摘要
随着科技发展和智慧电厂的兴起，火电厂分布式控制系统（Distributed Control System， DCS）中存储着海量数据，利用大数据挖掘技术，对火电机组进行运行优化对于提高火电经济性、环保性，推动我国能源低碳转型有着非凡的意义。本文以某电厂350MW 火电机组为研究对象，基于火电厂历史运行大数据，利用数据挖掘技术深度挖掘其中所蕴含的最优信息，建立了锅炉燃烧系统预测模型，并采用多目标优化算法进行优化分析，降低NOx排放浓度同时又提升了锅炉热效率，研究思路及具体工作如下： 首先，介绍了锅炉生产过程，分析了锅炉热效率、NOx排放的影响因素，以吉林某电厂350MW机组的历史数据为研究对象，利用反平衡法计算锅炉热效率，并对机组大数据进行数据预处理，具体包括：异常值剔除及缺失值填充，采用滑动窗口法提取稳态数据，最大信息系数法（Maximal Information Coefficient，MIC）特征选择排除无关参数，缩减模型输入维数，为后续大数据挖掘和模型的建立做铺垫。 其次，利用大数据挖掘技术，深度挖掘出锅炉运行可控参数和锅炉热效率的最优值，针对传统 K-means 算法的局限性，提出了基于密度思想和中心点替换改进的聚类算法（Density Clustering- K-means，DC-K-means），利用该算法依据外部约束条件进行工况划分和离散化，并使用Apriori算法挖掘出锅炉历史燃烧过程中所蕴含的潜在关联规则。案例分析证明，关联规则分析能够揭示出全工况下的参数最优值。基于所获取得锅炉燃烧关联规则，可有效提高锅炉热效率，降低机组煤耗，提高整个电厂经济效益。 然后利用极限学习机（Extreme Learning Machine，ELM）对NOx排放浓度以及锅炉热效率进行建模预测。首先利用最大信息系数算法筛选模型辅助变量，并采用互信息系数MI计算辅助变量的延迟时间，重构建模数据。接着，利用极限学习机ELM建立了NOx浓度预测模型，经与其他模型的对比实验，验证了该模型是准确有效的。最后，基于ELM模型构建了锅炉热效率预测模型，实验结果再次验证了该模型的准确性、有效性与泛化性。 最后，基于NOx排放浓度和锅炉热效率预测模型，构建了以锅炉热效率和NOx排放浓度为目标函数的多目标优化模型。具体包括两阶段决策方法，阶段一使用非支配排序遗传算法（Non-Dominated Sorted Genetic Algorithm-Ⅲ，NSGA-Ⅲ），求取帕累托最优解集，并对比了算法的分布性、收敛性、稳定性；阶段二提出了基于模糊C均值（Fuzzy C-Means， FCM）和灰色关联投影（Grey Relation Projection，GRP）的多属性决策方法，从帕累托最优解集中选取唯一最优解。把锅炉燃烧多目标优化模型应用于实际运行机组，在降低NOx排放浓度的同时提高了锅炉热效率，做到了“高效低排”。得出的决策参数优化值，对于燃煤电站锅炉的经济环保运行有重要的参考价值。
NETL