基于大数据挖掘技术的工业锅炉性能优化升级研究

刘彩利

(西安外事学院，陕西 西安 710077)

置身于互联网大背景下，各领域都被贴上数字化的标签，于电力行业而言亦是如此，正逐步朝着信息化的方向发展，现阶段以监控信息系统的应用最为广泛，受惠于现代信息技术，可确保各类数据的完整性，实现对数据的有效存储[1-2]。

1 相关工作背景

1.1 粗糙集理论

Pawlak经研究后提出粗糙集理论，其基本应用对象为信息数据系统，依托于粗糙集理论可实现高效化的数据分类，并确保信息分类能力的稳定性，使其在较长一段时间内不发生改变[3]。相较于前人的研究理论而言，Pawlak所提出的理论能够简化问题解决思路，实际分析工作中无需得到除数据库外的其他知识的支持，且具备与其余理论互补的条件。在长期发展之下，粗糙集理论已经得到广泛应用，在临床医学等领域均见其身影。粗糙集理论的鲜明特点在于属性约简，选取原始特征，在此基础上经筛选后获得最佳子集，并进一步选择突出特征，将大量无用数据删除，达到有效缩小数据维度的效果，有助于提升数据的研究效益[4-6]。本文也充分运用了粗糙集理论，引入了决策表属性约简算法，从而达到属性约简的效果，具体流程如图1所示。

图1 属性约简的基本框架

1.2 Hadoop平台

依托于MapReduce主框架，可实现对数据的分析，此处采取的框架形式具有较强适用性，可实现对多类大数据问题的处理。其内置有Map和Reduce函数，具体指的是映射与归约函数，在其支持下可实现对数据的高效处理。立足于实际情况，针对数据源展开分散处理，基于键值，在其作用下可实现对函数值的输入与输出。各数据块都存在与之相对应的Map函数，能够达到数据计算结果输出的效果，随后再针对输出数据实行排列，产生Reduce函数输入值，以便给后续计算工作提供支持。关于MapReduce框架的运行流程，具体内容如图2所示。

图2 MapReduce工作流程

2 RCK-means新算法流程

通过上述提及的MapReduce，经顺序组合后可得到特定程序，即RCK-means算法。类似于上述操作机制，需执行属性约简操作，实现对数据原件的处理，随后再一次执行Canopy 与K-means子框架。关于各流程，具体内容如图3所示。

图3 RCK-means算法流程

(1)在粗糙集理论的支持下，可形成初始决策表，并判定具体的条件与决策属性，通过对各自属性依赖度的分析，实现进一步的属性约简处理，经此环节后可筛除大量无关数据，余下的有用数据便可构成特性集合。

(2)通过 Canopy 算法中的Map函数，可实现对新数据几何的转换，使其成为与键值相对应的方式，随后分别置于多个Map函数中以便做后续计算处理，求得各数据块对应的距离阈值，以D1、D2为基准，将所得结果与之对比分析，经迭代处理后产生集合，具体指的是Canopy集合。

(3)通过Reduce 函数，可实现对上述Map结果的进一步处理，即并集操作，此时可以得到Q集合，随后再运行Canopy流程，针对既有的程序展开多次处理，最终使得集合为空，便可求得聚类簇K，获得此结果后可将其作为输入值，以便做后续的处理。

(4)在上述基础上，通过K-means算法中Map函数，可求得聚类簇，将所得结果通过键值对输入，便可求得节点与中心点距离，将上述操作后所得的结果汇总，展开分类处理，并采取相同的方式将结果输出。

(5)基于Combine 函数，能够实现对上述输出值的处理，将其分类后再数据归集，在求得各数据维度值的基础上，做进一步的总和计算。

(6)通过K-means 算法中的Reduce函数，针对(5)中求得的结果加以分析，考虑各数据的维度值，为之实行总和计算，并明确数据的具体数量，随后可创建新的聚类中心，以此为基础重新迭代，最终收敛。

3 在锅炉效率优化中的研究

3.1 运用大数据技术的意义

较为典型的优化方式有两种：第一，从燃烧器与受热面入手，为之采取升级整改措施，从而达到提升运行效率的效果，或是适配先进设备，在其支持下实现对参数的监测。尽管此方法的应用效果良好，但对于人力与财力的需求较大，因此经济效益较低。第二，基于DCS的数据挖掘技术，从而实现对锅炉性能的分析并确定合适的参数，此方式模型优化工作量相对较大，且在实际处理中易出现样本获取难度大的情况，不具备较高的实用性。DCS系统储有丰富的数据，将其作为实行大数据技术的基本支持，创建严密的计算流程，针对热力系统中涉及到的大量数据展开分析，从中确定与锅炉效率有关的几项参数，分析具体参数值与理论的误差，经此方式所得的参数值则具备作为最佳参数值的条件。对此，本文引入了K-means聚类算法，在此基础上辅以Hadoop框架，通过集(簇)聚类中心点实现对庞大数据群的分析，从中检验最合适的参数，确保所得参数具有可行性，成为提升锅炉运行效率的关键指导。

3.2 大数据挖掘对象

本文选取的是600 MW 燃煤机组锅炉，该装置适配的燃烧器采取的是摆动四角切圆形形式，数据总量129 600条，依据实际情况，重点从2018-10-01—2018-12-31时段内获取相关数据。

3.3 确定大数据挖掘目标

(1)排烟氧量。又可称为过量空气系数，伴随燃烧作业的持续发生，该值将随之减小，在此过程中锅炉未完全燃烧损失将呈现出明显提升的趋势，不利于锅炉燃烧效率；若过量空气系数偏大，有助于缓解不完全燃烧现象，但随之出现明显的排烟损失，也会对锅炉运行效率造成影响。从这一角度来看，需确定合适的取值范围，此举对于提升锅炉效率而言尤为关键。

(2)磨煤机给煤量。在特定负荷区间内，若磨煤机组合方式发生变化，或是煤量分配比随之改变，都会使得火焰中心高度处于波动的状态。若火焰中心高度偏高，则会对炉膛出口处造成影响，使得该处温度急速提升，并伴随大量的流换热量，降低了锅炉效率。

(3)一、二次风参数。锅炉炉膛温度的变化主要与一次风有关，若炉膛温度处于较高水平，将会提升燃烧速度，从而达到充分燃烧的效果；若炉膛的温度处于异常偏高的情况，将伴随明显的燃烧逆反应现象，也会出现燃烧不完全的问题。不仅于此，一次风还会影响到煤粉气流温度，会提早煤粉着火时间，在充分燃烧的作用下，将明显减少飞灰含碳量。同时，二次风也是重要的影响因素，该参数也将决定燃烧效果。总体上，一、二次风的良好配合是创建高效空气动力场的关键因素，在其支持下可提升煤粉与空气的混合效果，确保煤粉得到充分的燃烧。当锅炉处于稳定运行状态时，需以燃料量为基准合理调节一次风参数，由于两大因素呈线性关系，因此一次风不具备作为选用参数的条件。

(4)燃烧器摆角。根据燃烧器的基本形状，若为四角切圆形式，在该设备摆动之下，除了会引发火焰中心偏移现象外，还会对切圆直径造成影响，从这一角度来看，燃烧器摆角的控制尤为关键，是影响锅炉效率的重要因素。

3.4 大数据预处理

引入粗糙集理论后，只具备分析离散型数据的能力，但无法满足辨别数据关系的要求。而通过DCS归集后，可获得连续且具有非离散特性的信息，因此需要在分析之前实行DCS归集，通过此方式达到对信息分散处理的效果。现阶段，分散数据的方式较多，若基于传统的方式展开，易出现数据分割点判别难度大的问题，在缺乏合理的数据分散处理后，后续数据处理工作将受到严重影响，有价值的数据易被视为无用数据而排除。基于此，本文建议采用模糊粗糙集分散法，即兼顾了模糊集与粗糙集两种典型的方式，在其支持下实现对数据的分散处理，以达到数据属性约简处理的效果。采取此方式后，能够改变传统方式下粗糙集的局限之处，且提升数据判别的准确性。

3.5 大数据挖掘算法应用及结果

基于对数据的约简处理后，可通过RCK-means 算法进一步处理，实现对数据深度挖掘的效果。在Hadoop平台中，将支持度下限设置为2%。在此基础上，执行标准数据的处理流程，实现对约简集合的进一步处理，从中挖掘具有应用价值的参数，明确聚类中心点与锅炉效率间的最合适参数。基于实际分析得知，相较于排烟氧量最佳优化值而言，预先设置的实际值与之存在较为明显的偏差。若处于低负荷运行状态，相比于最佳优化值而言，设定值将比其更小，这一现象与锅炉难燃烧有关，伴随排烟氧量的增加，可有效控制不燃烧热，此时锅炉的运行效率随之提升。若负荷值处于较大水平，当超过500 WM时，将会显著提升锅炉燃烧效率，此时排烟含氧量最佳优化值也会出现明显的下降趋势，可以得知的是设定值大于最佳优化值。因此，若要达到效率最大化的目标，可通过设定值进行操作，针对各运行状况下的数据展开深度优化，基于此方式求得最佳参数值，提升锅炉性能。

4 结 语

依托于大数据技术，在其支持下展开数据挖掘，明确影响锅炉效率的主要因素，从中求得最佳参数值，以达到锅炉效率最大化的效果。通过RCKmeans新算法，有助于剔除无效数据，在此基础上求得最佳集合，确保了聚类准确率。从实际应用情况来看，为满足不同环境下的运行要求，可设定最佳区间，随后对各工作环境下的数据做针对性优化，最终求得最具适用性的参数值。