金鵬

（遼寧工程職業(yè)學(xué)院，遼寧 鐵嶺 112008 ）

0 引言

換熱站集控系統(tǒng)以跨區(qū)域的工業(yè)以太網(wǎng)，對熱源PLC 系統(tǒng)進(jìn)行通信組態(tài)而實(shí)現(xiàn)。集控系統(tǒng)將各個(gè)換熱站的供熱管網(wǎng)進(jìn)行分散控制、集中管理，利用機(jī)器學(xué)習(xí)算法對熱力大數(shù)據(jù)樣本進(jìn)行訓(xùn)練得到鍋爐燃燒系統(tǒng)預(yù)測模型，進(jìn)而通過優(yōu)化鍋爐運(yùn)行參數(shù)，實(shí)現(xiàn)節(jié)能減排目的。

1 集控系統(tǒng)建設(shè)

本文以項(xiàng)目組參與建設(shè)的某供暖公司集控系統(tǒng)為例，對分布在不同區(qū)域的27 座換熱站鍋爐實(shí)現(xiàn)實(shí)時(shí)監(jiān)控和熱力數(shù)據(jù)采集工作。建設(shè)思路及實(shí)現(xiàn)功能如下：

1）實(shí)時(shí)監(jiān)控

實(shí)時(shí)監(jiān)控各換熱站鍋爐的運(yùn)行狀態(tài)。

2）蒸汽鍋爐數(shù)據(jù)采集

鍋爐水位、蒸汽壓力、蒸汽溫度、爐堂負(fù)壓、爐堂溫度、總回水溫度、水箱液位、冷凝水池液位、補(bǔ)水量、排煙溫度、室外溫度、報(bào)警信息、電耗、煤耗以及水泵、風(fēng)機(jī)等數(shù)據(jù)。

3）熱水鍋爐數(shù)據(jù)采集

鍋爐供/回水壓力、供/回水溫度、爐堂負(fù)壓、爐堂溫度、水箱液位、補(bǔ)水量、排煙溫度、室外溫度、報(bào)警信息、電耗、煤耗及水泵、風(fēng)機(jī)等數(shù)據(jù)。

4）環(huán)保除塵自控系統(tǒng)數(shù)據(jù)采集

除塵器脫硫、脫硝工藝控制過程中的藥箱液位、藥液濃度、藥劑使用量、煙氣溫度監(jiān)控點(diǎn)、閥門開關(guān)量、氣泵、噴淋泵運(yùn)行狀態(tài)等數(shù)據(jù)。

5）在線監(jiān)控系統(tǒng)的數(shù)據(jù)采集

鍋爐房監(jiān)測設(shè)備監(jiān)控點(diǎn)實(shí)時(shí)數(shù)據(jù)，形成曲線圖。集控系統(tǒng)的部分監(jiān)控截圖如圖1、圖2所示。

圖1 鍋爐運(yùn)行狀態(tài)監(jiān)控圖

圖2 熱力數(shù)據(jù)

2 燃燒系統(tǒng)建模

鍋爐燃燒釋放出一部分氮氧化合物NOx。[1]在鍋爐負(fù)荷穩(wěn)定前提下，降低NOx排放量濃度成為人們的關(guān)注熱點(diǎn)。[2]降低NOx排放與提高鍋爐效率存在相互制約的關(guān)系，建立合理且有效的鍋爐燃燒模型是調(diào)節(jié)矛盾的有效方法。傳統(tǒng)的機(jī)理建模方法往往根據(jù)工作人員和工程師的經(jīng)驗(yàn)總結(jié)形成簡化模型，沒有考慮鍋爐的實(shí)時(shí)熱力數(shù)據(jù)，不具有動態(tài)預(yù)測功能。[3]基于大量離線數(shù)據(jù)（歷史數(shù)據(jù)）和在線數(shù)據(jù)（實(shí)時(shí)數(shù)據(jù)），利用機(jī)器學(xué)習(xí)算法對實(shí)時(shí)性、非線性、耦合性的復(fù)雜系統(tǒng)建立預(yù)測模型是當(dāng)前的研究熱點(diǎn)。[4]

本文燃燒系統(tǒng)建模過程如下：

1）在集控系統(tǒng)的熱力數(shù)據(jù)庫中采集一定數(shù)量的影響鍋爐燃燒系統(tǒng)NOx排放濃度、燃燒熱效率的歷史數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù)（鍋爐負(fù)荷、爐膛密相區(qū)溫度、一次風(fēng)流量、一次風(fēng)溫度、二次風(fēng)總流量、風(fēng)機(jī)入口溫度、煙氣溫度、煙氣含氧量、鍋爐燃燒熱效率、NOx排放濃度）。

2）數(shù)據(jù)預(yù)處理后，將鍋爐負(fù)荷、爐膛密相區(qū)溫度、一次風(fēng)流量、一次風(fēng)溫度、二次風(fēng)總流量、風(fēng)機(jī)入口溫度、煙氣溫度、煙氣含氧量的歷史數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù)預(yù)處理后作為建模的輸入樣本，將鍋爐燃燒熱效率和NOx排放濃度作為建模的輸出樣本。

3）基于極限學(xué)習(xí)機(jī)算法（Online Sequential Extreme Learning Machine,OS-ELM），通過輸入樣本和輸出樣本建立鍋爐燃燒系統(tǒng)的NOx排放濃度預(yù)測模型和燃燒熱效率預(yù)測模型。

4）根據(jù)燃燒系統(tǒng)NOx排放濃度預(yù)測模型和燃燒熱效率預(yù)測模型建立適應(yīng)度函數(shù)，通過混沌粒子群算法（Chaotic Particle Swarm Optimization，CPSO）求解預(yù)測模型的最優(yōu)參數(shù)，建立最優(yōu)化預(yù)測模型。

5）由訓(xùn)練樣本和最優(yōu)化預(yù)測模型求出NOx 排放濃度預(yù)測值和燃燒熱效率預(yù)測值。

6）求出NOx排放濃度預(yù)測值與NOx排放濃度樣本均方誤差、平均相對誤差，求出燃燒熱效率預(yù)測值與燃燒熱效率訓(xùn)練樣本均方誤差、平均相對誤差，評價(jià)預(yù)測模型的精確度。

建模流程如圖3 所示。

圖3 建模流程圖

建模時(shí)，對采集的100 組熱力數(shù)據(jù)進(jìn)行預(yù)處理，去除無效數(shù)據(jù)后，將剩余的70 組熱力數(shù)據(jù)作為建模樣本。NOx排放濃度的采樣值與預(yù)測值對比如圖4 所示，燃燒熱效率的采樣值與預(yù)測值對比如圖5 所示。由圖5 可知，預(yù)測值與采樣值擬合度較高。

圖4 NOx排放濃度對比圖

圖5 燃燒熱效率對比圖

3 結(jié)語

集控系統(tǒng)通過實(shí)時(shí)可視化監(jiān)控和熱力數(shù)據(jù)采集、分析，直觀監(jiān)控各鍋爐的運(yùn)行狀態(tài)?；跓崃?shù)據(jù)，通過機(jī)器學(xué)習(xí)算法建立的動態(tài)預(yù)測模型，可實(shí)時(shí)調(diào)整鍋爐運(yùn)行參數(shù)，提高鍋爐熱效率，降低NOx排放量。