火電廠凝汽器真空實時尋優(yōu)數(shù)據(jù)挖掘算法研究及測試

李川斌 王承亮 石德靜 王曉杰 石德勝 宋峰

摘? ?要：凝汽器真空一直以來被作為火電廠管理降耗工作重要關(guān)注點，就是因為凝汽器真空系統(tǒng)龐雜，容易發(fā)生真空系統(tǒng)泄漏、凝汽器結(jié)垢、熱負荷高等動態(tài)故障，凝汽器性能不容易維持。本文以凝汽器真空實時尋優(yōu)作為研究內(nèi)容，通過研究基于各種數(shù)據(jù)挖掘算法凝汽器真空預測值與實時值的偏差，來確定相對最佳的適用于凝汽器真空實時尋優(yōu)的數(shù)據(jù)挖掘算法，為凝汽器真空優(yōu)化運行和凝汽器真空系統(tǒng)故障診斷提供技術(shù)手段。

關(guān)鍵詞：火電廠? 凝汽器? 真空? 實時尋優(yōu)? 數(shù)據(jù)挖掘

中圖分類號：TM62? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1674-098X（2019）06（a）-0078-05

Abstract： Condenser vacuum has always been an important concern in the consumption reduction management of thermal power plants. It is because the condenser vacuum system is complex and prone to take place dynamic faults，such as vacuum system leakage or condenser scaling or high thermal load ， condenser performance is not easy to maintain. In this paper， real-time optimization of condenser vacuum is taken as the research content. By studying the deviation between predicted and real-time values of condenser vacuum based on various data mining algorithms， the best data mining algorithm suitable for real-time optimization of condenser vacuum is determined， which provides technical means for optimal operation of condenser vacuum and fault diagnosis of condenser vacuum system.

Key Words： Thermal Power Plant; Condenser;Vacuum ;Real-time Optimization ; Data Mining

隨著煤價的持續(xù)上漲、環(huán)保成本的日益升高和競價上網(wǎng)火電經(jīng)營形勢的變化，火電廠的生產(chǎn)經(jīng)營形勢異常嚴峻，火電企業(yè)為適應經(jīng)營形勢、提高核心競爭力，必須深入開展挖潛增效工作。凝汽器真空系統(tǒng)作為影響火電廠經(jīng)濟運行的“牛鼻子”，在機組管理降耗中起著至關(guān)重要的作用[1]，因為凝汽器真空每降低1kPa影響煤耗增加約2.6g/（kW·h），且凝汽器真空系統(tǒng)龐雜容易出現(xiàn)真空系統(tǒng)泄漏、凝汽器結(jié)垢等動態(tài)故障，凝汽器性能會出現(xiàn)波動性趨勢[2]，使得凝汽器真空作為管理挖潛的可控耗差而被大家重視。本文重點研究火電廠凝汽器真空實時尋優(yōu)數(shù)據(jù)挖掘算法，以便確定相對最優(yōu)的凝汽器真空實時尋優(yōu)數(shù)據(jù)挖掘算法，用于火電廠凝汽器真空運行優(yōu)化指導和凝汽器故障診斷。

1? 研究對象

汽輪機為300MW亞臨界、一次中間再熱、反動式、單軸、雙缸雙排汽、高中壓合缸，與1025t/h亞臨界、中間再熱、強制循環(huán)汽包爐及300MW水氫氫冷卻發(fā)電機配套;鍋爐汽輪機熱力系統(tǒng)采用單元布置;汽輪機在額定主蒸汽及再熱蒸汽參數(shù)、回熱系統(tǒng)及汽泵正常投運，背壓11.8kPa，補給水率為3%時機組能連續(xù)運行，發(fā)電機輸出額定功率為300MW。凝汽器規(guī)范詳見表1。

2? 算法選取

由于影響凝汽器真空的因素較多，并且相互之間關(guān)系較復雜，單純通過專家行業(yè)經(jīng)驗無法找出它們之間的復雜關(guān)系，因此，借助于機器學習與數(shù)據(jù)挖掘技術(shù)，根據(jù)實際應用要求，選取適量的數(shù)據(jù)集，建立目標參數(shù)與相關(guān)因素之間的回歸模型，并實現(xiàn)對目標參數(shù)凝汽器真空的實時監(jiān)控。本文選取線性回歸、回歸樹、支持向量機三種數(shù)據(jù)挖掘算法對目標參數(shù)進行建模。

（1）線性回歸數(shù)據(jù)挖掘算法

線性回歸（Linear Regression）是一種通過屬性的線性組合來進行預測的線性模型[3]，其目的是找到一條直線或者一個平面或者更高維的超平面，線性回歸數(shù)據(jù)挖掘原理詳見圖1，使得預測值與真實值之間的誤差最小化。優(yōu)點：結(jié)果具有很好的可解釋性（w直觀表達了各屬性在預測中的重要性），計算熵不復雜。缺點：對非線性數(shù)據(jù)擬合不好，適用數(shù)據(jù)類型：數(shù)值型數(shù)據(jù)。

線性回歸算法描述：

從數(shù)據(jù)集D出發(fā)，構(gòu)建輸入矩陣X和輸出向量y。

（1）

計算偽逆（pseudo-inverse）;返回ω*=X+*y，學得的線性回歸模型為y=ω+*y。

（2）回歸樹數(shù)據(jù)挖掘算法

首先區(qū)分回歸樹與決策樹[4]。決策樹的作用說白了是一個分類器，通過對特征的選擇，劃分，對數(shù)據(jù)進行分類。與決策樹不同，回歸樹做的是回歸，是對值的回歸預測。比如可以通過回歸樹預測房價，或者預測人的年齡，等等。輸出的是連續(xù)值，而不是離散的分類類別。

算法描述：通俗的講一回歸樹的思路，找到一個最好的特征的最優(yōu)的劃分點，把整個數(shù)據(jù)集根據(jù)這個劃分點分成大于和小于的兩個子集;然后對于這兩個劃分后的子集再分別尋找最優(yōu)的劃分點;直到滿足終止條件，那么回歸樹就構(gòu)建完成了。

具體算法如下所述：

輸入：訓練數(shù)據(jù)集D;

輸出：回歸樹f（x）;

在訓練數(shù)據(jù)集所在的輸入空間中，遞歸地將每個區(qū)域劃分為兩個子區(qū)域并決定每個子區(qū)域上的輸出值，構(gòu)建二叉決策樹：

（1）選擇最優(yōu)切分變量j與切分點s，求解

（2）

遍歷變量j，對固定的切分變量j掃描切分點s，選擇使式（2）達到最小值的對（j，s）.

（2）用選定的對（j，s）劃分區(qū)域并決定相應的輸出值：

（3）繼續(xù)對兩個子區(qū)域調(diào)用步驟（1），（2），直至滿足停止條件。

（4）將輸入空間劃分為M個區(qū)域，生成決策樹：

（3）

（3）支持向量機數(shù)據(jù)挖掘算法

SVM算法是一個很優(yōu)秀的算法[5]，在集成學習和神經(jīng)網(wǎng)絡之類的算法沒有表現(xiàn)出優(yōu)越性能前，SVM基本占據(jù)了分類模型的統(tǒng)治地位。目前則是在大數(shù)據(jù)時代的大樣本背景下，SVM由于其在大樣本時超級大的計算量，熱度有所下降，但是仍然是一個常用的機器學習算法。

優(yōu)點：解決高維特征的分類問題和回歸問題很有效，在特征維度大于樣本數(shù)時依然有很好的效果;僅僅使用一部分支持向量來做超平面的決策，無需依賴全部數(shù)據(jù);有大量的核函數(shù)可以使用，從而可以很靈活的來解決各種非線性的分類回歸問題;樣本量不是海量數(shù)據(jù)的時候，分類準確率高，泛化能力強。不足：如果特征維度遠遠大于樣本數(shù)，則SVM表現(xiàn)一般;SVM在樣本量非常大，核函數(shù)映射維度非常高時，計算量過大，不太適合使用;非線性問題的核函數(shù)的選擇沒有通用標準，難以選擇一個合適的核函數(shù);SVM對缺失數(shù)據(jù)敏感。

2? 模型訓練因子

為提高模型訓練效果，將現(xiàn)場DCS數(shù)據(jù)相對準確、穩(wěn)定，且影響凝汽器真空的關(guān)鍵因素作為模型訓練因子[6];根據(jù)以上要求經(jīng)過研究和現(xiàn)場調(diào)研，將機組循環(huán)水量、循環(huán)水溫、循環(huán)水壓（MPa）、軸封供汽溫度、軸封供汽壓力（kPa）、熱井水位（mm）、化補水箱水位（mm）、環(huán)境溫度8個參數(shù)作為模型訓練因子。

3? 模型訓練及測試結(jié)果分析

由于凝汽器真空變化較頻繁，幾分鐘內(nèi)可能就會由于某些人為操作因素導致異常變動，因此選取訓練數(shù)據(jù)為約一天的數(shù)據(jù)，取數(shù)頻率每分鐘取一次。

訓練模型時間：04-Jan-19 00：00：00至04-Jan-19 23：29：00;

測試模型時間：04-Jan-19 23：30：00至04-Jan-19 23：59：00。

（1）實驗結(jié)果分析

通過數(shù)據(jù)挖掘建模以及對測試數(shù)據(jù)進行測試，得到如下分析結(jié)果：采用三種算法對測試數(shù)據(jù)的實際值與預測值進行分析數(shù)據(jù)詳見表2，三種算法絕對誤差對比分析詳見表3。

計算三種算法的實時值與預測值之間絕對誤差，并求得總誤差。線性回歸、回歸樹、支持向量機總誤差分別為-1.36、-0.45、-81.5，回歸樹總誤差達到-0.45，遠遠優(yōu)于其他兩中算法。因此，線性回歸與回歸樹算法比支持向量機預測更加符合實際應用，可以使用回歸樹算法來作為預測凝汽器真空可達值的一種方法，根據(jù)其提供的可達值與實時值進行實時對比，確保凝汽器真空一直在最優(yōu)的狀態(tài)下運行，并且可以作為凝汽器故障診斷的技術(shù)依據(jù)。若實時值偏離可達值并且根據(jù)偏離的程度，來對凝汽器真空進行重點監(jiān)控，甚至直接預警并提出相應的操作指導。

4? 結(jié)語

凝汽器真空作為火電廠節(jié)能管理中重要的可控耗差，一直以來作為火電廠管理降耗、節(jié)能挖潛的重要手段。本文以凝汽器真空這個多因素影響的綜合性指標作為數(shù)據(jù)挖掘?qū)崟r尋優(yōu)的研究對象，也是抓住了凝汽器真空影響因素多、性能動態(tài)多變等特點，發(fā)揮數(shù)據(jù)挖掘算法的多變量、非線性預測的優(yōu)勢;通過數(shù)據(jù)挖掘算法確定、模型訓練因子確定、模型訓練、模型測試及調(diào)試結(jié)果分析等工作，最終確定了相對比較適合實時預測凝汽器真空的數(shù)據(jù)挖掘算法，為指導機組凝汽器真空經(jīng)濟運行和凝汽器故障診斷必將發(fā)揮積極作用，同時也進一步掌握了數(shù)據(jù)挖掘算法適用環(huán)境的重要性。

參考文獻

[1] 廖新華.凝汽式汽輪機組凝汽器真空降低的分析.熱電技術(shù).2008.No.2.

[2] 陳明付.汽輪機凝汽器低真空問題的分析與處理.福建能源開發(fā)與節(jié)約.2003.No.2.

[3] （美）貝里等.線性回歸分析基礎[M].Jul.2011.

[4] 黃婷，軒雙霞.基于支持向量機回歸的土壤有機質(zhì)含量預測.科學技術(shù)創(chuàng)新.2019.No.7.

[5] 吳爽.基于回歸樹模型的推薦技術(shù)研究和應用[D].南京大學，2018.

[6] 張艷萍，張光.凝汽器真空的影響因素分析及定量計算.現(xiàn)代電力.Apr.2009.Vol.26 No.2.