【技术实现步骤摘要】
一种基于大数据挖掘的超超临界机组能耗分析方法
[0001]本专利技术属于能耗分析研究领域,具体涉及一种基于大数据挖掘的超超临界机组能耗分析方法
。
技术介绍
[0002]基于我国的资源分布情况,以煤炭作为一次能源的火力发电方式仍然在我国占据十分重要的地位
。
近年来,超临界火电机组凭借其高能效的优点逐渐在发达国家中被广泛使用,在我国的装机比例也越来越大,因此,着手研究超临界火电机组的能耗特性分析是十分重要的
。
[0003]随着大数据
、
人工智能等技术的快速发展,火电厂在信息化水平不断提升的同时,智能设备储存了海量的实时监测数据和历史数据
。
然而,传统的数据分析方法在处理如此庞大的数据库时存在一定局限性
。
为了克服这一挑战,大数据挖掘技术应运而生,并与火电厂机组优化运行相结合,为节能减排提供了新的解决方案
。
通过应用决策树算法
、
聚类分析法等大数据挖掘技术,火电厂能够从历史数据中提取出有价值的信息
。
这一领域正成为当前电力生产的研究热点和发展方向
。
因此,推广大数据挖掘技术到火电厂,以发掘历史数据中的有效信息,具有重要意义,并为进一步提升电力行业的效率和可持续发展提供了新的机遇
。
[0004]调节特征优先级在火电能耗影响评估中具有重要性
。
火电厂作为重要的能源供应单位,其能耗水平直接影响到电力行业的可持续发展和资源利用
【技术保护点】
【技术特征摘要】
1.
一种基于大数据挖掘的超超临界机组能耗分析方法,其特征在于,所述方法包括以下步骤:
S1
:针对火电机组高滞后
、
非耦合的特性,对超超临界机组数据进行时延校正,特征筛选及归一化处理;
S2
:基于筛选出的数据,采用
K
‑
means
聚类算法将其划分为多个子工况;
S3
:针对不同工况建立回归模型,并用智能算法进行参数寻优,取最优模型进行敏感度分析
。2.
如权利要求1所述的一种基于大数据挖掘的超超临界机组能耗分析方法,其特征在于,所述步骤
S1
中,对超超临界机组数据预处理包括以下子步骤:
S1
‑
1.
对超超临界机组数据进行时延校正:取目标
Y
的任意
H
长度的连续时序序列:
Y
K
,
H+K
‑1=
[Y
K
,
Y
K+1
,
Y
K+2
,
...
,
Y
H+K
‑1]
ꢀꢀꢀꢀ
(1)
式中,
Y
K
,
H+K
‑1表示目标
Y
从
K
开始的长度为
H
的连续时序序列,
Y
K
表示目标
Y
的第
K
个值;取特征
X
的
(2a+1)
个
H
长度的连续时序序列:式中,
X
K
‑
a
,
H+K
‑
a
‑1表示特征
X
从
K
‑
a
开始的长度为
H
的连续时序序列,
X
K
‑
a
表示特征
X
的第
K
‑
a
个值;将这
(2a+1)
个序列分别与
Y
K
,
H+K
‑1计算
(2a+1)
次
CORT
一阶时序相关性系数,得到一个长度为
(2a+1)
的特征
X
与预测目标
Y
的
CORT
X
,
Y
序列;
CORT
X
,
Y
序列的最大值点对应特征
X
与预测目标
Y
之间的时延差,即为特征
X
与预测目标
Y
之间的时延大小;
S1
‑
2.
采用随机森林算法筛选与能耗相关的特征;
S1
‑
3.
对筛选出来的数据进行归一化处理:式中,
X
i
,
f
表示特征
f
中第
i
个参数,
X
i
,
f
′
表示归一化后特征
f
中第
i
个参数,
X
f
,
min
表示特征
f
的最小值,
X
f
,
max
表示特征
f
的最大值
。3.
如权利要求1或2所述的一种基于大数据挖掘的超超临界机组能耗分析方法,其特征在于,所述步骤
S2
中,工况划分包括以下子步骤:
S2
‑
1.
输入预处理完的数据,初始化
k
个点以作为簇的中心;
S2
‑
2.
将数据集中的数据点根据欧氏距离分配给各簇,两点之间的欧氏距离为:式中,
X
为数据对象,
C
i
为第
i
个聚类中心,
n
为数据对象的维度,
X
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。