基于深度学习的能源管控系统设计与应用

江兴家，杨 阳，向 涛，阮龙飞，鲁 冬，刘永才

（1.新疆油田分公司重油开发公司，新疆 克拉玛依 834000；2.深圳市佳运通电子有限公司，广东 深圳 518000）

0 前言

注汽站中锅炉运行天然气占能耗成本的绝大部分，柱塞泵巡检维护、锅炉炉况优化调整占工人工作耗时的绝大部分；基于石油行业“无人值守、减员增效”的发展政策以及本次项目需达到分析优化技术规格要求，结合当前工业物联网中普及应用的自动化管控技术以及计算机软件大数据、机器学习等新技术，通过对锅炉运行管理中影响能效的各类问题深度分析，以便对问题精准定位、排查优化，从而实现在降低人工耗时的基础上提升炉效、降低生产单耗。

综合现状问题的分析，首先需要针对能源管控在计量监测级层面完善；目前计量监测的点位不足以支撑对水处理系统、锅炉产汽系统中各类能耗的统计，以及对能效指标的计算分析；系统需对整个试点单元中各类设备运行数据的计算、分析、预测，从而协助用户对设备更有效、精准地操控、维护保养，提升能效；为实现能源管控闭环管理，需对整个生产单元中各类能耗的总量、单耗进行报表统计、成本核算，并与上级单元能源管控的系统对接，做到能耗管控的计划与实绩实时监控、跟踪。

1 能源管控系统功能设计

1.1 能源管控系统组成，如图1 所示。

图1 能源管控系统架构与数据流

1.1.1 自建数据库

①同步锅炉分钟实时数据。

②同步半小时干度数据。

③同步鼓风机、柱塞泵电量数据。

④同步锅炉设备信息。

⑤系统主要计算功能以数据库存储过程的方式实现。

⑥执行定时任务。

⑦调用Python 饱和蒸汽、水的焓值计算。

⑧调用外部http 接口。

1.1.2 后台服务WebAPI

①系统统计、分析功能计算。

②调用Python 氧含量学习、预测。

1.1.3 Python 服务

①提供饱和蒸汽、水的焓值计算服务。

②提供氧含量学习、预测。

1.1.4 客户网页前端

①页面展示。

②用户操作。

1.2 能源管控系统主要功能描述

1.2.1 能源总体管控

能源总体管控页面如图2 所示。

图2 能源总体管控页面展示

能源总体管控页面，主要是将整个联合站内设备的运行情况从宏观的角度进行展示，帮助用户快速了解整个站的各项运行和能耗指标，为用户的节能决策提供可量化的数据支撑。

1.2.2 计划与调度

计划与调度页面如图3 所示。

图3 计划与调度页面展示

（1）计划管理

计划管理页面，是将联合站的三种主要的能耗方式进行计划统计，结合产能配置功能，帮助用户在年底制订下一年的产能、能耗预算，并在来年的时候能实时观察当年的产能、能耗情况，是否满足预定的指标。

（2）产能配置

产能配置页面，用来帮助用户制订下一年的计划产能、能耗，通过智能预测的方式，系统会结合往年的数据，帮助用户制订一个初步的产能、能耗计划，用户可以在这个基础上进行微调，最终形成下一年的产能、能耗计划。

（3）调度管理

调度管理页面，是系统通过过去一段时间各个锅炉的运行情况，计算得出各锅炉的平均炉效和累计运行时长，按炉效进行排名，帮助用户选择工况良好的锅炉。

1.2.3 监测与预警

（1）实时监测

实时监测页面，是将各个锅炉当前的运行情况进行展示，通过概览图、工艺流程图、列表数据的方式，从多个维度展现各个锅炉的运行数据，帮助用户观察锅炉当前运行的各项数据。

（2）异常报警

异常报警页面，是作为能源总体管控的报警栏的详细页面，用户可以在这里查看各个锅炉的运行报警情况和历史报警，帮助用户排查问题。

（3）巡检管理

巡检管理，用户可以根据点炉列表，看到当前正在运行的锅炉，还可以添加一些巡检任务。

（4）绩效预警设置

绩效预警设置，是后台配置中设备能效指标的前台展示页面，用户也可以对单个设备进行编辑，其他操作需要有权限的用户在设备能效指标中进行。该功能通过配置各个锅炉的指标，为统计分析计算提供判断依据。

1.2.4 能源绩效考核

能源绩效考核页面如图4 所示。

图4 能源绩效考核页面展示

（1）绩效核算

绩效核算页面，是每日对全站的各个锅炉进行统计，显示用户关注的各项能耗数据，方便用户进行考核核算。通过点击红色背景的锅炉还能查看该锅炉的能效归因分析报告，帮助用户进行能耗分析。

（2）实绩分析

实绩分析页面，是通过计算各站全年的累计数据，并与上一年进行对比，形成排行榜，为用户从宏观角度查看各站的年度绩效情况。

1.2.5 综合统计分析

（1）能效归因分析

能效归因分析页面，系统会对能耗不达标的锅炉进行分析计算，并提供分析报告，用户通过报告查看锅炉能耗不达标的原因。报告会提供锅炉的关键指标，并给出工况优化建议，对照数据，帮助用户对锅炉的工况进行调整。

（2）炉效分析

炉效分析页面，是针对各个锅炉进行多项关键数据的查询，在一个纬度上进行数据展示。用户通过查看各项数据的波动情况，分析出炉效变化的原因。

（3）燃烧曲线分析

燃烧曲线分析，是通过计算锅炉在不同火量的情况下，氧含量在不同范围的占比，提供燃烧工况的数据支持，方便用户对燃烧曲线进行分析，同时也为燃烧器厂家提供数据支持。

（4）结垢积灰分析

结垢积灰分析，是通过计算各个锅炉的各项关联的指标数据，进行排序，并通过曲线展示排烟温度，方便用户对数据不达标的锅炉进行结垢积灰的分析。

（5）泵效分析

泵效分析页面，通过计算选定时间内的平均泵效，并提供关联数据的运行曲线，帮助用户对各个锅炉的泵的运行情况进行分析。

（6）能耗统计报表

能耗统计报表，是通过计算选定时间内的各站能耗数据，并结合设定的单价进行成本计算，并以图标的方式展现，也可以查看单个设备的能耗数据情况。

1.2.6 模拟与优化

模拟与优化页面如图5 所示。

图5 模拟与优化页面展示

（1）水火配比模拟

水火配比模拟页面，系统会对各个锅炉的历史运行数据进行模拟，并在不同的蒸汽压力的情况下，找出对应良好工况下的数据，帮助用户进行工况调节，达到锅炉运行的最佳状态。

（2）锅炉工况优化建议

锅炉工况优化建议页面，在锅炉能耗不达标并异常报警的时候，系统会依据良好工况的数据，为当前锅炉提供优化建议，帮助用户进行运行指标调节。

（3）烟气氧含量模拟

烟气氧含量模拟，系统会通过机器学习的方式，对历史烟气氧含量的关联数据进行学习，形成经验模型，再通过传入数据进行模拟，得出预测的烟气氧含量，并与传感器的烟气氧含量进行对比，在数据相近的时候，可以替代系统采集的烟气氧含量，节省使用氧化锆的成本。

2 能源管控系统算法介绍

下面将介绍能源管控系统使用的主要算法。

2.1 反平衡炉效

通过对各种能量损失的值进行测算，计算出对应当量下，能量在锅炉中的消耗情况，从而得出锅炉的反平衡效率。

2.1.1 反平衡炉效计算公式如下

其中：

①过剩空气系数：

②排烟热损失：

③散热热损失：

④各个参数的取得方式见表1。

表1 反平衡炉效参数取得方式

2.1.2 用户单位实际监测数据与公式计算结果对比

（1）测算条件

环境温度：取2020 年4 月22 日当天最高温度27℃。

（2）结果比对1

监测结果：91.7%

反平衡公式测算结果：91.56%

偏差0.14%

（3）结果比对2

监测结果：90.6%

反平衡公式测算结果：90.66%

偏差0.06%

（4）结论：反平衡公式测算结果与实际测量值的偏差在可接受范围内，系统使用反平衡的方式计算锅炉热效率。

2.2 泵效计算

通过获取锅炉柱塞泵在单位时间内的有效功与耗电量，计算出锅炉柱塞泵的泵效。泵效计算公式如下：

式中，P为泵的输出功，P=扬程×质量流量×重力加速度；P 为泵的耗电量，通过点位采集获得。

2.3 基于历史环境温度的预测算法

由于用户无法采集环境温度的数据，本系统通过两种方式获取环境温度：

①在能够访问外网环境的情况下，通过http 调用外网接口获取当地当前时间的环境温度。

②若在不能访问外网的环境，则提前下载过去6年间的环境温度，通过计算历史平均温度预测当地当前时间的环境温度。

2.4 四分位数与正态分布过滤异常点位算法

本系统采用四分位数（如图6 所示）和正态分布的方式过滤异常点位，先对大量的分钟数据进行四分位法，掐去头尾两端出现异常概率较高的数据，再对得到的数据集进行正态分布，取出出现概率较大的数据进行平均，得到高准确性的数据写入半小时数据表中。通过这种方式可以将一定量的异常数据排除，保证算法的准确性。

图6 四分位数

2.5 定水定火配比算法

定水定火配比算法又称水火配比模拟，原理是通过大数据得出在良好工况（平稳运行、热效率达标）下，比较具有代表性的一些数据（数据准确、长期稳定）。再通过输入蒸汽压力，获取对应的蒸汽压力下最优工况的水火配比数据，方便用户比对当前工况与良好工况的区别，及时将锅炉调整到良好工况下。

2.6 基于深度学习的烟气氧含量预测算法

烟气氧含量机器学习算法是将大数据通过Python机器学习的方式，以经验的形式形成算法模型，通过定期的学习，将模型逐渐丰富，再通过调用算法模型，传入关联点位数据，预测的烟气氧含量数据。当学习样本数据到一定程度后，用户可以比对预测的数据和实际的数据，如果偏差在可接受的范围，可以使用预测氧含量数据替代使用氧化锆测量得出的氧含量数据，达到节省成本的目的。

3 深度学习在能源管控系统中的应用

能源管控系统主要将深度学习应用在风气配比和烟气氧含量（如表2 所示）这两个计算上。

表2 风气配比和烟气氧含量

配比风量最终是调整风门开度，影响风量的因素很多，均需要考虑到，但是各影响因素虽然有数据，却没有恒定的计算系数，可通过机器学习海量数据，使用深度学习算法，计算配比风量所需的风门开度值。

烟气分析仪（氧化锆）使用的寿命为一年，在燃烧器不换的前提下，通过对关联影响烟气氧含量参数数据进行机器学习，在完成一年四季工况数据学习的基础上，使用深度学习算法，对烟气氧含量预测，可在烟气分析仪使用寿命到期后继续提供对烟气氧含量的监测，维持工况的优化。

我们将清洗后的大量数据，通过离线学习、在线学习等方式进行深度学习并构建神经网络，得到结果模型，再通过其他关联参数的传入，预测出目标参数的数值，最终录入到系统当中。

4 结语

能源管控系统结合大数据、深度学习等技术，帮助用户将系统节能落地应用，从多个维度对日常生产中的能源消耗进行有效管理、控制，高效地将能源转化成生产力，达成“降本增效”的目标，也为石油行业在未来更多的数字化、智能化应用实践打下基础。