焦開明，夏尊宇，周亞男，徐亞豹

(1.內(nèi)蒙古大唐國(guó)際托克托發(fā)電有限責(zé)任公司，內(nèi)蒙古 呼和浩特 010206; 2.中國(guó)大唐集團(tuán)科學(xué)技術(shù)研究總院有限公司華北電力試驗(yàn)研究院，北京 100040；3.北京博望華科科技有限公司，北京 100045)

0 引言

由于火電行業(yè)的迅猛發(fā)展，導(dǎo)致能源的需求量增長(zhǎng)強(qiáng)勁。但隨著能源的日益減少，節(jié)能降耗成為電力生產(chǎn)的一項(xiàng)關(guān)鍵任務(wù)[1]。耗差分析以煤耗作為指標(biāo)，是指導(dǎo)火電廠優(yōu)化運(yùn)行的理論依據(jù)，即將火電廠機(jī)組各運(yùn)行參數(shù)的實(shí)際值與目標(biāo)值間的偏差狀況反映到煤耗偏差上[2]，利用機(jī)組的各個(gè)運(yùn)行參數(shù)的耗差反映火電廠機(jī)組的運(yùn)行狀況，協(xié)助運(yùn)行人員及時(shí)調(diào)控機(jī)組的運(yùn)行，確?；痣姀S優(yōu)化運(yùn)行[3]。

近年來(lái)，國(guó)內(nèi)外眾多學(xué)者在耗差分析方面做出了大量研究，如鄭中原等[4]提出的基于云平臺(tái)的耗差系統(tǒng)，該系統(tǒng)通過(guò)云平臺(tái)的采集與主站系統(tǒng)實(shí)現(xiàn)節(jié)能減排，但該系統(tǒng)涉及部門多,任務(wù)繁重,工作效率不高；又如孫建梅等[5]提出的基于SE-DEA的火力發(fā)電廠耗差系統(tǒng)，該系統(tǒng)存在建模過(guò)程繁瑣，挖掘的各個(gè)能耗指標(biāo)不完整的缺陷。

數(shù)據(jù)挖掘是指從海量的不完全數(shù)據(jù)中提取出人們需要的、隱藏的信息的過(guò)程，數(shù)據(jù)挖掘涉及的領(lǐng)域很多，而分類規(guī)則挖掘即是其中的一種[6]，分類規(guī)則挖掘算法能夠依據(jù)隱藏在數(shù)據(jù)集中的某些數(shù)據(jù)的特征屬性，對(duì)每個(gè)類進(jìn)行精準(zhǔn)描述，實(shí)現(xiàn)分類。

因此，該文設(shè)計(jì)基于分類規(guī)則挖掘算法的火電廠智慧化耗差分析系統(tǒng)，對(duì)火電廠耗差進(jìn)行有效分析，實(shí)現(xiàn)火電廠優(yōu)化運(yùn)行。

1 火電廠智慧化耗差分析系統(tǒng)設(shè)計(jì)

1.1 系統(tǒng)總體結(jié)構(gòu)

圖1為火電廠智慧化耗差分析系統(tǒng)總體結(jié)構(gòu)?；痣姀S智慧化耗差分析系統(tǒng)由數(shù)據(jù)單元、業(yè)務(wù)單元塊、應(yīng)用單元組成。在數(shù)據(jù)單元中，系統(tǒng)在信息管理MIS與實(shí)時(shí)數(shù)據(jù)采集DAS數(shù)據(jù)庫(kù)內(nèi)獲得火電廠能耗實(shí)時(shí)數(shù)據(jù)，利用OPC(過(guò)程控制對(duì)象鏈接與嵌入)技術(shù)[7]，傳送到數(shù)據(jù)采集容錯(cuò)模塊中進(jìn)行火電廠能耗數(shù)據(jù)容錯(cuò)處理后，再通過(guò)數(shù)據(jù)提取模塊提取火電廠能耗數(shù)據(jù)，經(jīng)數(shù)據(jù)處理模塊處理后，傳輸?shù)綐I(yè)務(wù)單元的機(jī)組性能計(jì)算模塊中，利用增量式遺傳算法的分類規(guī)則挖掘火電廠能耗數(shù)據(jù)，將獲取的火電廠能耗數(shù)據(jù)分類結(jié)果輸入到耗差分析數(shù)據(jù)庫(kù)服務(wù)器中進(jìn)行耗差分析，通過(guò)TCP/IP協(xié)議將耗差分析結(jié)果傳輸至應(yīng)用單元，在應(yīng)用單元中利用瀏覽器

圖1 系統(tǒng)總體結(jié)構(gòu)圖

進(jìn)行瀏覽查詢，并完成用戶管理、報(bào)表生成、性能分析、參數(shù)監(jiān)測(cè)等功能。

1.2 數(shù)據(jù)采集容錯(cuò)模塊

圖2為系統(tǒng)數(shù)據(jù)單元的數(shù)據(jù)采集容錯(cuò)模塊結(jié)構(gòu)圖。

圖2 數(shù)據(jù)采集容錯(cuò)模塊結(jié)構(gòu)

數(shù)據(jù)采集容錯(cuò)模塊結(jié)構(gòu)由主節(jié)點(diǎn)、分布式協(xié)調(diào)節(jié)點(diǎn)、配置節(jié)點(diǎn)與工作節(jié)點(diǎn)構(gòu)成。其中，主節(jié)點(diǎn)對(duì)數(shù)據(jù)采集容錯(cuò)模塊進(jìn)行任務(wù)分配、能耗數(shù)據(jù)更新、狀態(tài)監(jiān)控、配置檢測(cè)等管理。工作節(jié)點(diǎn)可對(duì)數(shù)據(jù)節(jié)點(diǎn)間的火電廠能耗數(shù)據(jù)傳輸、任務(wù)處理單元的啟停、監(jiān)測(cè)等具體任務(wù)進(jìn)行執(zhí)行[8]；配置節(jié)點(diǎn)以插件、任務(wù)、更新能耗數(shù)據(jù)等為主，數(shù)據(jù)采集容錯(cuò)模塊可利用對(duì)配置節(jié)點(diǎn)的監(jiān)視實(shí)時(shí)獲得最新的火電廠能耗信息數(shù)據(jù)，分布式協(xié)調(diào)節(jié)點(diǎn)可作為數(shù)據(jù)采集容錯(cuò)模塊元數(shù)據(jù)的存儲(chǔ)節(jié)點(diǎn)，可利用ZooKeeper的監(jiān)聽與通知機(jī)制[9]，使數(shù)據(jù)采集容錯(cuò)模塊對(duì)更新的火電廠能耗信息數(shù)據(jù)快速響應(yīng)。

1.3 火電廠機(jī)組性能計(jì)算模塊

圖3為系統(tǒng)業(yè)務(wù)單元火電廠機(jī)組性能計(jì)算模塊結(jié)構(gòu)圖。

圖3 火電廠機(jī)組性能計(jì)算模塊結(jié)構(gòu)

火電廠機(jī)組具有非常復(fù)雜的熱力系統(tǒng)結(jié)構(gòu)，包括試驗(yàn)與煤質(zhì)數(shù)據(jù)轉(zhuǎn)換、鍋爐與汽機(jī)性能計(jì)算模塊三部分。火電廠機(jī)組局部參數(shù)與鍋爐、汽機(jī)等設(shè)備的變化可產(chǎn)生煤耗偏差，當(dāng)機(jī)組參數(shù)與鍋爐、汽機(jī)設(shè)備變化時(shí)，會(huì)導(dǎo)致抽汽份額產(chǎn)生變化，可利用等效焓降法運(yùn)算機(jī)組的煤耗偏差，此外，汽機(jī)中的凝汽器系統(tǒng)能損也可通過(guò)循序漸進(jìn)耗差分析運(yùn)算。當(dāng)被監(jiān)測(cè)的熱力試驗(yàn)參數(shù)、鍋爐耗差參數(shù)與汽機(jī)耗差參數(shù)與其額定值相偏離時(shí)[10]，采用標(biāo)準(zhǔn)煤耗率的增加值代表火電廠機(jī)組經(jīng)濟(jì)性的影響，使運(yùn)行人員實(shí)時(shí)掌握熱力系統(tǒng)內(nèi)不同參數(shù)、設(shè)備對(duì)火電廠機(jī)組經(jīng)濟(jì)性的影響，采取及時(shí)有效的方法確保機(jī)組處于最優(yōu)運(yùn)行狀態(tài)。

1.4 基于增量式遺傳算法的分類規(guī)則挖掘火電廠能耗

系統(tǒng)業(yè)務(wù)單元火電廠機(jī)組性能計(jì)算模塊采用增量式遺傳算法的分類規(guī)則，挖掘火電廠能耗數(shù)據(jù)，并采用SMOTE算法填補(bǔ)缺失火電廠能耗數(shù)據(jù)，為耗差分析數(shù)據(jù)庫(kù)服務(wù)器的火電廠能耗數(shù)據(jù)耗差分析提供數(shù)據(jù)基礎(chǔ)。

正常情況下，火電廠能耗數(shù)據(jù)庫(kù)內(nèi)會(huì)有源源不斷的新的能耗數(shù)據(jù)輸入，能耗數(shù)據(jù)規(guī)則集隨著能耗數(shù)據(jù)集的不斷更新而不斷變化，針對(duì)該無(wú)限更新過(guò)程，遺傳算法對(duì)通過(guò)增量方式得到的新能耗數(shù)據(jù)具有增量式的演變能力。

原有的火電廠能耗知識(shí)在增量式火電廠能耗數(shù)據(jù)挖掘時(shí)可進(jìn)行保留，只挖掘新的火電廠能耗數(shù)據(jù)中的能耗知識(shí)模式[11]，通過(guò)增加、刪除、修改原有能耗知識(shí)，獲得精度較高的能耗知識(shí)。

訓(xùn)練實(shí)例集選取火電廠能耗數(shù)據(jù)庫(kù)內(nèi)的能耗數(shù)據(jù)，采用遺傳算法搜查到一個(gè)最優(yōu)火電廠能耗數(shù)據(jù)規(guī)則集；火電廠能耗數(shù)據(jù)由火電廠耗差分析系統(tǒng)進(jìn)行接收，通過(guò)當(dāng)前最好的火電廠能耗數(shù)據(jù)規(guī)則集進(jìn)行分類。若對(duì)火電廠能耗數(shù)據(jù)分類錯(cuò)誤，則把原始能耗數(shù)據(jù)集與增量能耗數(shù)據(jù)同時(shí)當(dāng)作訓(xùn)練實(shí)例集，這兩個(gè)能耗數(shù)據(jù)集的最優(yōu)能耗規(guī)則集可重新采用遺傳算法進(jìn)行搜查遮蓋，與前一次遺傳算法的差別在于，已有的最優(yōu)能耗數(shù)據(jù)規(guī)則集已存在如今的遺傳算法原始群體內(nèi)[12]。若對(duì)火電廠能耗數(shù)據(jù)分類正確，則無(wú)需采用遺傳算法。依據(jù)以上方法，針對(duì)下次需要接收的增量火電廠能耗數(shù)據(jù)，可連續(xù)采用新獲得的火電廠能耗數(shù)據(jù)規(guī)則集對(duì)其進(jìn)行分類。增量式遺傳算法流程為：

步驟1 依據(jù)火電廠能耗知識(shí)，明確其特征屬性與類別屬性集合A，在火電廠能耗數(shù)據(jù)庫(kù)內(nèi)構(gòu)建火電廠能耗數(shù)據(jù)集R，且R由A構(gòu)成；

步驟2 通過(guò)清理能耗數(shù)據(jù)，離散連續(xù)屬性操作預(yù)處理R，獲得RD；

步驟3 在火電廠能耗數(shù)據(jù)庫(kù)內(nèi)將初次采用遺傳算法1產(chǎn)生的一個(gè)最優(yōu)能耗數(shù)據(jù)規(guī)則集進(jìn)行保存；

步驟4 再次采用遺傳算法2約簡(jiǎn)最優(yōu)能耗數(shù)據(jù)規(guī)則集，約簡(jiǎn)之后的能源數(shù)據(jù)規(guī)則集依然保存在火電廠能耗數(shù)據(jù)規(guī)則庫(kù)里[13-14]；

步驟5 判斷火電廠能耗數(shù)據(jù)集是否需要更新，若否，則轉(zhuǎn)至步驟11；若是，則操作步驟6；

步驟6 對(duì)增量能耗數(shù)據(jù)集進(jìn)行讀入，并對(duì)其清理、離散化處理后獲得ΔRD數(shù)據(jù)集；

步驟7 分類ΔRD，可采用火電廠能耗數(shù)據(jù)規(guī)則庫(kù)內(nèi)的最優(yōu)能耗數(shù)據(jù)規(guī)則集，進(jìn)行火電廠能耗數(shù)據(jù)分類，可一次完成則按步驟6進(jìn)行操作，操作步驟6之前需合并ΔRD與原RD，獲得新的能耗數(shù)據(jù)集RD，否則，按步驟8進(jìn)行操作；

步驟8 采用修改之后的蟻群算法1，原最優(yōu)火電廠能耗數(shù)據(jù)規(guī)則集由新產(chǎn)生的最優(yōu)能耗數(shù)據(jù)規(guī)則集替代；

步驟9 采用遺傳算法2，原約簡(jiǎn)能耗數(shù)據(jù)規(guī)則集由約簡(jiǎn)之后的能耗數(shù)據(jù)規(guī)則集替代；

步驟10 轉(zhuǎn)步驟5；

步驟11 將約簡(jiǎn)之后的火電廠能耗數(shù)據(jù)規(guī)則集進(jìn)行輸出，獲取火電廠能耗數(shù)據(jù)挖掘結(jié)果。

由于上述獲得的火電廠能耗數(shù)據(jù)挖掘結(jié)果，易受到環(huán)境等因素的影響，導(dǎo)致火電廠能耗數(shù)據(jù)存在缺失的情況，因此，采用SMOTE(Synthetic Minority Over-sampling Technique)算法填補(bǔ)缺失數(shù)據(jù)，使火電廠能耗數(shù)據(jù)更加完整。SMOTE算法為：

用Rs描述火電廠能耗數(shù)據(jù)集R中的少數(shù)類，用x描述Rs中的火電廠能耗數(shù)據(jù)樣本，運(yùn)算x到其他少數(shù)類火電廠能耗樣本的歐式距離，獲得最小距離的近鄰火電廠能耗樣本，且該樣本有k個(gè)。用w描述采樣倍數(shù)。對(duì)于每個(gè)x，在其k個(gè)近鄰中，任意選擇w個(gè)火電廠能耗數(shù)據(jù)樣本，記為x1,x2,…,xw。線性隨機(jī)插值可在x與xi(i=1,2,…,w)間實(shí)現(xiàn)，構(gòu)建新的少數(shù)類火電廠能耗數(shù)據(jù)樣本ri(i=1,2,…,w)。

ri=x+rand(0,1)xi-rand(0,1)x,i=1,2,…,w

(1)

公式中，在大于0小于1之間的一個(gè)隨機(jī)數(shù)用rand(0,1)描述。用Rt={r1,…,rw}描述將新生成的少數(shù)類火電廠能耗數(shù)據(jù)樣本，將Rt={r1,…,rw}與R進(jìn)行合并，獲得新的比較平衡的火電廠能耗數(shù)據(jù)訓(xùn)練集。利用SMOTE算法插值計(jì)算缺失的火電廠能耗數(shù)據(jù)近似值后采用多重填補(bǔ)思想計(jì)算填充值。

設(shè)缺失的火電廠能耗樣本x中，火電廠能耗數(shù)據(jù)缺失的維度為q1,q2,…,ql，其中l(wèi)=m-j且{p1,p2,…,pj}∪{q1,q2,…,qm-j}=[1,m]。

x中不缺失與缺失的火電廠能耗數(shù)據(jù)屬性構(gòu)成的向量分別用x′與x″描述，且x′=(x(p1),x(p2),…,x(pj))，x″=(x(q1),x(q2),…,x(qm-j))，則{x(p1),x(p2),…,x(pj)}∪{x(q1),x(q2),…,x(qm-j)}={x(1),x(2),…,x(m)}。

(2)

通過(guò)以上采用SMOTE算法填補(bǔ)缺失數(shù)據(jù)過(guò)程，獲得更加完整的火電廠能耗數(shù)據(jù)。

2 實(shí)驗(yàn)分析

為驗(yàn)證該文系統(tǒng)對(duì)火電廠耗差的分析效果，實(shí)驗(yàn)選取某火電廠680 MW燃煤發(fā)電機(jī)器為耗差分析對(duì)象，利用C++BUILDER6.0、SQL Server 2019數(shù)據(jù)與Matlab7.0共同開發(fā)火電廠智慧化耗差分析系統(tǒng)。

實(shí)驗(yàn)選取2000個(gè)該火電廠的能耗數(shù)據(jù)，以及700個(gè)增量能耗數(shù)據(jù)，采用遺傳算法與該文系統(tǒng)采用的增量式遺傳算法分別對(duì)原火電廠能耗數(shù)據(jù)集與加入增量能耗數(shù)據(jù)后的火電廠能耗數(shù)據(jù)集進(jìn)行能耗數(shù)據(jù)挖掘，統(tǒng)計(jì)不同原始能耗數(shù)據(jù)量下，加入不同大小增量能耗數(shù)據(jù)時(shí)，這兩種遺傳算法的挖掘性能，結(jié)果如圖4所示。

圖4 挖掘性能結(jié)果

由圖4可看出，采用遺傳算法挖掘原能耗數(shù)據(jù)集所需時(shí)間隨著火電廠能耗數(shù)據(jù)集的增大而增長(zhǎng)，當(dāng)火電廠能耗數(shù)據(jù)分別為500個(gè)與2000個(gè)時(shí)，遺傳算法的挖掘時(shí)間分別為39 s與120 s；由于該文系統(tǒng)采用的增量式遺傳算法基于原數(shù)據(jù)集挖掘結(jié)果，當(dāng)增量數(shù)據(jù)比較小時(shí)，原挖掘結(jié)果可提高增量式遺傳算法的收斂速度，如當(dāng)增量能耗數(shù)據(jù)為80，160時(shí)，采用增量式遺傳算法挖掘時(shí)間遠(yuǎn)遠(yuǎn)小于遺傳算法所需時(shí)間，隨著增量能耗數(shù)據(jù)集的不斷增大，挖掘時(shí)間雖呈增長(zhǎng)趨勢(shì)，但增長(zhǎng)幅度較小，如當(dāng)增量能耗數(shù)據(jù)為80個(gè)與700個(gè)時(shí)，該文系統(tǒng)采用的增量式遺傳算法最長(zhǎng)挖掘時(shí)間分別為18 s與60 s，兩者僅相差42 s。實(shí)驗(yàn)表明，該文系統(tǒng)采用的增量式遺傳算法可有效挖掘能耗數(shù)據(jù)集，且其挖掘時(shí)間短、收斂速度快。

表1為該火電廠2020年11月與12月份在純凝工況、額定供熱工況、火電廠抽汽供熱工況、火電廠熱泵+抽汽供熱四種工況下的能耗與耗差分析數(shù)據(jù)。

表1 火電廠的能耗與月耗差分析結(jié)果

由表1分析可得，采用該文系統(tǒng)可得出四種工況下各個(gè)月份的能耗與耗差。其中，火電廠熱泵+抽汽供熱工況月耗差最大，遠(yuǎn)高于純凝工況與額定供熱工況，為火電廠智慧化耗差分析提供有利依據(jù)。

實(shí)驗(yàn)分別選取40%、80%與100%三種負(fù)荷額定(ECR)工況對(duì)火電廠機(jī)組各運(yùn)行參數(shù)變化引起的耗差進(jìn)行計(jì)算，驗(yàn)證該文系統(tǒng)在不同負(fù)荷額定工況下的火電廠機(jī)組各個(gè)運(yùn)行參數(shù)變化引起的耗差統(tǒng)計(jì)結(jié)果，如表2-4所示。

表2 100%ECR工況(680 MW)耗差計(jì)算結(jié)果

由表2可看出，100%ECR工況下，該火電廠機(jī)組大部分運(yùn)行參數(shù)實(shí)際值和目標(biāo)值間的偏差比較小，對(duì)耗差的影響也不大，說(shuō)明機(jī)組具有良好的運(yùn)行狀況與極高的熱經(jīng)濟(jì)性。但汽輪機(jī)背壓、排煙溫度、凝結(jié)水過(guò)冷度，再熱蒸汽溫度這些參數(shù)導(dǎo)致耗差數(shù)值增加較大，尤其是汽輪機(jī)背壓增加了4.531 6 g/kWh的耗差，故當(dāng)該火電廠在100%ECR工況下運(yùn)行的過(guò)程中，需對(duì)上述耗差增加數(shù)值較大的參數(shù)進(jìn)行重點(diǎn)監(jiān)測(cè)，尤其需重點(diǎn)監(jiān)測(cè)汽輪機(jī)背壓。

由表3可看出，80%ECR工況下，機(jī)組部分實(shí)際值與目標(biāo)值間具有較大的偏離幅度，機(jī)組在較低的水平下運(yùn)行，熱經(jīng)濟(jì)性低。汽輪機(jī)背壓耗差由100%ECR工況下的4.531 6 g/kWh降為1.625 8 g/kWh，其耗差雖仍然很高，但其下降幅度較為明顯；機(jī)組主蒸汽溫度、排煙溫度與排煙氧量分別使耗差增加了1.012 1 g/kWh、1.377 1 g/kWh、1.602 1 g/kWh，因此，在80%ECR工況下，應(yīng)對(duì)主蒸汽溫度、排煙溫度與排煙氧量的運(yùn)行水平進(jìn)行重點(diǎn)監(jiān)測(cè)。

表3 80%ECR工況(544 MW)耗差計(jì)算結(jié)果

由表4可看出，40%ECR工況下，該火電廠機(jī)組絕大部分運(yùn)行參數(shù)實(shí)際值和目標(biāo)值間的偏差較大，機(jī)組熱經(jīng)濟(jì)性變得更低。

表4 40%ECR工況(272 MW)耗差計(jì)算結(jié)果

綜合表2～表4結(jié)果可得，機(jī)組在高負(fù)荷運(yùn)行時(shí)，具有較好的運(yùn)行狀況，在火電廠機(jī)組實(shí)際運(yùn)行調(diào)控過(guò)程中，需采用不同的調(diào)控方法應(yīng)對(duì)不同的負(fù)荷情況，確保機(jī)組具有較好的運(yùn)行狀況及較高的熱經(jīng)濟(jì)性，實(shí)驗(yàn)表明，該文系統(tǒng)可有效分析火電廠耗差變化情況，使運(yùn)行人員對(duì)火電廠機(jī)組的運(yùn)行狀況做到實(shí)時(shí)了解，實(shí)現(xiàn)火電廠經(jīng)濟(jì)運(yùn)行。

通過(guò)該文系統(tǒng)界面查看主蒸汽溫度耗差計(jì)算結(jié)果，如圖5所示。

圖5 主蒸汽溫度耗差計(jì)算結(jié)果

由圖5可以看出，該文系統(tǒng)將主蒸汽溫度耗差計(jì)算結(jié)果以曲線的方式通過(guò)界面圖顯示出來(lái)，使運(yùn)行人員更加直觀便捷地監(jiān)測(cè)到主蒸汽溫度在不同負(fù)荷下對(duì)耗差的影響過(guò)程。實(shí)驗(yàn)表明，該文系統(tǒng)可有效分析火電廠耗差變化情況，并將分析結(jié)果通過(guò)界面形式清晰地展現(xiàn)出來(lái)，使運(yùn)行人員有針對(duì)性的對(duì)火電廠機(jī)組各個(gè)運(yùn)參數(shù)的耗差進(jìn)行監(jiān)測(cè)調(diào)控，實(shí)現(xiàn)火電廠機(jī)組的優(yōu)化運(yùn)行。

3 結(jié)論

該文設(shè)計(jì)基于分類規(guī)則挖掘算法的火電廠智慧化耗差分析系統(tǒng)，經(jīng)實(shí)驗(yàn)驗(yàn)證，該文系統(tǒng)的優(yōu)勢(shì)為：

(1)采用的增量式遺傳算法可有效挖掘火電廠能耗數(shù)據(jù)集，且其挖掘時(shí)間短、收斂速度快；

(2)可有效分析不同工況下的火電廠各月份的能耗與耗差，為火電廠智慧化耗差分析提供有利依據(jù)；

(3)通過(guò)該系統(tǒng)可有效分析不同負(fù)荷額定工況下的火電廠耗差變化情況，確保運(yùn)行人員實(shí)時(shí)了解火電廠機(jī)組的運(yùn)行狀況，實(shí)現(xiàn)火電廠經(jīng)濟(jì)運(yùn)行；

(4)該系統(tǒng)通過(guò)界面形式將主蒸汽溫度耗差計(jì)算結(jié)果進(jìn)行清晰的展現(xiàn)，使運(yùn)行人員更方便快捷地監(jiān)測(cè)到火電廠機(jī)組各個(gè)運(yùn)參數(shù)的耗差，實(shí)現(xiàn)火電廠機(jī)組的優(yōu)化運(yùn)行。