基于时间序列分析的火电机组运行优化研究

朱龙霞，肖明美，栗 涛，许云峰，马 瑞，刘 滨

(1.河北科技大学信息科学与工程学院，河北石家庄 050018;2.中国核电工程有限公司河北分公司，河北石家庄 050000；3.河北科技大学经济管理学院，河北石家庄 050018)

基于时间序列分析的火电机组运行优化研究

朱龙霞1，肖明美1，栗 涛2，许云峰1，马 瑞1，刘 滨3

(1.河北科技大学信息科学与工程学院，河北石家庄 050018;2.中国核电工程有限公司河北分公司，河北石家庄 050000；3.河北科技大学经济管理学院，河北石家庄 050018)

为了预测火电机组在变工况状态下的运行最优值，提高燃煤电厂的燃煤效率，依据燃煤火电厂3个月的各项数据，通过分析并挖掘燃煤火电厂与供电煤率密切相关的可调控参数(主蒸汽温度、主蒸汽压力)随时间的变化关系，利用Holt-Winters时间序列法进行预测。经过计算发现，通过Holt-Winters方法得到的主蒸汽温度和主蒸汽压力的相对误差值分别为0.28%和2.13%。实验结果表明：Holt-Winters时间序列法对预测燃煤火电厂火电机组在变工况下的运行数据是合理的，且其误差小，对燃煤火电厂提高火电机组的燃煤效率具有一定的指导意义。

煤炭能；Holt-Winters；燃煤火电厂；数据挖掘；数据分析；预测

火力发电厂在中国电力工业中占据十分重要的地位，发电量可以达到总发电量的80%，而在重视节能减排的当今时代，火电厂的煤炭消费仍然达到了中国煤炭总数的50%以上。燃煤火电厂是依靠汽水系统、燃烧系统、电气系统和控制系统的共同作用而使燃料中的化学能量以电能的方式传输出去的。按照能量守恒原理，各个系统的能量变化都会波及到下一系统，并由于负荷、供电质量、经济性等要求，控制系统又会使这些波动反过来影响能量源——燃烧系统[1]。目前，中国通过改善燃煤方式[2-3]和锅炉改造等方式提高发电效率，但这主要集中于性能优化，而对供电电压和电网电压不平衡所造成的燃煤虚耗过多、电力浪费等问题没有过多考虑。因此，本文从提高火电机组运行效率的角度，寻找当前机组在运行工况条件下所能达到的最佳参数，从而为运行人员提供机组在特定负荷及外部条件下的最优运行方式和参数控制。

目前确定机组运行优化目标值的研究方法可分为3种：1)制造厂所提供的标准值；2)以火电机组经济性为目标函数，采用机组变工况理论优化计算得到；3)机组变工况下，以实时运行过程中的动态优化确定[4-6]。国内大多采用前两种方式，然而随着机组运行时间的延长和机组工作状态的动态变化，并不能反映机组实际运行状态下的最优化。

许多学者从事机组运行优化目标值的研究，根据现代优化计算方法，如关联规则算法[7]、神经网络算法[8-10]、遗传算法[11]、时间序列法[12-13]、目标函数计算法[4-5]等建立相关模型，从而获得该机组运行优化的最优值。燃煤火电厂的任务之一是为电网用户提供足够的满足质量要求的热负荷，由于各种原因，电网用户所需的热负荷是随时变化的，当热电厂提供的热负荷与电网用户的需求量相平衡时最经济，否则，会造成浪费，或使电网用户生产难以正常运行。本文利用燃煤火电厂数据的时间序列性，对数以千计的燃煤火电厂某机组的实际运行数据进行分析，为运行机组人员提供在各种扰动下的最优运行参数控制，从而提高燃煤电厂的发电效率。

1 关键技术描述

火电厂运行设备之间紧密联系，各设备运行状态的波动互相关联，这种动态波动的关联情况通过与设备状态相关的运行数据明显地显现出来[14]。电厂数据具有种类多、数量大、高维和强耦合的特点，且其在多个子系统的工作过程中，是随时间的变化而变化的。本文采用socket通信方式并以2 h为一个时间间隔，连续从分散控制系统(DCS)下载了3个月实时数据并进行分析。通过对电厂数据进行合法性检查，剔除冗余数据、空白数据和错误数据后，将其根据控制系统来源进行分组并在组中添加数据，最后将这些数据保存到XML(eXtensible markup language，可扩展标记语言)中。由于XML中的数据是从电厂获得的所有类型数据，故利用dom4j解析XML，将与该机组供电煤率密切相关的可调控参数，包括主蒸汽压力、主蒸汽温度、减温水量、给水温度、过量空气系数、再热减温水量等数据提取出来并构建数据仓库[15]。

时间序列，也叫时间数列、历史复数或动态数列，是将某种统计指标的数值按时间先后顺序排列所形成的数列[12,16]。对于平稳时间序列分析，指数平滑法中的Holt双参数线性指数平滑法适用于线性趋势、无季节变化的时间序列预测；Winters线性和季节性指数平滑法适用于对含有季节性因素的时间序列的预测[13,17]。Holt-Winters模型是通过对历史数据的加权平均值来跟踪数据的变化，其可分为季节加性和季节乘性。

2 时间序列模型的确立与分析

任何一个时间序列模型的建立首先都需要对时间序列数据作走势图，在对其走势进行分析的基础上，结合数据信息的先验知识来进行时间序列模型的确立。以主蒸汽温度、主蒸汽压力为例，利用Matlab对其历史数据进行了走势图的绘制，得到其时间序列的数据概貌，如图1和图2所示。

图1 主蒸汽温度随时间变化关系图Fig.1 Relation diagram of main stream temperature with datetime

图2 主蒸汽压力随时间变化关系图Fig.2 Relation diagram of vapor pressure with datetime

从图中可以看出，虽然各项数据随时间的变化而变化，且变化程度有强有弱，但总的来说都有趋势和“季节”变化特征，故可采用具有趋势和季节的时间序列模型对其进行预测。

由于无法从图中看出明显的递增或递减趋势，本文用季节性变动分析方法中的移动平均数比率法对上述几项时间序列样本进行计算

通过计算可以发现，该值在允许误差值范围内保持恒定，且两者之间呈比例性而非数值增加或减少的相互关系，从而推断出上述数据时间序列中的“季节效应”具有成倍增长或下降的表现，故采用Holt-Winters乘法预测模型对其监测指标进行预测。

基于以上研究，对该机组下的主蒸汽温度和主蒸汽压力构建Holt-Winters乘法模型进行预测，预测间隔h个时间段的主蒸汽温度和主蒸汽压力数据的预测方程为

F=St-2+h(mt+hrt) ，

式中：F表示预测值；mt表示在时间间隔t的估计平均值；St表示适合于该时间段的“季节”因子；rt表示在时间间隔t的估计趋势项，即各数值对现数据平均值的期望增加或减少量。这3个系数确立所依据的方程组为

mt=αxt/St-2+(1-a)(mt-1+rt-1) ，

St=βxt/mt+(1-β)St-2，

rt=γ(mt-mt-1)+(1-γ)rt-1，

式中：α，β，γ为Holt-Winters时间序列分析模型的平滑常数，其值在0～1之间变化；“季节”变量因子为2。该方程通过不断修正平滑值St和趋势值rt，从而使预测值更加接近真实值。

3 Holt-Winters预测值计算与回归分析模型预测精度对比分析

EViews(econometrics views)通常称为计量经济学软件包，是对社会经济关系与经济活动的数量规律，采用计量经济学方法与技术进行“观察”。其在科学数据分析与评价、金融分析、经济预测、销售预测和成本分析等领域应用非常广泛[18]。通过采用Holt-Winters乘法预测模型与回归分析模型进行预测，经过多次重复实验，其中Holt-Winters乘法模型中，主蒸汽温度权重系数α，β，γ分别为0.2，0.5，0.8，主蒸汽压力权重系数α，β，γ分别为0.9，0.1，0.05时效果达到最好；通过对3个月电厂数据的整理与组合，主蒸汽温度的回归模型为Y= 536.544 666 667 + 0.061 030 303 030 3×X，主蒸汽压力的回归模型为Y=16.060 666 666 7+0.025 757 575 757 6×X，其中Y为预测值，X为次数。其实际值与分别采用两种模型进行预测的预测值如表1所示。

表1 X日监测燃煤火电厂运行数据(实际值/预测值/使用回归分析模型预测值)

本文根据表1分别做出主蒸汽温度的实际值、预测值与回归分析模型的预测值曲线图，以及主蒸汽压力的实际值、预测值与回归分析模型的预测值曲线图，如图3和图4所示。

图3 主蒸汽温度的预测值、实际值与回归分析预测值折线图Fig.3 Line chart of main stream temperature’s predictions actual values, and predictions by regression analysis method

图4 主蒸汽压力的预测值、实际值和回归分析预测值折线图Fig.4 Line chart of vapor pressure’s predictions, actual values and predictions by regression analysis method

式中：vi表示实际值；pi表示预测值；n表示需要预测项目的数量；v′表示实际值的平均值;σ即为相对误差值。

根据上述公式，通过Holt-Winters方法得到的主蒸汽温度和主蒸汽压力的相对误差值分别为0.28%，2.13%；通过回归分析模型得到的主蒸汽温度和主蒸汽压力的相对误差值分别为0.43%，6.36%。通过选取回归分析模型与本文预测方法进行对比，以平均相对误差作为模型预测效果评价指标，结果发现本文预测方法在预测精度上明显高于回归分析模型预测方法，更适用于中短期燃煤火电厂机组数据预测。

4 结 论

1)根据一天之内某燃煤火电机组在变工况下的实际运行数据的线性关系可以看出，主蒸汽温度与主蒸汽压力在实际运行过程中有增长趋势，且Holt-Winters算法对其进行预测是合理的。

2)根据文中的误差分析可以得知，Holt-Winters算法相对于回归线性模型对预测燃煤电厂火电机组的运行数据具有更高的准确性。

3)燃煤电厂数据在3个月内呈现增长趋势，但在现实生活中燃煤电厂数据处于波动状态，所以线性回归模型只能呈现燃煤电厂数据的总体发展趋势，但对预测具体数据将存在很大误差，而Holt-Winters算法可通过调整参数减少预测数据误差。

4)Holt-Winters时间序列分析法对进一步提高燃煤电厂火电机组运行的经济性具有一定的指导意义。

/References：

[1] 裘国相, 汪思源, 王文标. 数据挖掘在火电厂运行优化目标值确定中的应用[J]. 自动化技术与应用, 2006, 25(3): 6-9. QIU Guoxiang, WANG Siyuan，WANG Wenbiao. Data mining in optimization of the targeted value for thermal power plant[J]. Techniques of Automation and Applications, 2006,25(3): 6-9.

[2] 姬中国, 郭玉泉. 在建大型火力发电厂节能分析与对策[J]. 电力建设, 2007, 28(5): 44-46. JI Zhongguo, GUO Yuquan. Analysis and countermeasures of under-constructed large thermal power plant energy saving[J]. Electric Power Construction, 2007, 28(5): 44-46.

[3] 蒋敏华, 黄斌. 燃煤发电技术发展展望[J]. 中国电机工程学报, 2012,32(29): 1-8. JIANG Minhua, HUANG Bin. Prospects on coal-fired power generation technology development[J]. Proceedings of the CSEE, 2012,32(29): 1-8.

[4] 胡洪华, 黄廷辉, 艾卫国, 等. 大型火电机组运行优化目标值的研究和确定[J]. 中国电力， 2004,37(9): 22-25. HU Honghua,HUANG Tinghui,AI Weiguo, et al. Study and determination of operation optimization target values of large size fossil-fired power unit[J]. Electric Power, 2004，37(9): 22-25.

[5] 任浩仁, 李蔚, 盛德仁, 等. 火电机组变工况下运行指标应达值的分析[J]. 中国电机工程学报, 1999,19(9): 50-52. REN Haoren, LI Wei, SHENG Deren, et al.The analyze of operation index for the power unit under different loads[J]. Proceedings of the CSEE, 1999,19(9): 50-52.

[6] 李建强, 刘吉臻, 张栾英, 等. 基于数据挖掘的电站运行优化应用研究[J]. 中国电机工程学报, 2006,26(20): 118-123. LI Jianqiang, LIU Jizhen, ZHANG Luanying, et al. The research and application of fuzzy association rule mining in power plant operation optimization[J]. Proceedings of the CSEE, 2006,26(20): 118-123.

[7] 郑西西. 基于关联规则的火电厂优化目标值确定的研究[D]. 保定:华北电力大学, 2011. ZHENG Xixi. Reaserch on the Thermal Power Plant Operation Optimization Value Determining Based on Association Rule[D]. Baoding: North China Electric Power University,2011.

[8] 程伟良, 夏国栋, 徐寿臣, 等. 基于人工神经网络和模拟进化算法的分级燃烧优化[J]. 清华大学学报(自然科学版), 2005, 45(5): 693-696. CHENG Weiliang, XIA Guodong, XU Shouchen, et al. Staged combustion oprimization based on artificial neural network and simulation evolvement algorithm[J]. Journal of Tsinghua University(Science and Technology), 2005, 45(5):693-696.

[9] 周昊, 朱洪波, 岑可法. 基于人工神经网络和遗传算法的火电厂锅炉实时燃烧优化系统[J]. 动力工程学报, 2003,23(5): 2665-2669. ZHOU Hao, ZHU Hongbo, CEN Kefa. An on-line boiler operating optimization system based on the neural network and the genetic algorithms[J]. Power Engineering,2003,23(5): 2665-2669.

[10]王子杰, 李健, 孙万云. 基于神经网络和遗传算法的锅炉燃烧优化方法[J]. 华北电力大学学报(自然科学版), 2008, 35(1): 14-17. WANG Zijie, LI Jian, SUN Wanyun. Boiler combusion optimization based on neural network and genetic algorithm[J]. Journal of North China Electric Power University(Natural Science Edition),2008,35(1):14-17.

[11]蔡杰进, 马晓茜. 基于遗传算法的火电机组运行优化[J]. 华南理工大学学报(自然科学版), 2006, 34(4): 101-105. CAI Jiejin, MA Xiaoqian. Operation oprimization of steam power unit based on genetic algorithm[J]. Joumal of South China University of Technology(Natural Science Edition), 2006,34(4): 101-105.

[12]张美英, 何杰. 时间序列预测模型研究简介[J]. 江西科学, 2009,27(5): 697-701. ZHANG Meiying, HE Jie. Overview of time series forecasting model[J]. Jiangxi Science, 2009,27(5): 697-701.

[13]吴涛, 颜辉武, 唐桂刚. 三峡库区水质数据时间序列分析预测研究[J]. 武汉大学学报(信息科学版), 2006,31(6): 500-502. WU Tao, YAN Huiwu, TANG Guigang. Prediction on time series analysis of water quality in Yangtze Gorger reservoir area[J]. Geomatics and Information Science of Wuhan University,2006,31(6): 500-502.

[14]鲍文, 于达仁, 王伟, 等. 基于关联规则的火电厂传感器故障检测[J]. 中国电机工程学报, 2003,23(12): 170-174. BAO Wen, YU Daren, WANG Wei, et al. Sensor fault detection in thermal power plants based on association rule[J]. Proceeding of the CSEE, 2003,23(12): 170-174.

[15]刘滨, 吴燕, 刘振宇. 数据仓库技术[J]. 河北工业科技, 2005,22(5): 305-307. LIU Bin, WU Yan, LIU Zhenyu. Introduction of data warehouse[J]. Hebei Journal of Industrial Science and Techno-logy,2005,22(5): 305-307.

[16]KALEKAR P S. Time series forecasting using Holt-Winters exponential smoothing[J]. Kanwal Rekhi School of Information Technology, 2004:1-13.

[17]刘罗曼. 时间序列分析中指数平滑法的应用[J]. 沈阳师范大学学报(自然科学版), 2009,27(4): 416-418. LIU Luoman. Application of exponential smoothing in time series analysis[J]. Journal of Shenyang Normal University(Natural Science Edition), 2009,27(4): 416-418.

[18]孙红果, 余星, 王竟竟. EViews在概率统计教学中应用[J]. 邵阳学院学报(自然科学版), 2013,10(3): 24-28. SUN Hongguo, YU Xing, WANG Jingjing. The application of EViews software in probability and statistics[J].Journal of Shaoyang University(Natural Science Edition), 2013,10(3): 24-28.

Research of operation optimization of thermal power unit based on time series analysis

ZHU Longxia1, XIAO Mingmei1, LI Tao2, XU Yunfeng1, MA Rui1, LIU Bin3

(1.School of Information Science and Engineering,Hebei University of Science and Technology, Shijiazhuang， Hebei 050018， China;2.Hebei Branch, China Nuclear Power Engineering Company Limited, Shijiazhuang, Hebei 050000, China;3. School of Economics and Management, Hebei University of Science and Technology, Shijiazhuang, Hebei 050018, China)

In order to predict the thermal power generating units in operation status under the optimal value, improve the efficiency of coal-fired power plant, according to the data of three months, through the analysis and mining of coal-fired power plants and coal supply rate closely related to the control parameters (this paper mainly introduces the main steam temperature, steam pressure) with time change, it's forecasted by using Holt-Winters time series. It is found that the relative error of the main steam temperature and the main steam pressure obtained by the Holt-Winters method is 0.28% and 2.13%. The experimental results show that the Holt-Winters time series method to predict the operation data of thermal power units in coal-fired power plant under changing condition is reasonable, and the error is small, providing a certain significance to improve the efficiency of coal-fired thermal power units for coal-fired power plants.

coal energy； Holt-Winters; coal-fired power plant; data mining; data analysis; prediction

1008-1534(2017)02-0125-05

2016-11-08;

2017-03-09；责任编辑：陈书欣

国家自然科学基金(71271076)

朱龙霞(1992—)，女，河北石家庄人，硕士研究生，主要从事数据分析方面的研究。

许云峰副教授。E-mail: hbkd_xyf@hebust.edu.cn

TP391

A

10.7535/hbgykj.2017yx02009

朱龙霞，肖明美，栗 涛,等.基于时间序列分析的火电机组运行优化研究[J].河北工业科技,2017,34(2):125-129. ZHU Longxia, XIAO Mingmei, LI Tao,et al.Research of operation optimization of thermal power unit based on time series analysis[J].Hebei Journal of Industrial Science and Technology,2017,34(2):125-129.