个运行参数的取值。[a,b]为[0,1],然后利用模糊C均值算法对数据模糊化处理，将每个数值属性划分三个模糊分区——锅炉效率、排烟温度、延期含氧量。模糊权重值根据系统特点决定，给定最小支持度0.2，最小可信度0.7，最后根据模糊关联规则算法，挖掘出[173.02,186.96]负荷工况下，锅炉效率较高时的烟气含氧量最优目标值5.44，最优排烟温度130.98摄氏度。此时锅炉效率达到90.91%，而机组设计的平均热效率为90.41%，整体提高了0.5%。这可以有效降低供电煤耗。
3.2案例二
某电力企业通过对企业生产运行状态检测、生产运行方式优化、机组最优工况及故障工况有效挖掘、对机组节能减排效果合理评价等构建了火电厂运行管理智能辅助平台，开发出低负荷稳燃潜力挖掘。首先，低负荷情况下，要实现稳燃效果，必须要排除其影响因素，燃料的品质、煤粉颗粒分布对低负荷稳燃效果影响较大，这是一个方面，另一个方面的因素在于制粉系统的碾磨处理、干燥出力、动态分离器等的特性，燃烧器的特性以及炉膛受热面布置、燃烧室尺寸等也会对稳燃效果产生影响。此外，锅炉的运行和调节方式也会产生影响。
其次，对于火电厂来说，其数据具有实时性强、数据量大、侧点多、分布广、时间跨度大等特点。针对这些特点低负荷稳然潜力挖掘以燃料数据智能监测系统、锅炉运行智能监测系统、锅炉运行智能辅助系统构成。
第三，燃料智能监测主要安装在入厂煤取样机、上煤皮带以及一次风管上，目的要实现煤质在线检测。通过实验数据，构建特性预测模型，结合历史数据，进一步完善当前机组的煤质特性模型。用于预测煤质，排除影响稳燃效果的因素，为优化运行提供精准的数据支撑。
第四，锅炉运行智能监测系统实现了燃料在线三维监测、制粉系统在线三维监测和锅炉运行在线三维监测。该系统有三大指标，包括安全性指标、环保性指标和经济性指标。安全性指标方面以锅炉壁温为例，以平均壁温和壁温平均偏差值等为主要参数，监测主蒸汽压力和主蒸汽温度变化率、炉膛负压稳定性、火焰温度。环保型指标方面，通过入炉煤的煤质预测当前工况污染物排放最优指标，并与当前排放进行对比，给出污染物排放的下降空间。而经济性指标则是用于预测厂用电率、供电煤耗等。
第五，锅炉智能运行辅助系统，通过煤质在线监测涉笔，实时检测煤质变化，并通过调节制粉系统、一次风管、二次风管的配比，调整煤质成分，以达到最佳的煤质特性。保证进入锅炉燃烧后锅炉壁温、蒸汽压力、蒸汽温度、炉膛负压、火焰强度、排烟温度、锅炉效率等参数达到最优化。
结语
综上所述，火电厂大数据的应用，虽然有很多问题需要解决，但就数据挖掘技术指导火电厂优化运行来说，目前有很多可以借鉴的成功经验。本文对此进行了探讨，可能有所不足，但也具备一定参考价值。
参考文献：
[1]李建强,牛成林,刘吉臻. 数据挖掘技术在火电厂优化运行中的应用[J]. 动力工程,2006,06:830-835.
[2]李帅. 探讨数据挖掘技术在火电厂优化运行中的应用[J]. 科技风,2012,19:87-88.
论文作者:卢展
论文发表刊物:《电力设备》2017年第12期
论文发表时间:2017/8/25
标签：火电厂论文; 数据论文; 锅炉论文; 数据挖掘论文; 煤质论文; 模糊论文; 算法论文; 《电力设备》2017年第12期论文;