一種基於模糊集關聯規則的火電機組運行參數優化方法

2023-05-15 04:47:51

專利名稱：一種基於模糊集關聯規則的火電機組運行參數優化方法
技術領域：
本發明涉及一種基於模糊集關聯規則的火電機組運行參數優化方法，具體涉及利用自動構建模糊集數據挖掘技術確定重要可控運行參數與供電煤耗率之間的定量關聯規貝U，從而得到具體工況下的運行參數的優化目標值，它為運行人員提供了機組在不同外部條件(如負荷、煤質、外部環境溫度)下的最佳運行參數定值，優化的結果是使機組的供電煤耗率較低，達到較高的經濟效益。屬於火電廠熱工過程節能優化控制技術領域。
背景技術：
火電機組提高其經濟性的一個重要手段就是通過運行優化控制，使機組的可調運行參數處於優化值，降低火力發電的煤耗率、電耗率等，以提高機組的經濟性。而運行優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，為運行人員提供機組在特定負荷及外部條件下的最優運行參數，從而為電廠經濟運行、操作指導與節能優化控制改造提供理論指引。因此合理確定運行參數的優化目標值，具有十分重要的意義。傳統的電站運行參數優化方法需要建立精確的數學模型，應用受到很大局限。並且由於電力數據自身的多元性、動態性與交連性，給數據分析和處理帶來困難。數據挖掘技術作為一門新興學科，有效地解決了這方面的問題，它能夠在人工幹預很少的情況下，處理複雜的數據信息，提取知識規則。近年來有學者開始投入到基於數據挖掘的電廠運行理論研究中，主要思想是由於運行參數是連續數值屬性，因此採用分區技術，將數值屬性域劃分成一個個區間，轉化成量化屬性，然後利用數據挖掘算法從電站運行歷史數據中挖掘定量關聯規則，以指導優化運行，解決了傳統優化目標值確定方法中對機組實際狀態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專家定義，當數據量大，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在穩定運行工況下的歷史數據進行挖掘，以確定機組特定工況下主要運行參數的優化目標值。

發明內容
I、目的有鑑於此，本發明的目的是提供一種基於模糊集關聯規則的火電機組運行參數優化方法，它是對影響機組運行優化的主要可控參數，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、過量空氣係數、循環水入口溫度等參數，在典型負荷穩定運行工況下的歷史數據進行分析，利用自動構建模糊集數據挖掘技術挖掘出相關關聯規則，確定機組供電煤耗率較低時的運行參數優化目標值，再通過回歸分析，得到各參數在確定工況下的運行優化曲線。2、技術方案為達到上述目的，本發明的技術方案是這樣的 如圖I所示，本發明一種基於模糊集關聯規則的火電機組運行參數確定方法，該方法包括以下步驟步驟I.數據選取；在火電機組的運行過程當中，運行參數被實時地存儲在歷史資料庫中。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，然後選擇讀取數據的時間段和採樣頻率，最後通過查詢廠級監控信息系統，利用通訊方式將這些參數的數據讀取出來，這些數據也稱之為採樣數據，這也是其它工作的基礎。步驟2.數據預處理與工況劃分；數據預處理是為了從採樣數據中得到處於穩態運行工況下的數據。當機組運行工況相距穩態太遠時，說明機組的運行參數處於動態變化過程中，得到的參數最優值將不能對機組穩態的運行參數進行指導，因此應該選擇機組在典型負荷穩態運行工況下的數據進行分析，用於數據挖掘的數據應處於穩態或準穩態運行工況。通常情況下，當進行數據挖掘的參數數據在某一時間段內的方差小於某一閾值，即可認為得到該穩定運行工況下的運行數據。數據預處理得到穩態運行數據後，接下來進行工況劃分。通常，機組運行外部條件並不是一致的，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化運行曲線，這樣才具有實際指導意義。劃分的依據是首先確定對機組性能具有較大影響的外部因素，然後以它們的參數為依據對工況進行劃分，劃分的原則是保證每個工況內負荷段覆蓋整個運行區域。步驟3.模糊集構建；
對於典型負荷具體工況下的數據，首先進行模糊集構建，為模糊關聯規則做準備。聚類分析是對群體及成員進行分類的遞歸過程。不同於傳統的劃分，聚類是一種無導師指導的學習過程。可以將數據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。對於本專利申請，要求所選取的聚類算法具有可伸縮性，算法的時間複雜度不能太高，結果對輸入數據順序不敏感。以選用的K-means聚類算法為例，將具體工況下的數據按照負荷分成k類。K-means採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。然後對剩餘的每個對象，根據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。這一過程不斷重複，直到準則函數收斂。通常，採用平方誤差
準則，其定義如下式
k^ = ΣΣΙ^-^Γ
i-\ P1EC1這裡E是資料庫中所有對象的平方誤差的總和，p是空間中的點，表示給定的數據對象，％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儘可能地緊湊和獨立。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k個聚類，將量化屬性域劃分成k個區間，構造正規模糊集，並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.模糊關聯規則；模糊關聯規則是形如j 15的蘊含式，其中化/，5 c /，並且ΑΠΒ=Φ，即A、B是兩個模糊項目集，並且這兩個模糊項目集中沒有共同的項目。規則^ 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描述了數據項集Α、Β同時出現在同一事物中的概率，置信度c是指出現了數據項集A的事務中，數據項集B出現的概率。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；|D|表示數據集中的事務總數。數據挖掘的目的在於找出可信且有代表性的規則，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，它們分別規定了關聯規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)模糊關聯規則挖掘算法首先把每一屬性轉化為用隸屬函數表示的模糊變量值，然後計算事務資料庫中各屬性對應模糊集的權值。本發明採用改進的模糊關聯規則，算法流程如圖2所示,在基於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資料庫，算法時間消耗較大。因此，引入剪枝策略如下式所示，可以減少候選集數量，進而減少挖掘時間，這對於處理機組大量數據是必要的。Dsup (XYZ) ^ Dsup (XY) +Dsup (XZ) -Dsup (X)(2)傳統的Apriori算法僅採用「候選集_頻繁集」的模式，這樣會產生一些冗餘的規則，因此人們引入了興趣度(Interest)的概念。本發明採用興趣度的定義，如下式所示，興趣度函數I的值越大，規則越有實際指導意義。
P(B)-
(I-P(A))x(\-P(AuB))
模糊關聯規則挖掘的輸出是以規則集的形式，本發明中其數學描述為機組運行參數P1 = V1時I機組性 能參數Q1 = W1,這裡機組運行參數和性能參數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間，選擇規則中供電煤耗率較小的區間對應的參數運行區間作為該參數在該負荷下的最優值區間，就可以得到各參數的一組運行優化目標值。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採用二次多項式的曲線擬合方法，最後通過最小二乘擬合得到具體工況下的運行優化曲線，用於指導運行人員調整相應設備或控制器參數以優化運行。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據進行聚類，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，並導出隸屬函數。3、優點及功效與目前的將關聯規則應用於火電機組運行參數定值優化方法相比，本發明改進在於應用了改進模糊聚類算法來自動生成模糊集及隸屬函數，更加符合數據的分布特點而不依賴於用戶或行業專家的定義，使挖掘結果更加準確和智能。


圖I本發明的基於數據挖掘的火電機組運行參數優化流程2模糊關聯規則算法流程3從實時/歷史資料庫提取數據的通訊架構圖4確定工況下鍋爐給水溫度-供電煤耗率關聯規則散點5確定工況下鍋爐給水溫度運行優化曲線圖6模糊集的支集隸屬函數關係圖7梯形隸屬函數
具體實施例方式為使本發明的目的、技術方案和優點表達的更加清楚明白，下面結合附圖及具體實例對本發明再作進一步詳細的說明。本發明的主要思想是利用自動構建模糊集關聯規則數據挖掘技術確定火電機組優化運行參數定值。本實例所採樣數據來源於某發電廠2009年8-9月兩個月的數據，共有43920組。採樣數據包括煤質係數、循環水入口溫度、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，本發明一種基於關聯規則的火電機組運行參數優化定值確定方法，該方法具體步驟如下步驟I.數據選取； 用戶將先發請求給服務目錄，服務目錄通過裡面包含的信息找到包含這些數據服務的地址，然後返回給用戶，用戶因此得以與所需的服務通訊，獲得需要的數據。其通訊架構如圖3所示。步驟2.數據預處理與工況劃分；
文件中存儲的是2009. 8-2009. 9月兩個月的數據。以主蒸汽壓力為例，由於主蒸汽壓力是最敏感的測點，可以認為某段時間內主蒸
汽壓力基本穩定時，該時段內的運行工況是穩定的。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]內的方差小於閾值ξ UPimairt植時間段內的均值。得到穩定工況所在時間段[t_d，t]後，即可得到該穩定運行工況下的運行數據。此部分對應圖中穩態數據篩選部分。其中d由有關設備的熱慣性或質量慣性來確定。穩態閾值由用戶自己輸入設定數值。主要以煤質係數、循環水入口溫度對工況進行劃分，並同時使每個工況內負荷段覆蓋整個運行區域。這裡選為10分鐘，閾值ξ設為O. 05。最後得到30380條穩態數據，對應的煤質係數取值為[2. 08-3. 33]，循環水入口溫度取值為[20.21-34.92]。然後進行工況劃分，煤質係數以O. 45為一度，循環水入口溫度以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規則做準備。分別對應低(VL)、較低(L)、中(M)、較高
(H)、高(VH)五個模糊集，採用梯形隸屬函數如圖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，其對應的煤質係數為[2.53 2. 98]，循環水入口溫度為[25.2130. 21]，共有13493組數據，試圖得到該具體工況下各參數的優化目標值，並僅列出鍋爐給水溫度的數據挖掘的具體過程。取工況5下負荷位於435MW附近(433MW-438MW)數據，共有1596條。對這些數據分別進行聚類分析，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__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__—_
在得到聚類結果後就可以構造如圖6所示模糊集，聚類數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中對應數據模糊化後的結果。表2鍋爐給水溫度的部分數據
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中數據對應的模糊化結果
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.模糊關聯規則；輸入給定支持度、置信度、興趣度，模糊集。輸出模糊關聯規則。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，然後是頻繁2-項集L2，知道某個r值使得Lr為空，這時算法停止。這裡在第k次循環中，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於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，最後的頻繁集Lk必須是Ck的一個子集。Ck中的每個元素需在交易資料庫中進行驗證來決定其是否加入Lk，這裡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資料庫。從以上算法過程可以看出，Apriori算法採用了逐層搜索的迭代方法，以遞歸的統計方法為基礎經剪枝後可能產生大量的候選集和可能需要重複掃描資料庫。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。得到滿足優化條件的如下關聯規則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。上述規則反模糊化解釋為，在負荷435MW附近，鍋爐給水溫度最優值區間為[252.65 253. 94]，此時供電煤耗率較低，對應區間為[325. 78 329. 25]，運行優化目標值在此區間內選取。本文取最優區間加權平均值作為優化目標值，得到在435WM負荷下，鍋爐給水溫度最優值為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在工況5下典型負荷為435MW時對應的優化目標值，如表4所示表4工況5下負荷為435麗時各參數對應的優化目標值
_運行參數__優化目標值_
_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_
_過量空氣係數__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化參數的定值。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規則算法對工況5下325MW、380MW、435MW、490MW、545MW、600MW、655MW典型負荷下數據進行挖掘，得到鍋爐給水溫度的一組運行最優值，如表5所示。表5確定工況下各典型負荷時所得模糊關聯規則
權利要求
1.一種基於模糊集關聯規則的火電機組運行參數優化方法，其特徵在於該方法包括以下步驟 步驟ー.數據選取； 在火電機組的運行過程當中，運行參數被實時地存儲在歷史資料庫中，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，然後選擇讀取數據的時間段和採樣頻率，最後通過查詢廠級監控信息系統，利用通訊方式將這些參數的數據讀取出來，這些數據也稱之為採樣數據，這也是其它工作的基礎； 步驟ニ.數據預處理與エ況劃分； 數據預處理是為了從採樣數據中得到處於穩態運行エ況下的數據，當機組運行エ況相距穩態太遠時，說明機組的運行參數處於動態變化過程中，得到的參數最優值將不能對機組穩態的運行參數進行指導，因此應該選擇機組在典型負荷穩態運行エ況下的數據進行分析，用於數據挖掘的數據應處於穩態或準穩態運行エ況；通常情況下，當進行數據挖掘的參數數據在某一時間段內的方差小於某ー閾值，即認為得到該穩定運行エ況下的運行數據；數據預處理得到穩態運行數據後，接下來進行エ況劃分；通常，機組運行外部條件並不是一致的，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化運行曲線，這樣才具有實際指導意義；劃分的依據是首先確定對機組性能具有較大影響的外部因素，然後以它們的參數為依據對エ況進行劃分，劃分的原則是保證每個エ況內負荷段覆蓋整個運行區域； 步驟三.模糊集構建； 對於典型負荷具體エ況下的數據，首先進行模糊集構建，為模糊關聯規則做準備； 聚類分析是對群體及成員進行分類的遞歸過程，不同於傳統的劃分，聚類是一種無導師指導的學習過程；將數據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； 這裡要求所選取的聚類算法具有可伸縮性，算法的時間複雜度不能太高，結果對輸入數據順序不敏感；以選用的κ-means聚類算法為例，將具體エ況下的數據按照負荷分成k類，K-means採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.根據權利要求I所述的ー種基於模糊集關聯規則的火電機組運行參數優化方法，其特徵在於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據進行聚類，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，並導出隸屬函數。
全文摘要
一種基於模糊集關聯規則的火電機組運行參數優化方法，該方法分為五個步驟步驟一數據選取；步驟二數據預處理與工況劃分；步驟三模糊集構造；步驟四模糊關聯規則提取；步驟五回歸分析。本發明考慮當前運行工況條件下機組所能達到的最佳參數與工況，並對影響機組運行優化的主要可控參數及歷史數據進行分析，利用自動構建模糊集數據挖掘技術挖掘出相關關聯規則，確定機組供電煤耗率較低時的運行參數優化目標值，再通過回歸分析，得到各參數在確定工況下的運行優化曲線。它在火電廠熱工過程節能優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 優先權日2012年4月18日
發明者成海南, 陳彥橋 申請人:國電科學技術研究院