【技术实现步骤摘要】
基于特征构建和特征选择的火电机组煤耗智能预测方法
[0001]本申请涉及数据挖掘领域,尤其是基于特征构建和特征选择的火电机组煤耗智能预测方法。
技术介绍
[0002]以水电、风电和太阳能发电等为代表的清洁能源具有显著的间歇性和不确定性的特点,其发电量易受气候、季节和时段等因素的影响。
[0003]为了尽量充分利用清洁能源,提高清洁能源占比,规避大规模“弃风、弃水和弃光”现象的发生,需要在电力市场辅助服务机制的帮助下,以火电作为辅助和备用能源来提升电网整体的稳定性;当清洁能源供给量充足时降低火力发电量,当清洁能源供给量不足时增加火力发电量,火电由现在的基础电力来源角色转变为清洁能源发电的动态补充电力。也就是在电力系统中,火电需要在电网调峰为可再生能源的接入提供了必要的基础和保障。
[0004]这意味着火电的角色将从过去的稳定运行以提供电力负载中的基荷转变为快速调节以应对电力负载中的峰荷,这种火力发电运营模的重大改变给火电机组运营优化与机组调度带来了新的挑战。如何在电网调峰条件下实现高效运行、节能减排是火电企业必须解决的一个管理问题。建立准确有效的火电机组煤耗预测模型是实现上述目标需要解决的最根本问题之一。
[0005]近年来,包括分布式控制系统、监控信息系统、工厂信息系统和现场总线控制系统在内的智能管理部署越来越受到火电企业的关注。这些系统使火电企业能够记录火电机组的实时运行状态和发电数据。基于运行数据的数据驱动技术经常被用于火力发电厂各个领域的建模和分析,如燃煤发电机组的故障诊断、燃煤发电机组 ...
【技术保护点】
【技术特征摘要】
1.基于特征构建和特征选择的火电机组煤耗智能预测方法,其特征在于:所述智能预测方法包括如下步骤:步骤一、通过安装在火电机组上的传感器收集火电机组历史监控数据,使用K
‑
means算法对上述数据进行聚类分析以划分不同的火电机组基本工况;步骤二、在火电机组系统中各种特征的记录数据在特征之间和相应的煤耗之间可能存在延迟或提前的情况下,使用特征构建来反映这种延迟或提前时间现象,以期得到更多的潜在优质子集;步骤三、使用遗传算法剔除无意义的冗余特征以实现特征子集的提炼和精简,用于应对高维特征集会对回归机器学习模型产生许多不利影响;步骤四、使用步骤三中所筛选出的特征子集作为自变量煤耗作为因变量建立装袋树回归预测模型,对于后续的实时监测数据通过该回归预测模型实时预测火电机组的煤耗。2.根据权利要求1所述的基于特征构建和特征选择的火电机组煤耗智能预测方法,其特征在于:所述步骤一中的K
‑
means聚类分析如下:对于通过安装在火电机组上的传感器所收集的历史监控数据X=(X1,...,X
d
),使用K
‑
means算法对上述数据进行聚类以划分不同的火电机组基本工况,其中X
j
=(x
1,j
,
…
,x
n,j
)
T
是表示X中第j个特征的列向量,x
i,j
是第j个特征的第i个样本,Y=(y1,...,y
n
)
T
是与之对应的煤耗,其中y
i
表示第i个样本的煤耗值,i=1,2,...,n,j=1,2,...,d,n是样本总数,d是特征总数;将指定的聚类数量设置为k,然后随机选择k个观测值作为初始聚类中心;然后在测量每个观测点与每个聚类中心之间的距离后,指定最接近每个观测点的聚类;然后重新计算现在每个类别的聚类中心并更新聚类中心结果;重复该过程,直到迭代次数达到预定阈值m;对于不同的聚类数量k的取值,使用轮廓系数来评估最理想的聚类数量;计算所有不同的聚类数量k所对应的轮廓系数。3.根据权利要求2...
【专利技术属性】
技术研发人员:朱磊,章魏,周健,张丽忠,刘永平,
申请(专利权)人:北京航空航天大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。