CN107944066B - 一种基于大数据的余热锅炉节能潜力分析方法 - Google Patents

Abstract

本发明涉及一种基于大数据的余热锅炉节能潜力分析方法，通过Hadoop大数据分析平台实现，所述Hadoop大数据分析平台包括数据层、业务层和表示层，所述方法包括下列步骤：数据层对余热锅炉数据进行采集和存储；业务层从存储的余热锅炉数据中选取锅炉主蒸汽流量作为输出，影响参数作为输入，构建三层BP神经网络模型；业务层训练三层BP神经网络，得到余热锅炉的工艺参数模型；业务层利用遗传算法寻优对工艺参数进行优化，得到余热锅炉最优的工艺参数组合；业务层计算对应的年节约吨标煤并得到余热锅炉的节能率，并通过表示层进行展示。与现有技术相比，本发明具有利用大数据平台得到的分析结果准确以及提高节能量等优点。

Description

一种基于大数据的余热锅炉节能潜力分析方法

技术领域

本发明涉及节能潜力分析领域，尤其是涉及一种基于大数据的余热锅炉节能潜力分析方法。

背景技术

节能是国家可持续发展的关键因素之一，据统计，我国总体能源消耗中工业能源消耗所占比例最大，但是能源的有效使用率仅为30％左右，远低于欧洲发达国家，因此我国开展节能工作势在必行。目前，全球都面临的一个共同问题就是能源短缺，这对各国的节能工作都是重大考验。针对这个问题，我国已采取各种措施，其中一项就是推广节能设备的使用。目前，国内节能余热锅炉的设计和开发已经逐渐成熟，这对工业节能工作有重大影响。

近几年来余热回收技术飞速发展，钢铁行业的余热回收项目造价大幅度降低，同时余热回收效率大幅提高，为钢铁行业余热回收创造了优越的条件。时值目前国家能源紧缺、大力提倡生产过程的节能降耗的关键时期，国家有关部门对企业节能指标提出了很高的要求。在这样的形势和技术条件下，一些有远见的钢铁企业，迅速启动各种余热回收项目，不但解决了钢铁企业的节能降耗任务，同时也能为企业本身创造可观的经济效益。

从理论角度节能潜力可以根据热力学定律进行分析和计算，但是在现实中节能潜力一般采用因素对比分析方法测算。理论分析方法可依据热力学第一定律和第二定律。第一定律是能量守恒定律，用热效率的高低，进行节能潜力的估算，热效率越低，说明节能潜力越大。第二定律分析方法是依据能量守恒与能量递减规律来分析和估算节能潜力。现实节能潜力分析方法，常采用因素对比分析法，通过用能体系内各种能耗因素与相应对比基准比较，求得差异，从而找到节能潜力所在。

宝钢不锈钢公司利用余热梯级回收原理，通过汽化冷却系统生产蒸汽，提高热效率，从而达到节能目的；电子科技大学利用锅炉的实时数据，根据锅炉的参数的时间序列特征，使用数据挖掘技术对锅炉进行优化；包洋通过人工神经网络构建数学模型，用MATLAB作为数据处理工具，为企业工艺参数优化提供解决方案。

以上方法主要是运用传统数据分析方法对设备进行节能潜力分析，然而这些传统方法已不能满足对余热锅炉产生的大量能耗计量数据和工况数据进行分析的需求，因此，提供一种基于大数据的余热锅炉节能潜力分析方法，对处理余热锅炉运行产生的海量数据以及节能潜力分析提供了有力的技术保障，对企业节能减排工作具有重大意义。

发明内容

本发明的目的是针对上述问题提供一种基于大数据的余热锅炉节能潜力分析方法。

本发明的目的可以通过以下技术方案来实现：

一种基于大数据的余热锅炉节能潜力分析方法，通过Hadoop大数据分析平台实现，所述Hadoop大数据分析平台包括数据层、业务层和表示层，所述方法包括下列步骤：

1)数据层对余热锅炉数据进行采集和存储；

2)业务层从存储的余热锅炉数据中选取锅炉主蒸汽流量作为输出，影响参数作为输入，构建三层BP神经网络模型；

3)业务层确定三层BP神经网络模型的训练样本和检验样本，训练三层BP神经网络，得到余热锅炉的工艺参数模型；

4)业务层以提高锅炉主蒸汽流量为目标，利用遗传算法寻优对工艺参数模型的工艺参数进行优化，得到余热锅炉最优的工艺参数组合；

5)业务层根据得到的余热锅炉最优的工艺参数组合，计算对应的年节约吨标煤并得到余热锅炉的节能率，并通过表示层进行展示。

所述步骤1)具体为：

11)Hadoop大数据分析平台的数据层对余热锅炉数据进行采集；

12)通过ETL对余热锅炉数据进行预处理；

13)将预处理后的余热锅炉数据保存在Hadoop大数据分析平台的数据层的HDFS分布式文件系统上。

所述对余热锅炉数据进行预处理具体为对余热锅炉数据的空值、错误值和重复值进行数据清洗。

所述影响参数包括锅炉主蒸汽温度、主蒸汽压力、汽包水位、给水流量、给水温度、入口烟气温度和出口烟气温度。

所述三层BP神经网络模型具体为多输入、单输出的单隐含层神经网络，包括输入层x、隐含层h和输出层y。

所述隐含层的单元个数s与输入层的单元个数n的关系具体为：

s＝2n+1。

所述训练三层BP神经网络具体为：

31)为三层BP神经网络赋一组随机初始权值，所述随机初始权值在(-1，1)之间；

32)计算赋值后的三层BP神经网络的输出值，具体为：

其中，X_i为输入层第i个节点的输出值，H_j为隐含层第j个节点的输出值，Y_k为输出层第k个节点的输出值，W_ij为输入层第i个节点到隐含层第j个节点的权值，W_jk为隐含层第j个节点到输出层第k个节点的权值，θ_j为隐含层第j个节点的内部阈值，θ_k为输出层第k个节点的内部阈值；

33)根据步骤32)得到的三层BP神经网络的输出值，反向调整三层BP神经网络的权值和阈值，具体为：

W_jk+ηδ_kH_j→W_jk,W_ij+ηδ_jX_j→W_jk

其中，η为步长，δ_k为第k个节点的误差，δ_j为第j个节点的误差，d_k为第k个节点的期望输出。

所述三层BP神经网络模型的训练样本和检验样本具体为：以余热锅炉数据的90％作为训练样本，以余热锅炉数据的10％作为检验样本。

所述利用遗传算法寻优对工艺参数模型的工艺参数进行优化具体为：以三层BP神经网络训练得到的余热锅炉的工艺参数模型作为个体适应度，通过选择、交叉和变异操作寻找全局最优的锅炉主蒸汽流量和影响参数，作为余热锅炉最优的工艺参数组合。

所述余热锅炉的节能率具体为：

T＝0.103×S

其中，T为年节约吨标煤，S为年产蒸汽量，λ为节能率，T_i为优化前的年节约吨标煤，T_j为优化后的年节约吨标煤。

与现有技术相比，本发明具有以下有益效果：

(1)利用Hadoop大数据分析平台进行节能潜力分析，可以对余热锅炉产生的大量能耗计量数据和工况数据进行分析，与传统的数据分析方法相比，计算速度快，便于处理海量数据，且分析结果更加准确。

(2)对余热锅炉数据进行了预处理，清洗了其中的空值、错误值和重复值，减少了后续数据的计算量，提高了整体的分析速度。

(3)将预处理后的余热锅炉数据保存在Hadoop大数据分析平台的HDFS分布式文件系统上，吞吐量高，容错性能高，便于存储大量数据的同时也保障了后续采集数据进行计算处理的速率。

(4)构建三层BP神经网络并进行训练来得到余热锅炉的工艺参数模型，自适应能力强，便于自动对余热锅炉的工艺参数模型进行修正，得到最优值，且不容易受到干扰，结合大数据平台，得到的分析结果更为准确。

(5)利用遗传算法对工艺参数进行优化，计算时间少，鲁棒性能强，进一步提高分析结果的准确性。

(6)利用Hadoop大数据平台最终对计算得到的节能率进行了展示，便于用户实时观察监控。

附图说明

图1为三层BP神经网络模型拓扑图；

图2为Hadoop大数据分析平台的结构示意图；

图3为实际主蒸汽流量与期望主蒸汽流量散点图；

图4为三层BP神经网络模型的构建和遗传算法寻优的算法流程图；

图5为本发明的方法流程图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图5所示，本实施例提供了一种基于大数据的余热锅炉节能潜力分析方法，该方法包括以下步骤：

步骤1：利用Hadoop大数据平台对余热锅炉数据进行采集和存储，选取合适的工艺参数，将锅炉主蒸汽流量作为输出，影响参数(包括锅炉主蒸汽温度、主蒸汽压力、汽包水位、给水流量、给水温度、入口烟气温度、出口烟气温度)作为输入；

步骤1所述的对数据进行采集和存储具体为：Hadoop大数据分析平台的数据层对余热锅炉数据进行采集；通过ETL对余热锅炉数据进行预处理；将预处理后的余热锅炉数据保存在Hadoop大数据分析平台的数据层的HDFS分布式文件系统上。其中对余热锅炉数据进行预处理，主要表现为对空值、错误值、重复值进行数据清洗，具体为：

a)空值：这一类数据主要是一些应该有的信息缺失，对于这一类数据的处理方式是，某些空值可以从本数据源或其它数据源推导出来，这就可以用平均值、最大值、最小值或更为复杂的概率估计代替缺失的值，从而达到清理的目的。

b)错误值：用统计分析的方法识别可能的错误值或异常值，如偏差分析、识别不遵守分布或回归方程的值，也可以用简单规则库(常识性规则、业务特定规则等)检查数据值，或使用不同属性间的约束、外部的数据来检测和清理数据。

c)重复值：数据库中属性值相同的记录被认为是重复记录，通过判断记录间的属性值是否相等来检测记录是否相等，相等的记录合并为一条记录，合并、清除是去重的基本方法。

步骤1)所述的选取合适的工艺参数，考虑到锅炉运行过程中，工艺参数众多，因此需要选取影响锅炉主蒸汽流量的关键因素。以某厂热轧环节余热锅炉为例，在正常操作中，热烟气通过烟道进入余热锅炉，余热锅炉中的热交换管吸收进口烟气的热量使水蒸发为蒸汽，蒸汽通过一系列的上升管凝聚到汽包中，蒸汽直接通过过热器加热获得干燥的过热蒸汽，达到余热回收的目的。该过程涉及到的关键工艺参数有锅炉主蒸汽温度、主蒸汽压力、汽包水位、给水流量、给水温度、入口烟气温度、出口烟气温度等。

步骤1所述的将锅炉主蒸汽流量作为输出，影响参数(包括锅炉主蒸汽温度、主蒸汽压力、汽包水位、给水流量、给水温度、入口烟气温度、出口烟气温度)作为输入，具体为在模型构建过程中，将影响主蒸汽流量的关键因素作为输入，主蒸汽流量作为输出，利用BP神经网络的非线性拟合能力构建输入输出的函数关系；

步骤2：在Hadoop大数据分析平台运用BP神经网络的非线性函数拟合能力，构建主蒸汽流量和各个影响参数之间的三层BP神经网络模型，如图1所示，网络拓扑结构分三层，输入层、隐含层和输出层；

步骤2所述的Hadoop大数据分析平台，如图2所示，该平台主要分四个层次，包括：数据层、业务层、表示层，具体表述如下：

(1)数据层：主要负责工艺数据的采集和存储，通过ETL对数据进行预处理，经过处理的数据保存在HDFS分布式文件系统上。

(2)业务层：利用大数据分析技术对余热锅炉进行节能潜力分析。

(3)表示层：主要是大数据分析结果的展示。

步骤2所述的构建主蒸汽流量和各个影响参数之间的三层BP神经网络模型，具体为多输入，单输出的单隐藏层神经网络。

本实施例中网络的拓扑结构输入层有7个单元，设为x＝(x₁,x₂,…,x₇)，输出层有1个单元，设为y，隐含层神经元数采用Kolmogorov定理，隐含层单元个数为s＝2n+1，其中n为输入层单元个数,所以这里隐含层有15个单元，设为h＝(h₁,h₂,…,h₁₅)。

y＝主蒸汽流量

步骤3：确定模型训练和检验样本，训练网络，具体流程如图3所示；

步骤3所述的确定模型训练和检验样本，这里选取90％的数据作为训练样本，10％的数据作为检验样本。

步骤3所述的训练网络，具体为：

(1)给网络赋一组随机初始权值，其值在(-1，1)之间，期望输出信号为d＝(d₁,d₂,…,d₇)；

(2)计算网络输出值，

其中，X_i为输入层第i个节点的输出值，H_j为隐含层第j个节点的输出值，Y_k为输出层第k个节点的输出值，W_ij为输入层第i个节点到隐含层第j个节点的权值，W_jk为隐含层第j个节点到输出层第k个节点的权值，θ_j为隐含层第j个节点的内部阈值，θ_k为输出层第k个节点的内部阈值。

(3)反向调整权值与阈值，

W_jk+ηδ_kH_j→W_jk,W_ij+ηδ_jX_j→W_jk

其中，η为步长，δ_k为第k个节点的误差，δ_j为第j个节点的误差，d_k为第k个节点的期望输出。

(4)通过最后一次训练得到的权值和阈值进行运算，得到结果，图3为实际主蒸汽流量与期望主蒸汽流量散点图。

步骤4：利用遗传算法寻优对工艺参数进行优化，以提高锅炉主蒸汽流量得到锅炉最优的工艺参数组合。

步骤4所述的利用遗传算法寻优对工艺参数进行优化，以提高锅炉主蒸汽流量得到锅炉最优的工艺参数组合，具体为：遗传算法把BP神经网络训练得到的工艺参数模型作为个体适应度值，通过选择、交叉和变异操作寻找可能的全局最优主蒸汽流量和输入值。

步骤5：分析余热锅炉节能率。

步骤5所述的分析余热锅炉节能率，具体为：

T＝0.103×S

其中，T为年节约吨标煤，S为年产蒸汽量，η为节能率，T_i为优化前的年节约吨标煤，T_j为优化后的年节约吨标煤。

根据上述计算步骤对参数如表1所示的余热锅炉进行节能潜力分析，对该余热锅炉进行节能优化后的结果如表2所示：

表1余热锅炉参数额定范围

表2优化结果

图4所示为基于大数据的节能潜力分析流程，具体为：对余热锅炉数据进行现场采集，并存储到数据库中，数据分析前需对数据进行预处理，选定模型输入量和输入量后便可进行工艺参数模型构建，最后确定优化目标，进行工艺参数优化，得到优化结果。

表3节能对比

	主蒸汽流量(t/h)	年产蒸汽量(10<sup>4</sup>t/a)	节约标煤(10<sup>4</sup>t/a)
				优化前	6.8	4.90	0.51
优化后	7.6	5.47	0.56

由表3可得工艺参数优化后余热锅炉年产蒸汽量提升到5.47万吨，相当于节约标煤0.56万吨，节能率提升了9.8％，大大提升了企业效益。

Claims (8)

1.一种基于大数据的余热锅炉节能潜力分析方法，通过Hadoop大数据分析平台实现，所述Hadoop大数据分析平台包括数据层、业务层和表示层，其特征在于，所述方法包括下列步骤：

1)数据层对余热锅炉数据进行采集和存储，

2)业务层从存储的余热锅炉数据中选取锅炉主蒸汽流量作为输出，影响参数作为输入，构建三层BP神经网络模型，所述影响参数包括锅炉主蒸汽温度、主蒸汽压力、汽包水位、给水流量、给水温度、入口烟气温度和出口烟气温度，

3)业务层确定三层BP神经网络模型的训练样本和检验样本，训练三层BP神经网络，得到余热锅炉的工艺参数模型，

4)业务层以提高锅炉主蒸汽流量为目标，利用遗传算法寻优对工艺参数模型的工艺参数进行优化，得到余热锅炉最优的工艺参数组合，

5)业务层根据得到的余热锅炉最优的工艺参数组合，计算对应的年节约吨标煤并得到余热锅炉的节能率，并通过表示层进行展示；

所述利用遗传算法寻优对工艺参数模型的工艺参数进行优化具体为：以三层BP神经网络训练得到的余热锅炉的工艺参数模型作为个体适应度，通过选择、交叉和变异操作寻找全局最优的锅炉主蒸汽流量和影响参数，作为余热锅炉最优的工艺参数组合。

2.根据权利要求1所述的基于大数据的余热锅炉节能潜力分析方法，其特征在于，所述步骤1)具体为：

11)Hadoop大数据分析平台的数据层对余热锅炉数据进行采集；

12)通过ETL对余热锅炉数据进行预处理；

13)将预处理后的余热锅炉数据保存在Hadoop大数据分析平台的数据层的HDFS分布式文件系统上。

3.根据权利要求2所述的基于大数据的余热锅炉节能潜力分析方法，其特征在于，所述对余热锅炉数据进行预处理具体为对余热锅炉数据的空值、错误值和重复值进行数据清洗。

4.根据权利要求1所述的基于大数据的余热锅炉节能潜力分析方法，其特征在于，所述三层BP神经网络模型具体为多输入、单输出的单隐含层神经网络，包括输入层x、隐含层h和输出层y。

5.根据权利要求4所述的基于大数据的余热锅炉节能潜力分析方法，其特征在于，所述隐含层的单元个数s与输入层的单元个数n的关系具体为：

s＝2n+1。

6.根据权利要求4所述的基于大数据的余热锅炉节能潜力分析方法，其特征在于，所述训练三层BP神经网络具体为：

31)为三层BP神经网络赋一组随机初始权值，所述随机初始权值在(-1，1)之间；

32)计算赋值后的三层BP神经网络的输出值，具体为：

其中，X_i为输入层第i个节点的输出值，H_j为隐含层第j个节点的输出值，Y_k为输出层第k个节点的输出值，W_ij为输入层第i个节点到隐含层第j个节点的权值，W_jk为隐含层第j个节点到输出层第k个节点的权值，θ_j为隐含层第j个节点的内部阈值，θ_k为输出层第k个节点的内部阈值；

33)根据步骤32)得到的三层BP神经网络的输出值，反向调整三层BP神经网络的权值和阈值，具体为：

W_jk+ηδ_kH_j→W_jk,W_ij+ηδ_jX_j→W_jk

其中，η为步长，δ_k为第k个节点的误差，δ_j为第j个节点的误差，d_k为第k个节点的期望输出。

7.根据权利要求1所述的基于大数据的余热锅炉节能潜力分析方法，其特征在于，所述三层BP神经网络模型的训练样本和检验样本具体为：以余热锅炉数据的90％作为训练样本，以余热锅炉数据的10％作为检验样本。

8.根据权利要求1所述的基于大数据的余热锅炉节能潜力分析方法，其特征在于，所述余热锅炉的节能率具体为：

T＝0.103×S

其中，T为年节约吨标煤，S为年产蒸汽量，λ为节能率，T_i为优化前的年节约吨标煤，T_j为优化后的年节约吨标煤。

Images