張 磊， 丁士發(fā)， 楊凱鏇

(上海發(fā)電設(shè)備成套設(shè)計研究院有限責任公司， 上海 200240)

隨著電力行業(yè)的自動化程度及信息集成度的日益提高，電廠采集了大量的機組生產(chǎn)運行數(shù)據(jù)，而且數(shù)據(jù)量隨著時間的推移呈幾何量級增長，這些數(shù)據(jù)具有大容量、多樣性和價值高等大數(shù)據(jù)的明顯特征。因此，以大數(shù)據(jù)為背景的數(shù)據(jù)挖掘技術(shù)逐步進入電力系統(tǒng)及電廠研究人員的視野。很多學者嘗試運用數(shù)據(jù)挖掘技術(shù)在研究電廠運行時取得一些成果，但是很少有從純數(shù)據(jù)角度進行電廠應用分析，筆者通過數(shù)據(jù)實驗來研究數(shù)據(jù)挖掘在電廠優(yōu)化運行中的應用。

電力生產(chǎn)工業(yè)所受到的不確定影響因素干擾小，生產(chǎn)過程數(shù)據(jù)表現(xiàn)出很強的規(guī)律性，完全可以利用從流程數(shù)據(jù)中挖掘出的知識來設(shè)計智能化應用系統(tǒng)，使計算機能夠自動做出判斷或者決策[1]。

有學者進行了電廠應用的相關(guān)研究，如基于序列模式的供電煤耗關(guān)聯(lián)保護[2]，利用聚類算法解決循環(huán)流化床模糊控制規(guī)則的獲取問題[3]等，借用大數(shù)據(jù)技術(shù)解決了電廠運行中的一些問題。丁士發(fā)等[4]利用統(tǒng)計方法，進行超臨界鍋爐高溫受熱面屏間熱偏差在線優(yōu)化。

隨著信息處理能力的不斷進步，電廠分布式控制系統(tǒng)(DCS)中的數(shù)據(jù)是成幾何量級增長的，這些大數(shù)據(jù)特征意味著可以從中發(fā)掘出有價值的信息[5]。同類型的機組燒同類型的煤，設(shè)置同樣的狀態(tài)，其運行效果是存在差異的。從這些運行數(shù)據(jù)中，通過大數(shù)據(jù)挖掘方法，找出運行參數(shù)潛藏的關(guān)聯(lián)關(guān)系，由這些潛藏關(guān)系找出機組的共性和異性信息進行判別。

筆者通過對電廠運行數(shù)據(jù)的挖掘，根據(jù)參數(shù)分布情況進行預處理，尋找電廠運行優(yōu)化目標參數(shù)與其他參數(shù)的關(guān)聯(lián)關(guān)系，從數(shù)據(jù)角度找到較好的運行工況。

1 數(shù)據(jù)挖掘方法

1.1 挖掘方法的選擇

數(shù)據(jù)挖掘常用的方法有回歸、分類、相關(guān)性、聚類、判別、主成分、因子、時間序列等分析方法，其中大部分方法不是專為解決某個特定問題而特制的方法，方法之間不相互排斥[6]。為了研究優(yōu)化目標與哪些參數(shù)存在關(guān)聯(lián)關(guān)系，需要對數(shù)據(jù)進行相關(guān)性分析，采用關(guān)聯(lián)規(guī)則挖掘算法。

1.2 關(guān)聯(lián)規(guī)則

關(guān)聯(lián)規(guī)則反映一個事物與其他事物之間的相互依存和關(guān)聯(lián)關(guān)系。關(guān)聯(lián)分析就是從給定的數(shù)據(jù)集D中發(fā)現(xiàn)頻繁出現(xiàn)、描述數(shù)據(jù)之間相互聯(lián)系的知識，被發(fā)現(xiàn)的知識成為關(guān)聯(lián)規(guī)則[7]。通常的關(guān)聯(lián)規(guī)則具有：X→Y(規(guī)則支持度S，規(guī)則置信度C)的形式，其解釋為“數(shù)據(jù)庫中滿足X條件的記錄一定也滿足Y條件”。規(guī)則支持度和規(guī)則置信度分別描述了關(guān)聯(lián)規(guī)則的有用性和確定性，即數(shù)據(jù)集D中有S比例的數(shù)據(jù)項包含X∩Y，有C比例的數(shù)據(jù)項滿足X∩Y，表達式為：

(1)

(2)

式中：T(X∩Y)為X和Y同時發(fā)生的事物數(shù)；T為總事物數(shù)；T(X)為X發(fā)生的事物數(shù)；SX→Y為X→Y的規(guī)則支持度；CX→Y為X→Y的規(guī)則置信度。給定最小支持度和置信度(SX→Y≥Smin)∩(CX→Y≥Cmin)，大于最小支持度和置信度的規(guī)則才是有效規(guī)則。規(guī)則提升是用規(guī)則的置信度除以規(guī)則后項的支持度所得的比值，表達式為：

(3)

式中：SY為X→Y的規(guī)則后項支持度；LX→Y為X→Y的規(guī)則提升。通過比較規(guī)則提升可以判別前項對后項的影響價值。部署能力P是一個比值，即支持規(guī)則前項但不支持規(guī)則后項的事物，占全部事物的比例，這個比值也從反面反映出前項與后項的關(guān)聯(lián)度。綜合規(guī)則支持度、規(guī)則置信度、規(guī)則提升和部署能力，可以判斷出后項與前項的關(guān)聯(lián)程度，從而幫助數(shù)據(jù)中關(guān)聯(lián)規(guī)則的發(fā)現(xiàn)和判斷[8]。

1.3 Apriori算法

Apriori算法是最經(jīng)典的關(guān)聯(lián)規(guī)則算法之一，是挖掘關(guān)聯(lián)規(guī)則的頻繁項集算法，其主要過程分為兩個階段：第一階段，通過迭代檢索出事物數(shù)據(jù)庫中的所有頻繁項集，即規(guī)則支持度不小于用戶設(shè)定閾值的項集；第二階段，利用頻繁項集構(gòu)造出滿足用戶最小置信度的規(guī)則[8]。

針對電廠多維連續(xù)的數(shù)據(jù)特點，需要進行多維量化關(guān)聯(lián)規(guī)則挖掘，對連續(xù)型屬性進行區(qū)間劃分。在進行量化關(guān)聯(lián)規(guī)則挖掘時，當全部屬性取值都有限時，只需將每個屬性映射為布爾型數(shù)據(jù)即可；當屬性的取值范圍很寬時，需要將連續(xù)屬性劃分成若干個區(qū)段，每個區(qū)段映射為布爾型數(shù)據(jù)。Apriori算法是進行布爾型關(guān)聯(lián)規(guī)則挖掘的算法，對數(shù)值型無法進行直接的運算，如何對參數(shù)進行分組變得尤為重要。筆者在數(shù)據(jù)進行預處理時進行了聚類分析，分析數(shù)據(jù)的分布狀況，根據(jù)分布情況決定數(shù)據(jù)的分位數(shù)和固定寬度離散形式，使數(shù)據(jù)分組更加合理。

1.4 關(guān)聯(lián)規(guī)則挖掘流程

整體思路如下：

(1) 從電廠壁溫管理系統(tǒng)中采集出近期數(shù)據(jù)。

(2) 對運行數(shù)據(jù)進行采樣、梳理和預處理，形成利于挖掘的有效數(shù)據(jù)。

(3) 應用Apriori算法進行數(shù)據(jù)分析。

(4) 提取關(guān)聯(lián)度較高的屬性與傳統(tǒng)實驗進行對比。

2 關(guān)聯(lián)規(guī)則的應用

某電廠超臨界機組為上海鍋爐廠有限公司引進Alstom技術(shù)，型號為SG-1913/25.4-M950。過熱器出口壓力為25.4 MPa，過熱器出口溫度為571 ℃，進口汽溫為508 ℃。鍋爐為超臨界參數(shù)變壓運行螺旋管圈直流爐，單爐膛、一次中間再熱、采用四角切圓燃燒方式、平衡通風、固態(tài)排渣、露天布置、全鋼懸吊結(jié)構(gòu)的П形燃煤鍋爐[4]。數(shù)據(jù)由安全儀表系統(tǒng)(簡稱SIS)采取，利用數(shù)據(jù)庫管理系統(tǒng)進行數(shù)據(jù)整合，最后再通過SPSS (Statistical Product and Service Solutions) Modeler軟件進行處理。

筆者對電廠歷史運行數(shù)據(jù)的挖掘，在優(yōu)化鍋爐運行參數(shù)的同時，通過控制鍋爐高溫受熱面熱偏差，降低管壁溫度峰值，控制管壁超溫幅度和超溫時間，進而減緩氧化皮生產(chǎn)速度和蒸汽腐蝕，以免超溫爆管[4]。

2.1 挖掘目標

優(yōu)化高溫受熱面屏間熱偏差的主要目標是根據(jù)當前負荷、運行磨煤機組合尋找最優(yōu)工況。優(yōu)化標準是末級過熱器熱偏差曲線整體平坦，并向均值1靠近，方差較小，無異常跳點。末級過熱器屏間熱偏差系數(shù)評價函數(shù)為：

k(Ti,max1≤i≤n-Ti,min1≤i≤n)，
k=1,2,…,m

(4)

式中：Ti為末級過熱器第i片屏的熱偏差系數(shù)；k為比例系數(shù)；n為屏數(shù)；RTMG為末級過熱器屏間熱偏差曲線評價值，該值越小，代表末級過熱器偏差曲線越優(yōu)，管屏安全性越高[4]。

尋找與RTMG有強關(guān)聯(lián)規(guī)則的運行方式，將可能與之有影響的參數(shù)進行關(guān)聯(lián)，尋找強關(guān)聯(lián)規(guī)則是挖掘的目標。參與關(guān)聯(lián)的參數(shù)有：各層風門的擋板開度、燃燒器擺角、水煤比等。

壁溫監(jiān)測系統(tǒng)是從SIS里面每隔30 s采集的數(shù)據(jù)。為了與熱偏差燃燒優(yōu)化試驗調(diào)整相驗證，取近一年同月份的運行數(shù)據(jù)作為研究對象。

從壁溫監(jiān)測系統(tǒng)中導出從開始工作至今的數(shù)據(jù)，對有用的數(shù)據(jù)進行整合。送入挖掘節(jié)點的模型見圖1。

圖1 關(guān)聯(lián)挖掘數(shù)據(jù)流圖

2.2 挖掘過程

筆者主要研究滿負荷工況下，熱偏差和風門等參數(shù)的關(guān)聯(lián)關(guān)系。首先篩選排除不正常的數(shù)據(jù)，然后進行聚類分析，觀察各項參數(shù)的分布狀況，將參數(shù)進行離散化，最后將處理好的數(shù)據(jù)進行Apriori算法分析得出規(guī)則。參與挖掘的參數(shù)有：各層風門擋板開度(各風門代號由下而上分別為AA風門、A風門、AⅡ風門、AB風門、B風門、BⅡ風門、BC風門、C風門、CⅡ風門、CD風門、D風門、DⅡ風門、DE風門、EⅡ風門、EF風門、FⅠ風門、FⅡ風門、CCOFA1風門、CCOFA2風門、SOFAⅠ風門、SOFAⅡ風門、SOFAⅢ風門、SOFAⅣ風門、SOFAⅤ風門)，SOFA擺角，燃燒器擺角[4]，給水流量，水煤比等。

每個風門參數(shù)分為4個角，分別為1、2、3、4號角，總輸入?yún)?shù)112個，而風門4個角之間的差別引入函數(shù)為：

(5)

通過聚類找到異常數(shù)據(jù)(見圖2)，BZT2715為EF層的風門差異函數(shù)，由于BZT271503即EF層3號風門采集到的參數(shù)出現(xiàn)問題，導致差異過大，需要進行排除。各個風門4角的差異函數(shù)均聚類小于1的值附近，意味著4個角的開度相差不大，故用1號角代替4個角，簡化輸入?yún)?shù)，便于挖掘。

圖2 部分異常參數(shù)

由聚類結(jié)果看出各個參數(shù)的分布狀況不統(tǒng)一，為了更好地找出參數(shù)之間的關(guān)聯(lián)關(guān)系，在進行離散化時采用不同的分組辦法，見圖3。圖3中，橫坐標為參數(shù)的值，縱坐標為參數(shù)值出現(xiàn)的頻率(單位為1)，TPWhole即RTMG的分布區(qū)間廣且比較集中，在進行離散化時采用分位數(shù)分組，AZT271201即CCOFA2開度1號的分布區(qū)間固定且比較分散，離散化時采用固定寬度分組。

圖3 部分參數(shù)聚類情況

經(jīng)過處理之后，原數(shù)據(jù)與轉(zhuǎn)換數(shù)據(jù)見圖4，轉(zhuǎn)換過的參數(shù)通過添加后綴(TILE5、BIN)與原參數(shù)區(qū)分，如TPWhole分位數(shù)分組離散用TPWhole_TILE5來代替，AZT272301固定寬度離散后用AZT272301_BIN來代替。

圖4 部分轉(zhuǎn)換數(shù)據(jù)

通過調(diào)整置信度和支持度試驗，當置信度為75%、支持度為8%的規(guī)則條件時，能較好地得到關(guān)聯(lián)規(guī)則。由200多萬個數(shù)據(jù)關(guān)聯(lián)分析得到規(guī)則中最頻繁出現(xiàn)的項目參數(shù)信息見表1。

表1 最頻繁出現(xiàn)的參數(shù)項信息 %

由表1可以看出：預測屬性中EⅡ?qū)印OFA層、CCOFA層有很大的可能是強關(guān)聯(lián)屬性，被預測的受熱面熱偏差系數(shù)在偏小值和偏大值時是頻繁項。

根據(jù)表2中的關(guān)聯(lián)規(guī)則信息可進一步有效確定預測參數(shù)(各風門開度等)與被預測參數(shù)(受熱面熱偏差系數(shù))之間的關(guān)系。由頻繁項得到的關(guān)聯(lián)規(guī)則有38條，由于規(guī)則較多，表2中只顯示部分規(guī)則。

由表2可以看出：當EⅡ?qū)语L門開度為41.95%～55.98%、CCOFA1層風門開度為54.50%～66.50%、SOFAⅠ層風門開度為19.87%～29.91%時，偏差函數(shù)預測為60～92，發(fā)生的概率為9.34%，這個置信度為87.32%，當“規(guī)則標志1”條件發(fā)生時預測系數(shù)在59.92～91.44的概率提高了4.93倍，條件發(fā)生預測結(jié)果不發(fā)生的事件占全部事物的1.36%。當A層風門開度為52.80%～55.90%、EⅡ?qū)语L門開度為27.92%～41.95%、SOFAⅣ層開度為0.06%～12.16%、SOFA擺角為45.51°～51.35°時，偏差函數(shù)預測為27.81～44.65，發(fā)生的概率為10.99%，該置信度為76.03%，當“規(guī)則標志24”條件發(fā)生時，預測事件的發(fā)生概率提高了3.8倍。

通過使用規(guī)則約束參數(shù)，熱偏差函數(shù)均值由48.91降到40.56，降低了17%。

2.3 結(jié)果分析

挖掘出的關(guān)聯(lián)規(guī)則顯示熱偏差系數(shù)與SOFA層、CCOFA層有較強的關(guān)聯(lián)關(guān)系。當燃燒器擺角在45°～51°時，熱偏差系數(shù)會變低，熱偏差趨于1。在該鍋爐熱偏差調(diào)整燃燒實驗報告中，根據(jù)變二次風風門開度試驗，其他參數(shù)固定，CCOFA風開度為60%時，SOFA風開度均為20%時的熱偏差函數(shù)比SOFA風門開度為40%和60%時高；當CCOFA風固定不變，SOFA風開下三層的熱偏差函數(shù)比開上三層的熱偏差函數(shù)高。數(shù)據(jù)挖掘的結(jié)果在一定程度上能印證實驗結(jié)果。

3 結(jié)語

筆者以某電廠壁溫監(jiān)測系統(tǒng)為基礎(chǔ)，通過對歷史數(shù)據(jù)的處理，結(jié)合大數(shù)據(jù)挖掘關(guān)聯(lián)規(guī)則算法——Apriori算法，利用電廠大數(shù)據(jù)的特性，找出與熱偏差系數(shù)關(guān)聯(lián)的參數(shù)項，分析出與之強關(guān)聯(lián)的參數(shù)項，并與實際印證，通過挖掘的規(guī)則對預測參數(shù)進行約束，有效降低了受熱面熱偏差系數(shù)，進而能有效降低管壁溫度峰值，控制管壁超溫幅度和超溫時間，減緩氧化皮生產(chǎn)速度和蒸汽腐蝕，避免超溫爆管，進一步肯定了電廠數(shù)據(jù)的隱藏價值。在對數(shù)據(jù)進行預處理時，通過對數(shù)據(jù)自身的特征進行相應的預處理，為數(shù)據(jù)的挖掘提供了便利。通過對電廠數(shù)據(jù)的挖掘，尋找到符合要求的強關(guān)聯(lián)規(guī)則，得出目標屬性有關(guān)的參數(shù)項，指導運行，提高電廠的經(jīng)濟性和安全性。