CN113669249A - 一种实现循环泵选择的方法、装置及设备 - Google Patents

一种实现循环泵选择的方法、装置及设备 Download PDF

Info

Publication number
CN113669249A
CN113669249A CN202110994852.7A CN202110994852A CN113669249A CN 113669249 A CN113669249 A CN 113669249A CN 202110994852 A CN202110994852 A CN 202110994852A CN 113669249 A CN113669249 A CN 113669249A
Authority
CN
China
Prior art keywords
circulating pump
optimal solution
pump combination
frequency
energy
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110994852.7A
Other languages
English (en)
Other versions
CN113669249B (zh
Inventor
罗晖
罗如生
陈振铎
叶潇翔
陈晓雷
吴长生
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujian Longking Co Ltd.
Original Assignee
Fujian Longking Co Ltd.
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fujian Longking Co Ltd. filed Critical Fujian Longking Co Ltd.
Priority to CN202110994852.7A priority Critical patent/CN113669249B/zh
Publication of CN113669249A publication Critical patent/CN113669249A/zh
Application granted granted Critical
Publication of CN113669249B publication Critical patent/CN113669249B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
    • F04B51/00—Testing machines, pumps, or pumping installations
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
    • F04B49/00—Control, e.g. of pump delivery, or pump pressure of, or safety measures for, machines, pumps, or pumping installations, not otherwise provided for, or of interest apart from, groups F04B1/00 - F04B47/00
    • F04B49/007—Installations or systems with two or more pumps or pump cylinders, wherein the flow-path through the stages can be changed, e.g. from series to parallel
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
    • F04B49/00—Control, e.g. of pump delivery, or pump pressure of, or safety measures for, machines, pumps, or pumping installations, not otherwise provided for, or of interest apart from, groups F04B1/00 - F04B47/00
    • F04B49/06—Control using electricity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Probability & Statistics with Applications (AREA)
  • Feedback Control In General (AREA)
  • Control Of Positive-Displacement Pumps (AREA)

Abstract

本申请公开了一种实现循环泵选择的方法、装置及设备，包括：搜集循环泵组合的历史选择数据，统计不同负荷和硫分下的循环泵组合及其频次，得到循环泵组合的分布图；利用K均值聚类算法将循环泵组合划分为不同的聚类区域；根据负荷和硫分，选择频次大于均值的循环泵组合为局部最优解；计算负荷和硫分对应的循环泵组合到聚类区域的距离，选择距离最小的聚类区域的循环泵组合为全局最优解；当全局最优解包含在局部最优解中，选择全局最优解的循环泵组合；否则，判断节能解的频次与预设频次的关系，选择满足预设频次的循环泵组合。通过统计分析和机器学习算法，可以根据负荷和硫分，自动选择对应的循环泵组合，提高选择循环泵的准确性。

Description

一种实现循环泵选择的方法、装置及设备
技术领域
本申请涉及计算机控制技术领域，尤其涉及一种实现循环泵选择的方法、装置及设备。
背景技术
为保证燃煤电厂中排放的烟气符合排放标准，需要对烟气进行湿法脱硫处理，主要采用石灰石-石膏法，通过供浆系统控制石灰石浆液与二氧化硫(sulfur dioxide，SO2)反应，以吸收烟气中的SO2。
燃煤锅炉的负荷代表单位时间内产生蒸汽的能力，不同负荷的锅炉会影响烟气中SO2的排放量。与浆液反应前入口处的SO2被称为硫分，由于实际运行中负荷和硫分存在较大的变化特性，单纯依赖供浆系统并不能满足需求，燃煤电厂通常会引入循环泵系统，循环泵可以把石灰石浆液向上输送到喷淋层，使浆液通过喷嘴后喷出，与上行的烟气充分接触反应。不同规格的循环泵工作的力度不同，根据不同的负荷和硫分，需要切换选择不同规格的循环泵，控制浆液与SO2的反应，实现出口SO2的动态稳定。
目前，燃煤电厂普遍根据人工经验控制循环泵的切换，通过对当前负荷和硫分的判断，并结合浆液pH值、出口SO2等指标确定当前循环泵是否能够继续维持正常工作，以保证出口SO2排放稳定。但是单纯依赖人工经验，会因为工作人员的能力差异、主观判断等因素，导致切换循环泵不及时、不合理等问题，准确性较低，影响系统控制烟气排放的稳定性。
发明内容
本申请实施例提供了一种实现循环泵选择的方法、装置及设备，从而提高循环泵选择的准确性。
第一方面，本申请实施例提供了一种实现循环泵选择的方法，所述方法包括：
搜集循环泵组合的历史选择数据，统计在不同区间的负荷和硫分下的循环泵组合及其出现频次，得到不同负荷和硫分下的循环泵组合分布图；利用K均值聚类算法，将所述分布图中的各个循环泵组合划分为不同的聚类区域；
根据实时负荷和硫分所属的区间，得到所述区间下的循环泵组合，选择出现频次大于其频次均值的循环泵组合，作为局部最优解；在所述分布图中，计算所述实时负荷和硫分对应的循环泵组合的点到所述不同的聚类区域的距离，选择距离最小的聚类区域的循环泵组合作为全局最优解；
当所述全局最优解包含在所述局部最优解中，则选择所述全局最优解的循环泵组合；否则，判断节能最优解的频次是否大于预设频次，如果是，则选择节能最优解的循环泵组合；否则，判断节能次优解的频次是否大于预设频次，以此类推，直至遍历所有节能解；如果所述节能解均不满足条件，则选择所述局部最优解中出现频次最高的循环泵组合；
其中，所述节能解表示所述局部最优解中循环泵组合的功率小于所述全局最优解的循环泵组合功率的解集，所述节能最优解为循环泵组合功率最小的节能解。
在一些可能的实施方式中，所述方法还包括：
以特征数据作为输入数据，应用集成学习算法对所述特征数据建立模型，根据所述模型得到所述特征数据对应的切泵时刻；所述特征数据包括出口二氧化硫SO2均值、出口SO2瞬间值、负荷均值、负荷变化率、入口SO2均值和入口SO2变化率中的至少一种。
在一些可能的实施方式中，所述应用集成学习算法对所述特征数据建立模型还包括：
计算所述特征数据和所述切泵时刻的相关系数，选择所述相关系数大于预设值的特征数据，将所述特征数据作为输入数据。
在一些可能的实施方式中，计算所述实时负荷和硫分对应的循环泵组合的点到所述不同的聚类区域的距离包括：
应用线性回归算法拟合得到所述不同的聚类区域的趋势线，计算所述实时负荷和硫分对应的循环泵组合的点到所述不同的趋势线的距离。
在一些可能的实施方式中，计算所述实时负荷和硫分对应的循环泵组合的点到所述不同的趋势线的距离还包括：
计算所述不同的趋势线的斜率平均值，得到穿过所述不同聚类区域的聚类中心的中心线，计算所述实时负荷和硫分对应的循环泵组合的点到所述中心线的距离；所述中心线的斜率为所述不同的趋势线的斜率平均值。
在一些可能的实施方式中，所述方法还包括：
搜集浆液流量、浆液密度、浆液pH值和供浆调阀开度中的至少一种数据，对所述数据进行概率密度分布统计，截取在指定区间分布的所述数据。
在一些可能的实施方式中，所述方法还包括：
搜集出口SO2浓度的历史数据，筛选符合预设浓度的出口SO2浓度的数据，并删除不满足预设浓度的出口SO2浓度对应的循环泵组合。
在一些可能的实施方式中，所述方法还包括：
搜集烟气排放连续监测系统(Continuous Emission Monitoring System，CEMS)的吹扫状态、设备校正状态、设备故障状态和循环泵异常状态中的至少一种数据，设置所述数据的异常状态标识位，过滤异常状态下的所述数据。
在一些可能的实施方式中，所述统计在不同区间的负荷和硫分下的循环泵组合及其出现频次，包括：
将所述负荷按等间距划分为不同区间、将所述硫分按等间距划分为不同区间，统计在不同区间的负荷和硫分下的循环泵组合及其出现频次。
在一些可能的实施方式中，所述预设频次包括：
所述局部最优解中循环泵组合的最大频次的50％。
第二方面，本申请实施例提供了一种实现循环泵选择的装置，所述装置包括统计单元、处理单元、计算单元以及判断单元：
所述统计单元，用于：搜集循环泵组合的历史选择数据，统计在不同区间的负荷和硫分下的循环泵组合及其出现频次，得到不同负荷和硫分下的循环泵组合分布图；
所述处理单元，用于：利用K均值聚类算法，将所述分布图中的各个循环泵组合划分为不同的聚类区域；
所述计算单元，用于：根据实时负荷和硫分所属的区间，得到所述区间下的循环泵组合，选择出现频次大于其频次均值的循环泵组合，作为局部最优解；在所述分布图中，计算所述实时负荷和硫分对应的循环泵组合的点到所述不同的聚类区域的距离，选择距离最小的聚类区域的循环泵组合作为全局最优解；
所述判断单元，用于：当所述全局最优解包含在所述局部最优解中，则选择所述全局最优解的循环泵组合；否则，判断节能最优解的频次是否大于预设频次，如果是，则选择节能最优解的循环泵组合；否则，判断节能次优解的频次是否大于预设频次，以此类推，直至遍历所有节能解；如果所述节能解均不满足条件，则选择所述局部最优解中出现频次最高的循环泵组合；
其中，所述节能解表示所述局部最优解中循环泵组合的功率小于全局最优解的循环泵组合功率的解集，所述节能最优解为循环泵组合功率最小的节能解。
第三方面，本申请实施例还提供了一种实现循环泵选择的设备，所述设备包括存储器和处理器：
所述存储器用于存储相关的程序代码；
所述处理器用于调用所述程序代码，执行上述第一方面任意一种实施方式所述的实现循环泵选择的方法。
第四方面，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行上述第一方面任意一种实施方式所述的实现循环泵选择的方法。
在本申请实施例的上述实现方式中，搜集循环泵组合的历史选择数据，统计在不同区间的负荷和硫分下的循环泵组合及其出现频次，得到不同负荷和硫分下的循环泵组合分布图；利用K均值聚类算法，将分布图中的各个循环泵组合划分为不同的聚类区域；根据实时负荷和硫分所属的区间，得到该区间下的循环泵组合，选择出现频次大于其频次均值的循环泵组合，作为局部最优解；在循环泵组合的分布图中，计算实时负荷和硫分对应的循环泵组合的点到不同的聚类区域的距离，选择距离最小的聚类区域的循环泵组合作为全局最优解；当全局最优解包含在局部最优解中，则选择全局最优解的循环泵组合；否则，判断节能最优解的频次是否大于预设频次，如果是，则选择节能最优解的循环泵组合；否则，判断节能次优解的频次是否大于预设频次，以此类推，直至遍历所有节能解；如果节能解均不满足条件，则选择局部最优解中出现频次最高的循环泵组合；其中，节能解表示局部最优解中循环泵组合的功率小于全局最优解的循环泵组合功率的解集，所述节能最优解为循环泵组合功率最小的节能解。通过统计分析和机器学习算法，可以根据实时负荷和硫分，自动选择对应的循环泵组合。另外，利用相关系数和集成学习算法对特征数据建模，可以更准确地确定切泵时刻，提高选择循环泵的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本申请实施例中一种实现循环泵选择的方法流程图；
图2为本申请实施例中一种划分聚类区域的方法流程图；
图3为本申请实施例中一种确定切泵时刻的方法流程图；
图4为本申请实施例中一种准确选择循环泵的原理流程图；
图5为本申请实施例中一种实现循环泵选择的装置示意图；
图6为本申请实施例中一种实现循环泵选择的设备示意图。
具体实施方式
现有的燃煤电厂普遍根据人工经验，通过对当前工况的判断，控制循环泵的切换，以实现烟气中二氧化硫SO2排放的稳定，但是单纯依靠人工经验，会因为人员能力不同、主观判断等差异导致系统整体控制性能不佳，影响烟气排放的稳定性。
基于此，本申请实施例提供了一种实现循环泵选择的方法，通过统计分析、聚类算法以及集成学习算法等，提高选择循环泵的准确性。具体实现时，首先搜集循环泵组合的历史选择数据，统计在不同区间的负荷和硫分下的循环泵组合及其出现频次，得到不同负荷和硫分下的循环泵组合分布图；然后利用K均值聚类算法，将分布图中的各个循环泵组合划分为不同的聚类区域；根据实时负荷和硫分所属的区间，得到该区间下的循环泵组合，选择出现频次大于其频次均值的循环泵组合，作为局部最优解；在循环泵组合的分布图中，计算实时负荷和硫分对应的循环泵组合的点到不同的聚类区域的距离，选择距离最小的聚类区域的循环泵组合作为全局最优解；当全局最优解包含在局部最优解中，则选择全局最优解的循环泵组合；否则，判断节能最优解的频次是否大于预设频次，如果是，则选择节能最优解的循环泵组合；否则，判断节能次优解的频次是否大于预设频次，以此类推，直至遍历所有节能解；如果节能解均不满足条件，则选择局部最优解中出现频次最高的循环泵组合；其中，节能解表示局部最优解中循环泵组合的功率小于全局最优解的循环泵组合功率的解集，所述节能最优解为循环泵组合功率最小的节能解。通过统计分析和机器学习算法，可以根据实时负荷和硫分，自动选择对应的循环泵组合。另外，利用相关系数和集成学习算法对特征数据建模，可以更准确地确定切泵时刻，提高选择循环泵的准确性。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述，所描述的实施例仅为本申请示例性的实施方式，并非全部实现方式。本领域技术人员可以结合本申请的实施例，在不进行创造性劳动的情况下，获得其他的实施例，而这些实施例也在本申请的保护范围之内。
参见图1，该图为本申请实施例提供的一种实现循环泵选择的方法流程图。
该方法具体包括以下步骤：
S101：搜集循环泵组合的历史选择数据，统计在不同区间的负荷和硫分下的循环泵组合及其出现频次，得到不同负荷和硫分下的循环泵组合分布图；
由于燃煤锅炉的负荷以及与浆液发生反应之前的硫分具有较大的变化特性，为保证烟气排放系统出口处的二氧化硫SO2的稳定性，需要选择不同的循环泵，调节浆液与二氧化硫的反应效果。
首先搜集循环泵组合的历史选择数据，统计在不同的负荷和硫分下，出现的循环泵组合以及各种循环泵组合出现的频次。由于不同的负荷和硫分，对应不同的循环泵组合，所以可以构建不同工况下的循环泵组合的分布图，工况即表示负荷和硫分。以横坐标表示负荷，纵坐标表示硫分，构建循环泵组合的分布图。当然，也可以以横坐标表示硫分，纵坐标表示负荷。本申请实施例不限定循环泵组合的分布图的具体形式，一种可能的实现方式为，以横坐标表示负荷，纵坐标表示硫分，构建不同工况下的循环泵组合的分布散点图。
S102：利用K均值聚类算法，将分布图中的循环泵组合划分为不同的聚类区域；
得到循环泵组合的分布图之后，利用K均值聚类算法，将循环泵组合划分为不同的聚类区域，每个聚类区域代表一种循环泵组合。
参见图2，该图为本申请实施例提供的一种划分聚类区域的方法流程图。该方法主要包括以下步骤：
S1021：随机选取n个种类的循环泵组合作为初始的聚类中心，或者基于先验知识人工指定n个初始聚类中心；n为所有的循环泵组合的种类个数；
在选取初始聚类中心时，可以随机选取n个聚类中心，也可以根据人工经验或者先验知识，指定n个初始聚类中心。
S1022：计算待分类的循环泵组合与各个聚类中心之间的距离，并将循环泵组合划分给距离其最近的聚类中心；
这样围绕该聚类中心的所有循环泵组合就代表一个聚类区域；
S1023：待所有循环泵组合都完成分配之后，重新计算每个聚类区域的聚类中心；
每个聚类区域的聚类中心会根据该聚类区域中现有的循环泵组合被重新计算，计算方式为将所有循环泵组合的横纵坐标求平均值，横纵坐标的平均值对应的循环泵组合即为新的聚类中心；
S1024：根据新的聚类中心，重新将循环泵组合划分给距离其最近的聚类中心，得到新的聚类区域；
S1025：聚类过程将不断重复直到至少满足其中一个终止条件：
(1)聚类过程中没有循环泵组合被重新分配到不同的聚类区域；
(2)各个聚类区域的聚类中心不再发生变化；
(3)所有循环泵组合的误差平方和最小；
K均值聚类算法中误差函数的计算公式为：
Figure BDA0003233491070000071
在该公式中，i表示不同的聚类区域，n表示循环泵组合的种类个数，即聚类区域的个数，x表示分布散点图中循环泵组合对应的点，
Figure BDA0003233491070000072
表示簇Ci的平均值，簇Ci即表示第i个聚类区域，
Figure BDA0003233491070000073
表示第i个聚类区域中循环泵组合对应的横纵坐标的平均值。
根据K均值聚类算法，将所有的循环泵组合划分为不同的聚类区域，并且每个聚类区域包含各自的聚类中心。
S103：根据实时负荷和硫分所属的区间，得到该区间下的循环泵组合，选择出现频次大于其频次均值的循环泵组合，作为局部最优解；
基于统计分析和K均值聚类算法，对负荷和硫分的历史数据建立模型之后，根据实时的负荷和硫分，选择合适的循环泵。
由于统计过不同的负荷和硫分下出现过的所有循环泵组合，以及循环泵组合出现的频次，因此根据实时负荷和硫分，能够找到该负荷和硫分下出现的所有可能的循环泵组合，以及各种循环泵组合出现的频次。根据步骤S101统计的所有循环泵组合出现的频次，计算该负荷和硫分下对应的循环泵组合在所有工况下出现频次的均值，选择该负荷和硫分下对应的循环泵组合出现频次大于频次均值的循环泵组合，作为局部最优解。需要说明的是，该局部最优解中可能不止有一个解，即不止有一种循环泵组合。
S104：在循环泵组合的分布图中，计算实时负荷和硫分对应的循环泵组合的点到不同的聚类区域的距离，选择距离最小的聚类区域的循环泵组合作为全局最优解；
基于循环泵组合的分布图，能够找到该负荷和硫分下对应的循环泵组合，然后计算该循环泵组合的点到不同的聚类区域的距离，选择距离最小的聚类区域对应的循环泵组合作为全局最优解，该全局最优解中只包含一种循环泵组合。
S105：当全局最优解包含在局部最优解中，则选择全局最优解的循环泵组合；否则，判断节能最优解的频次是否大于预设频次，如果是，则选择节能最优解的循环泵组合；否则，判断节能次优解的频次是否大于预设频次，以此类推，直至遍历所有节能解；
其中，节能解表示局部最优解中功率小于全局最优解的解集，节能最优解为功率最小的节能解；
S106：如果节能解均不满足条件，则选择局部最优解中出现频次最高的循环泵组合。
判断全局最优解是否包含在局部最优解中，如果全局最优解包含在局部最优解中，则选择全局最优解作为最终解，即选择全局最优解对应的循环泵组合。如果全局最优解不包含在局部最优解中，首先在局部最优解中，找到循环泵组合的功率小于全局最优解对应的循环泵组合的功率，将满足条件的所有循环泵组合作为节能解，然后判断节能最优解出现的频次是否大于预设频次，即节能解中功率最小的循环泵组合出现的频次是否大于预设频次，如果大于预设频次，则选择节能最优解对应的循环泵组合；如果小于或者等于预设频次，则判断节能次优解对应的循环泵组合出现的频次是否大于预设频次，该节能次优解即表示对应的循环泵组合功率仅大于节能最优解对应的循环泵组合功率，如果节能次优解对应的循环泵组合出现的频次大于预设频次，则选择节能次优解对应的循环泵组合，否则，继续选择节能解中按功率从小到大排序，排名第三的循环泵组合，比较该循环泵组合出现的频次是否大于预设频次，以此类推，直至遍历所有节能解。如果节能解中所有的循环泵组合出现的频次均小于或者等于预设频次，则最后选择局部最优解中出现频次最高的循环泵组合。
需要说明的是，本申请实施例并不限定预设频次的设置方式，可以根据实际应用场景以及人工经验确定，例如，一种可能的实现方式，设置预设频次为局部最优解中循环泵组合出现频次最高的50％。
在步骤S103中，需要基于循环泵组合的分布图，计算实时负荷和硫分对应的循环泵组合的点到所有聚类区域的距离，并选择距离最小的聚类区域的循环泵组合作为全局最优解。
计算实时负荷和硫分对应的循环泵组合的点到不同的聚类区域的距离时，一种可能的实现方式为，当基于K均值聚类算法将不同的循环泵组合划分为不同发聚类区域之后，通过限制工况区间等方式，挑选出更有效的循环泵组合，利用线性回归算法拟合出不同聚类区域的有效点集(循环泵组合)的趋势线，该趋势线贯穿聚类区域的聚类中心。线性回归中一般利用最小二乘法进行拟合，得到聚类区域的趋势线。
在循环泵组合的分布图中，实时负荷和硫分会对应一种循环泵组合，计算该循环泵组合的点到所有趋势线的距离，选择距离最小的趋势线所属的聚类区域的循环泵组合，作为全局最优解。
由于最小二乘法拟合得到的各个趋势线的斜率不同，可能导致趋势线的交叉区域比较多，另一种优选的实现方式为，拟合得到聚类区域的趋势线之后，计算所有趋势线的斜率平均值，得到所有穿过聚类区域的聚类中心的中心线，其中，中心线的斜率为所有趋势线的斜率平均值。计算实时负荷和硫分在分布图中对应的循环泵组合的点到各个中心线的距离，选择距离最小的中心线对应的聚类区域的循环泵组合，作为全局最优解。
当搜集负荷和硫分的历史数据时，由于影响硫分与浆液发生反应的还包括其他因素，例如，浆液流量、浆液密度、浆液pH值、出口SO2浓度、供浆调阀开度、烟气排放连续监测系统(Continuous Emission Monitoring System，CEMS)的吹扫状态、设备校正状态、设备故障状态和循环泵异常状态等，所以还可以搜集这些影响因素的数据，对上述数据进行筛选，可以更准确地建立模型。对上述影响硫分发生反应的数据进行筛选时，主要包括以下几种情况：
(1)当上述数据包括浆液流量、浆液密度、浆液pH值和供浆调阀开度中的至少一种时，对数据进行概率密度分布统计，筛选在指定区间分布的数据。去除数据分布的边界值，由于边界值表示出现的概率比较低，甚至为异常情况下的数据，去除边界值可以减少数据异常波动带来的影响。
(2)当上述数据包括出口SO2浓度时，筛选符合预设浓度的出口SO2浓度的数据，并删除不满足预设浓度的出口SO2浓度对应的循环泵。
实际应用场景中，会预先设置满足要求的出口SO2的浓度范围，因此需要选择合适的循环泵，控制硫分与浆液的反应。当搜集得到出口SO2浓度的历史数据之后，筛选出符合预设浓度的出口SO2浓度的数据，对于不满足预设浓度的出口SO2浓度的数据，删除其所对应的循环泵，即所对应的循环泵控制硫分与浆液的反应，导致出口SO2浓度不满足要求。
(3)当上述数据包括CEMS吹扫状态、设备校正状态、设备故障状态和循环泵异常状态中的至少一种时，设置数据的异常状态标识位，过滤异常状态下的所述数据。
烟气排放连续监测系统CEMS对烟气进行监测时，需要对监测探头的外表面和内部进行吹扫，减少颗粒物附着，以防堵塞探头。当CEMS的吹扫状态出现异常时，监测探头发生堵塞不能对烟气进行监测。
对上述数据进行筛选之后，然后统计不同的负荷和硫分下对应的循环泵的类别和出现的频次。本申请实施例不限定对数据进行统计分析建模的具体方式，在本实施例中以表格的形式对数据进行统计分析。
参见表1，表1展示了不同的负荷和硫分下对应的循环泵类别和出现的频次。
表1不同工况下的循环泵组合
Figure BDA0003233491070000111
表格的行和列分别表示负荷和硫分，为了方便统计分析，可以将负荷和硫分以固定间距分割为不同的区间，间距可以根据电厂的实际运行经验获得，设置间距的大小不影响本申请实施例的实现。
表格中的每个单元格代表了不同的负荷和硫分对应的区间出现的循环泵组合和对应频次。循环泵的规格有三种，用字母L、M、H分别代表力度为小、中、大三种规格的循环泵，例如，在负荷为[240，280)、硫分为[1800，2200)对应的单元格中，记录为(2_LL，3521)、(2_LM，1676)，表示出现的循环泵组合为两个小力度的循环泵，出现频次为3521，以及循环泵组合为一个小力度和一个中等力度的循环泵，出现频次为1676。
为了方便展示，仅在表格中展示出现频次较多的两种循环泵组合，实际搜集数据时，统计了所有出现的循环泵组合和对应频次。
根据实时负荷和硫分，找到该负荷和硫分所在的区间出现的所有可能的循环泵组合，以及各种循环泵组合出现的频次。首先计算每一种循环泵组合在所有工况下出现频次的均值，在所有的循环泵组合中，选择出现频次大于频次均值的循环泵组合，作为局部最优解。需要说明的是，该局部最优解中可能不止有一个解，即不止有一种循环泵组合。
基于第一个实施例提供的实现循环泵选择的方法，可以根据实时负荷和硫分，选择合适的循环泵组合。但是，如果负荷或者硫分跨越区间边界之后就进行切泵，而不对出口SO2浓度等关联数据进行分析判断，容易引发出口SO2浓度大幅度波动，不符合排放要求，也会导致切泵回退操作。所以，在选择合适的循环泵组合之后，还可以对切泵时刻进行分析。
首先搜集切泵时刻的历史数据，分析对切泵时刻产生影响的数据，保证对切泵时刻建模的准确性。对切泵时刻产生影响的数据包括：入口SO2、负荷和出口SO2，在对切泵时刻进行分析时，需要获得出口SO2均值和瞬间值、负荷均值和变化率、入口SO2均值和变化率，作为影响切泵时刻的特征数据。下面将结合图3介绍对切泵时刻进行建模分析的方法。
参见图3，该图为本申请实施例提供的一种确定切泵时刻的方法流程图。
该方法具体包括如下步骤：
S301：截取切泵前特定时间窗口的数据，计算数据的均值和变化率，作为特征数据；
计算得到数据的均值和变化率作为特征数据，包括：出口SO2均值和瞬间值、负荷均值和变化率、入口SO2均值和变化率。时间窗口的长度可以根据切泵时刻的历史数据以及建模过程中调整所得，例如，截取切泵前十分钟内的数据。
S302：利用皮尔逊相关系数分析法，计算特征数据与切泵时刻的相关系数，选择满足相关系数大于预设值的特征数据；
以变量X、Y为例，定义两个变量的皮尔逊相关系数为两个变量之间的协方差和标准差的比值，计算公式为：ρ(X,Y)＝cov(X,Y)/σxσy，其中，cov(X,Y)＝E[(X-μx)(Y-μy)]，式中cov(X,Y)为X、Y的协方差，E表示数学期望，σx、σy为X、Y的标准差，μx、μy为X、Y的均值。
在本实施例中，X表示影响切泵时刻的特征数据，包括：出口SO2均值和瞬间值、负荷均值和变化率、入口SO2均值和变化率，Y表示切泵动作的发生标志，例如，Y＝1代表切泵动作发生。计算所有的特征数据与切泵时刻的相关系数，选择满足相关系数大于预设值的特征数据集。
本申请实施例并不限定确定预设值的具体方式，可以根据经验或者建模效果确定。在本实施例中，一种可能的实现方式，设置预设值为0.7，即计算所有的特征数据与切泵时刻的相关系数，选择满足ρ>0.7的特征数据。
S303：以特征数据作为输入数据，应用集成学习算法对特征数据建立模型，根据模型得到特征数据对应的切泵时刻。
在本实施例中，利用集成学习XGBoost算法对特征数据进行建模，该算法主要包括以下步骤：
(1)每轮特征数据训练都新增一棵分类与回归树(Classification andRegression Trees,CART)模型；每棵CART决策树模型都以降低目标值与之前所有树预测值之和的误差为目标；
在该模型中，预测值代表了切泵时刻的切泵动作，当预测值满足预设条件之后，表明在该切泵时刻执行切泵动作。训练过程中不断地通过特征分裂来构建一棵树，每次添加一个树，即学习一个新的样本函数f(x)，去拟合上次预测的残差。这里的样本为特征数据，残差为预测值与实际值之差。
(2)根据输入样本的特征，在每棵树寻找相应的叶子节点，每个叶子节点对应一个分数；
(3)最终将所有树的预测分数累加起来作为该样本的最终预测值，
当样本的预测值满足预设条件之后，表明在该样本数据下进行切泵。
本实施例提供的确定切泵时刻的方法，利用XGBoost集成学习算法，对影响切泵时刻的特征数据建立决策树模型，可以更准确地确定切泵时刻。
参见图4，该图为本申请实施例提供的一种准确选择循环泵的原理流程图。
步骤S401表示采集影响硫分与浆液发生反应的原始数据，S402表示对数据进行筛选，得到符合条件的负荷和硫分。步骤S403对应统计分析方法，对不同负荷和硫分下的循环泵组合进行统计，根据实时负荷和硫分得到局部最优的循环泵组合，步骤S404对应基于机器学习算法，对循环泵组合进行聚类分析，根据实时负荷和硫分得到全局最优的循环泵组合。然后根据步骤S405，结合两种算法分析，得到最终的循环泵组合。步骤S406为利用集成学习算法，确定合适的切泵时刻。
此外，本申请实施例提供了一种实现循环泵选择的装置，该装置的结构示意图参见图5，该装置500包括统计单元501、处理单元502、计算单元503以及判断单元504：
统计单元501，用于：搜集循环泵组合的历史选择数据，统计在不同区间的负荷和硫分下的循环泵组合及其出现频次，得到不同负荷和硫分下的循环泵组合分布图；
处理单元502，用于：利用K均值聚类算法，将分布图中的各个循环泵组合划分为不同的聚类区域；
计算单元503，用于：根据实时负荷和硫分所属的区间，得到该区间下的循环泵组合，选择出现频次大于其频次均值的循环泵组合，作为局部最优解；在分布图中，计算实时负荷和硫分对应的循环泵组合的点到不同的聚类区域的距离，选择距离最小的聚类区域的循环泵组合作为全局最优解；
判断单元504，用于：当全局最优解包含在局部最优解中，则选择全局最优解的循环泵组合；否则，判断节能最优解的频次是否大于预设频次，如果是，则选择节能最优解的循环泵组合；否则，判断节能次优解的频次是否大于预设频次，以此类推，直至遍历所有节能解；如果节能解均不满足条件，则选择局部最优解中出现频次最高的循环泵组合；
其中，节能解表示局部最优解中循环泵组合的功率小于全局最优解的循环泵组合功率的解集，节能最优解为循环泵组合功率最小的节能解。
本申请实施例还提供了一种实现循环泵选择的设备，该设备的结构示意图参见图6，该设备600包括存储器601和处理器602：
存储器601，用于存储相关的程序代码；
处理器602，用于调用存储的程序代码，执行上述方法实施例中所述的实现循环泵选择的方法。
另外，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行上述方法实施例中所述的实现循环泵选择的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述仅是本申请示例性的实施例，并非对本申请做任何形式上的限制。对以上实施例所做的等同变化或修改，均属于本申请的保护范围。

Claims (13)

1.一种实现循环泵选择的方法，其特征在于，所述方法包括：
搜集循环泵组合的历史选择数据，统计在不同区间的负荷和硫分下的循环泵组合及其出现频次，得到不同负荷和硫分下的循环泵组合分布图；利用K均值聚类算法，将所述分布图中的各个循环泵组合划分为不同的聚类区域；
根据实时负荷和硫分所属的区间，得到所述区间下的循环泵组合，选择出现频次大于其频次均值的循环泵组合，作为局部最优解；在所述分布图中，计算所述实时负荷和硫分对应的循环泵组合的点到所述不同的聚类区域的距离，选择距离最小的聚类区域的循环泵组合作为全局最优解；
当所述全局最优解包含在所述局部最优解中，则选择所述全局最优解的循环泵组合；否则，判断节能最优解的频次是否大于预设频次，如果是，则选择节能最优解的循环泵组合；否则，判断节能次优解的频次是否大于预设频次，以此类推，直至遍历所有节能解；如果所述节能解均不满足条件，则选择所述局部最优解中出现频次最高的循环泵组合；
其中，所述节能解表示所述局部最优解中循环泵组合的功率小于所述全局最优解的循环泵组合功率的解集，所述节能最优解为循环泵组合功率最小的节能解。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
以特征数据作为输入数据，应用集成学习算法对所述特征数据建立模型，根据所述模型得到所述特征数据对应的切泵时刻；所述特征数据包括出口二氧化硫SO2均值、出口SO2瞬间值、负荷均值、负荷变化率、入口SO2均值和入口SO2变化率中的至少一种。
3.根据权利要求2所述的方法，其特征在于，所述应用集成学习算法对所述特征数据建立模型还包括：
计算所述特征数据和所述切泵时刻的相关系数，选择所述相关系数大于预设值的特征数据，将所述特征数据作为输入数据。
4.根据权利要求1所述的方法，其特征在于，计算所述实时负荷和硫分对应的循环泵组合的点到所述不同的聚类区域的距离包括：
应用线性回归算法拟合得到所述不同的聚类区域的趋势线，计算所述实时负荷和硫分对应的循环泵组合的点到所述不同的趋势线的距离。
5.根据权利要求4所述的方法，其特征在于，计算所述实时负荷和硫分对应的循环泵组合的点到所述不同的趋势线的距离还包括：
计算所述不同的趋势线的斜率平均值，得到穿过所述不同聚类区域的聚类中心的中心线，计算所述实时负荷和硫分对应的循环泵组合的点到所述中心线的距离；所述中心线的斜率为所述不同的趋势线的斜率平均值。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
搜集浆液流量、浆液密度、浆液pH值和供浆调阀开度中的至少一种数据，对所述数据进行概率密度分布统计，截取在指定区间分布的所述数据。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
搜集出口SO2浓度的历史数据，筛选符合预设浓度的出口SO2浓度的数据，并删除不满足预设浓度的出口SO2浓度对应的循环泵组合。
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
搜集烟气排放连续监测系统(Continuous Emission Monitoring System，CEMS)的吹扫状态、设备校正状态、设备故障状态和循环泵异常状态中的至少一种数据，设置所述数据的异常状态标识位，过滤异常状态下的所述数据。
9.根据权利要求1所述的方法，其特征在于，所述统计在不同区间的负荷和硫分下的循环泵组合及其出现频次，包括：
将所述负荷按等间距划分为不同区间、将所述硫分按等间距划分为不同区间，统计在不同区间的负荷和硫分下的循环泵组合及其出现频次。
10.根据权利要求1所述的方法，其特征在于，所述预设频次包括：
所述局部最优解中循环泵组合的最大频次的50％。
11.一种实现循环泵选择的装置，其特征在于，所述装置包括统计单元、处理单元、计算单元以及判断单元：
所述统计单元，用于：搜集循环泵组合的历史选择数据，统计在不同区间的负荷和硫分下的循环泵组合及其出现频次，得到不同负荷和硫分下的循环泵组合分布图；
所述处理单元，用于：利用K均值聚类算法，将所述分布图中的各个循环泵组合划分为不同的聚类区域；
所述计算单元，用于：根据实时负荷和硫分所属的区间，得到所述区间下的循环泵组合，选择出现频次大于其频次均值的循环泵组合，作为局部最优解；在所述分布图中，计算所述实时负荷和硫分对应的循环泵组合的点到所述不同的聚类区域的距离，选择距离最小的聚类区域的循环泵组合作为全局最优解；
所述判断单元，用于：当所述全局最优解包含在所述局部最优解中，则选择所述全局最优解的循环泵组合；否则，判断节能最优解的频次是否大于预设频次，如果是，则选择节能最优解的循环泵组合；否则，判断节能次优解的频次是否大于预设频次，以此类推，直至遍历所有节能解；如果所述节能解均不满足条件，则选择所述局部最优解中出现频次最高的循环泵组合；
其中，所述节能解表示所述局部最优解中循环泵组合的功率小于所述全局最优解的循环泵组合功率的解集，所述节能最优解为循环泵组合功率最小的节能解。
12.一种实现循环泵选择的设备，其特征在于，所述设备包括存储器和处理器：
所述存储器用于存储相关的程序代码；
所述处理器用于调用所述程序代码，执行权利要求1至10任一项所述的方法。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行权利要求1至10任一项所述的方法。
CN202110994852.7A 2021-08-27 2021-08-27 一种实现循环泵选择的方法、装置及设备 Active CN113669249B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110994852.7A CN113669249B (zh) 2021-08-27 2021-08-27 一种实现循环泵选择的方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110994852.7A CN113669249B (zh) 2021-08-27 2021-08-27 一种实现循环泵选择的方法、装置及设备

Publications (2)

Publication Number Publication Date
CN113669249A true CN113669249A (zh) 2021-11-19
CN113669249B CN113669249B (zh) 2023-09-12

Family

ID=78546933

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110994852.7A Active CN113669249B (zh) 2021-08-27 2021-08-27 一种实现循环泵选择的方法、装置及设备

Country Status (1)

Country Link
CN (1) CN113669249B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115234480A (zh) * 2022-09-23 2022-10-25 蘑菇物联技术（深圳）有限公司 空压站的控制的方法、计算设备和计算机可读存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6339613A (ja) * 1986-08-05 1988-02-20 Babcock Hitachi Kk 湿式排煙脱硫装置の吸収液循環流量制御装置
GB201217366D0 (en) * 2011-10-14 2012-11-14 Precision Energy Services Inc Clustering process for analyzing pressure gradient data
CN109034260A (zh) * 2018-08-07 2018-12-18 东南大学 基于统计原理和智能寻优的脱硫塔氧化风机故障诊断系统及方法
WO2019216975A1 (en) * 2018-05-07 2019-11-14 Strong Force Iot Portfolio 2016, Llc Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things
CN111111418A (zh) * 2019-12-16 2020-05-08 福建龙净环保股份有限公司 一种节能型湿法烟气硫尘一体化超低排放工艺
CN111275335A (zh) * 2020-01-20 2020-06-12 华电莱州发电有限公司 一种基于数据驱动的浆液循环泵寻优方法及系统
CN113094988A (zh) * 2021-04-06 2021-07-09 山东建筑大学 一种基于数据驱动的浆液循环泵运行优化方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6339613A (ja) * 1986-08-05 1988-02-20 Babcock Hitachi Kk 湿式排煙脱硫装置の吸収液循環流量制御装置
GB201217366D0 (en) * 2011-10-14 2012-11-14 Precision Energy Services Inc Clustering process for analyzing pressure gradient data
WO2019216975A1 (en) * 2018-05-07 2019-11-14 Strong Force Iot Portfolio 2016, Llc Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things
CN109034260A (zh) * 2018-08-07 2018-12-18 东南大学 基于统计原理和智能寻优的脱硫塔氧化风机故障诊断系统及方法
CN111111418A (zh) * 2019-12-16 2020-05-08 福建龙净环保股份有限公司 一种节能型湿法烟气硫尘一体化超低排放工艺
CN111275335A (zh) * 2020-01-20 2020-06-12 华电莱州发电有限公司 一种基于数据驱动的浆液循环泵寻优方法及系统
CN113094988A (zh) * 2021-04-06 2021-07-09 山东建筑大学 一种基于数据驱动的浆液循环泵运行优化方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ZONGLIANG QIAO;XINGCHAO WANG;HUI GUC;YOUFEI TANGA;FENGQI SI;CARLOS E. ROMERO;XUEZHONG YAO;: "An investigation on data mining and operating optimization for wet flue gas desulfurization systems" *
丁伟;: "基于数据聚类的机组优化运行目标值研究" *
徐遵义; 刘文慧; 张旭冉; 张海燕;: "基于数据驱动的浆液循环泵运行优化研究" *
邵壮;: "基于深度强化学习的火电厂运行优化" *
陈婷;司风琪;顾慧;解冠宇;: "一种基于改进KFCM算法的火电厂煤耗特性模型的建立方法" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115234480A (zh) * 2022-09-23 2022-10-25 蘑菇物联技术（深圳）有限公司 空压站的控制的方法、计算设备和计算机可读存储介质
CN115234480B (zh) * 2022-09-23 2022-12-27 蘑菇物联技术（深圳）有限公司 空压站的控制的方法、计算设备和计算机可读存储介质

Also Published As

Publication number Publication date
CN113669249B (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
CN108762228B (zh) 一种基于分布式pca的多工况故障监测方法
CN108462717A (zh) 基于规则匹配命中率和分布方差的防火墙规则集优化方法
CN112433919A (zh) 一种信息告警方法、设备及存储介质
CN110348488B (zh) 一种基于局部密度峰值聚类的模态辨识方法
CN111860701B (zh) 一种基于聚类方法的脱硝系统工况判别预处理方法
CN112465239B (zh) 基于改进pso-fcm算法的脱硫系统运行优化方法
CN113669249A (zh) 一种实现循环泵选择的方法、装置及设备
CN109117350A (zh) 自动监控计算机软硬件的告警方法、装置及服务器
CN111651220A (zh) 一种基于深度强化学习的Spark参数自动优化方法及系统
CN104679590A (zh) 分布式计算系统中的Map优化方法及装置
CN111882006A (zh) 一种基于pca和相关函数的脱硫系统数据预处理方法
CN108763584B (zh) 一种风功率曲线散点过滤的方法及其系统
CN108123436B (zh) 基于主成分分析和多元回归算法的电压越限预测模型
CN112580838B (zh) 环保设备运维的管理方法、系统、计算机存储介质及终端
CN114138025A (zh) 控制脱硫浆液阀门开度的方法、装置及相关设备
CN114647929A (zh) 一种用于脱硫运行so2数据预判功能的方法
WO2021082939A1 (zh) 一种虚拟机调优的方法及装置
CN114781847A (zh) 基于topsis的制丝综合质量评测方法
CN114189904A (zh) 一种lte载频资源调度方法及装置
CN112131069A (zh) 基于聚类的设备运行监测方法及系统
CN111125078A (zh) 一种继电保护装置缺陷数据修正方法
CN112257948A (zh) 润叶加料出口含水率预测方法、装置以及设备
CN111563543A (zh) 一种风电机组的风速-发电功率数据的清洗方法及装置
CN112015620A (zh) 一种自动调优网站服务端系统参数的方法
CN107862439B (zh) 确定煤液化装置平稳度的方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant