基于智能信息处理的火电厂优化运行技术研究

引言：火电厂实际运行中，机组运行参数较多，数据存在容量大、种类多、速度快、交互性特征，参数调整多依赖运行人员经验，缺乏科学、精准的调控策略。海量运行数据未能得到充分利用，数据价值难以发挥。智能电厂、智能电网建设推进，数据容量从GB 级增加至PB 级、ZB 级，数据急剧膨胀。该1000MW 机组测点约为15000 个，按照 001s 采样周期，1d 积累数据为 1.41TB，缩短采样周期数据规模指数增长；电力数据来源分散，维度结构、更新频率各不相同，不仅有符号、数字等数据，也有视频、音频、图像、文本等数据。不同数据采样周期大，项目中绝缘放电采样周期10-9s，油色谱采样0.5h，数据维度丰富；绝缘放电数据1s 可采集量级109，采样周期缩短的同时，分析、存储、处理速度加快，多达到实时性要求。

1.分析火电厂运行概述

火电厂作为稳定可靠的能源供应基地，在全球能源结构中占据着不可替代的地位。其中，稳定性直接关系着电厂的安全运行和能源供应的连续性 近年来 随着 和电网复杂化，火电厂的稳定运行问题日益突出。设备故障引起的停机和事故 还会对环境和社会造成不可逆的影响。在此背景下，探索有效的稳定运行策略具有 要意义。从理论层面看 分析有助于深化对故障机理的理解，丰富和完善相关故障预防和处理理论；从实践层面看，这一分析可为增强火电厂的适应性和灵活性提供策略参考，助力提升整个电力系统的安全性和稳定性。

2.分析智能信息处理的火电厂优化运行技术

2.1 分析数据检测技术

一是数据稳态检测。火电厂机组启动的过程中，从0 到额定负荷时间比较长才可以达到稳定的状态，各类参数急剧变化，加上煤质、温度等影响，外界约束条件如果突变将会打破机组稳定性。二是数据一致性处理。火电机组作为大惯性、大延迟特性生产系统，各热力环节、单元设备具备容积惯性、质量惯性与热惯性，导致不同时刻参数存在参差。鉴于火电厂样本密度高、数据频次快，求取一定时间稳态数据平均值替代相应原始参量，抵消延迟度差异，改善数据波动的同时维持样本密度。

2.2 分析数据预处理技术

2.2.1 分析遗失值处理

因为火电厂的数据量比较大，采取直接舍弃方法会浪费资源信息，手动替换法增加信息误差，采取反向传播（BP，Backpropagation）神经网络实现大规模数据处理。但考虑实际运行中网络结构简单、难以获得预期收敛精度，需对其改进，具体如下针对网络拓扑结构配置，以动态调整法处理，立足简单初始网络结构，逐渐增加神经元数量，比较结果误差，确定神经元最佳数量；设定学习率，采取自动变化仿真，控制迭代变化中其最大、最小值有序波动，直至理想效果。以火电厂燃煤机给水温度为例，选择主蒸汽流量、压力、温度、机组功率及抽汽温度、压力为输入参数，预测遗失值，选择多组集合训练，进而以预测值替代遗失值。

2.2.2 噪声值、离群值处理

参数随机方差以及误差将会引起噪声值，采用回归拟合法开展数据函数拟合，消除数据噪声值，火电厂可以采用统计分部须的暗敷，根据出现参数概率氛围小概率以及大概率区域，正常参数归属于大概率；反之，离群值归属于小概率。在燃煤机组功率数据中对离群值处理操作，以线段设置界限，不同区间视为离群值，针对初始数据集采取区间、组等易处理数据进行替换，集中分散数据，可采取直方法、函数拟合法、聚类法等。根据不同归纳规则、参量属性，将数据归纳至若干簇内，人为设定簇、组数量，替代分散数据；参量约简。以参量数量出发，利用约简减少参量维数，转化旧参量为少数新参量，可采取主成分分析法、小波分析法、特征子集约简法等。初始数据冗余参数、弱相关参数对其约简处理。

2.3 分析数据变换技术

因为火电厂的数据种类比较多和来源广泛，参数值域差异显著，需要处理数据差异性，开展数据变换操作，未免减少信息成分，以数据离散化变换初始数据，若干标签、类簇替代初始数据，简化数据规模，提高挖掘效率，采取K-Means（K 均值）开展数据聚类分析，以簇均值为质心，具体步骤如下。确定聚类 k 数量，随机选择D 初始数据集k 项数据为ci 质心；针对 D 数据及每项 xp 数据，计算其与质心距离，划分至最近质心簇内；数据划分各簇后，计算E 聚类质量，重新确定各簇新 c*质心及其E*聚类质量；新簇质心E*与原有E 聚类质量差低于规定值，判定函数收敛，满足条件。K-Means 聚类简单，直接用于火电厂数据离散耗时较长，以MapReduce架构对其进行优化，并行K-Means 算法，在Map 阶段完成质心与各数据距离计算，Reduce 阶段计算各簇新质心，提高聚类效率。

总结：总而言之，由于机组工作复杂，涉及热力、单元设备较多，数据来源多样。电厂初始数据运行质量不佳，不可避免存在波动不同步、遗失值、噪声值等情况，需对初始数据检测处理，在火电厂运行中，利用智能信息处理技术可处理海量运行数据、挖掘数据价值，为优化运行提供依据。并根据火电厂机组情况，构建优化运行模型，实现燃烧过程优化、机组负荷合理分配等，提高火电厂运行效率，减少污染物与能耗。未来大数据、人工智能等技术发展，将探索先进智能算法对火电厂运行不断完善。

参考文献：

[1] 罗睿, 吴涛, 吴智群, 黄廷辉, 何新, 王继强, 白帆. 火电厂脱硫系统智能优化管理研究[J]. 热力发电,2019,48(09):71-76.

[2]李旭峰.计算机视觉在火电厂盘煤中的应用研究[D].华北电力大学,2011.

[3]马晋辉,赵文博,杨耀文,尹浙洪.火力发电厂继电保护管理信息系统的研究与开发[J].电力系统保护与控制,2010,38(08):63-66+148.