基于燃煤电站运行数据的烟气脱硫系统性能预测研究

李存文，王在华，陈涛，冯前伟，徐克涛，张杨

（1．华电电力科学研究院有限公司，浙江省 杭州市310030；2．国网浙江省电力有限公司电力科学研究院，浙江省 杭州市310014；3．华电新疆发电有限公司，新疆维吾尔自治区 乌鲁木齐市830063）

0 引言

为了进一步响应《煤电节能减排升级与改造行动计划(2014—2020年)》[1]的号召，燃煤电站仍在寻求管理和技术手段，以实现排放达标的同时降低烟气环保系统的运行维护成本，即环保系统的精细化运行控制显得越发重要。而对烟气环保系统性能的准确认识是其精细化控制的基础。

获取环保系统性能的途径有性能试验、在线监测等。性能试验依据于标准规范，指标全面，但试验条件严苛，化验耗时长；在线监测主要由现场表计完成，指标的实时性、延续性好，但存在一些参数(如浆液品质等)无法监测的情况。如何准确、快速、高效地获取环保系统实时性能，仍是科研技术人员需要研究的重要课题[2]。

数据挖掘技术融合人工智能、数据库、高性能计算等多学科的成果，是将大量数据转换为信息和知识的强大工具[3-5]。运用数据挖掘技术，研究获取环保系统性能的新方法，为环保系统精细化控制作技术支撑，实现生态环境治理能力现代化[6]。

1 环保系统数据挖掘算法

1.1 数据预处理

电站运行参数来自运行实际，其数据一致性和完整性往往无法达到数据挖掘的要求。因而，数据预处理必不可少，有必要进一步研究并实现运行数据预处理方法的标准化。此外，鉴于运行数据在采集时已完成数量化，即自带数值属性，因此，数据预处理包括数据集成、数据清理和变换、统计分析及可视化，具体步骤如图1所示。

数据集成将分散数据集成为数据集。

运行数据不可避免地包含异常、缺省数据和噪声，因而，为针对性地提高数据质量，需进行以下数据清理：一致性检查并清理缺省值、空值和异常值；移动平均滤波法光滑去噪；剔除违背工艺逻辑的工况数据。

为规避量纲对数据认识的影响，同时为数据模型建模及迭代优化考量，数据变换的主要内容有：max-min 归一化，稳定梯度下降算法的求优速度，以加快模型训练速度；对有类似开或关2种状态的参数进行二值化处理，压缩模型变量数值域及量纲；引入新指标，如电耗量、还原剂耗量等，丰富对象性能指标。

统计分析及可视化包括两部分：识别研究对象的物理边界、数据特征及规模；将信息从数据中提炼为可解释的知识，包括图、表等。

1.2 环保系统关键因素分析

按所采集的测点参数计，数据集的维度通常非常大，这无疑加大了数据建模的工作负担。因此，须对数据集进行降维，同时提取环保系统性能指标的关键因素集，而主成分分析方法在这方面十分有效[7-11]。

算法步骤如下：

1）以采样时刻划分数据元组，构成数据集O；

2）元组集O的标准化成矩阵S；

3）求矩阵S的相关系数矩阵R；

4）求取矩阵R的特征根λi及其特征向量ηi；

5）将标准化后的指标变量转换为主成分ξj；

6）分析各主成分权重系数，并缔结结果集U；

7）设定遴选权重系数规则，将主成分划入关键因素集。

1.3 环保系统性能数据模型

烟气净化处理包含复杂的物理、化学反应，且传热与传质耦合，参数间关系复杂，使得机理模型虽然能保证逻辑趋势的正确性，但分析的精细度面临瓶颈，而数据模型因强拟合而具备高精度[12-13]。另外，环保系统内部传质存在磨损、浆液中有害物质聚集等因素，致使系统性能随运行时间而衰减，因而，定期地对数据模型进行训练更新，适应环保系统特性变化，既可保证模型的正确性，还可规避复杂的机理建模过程。

回归分析是构建复杂对象特性模型的高效方法[14-18]。以关键因素集作为数据模型的输入，融合多项式、Lasso、Ridge和神经网络算法[19-21]，构建环保系统数据模型，如图2 所示。此外，为了均衡优化速度，模型迭代优化选用梯度下降算法进行。

图2 烟气环保系统数据模型搭建方法Fig.2 Method of building data model of flue gas environmental protection system

数据模型的评价指标较为丰富，结合实际并规避量纲及数值量级对模型精度的影响，综合研究后选用均方根误差γRMSE、决定系数γR2、平均绝对百分比误差γMAPE这3 个指标来评价数据模型的准确性、有效性。

2 数据模型应用案例分析

某燃煤电站660 MW机组烟气脱硫系统采用石灰石-石膏湿法工艺，“1炉1塔”配置，喷淋空塔并设置5层喷淋层、1层托盘。借助于厂级实时监控信息系统(supervisory information system, SIS)，采集到2018年4—6月为期50天、包括107个参数的运行数据。依托Matlab平台，将数据块集成为数据矩阵，以采样时刻为元组划分原则，并去除重复数据，得到共计13983条数据元组。根据运行参数在时域上连续的特点，采用前时刻值填充后时刻缺省值，并运用移动平均滤波的方法进行去噪。

数据平滑滤波后，机组功率的瞬时波动大大减弱、数据趋势及均值不失真，也说明数据去噪的必要性，如图3所示。

图3 数据平滑滤波前后结果Fig.3 Results before and after data smoothing filtering

剔除与物质守恒及烟气漏风等客观规律相违背的工况数据，主要有：1）烟气出口氧含量小于入口氧含量的数据；2）烟道两侧烟气氧含量绝对偏差超过3.0%的数据；3）折算后出口污染物浓度大于入口的数据；4）机组有功功率小于等于零的数据。数据清理后，得到数据质量高的8616个元组数据，即8616×111数据矩阵，占原数据集约61.62%，表明所采集运行数据的有效性高。

数据变换主要在建模中完成，而电耗和物耗指标为数据模型提供先验知识与信息。

最后，统计环保系统参数的最值和众数，得到该环保系统的物理边界，见表1。

表1 运行数据的统计分析Tab.1 Statistical analysis on operation data

脱硫效率是表征烟气脱硫系统性能的关键指标。借助于阿里云平台，分析各参数对脱硫效率的影响，构成关键因素集。结果表明，影响脱硫效率的关键影响因素有原烟气SO2浓度、循环泵电流、浆液pH 值、原烟气烟尘浓度、浆液密度、烟气量、原烟气温度等，如图4 所示。该结果与机理定性分析结论一致，表明主成分分析方法具有较好的适用性和有效性，为后续脱硫系统的运行优化及调整提供定量的参考。

图4 关键因素集Fig.4 Key factor set

梳理关键因素集的结果，作为烟气脱硫系统性能数据模型的输入，采用多算法融合的回归分析技术构建环保系统性能数据模型，最终通过预测净烟气SO2浓度、净烟气温度、脱硫电耗、石灰石耗量，以达到预测烟气脱硫系统性能的目的，同时完成算法调优和模型训练，如图5所示。

图5 烟气脱硫系统性能预测数据模型Fig.5 Data model for performance prediction of flue gas desulphurization system

数据模型的建立成功表明了方法的可行性，而模型的准确性通过3个指标来评价界定，见表2。

表2 数据模型的主要评价指标与效果Tab.2 Main evaluation index and effect of the data model

γRMSE分别为1.09 mg/m3、0.41℃、88.82 kW，与其众数和最大值相比，数值和量级均在工程允许范围内；γR2均大于0.85，模型的效果较好，能高概率地保证模型趋势的正确性；γMAPE均小于0.10，模型能高准确度地模拟对象的输入和输出，间接表明算法和参数匹配较好。

为进一步验证模型的有效性和准确性，选取不同机组负荷下运行数据，对模型进行测试，结果见表3和表4。

表3 烟气脱硫系统性能预测数据模型测试案例Tab.3 Test case of performance prediction data model for flue gas desulfurization system

表4 数据模型测试结果Tab.4 Testing results of data model

石灰石制浆系统具有时滞延后特性，即石灰石耗量的精确确定不完全依托运行数据，因此石灰石耗量的准确性对于模型效果评价的可靠性有待深入研究。剔除石灰石耗量后，各参数的相对偏差均小于6.50%，量级与模型的γMAPE相当，且数据模型能准确复现负荷变化下环保系统状态变化规律和趋势，具有较强的负荷适应性，验证了性能预测数据模型的有效性和准确性。

3 结论

突破传统机理和试验研究的方式，以燃煤电站烟气脱硫系统运行数据作为切入点，运用大数据技术挖掘出影响脱硫系统性能的关键因素集，合理梳理关键因素并将其作为数据模型的输入，融合回归分析技术的多种算法，构建了烟气脱硫系统性能预测数据模型。实例证明，训练后的模型能高精度地复现不同负荷工况的脱硫系统性能，还具有较好的灵活性和可拓展性，为后续燃煤电站环保装备的状态监测、趋势分析、运行优化提供坚实的基础。相比于机理研究和试验方法，该研究方法更为高效灵活、简洁明了，丰富了燃煤电站环保研究思路，且具有启示意义。