專利名稱：一種基于模糊集關聯(lián)規(guī)則的火電機組運行參數(shù)優(yōu)化方法
技術領域：
本發(fā)明涉及一種基于模糊集關聯(lián)規(guī)則的火電機組運行參數(shù)優(yōu)化方法，具體涉及利用自動構建模糊集數(shù)據(jù)挖掘技術確定重要可控運行參數(shù)與供電煤耗率之間的定量關聯(lián)規(guī)貝U，從而得到具體工況下的運行參數(shù)的優(yōu)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(huán)境溫度)下的最佳運行參數(shù)定值，優(yōu)化的結果是使機組的供電煤耗率較低，達到較高的經(jīng)濟效益。屬于火電廠熱工過程節(jié)能優(yōu)化控制技術領域。
背景技術：
火電機組提高其經(jīng)濟性的一個重要手段就是通過運行優(yōu)化控制，使機組的可調運行參數(shù)處于優(yōu)化值，降低火力發(fā)電的煤耗率、電耗率等，以提高機組的經(jīng)濟性。而運行優(yōu)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(shù)，為運行人員提供機組在特定負荷及外部條件下的最優(yōu)運行參數(shù)，從而為電廠經(jīng)濟運行、操作指導與節(jié)能優(yōu)化控制改造提供理論指引。因此合理確定運行參數(shù)的優(yōu)化目標值，具有十分重要的意義。傳統(tǒng)的電站運行參數(shù)優(yōu)化方法需要建立精確的數(shù)學模型，應用受到很大局限。并且由于電力數(shù)據(jù)自身的多元性、動態(tài)性與交連性，給數(shù)據(jù)分析和處理帶來困難。數(shù)據(jù)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(shù)據(jù)信息，提取知識規(guī)則。近年來有學者開始投入到基于數(shù)據(jù)挖掘的電廠運行理論研究中，主要思想是由于運行參數(shù)是連續(xù)數(shù)值屬性，因此采用分區(qū)技術，將數(shù)值屬性域劃分成一個個區(qū)間，轉化成量化屬性，然后利用數(shù)據(jù)挖掘算法從電站運行歷史數(shù)據(jù)中挖掘定量關聯(lián)規(guī)則，以指導優(yōu)化運行，解決了傳統(tǒng)優(yōu)化目標值確定方法中對機組實際狀態(tài)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(yè)專家定義，當數(shù)據(jù)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(jīng)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(shù)在穩(wěn)定運行工況下的歷史數(shù)據(jù)進行挖掘，以確定機組特定工況下主要運行參數(shù)的優(yōu)化目標值。

發(fā)明內容
I、目的有鑒于此，本發(fā)明的目的是提供一種基于模糊集關聯(lián)規(guī)則的火電機組運行參數(shù)優(yōu)化方法，它是對影響機組運行優(yōu)化的主要可控參數(shù)，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(shù)、循環(huán)水入口溫度等參數(shù)，在典型負荷穩(wěn)定運行工況下的歷史數(shù)據(jù)進行分析，利用自動構建模糊集數(shù)據(jù)挖掘技術挖掘出相關關聯(lián)規(guī)則，確定機組供電煤耗率較低時的運行參數(shù)優(yōu)化目標值，再通過回歸分析，得到各參數(shù)在確定工況下的運行優(yōu)化曲線。2、技術方案為達到上述目的，本發(fā)明的技術方案是這樣的 如圖I所示，本發(fā)明一種基于模糊集關聯(lián)規(guī)則的火電機組運行參數(shù)確定方法，該方法包括以下步驟步驟I.數(shù)據(jù)選??；在火電機組的運行過程當中，運行參數(shù)被實時地存儲在歷史數(shù)據(jù)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(shù)，然后選擇讀取數(shù)據(jù)的時間段和采樣頻率，最后通過查詢廠級監(jiān)控信息系統(tǒng)，利用通訊方式將這些參數(shù)的數(shù)據(jù)讀取出來，這些數(shù)據(jù)也稱之為采樣數(shù)據(jù)，這也是其它工作的基礎。步驟2.數(shù)據(jù)預處理與工況劃分；數(shù)據(jù)預處理是為了從采樣數(shù)據(jù)中得到處于穩(wěn)態(tài)運行工況下的數(shù)據(jù)。當機組運行工況相距穩(wěn)態(tài)太遠時，說明機組的運行參數(shù)處于動態(tài)變化過程中，得到的參數(shù)最優(yōu)值將不能對機組穩(wěn)態(tài)的運行參數(shù)進行指導，因此應該選擇機組在典型負荷穩(wěn)態(tài)運行工況下的數(shù)據(jù)進行分析，用于數(shù)據(jù)挖掘的數(shù)據(jù)應處于穩(wěn)態(tài)或準穩(wěn)態(tài)運行工況。通常情況下，當進行數(shù)據(jù)挖掘的參數(shù)數(shù)據(jù)在某一時間段內的方差小于某一閾值，即可認為得到該穩(wěn)定運行工況下的運行數(shù)據(jù)。數(shù)據(jù)預處理得到穩(wěn)態(tài)運行數(shù)據(jù)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(yōu)化運行曲線，這樣才具有實際指導意義。劃分的依據(jù)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(shù)為依據(jù)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(qū)域。步驟3.模糊集構建；
對于典型負荷具體工況下的數(shù)據(jù)，首先進行模糊集構建，為模糊關聯(lián)規(guī)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(tǒng)的劃分，聚類是一種無導師指導的學習過程?？梢詫?shù)據(jù)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(shù)據(jù)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(shù)據(jù)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(jù)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(shù)收斂。通常，采用平方誤差
準則，其定義如下式
k^ = ΣΣΙ^-^Γ
i-\ P1EC1這里E是數(shù)據(jù)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(shù)據(jù)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[La Ra] , Iivr2,是A的k個聚類中心,且!Ti < ri+1,i = 1，2…k。以下根據(jù)k個聚類，將量化屬性域劃分成k個區(qū)間，構造正規(guī)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(lián)規(guī)則；模糊關聯(lián)規(guī)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(guī)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(shù)據(jù)項集Α、Β同時出現(xiàn)在同一事物中的概率，置信度c是指出現(xiàn)了數(shù)據(jù)項集A的事務中，數(shù)據(jù)項集B出現(xiàn)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(shù)；|D|表示數(shù)據(jù)集中的事務總數(shù)。數(shù)據(jù)挖掘的目的在于找出可信且有代表性的規(guī)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(guī)定了關聯(lián)規(guī)則成立必須達到的最小支持度和置信度，即A B(s(A ^ B) > smin, c(A ^B)> cmin)模糊關聯(lián)規(guī)則挖掘算法首先把每一屬性轉化為用隸屬函數(shù)表示的模糊變量值，然后計算事務數(shù)據(jù)庫中各屬性對應模糊集的權值。本發(fā)明采用改進的模糊關聯(lián)規(guī)則，算法流程如圖2所示,在基于Apriori算法上主要有2點改進(I)由流程圖可知，每次在計算候選集的支持度時都要重新掃描整個數(shù)據(jù)庫，算法時間消耗較大。因此，引入剪枝策略如下式所示，可以減少候選集數(shù)量，進而減少挖掘時間，這對于處理機組大量數(shù)據(jù)是必要的。Dsup (XYZ) ^ Dsup (XY) +Dsup (XZ) -Dsup (X)(2)傳統(tǒng)的Apriori算法僅采用“候選集_頻繁集”的模式，這樣會產生一些冗余的規(guī)則，因此人們引入了興趣度(Interest)的概念。本發(fā)明采用興趣度的定義，如下式所示，興趣度函數(shù)I的值越大，規(guī)則越有實際指導意義。
P(B)-
(I-P(A))x(\-P(AuB))
模糊關聯(lián)規(guī)則挖掘的輸出是以規(guī)則集的形式，本發(fā)明中其數(shù)學描述為機組運行參數(shù)P1 = V1時I機組性 能參數(shù)Q1 = W1,這里機組運行參數(shù)和性能參數(shù)分別指機組運行主汽壓力、供電煤耗率。步驟5.回歸分析；對以每個典型負荷為中心的小區(qū)間，選擇規(guī)則中供電煤耗率較小的區(qū)間對應的參數(shù)運行區(qū)間作為該參數(shù)在該負荷下的最優(yōu)值區(qū)間，就可以得到各參數(shù)的一組運行優(yōu)化目標值。一般情況下，為了保證計算結果的準確和計算方法的簡便，火電機組運行曲線多采用二次多項式的曲線擬合方法，最后通過最小二乘擬合得到具體工況下的運行優(yōu)化曲線，用于指導運行人員調整相應設備或控制器參數(shù)以優(yōu)化運行。其中，步驟3中所述的模糊集構建分為以下2個步驟I)利用已知的聚類算法對數(shù)據(jù)進行聚類，求出各聚類的中心；2)由聚類的中心構建量化屬性域上模糊概念對應的模糊集，并導出隸屬函數(shù)。3、優(yōu)點及功效與目前的將關聯(lián)規(guī)則應用于火電機組運行參數(shù)定值優(yōu)化方法相比，本發(fā)明改進在于應用了改進模糊聚類算法來自動生成模糊集及隸屬函數(shù)，更加符合數(shù)據(jù)的分布特點而不依賴于用戶或行業(yè)專家的定義，使挖掘結果更加準確和智能。


圖I本發(fā)明的基于數(shù)據(jù)挖掘的火電機組運行參數(shù)優(yōu)化流程2模糊關聯(lián)規(guī)則算法流程3從實時/歷史數(shù)據(jù)庫提取數(shù)據(jù)的通訊架構圖4確定工況下鍋爐給水溫度-供電煤耗率關聯(lián)規(guī)則散點5確定工況下鍋爐給水溫度運行優(yōu)化曲線圖6模糊集的支集隸屬函數(shù)關系圖7梯形隸屬函數(shù)
具體實施例方式為使本發(fā)明的目的、技術方案和優(yōu)點表達的更加清楚明白，下面結合附圖及具體實例對本發(fā)明再作進一步詳細的說明。本發(fā)明的主要思想是利用自動構建模糊集關聯(lián)規(guī)則數(shù)據(jù)挖掘技術確定火電機組優(yōu)化運行參數(shù)定值。本實例所采樣數(shù)據(jù)來源于某發(fā)電廠2009年8-9月兩個月的數(shù)據(jù)，共有43920組。采樣數(shù)據(jù)包括煤質系數(shù)、循環(huán)水入口溫度、主蒸汽壓力、主蒸汽溫度、再熱蒸汽溫度、凝汽器真空、排煙溫度、鍋爐給水溫度、供電煤耗率和負荷。見圖I，本發(fā)明一種基于關聯(lián)規(guī)則的火電機組運行參數(shù)優(yōu)化定值確定方法，該方法具體步驟如下步驟I.數(shù)據(jù)選??； 用戶將先發(fā)請求給服務目錄，服務目錄通過里面包含的信息找到包含這些數(shù)據(jù)服務的地址，然后返回給用戶，用戶因此得以與所需的服務通訊，獲得需要的數(shù)據(jù)。其通訊架構如圖3所示。步驟2.數(shù)據(jù)預處理與工況劃分；
文件中存儲的是2009. 8-2009. 9月兩個月的數(shù)據(jù)。以主蒸汽壓力為例，由于主蒸汽壓力是最敏感的測點，可以認為某段時間內主蒸
汽壓力基本穩(wěn)定時，該時段內的運行工況是穩(wěn)定的。具體的判斷公式如下
t _ 2Σ [Pimain ~~Pmai ) <ξ i=t-d該式表示主蒸汽壓力;4,. 在時間段[t_d，t]內的方差小于閾值ξ UPimairt植時間段內的均值。得到穩(wěn)定工況所在時間段[t_d，t]后，即可得到該穩(wěn)定運行工況下的運行數(shù)據(jù)。此部分對應圖中穩(wěn)態(tài)數(shù)據(jù)篩選部分。其中d由有關設備的熱慣性或質量慣性來確定。穩(wěn)態(tài)閾值由用戶自己輸入設定數(shù)值。主要以煤質系數(shù)、循環(huán)水入口溫度對工況進行劃分，并同時使每個工況內負荷段覆蓋整個運行區(qū)域。這里選為10分鐘，閾值ξ設為O. 05。最后得到30380條穩(wěn)態(tài)數(shù)據(jù)，對應的煤質系數(shù)取值為[2. 08-3. 33]，循環(huán)水入口溫度取值為[20.21-34.92]。然后進行工況劃分，煤質系數(shù)以O. 45為一度，循環(huán)水入口溫度以5為一度進行劃分，最終得到9個工況。步驟3.模糊集構造；輸入取定所選的工況。輸出構造模糊集。模糊集構造是為了模糊關聯(lián)規(guī)則做準備。分別對應低(VL)、較低(L)、中(M)、較高
(H)、高(VH)五個模糊集，采用梯形隸屬函數(shù)如圖7所示。為了更明確的描述模糊集的生成過程，不失一般性，以工況5下典型負荷435麗為例進行以下具體分析，其對應的煤質系數(shù)為[2.53 2. 98]，循環(huán)水入口溫度為[25.2130. 21]，共有13493組數(shù)據(jù)，試圖得到該具體工況下各參數(shù)的優(yōu)化目標值，并僅列出鍋爐給水溫度的數(shù)據(jù)挖掘的具體過程。取工況5下負荷位于435MW附近(433MW-438MW)數(shù)據(jù)，共有1596條。對這些數(shù)據(jù)分別進行聚類分析，分成5類，可求得聚類中心和對應支集的上確界和下確界，如表I所示給出對鍋爐給水溫度進行聚類的結果表I鍋爐給水溫度對應K-means聚類結果
聚類數(shù)__聚類中心__下確界(N )__上確界(Bi )
_I__252.20__—__253.38_
2253.53252.65253.94
_3__254.02__253.61__254.47_
4254.55 254.10 255.11_5__255.21__254.65__—_
在得到聚類結果后就可以構造如圖6所示模糊集，聚類數(shù)1-5的聚類中心分別對應低(VL)、較低(L)、中(M)、較高(H)、高(VH)五個模糊集的中心，每個模糊集有O. 3的重疊。如表2中所示為任取的工況5下負荷在435WM附近時的10條鍋爐給水溫度記錄，表3為表2中對應數(shù)據(jù)模糊化后的結果。表2鍋爐給水溫度的部分數(shù)據(jù)
記錄__鍋爐給水溫度____鍋爐給水溫度_
1255.166252.22 2254.847253.62
_3__254.60__8__253.65_
4253.859253.66
_5__253.60__H)__250.93_表3表2中數(shù)據(jù)對應的模糊化結果
鍋爐給水溫度
記錄^^^^
VL I_L_I M IHI VH
_I__O__O__O__O__I_
20000.510.49
30 0 0 1 0_4__O__O__028__072__O_
50 0 0.56 0.44 O_6__I__O__O__O__O_
70.040.96000
80 1 0 0 0_9__O__I__O__O__O_
10O0.250.75OO步驟4.模糊關聯(lián)規(guī)則；輸入給定支持度、置信度、興趣度，模糊集。輸出模糊關聯(lián)規(guī)則。算法Apriori算法。為了生成所有頻繁項集，Apriori算法使用了遞推的方法。其核心思想簡要描述如下(I)Ll = {large 1-item sets} (LI 是指頻繁 I-項集)；(2) for (k = 2 ;Lk_l 幸 Φ ;k++)do begin ；(3) Ck = apriori_gen (Lk-I)(將Lk_l進行連接操作生成候選k項集的集合Ck)；
(4)for all transactions t e D do begin ；(5) Ct = subset (Ck, t)(識別包含在事務t中的候選集)；(6) for all candidates c e Ctdo ；(7) c. count++ (支持度計算增值);
(8)end ；(9)end ；(IO)Lk = {c e Ck c. count ^ minsup}；(I I) end;(12) answer = U kLk。首先產生頻繁I-項集LI，然后是頻繁2-項集L2，知道某個r值使得Lr為空，這時算法停止。這里在第k次循環(huán)中，過程先產生候選k項集的集合Ck，Ck中的每一個項集是對兩個只有一個項不同的屬于Lk-I的頻繁集做一個(k-2)連接來產生的。Ck中的項集是用來產生頻繁的候選集，最后的頻繁集Lk必須是Ck的一個子集。Ck中的每個元素需在交易數(shù)據(jù)庫中進行驗證來決定其是否加入Lk，這里的驗證過程是算法性能的一個瓶頸。這個方法要求多次掃描交易數(shù)據(jù)庫。從以上算法過程可以看出，Apriori算法采用了逐層搜索的迭代方法，以遞歸的統(tǒng)計方法為基礎經(jīng)剪枝后可能產生大量的候選集和可能需要重復掃描數(shù)據(jù)庫。本文給定最小支持度Smin = 0. 2，最小直彳目度Cmin = 0. 60，最小直彳目度Imin = I。得到滿足優(yōu)化條件的如下關聯(lián)規(guī)則Temp Effi L (s = 0. 25 c = 0. 69 and 1 = 1. 15)Temp表示鍋爐給水溫度，Effi表示供電煤耗率。上述規(guī)則反模糊化解釋為，在負荷435MW附近，鍋爐給水溫度最優(yōu)值區(qū)間為[252.65 253. 94]，此時供電煤耗率較低，對應區(qū)間為[325. 78 329. 25]，運行優(yōu)化目標值在此區(qū)間內選取。本文取最優(yōu)區(qū)間加權平均值作為優(yōu)化目標值，得到在435WM負荷下，鍋爐給水溫度最優(yōu)值為253. 53，對應供電煤耗率值為327. 695。按照上述方法就可以得到所有可控參數(shù)在工況5下典型負荷為435MW時對應的優(yōu)化目標值，如表4所示表4工況5下負荷為435麗時各參數(shù)對應的優(yōu)化目標值
_運行參數(shù)__優(yōu)化目標值_
_主蒸汽壓力/Mpa__13.831_
_主蒸汽溫度/°C__537.652_
_再熱蒸汽溫度/°C__538.007_
_凝汽器真空/KPa__-94.906_
_過量空氣系數(shù)__3.91466_
_排煙溫度/°C__123.316_
_鍋爐給水溫度/°C__253.53_
步驟5.回歸分析；輸入獲得各典型負荷下對應的運行優(yōu)化參數(shù)的定值。輸出最小二乘擬合曲線。仍然以鍋爐給水溫度為例子，按照上述步驟利用模糊關聯(lián)規(guī)則算法對工況5下325MW、380MW、435MW、490MW、545MW、600MW、655MW典型負荷下數(shù)據(jù)進行挖掘，得到鍋爐給水溫度的一組運行最優(yōu)值，如表5所示。表5確定工況下各典型負荷時所得模糊關聯(lián)規(guī)則
權利要求
1.一種基于模糊集關聯(lián)規(guī)則的火電機組運行參數(shù)優(yōu)化方法，其特征在于該方法包括以下步驟 步驟ー.數(shù)據(jù)選??； 在火電機組的運行過程當中，運行參數(shù)被實時地存儲在歷史數(shù)據(jù)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(shù)，然后選擇讀取數(shù)據(jù)的時間段和采樣頻率，最后通過查詢廠級監(jiān)控信息系統(tǒng)，利用通訊方式將這些參數(shù)的數(shù)據(jù)讀取出來，這些數(shù)據(jù)也稱之為采樣數(shù)據(jù)，這也是其它工作的基礎； 步驟ニ.數(shù)據(jù)預處理與エ況劃分； 數(shù)據(jù)預處理是為了從采樣數(shù)據(jù)中得到處于穩(wěn)態(tài)運行エ況下的數(shù)據(jù)，當機組運行エ況相距穩(wěn)態(tài)太遠時，說明機組的運行參數(shù)處于動態(tài)變化過程中，得到的參數(shù)最優(yōu)值將不能對機組穩(wěn)態(tài)的運行參數(shù)進行指導，因此應該選擇機組在典型負荷穩(wěn)態(tài)運行エ況下的數(shù)據(jù)進行分析，用于數(shù)據(jù)挖掘的數(shù)據(jù)應處于穩(wěn)態(tài)或準穩(wěn)態(tài)運行エ況；通常情況下，當進行數(shù)據(jù)挖掘的參數(shù)數(shù)據(jù)在某一時間段內的方差小于某ー閾值，即認為得到該穩(wěn)定運行エ況下的運行數(shù)據(jù)；數(shù)據(jù)預處理得到穩(wěn)態(tài)運行數(shù)據(jù)后，接下來進行エ況劃分；通常，機組運行外部條件并不是一致的，受ー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，對各個エ況具體分祈，以便得到各エ況下的優(yōu)化運行曲線，這樣才具有實際指導意義；劃分的依據(jù)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(shù)為依據(jù)對エ況進行劃分，劃分的原則是保證每個エ況內負荷段覆蓋整個運行區(qū)域； 步驟三.模糊集構建； 對于典型負荷具體エ況下的數(shù)據(jù)，首先進行模糊集構建，為模糊關聯(lián)規(guī)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(tǒng)的劃分，聚類是一種無導師指導的學習過程；將數(shù)據(jù)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； 這里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(shù)據(jù)順序不敏感；以選用的κ-means聚類算法為例，將具體エ況下的數(shù)據(jù)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
2.根據(jù)權利要求I所述的ー種基于模糊集關聯(lián)規(guī)則的火電機組運行參數(shù)優(yōu)化方法，其特征在于步驟三中所述的模糊集構建分為以下2個步驟 1)利用已知的聚類算法對數(shù)據(jù)進行聚類，求出各聚類的中心； 2)由聚類的中心構建量化屬性域上模糊概念對應的模糊集，并導出隸屬函數(shù)。
全文摘要
一種基于模糊集關聯(lián)規(guī)則的火電機組運行參數(shù)優(yōu)化方法，該方法分為五個步驟步驟一數(shù)據(jù)選取；步驟二數(shù)據(jù)預處理與工況劃分；步驟三模糊集構造；步驟四模糊關聯(lián)規(guī)則提取；步驟五回歸分析。本發(fā)明考慮當前運行工況條件下機組所能達到的最佳參數(shù)與工況，并對影響機組運行優(yōu)化的主要可控參數(shù)及歷史數(shù)據(jù)進行分析，利用自動構建模糊集數(shù)據(jù)挖掘技術挖掘出相關關聯(lián)規(guī)則，確定機組供電煤耗率較低時的運行參數(shù)優(yōu)化目標值，再通過回歸分析，得到各參數(shù)在確定工況下的運行優(yōu)化曲線。它在火電廠熱工過程節(jié)能優(yōu)化控制技術領域內具有廣泛的實用價值和應用前景。
文檔編號G05B13/04GK102636991SQ201210114168
公開日2012年8月15日 申請日期2012年4月18日 優(yōu)先權日2012年4月18日
發(fā)明者成海南, 陳彥橋 申請人:國電科學技術研究院