宋然浩 牛成林

(華北電力大學,河北保定 071000)

基于數據分析的電站污染物排放優(yōu)化研究

宋然浩 牛成林

(華北電力大學,河北保定 071000)

環(huán)境污染和生態(tài)破壞日趨嚴重,作為提供全國主要發(fā)電量的火電廠,減少污染物的排放成為其中最重要的問題。并且信息技術迅猛發(fā)展,使用數據分析技術對電廠數據進行分析處理可以對電站污染物排放問題做出處理。本文針對電廠運行的實際需要,介紹了數據挖掘技術,編制了可用于實時數據分析的分析程序。

火電廠 數據分析 數據挖掘 關聯(lián)規(guī)則

1 背景和意義

(1)當前國際社會所面臨的能源與環(huán)境之間的矛盾日益突出，電力作為現(xiàn)代社會最廣泛應用的能源方式，在推動社會發(fā)展與進步中占據核心地位。電力生產以燃煤火力發(fā)電為主。煤炭在火電機組的燃料中，是主要能源占90%以上。燃煤引起的煤煙型污染是我國環(huán)境污染的主要污染源，由此引起的損失非?？捎^，己成為我國經濟發(fā)展和電力行業(yè)發(fā)展的瓶頸。

(2)與此同時，數據時代已經到來，當今世界正處在一個數據爆炸的時代。電力生產是大數據產生的主要源頭之一，這些數據的規(guī)模非常龐大，涌現(xiàn)速度也非常迅猛。所以針對電站污染排放的現(xiàn)狀，我們迫切的需要一種能夠智能、快速和自動化的方法來從數據庫中獲取有用的價值。它就是數據挖掘技術。

2 數據挖掘

(1)數據挖掘的定義：數據挖掘是一種新興的信息處理技術。簡單的說，數據挖掘就是從大量的、模糊的、隨機的實際應用數據中，提取出蘊含人們事先不清楚的、但又是潛在有用的信息的過程。

數據挖掘可以高度自動化的分析數據，只要是有價值的數據，都可以利用數據挖掘來挖掘有用的信息。并且數據挖掘技術是未來重要的新技術之一，在各個行業(yè)領域引起了廣泛的關注，是當今人們研究的熱點問題。

(2)數據挖掘的功能：估計與預測、關聯(lián)規(guī)則分析、聚類分析、分類、偏差分析。

(3)數據挖掘的過程：一般來說，數據挖掘的過程大致可以分為三個階段，即數據的準備和預處理、數據挖掘、結果的解釋和評估。所以數據挖掘也是一個閉環(huán)的循環(huán)過程。

3 關聯(lián)規(guī)則和算法

3.1 Apriori介紹

Apriori算法關聯(lián)算法中使用最廣泛的、最有影響的算法。其核心是基于頻繁項集的遞推算法。在這里，所有支持度大于最小支持度的項集稱為頻繁項集。

Apriori算法是使用頻繁項集的先驗知識進行逐層搜索的迭代方法，簡單的說是通過前一項集生成后一項集的過程。先通過數據庫，找出所有的頻繁1項集，然后利用1項集找到2項集，依次類推，直到再也不能找到任何頻繁k項集。再在所有的頻繁集中找出強規(guī)則。

3.2 Apriori算法的改進

圖1 程序運行過程

經典Apriori算法屬于單維、單層的關聯(lián)規(guī)則。改進的Apriori算法則是二維、多層的關聯(lián)規(guī)則。例如：污染物濃度(L1，…，Ln)，溫度(T1，…，Tn)，其他影響因素，除塵器效率(E1，…，En)=＞除塵設備參數(P1，…，Pn)。在以每個特征影響因素為中心的小區(qū)間，選擇該規(guī)則中污染物排放最低，除塵效率最高的區(qū)間對應的運行參數區(qū)間作為該參數在這些影響因素下的運行最佳值區(qū)間，經過對規(guī)則的篩選，可以得到用于確定該參數最佳值的規(guī)則： (L1，…，Ln )，(T1，…，Tn)，…，其他影響因素=＞某參數最佳值(P1，…，Pn)。

4 關聯(lián)規(guī)則的程序設計和應用

程序運行過程見圖1。

下面就是通過關聯(lián)軟件對電廠實驗的數據所進行的討論，分析了溫度、過量氧氣系數、氧氣流量、二氧化碳流量、氮氣流量對NO轉化率的影響。

其中的影響因素考慮有六項，分別是：溫度(℃)、過量氧氣系數、氧氣流量(L/min)、二氧化碳流量(L/min)、氮氣流量(L/min)、NO轉化率。

結果顯示隨著溫度增加NO的轉化率變化較小，可以忽略不計，但是這里考慮到溫度越高有利于煤粉的充分燃燒，所以我選擇較高的溫度作為優(yōu)化后的運行指標。

對比貧氧氣氛下和富氧氣氛下NO轉化率，可以發(fā)現(xiàn)在氧化性氣氛下，富氧燃燒氣氛中的NO轉化率均有顯著下降。這表明富氧氣氛對抑制煤粉燃燒過程中煤氮向NO的轉化具有較大優(yōu)勢。結果顯示在還原性氣氛下NO的轉化受過氧系數影響較小，而在氧化性氣氛下隨著過量氧氣系數增加揮發(fā)分氮迅速向NO轉化。

隨著氣氛中氧濃度的增加，NO的轉化率也隨之增加。這里是一些化學因素進行分析的結果，證明關聯(lián)的結果是正確的。我總結主要是氧氣濃度增加促進了揮發(fā)分氮、煤焦氮以及有機物中的氮的氧化生成NO綜上所述，氧濃度的升高對抑制煤氮向NO的轉化是不利的。

5 結語

本文從火電站運行控制出發(fā)，將一些關鍵的數據挖掘理論與應用同電站污染物排放優(yōu)化相結合，將數據挖掘技術引入電站運行過程中，基于電站生產運行的大量歷史數據，提出了基于數據分析的電站污染物運行優(yōu)化的新方法。

(1)對數據關聯(lián)的規(guī)則和算法進行了總結。主要研究了Apriori算法，并使用編程軟件實現(xiàn)了簡單的Apriori算法的應用。

(2)從火力發(fā)電廠運行控制端出發(fā)，對Apriori算法進行了一定的改進，得到了適用于電廠污染物分析優(yōu)化的程序。

[1]顧君忠.大數據與大數據分析[J].軟件產業(yè)與工程,2013(4):17-21.

[2]孫克勤,鐘秦.火電廠煙氣脫硝技術及工程應用[M].北京:化學工業(yè)出版社,2007.