基于大數據智能分析診斷平臺（IoT-AI）實現電廠脫硫系統最優化

李 虎 戴 勇

1.安徽華電宿州發電有限公司

2.上海鑫銳自動化儀表有限公司

0 前言

人類社會正在進入以數字化生產力為主要標識的新的歷史階段。以互聯網、云計算、大數據等為代表的新一代信息技術迅猛發展，信息化與經濟社會能源各層面深度融合，數字經濟已成為引領科技革命、產業變革和影響國際競爭格局的核心力量，不斷為全球經濟復蘇和社會進步注入新的活力[1]。在現代科學技術快速發展的背景下，我國電廠逐漸由數字化轉向智能化發展，而智能電廠實質上是在數字化電廠發展的基礎上，融入了互聯網技術和大數據處理技術，最大限度地減少生產和管理活動中人為因素的干預，進一步提高電廠的自動化和智能化水平，是現階段融合云平臺與大數據技術的一種新型發展模式，其能夠應用大數據技術實現科學的數據采集，并輔助電廠的高效化運行管理，充分體現電廠建設和發展的安全性和人性化。智能電廠的功能中包含了信息化、智能化、數字化以及可視化等特點[2]。雖然迄今為止，國內尚未有完整意義上的智能電廠，但智能電廠框架下的智能控制技術和先進算法在許多電廠中已有應用，如先進傳感器技術、在線優化技術和設備故障預警技術[3-5]。本文著重分析基于大數據智能分析診斷平臺實現電廠脫硫系統的最優化，實現電廠的智能化，為在煙氣超低排放標準實施條件下，電廠脫硫系統更好運行和優化提供理論支撐。

1 大數據智能分析診斷平臺下脫硫系統的數據研究

完整通用的大數據智能分析診斷平臺，涵蓋著數據的采集、存儲、計算和管理等方面[6]。結合現有數據分析處理技術與智能電廠的特點，從大數據特征、采集和存儲、分析計算和大數據智能預警模型的建立等四個方面進行分析。

1.1 數據特征

大數據脫硫特征主要體現在以下幾方面：一是各種脫硫設備均產生數據；二是數據量龐大，種類維數多；三是大數據提高了火電廠脫硫系統運行效益與安全可靠性；四是為滿足實時性要求，數據關系需要進一步挖掘[7]。

1.2 數據的采集與儲存

大數據智能分析診斷平臺在脫硫系統上的應用，需要獲取脫硫系統的相關大數據。電廠中脫硫系統數據的收集已由傳統的儲存結構化數據向圖片、音視頻和各種高級收集程序軟件轉變，如Pentaho Kettle、Infomatica Power Center、IBM WebspHere DataStage 等工具，可實現對數據的抽取、轉換和裝載過程，從而達到對大數據的批量采集、實時數據采集[8]。而火力發電廠脫硫大數據具有多樣性、不精確性、不完整性等特點，在此復雜的數據環境下，需要對數據源中的數據進行處理，采用統計學方法剔除由于精度等原因產生的異常數據和冗余數據，采用聚類分析的方法對數據源中的數據進行抽取和集成，為后續數據分析的合理性提供有效的支持，最終利用大數據進行智能分析，為脫硫系統提供解決方案。

采集之后龐大的數據儲存問題也顯得十分嚴峻，在傳統的數據采集上大多數是儲存結構化的數據，主要服務于數據的及時查詢檢測，按照制定的法則快速處理問題的能力，并且可以滿足多個用戶并發訪問的能力。當前的研究集中在NoSQL 數據庫方向，包含分布式文件存儲（主要有Hadoop架構下的HDFS 分布式文件系統）、列存儲（主要有基于HDFS文件系統的Hbase數據庫）和鍵值對存儲（主要有Amazon 提出的Dynamo 系統）等多種存儲類型。龐大的數據儲存，為分析提供了足夠的數據支撐，為電廠脫硫系統實現精準問題反饋、系統分析和優化方案推薦提供保障。

1.3 數據的分析計算

數據分析是發揮大數據研究核心價值的重要流程，大數據分析結果可以精準掌控脫硫系統運行狀況，實現電廠智能化。常用的數據分析技術主要有：統計分析、數據挖掘、神經網絡、機器學習、模糊理論等，分析的結論可用于專家系統、推薦系統、決策支持系統、運行指導優化等方面。大數據智能診斷平臺的分析計算技術則選擇廉價服務器，通過構建分布式數據計算系統作為解決方案，面對不同的應用場景主要分為批處理、流處理和內存計算這三類計算模式，不同場景對應不同數據計算模型從而達到對脫硫系統精準數據分析，實現電廠脫硫系統智能化和最優化。

1.4 大數據智能預警模型的建立

電廠要實現安全穩定的運行，在發生事故之前，將問題反饋給技術人員，實現電廠損失最小化，就需要大數據支撐的智能預警系統進行保障。在大數據的采集分析過程中如果發現異常數據或異常趨勢及異常的相關重要參數時，智能預警系統會啟動，反饋問題的出處，同時會把此次的數據“記錄在案”，下次再出現相同問題時及時給出解決方案。

2 大數據智能分析診斷平臺實現電廠脫硫系統最優化的框架建立

2.1 大數據智能分析診斷平臺下脫硫系統評價方案

對于大數據智能分析診斷平臺下脫硫系統，通過成本收益分析[9]，對各個指標數據的提取和大數據分析計算，從而得到大數據下智能分析診斷平臺脫硫系統的最優評價方案，如圖1 所示。電廠成本投入中，能量投運主要為電耗，物料主要為脫硫劑和水，另外，電廠需要根據SO2的排放量繳納環保稅。電廠經脫硫獲得環保達標的凈煙氣，及免除超排罰金，享受脫硫電價補貼收益。

脫硫石膏也是系統收益部分，可通過化學反應方程及質量平衡推算得到。為了統一成本收益各項指標，將各分項經過數據整合及實時計算得到相關費用，然后得到脫硫系統的總經濟成本，作為綜合評價指標和優化依據。

圖1 大數據下智能分析診斷平臺脫硫系統優化方案

2.2 數據分析及評判依據

系統的運行都有一個標尺，脫硫系統的運行也需要一個標尺，本文提出脫硫相對生產成本（C）的概念。脫硫裝置的各項成本費用主要包括電費，脫硫劑費用、水費、蒸汽費和管理費用（包括財務費用、折舊費、人工費、維修費、運行管理費和保險費等）。其中，電費、脫硫劑費用、水費、蒸汽費用與運行工況緊密相關；此外，脫硫裝置的運行方式還會影響SO2的排污繳費和石膏銷售收入。將受脫硫運行方式影響的因素累加，稱之為相對生產成本[10]。

式中，C 為脫硫系統相對生產成本，元/h；C1為脫硫系統電費，元/h；C2為脫硫系統脫硫劑費用，元/h；C3為脫硫系統用水費用，元/h；C4為SO2排污繳費，元/h；C5為脫硫副產物的銷售收入，元。

3 案例分析

3.1 漿液循環泵在線檢測大數據情況

某電廠300 MW 機組配套的在線煙氣脫硫裝置，設置四臺漿液循環泵，從低到高分別為A、B、C、D。入口SO2濃度的正常變化范圍為1 500～4 500 mg/m3，習慣運行方式為B、C、D 漿液循環泵運行，入口SO2濃度為4 000 mg/m3時不同循環泵組合運行數據分析見表1[11]。對脫硫效率沒有要求，當滿足400 mg/m3出口排放濃度要求，排污費按照實際的排放量繳納，脫硫劑為外購石灰石粉，石膏外賣有一定的收益（未考慮蒸汽的消耗）。

表1 中利用數據分析提供了不同投運循環泵下脫硫效率和總的相對成本之間的關系，綜合發現在不同循環泵組合情況下循環泵組合方式為ABC 時相對生產成本和出口二氧化硫濃度相對較低為最佳運行工況，利用數據分析得到最佳循環泵組合方式。但這只是初步利用數據分析，要實現脫硫系統最優化還需要更深層挖掘各個組分中數據的關系，如影響石灰石的成本因素數據分析情況或影響出口SO2濃度的因素數據分析情況等，即可以精準定位，利用大數據分析得到脫硫系統最優化方案。

3.2 石灰石成本在線檢測大數據分析情況

對漿液循環泵的組合方式大數據智能化脫硫系統優化分析還可以繼續進一步細分，如石灰石的成本，應用大數據進行數據分析整理統計，可以從石灰石的顆粒大小、石灰石的純度、石灰石的添加量以及石灰石種類出發，利用大數據智能分析手段得到脫硫效率高石灰石成本較低的組合，石灰石成本數據見表2。

表2 石灰石成本數據

基于表2 數據分析，在工況和投運循環泵不變的情況下，改變石灰石顆粒、純度、添加量和石灰石種類，可以得到石灰石顆粒在直徑為25 mm，純度為85%、添加量為500 kg 和石灰石種類為重質碳酸鈣時脫硫效率最高及成石灰石成本相對較低，數據為最佳選取值。當然，可以改變不同工況和投運循環泵，得到各種組合數據，利用這些數據智能分析得到脫硫效率高和石灰石成本較低的最佳選取值，以達到以大數據實現脫硫系統的最優化。

3.3 出口SO2濃度在線檢測大數據分析情況

影響出口SO2濃度因素有很多，如：煤中硫的質量分數、鍋爐負荷、燃燒溫度、含氧量、送風量和給風溫度等因素都會影響出口SO2濃度，利用大數據進行分析時需要把這些影響因素的數據做到全面采集和儲存，大數據智能分析后得到出口SO2濃度和相對成本都較低的最佳工況。例如煤中硫質量分數，由于電廠燃用不同煤種時煤中硫的質量分數不同，引起送風量、氧量、燃燒溫度等因素不能與不同煤種精確的匹配，致使出口SO2濃度增高及總的相對成本增加。利用大數據智能分析診斷平臺，采集不同煤中硫的質量分數對應的送風量、氧量、燃燒溫度等因素的數據，利用大數據分析計算出各參數之間存在的關聯性，得到最佳運行工況，實現較低的出口SO2濃度和相對成本。

除了石灰石成本和出口SO2濃度大數據分析，還可以從水成本、電成本等多個方面進行大數據分析，為電廠脫硫提供優化方案。

6 總結

大數據智能分析應用在電廠脫硫優化上，可以實現對脫硫系統的檢測和提供最佳工況方案，得到不同脫硫工況的歷史優選工況運行細節及當前節能效果，對電廠脫硫系統各個部位實行數據分析把控，如漿液循環泵、石灰石和出口SO2濃度在線檢測大數據分析情況，實現對電廠脫硫系統高效精確運營和優化方案推薦。大數據智能分析是電廠實現高效率、低成本的方向，也是電廠運行優化和智能化發展的方向。