基于大數據挖掘技術的工業(yè)鍋爐性能優(yōu)化升級研究

劉彩利

(西安外事學院，陜西 西安 710077)

置身于互聯(lián)網大背景下，各領域都被貼上數字化的標簽，于電力行業(yè)而言亦是如此，正逐步朝著信息化的方向發(fā)展，現階段以監(jiān)控信息系統(tǒng)的應用最為廣泛，受惠于現代信息技術，可確保各類數據的完整性，實現對數據的有效存儲[1-2]。

1 相關工作背景

1.1 粗糙集理論

Pawlak經研究后提出粗糙集理論，其基本應用對象為信息數據系統(tǒng)，依托于粗糙集理論可實現高效化的數據分類，并確保信息分類能力的穩(wěn)定性，使其在較長一段時間內不發(fā)生改變[3]。相較于前人的研究理論而言，Pawlak所提出的理論能夠簡化問題解決思路，實際分析工作中無需得到除數據庫外的其他知識的支持，且具備與其余理論互補的條件。在長期發(fā)展之下，粗糙集理論已經得到廣泛應用，在臨床醫(yī)學等領域均見其身影。粗糙集理論的鮮明特點在于屬性約簡，選取原始特征，在此基礎上經篩選后獲得最佳子集，并進一步選擇突出特征，將大量無用數據刪除，達到有效縮小數據維度的效果，有助于提升數據的研究效益[4-6]。本文也充分運用了粗糙集理論，引入了決策表屬性約簡算法，從而達到屬性約簡的效果，具體流程如圖1所示。

圖1 屬性約簡的基本框架

1.2 Hadoop平臺

依托于MapReduce主框架，可實現對數據的分析，此處采取的框架形式具有較強適用性，可實現對多類大數據問題的處理。其內置有Map和Reduce函數，具體指的是映射與歸約函數，在其支持下可實現對數據的高效處理。立足于實際情況，針對數據源展開分散處理，基于鍵值，在其作用下可實現對函數值的輸入與輸出。各數據塊都存在與之相對應的Map函數，能夠達到數據計算結果輸出的效果，隨后再針對輸出數據實行排列，產生Reduce函數輸入值，以便給后續(xù)計算工作提供支持。關于MapReduce框架的運行流程，具體內容如圖2所示。

圖2 MapReduce工作流程

2 RCK-means新算法流程

通過上述提及的MapReduce，經順序組合后可得到特定程序，即RCK-means算法。類似于上述操作機制，需執(zhí)行屬性約簡操作，實現對數據原件的處理，隨后再一次執(zhí)行Canopy 與K-means子框架。關于各流程，具體內容如圖3所示。

圖3 RCK-means算法流程

(1)在粗糙集理論的支持下，可形成初始決策表，并判定具體的條件與決策屬性，通過對各自屬性依賴度的分析，實現進一步的屬性約簡處理，經此環(huán)節(jié)后可篩除大量無關數據，余下的有用數據便可構成特性集合。

(2)通過 Canopy 算法中的Map函數，可實現對新數據幾何的轉換，使其成為與鍵值相對應的方式，隨后分別置于多個Map函數中以便做后續(xù)計算處理，求得各數據塊對應的距離閾值，以D1、D2為基準，將所得結果與之對比分析，經迭代處理后產生集合，具體指的是Canopy集合。

(3)通過Reduce 函數，可實現對上述Map結果的進一步處理，即并集操作，此時可以得到Q集合，隨后再運行Canopy流程，針對既有的程序展開多次處理，最終使得集合為空，便可求得聚類簇K，獲得此結果后可將其作為輸入值，以便做后續(xù)的處理。

(4)在上述基礎上，通過K-means算法中Map函數，可求得聚類簇，將所得結果通過鍵值對輸入，便可求得節(jié)點與中心點距離，將上述操作后所得的結果匯總，展開分類處理，并采取相同的方式將結果輸出。

(5)基于Combine 函數，能夠實現對上述輸出值的處理，將其分類后再數據歸集，在求得各數據維度值的基礎上，做進一步的總和計算。

(6)通過K-means 算法中的Reduce函數，針對(5)中求得的結果加以分析，考慮各數據的維度值，為之實行總和計算，并明確數據的具體數量，隨后可創(chuàng)建新的聚類中心，以此為基礎重新迭代，最終收斂。

3 在鍋爐效率優(yōu)化中的研究

3.1 運用大數據技術的意義

較為典型的優(yōu)化方式有兩種：第一，從燃燒器與受熱面入手，為之采取升級整改措施，從而達到提升運行效率的效果，或是適配先進設備，在其支持下實現對參數的監(jiān)測。盡管此方法的應用效果良好，但對于人力與財力的需求較大，因此經濟效益較低。第二，基于DCS的數據挖掘技術，從而實現對鍋爐性能的分析并確定合適的參數，此方式模型優(yōu)化工作量相對較大，且在實際處理中易出現樣本獲取難度大的情況，不具備較高的實用性。DCS系統(tǒng)儲有豐富的數據，將其作為實行大數據技術的基本支持，創(chuàng)建嚴密的計算流程，針對熱力系統(tǒng)中涉及到的大量數據展開分析，從中確定與鍋爐效率有關的幾項參數，分析具體參數值與理論的誤差，經此方式所得的參數值則具備作為最佳參數值的條件。對此，本文引入了K-means聚類算法，在此基礎上輔以Hadoop框架，通過集(簇)聚類中心點實現對龐大數據群的分析，從中檢驗最合適的參數，確保所得參數具有可行性，成為提升鍋爐運行效率的關鍵指導。

3.2 大數據挖掘對象

本文選取的是600 MW 燃煤機組鍋爐，該裝置適配的燃燒器采取的是擺動四角切圓形形式，數據總量129 600條，依據實際情況，重點從2018-10-01—2018-12-31時段內獲取相關數據。

3.3 確定大數據挖掘目標

(1)排煙氧量。又可稱為過量空氣系數，伴隨燃燒作業(yè)的持續(xù)發(fā)生，該值將隨之減小，在此過程中鍋爐未完全燃燒損失將呈現出明顯提升的趨勢，不利于鍋爐燃燒效率；若過量空氣系數偏大，有助于緩解不完全燃燒現象，但隨之出現明顯的排煙損失，也會對鍋爐運行效率造成影響。從這一角度來看，需確定合適的取值范圍，此舉對于提升鍋爐效率而言尤為關鍵。

(2)磨煤機給煤量。在特定負荷區(qū)間內，若磨煤機組合方式發(fā)生變化，或是煤量分配比隨之改變，都會使得火焰中心高度處于波動的狀態(tài)。若火焰中心高度偏高，則會對爐膛出口處造成影響，使得該處溫度急速提升，并伴隨大量的流換熱量，降低了鍋爐效率。

(3)一、二次風參數。鍋爐爐膛溫度的變化主要與一次風有關，若爐膛溫度處于較高水平，將會提升燃燒速度，從而達到充分燃燒的效果；若爐膛的溫度處于異常偏高的情況，將伴隨明顯的燃燒逆反應現象，也會出現燃燒不完全的問題。不僅于此，一次風還會影響到煤粉氣流溫度，會提早煤粉著火時間，在充分燃燒的作用下，將明顯減少飛灰含碳量。同時，二次風也是重要的影響因素，該參數也將決定燃燒效果。總體上，一、二次風的良好配合是創(chuàng)建高效空氣動力場的關鍵因素，在其支持下可提升煤粉與空氣的混合效果，確保煤粉得到充分的燃燒。當鍋爐處于穩(wěn)定運行狀態(tài)時，需以燃料量為基準合理調節(jié)一次風參數，由于兩大因素呈線性關系，因此一次風不具備作為選用參數的條件。

(4)燃燒器擺角。根據燃燒器的基本形狀，若為四角切圓形式，在該設備擺動之下，除了會引發(fā)火焰中心偏移現象外，還會對切圓直徑造成影響，從這一角度來看，燃燒器擺角的控制尤為關鍵，是影響鍋爐效率的重要因素。

3.4 大數據預處理

引入粗糙集理論后，只具備分析離散型數據的能力，但無法滿足辨別數據關系的要求。而通過DCS歸集后，可獲得連續(xù)且具有非離散特性的信息，因此需要在分析之前實行DCS歸集，通過此方式達到對信息分散處理的效果。現階段，分散數據的方式較多，若基于傳統(tǒng)的方式展開，易出現數據分割點判別難度大的問題，在缺乏合理的數據分散處理后，后續(xù)數據處理工作將受到嚴重影響，有價值的數據易被視為無用數據而排除?；诖?，本文建議采用模糊粗糙集分散法，即兼顧了模糊集與粗糙集兩種典型的方式，在其支持下實現對數據的分散處理，以達到數據屬性約簡處理的效果。采取此方式后，能夠改變傳統(tǒng)方式下粗糙集的局限之處，且提升數據判別的準確性。

3.5 大數據挖掘算法應用及結果

基于對數據的約簡處理后，可通過RCK-means 算法進一步處理，實現對數據深度挖掘的效果。在Hadoop平臺中，將支持度下限設置為2%。在此基礎上，執(zhí)行標準數據的處理流程，實現對約簡集合的進一步處理，從中挖掘具有應用價值的參數，明確聚類中心點與鍋爐效率間的最合適參數。基于實際分析得知，相較于排煙氧量最佳優(yōu)化值而言，預先設置的實際值與之存在較為明顯的偏差。若處于低負荷運行狀態(tài)，相比于最佳優(yōu)化值而言，設定值將比其更小，這一現象與鍋爐難燃燒有關，伴隨排煙氧量的增加，可有效控制不燃燒熱，此時鍋爐的運行效率隨之提升。若負荷值處于較大水平，當超過500 WM時，將會顯著提升鍋爐燃燒效率，此時排煙含氧量最佳優(yōu)化值也會出現明顯的下降趨勢，可以得知的是設定值大于最佳優(yōu)化值。因此，若要達到效率最大化的目標，可通過設定值進行操作，針對各運行狀況下的數據展開深度優(yōu)化，基于此方式求得最佳參數值，提升鍋爐性能。

4 結 語

依托于大數據技術，在其支持下展開數據挖掘，明確影響鍋爐效率的主要因素，從中求得最佳參數值，以達到鍋爐效率最大化的效果。通過RCKmeans新算法，有助于剔除無效數據，在此基礎上求得最佳集合，確保了聚類準確率。從實際應用情況來看，為滿足不同環(huán)境下的運行要求，可設定最佳區(qū)間，隨后對各工作環(huán)境下的數據做針對性優(yōu)化，最終求得最具適用性的參數值。