基于深度學習的能源管控系統設計與應用

江興家，楊 陽，向 濤，阮龍飛，魯 冬，劉永才

（1.新疆油田分公司重油開發公司，新疆 克拉瑪依 834000；2.深圳市佳運通電子有限公司，廣東 深圳 518000）

0 前言

注汽站中鍋爐運行天然氣占能耗成本的絕大部分，柱塞泵巡檢維護、鍋爐爐況優化調整占工人工作耗時的絕大部分；基于石油行業“無人值守、減員增效”的發展政策以及本次項目需達到分析優化技術規格要求，結合當前工業物聯網中普及應用的自動化管控技術以及計算機軟件大數據、機器學習等新技術，通過對鍋爐運行管理中影響能效的各類問題深度分析，以便對問題精準定位、排查優化，從而實現在降低人工耗時的基礎上提升爐效、降低生產單耗。

綜合現狀問題的分析，首先需要針對能源管控在計量監測級層面完善；目前計量監測的點位不足以支撐對水處理系統、鍋爐產汽系統中各類能耗的統計，以及對能效指標的計算分析；系統需對整個試點單元中各類設備運行數據的計算、分析、預測，從而協助用戶對設備更有效、精準地操控、維護保養，提升能效；為實現能源管控閉環管理，需對整個生產單元中各類能耗的總量、單耗進行報表統計、成本核算，并與上級單元能源管控的系統對接，做到能耗管控的計劃與實績實時監控、跟蹤。

1 能源管控系統功能設計

1.1 能源管控系統組成，如圖1 所示。

圖1 能源管控系統架構與數據流

1.1.1 自建數據庫

①同步鍋爐分鐘實時數據。

②同步半小時干度數據。

③同步鼓風機、柱塞泵電量數據。

④同步鍋爐設備信息。

⑤系統主要計算功能以數據庫存儲過程的方式實現。

⑥執行定時任務。

⑦調用Python 飽和蒸汽、水的焓值計算。

⑧調用外部http 接口。

1.1.2 后臺服務WebAPI

①系統統計、分析功能計算。

②調用Python 氧含量學習、預測。

1.1.3 Python 服務

①提供飽和蒸汽、水的焓值計算服務。

②提供氧含量學習、預測。

1.1.4 客戶網頁前端

①頁面展示。

②用戶操作。

1.2 能源管控系統主要功能描述

1.2.1 能源總體管控

能源總體管控頁面如圖2 所示。

圖2 能源總體管控頁面展示

能源總體管控頁面，主要是將整個聯合站內設備的運行情況從宏觀的角度進行展示，幫助用戶快速了解整個站的各項運行和能耗指標，為用戶的節能決策提供可量化的數據支撐。

1.2.2 計劃與調度

計劃與調度頁面如圖3 所示。

圖3 計劃與調度頁面展示

（1）計劃管理

計劃管理頁面，是將聯合站的三種主要的能耗方式進行計劃統計，結合產能配置功能，幫助用戶在年底制訂下一年的產能、能耗預算，并在來年的時候能實時觀察當年的產能、能耗情況，是否滿足預定的指標。

（2）產能配置

產能配置頁面，用來幫助用戶制訂下一年的計劃產能、能耗，通過智能預測的方式，系統會結合往年的數據，幫助用戶制訂一個初步的產能、能耗計劃，用戶可以在這個基礎上進行微調，最終形成下一年的產能、能耗計劃。

（3）調度管理

調度管理頁面，是系統通過過去一段時間各個鍋爐的運行情況，計算得出各鍋爐的平均爐效和累計運行時長，按爐效進行排名，幫助用戶選擇工況良好的鍋爐。

1.2.3 監測與預警

（1）實時監測

實時監測頁面，是將各個鍋爐當前的運行情況進行展示，通過概覽圖、工藝流程圖、列表數據的方式，從多個維度展現各個鍋爐的運行數據，幫助用戶觀察鍋爐當前運行的各項數據。

（2）異常報警

異常報警頁面，是作為能源總體管控的報警欄的詳細頁面，用戶可以在這里查看各個鍋爐的運行報警情況和歷史報警，幫助用戶排查問題。

（3）巡檢管理

巡檢管理，用戶可以根據點爐列表，看到當前正在運行的鍋爐，還可以添加一些巡檢任務。

（4）績效預警設置

績效預警設置，是后臺配置中設備能效指標的前臺展示頁面，用戶也可以對單個設備進行編輯，其他操作需要有權限的用戶在設備能效指標中進行。該功能通過配置各個鍋爐的指標，為統計分析計算提供判斷依據。

1.2.4 能源績效考核

能源績效考核頁面如圖4 所示。

圖4 能源績效考核頁面展示

（1）績效核算

績效核算頁面，是每日對全站的各個鍋爐進行統計，顯示用戶關注的各項能耗數據，方便用戶進行考核核算。通過點擊紅色背景的鍋爐還能查看該鍋爐的能效歸因分析報告，幫助用戶進行能耗分析。

（2）實績分析

實績分析頁面，是通過計算各站全年的累計數據，并與上一年進行對比，形成排行榜，為用戶從宏觀角度查看各站的年度績效情況。

1.2.5 綜合統計分析

（1）能效歸因分析

能效歸因分析頁面，系統會對能耗不達標的鍋爐進行分析計算，并提供分析報告，用戶通過報告查看鍋爐能耗不達標的原因。報告會提供鍋爐的關鍵指標，并給出工況優化建議，對照數據，幫助用戶對鍋爐的工況進行調整。

（2）爐效分析

爐效分析頁面，是針對各個鍋爐進行多項關鍵數據的查詢，在一個緯度上進行數據展示。用戶通過查看各項數據的波動情況，分析出爐效變化的原因。

（3）燃燒曲線分析

燃燒曲線分析，是通過計算鍋爐在不同火量的情況下，氧含量在不同范圍的占比，提供燃燒工況的數據支持，方便用戶對燃燒曲線進行分析，同時也為燃燒器廠家提供數據支持。

（4）結垢積灰分析

結垢積灰分析，是通過計算各個鍋爐的各項關聯的指標數據，進行排序，并通過曲線展示排煙溫度，方便用戶對數據不達標的鍋爐進行結垢積灰的分析。

（5）泵效分析

泵效分析頁面，通過計算選定時間內的平均泵效，并提供關聯數據的運行曲線，幫助用戶對各個鍋爐的泵的運行情況進行分析。

（6）能耗統計報表

能耗統計報表，是通過計算選定時間內的各站能耗數據，并結合設定的單價進行成本計算，并以圖標的方式展現，也可以查看單個設備的能耗數據情況。

1.2.6 模擬與優化

模擬與優化頁面如圖5 所示。

圖5 模擬與優化頁面展示

（1）水火配比模擬

水火配比模擬頁面，系統會對各個鍋爐的歷史運行數據進行模擬，并在不同的蒸汽壓力的情況下，找出對應良好工況下的數據，幫助用戶進行工況調節，達到鍋爐運行的最佳狀態。

（2）鍋爐工況優化建議

鍋爐工況優化建議頁面，在鍋爐能耗不達標并異常報警的時候，系統會依據良好工況的數據，為當前鍋爐提供優化建議，幫助用戶進行運行指標調節。

（3）煙氣氧含量模擬

煙氣氧含量模擬，系統會通過機器學習的方式，對歷史煙氣氧含量的關聯數據進行學習，形成經驗模型，再通過傳入數據進行模擬，得出預測的煙氣氧含量，并與傳感器的煙氣氧含量進行對比，在數據相近的時候，可以替代系統采集的煙氣氧含量，節省使用氧化鋯的成本。

2 能源管控系統算法介紹

下面將介紹能源管控系統使用的主要算法。

2.1 反平衡爐效

通過對各種能量損失的值進行測算，計算出對應當量下，能量在鍋爐中的消耗情況，從而得出鍋爐的反平衡效率。

2.1.1 反平衡爐效計算公式如下

其中：

①過剩空氣系數：

②排煙熱損失：

③散熱熱損失：

④各個參數的取得方式見表1。

表1 反平衡爐效參數取得方式

2.1.2 用戶單位實際監測數據與公式計算結果對比

（1）測算條件

環境溫度：取2020 年4 月22 日當天最高溫度27℃。

（2）結果比對1

監測結果：91.7%

反平衡公式測算結果：91.56%

偏差0.14%

（3）結果比對2

監測結果：90.6%

反平衡公式測算結果：90.66%

偏差0.06%

（4）結論：反平衡公式測算結果與實際測量值的偏差在可接受范圍內，系統使用反平衡的方式計算鍋爐熱效率。

2.2 泵效計算

通過獲取鍋爐柱塞泵在單位時間內的有效功與耗電量，計算出鍋爐柱塞泵的泵效。泵效計算公式如下：

式中，P為泵的輸出功，P=揚程×質量流量×重力加速度；P 為泵的耗電量，通過點位采集獲得。

2.3 基于歷史環境溫度的預測算法

由于用戶無法采集環境溫度的數據，本系統通過兩種方式獲取環境溫度：

①在能夠訪問外網環境的情況下，通過http 調用外網接口獲取當地當前時間的環境溫度。

②若在不能訪問外網的環境，則提前下載過去6年間的環境溫度，通過計算歷史平均溫度預測當地當前時間的環境溫度。

2.4 四分位數與正態分布過濾異常點位算法

本系統采用四分位數（如圖6 所示）和正態分布的方式過濾異常點位，先對大量的分鐘數據進行四分位法，掐去頭尾兩端出現異常概率較高的數據，再對得到的數據集進行正態分布，取出出現概率較大的數據進行平均，得到高準確性的數據寫入半小時數據表中。通過這種方式可以將一定量的異常數據排除，保證算法的準確性。

圖6 四分位數

2.5 定水定火配比算法

定水定火配比算法又稱水火配比模擬，原理是通過大數據得出在良好工況（平穩運行、熱效率達標）下，比較具有代表性的一些數據（數據準確、長期穩定）。再通過輸入蒸汽壓力，獲取對應的蒸汽壓力下最優工況的水火配比數據，方便用戶比對當前工況與良好工況的區別，及時將鍋爐調整到良好工況下。

2.6 基于深度學習的煙氣氧含量預測算法

煙氣氧含量機器學習算法是將大數據通過Python機器學習的方式，以經驗的形式形成算法模型，通過定期的學習，將模型逐漸豐富，再通過調用算法模型，傳入關聯點位數據，預測的煙氣氧含量數據。當學習樣本數據到一定程度后，用戶可以比對預測的數據和實際的數據，如果偏差在可接受的范圍，可以使用預測氧含量數據替代使用氧化鋯測量得出的氧含量數據，達到節省成本的目的。

3 深度學習在能源管控系統中的應用

能源管控系統主要將深度學習應用在風氣配比和煙氣氧含量（如表2 所示）這兩個計算上。

表2 風氣配比和煙氣氧含量

配比風量最終是調整風門開度，影響風量的因素很多，均需要考慮到，但是各影響因素雖然有數據，卻沒有恒定的計算系數，可通過機器學習海量數據，使用深度學習算法，計算配比風量所需的風門開度值。

煙氣分析儀（氧化鋯）使用的壽命為一年，在燃燒器不換的前提下，通過對關聯影響煙氣氧含量參數數據進行機器學習，在完成一年四季工況數據學習的基礎上，使用深度學習算法，對煙氣氧含量預測，可在煙氣分析儀使用壽命到期后繼續提供對煙氣氧含量的監測，維持工況的優化。

我們將清洗后的大量數據，通過離線學習、在線學習等方式進行深度學習并構建神經網絡，得到結果模型，再通過其他關聯參數的傳入，預測出目標參數的數值，最終錄入到系統當中。

4 結語

能源管控系統結合大數據、深度學習等技術，幫助用戶將系統節能落地應用，從多個維度對日常生產中的能源消耗進行有效管理、控制，高效地將能源轉化成生產力，達成“降本增效”的目標，也為石油行業在未來更多的數字化、智能化應用實踐打下基礎。