电厂热工DCS系统数据智能驱动系统设计

王平锋，梁 平，汤泽煜

(湖北能源集团鄂州发电有限公司，湖北 鄂州 436032)

电厂热工DCS系统是电厂自动控制体系的重要组成部分，其可实现对不同热工过程参数的控制。通过控制结果，为热工系统的控制提供依据，以此保证各个热工过程均为最佳状态[1]，实现电厂安全、经济运行，并且最大限度保证节能减排效果。但是由于各个热工过程存在显著的非线性、时变性以及不确定性等特点[2]，并且，电厂运行数据量极大的同时，还存在离群样本和维度较高的变量，变量之间的关联程度显著，当前控制过程人为因素较重，智能控制模型难以构建[3]。本文充分利用电厂热工系统数据，构建系统驱动模型，使计算的复杂度最大限度降低，同时对影响输出的参数进行降维优化处理，提高驱动模型的控制效果。

1 系统数据智能驱动系统设计

1.1 电厂热工系统结构

电厂热工系统是电厂自动控制体系的重要组成部分，一个电厂热工系统结构如图1所示。

图1 系统结构Fig.1 System structure

电厂热工系统设计方案如图2所示。

图2 系统设计方案Fig.2 System design plan

1.2 DCS硬件系统的设计

1.2.1 I/O点数量的统计

针对火力发电厂的生产工艺特点，结合各个信号点的统计以及整个火力发电厂的控制需求，对其硬件(机柜、卡件、操作台等)进行了选取。而在硬件的选取与设计中，必须保证设备的硬件结构能够达到设计要求，并为未来的火力发电厂预留空间。 I/O点表为整个DCS系统设计奠定了基础。根据I/O类型和现场设备数量的要求，确定所有设备子系统所需的I/O数量和I/O类型。按照规定的方法连接现场信号和所有控制系统，为软件设计做准备。该工程输入输出信号点3 900个，其中模拟量输入点1 020个，模拟量输出点100个，开关量输入点为1 857个，开关量输出点1 004个。具体I/O点统计见表1。

表1 I/O点统计Tab.1 Statistics of I/O points

该模拟量输入模块包括1个信号调节和1个处理器分系统，可以同时处理16个热电偶/RTD的输入。该开关量输入模块包括1个信号调节和1个处理器分系统，可以同时处理32个数字输入。开关输出模块包括1个信号调整和1个处理器分系统，它可以提供16个继电器的输出。

1.2.2 DCS 系统硬件配置的统计

DCS 系统硬件配置中，DCS系统的电压通常为24 V，并且取决于被控制的目标，它的驱动电压为220 V，所以 DCS的驱动信号要从继电器箱中输出，24 V的控制功率则来自 DPU的 DPU(图3)。

图3 DCS系统配置Fig.3 DCS system configuration

依据现场I/O点数、 控制器数量及卡件数量决定，在系统的接地设计中，所有 I/O机箱均采用电缆进行接地。

1.2.3 DCS系统IP地址的设计

系统采用ARM7型信号处理设备，选用STM32107型芯片，对其传输进行了优化。STM32芯片通过嵌入方式与传统的控制器相连接，从而达到了一种经济的联网。该系统采用16位 SRAM的存储方式，D0—D15的数据总线，A1—A18的地址总线。所有节点的IP地址设计见表2。

表2 IP地址Tab.2 IP address

1.3 DCS 软件系统的设计

依据热工运行数据构建电厂热工系统，包含2个步骤[4]：①驱动模型输入变量的确定、数据可靠性检验以及预处理；②驱动数据建模，通过人工智能的偏最小二乘法和最小二乘支持向量机方法，构建PLS-LSSVM电厂热工系统驱动模型。设计过程如图4所示。

图4 设计步骤Fig.4 Design steps

1.3.1 确定输入变量

驱动模型构建前，需依据电厂设备机组运行的相关影响因素，确定模型的输入变量，热工系统中热力设备数量较多，各个设备之间相互关联[5-6]，并且热工系统自身作为复杂的非线性系统，具备显著的非线性特征[7]，除此之外，热工过程中所有的变量之间具备明显的耦合关系，例如机组负荷、燃料量、过量空气系数、煤质、火焰中心高度等多种变量，其耦合关系可以分别表示为：

(1)

(2)

(3)

式中，N为机组负荷；C为总煤量；k为折算比例系数；φ为过量空气系数；n为层数，属于燃烧器；Gi为第i层给煤量，G为总体给煤量；h为差异性煤量分布对于差异性火焰中心高度变化的影响；O2为燃烧剩余氧量百分比。因此，式(3)为α和烟气含氧量的近似函数关联。

1.3.2 数据预处理

上述内容充分体现在庞大复杂的热工系统温度控制过程中，各个变量之间存在较高的相关性和耦合关系，如果采用人工智能技术依据具备相关性和耦合关系的数据进行建模，会导致模型的输入变量发生过拟合现象[8]。并且，热工系统中的各类热工参数的频率存在差异性，即包含高频和低频两种信号，并且，存在一定的离群点。离群点对于数据分析会造成明显干扰。因此，采用阈值筛选法对数据预处理，去除离群点后采用Z-score对热工系统运行的全部相关数据进行标准化处理，使其满足标准正态分布，且不会对数据的分布特性造成影响[9]。

经过上述处理后，将热工系统的机组负荷、燃料总量、给煤量、挡板开度(包含二次风挡和燃尽风挡)、一次风量、含氧量、温水流量(再热器)作为驱动制模型的输入变量，用X表示，且X=[x1，x2，…，xp]∈Rn×p；输出变量则用机组设备的出口温度表示，属于再热器，用Y表示，且Y=y∈Rn×l。其中，n为给定样本数量，p为变量数量。为保证误差最小，需保证热工系统运行状态的一致性、且处于稳态工况下[10]，工况状态可依据式(4)判断：

(4)

式中，Amax、Amin分别为参数最大值和最小值；δb为稳态指数；Ae为额定值，属于额定负荷下；δk为阈值，对应稳定状态。

1.4 系统的实现

1.4.1 DCS系统的单变量特征提取

通过确定初始的输入变量后，由于电厂热工现场环境复杂，导致该输入变量之间存在较高的相关性和耦合关系，使驱动模型的构建难度明显提升，本文采用偏最小二乘法(Partial Least Square，PLS)处理模型初始输入变量之间的相关性和耦合关系，降低DCS数据维数，去除离群点[11]。

该方法通过投影变换完成，向低维空间中转化高维空间中存在线性关联的变量。PLS提取X和Y中的主成分tk、uk，且提取数量为k，且k=1，2，…K。且需保证提取的tk、uk能够最大限度描述X和Y数据中的变异信息，并使两者之间具备最大化协方差[12]。PLS特征提取步骤如下。

(1)对数据进行标准化处理后，获取标准矩阵E0、F0，且E0=Zscore(X)、F0=Zscore(Y)；主成分数量h值为1。

(3)依据th=Eh-1wh求解主成分向量th。

(7)设h=h+1，循环步骤(2)—(7)当精度满足需求时结束算法。

T=[t1，…，th]表示提取出的特征矩阵，负载和系数2种矩阵分别为P=[p1，…，ph]、W=[w1，…，wh]，则：T=E0W(PTW)-1。

1.4.2 驱动控制模型设计

(5)

为获取测试样本的特征矩阵Etest，采用特征变换方式在模型预测时处理得出[15]，即：

Ttest=EtestW(PTW)-1

(6)

式中，Etest为样本，用于测试，且为标准化；P为负载矩阵，由PLS计算得出；W为系数矩阵，将求解的Ttest结果代入式(6)即完成其对应的预测值，即输出变量结果Y。

2 实例分析

为测试本文系统性能和效果，以某电厂的2个600 MW超临界燃煤间接空冷发电机组作为研究对象，选取该机组历史运行数据作为测试使用数据，该数据为机组在负荷350～600 MW产生的，且为稳态工况，选取该范围的数据，可更好地保证数据的覆盖程度。数据的采样时间为2 min，共获取数据300组，对数据进行清洗和处理后，保留最终150组数据作为训练集，完成模型构建；并且，随机从历史数据库中选取100组稳态数据样本作为测试集用于模型的验证。

为测试本文系统的可行性，采用本文系统对X、Y的自重构和回归拟合程度作为衡量标准，两者的计算公式为：

(7)

(8)

式中，E、f分别为残差；eij、fi分别为两者的元素。

依据上述2个公式，获取本文系统在不同的成分数量下，2个指标的变化结果如图5所示。

依据图5测试结果可知，2种指标值均随着成分数量的增加而增加，当成分数量达到7个时，2种指标的拟合程度均达到0.8以上，表示本文系统在智能驱动过程中，能够抽取X和Y中大部分信息，并且最大限度地描述X和Y的信息，具备良好的模型构建可行性，也验证主成分最佳数量为7的合理性。

图5 2个指标的测试结果Fig.5 Test results of two indicators

为测试本文系统的数据降维效果，采用均衡程度作为衡量标准，统计本文系统在不同抽取数量时降维效果，该结果越高表示降维效果越好，结果如图6所示。依据图6测试结果可知：随着潜在成分数量的逐渐增加，3种不同抽取数量的均衡程度均在85%以上，即使在抽取数量较多时，本文系统依然能够较好地完成数据降维。

图6 均衡程度测试结果Fig.6 Test results of equilibrium degree

为进一步测试本文系统的性能，需确定本文系统的投影方式，获取本文系统的不同的数据组数量下，3种投影方式下本文系统的平均准确率如图7所示。其中，3种投影方式分别为正交投影、非正交投影以及规范化投影。依据图7测试结果可知：3种投影方式在相同的成分数量下，正交投影后平均准确率结果最佳，非正交投影的平均准确率结果最低，因此，为保证本文系统最佳的数据处理效果，采用正交投影方式完成初始输入变量之间的相关性和耦合关系的处理，数据的准确率更高。

图7 投影方式测试结果Fig.7 Test results of projection mode

为测试本文方法的应用效果，以热工系统的温度作为衡量标准，分析本文系统的控制结果与预期结果，如图8所示。依据图8测试结果可知：本文系统控制的热工系统温度值，同预期温度结果吻合程度较高，只在样本数量为70个和100个时预测结果发生较小的误差，但是该误差对于控制效果影响不大。该结果表明本文系统具备良好的应用性，可准确完成热工系统的热驱动控制，为整个热工系统的控制提供准确依据。

图8 热工系统温度测试结果Fig.8 Temperature test results of thermal system

3 结语

电厂热工系统存在复杂、多变的因素，使其数据中存在大量的多重相关性、非线性的数据，并且离群样本点数量也较多，导致其智能驱动系统的构建较为困难。因此，本文基于电厂热工系统相关运行变量的分析结果，采用最小二乘支持向量机完成电厂热工系统驱动系统构建和系统相关参数的优化。测试结果表明：本文系统具备较好的可行性，能够最大限度处理热工系统驱动过程中的各变量之间的关系，并且有效完成数据降维，实现热工系统温度的有效控制。