基于改进K-means算法的锅炉燃烧优化控制方法及装置制造方法及图纸

本公开提供一种基于改进K

【技术实现步骤摘要】
基于改进K
‑
means算法的锅炉燃烧优化控制方法及装置


[0001]本公开属于锅炉燃烧
，具体涉及一种基于改进 K
‑
means算法的锅炉燃烧优化控制方法及装置。

技术介绍

[0002]燃煤是以雾霾为代表的大气污染物形成的重要因素之一，这也是我国雾霾产生的最根本原因，而热力发电则是造成空气污染的主要原因。因此实现锅炉节能减排是当下工作的重中之重。目前，基于锅炉优化燃烧的研究在全球已经得到广泛的重视。电站锅炉的燃烧优化是节能减排的主要手段，其原理是在一定负荷的基础上，主要通过对锅炉燃烧过程进行优化调整，比如一次风、二次风以及给煤机转速等，达到提高热效率和降低氮氧化合物排放浓度的目的。
[0003]目前解决锅炉燃烧优化最常用的研究方法如基于神经网络和支持向量机等对锅炉的燃烧热效率以及污染物排放进行建模，然后采用智能优化算法(如遗传算法)对锅炉燃烧过程中的相关参数进行优化，使其在参数最优条件下达到最优效果。相比于上述技术路线，数据挖掘技术同样适合于锅炉燃烧优化，操作简单，易于实现，适用于在线系统。
[0004]K
‑
means聚类算法属于数据挖掘技术中的一种，已被广泛应用于很多领域，并取得良好的分类效果。然而，K
‑
means更倾向于寻找最优初始聚类中心，而最终结果与初始点的选择密切相关，容易陷入局部最优点，导致算法的运行速度变慢，电站锅炉燃烧的热效率较低。

技术实现思路

[0005]本公开旨在至少解决现有技术中存在的技术问题之一，提供一种基于改进K
‑
means算法的锅炉燃烧优化控制方法及装置。
[0006]本公开的一方面，提供一种基于改进K
‑
means算法的锅炉燃烧优化控制方法，所述方法包括：
[0007]采集锅炉的实时运行数据，并将所述实时运行数据进行预处理；
[0008]将预处理后的实时运行数据划分为训练集和测试集；
[0009]采用改进K
‑
means算法对训练集中的实时运行数据进行聚类，具体包括：先采用粒子群算法优化K
‑
means聚类中心，之后采用 K
‑
means算法对所述实时运行数据进行聚类；
[0010]基于所述聚类后的实时运行数据，对预设的贝叶斯最小二乘支持向量机模型进行训练，得到锅炉燃烧优化控制模型；
[0011]利用所述锅炉燃烧优化控制模型对锅炉燃烧进行控制。
[0012]在一些实施方式中，所述采用粒子群算法优化K
‑
means聚类中心，包括：
[0013]对于粒子群进行初始化操作；
[0014]根据粒子群算法中惯性权重，更新粒子的初始速度和初始位置，并且依照最近邻原理划分数据集，计算粒子的适应度值并排序；
[0015]每个粒子选择离均值初始中心最近的数据样本对象作为新的簇的中心；
[0016]将数据样本中每个数据对象指派到最相似的簇中；
[0017]计算每个簇的均值，选择离其最近的数据对象作为新的簇中心，并判断中心点是否稳定；如果稳定，则将该中心点作为K
‑
means 聚类中心进行聚类；不稳定则继续执行上述步骤。
[0018]在一些实施方式中，所述采用K
‑
means算法对所述实时运行数据进行聚类，包括：
[0019]将t＝1测试数据Pt划分样本数据到最相似簇，计算适应度并搜索该工况中最大热效率；
[0020]对原始样本中热效率进行更新；
[0021]判断是否所有样本搜索满足完成的结束条件，不满足转向上述步骤，否则，输出聚类结果。
[0022]在一些实施方式中，所述方法还包括：
[0023]假设在现场采集到的数据集为S＝{P1,...,P
t
,...,P
n
}，其中，表示在t时刻采集到的第 k个可调参数，表示在t时刻采集到的第m个不可调参数， e
t
表示目标参数；
[0024]对于某一时刻τ采集到的工况P
τ
，它的热效率值为e
τ
；在采集到的历史数据库中搜索出距离工况P
τ
最近且热效率e
ψ
＞e
τ
的工况P
ψ
，其中，时间ψ＜τ；因为P
ψ
与P
τ
的距离很近，因此可以认为P
ψ
与P
τ
是一类问题，即它们有近似相同的特征；所以提取P
ψ
的可调参数，并赋予到P
τ
的可调参数中，即：因此认为在时刻τ的热效率e
τ
就可以调整到e
ψ
。
[0025]在一些实施方式中，所述将所述实时运行数据进行预处理，包括：
[0026]将所述实时运行数据预先经过非加权组平均法UPGMA处理，剔除掉噪声数据和边缘数据。
[0027]本公开的另一方面，提供一种基于改进K
‑
means算法的锅炉燃烧优化控制装置，所述装置包括：
[0028]采集模块，用于采集锅炉的实时运行数据，并将所述实时运行数据进行预处理；
[0029]划分模块，用于将预处理后的实时运行数据划分为训练集和测试集；
[0030]聚类模块，用于采用改进K
‑
means算法对训练集中的实时运行数据进行聚类，具体包括：先采用粒子群算法优化K
‑
means聚类中心，之后采用K
‑
means算法对所述实时运行数据进行聚类；
[0031]训练模块，用于基于所述聚类后的实时运行数据，对预设的贝叶斯最小二乘支持向量机模型进行训练，得到锅炉燃烧优化控制模型；
[0032]控制模块，用于利用所述锅炉燃烧优化控制模型对锅炉燃烧进行控制。
[0033]在一些实施方式中，所述聚类模块，具体还用于：
[0034]对于粒子群进行初始化操作；
[0035]根据粒子群算法中惯性权重，更新粒子的初始速度和初始位置，并且依照最近邻原理划分数据集，计算粒子的适应度值并排序；
[0036]每个粒子选择离均值初始中心最近的数据样本对象作为新的簇的中心；
[0037]将数据样本中每个数据对象指派到最相似的簇中；
[0038]计算每个簇的均值，选择离其最近的数据对象作为新的簇中心，并判断中心点是否稳定；如果稳定，则将该中心点作为K
‑
means 聚类中心进行聚类；不稳定则继续执行上述步骤。
[0039]在一些实施方式中，所述聚类模块，具体还用于：
[0040]将t＝1测试数据Pt划分样本数据到最相似簇，计算适应度并搜索该工况中最大热效率；
[0041]对原始样本中热效率进行更新；
[0042]判断是否所有样本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进K
‑
means算法的锅炉燃烧优化控制方法，其特征在于，所述方法包括：采集锅炉的实时运行数据，并将所述实时运行数据进行预处理；将预处理后的实时运行数据划分为训练集和测试集；采用改进K
‑
means算法对训练集中的实时运行数据进行聚类，具体包括：先采用粒子群算法优化K
‑
means聚类中心，之后采用K
‑
means算法对所述实时运行数据进行聚类；基于所述聚类后的实时运行数据，对预设的贝叶斯最小二乘支持向量机模型进行训练，得到锅炉燃烧优化控制模型；利用所述锅炉燃烧优化控制模型对锅炉燃烧进行控制。2.根据权利要求1所述的方法，其特征在于，所述采用粒子群算法优化K
‑
means聚类中心，包括：对于粒子群进行初始化操作；根据粒子群算法中惯性权重，更新粒子的初始速度和初始位置，并且依照最近邻原理划分数据集，计算粒子的适应度值并排序；每个粒子选择离均值初始中心最近的数据样本对象作为新的簇的中心；将数据样本中每个数据对象指派到最相似的簇中；计算每个簇的均值，选择离其最近的数据对象作为新的簇中心，并判断中心点是否稳定；如果稳定，则将该中心点作为K
‑
means聚类中心进行聚类；不稳定则继续执行上述步骤。3.根据权利要求2所述的方法，其特征在于，所述采用K
‑
means算法对所述实时运行数据进行聚类，包括：将t＝1测试数据Pt划分样本数据到最相似簇，计算适应度并搜索该工况中最大热效率；对原始样本中热效率进行更新；判断是否所有样本搜索满足完成的结束条件，不满足转向上述步骤，否则，输出聚类结果。4.根据权利要求1至3任一项所述的方法，其特征在于，所述方法还包括：假设在现场采集到的数据集为S＝{P1，...，P
t
，...，P
n
}，其中，}，其中，表示在t时刻采集到的第k个可调参数，表示在t时刻采集到的第m个不可调参数，e
t
表示目标参数；对于某一时刻τ采集到的工况P
τ
，它的热效率值为e
τ
；在采集到的历史数据库中搜索出距离工况P
τ
最近且热效率e
ψ
＞e
τ
的工况P
ψ
，其中，时间ψ＜τ；因为P
ψ
与P
τ
的距离很近，因此可以认为P
ψ
与P...

【专利技术属性】
技术研发人员：麻红波，杨继明，李洪灯，张澈，陈岩磊，曹利蒲，李丹阳，
申请(专利权)人：北京华能新锐控制技术有限公司，
类型：发明
国别省市：