馮普鋒，單濤，陳靜，孫晉志，李方強(qiáng)

（華電國際電力股份有限公司十里泉發(fā)電廠，山東 棗莊 277103）

0 引言

隨著國家對環(huán)境保護(hù)的日益重視，火力發(fā)電的節(jié)能環(huán)保要求也日益提高。為了降低污染物排放，滿足環(huán)保需求，大多數(shù)火力發(fā)電廠都已經(jīng)安裝了煙氣脫硫系統(tǒng)?，F(xiàn)階段，石灰石-石膏的濕法脫硫方法是使用最廣泛的脫硫方法，該方法的建造和運(yùn)營成本相對較高[1]。漿液循環(huán)泵系統(tǒng)設(shè)備是濕法脫硫系統(tǒng)主要的耗電設(shè)備之一，因此通過對脫硫系統(tǒng)的漿液循環(huán)泵系統(tǒng)進(jìn)行分析及優(yōu)化，降低其電耗，能夠有效提高脫硫系統(tǒng)的節(jié)能能力，而且對提高發(fā)電系統(tǒng)的經(jīng)濟(jì)水平具有重要意義。

1 背景

漿液循環(huán)漿泵是脫硫系統(tǒng)的主要設(shè)備之一，其主要作用是提供脫硫過程所需的循環(huán)漿液量。如果提供的漿液少，則不能很好地進(jìn)行脫硫反應(yīng)；如果提供的漿液多，則對應(yīng)著相關(guān)的電耗增多，不利于節(jié)能環(huán)保工作的開展。文獻(xiàn)[8]指出大多數(shù)脫硫系統(tǒng)存在資源浪費(fèi)的情況，不利于電廠的節(jié)能運(yùn)行。

本文通過研究電廠脫硫優(yōu)化系統(tǒng)建設(shè)，通過使用聚類算法對漿液循環(huán)泵工況指標(biāo)進(jìn)行工況劃分及最優(yōu)工況標(biāo)記，實(shí)現(xiàn)漿液循環(huán)泵的工況庫建立，然后在實(shí)際運(yùn)行時通過徑向基神經(jīng)網(wǎng)絡(luò)算法匹配歷史工況，預(yù)測工況的類別以及最低能耗，并進(jìn)一步實(shí)現(xiàn)漿液循環(huán)泵系統(tǒng)的運(yùn)行優(yōu)化。

2 基于聚類模型的工況劃分

在進(jìn)行漿液循環(huán)泵優(yōu)化前，需要對漿液循環(huán)泵的運(yùn)行數(shù)據(jù)進(jìn)行工況劃分及標(biāo)記，這樣才能實(shí)現(xiàn)運(yùn)行工況的預(yù)測及優(yōu)化。本文中使用Kmeans聚類算法對漿液循環(huán)泵的工況指標(biāo)數(shù)據(jù)進(jìn)行聚類分析，實(shí)現(xiàn)漿液循環(huán)泵數(shù)據(jù)的工況劃分，仿真漿液循環(huán)泵不同情況下的運(yùn)行工況。

工況劃分及工況標(biāo)記：

劃分設(shè)備運(yùn)行數(shù)據(jù)所采用的指標(biāo)我們稱作為工況指標(biāo)。獲取影響漿液循環(huán)泵運(yùn)行的主要指標(biāo)對應(yīng)的運(yùn)行數(shù)據(jù)，并對工況指標(biāo)采用Kmeans聚類算法，將運(yùn)行數(shù)據(jù)劃分為n個聚類簇，即得到n種工況，標(biāo)記各個運(yùn)行數(shù)據(jù)的工況類別。標(biāo)記各個工況對應(yīng)的最優(yōu)工況，本文中最優(yōu)工況的確定方法為：尋找各個工況下最低能耗對應(yīng)的工況。

本文在進(jìn)行工況劃分時，工況數(shù)n采用輪廓系法以及簇內(nèi)誤方差方法，綜合進(jìn)行選取[2-4]。

通過以上過程對所有樣本進(jìn)行運(yùn)算，則完成了實(shí)驗用的工況庫的建立，工況庫中某條樣本的數(shù)據(jù)信息有：主要指標(biāo)數(shù)據(jù)、工況類別標(biāo)記以及對應(yīng)的最優(yōu)工況。

工況庫的有效建立，為實(shí)現(xiàn)漿液循環(huán)泵的工況識別和優(yōu)化操作，提供數(shù)據(jù)基礎(chǔ)和優(yōu)化依據(jù)。

3 預(yù)測優(yōu)化算法

3.1 徑向基神經(jīng)網(wǎng)絡(luò)算法概述

最常見的神經(jīng)網(wǎng)絡(luò)算法為：BP（back propagation）神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)復(fù)雜，網(wǎng)絡(luò)參數(shù)多，耗時較長，這也限制了它的應(yīng)用場景。徑向基（Radial Basis Function，RBF）神經(jīng)網(wǎng)絡(luò)是一種前饋型神經(jīng)網(wǎng)絡(luò)，結(jié)構(gòu)簡單、速度快、函數(shù)逼近能力強(qiáng)[6]。

與BP相比，RBF神經(jīng)網(wǎng)絡(luò)權(quán)值參數(shù)更少，以局部逼近網(wǎng)絡(luò)為基礎(chǔ)，訓(xùn)練耗時更短，應(yīng)用場景更加廣泛。

RBF神經(jīng)網(wǎng)絡(luò)一般有三層基本網(wǎng)絡(luò)結(jié)構(gòu)組成：輸入層、隱含層和輸出層，其中隱含層由徑向基函數(shù)組成，RBF神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)如圖1所示。

圖1 徑向基神經(jīng)網(wǎng)絡(luò)模型

RBF網(wǎng)絡(luò)的輸入層作用為：輸入數(shù)據(jù)，并且數(shù)據(jù)不需要進(jìn)行復(fù)雜運(yùn)算，可以直接進(jìn)入隱含層。因此輸入層和隱含層之間可以看作權(quán)值為1的連接。

隱含層與輸出層之間的數(shù)據(jù)連接采用組合方式，在進(jìn)行網(wǎng)絡(luò)訓(xùn)練時需要對相關(guān)的連接權(quán)值矩陣W進(jìn)行調(diào)整。

由此可見，輸入層和隱含層之間的運(yùn)算過程可以看作是非線性運(yùn)算，而隱含層間和輸出層之間的運(yùn)算可看作是線性運(yùn)算[7]。

3.2 RBF分類建模步驟

RBF神經(jīng)網(wǎng)絡(luò)隱含層每個神經(jīng)元計算一個核函數(shù)[3]，然后所有單元加權(quán)后輸出計算結(jié)果，構(gòu)成網(wǎng)絡(luò)的輸出。RBF 神經(jīng)網(wǎng)絡(luò)模型的參數(shù)向量包括：每個核函數(shù)的中心c，權(quán)值矩陣W，每個核函數(shù)的寬度δ。

網(wǎng)絡(luò)模型的訓(xùn)練過程實(shí)質(zhì)上是訓(xùn)練得到網(wǎng)絡(luò)的最優(yōu)參數(shù)，其基本步驟如下：

假設(shè)神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元為m個，隱含層神經(jīng)元為q個，輸出層神經(jīng)元個數(shù)為n。

i代表輸入層某個數(shù)據(jù)，j代表隱含層某個神經(jīng)元數(shù)據(jù)，k代表輸出層某個神經(jīng)元數(shù)據(jù)。

步驟1：設(shè)置輸入和輸出

選取訓(xùn)練樣本的主要指標(biāo)數(shù)據(jù)，并作為輸入向量X=[X1,X2...Xm]，m為輸入層神經(jīng)元的個數(shù)，代表輸入樣本的特征或輸入指標(biāo)的維數(shù)。

設(shè)置輸出向量Y=[Y1,Y2...Yn]，若目標(biāo)問題為回歸問題，則Y為連續(xù)值，若問題為分類問題，則Y為離散值，n代表輸出層的單元數(shù)，本文中的目標(biāo)問題為分類，因此輸出為離散值。

步驟2：初始化參數(shù)

初始化權(quán)重矩陣W

初始化某個權(quán)重值如下：

其中min和max分別對應(yīng)為某個輸出神經(jīng)元的期望輸出的最小、最大值，β為系數(shù)值，一般該值設(shè)置為1。

初始化神經(jīng)元的中心

初始化每個神經(jīng)元的中心,某個中心的計算如下:

其中minF，maxF分別對應(yīng)輸入的樣本數(shù)據(jù)的第i（i＜=m)個指標(biāo)或特征的最小、最大值。

（3）初始化寬度參數(shù)D

其中γ(γ＜1)稱作為寬度調(diào)節(jié)系數(shù)，該系數(shù)設(shè)置的主要目的是調(diào)節(jié)局部信息的感受能力。

步驟3：計算隱含層每一個神經(jīng)元的輸出

對于某個神經(jīng)元來說，其輸出結(jié)果為：

步驟4：計算輸出層每一個神經(jīng)元的輸出

對于某個神經(jīng)元來說，其輸出結(jié)果為：

步驟5：迭代訓(xùn)練

設(shè)置目標(biāo)損失函數(shù)，采用梯度下降法迭代運(yùn)算，調(diào)節(jié)網(wǎng)絡(luò)模型的參數(shù)，直到算法收斂，最終中心、寬度和連接權(quán)重參數(shù)調(diào)節(jié)到最佳，則完成了網(wǎng)絡(luò)模型的整個訓(xùn)練過程。

3.3 預(yù)測優(yōu)化

系統(tǒng)實(shí)際運(yùn)行時，通過匹配實(shí)際運(yùn)行數(shù)據(jù)與工況庫歷史數(shù)據(jù)，預(yù)測實(shí)時運(yùn)行工況可調(diào)節(jié)的最優(yōu)工況，并提出操作指導(dǎo)建議，指導(dǎo)漿液循環(huán)泵的調(diào)節(jié)運(yùn)行，降低能耗值。

具體運(yùn)算過程為：

（1）訓(xùn)練過程：基于訓(xùn)練樣本使用RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練工況分類模型，輸入為影響漿液循環(huán)泵運(yùn)行的主要指標(biāo)數(shù)據(jù)，輸出為工況類標(biāo)記。

（2）實(shí)際運(yùn)行過程：使用訓(xùn)練好的RBF工況分類模型，輸入影響漿液循環(huán)泵運(yùn)行的主要指標(biāo)實(shí)時數(shù)據(jù)，預(yù)測輸出實(shí)時樣本數(shù)據(jù)的工況類別，根據(jù)工況類別，查詢已建立的工況庫，并輸出所屬工況對應(yīng)的最優(yōu)工況，根據(jù)最優(yōu)工況的指標(biāo)調(diào)節(jié)漿液循環(huán)泵的實(shí)際運(yùn)行，從而實(shí)現(xiàn)對漿液循環(huán)泵系統(tǒng)設(shè)備的調(diào)節(jié)優(yōu)化。

4 實(shí)驗及運(yùn)行

本文實(shí)驗數(shù)據(jù)來源于某電廠的脫硫系統(tǒng)實(shí)際運(yùn)行數(shù)據(jù)，利用Kmeans聚類算法進(jìn)行工況劃分，利用RBF分類建立分類模型，實(shí)現(xiàn)預(yù)測優(yōu)化。該電廠的脫硫系統(tǒng)有A、B、C、D、E、F共計6臺漿液循環(huán)泵。

4.1 實(shí)驗設(shè)計

（1）數(shù)據(jù)來源。從數(shù)據(jù)庫中獲取影響漿液循環(huán)泵系統(tǒng)實(shí)際運(yùn)行的主要指標(biāo)的2個月的實(shí)驗數(shù)據(jù)，數(shù)據(jù)采集時間段為：2017年8月1日-2017年9月31日，采集頻率為5分鐘。

（2）數(shù)據(jù)處理。

①指標(biāo)篩選及加工。選取與漿液循環(huán)泵運(yùn)行密切相關(guān)的指標(biāo)測點(diǎn)，并根據(jù)指標(biāo)特點(diǎn)進(jìn)行加工處理，例如對相同位置指標(biāo)取均值。最后得到入口二氧化硫折算濃度、吸收塔出口煙氣折算流量以及吸收塔液位等指標(biāo)以作為運(yùn)行工況的主要指標(biāo)，各個漿液循環(huán)泵的電流作為能耗指標(biāo)進(jìn)行實(shí)驗。

②數(shù)據(jù)預(yù)處理。數(shù)據(jù)質(zhì)量影響數(shù)據(jù)模型的精確性，在進(jìn)行數(shù)據(jù)建模前，對原始實(shí)驗數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗等工作以保障數(shù)據(jù)符合實(shí)驗要求。

根據(jù)脫硫系統(tǒng)實(shí)際運(yùn)行，對實(shí)驗數(shù)據(jù)進(jìn)行缺失值檢測，并刪除有缺失記錄的樣本；

依據(jù)運(yùn)行專業(yè)人員經(jīng)驗結(jié)合運(yùn)行規(guī)程給出主要指標(biāo)正常運(yùn)行情況的閾值，根據(jù)閾值過濾篩選含異常數(shù)據(jù)的樣本；

然后采用0-1歸一化方法對實(shí)驗數(shù)據(jù)的主要指標(biāo)數(shù)據(jù)進(jìn)行歸一化處理，以消除不同指標(biāo)不同量綱對下一步數(shù)據(jù)分析及建模的影響。

經(jīng)過數(shù)據(jù)處理，共計刪除2135條樣本。

（3）最優(yōu)工況數(shù)選取及Kmeans工況劃分。

①最優(yōu)工況數(shù)選取。若劃分的工況數(shù)過小，則操作指導(dǎo)建議過粗，這將導(dǎo)致優(yōu)化指導(dǎo)的意義不大；若劃分的工況數(shù)過大，每個工況下樣本數(shù)目少，則操作指導(dǎo)過細(xì)，這也不利于優(yōu)化指導(dǎo)的進(jìn)行，因此合理的工況數(shù)至關(guān)重要。結(jié)合實(shí)際運(yùn)行，我們選取聚類數(shù)目為2-15，通過計算不同聚類數(shù)下的簇內(nèi)誤方差和輪廓系數(shù)值，選取最優(yōu)聚類數(shù)目進(jìn)行聚類分析。

簇內(nèi)誤方差，一般來說越小越好；輪廓系數(shù)值，一般選取發(fā)生畸變幅度最大的點(diǎn)。

②Kmeans工況劃分。聚類數(shù)目即上一步選取的最優(yōu)工況數(shù)。采用機(jī)組負(fù)荷、出口二氧化硫折算濃度、入口二氧化硫折算濃度、以及吸收塔出口煙氣折算流量4個指標(biāo)作為聚類指標(biāo)將實(shí)驗數(shù)據(jù)聚類，即根據(jù)劃分工況的指標(biāo)，對處理后的實(shí)驗主要指標(biāo)數(shù)據(jù)采用Kmeans進(jìn)行工況劃分，并標(biāo)記各個工況的類別。

（4）自動標(biāo)記工況最優(yōu)值。由于該電廠的6臺漿液循環(huán)泵為相同規(guī)格，一定程度上6臺泵的電流之和能反映出泵的電耗水平。因此，計算各個樣本的漿液循環(huán)泵電流之和Ihe，并作為“能耗值”，以此來代表漿液循環(huán)泵的電耗水平。

計算并標(biāo)記各類工況下的最優(yōu)工況，計算各類工況下Ihe，并尋找最小的Ihe對應(yīng)的工況，作為最優(yōu)工況，而該工況對應(yīng)的能耗為最優(yōu)電耗。通過以上過程，則建立好了實(shí)驗數(shù)據(jù)使用的工況庫。

（5）分類預(yù)測模型。將處理好的實(shí)驗數(shù)據(jù)分成訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)，隨機(jī)選取實(shí)驗數(shù)據(jù)的70%為訓(xùn)練數(shù)據(jù)作為RBF分類模型訓(xùn)練用，剩余的30%樣本為測試數(shù)據(jù)作為進(jìn)行RBF分類模型驗證用，亦用于模擬實(shí)時運(yùn)行的過程。

訓(xùn)練過程：輸入為主要指標(biāo)，輸出為工況類標(biāo)記，訓(xùn)練RBF分類器。

預(yù)測及優(yōu)化運(yùn)行過程，即測試過程：輸入主要指標(biāo)，預(yù)測工況類別，查詢工況庫該工況類別的最優(yōu)能耗值作為預(yù)測能耗值，并指導(dǎo)漿液循環(huán)泵運(yùn)行調(diào)節(jié)，達(dá)到最優(yōu)能耗值。

4.2 實(shí)驗結(jié)果展示及分析

（1）工況劃分結(jié)果展示。

圖2展示了實(shí)驗數(shù)據(jù)在不同聚類數(shù)目即不同簇數(shù)量下對應(yīng)的簇內(nèi)誤方差結(jié)果曲線。

圖2 不同聚類數(shù)的簇內(nèi)誤方差

圖3展示了實(shí)驗數(shù)據(jù)在不同聚類數(shù)目即不同簇數(shù)量下對應(yīng)的輪廓系數(shù)值結(jié)果曲線。

從圖3中可以看出，輪廓系數(shù)值發(fā)生較大畸變的點(diǎn)對應(yīng)的聚類數(shù)有4、10以及14。從圖2中可以看出，聚類數(shù)越大，簇內(nèi)誤方差越小，即聚類數(shù)越大越好。綜合輪廓系數(shù)值以及簇內(nèi)誤方差值，本實(shí)驗中我們選取最優(yōu)聚類數(shù)目為14，然后對實(shí)驗數(shù)據(jù)進(jìn)行工況劃分。

圖3 不同聚類數(shù)的輪廓系數(shù)

（2）預(yù)測及優(yōu)化。圖3展示了測試樣本的原始能耗值以及預(yù)測能耗值對比曲線圖。原始能耗值為樣本的真實(shí)能耗值，預(yù)測能耗值為通過本文實(shí)驗?zāi)Ｐ皖A(yù)測的樣本可參照調(diào)節(jié)的最優(yōu)能耗值。

由實(shí)驗結(jié)果圖可明顯看到，預(yù)測能耗比原始能耗明顯降低。

圖4 原始能耗及預(yù)測能耗值

通過以下公式計算測試樣本的節(jié)能水平：

其中y為所有樣本的原始能耗總和，y′為所有樣本的預(yù)測能耗綜合。通過公式（6）計算測試樣本的節(jié)能水平得到結(jié)果為56.11%，由此實(shí)驗結(jié)果表明：如果根據(jù)預(yù)測能耗調(diào)整漿液循環(huán)泵實(shí)際運(yùn)行，漿液循環(huán)泵能耗能降低大概56.11%的能耗。

5 結(jié)語及展望

本文研究了脫硫優(yōu)化系統(tǒng)的建設(shè)，基于Kmeans算法對漿液循環(huán)泵進(jìn)行工況劃分及工況庫建立，然后在實(shí)際運(yùn)行時基于工況庫通過RBF算法，預(yù)測工況的類別以及工況的最低能耗，實(shí)現(xiàn)漿液循環(huán)泵系統(tǒng)的運(yùn)行優(yōu)化，實(shí)驗結(jié)果展示本方法可以取得較好的經(jīng)濟(jì)效益。