一种配煤掺烧优化方法与流程

1.本发明属于火力发电配煤掺烧领域，尤其涉及一种配煤掺烧优化方法。


背景技术：

2.燃料成本是燃煤发电厂运行成本的重要组成部分。面对煤炭市场的不利形势，优化燃煤结构、科学合理地开展配煤掺烧工作，是应对市场变化、降低发电企业运行成本的重要举措。
3.当前的配煤掺烧系统多处于实验研究阶段，投入使用的少之又少，并且多处于对燃料配比、热效率计算等研究，对于配煤掺烧系统的故障评估检测缺少相应的有效技术手段，导致配煤掺烧系统运行不稳定，故障率高，影响其正常使用，增加经济使用成本。
4.为提升电厂经济效益，强化燃料管理，推进燃料精细化工作，优化配煤掺烧方式，有效控降标煤单价，降低公司燃料成本，本方案通过优化掺烧方案、反平衡校验、掺烧校验、低位热值检验、通过采集数据分析对系统进行评测等功能，指导生产现场配煤掺烧工作，对指导机组经济运行具有重要意义。


技术实现要素：

5.针对现有技术不足，本发明的目的在于提供了一种配煤掺烧优化方法，通过优化掺烧方案、反平衡校验、掺烧校验、低位热值检验等功能，强化燃料管理，优化配煤掺烧方式，降低燃料成本；通过采集数据分析对系统进行评测，通过对采集数据的分析和处理，减小数据误差，提升系统评估的准确性，有助于降低系统故障率，提升系统运行的稳定性。
6.本发明提供如下技术方案：
7.一种配煤掺烧优化方法，包括以下步骤：
8.s1，数据采集，通过数据采集模块采集燃煤锅炉的过热蒸汽流量、压力、温度数据，锅炉排烟温度、排烟含氧量、排烟一氧化碳浓度数据，锅炉机组温度数据；
9.s2，数据存储，对燃煤锅炉蒸汽数据、排烟数据、锅炉温度数据均对应设置一个机组数据库和配置数据库，机组数据库存储采集的数据信息，配置数据库存储配置信息；
10.s3，数据分析，包括以下步骤：a，对采集的所有样本数据进行聚类融合；b，将多数类的样本按照不稳定程度从高到低排列；c，通过引入删除因子，删除不稳定程度较高的多数类；d，得到新的样本数据集；
11.s4，系统评估，通过数据分析处理，对系统锅炉机组、排烟系统、锅炉热效率进行系统评估和故障判断，得出系统评测报告和故障报告。
12.优选的，步骤s2中，机组数据库中采集的信号数据包括实时数据、当前数据、历史数据和异常数据，并分别进行存储。
13.优选的，步骤s3中，具体步骤包括，a：首先将采集的过热蒸汽流量、压力、温度，再热蒸汽压力、温度，给水压力温度，锅炉机组的温度数据集聚类计算并指定簇的个数；b，计算每次聚类中每个簇的数目，并且比较该簇中多数类样和少数类样本的个数，若少数类样
本多于多数类样本个数，则该簇定位正类簇，反之为负类簇。
14.优选的，步骤s3中，还包括步骤c，对所有的样本对象进行遍历，若负类样本真实类别与所在簇的类别一致，则该样本类别函数y(x)设为0，否则设为1；d，重复以上步骤a
‑
c；e，计算最终负类数据样本的类别函数值，并将多数类样本按照函数值大小进行从高到低的排序；f，根据选定的删除因子按照比例删除多数类样本，得到新的数据集样本，之后将新生成的数据集利用分类算法进行分类训练。
15.优选的，步骤s3中，并且引入删除因子δ，δ＝(删除的多数类样本)/(不稳定的多数类样本)；δ的值大于0小于等于1，本方案中的取值范围为0.45
‑
0.85，防止多类样本删除太多或者太少，提升分类器对于样本分类精确度，增加系统风险、故障评估的准确性。
16.优选的，步骤s4中，经过步骤s3之后，得到平衡的采样数据样本，对新样本数据集进行特征提取，选取时域、频域和时频域数据特征。
17.优选的，根据系统燃煤锅炉运行状态和系统故障频率将数据特征分层，对每一层利用聚类算法找出聚类中心，得到较少的锅炉温度和系统故障类型集合；对较少的数据集合进行重新分层，对于新的数据类型集首先通过聚类计算出其每一簇数据的中心，然后再与较少的锅炉温度和系统故障类型集合的每一层聚类中心求取欧氏距离，再把新的数据集的每个聚类中心的距离相加，根据距离归类，对新数据分层，分层到了某一层后，采用上述方法判断是否属于最小的集合到最底层，将上述训练好的分类器进行分类运算，对系统锅炉机组、排烟系统、锅炉热效率进行系统评估和故障判断，得出系统评测报告和故障报告。
18.在上述步骤中，正类簇为在某个聚类的簇中，少数类样本个数大于多数类样本个数，反之，少数类样本个数小于多数类样本个数为负类簇；若g
i
(u)表示多数类样本点u在第i次聚类中所述的簇类别，且聚类次数为m次，则该多数类样本的类别公式满足i次聚类中所述的簇类别，且聚类次数为m次，则该多数类样本的类别公式满足y(x)为类别函数，当多数类样本为正类时，函数值为1，多数类样本为正类时，函数值为
‑
1；f
u
是最终类别函数值，在经过多次聚类之后，若f
u
大于0则认为该多数类样本为不稳定点，则该样本实际为负类，经过聚类之后该样本落在正类簇的次数大于负类簇；若f
u
小于0则认为该多数类样本为稳定点，则该样本实际为负类，经过聚类之后该样本落在负类簇的次数大于正类簇。最后将得到的f
u
的值从大到小排列，f
u
值越大，表明越不稳定可以选择性将其删除，增加数据分类的稳定性和准确性；但是将多数类样本删除太多，分类器对于多数类的分类精确度将显著降低，若删除太少，分类器对于少数类样本分类精确度降低。
19.优选的，一种配煤掺烧优化方法采样掺烧优化系统，包括监测主机；所述监测主机包括管理模块、数据采集模块和通讯模块；所述数据采集模块与监测主机之间采用无线信号传输进行数据存储，监测主机对存储的采集数据通过数据分析处理模块进行处理，所述数据分析处理模块包括报警模块和评估模块；所述管理模块包括燃煤锅炉机组的基础数据模块、掺烧方案模块、校验模块、帮助模块；
20.所述校验模块包括反平衡校验、掺烧校验、低位热值校验；所述数据采集模块包括燃煤锅炉机组数据、排烟数据、锅炉热效率数据；所述燃煤锅炉数据包括过热蒸汽流量、压力、温度数据，排烟数据包括排烟温度、排烟含氧量、排烟一氧化碳浓度数据，锅炉热效率数
据包括锅炉机组温度数据；所述数据采集模块还包括不同种类的多个传感器和数据采集卡，多个传感器与数据采集卡之间通过无线信号传输。
21.优选的，不同种类多个传感器包括燃煤锅炉机组的蒸汽流量传感器、蒸汽压力传感器、蒸汽温度传感器，给水压力传感器，给水温度传感器；排烟数据监测的排烟温度传感器、排烟氧气传感器、一氧化碳传感器；蒸汽流量传感器、蒸汽压力传感器、蒸汽温度传感器设置在锅炉蒸汽管道内；排烟温度传感器、排烟氧气传感器、一氧化碳传感器均匀设在锅炉排烟管道内。
22.优选的，所述管理模块分为数据层、中间层、应用层，数据层采用分布式p2p数据存储环境对基础数据进行存储，使用开元区块连搭建管理系统模块；中间层包括智能合约层和web3组成，应用层为监测主机的交互层，通过监测主机的可视化截面查看管理模块中的数据。
23.优选的，基础数据模块包括原煤基础数据与生产基础数据两部分；原煤基础数据是计算标煤单价的基础数据；生产基础数据是计算配煤掺烧锅炉蒸发量、消耗理论标煤量的基础数据；基础数据模块是其他部分计算的依据，在每次计算前所有基础数据必须检查一遍并进行调整。
24.优选的，掺烧方案模块分为标煤单价目标模块和入炉热值目标模块；标煤单价目标模块是以控制标煤单价为目标的掺烧方案；入炉热值目标模块是以控制入炉热值为目标的掺烧方案。
25.优选的，反平衡校验模块根据生产现场实际数据，能够测算出反平衡锅炉效率、反平衡热耗率、反平衡发电煤耗、反平衡供电煤耗、反平衡供热煤耗、反平衡标煤量、反平衡原煤量、反平衡入炉煤热值；可以分析机组运行中的缺陷和不足，为改善机组的性能提供决策依据，通过对比，反平衡结果可以校验正平衡数据。
26.优选的，掺烧校验模块，用户可以根据高质煤和低质煤的煤量及热值，对掺烧后的标煤单价、热值及其变化量进行校验，用于指导掺烧。
27.优选的，低位热值校验模块，用户可以根据生产各个指标，对锅炉蒸发量、总标煤量、热值、原煤量进行校核，提高入炉煤专业管理水平。
28.优选的，监测主机通过数据分析处理模块对采集的数据预处理步骤包括：a，对采集的所有样本数据进行聚类融合；b，将多数类的样本按照不稳定程度从高到低排列；c，通过引入删除因子，删除不稳定程度较高的多数类；d，得到新的样本数据集；解决采集数据集的多数类和少数类不平衡的问题，提升采集数据的准确性，减少误差。
29.通过上述方法对采集的排烟温度、排烟氧气浓度、一氧化碳浓度数据进行处理，增加采集数据的精确性，便于后续进行氮氧化合物排放量的精确计算，符合排放标准，便于及时找出排烟问题，排出故障，保障系统稳定运行。
30.数据采集模块进行数据采集后，将数据签名后存储至ipfs，ipfs会返回存储的数据索引哈希，之后将该索引哈希用系统公钥加密后存储到区块链上，ipfs可对大量数据进行去中心化的分布存储，在系统中接收监测主机服务器的数据处理模块的数据，并存储在ipfs的节点上，后去接收管理模块的数据调用；增强数据的采集安全性、存储安全性。
31.当系统的评估结果出现异常数据时，报警模块通过蜂鸣器报警，为了增加故障报警的准确性，异常数据的报警阈值z在未获得监测主机数据分析结果时，根据系统各个工作
状态下各个指标的正常数据，计算数据指标，然后根据这些数据指标的均值μ和标准方差σ，则报警阈值z满足以下关系：
32.z＝φ
·
(μ2+3σ2)
1/2
；φ为关系因子，取值范围为0.366
‑
2.626。
33.所述反平衡校验模块中，根据数据采集模块获取以下数据，
34.燃煤锅炉机组的蒸汽流量、蒸汽压力、蒸汽温度，给水压力，给水温度；锅炉排烟温度、排烟氧气浓度、一氧化碳浓度。根据实际生产监测得出以下数据：累计发电量、累计供汽量、累计主蒸汽流量、主汽压力、主汽温度、供热压力、供汽温度、冷再温度、热再压力、热再温度、给水压力、给水温度、累计给水流量、主减温水压力、主减温水温度、主减温水累计量、再热减温水压力、再热减温水温度、再热减温水累计量、飞灰含碳量、炉渣含碳量、发电用电率、排烟温度、送风温度、入炉煤热值、耗用原煤量、空预漏风率，通过以上值与系统评估模块得出的数据对比，进行校验得出反平衡校验结果。反平衡校验结果主要包含反平衡锅炉效率、反平衡热耗率、发平衡发电煤耗、反平衡供电煤耗、反平衡供热煤耗、反平衡标煤量、反平衡原煤量、反平衡入炉煤热值等参数。
35.与现有技术相比，本发明具有以下有益效果：
36.(1)本发明一种配煤掺烧优化方法，通过优化掺烧方案、反平衡校验、掺烧校验、低位热值检验等功能，强化燃料管理，优化配煤掺烧方式，提升电厂经济效益，强化燃料管理，推进燃料精细化工作，有效控降标煤单价，降低燃料成本；通过采集数据分析对系统进行评测，通过对采集数据的分析和处理，减小数据误差，提升系统评估的准确性，有助于降低系统故障率，提升系统运行的稳定性。
37.(2)本发明一种配煤掺烧优化方法，通过数据处理分析模块对数据的处理的方法，能够去除混在少数类中的多数类样本，并且能够去除少数类和多数类样本模糊边界上的多数类样本，剔除误差较为明显的数据，增加采集过热蒸汽流量、压力、温度，再热蒸汽压力、温度，给水压力温度，锅炉机组温度的数据的精确性，保证多数类样本和少数类样本到达平衡，减小采集数据对评测结果的误差影响。
38.(3)本发明一种配煤掺烧优化方法，通过数据处理分析模块对数据的处理方法，对采集的排烟温度、排烟氧气浓度、一氧化碳浓度数据进行处理，增加采集数据的精确性，便于后续进行氮氧化合物排放量的精确计算，符合排放标准，便于及时找出排烟问题，排出故障，保障系统稳定运行。
39.(4)本发明一种配煤掺烧优化方法，采用分类训练方法，对系统锅炉机组、排烟系统、锅炉热效率进行系统评估和故障判断，得出系统评测报告和故障报告，增加对系统评估判断的准确性，保证系统稳定运行，及时排除系统故障，保证系统安全。
40.(5)本发明一种配煤掺烧优化方法，监测主机的管理模块对采集的数据和基础数据，采用分布式存储，相比于传统信息管理系统面临的安全问题，进一步增强数据的采集安全性、存储安全性。
41.(6)本发明一种配煤掺烧优化方法，通过对f
u
的值从大到小排列，选择性删除不稳定多类样本，增加数据分类的稳定性和准确性，并且引入删除因子δ，防止多类样本删除太多或者太少，提升分类器对于样本分类精确度，增加系统风险、故障评估的准确性。
42.(7)本发明一种配煤掺烧优化方法，报警模块通过限定均值和标准方差，报警阈值的关系，振动信号使用组合报警的方法，提高报警的准确性，减少误报警几率，有助于及时
发现系统故障，及时排除，保证系统的平稳运行。
附图说明
43.为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
44.图1是本发明的系统框架结构图。
45.图2是本发明的数据采集模块数据流程框图。
46.图3是本发明的数据采集模块框架结构图。
47.图4是本发明的校验模块结构框图。
48.图5是本发明的数据分析处理流程图。
49.图6是本发明的方法流程图。
具体实施方式
50.为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述。显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
51.因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
52.实施例一：
53.如图6所示，一种配煤掺烧优化方法，包括以下步骤：
54.s1，数据采集，通过数据采集模块采集燃煤锅炉的过热蒸汽流量、压力、温度数据，锅炉排烟温度、排烟含氧量、排烟一氧化碳浓度数据，锅炉机组温度数据；
55.s2，数据存储，对燃煤锅炉蒸汽数据、排烟数据、锅炉温度数据均对应设置一个机组数据库和配置数据库，机组数据库存储采集的数据信息，配置数据库存储配置信息；
56.s3，数据分析，包括以下步骤：a，对采集的所有样本数据进行聚类融合；b，将多数类的样本按照不稳定程度从高到低排列；c，通过引入删除因子，删除不稳定程度较高的多数类；d，得到新的样本数据集；
57.s4，系统评估，通过数据分析处理，对系统锅炉机组、排烟系统、锅炉热效率进行系统评估和故障判断，得出系统评测报告和故障报告。
58.步骤s2中，机组数据库中采集的信号数据包括实时数据、当前数据、历史数据和异常数据，并分别进行存储。
59.步骤s3中，具体步骤包括，a：首先将采集的过热蒸汽流量、压力、温度，再热蒸汽压力、温度，给水压力温度，锅炉机组的温度数据集聚类计算并指定簇的个数；b，计算每次聚
类中每个簇的数目，并且比较该簇中多数类样和少数类样本的个数，若少数类样本多于多数类样本个数，则该簇定位正类簇，反之为负类簇。
60.步骤s3中，还包括步骤c，对所有的样本对象进行遍历，若负类样本真实类别与所在簇的类别一致，则该样本类别函数y(x)设为0，否则设为1；d，重复以上步骤a
‑
c；e，计算最终负类数据样本的类别函数值，并将多数类样本按照函数值大小进行从高到低的排序；f，根据选定的删除因子按照比例删除多数类样本，得到新的数据集样本，之后将新生成的数据集利用分类算法进行分类训练。
61.步骤s3中，并且引入删除因子δ，δ＝(删除的多数类样本)/(不稳定的多数类样本)；δ的值大于0小于等于1，本方案中的取值范围为0.45
‑
0.85，防止多类样本删除太多或者太少，提升分类器对于样本分类精确度，增加系统风险、故障评估的准确性。
62.步骤s4中，经过步骤s3之后，得到平衡的采样数据样本，对新样本数据集进行特征提取，选取时域、频域和时频域数据特征。
63.根据系统燃煤锅炉运行状态和系统故障频率将数据特征分层，对每一层利用聚类算法找出聚类中心，得到较少的锅炉温度和系统故障类型集合；对较少的数据集合进行重新分层，对于新的数据类型集首先通过聚类计算出其每一簇数据的中心，然后再与较少的锅炉温度和系统故障类型集合的每一层聚类中心求取欧氏距离，再把新的数据集的每个聚类中心的距离相加，根据距离归类，对新数据分层，分层到了某一层后，采用上述方法判断是否属于最小的集合到最底层，将上述训练好的分类器进行分类运算，对系统锅炉机组、排烟系统、锅炉热效率进行系统评估和故障判断，得出系统评测报告和故障报告。
64.实施例二：
65.如图1所示，一种配煤掺烧优化系统，包括监测主机；所述监测主机包括管理模块、数据采集模块和通讯模块；所述数据采集模块与监测主机之间采用无线信号传输进行数据存储，监测主机对存储的采集数据通过数据分析处理模块进行处理，所述数据分析处理模块包括报警模块和评估模块；所述管理模块包括燃煤锅炉机组的基础数据模块、掺烧方案模块、校验模块、帮助模块；
66.所述校验模块包括反平衡校验、掺烧校验、低位热值校验；所述数据采集模块包括燃煤锅炉机组数据、排烟数据、锅炉热效率数据；所述燃煤锅炉数据包括过热蒸汽流量、压力、温度数据，排烟数据包括排烟温度、排烟含氧量、排烟一氧化碳浓度数据，锅炉热效率数据包括锅炉机组温度数据；所述数据采集模块还包括不同种类的多个传感器和数据采集卡，多个传感器与数据采集卡之间通过无线信号传输。
67.基础数据模块包括原煤基础数据与生产基础数据两部分；原煤基础数据是计算标煤单价的基础数据；生产基础数据是计算配煤掺烧锅炉蒸发量、消耗理论标煤量的基础数据；基础数据模块是其他部分计算的依据，在每次计算前所有基础数据必须检查一遍并进行调整。掺烧方案模块分为标煤单价目标模块和入炉热值目标模块；标煤单价目标模块是以控制标煤单价为目标的掺烧方案；入炉热值目标模块是以控制入炉热值为目标的掺烧方案。
68.反平衡校验模块根据生产现场实际数据，能够测算出反平衡锅炉效率、反平衡热耗率、反平衡发电煤耗、反平衡供电煤耗、反平衡供热煤耗、反平衡标煤量、反平衡原煤量、反平衡入炉煤热值；可以分析机组运行中的缺陷和不足，为改善机组的性能提供决策依据，
通过对比，反平衡结果可以校验正平衡数据。掺烧校验模块，用户可以根据高质煤和低质煤的煤量及热值，对掺烧后的标煤单价、热值及其变化量进行校验，用于指导掺烧。低位热值校验模块，用户可以根据生产各个指标，对锅炉蒸发量、总标煤量、热值、原煤量进行校核，提高入炉煤专业管理水平。
69.数据采集模块进行数据采集后，将数据签名后存储至ipfs，ipfs会返回存储的数据索引哈希，之后将该索引哈希用系统公钥加密后存储到区块链上，ipfs可对大量数据进行去中心化的分布存储，在系统中接收监测主机服务器的数据处理模块的数据，并存储在ipfs的节点上，后去接收管理模块的数据调用；增强数据的采集安全性、存储安全性。
70.实施例三：
71.如图2
‑
4所示，在实施例一的基础上，不同种类多个传感器包括燃煤锅炉机组的蒸汽流量传感器、蒸汽压力传感器、蒸汽温度传感器，给水压力传感器，给水温度传感器；排烟数据监测的排烟温度传感器、排烟氧气传感器、一氧化碳传感器；蒸汽流量传感器、蒸汽压力传感器、蒸汽温度传感器设置在锅炉蒸汽管道内；排烟温度传感器、排烟氧气传感器、一氧化碳传感器均匀设在锅炉排烟管道内。
72.所述管理模块分为数据层、中间层、应用层，数据层采用分布式p2p数据存储环境对基础数据进行存储，使用开元区块连搭建管理系统模块；中间层包括智能合约层和web3组成，应用层为监测主机的交互层，通过监测主机的可视化截面查看管理模块中的数据。
73.实施例四：
74.如图5所示，监测主机通过数据分析处理模块对采集的数据预处理步骤包括：a，对采集的所有样本数据进行聚类融合；b，将多数类的样本按照不稳定程度从高到低排列；c，通过引入删除因子，删除不稳定程度较高的多数类；d，得到新的样本数据集；解决采集数据集的多数类和少数类不平衡的问题，提升采集数据的准确性，减少误差。
75.监测主机通过数据分析处理模块对采集的数据的具体分析步骤如下：a：首先将采集的过热蒸汽流量、压力、温度，再热蒸汽压力、温度，给水压力温度，锅炉机组的温度数据集聚类计算并指定簇的个数；b，计算每次聚类中每个簇的数目，并且比较该簇中多数类样和少数类样本的个数，若少数类样本多于多数类样本个数，则该簇定位正类簇，反之为负类簇；c，对所有的样本对象进行遍历，若负类样本真实类别与所在簇的类别一致，则该样本类别函数y(x)设为0，否则设为1；d，重复以上步骤a
‑
c；e，计算最终负类数据样本的类别函数值，并将多数类样本按照函数值大小进行从高到低的排序；f，根据选定的删除因子按照比例删除多数类样本，得到新的数据集样本，之后将新生成的数据集利用分类算法进行分类训练。通过以上数据处理，能够去除混在少数类中的多数类样本，并且能够去除少数类和多数类样本模糊边界上的多数类样本，剔除误差较为明显的数据，增加采集过热蒸汽流量、压力、温度，再热蒸汽压力、温度，给水压力温度，锅炉机组温度的数据的精确性，保证多数类样本和少数类样本到达平衡，减小采集数据对评测结果的误差影响。
76.在上述步骤中，正类簇为在某个聚类的簇中，少数类样本个数大于多数类样本个数，反之，少数类样本个数小于多数类样本个数为负类簇；若g
i
(u)表示多数类样本点u在第i次聚类中所述的簇类别，且聚类次数为m次，则该多数类样本的类别公式满足
y(x)为类别函数，当多数类样本为正类时，函数值为1，多数类样本为正类时，函数值为
‑
1；f
u
是最终类别函数值，在经过多次聚类之后，若f
u
大于0则认为该多数类样本为不稳定点，则该样本实际为负类，经过聚类之后该样本落在正类簇的次数大于负类簇；若f
u
小于0则认为该多数类样本为稳定点，则该样本实际为负类，经过聚类之后该样本落在负类簇的次数大于正类簇。最后将得到的f
u
的值从大到小排列，f
u
值越大，表明越不稳定可以选择性将其删除，增加数据分类的稳定性和准确性；但是将多数类样本删除太多，分类器对于多数类的分类精确度将显著降低，若删除太少，分类器对于少数类样本分类精确度降低；所以引入删除因子δ，δ＝(删除的多数类样本)/(不稳定的多数类样本)；δ的值大于0小于等于1，本方案中的取值范围为0.45
‑
0.85。
77.通过上述方法对采集的排烟温度、排烟氧气浓度、一氧化碳浓度数据进行处理，增加采集数据的精确性，便于后续进行氮氧化合物排放量的精确计算，符合排放标准，便于及时找出排烟问题，排出故障，保障系统稳定运行。
78.实施例五：
79.在实施例四的基础上，在步骤f中，得到新数据集样本之后，对新样本数据集进行特征提取，选取时域、频域和时频域数据特征；根据系统燃煤锅炉温度和系统故障频率将数据特征分层，对每一层利用聚类算法找出聚类中心，得到较少的锅炉温度和系统故障类型集合；对较少的数据集合进行重新分层，对于新的数据类型集首先通过聚类计算出其每一簇数据的中心，然后再与较少的锅炉温度和系统故障类型集合的每一层聚类中心求取欧氏距离，再把新的数据集的每个聚类中心的距离相加，根据距离归类，对新数据分层，分层到了某一层后，采用上述方法判断是否属于最小的集合到最底层，将上述训练好的分类器进行分类运算，对系统锅炉机组、排烟系统、锅炉热效率进行系统评估和故障判断，得出系统评测报告和故障报告，增加对系统评估判断的准确性，保证系统稳定运行，及时排除系统故障，保证系统安全。
80.当系统的评估结果出现异常数据时，报警模块通过蜂鸣器报警，为了增加故障报警的准确性，异常数据的报警阈值z在未获得监测主机数据分析结果时，根据系统各个工作状态下各个指标的正常数据，计算数据指标，然后根据这些数据指标的均值μ和标准方差σ，则报警阈值z满足以下关系：
81.z＝φ
·
(μ2+3σ2)
1/2
；φ为关系因子，取值范围为0.366
‑
2.626。
82.实施例六：
83.在实施例一的基础上，基础数据模块包括原煤基础数据、生产基础数据，原煤基础数据是计算标煤单价的基础数据。用户根据生产现场实际需要向系统输入的数据主要包含：原煤执行价下、热值分界点、低质煤执行价、煤泥执行价、燃料手续费、原煤执行价上、入厂原煤热值、入厂低质热值、入厂煤泥热值。当煤价发生变化时，原煤基础数据才发生变化，一般不修改数据。各个入厂煤热值是掺烧方案的基础数据，每次计算时需要修改数据。生产基础数据模块是计算配煤掺烧锅炉蒸发量、消耗理论标煤量的基础数据。用户根据生产现场实际需要输入的数据主要包含：发电量、供汽量、供汽压力、循环水温、入炉煤热值、飞灰
含碳量、炉渣含碳量、排烟温度、锅炉漏风率、时间周期、双机时间、低除补水流量。用户每次计算时按实际情况更新数据。
84.所述反平衡校验模块中，根据数据采集模块获取以下数据，燃煤锅炉机组的蒸汽流量、蒸汽压力、蒸汽温度，给水压力，给水温度；锅炉排烟温度、排烟氧气浓度、一氧化碳浓度。根据实际生产监测得出以下数据：累计发电量、累计供汽量、累计主蒸汽流量、主汽压力、主汽温度、供热压力、供汽温度、冷再温度、热再压力、热再温度、给水压力、给水温度、累计给水流量、主减温水压力、主减温水温度、主减温水累计量、再热减温水压力、再热减温水温度、再热减温水累计量、飞灰含碳量、炉渣含碳量、发电用电率、排烟温度、送风温度、入炉煤热值、耗用原煤量、空预漏风率，通过以上值与系统评估模块得出的数据对比，进行校验得出反平衡校验结果。反平衡校验结果主要包含反平衡锅炉效率、反平衡热耗率、发平衡发电煤耗、反平衡供电煤耗、反平衡供热煤耗、反平衡标煤量、反平衡原煤量、反平衡入炉煤热值等参数。低位热值校核模块中获取以下参数：主汽压力、主汽温度、再热汽量、循环水量、过热减温水量、再热减温水量、供热温度、统计用原煤量。用户根据汽动给水泵或电动给水泵运行状况选择是否“电泵运行”，通过校验得到如下校验结果：校核锅炉蒸发量、校核耗总标煤量、校核入炉煤热值、化验入炉煤热值、校核原煤量、化验煤热值偏高或降低、统计煤量情况。
85.通过上述技术方案得到的装置是一种配煤掺烧优化方法，通过优化掺烧方案、反平衡校验、掺烧校验、低位热值检验等功能，强化燃料管理，优化配煤掺烧方式，提升电厂经济效益，强化燃料管理，推进燃料精细化工作，有效控降标煤单价，降低燃料成本；通过采集数据分析对系统进行评测，通过对采集数据的分析和处理，减小数据误差，提升系统评估的准确性，有助于降低系统故障率，提升系统运行的稳定性。通过数据处理分析模块对数据的处理的方法，能够去除混在少数类中的多数类样本，并且能够去除少数类和多数类样本模糊边界上的多数类样本，剔除误差较为明显的数据，增加采集过热蒸汽流量、压力、温度，再热蒸汽压力、温度，给水压力温度，锅炉机组温度的数据的精确性，保证多数类样本和少数类样本到达平衡，减小采集数据对评测结果的误差影响。通过数据处理分析模块对数据的处理方法，对采集的排烟温度、排烟氧气浓度、一氧化碳浓度数据进行处理，增加采集数据的精确性，便于后续进行氮氧化合物排放量的精确计算，符合排放标准，便于及时找出排烟问题，排出故障，保障系统稳定运行。采用分类训练方法，对系统锅炉机组、排烟系统、锅炉热效率进行系统评估和故障判断，得出系统评测报告和故障报告，增加对系统评估判断的准确性，保证系统稳定运行，及时排除系统故障，保证系统安全。监测主机的管理模块对采集的数据和基础数据，采用分布式存储，相比于传统信息管理系统面临的安全问题，进一步增强数据的采集安全性、存储安全性。通过对f
u
的值从大到小排列，选择性删除不稳定多类样本，增加数据分类的稳定性和准确性，并且引入删除因子δ，防止多类样本删除太多或者太少，提升分类器对于样本分类精确度，增加系统风险、故障评估的准确性。报警模块通过限定均值和标准方差，报警阈值的关系，振动信号使用组合报警的方法，提高报警的准确性，减少误报警几率，有助于及时发现系统故障，及时排除，保证系统的平稳运行。
86.本发明中未详细阐述的其它技术方案均为本领域的现有技术，在此不再赘述。
87.以上所述仅为本发明的优选实施方式而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化；凡在本发明的精神和原则之内，所作的任何
修改、等同替换、改进等，均应包含在本发明的保护范围之内。