一种基于模糊集关联规则的火电机组运行参数优化方法技术

一种基于模糊集关联规则的火电机组运行参数优化方法，该方法分为五个步骤：步骤一：数据选取；步骤二：数据预处理与工况划分；步骤三：模糊集构造；步骤四：模糊关联规则提取；步骤五：回归分析。本发明专利技术考虑当前运行工况条件下机组所能达到的最佳参数与工况，并对影响机组运行优化的主要可控参数及历史数据进行分析，利用自动构建模糊集数据挖掘技术挖掘出相关关联规则，确定机组供电煤耗率较低时的运行参数优化目标值，再通过回归分析，得到各参数在确定工况下的运行优化曲线。它在火电厂热工过程节能优化控制技术领域内具有广泛的实用价值和应用前景。

【技术实现步骤摘要】

本专利技术涉及，具体涉及利用自动构建模糊集数据挖掘技术确定重要可控运行参数与供电煤耗率之间的定量关联规贝U，从而得到具体工况下的运行参数的优化目标值，它为运行人员提供了机组在不同外部条件(如负荷、煤质、外部环境温度)下的最佳运行参数定值，优化的结果是使机组的供电煤耗率较低，达到较高的经济效益。属于火电厂热工过程节能优化控制

技术介绍
火电机组提高其经济性的一个重要手段就是通过运行优化控制，使机组的可调运行参数处于优化值，降低火力发电的煤耗率、电耗率等，以提高机组的经济性。而运行优化目标值反映当前运行工况条件下机组所能达到的最佳参数，为运行人员提供机组在特定负荷及外部条件下的最优运行参数，从而为电厂经济运行、操作指导与节能优化控制改造提供理论指引。因此合理确定运行参数的优化目标值，具有十分重要的意义。传统的电站运行参数优化方法需要建立精确的数学模型，应用受到很大局限。并且由于电力数据自身的多元性、动态性与交连性，给数据分析和处理带来困难。数据挖掘技术作为一门新兴学科，有效地解决了这方面的问题，它能够在人工干预很少的情况下，处理复杂的数据信息，提取知识规则。近年来有学者开始投入到基于数据挖掘的电厂运行理论研究中，主要思想是由于运行参数是连续数值属性，因此采用分区技术，将数值属性域划分成一个个区间，转化成量化属性，然后利用数据挖掘算法从电站运行历史数据中挖掘定量关联规则，以指导优化运行，解决了传统优化目标值确定方法中对机组实际状态考虑不足而失去指导意义的问题。但存在的不足是算法量化属性域上的模糊集必须由用户或行业专家定义，当数据量大，在缺乏先验知识的情况下，很难确定合适的模糊集，从而影响挖掘结果的质量。在凝汽式火电机组中，供电煤耗率可以较全面的反映机组的经济性，因此本专利申请是对影响机组供电煤耗率的主要可控参数在稳定运行工况下的历史数据进行挖掘，以确定机组特定工况下主要运行参数的优化目标值。
技术实现思路
I、目的有鉴于此，本专利技术的目的是提供，它是对影响机组运行优化的主要可控参数，包括主蒸汽压力、主蒸汽温度、再热蒸汽温度、凝汽器真空、锅炉给水温度、锅炉排烟温度、过量空气系数、循环水入口温度等参数，在典型负荷稳定运行工况下的历史数据进行分析，利用自动构建模糊集数据挖掘技术挖掘出相关关联规则，确定机组供电煤耗率较低时的运行参数优化目标值，再通过回归分析，得到各参数在确定工况下的运行优化曲线。2、技术方案为达到上述目的，本专利技术的技术方案是这样的 如图I所示，本专利技术一种基于模糊集关联规则的火电机组运行参数确定方法，该方法包括以下步骤步骤I.数据选取；在火电机组的运行过程当中，运行参数被实时地存储在历史数据库中。因此，若要对机组某些性能进行分析的话，首先需要确定影响该性能的若干因素参数，然后选择读取数据的时间段和采样频率，最后通过查询厂级监控信息系统，利用通讯方式将这些参数的数据读取出来，这些数据也称之为采样数据，这也是其它工作的基础。步骤2.数据预处理与工况划分；数据预处理是为了从采样数据中得到处于稳态运行工况下的数据。当机组运行工况相距稳态太远时，说明机组的运行参数处于动态变化过程中，得到的参数最优值将不能对机组稳态的运行参数进行指导，因此应该选择机组在典型负荷稳态运行工况下的数据进行分析，用于数据挖掘的数据应处于稳态或准稳态运行工况。通常情况下，当进行数据挖掘的参数数据在某一时间段内的方差小于某一阈值，即可认为得到该稳定运行工况下的运行数据。数据预处理得到稳态运行数据后，接下来进行工况划分。通常，机组运行外部条件并不是一致的，受一些不可控因素的影响，因此有必要对这些外部条件进行划分，对各个工况具体分析，以便得到各工况下的优化运行曲线，这样才具有实际指导意义。划分的依据是首先确定对机组性能具有较大影响的外部因素，然后以它们的参数为依据对工况进行划分，划分的原则是保证每个工况内负荷段覆盖整个运行区域。步骤3.模糊集构建； 对于典型负荷具体工况下的数据，首先进行模糊集构建，为模糊关联规则做准备。聚类分析是对群体及成员进行分类的递归过程。不同于传统的划分，聚类是一种无导师指导的学习过程。可以将数据对象分成多个类或簇，使同一簇中的对象之间具有较高的相似度，而不同簇中的对象差别较大。对于本专利申请，要求所选取的聚类算法具有可伸缩性，算法的时间复杂度不能太高，结果对输入数据顺序不敏感。以选用的K-means聚类算法为例，将具体工况下的数据按照负荷分成k类。K-means采用欧式距离作为相似性的评价指标，即认为2个样本的距离越近，其相似性就越大。欧氏距离形式如下β(Χ^) = {ΣΝ-^|2}其处理流程如下首先随机地选择k个对象，每个对象初始的代表一个簇的平均值或中心。然后对剩余的每个对象，根据其与各个簇中心的距离，将它赋予最近的簇，接下来重新计算每个簇的平均值。这一过程不断重复，直到准则函数收敛。通常，采用平方误差准则，其定义如下式 k^ = ΣΣΙ^-^Γi-\ P1EC1这里E是数据库中所有对象的平方误差的总和，p是空间中的点，表示给定的数据对象，％是簇Ci中的平均值(P和Hli都是多维的)。这个准则试图使生成的结果簇尽可能地紧凑和独立。设A为量化属性,其域为 , Iivr2,是A的k个聚类中心,且!Ti < ri+1,i = 1，2…k。以下根据k个聚类，将量化属性域划分成k个区间，构造正规模糊集，并允许两相邻模糊集的边界有P%的重叠。定义模糊集的支集上确界(最小的上界)和下确界(最大的下界)，如图6所示。定义如下对以rji = 1,2,…，k-Ι)为聚类中心的聚类对应的模糊集Fi,其支集上确界Bi= Γ +0. 5(l+p% ) (ri+1-ri)。而以rk为聚类中心的聚类对应的模糊集Fk，其支集上确界Bk为Ra。对以!TiQ = 2,3, ···, k)为聚类中心的聚类对应的模糊集Fi,其支集下确界IDi =r-O. 5(l+p% ) (A-Iv1)。以Γι为聚类中心的聚类对应的模糊集F1，其支集下确界、为LA。对以= 1，2，3，…，k)为聚类中心的聚类对应的模糊集Fi，其核(Fi)1Q = 2，3,…k-Ι)的下确界为Bp1，上确界为bi+1 ;其核(F1)1的下确界为La，上确界为b2 ;其核(Fk)1的下确界为Blrf，上确界为Ra。步骤4.模糊关联规则；模糊关联规则是形如j 15的蕴含式，其中化/，5 c /，并且ΑΠΒ=Φ，即A、B是两个模糊项目集，并且这两个模糊项目集中没有共同的项目。规则^ β都是以最小支持度和最小置信度为选择标准，其支持度s描述了数据项集Α、Β同时出现在同一事物中的概率，置信度c是指出现了数据项集A的事务中，数据项集B出现的概率。分别表示如下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)为A的隶属函数；|D|表示数据集中的事务总数。数据挖掘的目的在于找出可信且有代表性的规则，最小支持度Smin和最小置信度Cmin指定了支持度和置信度的阀值，它们分别规定了关联规则成立必须达到的最小支持度和置信度，即A B(s(A ^ B) &本文档来自技高网...

【技术保护点】

【技术特征摘要】

【专利技术属性】
技术研发人员：陈彦桥，成海南，
申请(专利权)人：国电科学技术研究院，
类型：发明
国别省市：