一種基于模糊集關聯規則的火電機組運行參數優化方法技術

一種基于模糊集關聯規則的火電機組運行參數優化方法，該方法分為五個步驟：步驟一：數據選?。徊襟E二：數據預處理與工況劃分；步驟三：模糊集構造；步驟四：模糊關聯規則提?。徊襟E五：回歸分析。本發明專利技術考慮當前運行工況條件下機組所能達到的最佳參數與工況，并對影響機組運行優化的主要可控參數及歷史數據進行分析，利用自動構建模糊集數據挖掘技術挖掘出相關關聯規則，確定機組供電煤耗率較低時的運行參數優化目標值，再通過回歸分析，得到各參數在確定工況下的運行優化曲線。它在火電廠熱工過程節能優化控制技術領域內具有廣泛的實用價值和應用前景。

【技術實現步驟摘要】

本專利技術涉及，具體涉及利用自動構建模糊集數據挖掘技術確定重要可控運行參數與供電煤耗率之間的定量關聯規貝U，從而得到具體工況下的運行參數的優化目標值，它為運行人員提供了機組在不同外部條件(如負荷、煤質、外部環境溫度)下的最佳運行參數定值，優化的結果是使機組的供電煤耗率較低，達到較高的經濟效益。屬于火電廠熱工過程節能優化控制

技術介紹
火電機組提高其經濟性的一個重要手段就是通過運行優化控制，使機組的可調運行參數處于優化值，降低火力發電的煤耗率、電耗率等，以提高機組的經濟性。而運行優化目標值反映當前運行工況條件下機組所能達到的最佳參數，為運行人員提供機組在特定負荷及外部條件下的最優運行參數，從而為電廠經濟運行、操作指導與節能優化控制改造提供理論指引。因此合理確定運行參數的優化目標值，具有十分重要的意義。傳統的電站運行參數優化方法需要建立精確的數學模型，應用受到很大局限。并且由于電力數據自身的多元性、動態性與交連性，給數據分析和處理帶來困難。數據挖掘技術作為一門新興學科，有效地解決了這方面的問題，它能夠在人工干預很少的情況下，處理復雜的數據信息，提取知識規則。近年來有學者開始投入到基于數據挖掘的電廠運行理論研究中，主要思想是由于運行參數是連續數值屬性，因此采用分區技術，將數值屬性域劃分成一個個區間，轉化成量化屬性，然后利用數據挖掘算法從電站運行歷史數據中挖掘定量關聯規則，以指導優化運行，解決了傳統優化目標值確定方法中對機組實際狀態考慮不足而失去指導意義的問題。但存在的不足是算法量化屬性域上的模糊集必須由用戶或行業專家定義，當數據量大，在缺乏先驗知識的情況下，很難確定合適的模糊集，從而影響挖掘結果的質量。在凝汽式火電機組中，供電煤耗率可以較全面的反映機組的經濟性，因此本專利申請是對影響機組供電煤耗率的主要可控參數在穩定運行工況下的歷史數據進行挖掘，以確定機組特定工況下主要運行參數的優化目標值。
技術實現思路
I、目的有鑒于此，本專利技術的目的是提供，它是對影響機組運行優化的主要可控參數，包括主蒸汽壓力、主蒸汽溫度、再熱蒸汽溫度、凝汽器真空、鍋爐給水溫度、鍋爐排煙溫度、過量空氣系數、循環水入口溫度等參數，在典型負荷穩定運行工況下的歷史數據進行分析，利用自動構建模糊集數據挖掘技術挖掘出相關關聯規則，確定機組供電煤耗率較低時的運行參數優化目標值，再通過回歸分析，得到各參數在確定工況下的運行優化曲線。2、技術方案為達到上述目的，本專利技術的技術方案是這樣的 如圖I所示，本專利技術一種基于模糊集關聯規則的火電機組運行參數確定方法，該方法包括以下步驟步驟I.數據選?。辉诨痣姍C組的運行過程當中，運行參數被實時地存儲在歷史數據庫中。因此，若要對機組某些性能進行分析的話，首先需要確定影響該性能的若干因素參數，然后選擇讀取數據的時間段和采樣頻率，最后通過查詢廠級監控信息系統，利用通訊方式將這些參數的數據讀取出來，這些數據也稱之為采樣數據，這也是其它工作的基礎。步驟2.數據預處理與工況劃分；數據預處理是為了從采樣數據中得到處于穩態運行工況下的數據。當機組運行工況相距穩態太遠時，說明機組的運行參數處于動態變化過程中，得到的參數最優值將不能對機組穩態的運行參數進行指導，因此應該選擇機組在典型負荷穩態運行工況下的數據進行分析，用于數據挖掘的數據應處于穩態或準穩態運行工況。通常情況下，當進行數據挖掘的參數數據在某一時間段內的方差小于某一閾值，即可認為得到該穩定運行工況下的運行數據。數據預處理得到穩態運行數據后，接下來進行工況劃分。通常，機組運行外部條件并不是一致的，受一些不可控因素的影響，因此有必要對這些外部條件進行劃分，對各個工況具體分析，以便得到各工況下的優化運行曲線，這樣才具有實際指導意義。劃分的依據是首先確定對機組性能具有較大影響的外部因素，然后以它們的參數為依據對工況進行劃分，劃分的原則是保證每個工況內負荷段覆蓋整個運行區域。步驟3.模糊集構建； 對于典型負荷具體工況下的數據，首先進行模糊集構建，為模糊關聯規則做準備。聚類分析是對群體及成員進行分類的遞歸過程。不同于傳統的劃分，聚類是一種無導師指導的學習過程。可以將數據對象分成多個類或簇，使同一簇中的對象之間具有較高的相似度，而不同簇中的對象差別較大。對于本專利申請，要求所選取的聚類算法具有可伸縮性，算法的時間復雜度不能太高，結果對輸入數據順序不敏感。以選用的K-means聚類算法為例，將具體工況下的數據按照負荷分成k類。K-means采用歐式距離作為相似性的評價指標，即認為2個樣本的距離越近，其相似性就越大。歐氏距離形式如下β(Χ^) = {ΣΝ-^|2}其處理流程如下首先隨機地選擇k個對象，每個對象初始的代表一個簇的平均值或中心。然后對剩余的每個對象，根據其與各個簇中心的距離，將它賦予最近的簇，接下來重新計算每個簇的平均值。這一過程不斷重復，直到準則函數收斂。通常，采用平方誤差準則，其定義如下式 k^ = ΣΣΙ^-^Γi-\ P1EC1這里E是數據庫中所有對象的平方誤差的總和，p是空間中的點，表示給定的數據對象，％是簇Ci中的平均值(P和Hli都是多維的)。這個準則試圖使生成的結果簇盡可能地緊湊和獨立。設A為量化屬性,其域為 , Iivr2,是A的k個聚類中心,且!Ti < ri+1,i = 1，2…k。以下根據k個聚類，將量化屬性域劃分成k個區間，構造正規模糊集，并允許兩相鄰模糊集的邊界有P%的重疊。定義模糊集的支集上確界(最小的上界)和下確界(最大的下界)，如圖6所示。定義如下對以rji = 1,2,…，k-Ι)為聚類中心的聚類對應的模糊集Fi,其支集上確界Bi= Γ +0. 5(l+p% ) (ri+1-ri)。而以rk為聚類中心的聚類對應的模糊集Fk，其支集上確界Bk為Ra。對以!TiQ = 2,3, ···, k)為聚類中心的聚類對應的模糊集Fi,其支集下確界IDi =r-O. 5(l+p% ) (A-Iv1)。以Γι為聚類中心的聚類對應的模糊集F1，其支集下確界、為LA。對以= 1，2，3，…，k)為聚類中心的聚類對應的模糊集Fi，其核(Fi)1Q = 2，3,…k-Ι)的下確界為Bp1，上確界為bi+1 ;其核(F1)1的下確界為La，上確界為b2 ;其核(Fk)1的下確界為Blrf，上確界為Ra。步驟4.模糊關聯規則；模糊關聯規則是形如j 15的蘊含式，其中化/，5 c /，并且ΑΠΒ=Φ，即A、B是兩個模糊項目集，并且這兩個模糊項目集中沒有共同的項目。規則^ β都是以最小支持度和最小置信度為選擇標準，其支持度s描述了數據項集Α、Β同時出現在同一事物中的概率，置信度c是指出現了數據項集A的事務中，數據項集B出現的概率。分別表示如下s(A ^ B) = S(AvjB) = Yjμ(ΑyjB)/\D\ /=1c(A ^B) = s(A^jB)/s(A) n/ mμ(Α) ^=I/ y=i上式中，μ (A)為A的隸屬函數；|D|表示數據集中的事務總數。數據挖掘的目的在于找出可信且有代表性的規則，最小支持度Smin和最小置信度Cmin指定了支持度和置信度的閥值，它們分別規定了關聯規則成立必須達到的最小支持度和置信度，即A B(s(A ^ B) &本文檔來自技高網...

【技術保護點】

【技術特征摘要】

【專利技術屬性】
技術研發人員：陳彥橋，成海南，
申請(專利權)人：國電科學技術研究院，
類型：發明
國別省市：