论文部分内容阅读
【摘要】本文基于SIS及DCS系统中蕴含的海量数据，运用数据挖掘技术针对某电厂的双进双出球磨机的运行状态进行了划分，结果显示，这种方法可以快速准确的实现工况的合理划分，为下一步最优工况的研究奠定了基础。
【关键词】SIS系统；球磨机；运行状态
0.引言
制粉系统是火电厂重要的外围系统之一，其关键设备球磨机的选择及运行状态对电站能否正常经济的运行有着重大影响。球磨机是火电厂的主要耗能设备，据统计火电厂15%的厂用电用于煤粉制备，其中绝大部分能量被转化为热量散失了，所以如何提高球磨机的工作效率是现在研究的热点，通过有效的手段探寻其最优的工作状态是提高现役设备效率的有效途径。由于DCS（集散控制系统）及SIS（信息监控系统）在火力发电厂的广泛应用，在历史数据及实时数据库中积累了丰富的球磨机以及其他设备的运行数据，这些海量数据中蕴含着非常有价值的信息。数据挖掘技术是面对“数据丰富而信息贫乏”这一现象，应运而生的一种新兴技术，可以从海量数据中提取可信、有效和易于理解的信息和模式。采用数据挖掘技术，可以从海量数据中提取出丰富的有价值的信息，表明磨的运行效率及各种运行参数之间的关系，而运行状态的划分是寻找最优工况的基础。双进双出球磨机因其效率高、运行可靠、能快速响应各种工况的优点广泛应用于火电厂煤粉制备，本文以双进双出球磨机为例研究其运行状态划分。
1.算法简介[1]
数据挖掘方法分为：聚类、关联规则、时序模式、回归、泛化等[2]。将物理或抽象对象的集合分组为由类似的对象组成的多个类的过程被称为聚类。数据聚类正在蓬勃发展，由于数据库中收集了大量的数据，聚类分析已成为数据挖掘研究领域中的一个非常活跃的研究课题。k-means 算法是最常用的聚类划分方法。
其工作原理简单描述如下：
k-means 算法以k为参数，把n个对象分为k个簇，以使簇内具有较高的相似度，而簇间的相似度较低。相似度的计算根据一个簇中对象的平均值来进行。k-means 算法的处理步骤为：
1.1首先在样本中随机选择k个对象，每个对象初始的代表了一个簇的初始平均值或中心。对剩余的每个对象，根据其与各个簇中心的距离，将它赋给最近的簇。
1.2重新计算每个簇的样本的平均值，作为新的簇的中心。根据此中心将样本中的对象重新归簇。
1.3不断重复步骤⑵，直至k个簇的中心不再发生变化或者准则函数收敛。k-means的收敛准则函数定义为：
E=■■x-■i■
式中：E是数据库中所有对象的平方误差的总和；x是空间中的点，表示给定的数据对象；■i是簇Ci的平均值( x和■i可以是一维或多维)。该准则可以保证最终的聚类结果尽可能的独立和紧凑。
2.实例分析
实际运行中，为保证磨出力正常要求在任何负荷下都确保磨内料位恒定，料位的调整是通过调节给煤量及热一次风量实现的，当负荷改变时，进入磨原给煤量发生变化，调节磨煤机进口各风门开度来调节制粉量的大小，保持磨内料位处于一定位置，实现不同负荷下的不同的风粉配比。并通过调节密封风挡板来维持密封风与一次风有一恒定差压，维持磨煤机正常运行[2]。这种调整过程势必明显改变粉碎效率（磨制能力），并影响磨煤机压降出口通风阻力进而影响风的携带能力。而二者又反过来影响料位的稳定。由以上磨煤机的工作原理及料位调节方式可以看出，对磨煤机运行状态进行考察，至少要考虑以下五个因素的影响即：料位、给煤量、通风量、进出口压降、电流。通常用料位来表征磨的出力情况，而料位设定值由操作人员根据经验和厂家推荐值设定实验数据来自华北某电厂BBD4062型双进双出磨煤机，影响磨煤机运行状态的参数大致可以将其归为两类:一类是运行人员可以参与调节控制的属于机组内部的参数，诸如：给煤量、通风量、料位，此处统称为可控参数；另一类是来自于机组外部，运行人员不能参与调节参数，比如：煤质参数、设计指标、以及进出口压降、电流根据磨运行而被动产生的表征状态的量，简称不可控参数。可以选取不同的参数作为磨运行工况分析的外部约束条件，对数据进行聚类分析。为避免维数灾难需对参数进行合理的简化，对以上参数进行分析可知：①煤质参数，及设计指标：电厂一般都具有固定的燃煤来源，所以从合理简化模型角度，可以将煤质参数和设计指标认为是定值。②重要的运行参数，表征料位、给煤量、通风量、进出口压降、电流中电流参数可以表征磨煤机的耗能情况；进出口压降是工况指标，如差压信号大于某一定值，即表明出现了堵煤故障；给煤量及风量表征负荷，如负荷增加，锅炉主控增大煤量需求，磨煤机的给煤量增加，风量必然增加以增大携粉能力促进炉膛火焰燃烧，而二者配合使料位（此处通过电耳测量）维持不变。因给煤量与入口风量信号的变化趋势一致及强相关性，仅考虑其中一个因素即可[3]，此处选择给煤量信号（两侧平均值）。本文主要研究稳定的正常工况下磨煤机的运行特性，所以表征堵煤故障的进出口压降信号可不予考虑。考虑到以上的简化，将磨的运行划分为27种典型工况，并选取如下27组数据作为初始类中心，如表1所示。从电站SIS系统中获得1000个历史数据，进行数据挖掘聚类分析，分类结果如表2所示。
表1 初始类中心
表2 磨煤机运行状态分类
根据以上27中典型工况的聚类结果可以看出料位对系统的出力的影响，低料位时，物料粉碎率较小，随着料位的增长，钢球间隙中物料增多，粉碎效率明显增大，而球磨机消耗的功率略有增加；随着料位继续增加，达到一个最佳的研磨料位，此时研磨效率提高系统消耗功率有一定下降，此后，如果料位继续增加，反而会导致研磨效率下降甚至发生堵煤的危险。但是当系统负荷较低时，因为给煤量少，此时若仍维持较高的料位，以目前的控制手段只能通过增加风量来实现，势必会导致钢球间的煤粉填充率降低，反而影响了研磨效果，导致消耗功率提高，这一点可以通过工况9、18、27的数据可以看到，所以比较理想的控制手段是随着负荷的变化对料位做适当调整。当料位一定时，作用于煤粉的粉碎出力基本不变，但给煤量的大小会造成煤粉细度的差别，给煤量较低时，煤粉细度明显增加。
3.结论
磨煤机作为火电站的主要耗能设备，其运行效率的研究对整台机组的高效运行有重要意义，本文基于SIS及DCS系统中蕴含的海量数据运用数据挖掘技术针对某电厂的双进双出球磨机的运行状态进行了划分，结果显示，这种方法可以快速准确的实现工况的合理划分，为下一步最优工况的研究奠定了基础。■
【参考文献】
［１］毛国君,数据挖掘原理与算法，清华大学出版社,2007年12月（2）.
［２］刘福国,基于数据挖掘的钢球磨煤机运行特性建模和优化,煤炭学报,2010(5)vol.35.No.5.
［３］Kiangi K Kianggi,Michael H Moys.Prticle filling and size effects on the ball lod behavious and power in a dry pilot mil:experimental study[J].Power Technology,2008,187:79-87.
0.引言
制粉系统是火电厂重要的外围系统之一，其关键设备球磨机的选择及运行状态对电站能否正常经济的运行有着重大影响。球磨机是火电厂的主要耗能设备，据统计火电厂15%的厂用电用于煤粉制备，其中绝大部分能量被转化为热量散失了，所以如何提高球磨机的工作效率是现在研究的热点，通过有效的手段探寻其最优的工作状态是提高现役设备效率的有效途径。由于DCS（集散控制系统）及SIS（信息监控系统）在火力发电厂的广泛应用，在历史数据及实时数据库中积累了丰富的球磨机以及其他设备的运行数据，这些海量数据中蕴含着非常有价值的信息。数据挖掘技术是面对“数据丰富而信息贫乏”这一现象，应运而生的一种新兴技术，可以从海量数据中提取可信、有效和易于理解的信息和模式。采用数据挖掘技术，可以从海量数据中提取出丰富的有价值的信息，表明磨的运行效率及各种运行参数之间的关系，而运行状态的划分是寻找最优工况的基础。双进双出球磨机因其效率高、运行可靠、能快速响应各种工况的优点广泛应用于火电厂煤粉制备，本文以双进双出球磨机为例研究其运行状态划分。
1.算法简介[1]
数据挖掘方法分为：聚类、关联规则、时序模式、回归、泛化等[2]。将物理或抽象对象的集合分组为由类似的对象组成的多个类的过程被称为聚类。数据聚类正在蓬勃发展，由于数据库中收集了大量的数据，聚类分析已成为数据挖掘研究领域中的一个非常活跃的研究课题。k-means 算法是最常用的聚类划分方法。
其工作原理简单描述如下：
k-means 算法以k为参数，把n个对象分为k个簇，以使簇内具有较高的相似度，而簇间的相似度较低。相似度的计算根据一个簇中对象的平均值来进行。k-means 算法的处理步骤为：
1.1首先在样本中随机选择k个对象，每个对象初始的代表了一个簇的初始平均值或中心。对剩余的每个对象，根据其与各个簇中心的距离，将它赋给最近的簇。
1.2重新计算每个簇的样本的平均值，作为新的簇的中心。根据此中心将样本中的对象重新归簇。
1.3不断重复步骤⑵，直至k个簇的中心不再发生变化或者准则函数收敛。k-means的收敛准则函数定义为：
E=■■x-■i■
式中：E是数据库中所有对象的平方误差的总和；x是空间中的点，表示给定的数据对象；■i是簇Ci的平均值( x和■i可以是一维或多维)。该准则可以保证最终的聚类结果尽可能的独立和紧凑。
2.实例分析
实际运行中，为保证磨出力正常要求在任何负荷下都确保磨内料位恒定，料位的调整是通过调节给煤量及热一次风量实现的，当负荷改变时，进入磨原给煤量发生变化，调节磨煤机进口各风门开度来调节制粉量的大小，保持磨内料位处于一定位置，实现不同负荷下的不同的风粉配比。并通过调节密封风挡板来维持密封风与一次风有一恒定差压，维持磨煤机正常运行[2]。这种调整过程势必明显改变粉碎效率（磨制能力），并影响磨煤机压降出口通风阻力进而影响风的携带能力。而二者又反过来影响料位的稳定。由以上磨煤机的工作原理及料位调节方式可以看出，对磨煤机运行状态进行考察，至少要考虑以下五个因素的影响即：料位、给煤量、通风量、进出口压降、电流。通常用料位来表征磨的出力情况，而料位设定值由操作人员根据经验和厂家推荐值设定实验数据来自华北某电厂BBD4062型双进双出磨煤机，影响磨煤机运行状态的参数大致可以将其归为两类:一类是运行人员可以参与调节控制的属于机组内部的参数，诸如：给煤量、通风量、料位，此处统称为可控参数；另一类是来自于机组外部，运行人员不能参与调节参数，比如：煤质参数、设计指标、以及进出口压降、电流根据磨运行而被动产生的表征状态的量，简称不可控参数。可以选取不同的参数作为磨运行工况分析的外部约束条件，对数据进行聚类分析。为避免维数灾难需对参数进行合理的简化，对以上参数进行分析可知：①煤质参数，及设计指标：电厂一般都具有固定的燃煤来源，所以从合理简化模型角度，可以将煤质参数和设计指标认为是定值。②重要的运行参数，表征料位、给煤量、通风量、进出口压降、电流中电流参数可以表征磨煤机的耗能情况；进出口压降是工况指标，如差压信号大于某一定值，即表明出现了堵煤故障；给煤量及风量表征负荷，如负荷增加，锅炉主控增大煤量需求，磨煤机的给煤量增加，风量必然增加以增大携粉能力促进炉膛火焰燃烧，而二者配合使料位（此处通过电耳测量）维持不变。因给煤量与入口风量信号的变化趋势一致及强相关性，仅考虑其中一个因素即可[3]，此处选择给煤量信号（两侧平均值）。本文主要研究稳定的正常工况下磨煤机的运行特性，所以表征堵煤故障的进出口压降信号可不予考虑。考虑到以上的简化，将磨的运行划分为27种典型工况，并选取如下27组数据作为初始类中心，如表1所示。从电站SIS系统中获得1000个历史数据，进行数据挖掘聚类分析，分类结果如表2所示。
表1 初始类中心
表2 磨煤机运行状态分类
根据以上27中典型工况的聚类结果可以看出料位对系统的出力的影响，低料位时，物料粉碎率较小，随着料位的增长，钢球间隙中物料增多，粉碎效率明显增大，而球磨机消耗的功率略有增加；随着料位继续增加，达到一个最佳的研磨料位，此时研磨效率提高系统消耗功率有一定下降，此后，如果料位继续增加，反而会导致研磨效率下降甚至发生堵煤的危险。但是当系统负荷较低时，因为给煤量少，此时若仍维持较高的料位，以目前的控制手段只能通过增加风量来实现，势必会导致钢球间的煤粉填充率降低，反而影响了研磨效果，导致消耗功率提高，这一点可以通过工况9、18、27的数据可以看到，所以比较理想的控制手段是随着负荷的变化对料位做适当调整。当料位一定时，作用于煤粉的粉碎出力基本不变，但给煤量的大小会造成煤粉细度的差别，给煤量较低时，煤粉细度明显增加。
3.结论
磨煤机作为火电站的主要耗能设备，其运行效率的研究对整台机组的高效运行有重要意义，本文基于SIS及DCS系统中蕴含的海量数据运用数据挖掘技术针对某电厂的双进双出球磨机的运行状态进行了划分，结果显示，这种方法可以快速准确的实现工况的合理划分，为下一步最优工况的研究奠定了基础。■
【参考文献】
［１］毛国君,数据挖掘原理与算法，清华大学出版社,2007年12月（2）.
［２］刘福国,基于数据挖掘的钢球磨煤机运行特性建模和优化,煤炭学报,2010(5)vol.35.No.5.
［３］Kiangi K Kianggi,Michael H Moys.Prticle filling and size effects on the ball lod behavious and power in a dry pilot mil:experimental study[J].Power Technology,2008,187:79-87.
注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文
【关键词】SIS系统；球磨机；运行状态
0.引言
制粉系统是火电厂重要的外围系统之一，其关键设备球磨机的选择及运行状态对电站能否正常经济的运行有着重大影响。球磨机是火电厂的主要耗能设备，据统计火电厂15%的厂用电用于煤粉制备，其中绝大部分能量被转化为热量散失了，所以如何提高球磨机的工作效率是现在研究的热点，通过有效的手段探寻其最优的工作状态是提高现役设备效率的有效途径。由于DCS（集散控制系统）及SIS（信息监控系统）在火力发电厂的广泛应用，在历史数据及实时数据库中积累了丰富的球磨机以及其他设备的运行数据，这些海量数据中蕴含着非常有价值的信息。数据挖掘技术是面对“数据丰富而信息贫乏”这一现象，应运而生的一种新兴技术，可以从海量数据中提取可信、有效和易于理解的信息和模式。采用数据挖掘技术，可以从海量数据中提取出丰富的有价值的信息，表明磨的运行效率及各种运行参数之间的关系，而运行状态的划分是寻找最优工况的基础。双进双出球磨机因其效率高、运行可靠、能快速响应各种工况的优点广泛应用于火电厂煤粉制备，本文以双进双出球磨机为例研究其运行状态划分。
1.算法简介[1]
数据挖掘方法分为：聚类、关联规则、时序模式、回归、泛化等[2]。将物理或抽象对象的集合分组为由类似的对象组成的多个类的过程被称为聚类。数据聚类正在蓬勃发展，由于数据库中收集了大量的数据，聚类分析已成为数据挖掘研究领域中的一个非常活跃的研究课题。k-means 算法是最常用的聚类划分方法。
其工作原理简单描述如下：
k-means 算法以k为参数，把n个对象分为k个簇，以使簇内具有较高的相似度，而簇间的相似度较低。相似度的计算根据一个簇中对象的平均值来进行。k-means 算法的处理步骤为：
1.1首先在样本中随机选择k个对象，每个对象初始的代表了一个簇的初始平均值或中心。对剩余的每个对象，根据其与各个簇中心的距离，将它赋给最近的簇。
1.2重新计算每个簇的样本的平均值，作为新的簇的中心。根据此中心将样本中的对象重新归簇。
1.3不断重复步骤⑵，直至k个簇的中心不再发生变化或者准则函数收敛。k-means的收敛准则函数定义为：
E=■■x-■i■
式中：E是数据库中所有对象的平方误差的总和；x是空间中的点，表示给定的数据对象；■i是簇Ci的平均值( x和■i可以是一维或多维)。该准则可以保证最终的聚类结果尽可能的独立和紧凑。
2.实例分析
实际运行中，为保证磨出力正常要求在任何负荷下都确保磨内料位恒定，料位的调整是通过调节给煤量及热一次风量实现的，当负荷改变时，进入磨原给煤量发生变化，调节磨煤机进口各风门开度来调节制粉量的大小，保持磨内料位处于一定位置，实现不同负荷下的不同的风粉配比。并通过调节密封风挡板来维持密封风与一次风有一恒定差压，维持磨煤机正常运行[2]。这种调整过程势必明显改变粉碎效率（磨制能力），并影响磨煤机压降出口通风阻力进而影响风的携带能力。而二者又反过来影响料位的稳定。由以上磨煤机的工作原理及料位调节方式可以看出，对磨煤机运行状态进行考察，至少要考虑以下五个因素的影响即：料位、给煤量、通风量、进出口压降、电流。通常用料位来表征磨的出力情况，而料位设定值由操作人员根据经验和厂家推荐值设定实验数据来自华北某电厂BBD4062型双进双出磨煤机，影响磨煤机运行状态的参数大致可以将其归为两类:一类是运行人员可以参与调节控制的属于机组内部的参数，诸如：给煤量、通风量、料位，此处统称为可控参数；另一类是来自于机组外部，运行人员不能参与调节参数，比如：煤质参数、设计指标、以及进出口压降、电流根据磨运行而被动产生的表征状态的量，简称不可控参数。可以选取不同的参数作为磨运行工况分析的外部约束条件，对数据进行聚类分析。为避免维数灾难需对参数进行合理的简化，对以上参数进行分析可知：①煤质参数，及设计指标：电厂一般都具有固定的燃煤来源，所以从合理简化模型角度，可以将煤质参数和设计指标认为是定值。②重要的运行参数，表征料位、给煤量、通风量、进出口压降、电流中电流参数可以表征磨煤机的耗能情况；进出口压降是工况指标，如差压信号大于某一定值，即表明出现了堵煤故障；给煤量及风量表征负荷，如负荷增加，锅炉主控增大煤量需求，磨煤机的给煤量增加，风量必然增加以增大携粉能力促进炉膛火焰燃烧，而二者配合使料位（此处通过电耳测量）维持不变。因给煤量与入口风量信号的变化趋势一致及强相关性，仅考虑其中一个因素即可[3]，此处选择给煤量信号（两侧平均值）。本文主要研究稳定的正常工况下磨煤机的运行特性，所以表征堵煤故障的进出口压降信号可不予考虑。考虑到以上的简化，将磨的运行划分为27种典型工况，并选取如下27组数据作为初始类中心，如表1所示。从电站SIS系统中获得1000个历史数据，进行数据挖掘聚类分析，分类结果如表2所示。
表1 初始类中心
表2 磨煤机运行状态分类
根据以上27中典型工况的聚类结果可以看出料位对系统的出力的影响，低料位时，物料粉碎率较小，随着料位的增长，钢球间隙中物料增多，粉碎效率明显增大，而球磨机消耗的功率略有增加；随着料位继续增加，达到一个最佳的研磨料位，此时研磨效率提高系统消耗功率有一定下降，此后，如果料位继续增加，反而会导致研磨效率下降甚至发生堵煤的危险。但是当系统负荷较低时，因为给煤量少，此时若仍维持较高的料位，以目前的控制手段只能通过增加风量来实现，势必会导致钢球间的煤粉填充率降低，反而影响了研磨效果，导致消耗功率提高，这一点可以通过工况9、18、27的数据可以看到，所以比较理想的控制手段是随着负荷的变化对料位做适当调整。当料位一定时，作用于煤粉的粉碎出力基本不变，但给煤量的大小会造成煤粉细度的差别，给煤量较低时，煤粉细度明显增加。
3.结论
磨煤机作为火电站的主要耗能设备，其运行效率的研究对整台机组的高效运行有重要意义，本文基于SIS及DCS系统中蕴含的海量数据运用数据挖掘技术针对某电厂的双进双出球磨机的运行状态进行了划分，结果显示，这种方法可以快速准确的实现工况的合理划分，为下一步最优工况的研究奠定了基础。■
【参考文献】
［１］毛国君,数据挖掘原理与算法，清华大学出版社,2007年12月（2）.
［２］刘福国,基于数据挖掘的钢球磨煤机运行特性建模和优化,煤炭学报,2010(5)vol.35.No.5.
［３］Kiangi K Kianggi,Michael H Moys.Prticle filling and size effects on the ball lod behavious and power in a dry pilot mil:experimental study[J].Power Technology,2008,187:79-87.
0.引言
制粉系统是火电厂重要的外围系统之一，其关键设备球磨机的选择及运行状态对电站能否正常经济的运行有着重大影响。球磨机是火电厂的主要耗能设备，据统计火电厂15%的厂用电用于煤粉制备，其中绝大部分能量被转化为热量散失了，所以如何提高球磨机的工作效率是现在研究的热点，通过有效的手段探寻其最优的工作状态是提高现役设备效率的有效途径。由于DCS（集散控制系统）及SIS（信息监控系统）在火力发电厂的广泛应用，在历史数据及实时数据库中积累了丰富的球磨机以及其他设备的运行数据，这些海量数据中蕴含着非常有价值的信息。数据挖掘技术是面对“数据丰富而信息贫乏”这一现象，应运而生的一种新兴技术，可以从海量数据中提取可信、有效和易于理解的信息和模式。采用数据挖掘技术，可以从海量数据中提取出丰富的有价值的信息，表明磨的运行效率及各种运行参数之间的关系，而运行状态的划分是寻找最优工况的基础。双进双出球磨机因其效率高、运行可靠、能快速响应各种工况的优点广泛应用于火电厂煤粉制备，本文以双进双出球磨机为例研究其运行状态划分。
1.算法简介[1]
数据挖掘方法分为：聚类、关联规则、时序模式、回归、泛化等[2]。将物理或抽象对象的集合分组为由类似的对象组成的多个类的过程被称为聚类。数据聚类正在蓬勃发展，由于数据库中收集了大量的数据，聚类分析已成为数据挖掘研究领域中的一个非常活跃的研究课题。k-means 算法是最常用的聚类划分方法。
其工作原理简单描述如下：
k-means 算法以k为参数，把n个对象分为k个簇，以使簇内具有较高的相似度，而簇间的相似度较低。相似度的计算根据一个簇中对象的平均值来进行。k-means 算法的处理步骤为：
1.1首先在样本中随机选择k个对象，每个对象初始的代表了一个簇的初始平均值或中心。对剩余的每个对象，根据其与各个簇中心的距离，将它赋给最近的簇。
1.2重新计算每个簇的样本的平均值，作为新的簇的中心。根据此中心将样本中的对象重新归簇。
1.3不断重复步骤⑵，直至k个簇的中心不再发生变化或者准则函数收敛。k-means的收敛准则函数定义为：
E=■■x-■i■
式中：E是数据库中所有对象的平方误差的总和；x是空间中的点，表示给定的数据对象；■i是簇Ci的平均值( x和■i可以是一维或多维)。该准则可以保证最终的聚类结果尽可能的独立和紧凑。
2.实例分析
实际运行中，为保证磨出力正常要求在任何负荷下都确保磨内料位恒定，料位的调整是通过调节给煤量及热一次风量实现的，当负荷改变时，进入磨原给煤量发生变化，调节磨煤机进口各风门开度来调节制粉量的大小，保持磨内料位处于一定位置，实现不同负荷下的不同的风粉配比。并通过调节密封风挡板来维持密封风与一次风有一恒定差压，维持磨煤机正常运行[2]。这种调整过程势必明显改变粉碎效率（磨制能力），并影响磨煤机压降出口通风阻力进而影响风的携带能力。而二者又反过来影响料位的稳定。由以上磨煤机的工作原理及料位调节方式可以看出，对磨煤机运行状态进行考察，至少要考虑以下五个因素的影响即：料位、给煤量、通风量、进出口压降、电流。通常用料位来表征磨的出力情况，而料位设定值由操作人员根据经验和厂家推荐值设定实验数据来自华北某电厂BBD4062型双进双出磨煤机，影响磨煤机运行状态的参数大致可以将其归为两类:一类是运行人员可以参与调节控制的属于机组内部的参数，诸如：给煤量、通风量、料位，此处统称为可控参数；另一类是来自于机组外部，运行人员不能参与调节参数，比如：煤质参数、设计指标、以及进出口压降、电流根据磨运行而被动产生的表征状态的量，简称不可控参数。可以选取不同的参数作为磨运行工况分析的外部约束条件，对数据进行聚类分析。为避免维数灾难需对参数进行合理的简化，对以上参数进行分析可知：①煤质参数，及设计指标：电厂一般都具有固定的燃煤来源，所以从合理简化模型角度，可以将煤质参数和设计指标认为是定值。②重要的运行参数，表征料位、给煤量、通风量、进出口压降、电流中电流参数可以表征磨煤机的耗能情况；进出口压降是工况指标，如差压信号大于某一定值，即表明出现了堵煤故障；给煤量及风量表征负荷，如负荷增加，锅炉主控增大煤量需求，磨煤机的给煤量增加，风量必然增加以增大携粉能力促进炉膛火焰燃烧，而二者配合使料位（此处通过电耳测量）维持不变。因给煤量与入口风量信号的变化趋势一致及强相关性，仅考虑其中一个因素即可[3]，此处选择给煤量信号（两侧平均值）。本文主要研究稳定的正常工况下磨煤机的运行特性，所以表征堵煤故障的进出口压降信号可不予考虑。考虑到以上的简化，将磨的运行划分为27种典型工况，并选取如下27组数据作为初始类中心，如表1所示。从电站SIS系统中获得1000个历史数据，进行数据挖掘聚类分析，分类结果如表2所示。
表1 初始类中心
表2 磨煤机运行状态分类
根据以上27中典型工况的聚类结果可以看出料位对系统的出力的影响，低料位时，物料粉碎率较小，随着料位的增长，钢球间隙中物料增多，粉碎效率明显增大，而球磨机消耗的功率略有增加；随着料位继续增加，达到一个最佳的研磨料位，此时研磨效率提高系统消耗功率有一定下降，此后，如果料位继续增加，反而会导致研磨效率下降甚至发生堵煤的危险。但是当系统负荷较低时，因为给煤量少，此时若仍维持较高的料位，以目前的控制手段只能通过增加风量来实现，势必会导致钢球间的煤粉填充率降低，反而影响了研磨效果，导致消耗功率提高，这一点可以通过工况9、18、27的数据可以看到，所以比较理想的控制手段是随着负荷的变化对料位做适当调整。当料位一定时，作用于煤粉的粉碎出力基本不变，但给煤量的大小会造成煤粉细度的差别，给煤量较低时，煤粉细度明显增加。
3.结论
磨煤机作为火电站的主要耗能设备，其运行效率的研究对整台机组的高效运行有重要意义，本文基于SIS及DCS系统中蕴含的海量数据运用数据挖掘技术针对某电厂的双进双出球磨机的运行状态进行了划分，结果显示，这种方法可以快速准确的实现工况的合理划分，为下一步最优工况的研究奠定了基础。■
【参考文献】
［１］毛国君,数据挖掘原理与算法，清华大学出版社,2007年12月（2）.
［２］刘福国,基于数据挖掘的钢球磨煤机运行特性建模和优化,煤炭学报,2010(5)vol.35.No.5.
［３］Kiangi K Kianggi,Michael H Moys.Prticle filling and size effects on the ball lod behavious and power in a dry pilot mil:experimental study[J].Power Technology,2008,187:79-87.
注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文