基于分類規則挖掘算法的火電廠智慧化耗差分析系統設計

焦開明，夏尊宇，周亞男，徐亞豹

(1.內蒙古大唐國際托克托發電有限責任公司，內蒙古 呼和浩特 010206; 2.中國大唐集團科學技術研究總院有限公司華北電力試驗研究院，北京 100040；3.北京博望華科科技有限公司，北京 100045)

0 引言

由于火電行業的迅猛發展，導致能源的需求量增長強勁。但隨著能源的日益減少，節能降耗成為電力生產的一項關鍵任務[1]。耗差分析以煤耗作為指標，是指導火電廠優化運行的理論依據，即將火電廠機組各運行參數的實際值與目標值間的偏差狀況反映到煤耗偏差上[2]，利用機組的各個運行參數的耗差反映火電廠機組的運行狀況，協助運行人員及時調控機組的運行，確?；痣姀S優化運行[3]。

近年來，國內外眾多學者在耗差分析方面做出了大量研究，如鄭中原等[4]提出的基于云平臺的耗差系統，該系統通過云平臺的采集與主站系統實現節能減排，但該系統涉及部門多,任務繁重,工作效率不高；又如孫建梅等[5]提出的基于SE-DEA的火力發電廠耗差系統，該系統存在建模過程繁瑣，挖掘的各個能耗指標不完整的缺陷。

數據挖掘是指從海量的不完全數據中提取出人們需要的、隱藏的信息的過程，數據挖掘涉及的領域很多，而分類規則挖掘即是其中的一種[6]，分類規則挖掘算法能夠依據隱藏在數據集中的某些數據的特征屬性，對每個類進行精準描述，實現分類。

因此，該文設計基于分類規則挖掘算法的火電廠智慧化耗差分析系統，對火電廠耗差進行有效分析，實現火電廠優化運行。

1 火電廠智慧化耗差分析系統設計

1.1 系統總體結構

圖1為火電廠智慧化耗差分析系統總體結構?；痣姀S智慧化耗差分析系統由數據單元、業務單元塊、應用單元組成。在數據單元中，系統在信息管理MIS與實時數據采集DAS數據庫內獲得火電廠能耗實時數據，利用OPC(過程控制對象鏈接與嵌入)技術[7]，傳送到數據采集容錯模塊中進行火電廠能耗數據容錯處理后，再通過數據提取模塊提取火電廠能耗數據，經數據處理模塊處理后，傳輸到業務單元的機組性能計算模塊中，利用增量式遺傳算法的分類規則挖掘火電廠能耗數據，將獲取的火電廠能耗數據分類結果輸入到耗差分析數據庫服務器中進行耗差分析，通過TCP/IP協議將耗差分析結果傳輸至應用單元，在應用單元中利用瀏覽器

圖1 系統總體結構圖

進行瀏覽查詢，并完成用戶管理、報表生成、性能分析、參數監測等功能。

1.2 數據采集容錯模塊

圖2為系統數據單元的數據采集容錯模塊結構圖。

圖2 數據采集容錯模塊結構

數據采集容錯模塊結構由主節點、分布式協調節點、配置節點與工作節點構成。其中，主節點對數據采集容錯模塊進行任務分配、能耗數據更新、狀態監控、配置檢測等管理。工作節點可對數據節點間的火電廠能耗數據傳輸、任務處理單元的啟停、監測等具體任務進行執行[8]；配置節點以插件、任務、更新能耗數據等為主，數據采集容錯模塊可利用對配置節點的監視實時獲得最新的火電廠能耗信息數據，分布式協調節點可作為數據采集容錯模塊元數據的存儲節點，可利用ZooKeeper的監聽與通知機制[9]，使數據采集容錯模塊對更新的火電廠能耗信息數據快速響應。

1.3 火電廠機組性能計算模塊

圖3為系統業務單元火電廠機組性能計算模塊結構圖。

圖3 火電廠機組性能計算模塊結構

火電廠機組具有非常復雜的熱力系統結構，包括試驗與煤質數據轉換、鍋爐與汽機性能計算模塊三部分?；痣姀S機組局部參數與鍋爐、汽機等設備的變化可產生煤耗偏差，當機組參數與鍋爐、汽機設備變化時，會導致抽汽份額產生變化，可利用等效焓降法運算機組的煤耗偏差，此外，汽機中的凝汽器系統能損也可通過循序漸進耗差分析運算。當被監測的熱力試驗參數、鍋爐耗差參數與汽機耗差參數與其額定值相偏離時[10]，采用標準煤耗率的增加值代表火電廠機組經濟性的影響，使運行人員實時掌握熱力系統內不同參數、設備對火電廠機組經濟性的影響，采取及時有效的方法確保機組處于最優運行狀態。

1.4 基于增量式遺傳算法的分類規則挖掘火電廠能耗

系統業務單元火電廠機組性能計算模塊采用增量式遺傳算法的分類規則，挖掘火電廠能耗數據，并采用SMOTE算法填補缺失火電廠能耗數據，為耗差分析數據庫服務器的火電廠能耗數據耗差分析提供數據基礎。

正常情況下，火電廠能耗數據庫內會有源源不斷的新的能耗數據輸入，能耗數據規則集隨著能耗數據集的不斷更新而不斷變化，針對該無限更新過程，遺傳算法對通過增量方式得到的新能耗數據具有增量式的演變能力。

原有的火電廠能耗知識在增量式火電廠能耗數據挖掘時可進行保留，只挖掘新的火電廠能耗數據中的能耗知識模式[11]，通過增加、刪除、修改原有能耗知識，獲得精度較高的能耗知識。

訓練實例集選取火電廠能耗數據庫內的能耗數據，采用遺傳算法搜查到一個最優火電廠能耗數據規則集；火電廠能耗數據由火電廠耗差分析系統進行接收，通過當前最好的火電廠能耗數據規則集進行分類。若對火電廠能耗數據分類錯誤，則把原始能耗數據集與增量能耗數據同時當作訓練實例集，這兩個能耗數據集的最優能耗規則集可重新采用遺傳算法進行搜查遮蓋，與前一次遺傳算法的差別在于，已有的最優能耗數據規則集已存在如今的遺傳算法原始群體內[12]。若對火電廠能耗數據分類正確，則無需采用遺傳算法。依據以上方法，針對下次需要接收的增量火電廠能耗數據，可連續采用新獲得的火電廠能耗數據規則集對其進行分類。增量式遺傳算法流程為：

步驟1 依據火電廠能耗知識，明確其特征屬性與類別屬性集合A，在火電廠能耗數據庫內構建火電廠能耗數據集R，且R由A構成；

步驟2 通過清理能耗數據，離散連續屬性操作預處理R，獲得RD；

步驟3 在火電廠能耗數據庫內將初次采用遺傳算法1產生的一個最優能耗數據規則集進行保存；

步驟4 再次采用遺傳算法2約簡最優能耗數據規則集，約簡之后的能源數據規則集依然保存在火電廠能耗數據規則庫里[13-14]；

步驟5 判斷火電廠能耗數據集是否需要更新，若否，則轉至步驟11；若是，則操作步驟6；

步驟6 對增量能耗數據集進行讀入，并對其清理、離散化處理后獲得ΔRD數據集；

步驟7 分類ΔRD，可采用火電廠能耗數據規則庫內的最優能耗數據規則集，進行火電廠能耗數據分類，可一次完成則按步驟6進行操作，操作步驟6之前需合并ΔRD與原RD，獲得新的能耗數據集RD，否則，按步驟8進行操作；

步驟8 采用修改之后的蟻群算法1，原最優火電廠能耗數據規則集由新產生的最優能耗數據規則集替代；

步驟9 采用遺傳算法2，原約簡能耗數據規則集由約簡之后的能耗數據規則集替代；

步驟10 轉步驟5；

步驟11 將約簡之后的火電廠能耗數據規則集進行輸出，獲取火電廠能耗數據挖掘結果。

由于上述獲得的火電廠能耗數據挖掘結果，易受到環境等因素的影響，導致火電廠能耗數據存在缺失的情況，因此，采用SMOTE(Synthetic Minority Over-sampling Technique)算法填補缺失數據，使火電廠能耗數據更加完整。SMOTE算法為：

用Rs描述火電廠能耗數據集R中的少數類，用x描述Rs中的火電廠能耗數據樣本，運算x到其他少數類火電廠能耗樣本的歐式距離，獲得最小距離的近鄰火電廠能耗樣本，且該樣本有k個。用w描述采樣倍數。對于每個x，在其k個近鄰中，任意選擇w個火電廠能耗數據樣本，記為x1,x2,…,xw。線性隨機插值可在x與xi(i=1,2,…,w)間實現，構建新的少數類火電廠能耗數據樣本ri(i=1,2,…,w)。

ri=x+rand(0,1)xi-rand(0,1)x,i=1,2,…,w

(1)

公式中，在大于0小于1之間的一個隨機數用rand(0,1)描述。用Rt={r1,…,rw}描述將新生成的少數類火電廠能耗數據樣本，將Rt={r1,…,rw}與R進行合并，獲得新的比較平衡的火電廠能耗數據訓練集。利用SMOTE算法插值計算缺失的火電廠能耗數據近似值后采用多重填補思想計算填充值。

設缺失的火電廠能耗樣本x中，火電廠能耗數據缺失的維度為q1,q2,…,ql，其中l=m-j且{p1,p2,…,pj}∪{q1,q2,…,qm-j}=[1,m]。

x中不缺失與缺失的火電廠能耗數據屬性構成的向量分別用x′與x″描述，且x′=(x(p1),x(p2),…,x(pj))，x″=(x(q1),x(q2),…,x(qm-j))，則{x(p1),x(p2),…,x(pj)}∪{x(q1),x(q2),…,x(qm-j)}={x(1),x(2),…,x(m)}。

(2)

通過以上采用SMOTE算法填補缺失數據過程，獲得更加完整的火電廠能耗數據。

2 實驗分析

為驗證該文系統對火電廠耗差的分析效果，實驗選取某火電廠680 MW燃煤發電機器為耗差分析對象，利用C++BUILDER6.0、SQL Server 2019數據與Matlab7.0共同開發火電廠智慧化耗差分析系統。

實驗選取2000個該火電廠的能耗數據，以及700個增量能耗數據，采用遺傳算法與該文系統采用的增量式遺傳算法分別對原火電廠能耗數據集與加入增量能耗數據后的火電廠能耗數據集進行能耗數據挖掘，統計不同原始能耗數據量下，加入不同大小增量能耗數據時，這兩種遺傳算法的挖掘性能，結果如圖4所示。

圖4 挖掘性能結果

由圖4可看出，采用遺傳算法挖掘原能耗數據集所需時間隨著火電廠能耗數據集的增大而增長，當火電廠能耗數據分別為500個與2000個時，遺傳算法的挖掘時間分別為39 s與120 s；由于該文系統采用的增量式遺傳算法基于原數據集挖掘結果，當增量數據比較小時，原挖掘結果可提高增量式遺傳算法的收斂速度，如當增量能耗數據為80，160時，采用增量式遺傳算法挖掘時間遠遠小于遺傳算法所需時間，隨著增量能耗數據集的不斷增大，挖掘時間雖呈增長趨勢，但增長幅度較小，如當增量能耗數據為80個與700個時，該文系統采用的增量式遺傳算法最長挖掘時間分別為18 s與60 s，兩者僅相差42 s。實驗表明，該文系統采用的增量式遺傳算法可有效挖掘能耗數據集，且其挖掘時間短、收斂速度快。

表1為該火電廠2020年11月與12月份在純凝工況、額定供熱工況、火電廠抽汽供熱工況、火電廠熱泵+抽汽供熱四種工況下的能耗與耗差分析數據。

表1 火電廠的能耗與月耗差分析結果

由表1分析可得，采用該文系統可得出四種工況下各個月份的能耗與耗差。其中，火電廠熱泵+抽汽供熱工況月耗差最大，遠高于純凝工況與額定供熱工況，為火電廠智慧化耗差分析提供有利依據。

實驗分別選取40%、80%與100%三種負荷額定(ECR)工況對火電廠機組各運行參數變化引起的耗差進行計算，驗證該文系統在不同負荷額定工況下的火電廠機組各個運行參數變化引起的耗差統計結果，如表2-4所示。

表2 100%ECR工況(680 MW)耗差計算結果

由表2可看出，100%ECR工況下，該火電廠機組大部分運行參數實際值和目標值間的偏差比較小，對耗差的影響也不大，說明機組具有良好的運行狀況與極高的熱經濟性。但汽輪機背壓、排煙溫度、凝結水過冷度，再熱蒸汽溫度這些參數導致耗差數值增加較大，尤其是汽輪機背壓增加了4.531 6 g/kWh的耗差，故當該火電廠在100%ECR工況下運行的過程中，需對上述耗差增加數值較大的參數進行重點監測，尤其需重點監測汽輪機背壓。

由表3可看出，80%ECR工況下，機組部分實際值與目標值間具有較大的偏離幅度，機組在較低的水平下運行，熱經濟性低。汽輪機背壓耗差由100%ECR工況下的4.531 6 g/kWh降為1.625 8 g/kWh，其耗差雖仍然很高，但其下降幅度較為明顯；機組主蒸汽溫度、排煙溫度與排煙氧量分別使耗差增加了1.012 1 g/kWh、1.377 1 g/kWh、1.602 1 g/kWh，因此，在80%ECR工況下，應對主蒸汽溫度、排煙溫度與排煙氧量的運行水平進行重點監測。

表3 80%ECR工況(544 MW)耗差計算結果

由表4可看出，40%ECR工況下，該火電廠機組絕大部分運行參數實際值和目標值間的偏差較大，機組熱經濟性變得更低。

表4 40%ECR工況(272 MW)耗差計算結果

綜合表2～表4結果可得，機組在高負荷運行時，具有較好的運行狀況，在火電廠機組實際運行調控過程中，需采用不同的調控方法應對不同的負荷情況，確保機組具有較好的運行狀況及較高的熱經濟性，實驗表明，該文系統可有效分析火電廠耗差變化情況，使運行人員對火電廠機組的運行狀況做到實時了解，實現火電廠經濟運行。

通過該文系統界面查看主蒸汽溫度耗差計算結果，如圖5所示。

圖5 主蒸汽溫度耗差計算結果

由圖5可以看出，該文系統將主蒸汽溫度耗差計算結果以曲線的方式通過界面圖顯示出來，使運行人員更加直觀便捷地監測到主蒸汽溫度在不同負荷下對耗差的影響過程。實驗表明，該文系統可有效分析火電廠耗差變化情況，并將分析結果通過界面形式清晰地展現出來，使運行人員有針對性的對火電廠機組各個運參數的耗差進行監測調控，實現火電廠機組的優化運行。

3 結論

該文設計基于分類規則挖掘算法的火電廠智慧化耗差分析系統，經實驗驗證，該文系統的優勢為：

(1)采用的增量式遺傳算法可有效挖掘火電廠能耗數據集，且其挖掘時間短、收斂速度快；

(2)可有效分析不同工況下的火電廠各月份的能耗與耗差，為火電廠智慧化耗差分析提供有利依據；

(3)通過該系統可有效分析不同負荷額定工況下的火電廠耗差變化情況，確保運行人員實時了解火電廠機組的運行狀況，實現火電廠經濟運行；

(4)該系統通過界面形式將主蒸汽溫度耗差計算結果進行清晰的展現，使運行人員更方便快捷地監測到火電廠機組各個運參數的耗差，實現火電廠機組的優化運行。