李 虎 戴 勇

1.安徽华电宿州发电有限公司

2.上海鑫锐自动化仪表有限公司

0 前言

人类社会正在进入以数字化生产力为主要标识的新的历史阶段。以互联网、云计算、大数据等为代表的新一代信息技术迅猛发展，信息化与经济社会能源各层面深度融合，数字经济已成为引领科技革命、产业变革和影响国际竞争格局的核心力量，不断为全球经济复苏和社会进步注入新的活力[1]。在现代科学技术快速发展的背景下，我国电厂逐渐由数字化转向智能化发展，而智能电厂实质上是在数字化电厂发展的基础上，融入了互联网技术和大数据处理技术，最大限度地减少生产和管理活动中人为因素的干预，进一步提高电厂的自动化和智能化水平，是现阶段融合云平台与大数据技术的一种新型发展模式，其能够应用大数据技术实现科学的数据采集，并辅助电厂的高效化运行管理，充分体现电厂建设和发展的安全性和人性化。智能电厂的功能中包含了信息化、智能化、数字化以及可视化等特点[2]。虽然迄今为止，国内尚未有完整意义上的智能电厂，但智能电厂框架下的智能控制技术和先进算法在许多电厂中已有应用，如先进传感器技术、在线优化技术和设备故障预警技术[3-5]。本文着重分析基于大数据智能分析诊断平台实现电厂脱硫系统的最优化，实现电厂的智能化，为在烟气超低排放标准实施条件下，电厂脱硫系统更好运行和优化提供理论支撑。

1 大数据智能分析诊断平台下脱硫系统的数据研究

完整通用的大数据智能分析诊断平台，涵盖着数据的采集、存储、计算和管理等方面[6]。结合现有数据分析处理技术与智能电厂的特点，从大数据特征、采集和存储、分析计算和大数据智能预警模型的建立等四个方面进行分析。

1.1 数据特征

大数据脱硫特征主要体现在以下几方面：一是各种脱硫设备均产生数据；二是数据量庞大，种类维数多；三是大数据提高了火电厂脱硫系统运行效益与安全可靠性；四是为满足实时性要求，数据关系需要进一步挖掘[7]。

1.2 数据的采集与储存

大数据智能分析诊断平台在脱硫系统上的应用，需要获取脱硫系统的相关大数据。电厂中脱硫系统数据的收集已由传统的储存结构化数据向图片、音视频和各种高级收集程序软件转变，如Pentaho Kettle、Infomatica Power Center、IBM WebspHere DataStage 等工具，可实现对数据的抽取、转换和装载过程，从而达到对大数据的批量采集、实时数据采集[8]。而火力发电厂脱硫大数据具有多样性、不精确性、不完整性等特点，在此复杂的数据环境下，需要对数据源中的数据进行处理，采用统计学方法剔除由于精度等原因产生的异常数据和冗余数据，采用聚类分析的方法对数据源中的数据进行抽取和集成，为后续数据分析的合理性提供有效的支持，最终利用大数据进行智能分析，为脱硫系统提供解决方案。

采集之后庞大的数据储存问题也显得十分严峻，在传统的数据采集上大多数是储存结构化的数据，主要服务于数据的及时查询检测，按照制定的法则快速处理问题的能力，并且可以满足多个用户并发访问的能力。当前的研究集中在NoSQL 数据库方向，包含分布式文件存储（主要有Hadoop架构下的HDFS 分布式文件系统）、列存储（主要有基于HDFS文件系统的Hbase数据库）和键值对存储（主要有Amazon 提出的Dynamo 系统）等多种存储类型。庞大的数据储存，为分析提供了足够的数据支撑，为电厂脱硫系统实现精准问题反馈、系统分析和优化方案推荐提供保障。

1.3 数据的分析计算

数据分析是发挥大数据研究核心价值的重要流程，大数据分析结果可以精准掌控脱硫系统运行状况，实现电厂智能化。常用的数据分析技术主要有：统计分析、数据挖掘、神经网络、机器学习、模糊理论等，分析的结论可用于专家系统、推荐系统、决策支持系统、运行指导优化等方面。大数据智能诊断平台的分析计算技术则选择廉价服务器，通过构建分布式数据计算系统作为解决方案，面对不同的应用场景主要分为批处理、流处理和内存计算这三类计算模式，不同场景对应不同数据计算模型从而达到对脱硫系统精准数据分析，实现电厂脱硫系统智能化和最优化。

1.4 大数据智能预警模型的建立

电厂要实现安全稳定的运行，在发生事故之前，将问题反馈给技术人员，实现电厂损失最小化，就需要大数据支撑的智能预警系统进行保障。在大数据的采集分析过程中如果发现异常数据或异常趋势及异常的相关重要参数时，智能预警系统会启动，反馈问题的出处，同时会把此次的数据“记录在案”，下次再出现相同问题时及时给出解决方案。

2 大数据智能分析诊断平台实现电厂脱硫系统最优化的框架建立

2.1 大数据智能分析诊断平台下脱硫系统评价方案

对于大数据智能分析诊断平台下脱硫系统，通过成本收益分析[9]，对各个指标数据的提取和大数据分析计算，从而得到大数据下智能分析诊断平台脱硫系统的最优评价方案，如图1 所示。电厂成本投入中，能量投运主要为电耗，物料主要为脱硫剂和水，另外，电厂需要根据SO2的排放量缴纳环保税。电厂经脱硫获得环保达标的净烟气，及免除超排罚金，享受脱硫电价补贴收益。

脱硫石膏也是系统收益部分，可通过化学反应方程及质量平衡推算得到。为了统一成本收益各项指标，将各分项经过数据整合及实时计算得到相关费用，然后得到脱硫系统的总经济成本，作为综合评价指标和优化依据。

图1 大数据下智能分析诊断平台脱硫系统优化方案

2.2 数据分析及评判依据

系统的运行都有一个标尺，脱硫系统的运行也需要一个标尺，本文提出脱硫相对生产成本（C）的概念。脱硫装置的各项成本费用主要包括电费，脱硫剂费用、水费、蒸汽费和管理费用（包括财务费用、折旧费、人工费、维修费、运行管理费和保险费等）。其中，电费、脱硫剂费用、水费、蒸汽费用与运行工况紧密相关；此外，脱硫装置的运行方式还会影响SO2的排污缴费和石膏销售收入。将受脱硫运行方式影响的因素累加，称之为相对生产成本[10]。

式中，C 为脱硫系统相对生产成本，元/h；C1为脱硫系统电费，元/h；C2为脱硫系统脱硫剂费用，元/h；C3为脱硫系统用水费用，元/h；C4为SO2排污缴费，元/h；C5为脱硫副产物的销售收入，元。

3 案例分析

3.1 浆液循环泵在线检测大数据情况

某电厂300 MW 机组配套的在线烟气脱硫装置，设置四台浆液循环泵，从低到高分别为A、B、C、D。入口SO2浓度的正常变化范围为1 500～4 500 mg/m3，习惯运行方式为B、C、D 浆液循环泵运行，入口SO2浓度为4 000 mg/m3时不同循环泵组合运行数据分析见表1[11]。对脱硫效率没有要求，当满足400 mg/m3出口排放浓度要求，排污费按照实际的排放量缴纳，脱硫剂为外购石灰石粉，石膏外卖有一定的收益（未考虑蒸汽的消耗）。

表1 中利用数据分析提供了不同投运循环泵下脱硫效率和总的相对成本之间的关系，综合发现在不同循环泵组合情况下循环泵组合方式为ABC 时相对生产成本和出口二氧化硫浓度相对较低为最佳运行工况，利用数据分析得到最佳循环泵组合方式。但这只是初步利用数据分析，要实现脱硫系统最优化还需要更深层挖掘各个组分中数据的关系，如影响石灰石的成本因素数据分析情况或影响出口SO2浓度的因素数据分析情况等，即可以精准定位，利用大数据分析得到脱硫系统最优化方案。

3.2 石灰石成本在线检测大数据分析情况

对浆液循环泵的组合方式大数据智能化脱硫系统优化分析还可以继续进一步细分，如石灰石的成本，应用大数据进行数据分析整理统计，可以从石灰石的颗粒大小、石灰石的纯度、石灰石的添加量以及石灰石种类出发，利用大数据智能分析手段得到脱硫效率高石灰石成本较低的组合，石灰石成本数据见表2。

表2 石灰石成本数据

基于表2 数据分析，在工况和投运循环泵不变的情况下，改变石灰石颗粒、纯度、添加量和石灰石种类，可以得到石灰石颗粒在直径为25 mm，纯度为85%、添加量为500 kg 和石灰石种类为重质碳酸钙时脱硫效率最高及成石灰石成本相对较低，数据为最佳选取值。当然，可以改变不同工况和投运循环泵，得到各种组合数据，利用这些数据智能分析得到脱硫效率高和石灰石成本较低的最佳选取值，以达到以大数据实现脱硫系统的最优化。

3.3 出口SO2浓度在线检测大数据分析情况

影响出口SO2浓度因素有很多，如：煤中硫的质量分数、锅炉负荷、燃烧温度、含氧量、送风量和给风温度等因素都会影响出口SO2浓度，利用大数据进行分析时需要把这些影响因素的数据做到全面采集和储存，大数据智能分析后得到出口SO2浓度和相对成本都较低的最佳工况。例如煤中硫质量分数，由于电厂燃用不同煤种时煤中硫的质量分数不同，引起送风量、氧量、燃烧温度等因素不能与不同煤种精确的匹配，致使出口SO2浓度增高及总的相对成本增加。利用大数据智能分析诊断平台，采集不同煤中硫的质量分数对应的送风量、氧量、燃烧温度等因素的数据，利用大数据分析计算出各参数之间存在的关联性，得到最佳运行工况，实现较低的出口SO2浓度和相对成本。

除了石灰石成本和出口SO2浓度大数据分析，还可以从水成本、电成本等多个方面进行大数据分析，为电厂脱硫提供优化方案。

6 总结

大数据智能分析应用在电厂脱硫优化上，可以实现对脱硫系统的检测和提供最佳工况方案，得到不同脱硫工况的历史优选工况运行细节及当前节能效果，对电厂脱硫系统各个部位实行数据分析把控，如浆液循环泵、石灰石和出口SO2浓度在线检测大数据分析情况，实现对电厂脱硫系统高效精确运营和优化方案推荐。大数据智能分析是电厂实现高效率、低成本的方向，也是电厂运行优化和智能化发展的方向。