论文部分内容阅读
目前我国大气污染物SO2的排放大户仍然是燃煤电厂,我国火电燃煤机组中使用率最高的脱硫技术是石灰石/石膏湿法烟气脱硫（WFGD）,脱硫效率作为衡量电厂脱硫系统的重要指标,直接影响污染物排放量,因此明确脱硫系统中各参数变量对其的影响程度,对提高脱硫效率、减少污染物排放、制定故障检测预案具有重要的指导意义。随着信息技术在脱硫系统中的应用,脱硫系统在实际运行中积累了大量的历史运行数据,数据挖掘技术可以基于脱硫系统的历史运行数据,发掘出在某运行工况下的参数变量对脱硫效率的影响权重,进而挖掘出当前工况下影响脱硫效率的因素,从而为操作人员提供运行指导和优化生产工艺。本文以石灰石/石膏湿式脱硫系统为研究对象,采用BP神经网络与Garson算法相结合的算法,对在DCS系统中采取的45个参数变量180天的数据进行研究,用于脱硫效率影响因子筛选建模的训练与测试。首先,对机组180天的历史运行数据执行预处理操作,剔除劣质、重叠信息,保留有价值的信息,提高数据的价值率。数据预处理包括清洗、集成、转换、约简、共线和降维处理等。通过自相关R诊断法的0.82设定值,检测出20个参数存在共线性,将其删除;通过逐步回归法对共线处理后的参数进行降维,以精简数据方便建模。最终保留17个参数作为输入量进行建模。其次,针对脱硫系统运行数据的特点,引入增量挖掘技术结合BP神经网络,并将其应用到挖掘脱硫系统运行参数对脱硫效率影响权重大小中,建立中长期脱硫效率预测模型,进而获取模型预测精准度和模型权重矩阵,同时以R、RMSE和MAPE为模型评价标准进行评价,以验证建模质量和为脱硫效率影响因子的筛选提供基础数据支持。最后,根据Garson算法计算各输入变量对于脱硫效率的权重系数,并通过13组同结构、同参数模型中各输入变量权重系数的相对变化值确定出变化频率较高、幅度较大的变量,最后结合机理分析确定出此模型筛选的变量即为此工况下影响脱硫效率的因子。研究表明:实际运行中的脱硫效率主要受石膏浆液pH值、混合烟气O2、除雾器工艺水流量、补偿后塔液位、除雾器压差和滤液水箱液的影响,与运行经验基本一致。同时由增量挖掘该方法可解决脱硫系统运行状态发生改变后的影响因子更新问题。