基于数据分析的燃煤机组制粉系统与配风方式优化

李建强， 陈星旭， 赵 凯， 汪安明

(华北电力大学 能源动力与机械工程学院， 河北保定 071003)

基于数据分析的燃煤机组制粉系统与配风方式优化

李建强， 陈星旭， 赵 凯， 汪安明

(华北电力大学 能源动力与机械工程学院， 河北保定 071003)

针对某600 MW燃煤机组制粉系统及配风方式优化，在其历史运行数据库的基础上，采用改进关联规则挖掘算法对磨煤机一次风量、给煤机速率、磨煤机出口风压及二次风门开度等参数进行挖掘，得到了优化后全工况下各运行参数的最优参考值.结果表明：在中低负荷段，保证煤量要求的前提下，减少磨煤机台数能够降低制粉系统运行能耗；在相同磨煤机组合方式下，优化后工况的净单位发电量明显提升，有效降低了制粉系统运行能耗；优化后的二次风配风方式呈束腰型分布，在保证稳燃的同时提高了锅炉效率，降低了NOx的生成量.

制粉系统； 配风方式； 数据挖掘； 关联规则

燃煤机组锅炉燃烧过程是涉及众多运行参数的复杂化学物理过程[1].优化制粉系统和配风方式是实现锅炉燃烧优化的重要手段.制粉系统作为燃煤机组的能量源头，提供燃烧所需要的燃料[2].不同的配风方式决定了输送煤粉的动力和提供给煤粉燃烧所需的空气量，对炉内煤粉的燃烧有很大影响.保证配风方式及制粉系统在全工况最优运行参数下运行是提高锅炉运行经济性，实现燃烧优化的关键.

在制粉系统优化方面，马有福等[3]设计了一种采用炉烟干燥煤粉以及回收乏气余热的制粉系统，提高了制粉系统的安全性和经济性；高继录等[4]提出在制粉系统中掺入从引风机出口抽取的冷炉烟，从而达到加大掺烧褐煤比例的目的，提高了机组的经济性；冯磊华等[5]应用支持向量机算法建立了制粉系统出力预测模型.在配风方式优化方面，肖海平等[6]通过改变氧量及配风方式等因素进行燃烧调整试验，分析了不同工况下NOx浓度和锅炉效率变化规律；伍日胜等[7]对传统的氧量控制及二次配风方式进行优化，将试验所得的优化参数应用于集散控制系统(DCS)中，实现了锅炉配风的精细化控制.以上优化都只是单方面地考虑制粉系统或配风方式优化，没有将两者结合起来进行共同优化.

笔者采用改进的关联规则挖掘算法对某燃煤机组DCS中数据库进行数据挖掘，通过优化磨煤机一次风量、给煤机转速、磨煤机出口风压及二次风门开度等运行参数，得到了优化后全工况下各运行参数的最优参考值，并对优化前后各个工况的净单位发电量进行曲线拟合，根据优化后二次风门开度曲线得到最佳配风方式，实现了制粉系统和配风方式的优化.

1 锅炉概况与数据预处理

1.1锅炉概况

优化对象为某600 MW燃煤机组，其锅炉为亚临界、一次中间再热、单炉膛、控制循环汽包锅炉，型号为HG-2008/17.4YM5.炉膛尺寸为18 542 mm×17 448 mm.制粉系统采用正压直吹式，配置6台MBF24.0型中速辊式磨煤机，其示意图见图1.

图1 正压直吹式制粉系统结构示意图Fig.1 Structure of the positive-pressure direct-fired pulverizing system

锅炉燃用设计煤种满负荷运行时，ABCDE 5台磨煤机运行，F磨煤机备用.炉膛四角布置切向摆动式燃烧器，最大摆角为±30°，燃烧器上方布置高位燃尽风(OFA)，以保证NOx排放值满足要求.锅炉采用二级高能点火系统，整台锅炉布置16支油枪(每角4只)，油枪采用机械雾化喷嘴，点火枪和油枪均为可伸缩式.燃烧器喷口布置见图2.

图2 燃烧器喷口布置Fig.2 Arrangement of burner nozzles

1.2优化模型数据库

优化模型为该机组制粉系统及二次配风系统，优化对象为从该机组实时监控信息系统(SIS)数据库中导出的2个月的历史运行数据，取点间隔为1 min，取数共计87 840组，优化参数共有56个，具体优化参数见表1.

表1 优化参数

数据库中发电负荷主要分布在300～600 MW，以每隔60 MW为一个区间，共分为5个工况，如表2所示.

表2 发电负荷工况划分

1.3磨煤机组合方式

根据ABCDEF磨煤机的给煤机电流可以得到各个工况运行时的磨煤机组合方式(见图3).制粉系统主要组合方式分为BCDE和ABCDE 2种，其中BCDE磨煤机组合方式主要运行在中低负荷下，即工况1～工况3；ABCDE磨煤机组合方式主要运行在中高负荷下，即工况3～工况5；其余磨煤机组合方式主要运行在中低负荷下，如ABCD磨煤机组合方式主要运行在工况2～工况3，但运行时间不多，运行记录偏少，所以在数据挖掘过程中忽略此类磨煤机组合方式，保留BCDE和ABCDE 2种磨煤机组合方式.

图3 磨煤机组合方式Fig.3 Combination of coal mills

2 关联规则挖掘算法

2.1改进的Apriori算法

Apriori算法是一种经典的关联规则挖掘算法[8-11]，但在对经过预处理的事务数据库进行数据挖掘过程中，经常会面临花费了大量计算资源的低层次频繁项集没有出现在规则库中，这无疑浪费了许多计算资源.根据组合排列公式，当事务数据库D中项的数目确定时，最大候选项集会出现在正中间，并且两边会呈相同趋势的递减，即若不考虑剪枝步，自下而上与自上而下2种方式生成候选项集的计算复杂程度是一致的.改进的Apriori算法采用一种基于矩阵的数据存储格式，能够降低候选项集的占用内存.

事务数据库D转换的矩阵T为：

(1)

矩阵T中每行代表一条事务tk，每列代表一个项im，矩阵由(0，1) 2种布尔量组成，其中1表示该列的im项在事务tk中存在，0则表示该列的im项在事务tk中不存在，这样每条事务就可以表示为一组二进制代码.假设根据某事务数据库得到的二进制事务矩阵TBi如下：

(2)

则对应的十进制事务矩阵TDe可以表示为：

(3)

经过矩阵化以及十进制化后，整个挖掘过程可以简化为一个n元一维数组与候选项集的按位与运算，这样就能够降低该算法所占用的内存，且能简化计算流程.

2.2算法举例

设事务数据库D如表3所示，最小支持度设为0.2.

表3 事务数据库

(1) 将事务数据库D转化为事务矩阵T.

(4)

(2) 由二进制矩阵T可得到5-候选项集C5.

(5)

(3) 对C5和T中各元素进行按位与运算.计算C5中各个事务在矩阵T中的包含情况，可以得到整个C5的支持度计数情况，如表4所示.

由表4得到5-频繁项集L5={ABDEF,BCDEF}，并且可以得到5-非频繁项集O5=C5-L5.

(4) 由连接步、剪枝步可得到4-候选项集C4.

表4 候选项集C5

(6)

(5) 扫描数据库得到C4的支持度计数情况，如表5所示.

表5 候选项集C4

由表5可以得到4-频繁项集L4={ABCE}，并且可以得到4-非频繁项集O4={ABCD,ACDE,ABCF,ACDF,ACEF}.同理，O4通过连接步与剪枝步可以得到3-候选项集C3和2-侯选项集C2.

(6)扫描数据库得到C2={CF}，且此项集的支持度计数为1.由上述结果可以得到2-频繁项集L2=Ø，2-非频繁项集O2={CF}，对O2进行连接步和剪枝步可以得到C1=Ø，满足算法结束条件，算法结束.

由上述计算过程可以得知，事务数据库D的频繁项集为5-频繁项集L5与4-频繁项集L4的并集，即L={X|L5∪L4}.

2.3算法流程

关联规则挖据算法的流程见图4.考虑到燃煤机组热力系统的数据记录时间跨度大、系统耦合程度高，设最小支持度为0.1，最小置信度为0.6.

Apriori算法是适用于布尔型数据库的挖掘算法，而燃煤机组DCS中数据库包含了大量的连续量，因此在采用该算法时，需要对数值型数据库进行离散区间划分，将连续值划分为多个语言值.在离散化的过程中，涉及到如何选取合理的划分点和划分区间大小等问题.若离散区间过大，容易出现“最小置信度问题”；反之，则容易出现“最小支持度问题”.采用以均等分区为主、聚类分区为辅的方法，在电厂数据库各运行参数数据分布特点以及各参数与评价目标之间影响关系的基础上，尽可能合理地进行属性的离散化.

图4 关联规则挖掘算法流程Fig.4 Process of association rule mining

3 挖掘结果分析

锅炉燃烧优化需要考虑锅炉效率提升带来的效益以及制粉系统运行导致的成本之间的综合最优结果[12-15]，通过对现有参数进行拟合，计算出代表单位原煤的净发电量目标函数Fj，如式(7)所示，用以评价各个关联规则的优化程度.

(7)

式中：bg为标准煤耗，g/(kW·h)；κ为制粉单耗，(kW·h)/t.

通过建立数学模型，采用关联规则挖掘算法得到在净单位发电量较高时各优化参数的运行最优值.在特定负荷和磨煤机组合方式下，选取磨煤机一次风量、磨煤机出口风压、给煤机速率及各二次风门开度等参数作为优化参数.通过该算法得到的目标函数Fj高的关联规则见表6，给出了优化后全工况下不同磨煤机组合方式中各个磨煤机一次风量、磨煤机出口风压、各给煤机速率和各二次风门开度的最优值区间，为指导运行人员优化运行提供了参考值.

表6 优化后全工况下的关联规则

优化后工况和原始工况拟合的净单位发电量曲线见图5.由图5可知，优化后全工况下的净单位发电量处于较高水平，优化结果比较理想.由图5工况3可以直观地看出，BCDE磨煤机组合方式比ABCDE磨煤机组合方式更为经济.制粉系统参数的调整对炉膛内的稳定燃烧有一定影响.在其他条件相同的情况下，不同磨煤机组合方式及其对应运行参数的调整会改变炉膛内的燃烧状况、机组运行经济性及NOx的排放.在中低负荷段，减少磨煤机台数可以降低总的磨煤机电流，减少磨煤机一次风量，一次风机电流也随之下降，节能效果明显，降低了厂用电的消耗.同时，由于运行磨煤机出力增加，为了维持磨煤机出口温度，一次风门开大，锅炉排烟温度降低，锅炉效率提高.由此可见，在中低负荷段，减少磨煤机台数，运行磨煤机出力增加这种运行方式可以降低煤耗，使机组经济性更高.此外，还可以有效降低一次风率和NOx排放量.高负荷下，由于此时A磨煤机启动，所以各个运行参数会有所降低.

在优化后全工况下，不同磨煤机组合方式中各给煤机速率曲线、各周界风门开度曲线和各辅助风门开度曲线分别见图6～图8，其中各工况对应参数的最优值为在最优区间中的所有值的算数平均数，且工况3只选取了较优的BCDE磨煤机组合方式.由图6～图8可知，优化后二次风配风方式呈束腰型分布.不同的二次风配风方式可以影响锅炉的经济性和排放特性，采用束腰型配风方式，使下层A、B、C层二次风量相对较大，在煤粉燃烧初期保持炉膛内部充足的风量可使煤粉颗粒基本燃尽，减少未完全燃烧热损失，提高锅炉经济性；使中上层D层二次风量相对较小，有利于主燃烧区形成缺氧富燃料的还原性气氛，降低燃料型NOx的生成量，即降低了烟气中NOx的排放量；使上层E层二次风量相对较大，及时补充空气，减少飞灰含碳量.这种中间小、上下逐渐增大的二次风门开度组合分布有利于提高局部断面热负荷，具有很强的稳燃效果，同时也提高了锅炉效率，降低了NOx的生成量.

(a) 工况1的优化结果

(b) 工况2的优化结果

(c) 工况3的优化结果

(d) 工况4的优化结果

图6 优化后给煤机速率曲线Fig.6 Curves of coal feeder flow rate after optimization

图7 优化后周界风门开度曲线Fig.7 Optimized curve of perimeter throttle opening

图8 优化后辅助风门开度曲线Fig.8 Optimized curve of auxiliary throttle opening

优化后工况与原始工况的目标函数对比见图9，其中，在低负荷阶段，由于用于数据挖掘样本的工况较少，所以挖掘出的优化工况是不连续的.由图9可以看出，优化结果比较理想.图中曲线为优化后工况拟合出的三次曲线，其方程为：

图9 制粉系统优化全工况目标函数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为发电负荷，MW.

4 结 论

(1) 采用基于矩阵的数据储存格式，提出了一种直接面向高阶实用的改进关联规则挖掘算法.同时进行算法试验，验证了该算法的正确性，相对于传统Apriori算法，在处理大型数据库时该算法具有更高的运行效率.

(2) 以某600 MW燃煤机组的历史运行数据库为基础，利用改进关联规则挖掘算法对制粉系统及各二次风门运行参数进行数据挖掘，选取磨煤机一次风量、给煤机速率、磨煤机出口风压及各二次风门开度作为挖掘参数，得到了优化后全工况下各运行参数的最优参考值.

(3) 由优化结果可知，工况3中BCDE磨煤机组合方式比ABCDE磨煤机组合方式更为经济，在中低负荷段，磨煤机运行台数减少，运行磨煤机出力增加的运行方式经济性更高；在相同磨煤机组合方式下，优化后制粉系统的运行能耗有效降低.优化后二次风配风方式呈束腰型分布，净单位发电量明显提升.

[1] 牛玉广, 沙超, 康俊杰. 基于数值模拟与试验运行数据的电站锅炉燃烧系统复合建模[J].动力工程学报, 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, 彭鹏, 华志刚, 等. 燃煤电厂分磨掺烧方式下磨煤机组合优化模型及应用[J].中国电机工程学报, 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] 马有福, 郭晓克, 肖峰, 等. 基于炉烟干燥及水回收风扇磨仓储式制粉系统的高效褐煤发电技术[J].中国电机工程学报, 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] 高继录, 邹天舒, 吴景兴, 等. 800 MW机组制粉系统掺混冷炉烟改造设计及影响分析[J].发电设备, 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] 冯磊华, 桂卫华, 杨锋. 改进LS-SVM的直吹式制粉出力软测量建模[J].电机与控制学报, 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, 张千, 王磊, 等. 燃烧调整对NOx排放及锅炉效率的影响[J].中国电机工程学报, 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] 伍日胜, 李贺, 杨飞龙, 等. 1 000 MW超临界锅炉氧量控制及配风优化[J].云南电力技术, 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] 孙逢啸, 倪世宏, 谢川. 一种基于矩阵的Apriori改进算法[J].计算机仿真, 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] 万祥, 胡念苏, 韩鹏飞, 等. 大数据挖掘技术应用于汽轮机组运行性能优化的研究[J].中国电机工程学报, 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] 王慧瑶. 浅谈大数据时代的关联规则研究[J].电子科学技术, 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] 郭涛, 张代远. 基于关联规则数据挖掘Apriori算法的研究与应用[J].计算机技术与发展, 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] 李艳超. 基于DP算法的制粉系统运行优化策略[J].电气工程学报, 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] 丁承刚, 郭士义, 龚燕雯, 等. 电站锅炉制粉系统模型的建立与应用[J].锅炉技术, 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] 马仑, 方庆艳, 田登峰, 等. 亚临界W火焰锅炉磨煤机组合运行方式优化数值模拟[J].动力工程学报, 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] 方彦军, 唐勉, 秦晓洁. 超超临界机组快速调峰磨煤机组合优化[J].动力工程学报, 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

李建强(1976-)，男，河北晋州人，副教授，博士，主要从事数据挖掘在电站优化运行方面的研究.

陈星旭(通信作者)，女，硕士研究生，电话(Tel.)：15227025820；E-mail：846695496@qq.com.

1674-7607(2017)11-0876-07

TK222

A

470.30