基于數據分析的燃煤機組制粉系統與配風方式優化

李建強， 陳星旭， 趙 凱， 汪安明

(華北電力大學 能源動力與機械工程學院， 河北保定 071003)

基于數據分析的燃煤機組制粉系統與配風方式優化

李建強， 陳星旭， 趙 凱， 汪安明

(華北電力大學 能源動力與機械工程學院， 河北保定 071003)

針對某600 MW燃煤機組制粉系統及配風方式優化，在其歷史運行數據庫的基礎上，采用改進關聯規則挖掘算法對磨煤機一次風量、給煤機速率、磨煤機出口風壓及二次風門開度等參數進行挖掘，得到了優化后全工況下各運行參數的最優參考值.結果表明：在中低負荷段，保證煤量要求的前提下，減少磨煤機臺數能夠降低制粉系統運行能耗；在相同磨煤機組合方式下，優化后工況的凈單位發電量明顯提升，有效降低了制粉系統運行能耗；優化后的二次風配風方式呈束腰型分布，在保證穩燃的同時提高了鍋爐效率，降低了NOx的生成量.

制粉系統； 配風方式； 數據挖掘； 關聯規則

燃煤機組鍋爐燃燒過程是涉及眾多運行參數的復雜化學物理過程[1].優化制粉系統和配風方式是實現鍋爐燃燒優化的重要手段.制粉系統作為燃煤機組的能量源頭，提供燃燒所需要的燃料[2].不同的配風方式決定了輸送煤粉的動力和提供給煤粉燃燒所需的空氣量，對爐內煤粉的燃燒有很大影響.保證配風方式及制粉系統在全工況最優運行參數下運行是提高鍋爐運行經濟性，實現燃燒優化的關鍵.

在制粉系統優化方面，馬有福等[3]設計了一種采用爐煙干燥煤粉以及回收乏氣余熱的制粉系統，提高了制粉系統的安全性和經濟性；高繼錄等[4]提出在制粉系統中摻入從引風機出口抽取的冷爐煙，從而達到加大摻燒褐煤比例的目的，提高了機組的經濟性；馮磊華等[5]應用支持向量機算法建立了制粉系統出力預測模型.在配風方式優化方面，肖海平等[6]通過改變氧量及配風方式等因素進行燃燒調整試驗，分析了不同工況下NOx濃度和鍋爐效率變化規律；伍日勝等[7]對傳統的氧量控制及二次配風方式進行優化，將試驗所得的優化參數應用于集散控制系統(DCS)中，實現了鍋爐配風的精細化控制.以上優化都只是單方面地考慮制粉系統或配風方式優化，沒有將兩者結合起來進行共同優化.

筆者采用改進的關聯規則挖掘算法對某燃煤機組DCS中數據庫進行數據挖掘，通過優化磨煤機一次風量、給煤機轉速、磨煤機出口風壓及二次風門開度等運行參數，得到了優化后全工況下各運行參數的最優參考值，并對優化前后各個工況的凈單位發電量進行曲線擬合，根據優化后二次風門開度曲線得到最佳配風方式，實現了制粉系統和配風方式的優化.

1 鍋爐概況與數據預處理

1.1鍋爐概況

優化對象為某600 MW燃煤機組，其鍋爐為亞臨界、一次中間再熱、單爐膛、控制循環汽包鍋爐，型號為HG-2008/17.4YM5.爐膛尺寸為18 542 mm×17 448 mm.制粉系統采用正壓直吹式，配置6臺MBF24.0型中速輥式磨煤機，其示意圖見圖1.

圖1 正壓直吹式制粉系統結構示意圖Fig.1 Structure of the positive-pressure direct-fired pulverizing system

鍋爐燃用設計煤種滿負荷運行時，ABCDE 5臺磨煤機運行，F磨煤機備用.爐膛四角布置切向擺動式燃燒器，最大擺角為±30°，燃燒器上方布置高位燃盡風(OFA)，以保證NOx排放值滿足要求.鍋爐采用二級高能點火系統，整臺鍋爐布置16支油槍(每角4只)，油槍采用機械霧化噴嘴，點火槍和油槍均為可伸縮式.燃燒器噴口布置見圖2.

圖2 燃燒器噴口布置Fig.2 Arrangement of burner nozzles

1.2優化模型數據庫

優化模型為該機組制粉系統及二次配風系統，優化對象為從該機組實時監控信息系統(SIS)數據庫中導出的2個月的歷史運行數據，取點間隔為1 min，取數共計87 840組，優化參數共有56個，具體優化參數見表1.

表1 優化參數

數據庫中發電負荷主要分布在300～600 MW，以每隔60 MW為一個區間，共分為5個工況，如表2所示.

表2 發電負荷工況劃分

1.3磨煤機組合方式

根據ABCDEF磨煤機的給煤機電流可以得到各個工況運行時的磨煤機組合方式(見圖3).制粉系統主要組合方式分為BCDE和ABCDE 2種，其中BCDE磨煤機組合方式主要運行在中低負荷下，即工況1～工況3；ABCDE磨煤機組合方式主要運行在中高負荷下，即工況3～工況5；其余磨煤機組合方式主要運行在中低負荷下，如ABCD磨煤機組合方式主要運行在工況2～工況3，但運行時間不多，運行記錄偏少，所以在數據挖掘過程中忽略此類磨煤機組合方式，保留BCDE和ABCDE 2種磨煤機組合方式.

圖3 磨煤機組合方式Fig.3 Combination of coal mills

2 關聯規則挖掘算法

2.1改進的Apriori算法

Apriori算法是一種經典的關聯規則挖掘算法[8-11]，但在對經過預處理的事務數據庫進行數據挖掘過程中，經常會面臨花費了大量計算資源的低層次頻繁項集沒有出現在規則庫中，這無疑浪費了許多計算資源.根據組合排列公式，當事務數據庫D中項的數目確定時，最大候選項集會出現在正中間，并且兩邊會呈相同趨勢的遞減，即若不考慮剪枝步，自下而上與自上而下2種方式生成候選項集的計算復雜程度是一致的.改進的Apriori算法采用一種基于矩陣的數據存儲格式，能夠降低候選項集的占用內存.

事務數據庫D轉換的矩陣T為：

(1)

矩陣T中每行代表一條事務tk，每列代表一個項im，矩陣由(0，1) 2種布爾量組成，其中1表示該列的im項在事務tk中存在，0則表示該列的im項在事務tk中不存在，這樣每條事務就可以表示為一組二進制代碼.假設根據某事務數據庫得到的二進制事務矩陣TBi如下：

(2)

則對應的十進制事務矩陣TDe可以表示為：

(3)

經過矩陣化以及十進制化后，整個挖掘過程可以簡化為一個n元一維數組與候選項集的按位與運算，這樣就能夠降低該算法所占用的內存，且能簡化計算流程.

2.2算法舉例

設事務數據庫D如表3所示，最小支持度設為0.2.

表3 事務數據庫

(1) 將事務數據庫D轉化為事務矩陣T.

(4)

(2) 由二進制矩陣T可得到5-候選項集C5.

(5)

(3) 對C5和T中各元素進行按位與運算.計算C5中各個事務在矩陣T中的包含情況，可以得到整個C5的支持度計數情況，如表4所示.

由表4得到5-頻繁項集L5={ABDEF,BCDEF}，并且可以得到5-非頻繁項集O5=C5-L5.

(4) 由連接步、剪枝步可得到4-候選項集C4.

表4 候選項集C5

(6)

(5) 掃描數據庫得到C4的支持度計數情況，如表5所示.

表5 候選項集C4

由表5可以得到4-頻繁項集L4={ABCE}，并且可以得到4-非頻繁項集O4={ABCD,ACDE,ABCF,ACDF,ACEF}.同理，O4通過連接步與剪枝步可以得到3-候選項集C3和2-侯選項集C2.

(6)掃描數據庫得到C2={CF}，且此項集的支持度計數為1.由上述結果可以得到2-頻繁項集L2=?，2-非頻繁項集O2={CF}，對O2進行連接步和剪枝步可以得到C1=?，滿足算法結束條件，算法結束.

由上述計算過程可以得知，事務數據庫D的頻繁項集為5-頻繁項集L5與4-頻繁項集L4的并集，即L={X|L5∪L4}.

2.3算法流程

關聯規則挖據算法的流程見圖4.考慮到燃煤機組熱力系統的數據記錄時間跨度大、系統耦合程度高，設最小支持度為0.1，最小置信度為0.6.

Apriori算法是適用于布爾型數據庫的挖掘算法，而燃煤機組DCS中數據庫包含了大量的連續量，因此在采用該算法時，需要對數值型數據庫進行離散區間劃分，將連續值劃分為多個語言值.在離散化的過程中，涉及到如何選取合理的劃分點和劃分區間大小等問題.若離散區間過大，容易出現“最小置信度問題”；反之，則容易出現“最小支持度問題”.采用以均等分區為主、聚類分區為輔的方法，在電廠數據庫各運行參數數據分布特點以及各參數與評價目標之間影響關系的基礎上，盡可能合理地進行屬性的離散化.

圖4 關聯規則挖掘算法流程Fig.4 Process of association rule mining

3 挖掘結果分析

鍋爐燃燒優化需要考慮鍋爐效率提升帶來的效益以及制粉系統運行導致的成本之間的綜合最優結果[12-15]，通過對現有參數進行擬合，計算出代表單位原煤的凈發電量目標函數Fj，如式(7)所示，用以評價各個關聯規則的優化程度.

(7)

式中：bg為標準煤耗，g/(kW·h)；κ為制粉單耗，(kW·h)/t.

通過建立數學模型，采用關聯規則挖掘算法得到在凈單位發電量較高時各優化參數的運行最優值.在特定負荷和磨煤機組合方式下，選取磨煤機一次風量、磨煤機出口風壓、給煤機速率及各二次風門開度等參數作為優化參數.通過該算法得到的目標函數Fj高的關聯規則見表6，給出了優化后全工況下不同磨煤機組合方式中各個磨煤機一次風量、磨煤機出口風壓、各給煤機速率和各二次風門開度的最優值區間，為指導運行人員優化運行提供了參考值.

表6 優化后全工況下的關聯規則

優化后工況和原始工況擬合的凈單位發電量曲線見圖5.由圖5可知，優化后全工況下的凈單位發電量處于較高水平，優化結果比較理想.由圖5工況3可以直觀地看出，BCDE磨煤機組合方式比ABCDE磨煤機組合方式更為經濟.制粉系統參數的調整對爐膛內的穩定燃燒有一定影響.在其他條件相同的情況下，不同磨煤機組合方式及其對應運行參數的調整會改變爐膛內的燃燒狀況、機組運行經濟性及NOx的排放.在中低負荷段，減少磨煤機臺數可以降低總的磨煤機電流，減少磨煤機一次風量，一次風機電流也隨之下降，節能效果明顯，降低了廠用電的消耗.同時，由于運行磨煤機出力增加，為了維持磨煤機出口溫度，一次風門開大，鍋爐排煙溫度降低，鍋爐效率提高.由此可見，在中低負荷段，減少磨煤機臺數，運行磨煤機出力增加這種運行方式可以降低煤耗，使機組經濟性更高.此外，還可以有效降低一次風率和NOx排放量.高負荷下，由于此時A磨煤機啟動，所以各個運行參數會有所降低.

在優化后全工況下，不同磨煤機組合方式中各給煤機速率曲線、各周界風門開度曲線和各輔助風門開度曲線分別見圖6～圖8，其中各工況對應參數的最優值為在最優區間中的所有值的算數平均數，且工況3只選取了較優的BCDE磨煤機組合方式.由圖6～圖8可知，優化后二次風配風方式呈束腰型分布.不同的二次風配風方式可以影響鍋爐的經濟性和排放特性，采用束腰型配風方式，使下層A、B、C層二次風量相對較大，在煤粉燃燒初期保持爐膛內部充足的風量可使煤粉顆粒基本燃盡，減少未完全燃燒熱損失，提高鍋爐經濟性；使中上層D層二次風量相對較小，有利于主燃燒區形成缺氧富燃料的還原性氣氛，降低燃料型NOx的生成量，即降低了煙氣中NOx的排放量；使上層E層二次風量相對較大，及時補充空氣，減少飛灰含碳量.這種中間小、上下逐漸增大的二次風門開度組合分布有利于提高局部斷面熱負荷，具有很強的穩燃效果，同時也提高了鍋爐效率，降低了NOx的生成量.

(a) 工況1的優化結果

(b) 工況2的優化結果

(c) 工況3的優化結果

(d) 工況4的優化結果

圖6 優化后給煤機速率曲線Fig.6 Curves of coal feeder flow rate after optimization

圖7 優化后周界風門開度曲線Fig.7 Optimized curve of perimeter throttle opening

圖8 優化后輔助風門開度曲線Fig.8 Optimized curve of auxiliary throttle opening

優化后工況與原始工況的目標函數對比見圖9，其中，在低負荷階段，由于用于數據挖掘樣本的工況較少，所以挖掘出的優化工況是不連續的.由圖9可以看出，優化結果比較理想.圖中曲線為優化后工況擬合出的三次曲線，其方程為：

圖9 制粉系統優化全工況目標函數Fig.9 Evaluation function in full load range of coal pulverizing system

Fj=96.226 84+9.656 89D-0.017 92D2+

1.173 14×10-5D3

(8)

式中：D為發電負荷，MW.

4 結 論

(1) 采用基于矩陣的數據儲存格式，提出了一種直接面向高階實用的改進關聯規則挖掘算法.同時進行算法試驗，驗證了該算法的正確性，相對于傳統Apriori算法，在處理大型數據庫時該算法具有更高的運行效率.

(2) 以某600 MW燃煤機組的歷史運行數據庫為基礎，利用改進關聯規則挖掘算法對制粉系統及各二次風門運行參數進行數據挖掘，選取磨煤機一次風量、給煤機速率、磨煤機出口風壓及各二次風門開度作為挖掘參數，得到了優化后全工況下各運行參數的最優參考值.

(3) 由優化結果可知，工況3中BCDE磨煤機組合方式比ABCDE磨煤機組合方式更為經濟，在中低負荷段，磨煤機運行臺數減少，運行磨煤機出力增加的運行方式經濟性更高；在相同磨煤機組合方式下，優化后制粉系統的運行能耗有效降低.優化后二次風配風方式呈束腰型分布，凈單位發電量明顯提升.

[1] 牛玉廣, 沙超, 康俊杰. 基于數值模擬與試驗運行數據的電站鍋爐燃燒系統復合建模[J].動力工程學報, 2014, 34(10): 765-770.

NIU Yuguang, SHA Chao, KANG Junjie. Hybrid modeling of boiler combustion system based on numerical simulation and experimental data[J].JournalofChineseSocietyofPowerEngineering, 2014, 34(10): 765-770.

[2] 夏季, 彭鵬, 華志剛, 等. 燃煤電廠分磨摻燒方式下磨煤機組合優化模型及應用[J].中國電機工程學報, 2011, 31(29): 1-8.

XIA Ji, PENG Peng, HUA Zhigang, et al. Optimization of pulverizers combination for power plant based on blended coal combustion[J].ProceedingsoftheCSEE, 2011, 31(29): 1-8.

[3] 馬有福, 郭曉克, 肖峰, 等. 基于爐煙干燥及水回收風扇磨倉儲式制粉系統的高效褐煤發電技術[J].中國電機工程學報, 2013, 33(5): 13-20, 11.

MA Youfu, GUO Xiaoke, XIAO Feng, et al. Efficient lignite-fired power generation technology based on open pulverizing systems with flue gas drying fan mill and recovery of heat and water from pulverizing exhaust[J].ProceedingsoftheCSEE, 2013, 33 (5): 13-20, 11.

[4] 高繼錄, 鄒天舒, 吳景興, 等. 800 MW機組制粉系統摻混冷爐煙改造設計及影響分析[J].發電設備, 2013, 27(1): 20-23.

GAO Jilu, ZOU Tianshu, WU Jingxing, et al. Analysis on retrofit for blending cold flue gas into coal pulverizing system of an 800 MW unit[J].PowerEquipment, 2013, 27(1): 20-23.

[5] 馮磊華, 桂衛華, 楊鋒. 改進LS-SVM的直吹式制粉出力軟測量建模[J].電機與控制學報, 2011, 15(11): 79-82.

FENG Leihua, GUI Weihua, YANG Feng. Soft sensor modeling for mill output of direct fired system based on improved least squares support vector machines[J].ElectricMachinesandControl, 2011, 15(11): 79-82.

[6] 肖海平, 張千, 王磊, 等. 燃燒調整對NOx排放及鍋爐效率的影響[J].中國電機工程學報, 2011, 31(8): 1-6.

XIAO Haiping, ZHANG Qian, WANG Lei, et al. Effect of combustion adjustment on NOxemission and boiler efficiency[J].ProceedingsoftheCSEE, 2011, 31(8): 1-6.

[7] 伍日勝, 李賀, 楊飛龍, 等. 1 000 MW超臨界鍋爐氧量控制及配風優化[J].云南電力技術, 2014, 42(5): 81-83.

WU Risheng, LI He, YANG Feilong, et al. Research on oxygen volume and second air distribution of the boiler in 1 000 MW ultra supercritical unit[J].YunnanElectricPower, 2014, 42(5): 81-83.

[8] 孫逢嘯, 倪世宏, 謝川. 一種基于矩陣的Apriori改進算法[J].計算機仿真, 2013, 30(8): 245-249.

SUN Fengxiao, NI Shihong, XIE Chuan. Improvement of Apriori algorithm based on matrixes[J].ComputerSimulation, 2013, 30(8): 245-249.

[9] 萬祥, 胡念蘇, 韓鵬飛, 等. 大數據挖掘技術應用于汽輪機組運行性能優化的研究[J].中國電機工程學報, 2016, 36(2): 459-467.

WAN Xiang, HU Niansu, HAN Pengfei, et al. Research on application of big data mining technology in performance optimization of steam turbines[J].ProceedingsoftheCSEE, 2016, 36(2): 459-467.

[10] 王慧瑤. 淺談大數據時代的關聯規則研究[J].電子科學技術, 2016, 3(3): 357-359.

WANG Huiyao. Introduction to the association rules of the era of large data[J].ElectronicScienceandTechnology, 2016, 3(3): 357-359.

[11] 郭濤, 張代遠. 基于關聯規則數據挖掘Apriori算法的研究與應用[J].計算機技術與發展, 2011, 21(6): 101-103.

GUO Tao, ZHANG Daiyuan. Research and application on association rules based on Apriori algorithm[J].ComputerTechnologyandDevelopment, 2011, 21(6): 101-103.

[12] 李艷超. 基于DP算法的制粉系統運行優化策略[J].電氣工程學報, 2015, 10(12): 63-68.

LI Yanchao. The Optimizing strategy of pulverizing system operation mode through dynamic programming algorithm[J].JournalofElectricalEngineering, 2015, 10(12): 63-68.

[13] 丁承剛, 郭士義, 龔燕雯, 等. 電站鍋爐制粉系統模型的建立與應用[J].鍋爐技術, 2016, 47(1): 5-8.

DING Chenggang, GUO Shiyi, GONG Yanwen, et al. Modeling and application of coal pulverizing system for coal-fired power plant[J].BoilerTechnology, 2016, 47(1): 5-8.

[14] 馬侖, 方慶艷, 田登峰, 等. 亞臨界W火焰鍋爐磨煤機組合運行方式優化數值模擬[J].動力工程學報, 2015, 35(7): 517-523.

MA Lun, FANG Qingyan, TIAN Dengfeng, et al. Optimal simulation on coal mill combination modes of a subcritical W-shape boiler[J].JournalofChineseSocietyofPowerEngineering, 2015, 35(7): 517-523.

[15] 方彥軍, 唐勉, 秦曉潔. 超超臨界機組快速調峰磨煤機組合優化[J].動力工程學報, 2014, 34(1): 45-49.

FANG Yanjun, TANG Mian, QIN Xiaojie. Combination optimization of coal mills for peak load regulation of ultra-supercritical units[J].JournalofChineseSocietyofPowerEngineering, 2014, 34(1): 45-49.

OptimizationonPulverizingSystemandAirDistributionMethodofaCoal-firedUnitBasedonDataAnalysis

LIJianqiang,CHENXingxu,ZHAOKai,WANGAnming

(School of Energy, Power and Mechanical Engineering, North China Electric Power University, Baoding 071003, Hebei Province, China)

To optimize the coal pulverizing system and air distribution mode of a 600 MW thermal power unit, data mining was carried out on following parameters by an improved Apriori algorithm for mining association rules based on the historic operating data of the system, such as the primary air flow of coal mill, the flow rate of coal feeder, the exit air pressure of coal mill, the opening of secondary air door and so on, during which optimum reference values of operation parameters were obtained under full conditions. Results show that in the medium- and low-load range, the power consumption of the pulverizing system could be decreased by reducing the running number of coal mills under the premise of ensuring the pulverized coal supply; for the same combination of coal mills, the net power generation per unit of coal has been improved remarkably after optimization, reducing effectively the power consumption of the pulverizing system; the secondary air distribution after optimization presents a constricted shape, resulting in stable combustion, high efficiency and low NOxemission of the boiler.

pulverizing system; air distribution mode; data mining; association rule

2016-10-12

李建強(1976-)，男，河北晉州人，副教授，博士，主要從事數據挖掘在電站優化運行方面的研究.

陳星旭(通信作者)，女，碩士研究生，電話(Tel.)：15227025820；E-mail：846695496@qq.com.

1674-7607(2017)11-0876-07

TK222

A

470.30