基于特征选择的飞灰含碳量影响因素分析

王建峰，郄英杰，乔 源，赵文杰

（1.山西漳山发电有限责任公司，山西 长治 046021；2.华北电力大学 控制与计算机工程学院，河北 保定 071003）

0 引言

锅炉飞灰含碳量是反映火力发电厂燃煤锅炉燃烧效率的一项重要指标，较低的飞灰含碳量代表着锅炉燃烧具有较高的效率。精确和实时监控飞灰含碳量，有利于提高锅炉的燃烧控制水平，降低发电成本，提高机组运行的经济性[1]。但是由于测量仪表的局限性，传统的测量锅炉飞灰含碳量的仪表并不能很准确地实现数据测量，从而不能有效地通过控制策略对锅炉燃烧过程进行准确控制，降低飞灰含碳量，提高燃烧效率[2]。在火电机组的燃烧过程中，影响飞灰含碳量的生成因素较为复杂，文献[3-5] 针对不同火电机组飞灰含碳量的生成机理进行分析，根据锅炉燃烧原理对影响飞灰含碳量的因素进行提取；由于影响飞灰含碳量的影响因素较多，文献[6]提出飞灰含碳量的主成分分析法对分析所得因素进行选取，运用选取之后的特征量进行模型建立，会提升建模的。

本文提出燃烧系统的飞灰含碳量影响因素选择的方法，得到较为准确且具有参考价值的动态飞灰含碳量影响因素。数据选择为山西某火电机组DCS 取得的原始运行数据，通过特征选择的方法得到影响燃烧飞灰含碳量的因素，对影响因素进行数据处理并建立对应的软测量模型。通过上位机WinCC 结合机组的运行方式以实现飞灰含碳量系统的远程监控，监测选择得到的特征量是否准确。上位机界面进行监测，可以看出建立的模型具有较高的实时性和准确性。故经过特征选择得到的影响飞灰含碳量的因素建立的模型使之在工业现场能够稳定、精确运行，对于飞灰含碳量的测量和燃烧效率的控制具有重要的意义。

1 飞灰含碳量生成机理

1.1 燃烧机理分析

飞灰在炉膛内的燃烧过程包含物理和化学变化，具体过程如下所示：首先，煤粉通过送风机混合一次风吹入锅炉。其中，气化温度低的物质先燃烧，这个过程中挥发分转化为液体和气体外逸，煤粉结合挥发分形成表面有很多小孔煤粉颗粒，随着燃烧煤粉颗粒转化成为焦炭[7,8]。煤粉中包含有机物和无机物，其中有机物是可燃烧的，而无机物就会被剩下，所以焦炭等煤粉中的碳成分燃烧完后，无化物的结合煤粉燃烧保持原来的形状，形成了多孔玻璃体。随着燃烧继续进行，形成的多孔玻璃体继续融化进一步收缩，小孔的间隙也相应的再减小，导致其密度变大，灰粒的半径也在持续变小，以至于最后形成密度高体积小的密实玻璃体[9]。在煤粉燃烧充分的情况下，形成密实玻璃体；当不充分燃烧时，就会形成多孔玻璃体形状，还有多孔的碳粒以及焦炭，其中焦炭是飞灰含碳量主要成分[10]。

1.2 生成机理分析

磨煤机将煤块磨成煤粉，由一次风将煤粉送入锅炉炉膛进行燃烧，燃烧过程是否充分是导致飞灰含碳量大小的主要原因。当煤粉混合着一次风进入炉膛进行燃烧时，如果燃烧速度较慢，会使煤粉来不及完全燃烧就被吹离炉膛，排出炉膛的烟气中含有一定比例未燃烧充分的煤粉，即飞灰含碳量较高。所以，影响锅炉燃烧过程中的变量都将是影响飞灰含碳量的因素[11]。

1）煤质

煤质指炉膛燃烧燃料的品质，影响煤质的主要因素有灰分、水分、挥发分等因素。其中，灰分是燃料燃烧之后的残留物，灰分越高，燃烧生成的残留物会吸收燃烧产生的热量，导致煤粉燃烧变慢，不能充分燃烧，飞灰含碳量升高。

2）煤粉细度

煤块经过磨煤机磨成煤粉，煤粉细度也是影响燃烧是否充分的重要因素。煤粉越细，煤粉与火焰接触的面积越大，燃烧速度越快，燃料中挥发分和水分的析出也就越快，有利于燃烧过程的充分进行，降低飞灰含碳量。

3）一次风压

一次风浓度影响送风机吹入炉膛的煤粉的浓度，对飞灰含碳量也有着一定的影响。一次风量越大，煤粉浓度越低，会导致锅炉的燃烧状态不稳定，炉内的燃烧温度相对较低导致飞灰含碳量增大；一次风量如果太小，会导致煤粉浓度较大，煤粉浓度会导致一次风与二次风托粉不稳定，使燃烧过程不稳定，飞灰含碳量上升。所以，适当的一次风量是保证燃烧稳定的必要条件。

4）二次风门开度

二次风就是助燃风，由送风机送出，主要作用是供给燃料燃烧所需要足够的氧量。二次风门的开度影响锅炉中的燃料和风量的比值，二次风量增大使得燃烧所需的氧量充足，燃烧充分飞灰含碳量减小；同时二次风的温度低于火焰的温度，混入二次风量较大会导致炉膛温度下降，导致燃烧不充分，飞灰含碳量增大。所以二次风门的开度并非越大越好，需要根据燃烧过程适度变化，才能提高锅炉燃烧效率。

5）氧量

燃料完全燃烧的必要条件是适量的空气燃料比，当燃料燃烧时得不到充足的氧气，燃料无法充分地燃烧，飞灰含碳量就会增加；当送入炉膛的氧量较为充足时，燃料燃烧充分，烟气中携带的未燃烧的燃料较少，飞灰含碳量降低[12]。

2 特征选择

2.1 数据处理

1） 数据去重

数据去重又称重复数据删除，找出重复的数据并将其删除，只保存唯一的数据单元。在删除的同时，要考虑数据重建，即虽然文件的部分内容被删除，但当需要时，仍然将完整的文件内容重建出来，这就需要保留文件与唯一数据单元之间的索引信息。

图1 数据预处理后的飞灰含碳量Fig.1 Carbon content of fly ash after data pretreatment

2） 去异常值

对数据进行去除异常值，目的是把数据中由于噪声干扰等因素引起的输出值超出正常范围的数据去掉。

3）数据滤波

为了消除噪声的干扰，提高曲线的光滑度，需对采样数据进行平滑处理。一般的数据滤波采用的就是“五值平均法”。此外，也可以通过滞后环节进行滤波。

图1 为数据处理之后的飞灰含碳量曲线。

2.2 互信息选择

本次飞灰含碳量模型建立所选取的数据为山西某火电机组DCS 系统取得的运行数据，对DCS 采集点进行综合分析之后，将可能对飞灰含碳量产生的影响因素进行采集并绘制，其中可能的影响因素共有28 个，分别为负荷、总风量、总煤量、总蒸汽量、氧量、A 侧氧量、B 侧氧量、A侧一次风压、B 侧一次风压、空预器出口二次风温（2 个）、炉膛出口温度（2 个）、二次风门开度（9 个）、磨煤机出口温度（6 个）等。

互信息是信息论中的一个基本概念，通常用于描述两个系统间的统计相关性，或者是一个系统中所包含另一个系统中信息的多少[13]。其中，要从28 个影响因素中提取影响飞灰含碳量的主要因素，即确定飞灰含碳量模型中所包含的每一种影响因素所占的信息量多少，可以采用互信息的方法进行数据特征量的提取，分别找到飞灰含碳量模型中各影响因素的权重。

在概率论中，两个随机变量A 和B 边缘概率分布为pA(a) 和pB(b)，他们的联合概率分布为pAB(a,b)。当pAB(a,b)=pA(a)·pB(b)时，随机变量A 与B 是相互独立的。互信息I(A,B)通过计算pAB (a,b)和pA(a)·pB(b)的差距来得到A和B 的依赖程度。所以，两个离散随机变量A 和B 的互信息可以定义为：

式（1）中，p(a,b)是A 和B 的联合概率分布函数，而p(a)和p(b)分别是两个随机变量A 和B 的边缘概率分布函数。

在特征选择的过程中，一般通过熵进行互信息的表达。熵指的是一个系统的不确定性，分别进行两个离散随机变量A 和B 的系统熵、两个系统的条件熵、两个系统的联合熵计算，通过推导可以得到互信息的计算结果。推导过程如下：

离散随机变量A 的系统熵：

离散随机变量B 的系统熵：

两个系统的联合熵：

两个系统的条件熵：

由以上所计算的系统熵值，可得互信息为：

在子函数VectorMI 中，分别计算概率pAB(a,b)、pA(a)、pB(b)，并分别计算离散变量A、B 的系统熵、两个系统的联合熵、两个系统的条件熵，通过熵值计算得到两个输入系统最终的互信息值。表1 为28 个影响因素对应的互信息值。

选取互信息值较大的变量，相关变量筛选之后共有10个，分别为：二次风温B、二次风温A、总蒸汽流量、B 侧氧量、A 侧氧量、A 侧一次风量、总煤量、氧量、负荷、B侧一次风量。

2.3 方差选择法

方差选择法是通过计算各个特征的方差，然后根据阈值，选择方差大于阈值的特征。若该特征的方差越大，则表明该特征值对结果的影响更大；反之则对结果的影响较小。假设某特征的特征值只有0 和1，并且在所有输入样本中，95%的实例的该特征取值都是1，那就可以认为这个特征作用不大。如果100%都是1，那这个特征就没有意义了。当特征值都是离散型变量的时候这种方法才能用，如果是连续型变量，就需要将连续变量离散化之后才能用。而且实际当中，一般不太会有95%以上都取某个值的特征存在，所以这种方法虽然简单但是不太好用。可以把它作为特征选择的预处理，先去掉那些取值变化小的特征，然后再从以下提到的两种方法中选择合适的，做进一步的特征选择。

表1 互信息值Table 1 Mutual information

表2 特征量及方差Table 2 Characteristic quantity and variance

通过函数var，调用格式为：fangcha(i)=var(C(:,i))；其中，矩阵C 为输入待计算的特征值数组，返回值为每一个特征量的方差，计算各个特征向量之间的方差，通过比较16 个特征向量之间的方差大小，确定该特征对飞灰含碳量的影响程度。每个特征计算所得的方差越大，该特征量对最终的飞灰含碳量影响越大；相关系数越小，该特征量产生的影响越小。本次方差选择法中，设定方差阈值为0.05，方差大于该阈值的特征作为飞灰含碳量的主要因素，小于该阈值方差所对应的特征为非主要因素。

本次进行方差选择的影响因素共有28 个，表2 为方差选择法的结果。其中，第1 列为特征量，将各特征量分别编号为1 ～28，第2 列为所求得的各特征的方差，第3 列为方差从小到大的排序，第4 列为与第3 列相对应的特征方差排序及其索引。

从排序结果来看，特征量与飞灰含碳量方差最大的是总风量，影响飞灰含碳量的主要因素有：总风量、总蒸汽量、B 侧氧量、A 侧氧量、氧量、负荷、二次风温B、二次风温A。

2.4 相关系数法

相关系数法是一种简单的，能帮助理解特征和响应变量之间关系的方法，该方法衡量的是变量之间的线性相关性，结果的取值区间为[-1,1]，-1 表示完全的负相关（这个变量下降，那个变量就会上升），+1 表示完全的正相关，0 表示没有线性相关。

当两个变量的标准差都不为零时，相关系数才有定义，相关系数法的适用范围为[3]：

1）两个变量之间是线性关系，都是连续数据。

表3 特征量及相关系数Table 3 Characteristic quantity and correlation coefficient

2）两个变量的总体是正态分布，或接近正态的单峰分布。

3）两个变量的观测值是成对的，每对观测值之间相互独立。

图2 WinCC组态画面Fig.2 WinCC configuration screen

相关系数法的4 种形式分别如式（7）～式（10）所示：表3 为相关系数法的结果。其中，第1 列为特征量，将其分别编号为1 ～28，第2 列为所求得的各特征的相关系数。

从排序结果来看，特征量与飞灰含碳量方差最大的是总风量。影响飞灰含碳量的主要因素有总风量、总蒸汽量、A 侧出口温度、B 侧出口温度、负荷、B 侧氧量、A 侧氧量、氧量、二次风温B、二次风温A。

通过函数corr，调用格式为：coeff(i) = corr(C(:,i)，B(:,5))；其中，矩阵C 为输入待计算的特征值数组，矩阵B 为输入飞灰含碳量数组，返回值为每一个特征量的相关系数。计算各个特征向量与飞灰含碳量的相关系数，通过比较28 个特征向量与飞灰含碳量之间的相关系数，确定该特征对飞灰含碳量的影响程度。相关系数越大，该特征量对最终飞灰含碳量产生的影响越大，即该特征为重要因素；相关系数越小，该特征量产生的影响越小，即该特征为影响飞灰含碳量的非重要因素。本次相关系数法选择中，选择相关系数大于0.8 的特征作为影响飞灰含碳量的主要因素。

本次进行相关系数法进行选择的原始数据共有28 种，

3 结果验证

经过特征选择之后，得到影响锅炉燃烧飞灰含碳量的主要因素分别为总风量、总蒸汽量、负荷、B 侧氧量、A侧氧量、氧量、二次风温B、二次风温A，并建立对应的飞灰含碳量软测量模型，通过PLC 对运用选择之后的主要影响因素所得的模型远程监控。本套飞灰含碳量测量系统上位机采用WinCC 作为组态软件，图2 为WinCC 飞灰含碳量趋势窗口，可以实现飞灰含碳量实时在线监测。在趋势窗口可以看出，通过特征选择得到的主要影响因素建立的模型具有较高的预测精度，说明特征选择的准确性和必要性。

4 结论

本文提出基于特征的飞灰含碳量影响因素，并通过硬件形式对其准确性进行验证。此外，基于特征选择的影响因素并没有选择机理分析中的煤质和煤粉细度。一方面，该火电机组的燃烧所采用煤质和煤粉细度趋于固定，虽然对于燃烧过程有着一定的影响，但是该电厂的煤质和煤粉细度对飞灰含碳量的产生影响较小；另一方面，该火电机组DCS 系统并没有煤质和煤粉细度的数据采集点，经过特征选择之后没有将煤质和煤粉细度作为主要的影响因素，因为各个电厂之间的燃烧情况不同导致因素的选择有一定的差别。