一种大数据智能控制布袋除尘器优化控制方法及系统与流程

本发明涉及一种大数据智能控制布袋除尘器优化控制方法及系统，属于燃煤锅炉除尘技术领域。

背景技术：

近年来，随着我国经济高速发展及居民生活需要，能源需求日益增加，各种设计用途燃煤锅炉不断新建投产，能量产出增长同时给环境造成极大负担。新的环境污染问题不断出现，雾霾现象表现尤为突出。雾霾形成主要依赖大气中的超细颗粒及氮氧化物、硫化物、重金属等污染性来源，在水蒸气及阳光辐射的作用下形成的气溶胶颗粒，该大气现象可以极大影响空气的可见度形成视野干扰，同时其漂浮不沉积的特性使其长时间存在并不断吸附重金属、污染物及细菌病毒等物质，对可能吸入人群身体造成损伤。

燃煤电站锅炉作为我国主要能源供给出口，同时也是雾霾成因污染物的排放大户，每年通过尾部烟气向大气中排放近千万吨粉尘颗粒。虽然经过静电除尘器、布袋除尘器等处理，依然有较多灰尘颗粒排入大气环境，尤其是粒径较小的超细颗粒处理较为困难，使得超细颗粒pm2.5走进了大众的视野。

为了减少粉尘排放，国家不断通过相关规定修订燃煤电站锅炉大气污染物排放标准，严格控制颗粒污染物排放浓度至20mg/m3以下，部分省份根据自身特点甚至提出来5mg/m3以下的排放指标。更高的排放指标达成，往往意味着除尘设备需要更多的经济投入以及技术上的革新，为达成相关排放指标，较多燃煤电厂对除尘系统进行了改造，加装前置除尘器，引入电袋复合除尘形式，提高布袋质量及增加清灰的强度。在大气灰尘颗粒物，尤其是pm2.5以下的超细颗粒物脱除上面，袋式除尘器以其高效、可靠、低能耗、易维护的特点受到了行业的广泛认同，市场占有率也在同步升高。

然而，现在布袋除尘器清灰控制方式较为简单，为最大限度满足吹灰效果，较多生产企业选择较为粗放的管理形式，常年将清灰模式开启至最大能耗状态，即浪费了大量能源，同时也使得布袋因为频繁吹灰导致使用性能下降，破损率及老化程度提升等问题，造成不必要的经济损失。

因此，通过精细化的管理，综合吹灰系统利用效率提高及吹灰能源损耗，达到满足国家及行业排放标准，同时又节省能源消耗的目的，是今后袋式除尘器的技术改革方向之一。然而，电厂设备繁多，操作复杂且相互影响较为严重，仅靠操作人员经验进行调节很难保证运行在最优化状态，同时对操作人员素质及精力都要求过高，不能保证系统稳定，可能造成更多的现场问题。同时，为应对深度节能需要，较多电站设备都实现了信息收集、反馈及远传控制的功能，只是由于数据较多，规律性不明显及相互关联较强等原因而没有进行使用，极大浪费了宝贵的调试生产经验，也浪费了较多设备的可调节使用性能，造成无形的经济损失。

大数据、云计算、模糊化处理及智能调节技术的发展，为大量生产数据的分析运用提供了必要的技术支撑，通过大数据的收集、分析处理能力，将具体生产环节中多对多的生产规律找出来，并通过智能显示及调节功能，将各个生产环节进行精细化管理，提高设备的使用效率并降低生产能耗，同时节省大量人力成本。

综上所述，为实现深度减排及高效节能的耦合作用，克服实际生产过程中关联因素较多而又规律不清晰的实际运行策略问题，需要提出对布袋除尘器进行优化控制。

技术实现要素：

为实现深度减排及高效节能的耦合作用，克服实际生产过程中关联因素较多而又规律不清晰的实际运行策略问题，本发明提出了一种大数据智能控制布袋除尘器优化控制方法及系统，其能够优化除尘，提高除尘设备/系统利用效率，降低生产成本。

本发明解决其技术问题采取的技术方案是：

一方面，本发明实施例提供的一种大数据智能控制布袋除尘器优化控制方法，包括以下步骤：

s1，建立物理工作模型：基于整个锅炉尾部节能与环保耦合运行的工作理念建立物理工作模型，获得布袋除尘器影响排放指标及能耗指标的变量信息；

s2，建立大数据分析模型：根据火电厂布袋除尘器实际运行情况选取除尘器吹灰耗气量及引风机电流为代表的能耗指标及尾部烟气颗粒浓度为代表的污染物排放指标综合分析，设定除尘脱除效率及系统能耗评价指标；以布袋除尘器吹灰强度、吹灰时间及吹灰间隔作为自变量指标建立大数据分析模型；

s3，选出影响变量及环境信息：通过大数据输入接口，收集电站锅炉3年内运行数据，通过数据清洗处理，对重复值、无效值、异常值、缺失值进行处理，形成海量数据库储存在hbase中等待调用计算，对所收集的数据按照环境温度、燃煤煤质、负荷、含氧量进行分类预处理，经过大数据分析模型分析，选出影响变量及环境信息；

s4，利用大数据分析模型进行数据分析，建立布袋除尘系统的数学预测模型：采用控制系统采集的锅炉实时运行数据并进行稳定工况分析，将控制变量与数据库资料进行预对比分析，对于大部分运行较好的工况不触发大数据运行调整；

s5，求解耦合最优解：对偏离优化运行的工况进行大数据分析，结合已建立数据库计算布袋除尘系统最优运行的数学预测模型，寻求不同工况条件下除尘效率及能耗指标的耦合最优解，并直接给出相关的响应设备最佳优化策略；

s6，进行可视化表征：对数学预测模型给出的相关数据规律进行可视化表征，并将新生成的运化运行策略反馈给数据库备份。

作为本实施例的一种可能的实现方式，所述物理工作模型的建立过程为：选取锅炉空气预热器-布袋除尘器-脱硫系统-引风机-烟囱各设备组成的统一系统，以各设备进出口温度变化建立温度场模型，以各设备前后压强建立空气动力场模型，稳定工况下各设备工作状态及效率均为恒定值，当物理工作模型中某一设备工作改变时，其后相关设备均发生工作状态偏移，造成设备效率及整体能耗变化。

作为本实施例的一种可能的实现方式，所述大数据分析模型的建立过程为：采用经典的hadoop框架模型，包含数据输入、前期处理、数据仓库、算法、计算引擎和应用展示组成，数据输入采用java语言开发输入，支持dcs、text和url数据接口，前期处理采用mapreduce、spark工具预处理数据，对重复值、无效值、异常值、缺失值进行处理，形成海量数据库储存在hbase中等待调用计算，通过分类、聚类、回归、数据降维、数据深入挖潜等常规算法建模计算，采用sparkcore、sparksql计算引擎进行上述计算，得到性能预测、趋势分析和指标寻优应用，并基于html、css、javascript进行展示，通过excel报表、svg流程图、趋势图、柱状图进行可视化表述。

作为本实施例的一种可能的实现方式，对所收集的数据进行预处理过程还包括数据的可信度分析，误差数据及缺失数据的删除。

作为本实施例的一种可能的实现方式，所述求解耦合最优解的过程包括：

实时采集一组当前机组运行工况，如果该工况为前期未出现新工况，将以该工况下除尘及能耗指标为临时最优值，并通过吹灰强度及吹灰时间的微调整作观察，比较调整前后的除尘效率及综合能耗指标，如果效率依旧满足情况下能耗指标变小则延续该微调方向，如果变大则反方向微调，直到选出最优值替代临时最优；

如果实时工况有前期最优值信息，则对该工况运行指标与前期数值进行比较，最优工况值如发生变动则采用新值进行替代并存入新的最优运行控制数据库，反之则保持原最优运行控制策略不变；

对获取的最优控制策略进行可视化显示处理，并给出变化趋势及各调节方向。

另一方面，本发明实施例提供的一种大数据智能控制布袋除尘器优化控制系统，包括：

物理工作模型建立模块，用于基于整个锅炉尾部节能与环保耦合运行的工作理念建立物理工作模型，获得布袋除尘器影响排放指标及能耗指标的变量信息；

大数据分析模型建立模块，用于根据火电厂布袋除尘器实际运行情况选取除尘器吹灰耗气量及引风机电流为代表的能耗指标及尾部烟气颗粒浓度为代表的污染物排放指标综合分析，设定除尘脱除效率及系统能耗评价指标；以布袋除尘器的吹灰强度、吹灰时间及吹灰间隔作为自变量指标建立大数据分析模型；

信息筛选模块，用于通过大数据输入接口，收集电站锅炉3年内运行数据，通过数据清洗处理，对重复值、无效值、异常值、缺失值进行处理，形成海量数据库储存在hbase中等待调用计算，对所收集的数据按照环境温度、燃煤煤质、负荷、含氧量进行分类预处理，经过大数据分析模型分析，选出影响变量及环境信息；

数学预测模型建立模块，用于建立布袋除尘系统的数学预测模型，采用控制系统采集的锅炉实时运行数据并进行稳定工况分析，将控制变量与数据库资料进行预对比分析，对于大部分运行较好的工况不触发大数据运行调整；

最优解求解模块，用于对偏离优化运行的工况进行大数据分析，结合已建立数据库计算布袋除尘系统最优运行的数学预测模型，寻求不同工况条件下除尘效率及能耗指标的耦合最优解，并直接给出相关的响应设备最佳优化策略；

可视化表征模块，用于对数学预测模型给出的相关数据规律进行可视化表征，并将新生成的运化运行策略反馈给数据库备份。

作为本实施例的一种可能的实现方式，所述物理工作模型建立模块包括：

系统组成模块，用于选取锅炉空气预热器-布袋除尘器-脱硫系统-引风机-烟囱各设备组成的统一系统；

温度场模型建立模块，用于以各设备进出口温度变化建立温度场模型；

温度场模型建立模块，用于以各设备前后压强建立空气动力场模型。

作为本实施例的一种可能的实现方式，所述大数据分析模型建立模块包括：

数据输入模块，采用java语言开发输入，支持dcs、text和url数据接口；

前期处理模块，采用mapreduce、spark工具预处理数据，对重复值、无效值、异常值、缺失值进行处理；

数据仓库模块，用于形成海量数据库储存在hbase中等待调用计算；

算法模块，用于通过分类、聚类、回归、数据降维和数据深入挖潜建模计算；

计算引擎和模块，用于采用sparkcore、sparksql计算引擎进行分类、聚类、回归、数据降维和数据深入挖潜建模计算，得到性能预测、趋势分析和指标寻优应用；

应用展示组模块，用于基于html、css、javascript进行展示，通过excel报表、svg流程图、趋势图、柱状图进行可视化表述。

作为本实施例的一种可能的实现方式，对所收集的数据进行预处理过程还包括数据的可信度分析，误差数据及缺失数据的删除。

作为本实施例的一种可能的实现方式，所述最优解求解模块包括：

最优值确定模块，用于实时采集一组当前机组运行工况，如果该工况为前期未出现新工况，将以该工况下除尘及能耗指标为临时最优值，并通过吹灰强度及吹灰时间的微调整作观察，比较调整前后的除尘效率及综合能耗指标，如果效率依旧满足情况下能耗指标变小则延续该微调方向，如果变大则反方向微调，直到选出最优值替代临时最优；

控制策略模块，用于如果实时工况有前期最优值信息，则对该工况运行指标与前期数值进行比较，最优工况值如发生变动则采用新值进行替代并存入新的最优运行控制数据库，反之则保持原最优运行控制策略不变；

可视化处理模块，用于对获取的最优控制策略进行可视化显示处理，并给出变化趋势及各调节方向。

本发明实施例的技术方案可以具有的有益效果如下：

本发明实施例的技术方案以燃煤电厂布袋除尘系统节能提效为研究方向，为其优化运行提供最佳方案，解决了设备深度降低污染物排放及能耗较高的不协调问题。以整个锅炉尾部节能与环保耦合运行建立物理工作模型，提取并预处理燃煤电站运行前期数据作为基本分析数据，选取布袋除尘器前后压差及尾部灰尘颗粒浓度作为检测目标，以锅炉煤质分析数据，运行负荷，含氧量，吹灰强度，吹灰时间为自变量建立大数据分析模型，获取不同工况条件下除尘效果及能耗的最优组合，筛选合格数据组自动录入形成优化运行大数据资源库，建立基于大数据的数学预测模型。实时监控锅炉运行监测目标并与数据库优化方案做对比分析，达到触发条件的工况触发大数据模型进行预测分析，给出相关工况条件下的优化运行策略，输出相关参数调节规律，指导吹灰强度、吹灰间隔及吹灰周期变化，并将调节运行数据反馈大数据资源库备用。同时该系统还可实现目标数据及系统调节参数的可视化分析，了解历史变动规律，预测优化运行后的灰尘颗粒脱除指标及系统能耗指标。

本发明实施例的技术方案还实现了目标数据及系统调节参数的可视化分析，了解历史变动规律，预测优化运行后的灰尘颗粒脱除指标及系统能耗指标。为布袋除尘系统优化运行提供最佳方案，解决了设备节能及深度降低污染物排放不协调问题。

本发明基于运行大数据分析技术产生的最优控住策略，可以兼顾除尘的效果及经济性需求，减少浪费，并具有自学习功能，不断完善，达到真正的最优化运行。

本发明基于运行大数据分析技术产生的最优控住策略，可以兼顾操作人员经验及历史最优数据参考，可以为电站更稳定高效工作提供强大的数据支撑，减少人员操作失误带来的间接损失。

在锅炉长期运行过程中，各个设备的运行状态难免发生改变，在出现以往未考虑过的各种工况中，本发明基于运行大数据分析技术产生的最优控住策略，可以最为快捷的发现现有设备情况下的最新优化运行规律，便于工作人员了解机组情况。

附图说明：

图1是根据一示例性实施例示出的一种大数据智能控制布袋除尘器优化控制方法的流程图；

图2是根据一示例性实施例示出的一种大数据智能控制布袋除尘器优化控制置的结构示意图；

图3是根据一示例性实施例示出的一种本发明具体实施流程图。

具体实施方式

下面结合附图与实施例对本发明做进一步说明：

为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。

图1是根据一示例性实施例示出的一种大数据智能控制布袋除尘器优化控制方法的流程图。如图1所述，本发明实施例提供的一种大数据智能控制布袋除尘器优化控制方法，包括以下步骤：

s1，建立物理工作模型：基于整个锅炉尾部节能与环保耦合运行的工作理念建立物理工作模型，获得布袋除尘器影响排放指标及能耗指标的变量信息。

s2，建立大数据分析模型：根据火电厂布袋除尘器实际运行情况选取除尘器吹灰耗气量及引风机电流为代表的能耗指标及尾部烟气颗粒浓度为代表的污染物排放指标综合分析，设定除尘脱除效率及系统能耗评价指标；以布袋除尘器的吹灰强度、吹灰时间及吹灰间隔等可响应调节手段作为自变量指标建立大数据分析模型，具有较高的调节可行性及快速响应的特性。

除尘效率及能耗指标的耦合最优解表述为除尘排放颗粒浓度指标低于国家标准的情况下的除尘器前后压差造成的引风机能耗最小值。所述脱除效率指标对应烟气出口颗粒污染物浓度，能耗指标包含引风机电流及吹灰所消耗的压缩空气用量。

吹灰强度的表征采用吹灰压力及吹灰风量，吹灰时间为以0.1秒为最小刻度的连续变量，吹灰压力及吹灰量的变化为n级的间断调节设备，通过不同压力及吹灰量的耦合模拟出n2级的连续吹灰强度变化。

s3，选出影响变量及环境信息：通过大数据输入接口，收集电站锅炉3年内运行数据，通过数据清洗处理，对重复值、无效值、异常值、缺失值进行处理，形成海量数据库储存在hbase中等待调用计算，对所收集的数据按照环境温度、燃煤煤质、负荷、含氧量进行分类预处理，简化了数据分析运算工作量同时提高模型的精确度，经过大数据分析模型分析，选出影响变量及环境信息。

对所收集的数据进行预处理过程完整并符合物理模型趋势结果的数值进行编组使用，不符合条件的删除，以节省计算工作量并减少选优误差值。影响变量及环境信息的筛选条件包含数据的可信度及数据的完善程度，对于部分关键数据缺失的时间区域的数据直接删除，对于非关键数据缺失部分可按照历史规律补全使用。

s4，利用大数据分析模型进行数据分析，建立布袋除尘系统的数学预测模型：采用控制系统采集的锅炉实时运行数据并进行稳定工况分析，提取指标监控数据并将控制变量与数据库资料进行预对比分析，对于大部分运行较好的工况不触发大数据运行调整；减少了运行调整工作量及使用难度，也降低了设备反复微小调整带来的系统安全隐患。

对于工况的选择，即照顾各工况分布的广泛性，又要体现实际运行的分布概率，采取电站连续前三年运行数据进行预分类，在运行较为常见区域采用较小的增量步长，在不常见区域采用较大的增量步长，以满足实际生产需求的实际情况同时减少数据的计算周期。

采用煤质作为第一大类预选条件，主要关注煤质的含硫量，含灰量及含水量条件变化；

采用负荷作为第二类预选条件，关注区在50-100％之间，对于较低负荷及超负荷情况进行单独分析；

可调控手段集中在吹灰强度、吹灰时间及吹灰间隔上；

所述吹灰强度的表征采用吹灰压力及吹灰风量，吹灰时间为以0.1秒为最小刻度的连续变量。

为适应连续性调节需求，针对享有设备吹灰压力及吹灰量的变化为n级的间断调节设备，通过不同压力及吹灰量的耦合模拟出n2级的连续吹灰强度变化。

采用控制系统采集的锅炉实时运行数据并进行稳定工况分析的过程为：实时采集一组当前机组运行工况，通过实时数据采集分析系统进行比对，除尘效率及能耗指标的耦合最优解变化小于设定值，将以该工况下运行策略指标为临时最优值继续运行，不做调整响应，并给出持续运行信号。

s5，求解耦合最优解：对偏离优化运行的工况进行大数据分析，结合已建立数据库计算布袋除尘系统最优运行的数学预测模型，寻求不同工况条件下除尘效率及能耗指标的耦合最优解，并直接给出相关的响应设备最佳优化策略。

数学预测模型分析的最优化运行策略为前期数据所得经验值，实际运行工况亦可以由操作人员判定是否使用该经验值，若使用，则按照相关数据进行调整；若不采用，则计算机记录采集改组实际运行结果并进行比较分析，以判定该组运行策略是否更好，并给出相关指标偏差值；最优运行策略作为参考辅助数值实时出现在运行数据周边，以利于运行操作人员的调控判断。

s6，进行可视化表征：对数学预测模型给出的相关数据规律进行可视化表征，并可将新生成的运化运行策略反馈给数据库备份，实现数据库的不断更新，同时该系统支持手动输入经过实践检验的优化运行策略，丰富了数据库资源获取途径。所有数据结果均可可视化表征。

作为本实施例的一种可能的实现方式，所述物理工作模型的建立过程为：选取锅炉空气预热器-布袋除尘器-脱硫系统-引风机-烟囱各设备组成的统一系统，以各设备进出口温度变化建立温度场模型，以各设备前后压强建立空气动力场模型，稳定工况下各设备工作状态及效率均为恒定值，当物理工作模型中某一设备工作改变时，其后相关设备均发生工作状态偏移，造成设备效率及整体能耗变化。

作为本实施例的一种可能的实现方式，所述大数据分析模型的建立过程为：采用经典的hadoop框架模型，包含数据输入、前期处理、数据仓库、算法、计算引擎和应用展示组成，数据输入采用java语言开发输入，支持dcs、text和url数据接口，前期处理采用mapreduce、spark工具预处理数据，对重复值、无效值、异常值、缺失值进行处理，形成海量数据库储存在hbase中等待调用计算，通过分类、聚类、回归、数据降维、数据深入挖潜等常规算法建模计算，采用sparkcore、sparksql计算引擎进行上述计算，得到性能预测、趋势分析和指标寻优应用，并可基于html、css、javascript进行展示，通过excel报表、svg流程图、趋势图、柱状图进行可视化表述。

作为本实施例的一种可能的实现方式，对所收集的数据进行预处理过程还包括数据的可信度分析，误差数据及缺失数据的删除。先以煤质进行大类划分，每个典型煤质工况下以负荷进一步划分小类，含氧量数据进行补充，形成符合实际生产的分类集群，便于最优运行工况的响应。

作为本实施例的一种可能的实现方式，所述求解耦合最优解的过程包括：

实时采集一组当前机组运行工况，如果该工况为前期未出现新工况，将以该工况下除尘及能耗指标为临时最优值，并通过吹灰强度及吹灰时间的微调整作观察，比较调整前后的除尘效率及综合能耗指标，如果效率依旧满足情况下能耗指标变小则延续该微调方向，如果变大则反方向微调，直到选出最优值替代临时最优；

如果实时工况有前期最优值信息，则对该工况运行指标与前期数值进行比较，最优工况值如发生变动则采用新值进行替代并存入新的最优运行控制数据库，反之则保持原最优运行控制策略不变；

对获取的最优控制策略进行可视化显示处理，并给出变化趋势及各调节方向。

图2是根据一示例性实施例示出的一种大数据智能控制布袋除尘器优化控制置的结构示意图。如图2所示，本发明实施例提供的一种大数据智能控制布袋除尘器优化控制系统，包括：

物理工作模型建立模块，用于基于整个锅炉尾部节能与环保耦合运行的工作理念建立物理工作模型，获得布袋除尘器影响排放指标及能耗指标的变量信息；

大数据分析模型建立模块，用于根据火电厂布袋除尘器实际运行情况选取除尘器吹灰耗气量及引风机电流为代表的能耗指标及尾部烟气颗粒浓度为代表的污染物排放指标综合分析，设定除尘脱除效率及系统能耗评价指标；以布袋除尘器可响应调节手段吹灰强度、吹灰时间及吹灰间隔作为自变量指标建立大数据分析模型；

信息筛选模块，用于通过大数据输入接口，收集电站锅炉3年内运行数据，通过数据清洗处理，对重复值、无效值、异常值、缺失值进行处理，形成海量数据库储存在hbase中等待调用计算，对所收集的数据按照环境温度、燃煤煤质、负荷、含氧量进行分类预处理，经过大数据分析模型分析，选出影响变量及环境信息；

数学预测模型建立模块，用于建立布袋除尘系统的数学预测模型，采用控制系统采集的锅炉实时运行数据并进行稳定工况分析，将控制变量与数据库资料进行预对比分析，对于大部分运行较好的工况不触发大数据运行调整；

最优解求解模块，用于对偏离优化运行的工况进行大数据分析，结合已建立数据库计算布袋除尘系统最优运行的数学预测模型，寻求不同工况条件下除尘效率及能耗指标的耦合最优解，并直接给出相关的响应设备最佳优化策略；

可视化表征模块，用于对数学预测模型给出的相关数据规律进行可视化表征，并可将新生成的运化运行策略反馈给数据库备份。

作为本实施例的一种可能的实现方式，所述物理工作模型建立模块包括：

系统组成模块，用于选取锅炉空气预热器-布袋除尘器-脱硫系统-引风机-烟囱各设备组成的统一系统；

温度场模型建立模块，用于以各设备进出口温度变化建立温度场模型；

温度场模型建立模块，用于以各设备前后压强建立空气动力场模型。

作为本实施例的一种可能的实现方式，所述大数据分析模型建立模块包括：

数据输入模块，采用java语言开发输入，支持dcs、text和url数据接口；

前期处理模块，采用mapreduce、spark工具预处理数据，对重复值、无效值、异常值、缺失值进行处理；

数据仓库模块，用于形成海量数据库储存在hbase中等待调用计算；

算法模块，用于通过分类、聚类、回归、数据降维和数据深入挖潜建模计算；

计算引擎和模块，用于采用sparkcore、sparksql计算引擎进行分类、聚类、回归、数据降维和数据深入挖潜建模计算，得到性能预测、趋势分析和指标寻优应用；

应用展示组模块，用于基于html、css、javascript进行展示，通过excel报表、svg流程图、趋势图、柱状图进行可视化表述。

作为本实施例的一种可能的实现方式，对所收集的数据进行预处理过程还包括数据的可信度分析，误差数据及缺失数据的删除。

作为本实施例的一种可能的实现方式，所述最优解求解模块包括：

最优值确定模块，用于实时采集一组当前机组运行工况，如果该工况为前期未出现新工况，将以该工况下除尘及能耗指标为临时最优值，并通过吹灰强度及吹灰时间的微调整作观察，比较调整前后的除尘效率及综合能耗指标，如果效率依旧满足情况下能耗指标变小则延续该微调方向，如果变大则反方向微调，直到选出最优值替代临时最优；

控制策略模块，用于如果实时工况有前期最优值信息，则对该工况运行指标与前期数值进行比较，最优工况值如发生变动则采用新值进行替代并存入新的最优运行控制数据库，反之则保持原最优运行控制策略不变；

可视化处理模块，用于对获取的最优控制策略进行可视化显示处理，并给出变化趋势及各调节方向。

现有的定周期开环控制及定压茬反馈控制，都有其自身的局限性，是基于设备投入前使用经验的简单量化，只能应对时间周期及压差的简单变化，无法综合衡量吹灰效果及除尘系统总体的经济性能，造成不必要的浪费。而本发明基于运行大数据分析技术产生的最优控住策略，可以兼顾除尘的效果及经济性需求，减少浪费，并具有自学习功能，不断完善，达到真正的最优化运行。

传统的燃煤机组调节过程，技术人员的经验决策往往起到决定作用，对于复杂的电站工作情况无法做到所有工况下都使得设备运行在最优状态。而本发明基于运行大数据分析技术产生的最优控住策略，可以兼顾操作人员经验及历史最优数据参考，可以为电站更稳定高效工作提供强大的数据支撑，减少人员操作失误带来的间接损失。

在锅炉长期运行过程中，各个设备的运行状态难免发生改变，在出现以往未考虑过的各种工况中，本发明基于运行大数据分析技术产生的最优控住策略，可以最为快捷的发现现有设备情况下的最新优化运行规律，便于工作人员了解机组情况。

图3是根据一示例性实施例示出的一种本发明具体实施流程图。如图3所示，大数据智能控制布袋除尘器的优化控制过程具体如下。

1)根据火电厂布袋除尘器实际运行情况,基于大空间多介质流动及能量平衡理论，创建布袋除尘系统理论模型，采用除尘排放颗粒浓度指标低于国家标准的情况下的引风机电流及吹灰所消耗的压缩空气用量最小值作为除尘脱除效率及系统能耗评价指标。

2)采取电站连续前三年运行数据进行预分类，以煤质工业分析中含硫量及含灰量作为第一大类预选条件，以系统运行负荷作为第二类预选条件，划分不同储存区域以便于计算的简化及分类管理。

3)对于相关数据进行可信度及数据的完善程度预分析处理，复合筛选条件的导入相关编组储存。

4)对于部分关键数据缺失的时间区域的数据直接删除。

5)对于非关键数据缺失部分按照历史规律补全使用，补全后信息回归步骤3)。

6)同时该系统支持手动输入经过实践检验的优化运行策略，丰富了数据库资源获取途径，该手段需专业技术人员核算后方可进行输入。

7)采集实施运行数据，进行检测目标指令比对分析。

8)除尘效率及能耗指标的耦合最优解变化小于设定值，将以该工况下运行策略指标为临时最优值继续运行，不做调整响应，并给出持续运行信号；

9)对偏离优化运行的工况触发大数据计算模式，导入相关运行工况数据。

10)对相关工况数据进行大数据数学预测分析，寻求不同工况条件下除尘效率及能耗指标的耦合最优解，并给出相关的响应设备最佳优化策略。

11)所建立的大数据智能分析系统具体工作步骤如下：

12)提取并导入步骤3的相关数据，并根据步骤2)分类进行分组运算。

13)借助模糊算法、神经网络寻找大数据数学预测模型模型的最优解。

14)将最优解与大数据分组工况下的前最优解值进行比较，若当前值最优，则给出相关优化控制策略，并将该信息储存替代原最优策略方案；

15)反之，系统执行原最优控制策略不改变。

16)导出相关策略指标及各指标运行历史规律，供操作技术人员进行实际电厂运行工况调整参考。

17)参考大数据给出的控制策略，选取机组当前运行工况进行验证。

18)若结果分析正确，选择该运行工况最佳控制策略执行，若运行技术人员未对该策略进行响应，则将该运行数据回归步骤7)进行重新分析。

19)最后可视化显示当前机组执行的控制策略及大数据给出的最优化运行策略结果，给出相关数据的变化历史规律及趋势，提醒操作人员最优化执行的方向。

本发明对于实际运行工况验证部分，只提供运行调整的参考数值及趋势规律，不直接进行运行工况调整，工况调整与否由现场操作人员进行手动控制，以满足实际生产情况。

以上所述只是本发明的优选实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也被视作为本发明的保护范围。