基于數(shù)據(jù)挖掘的單元機(jī)組運(yùn)行參數(shù)的優(yōu)化研究.pdf

1、隨著社會(huì)逐步進(jìn)入“低碳”時(shí)代，節(jié)能和減排愈來愈成為當(dāng)今社會(huì)人們熱議的兩大主題。電力作為經(jīng)濟(jì)社會(huì)發(fā)展的基礎(chǔ)動(dòng)力，在各項(xiàng)能源消耗中所占比例越來越大，在電力領(lǐng)域開展節(jié)能降耗工作，將對(duì)順利實(shí)現(xiàn)“十三五”節(jié)能降耗目標(biāo)和快速進(jìn)入“低碳”社會(huì)產(chǎn)生重要作用。因此各電力企業(yè)紛紛開展了節(jié)能降耗工作來增強(qiáng)自己的市場(chǎng)競(jìng)爭(zhēng)力。在電廠中，影響經(jīng)濟(jì)性的因素很多，對(duì)電廠的運(yùn)行參數(shù)進(jìn)行合理優(yōu)化成為如今電廠節(jié)能降耗手段中比較有效的方法，同時(shí)也具有很重要的現(xiàn)實(shí)意義。

2、　　本文從機(jī)組的歷史運(yùn)行參數(shù)開始入手，首先對(duì)歷史數(shù)據(jù)進(jìn)行預(yù)處理，基于數(shù)據(jù)的波動(dòng)性采用滑動(dòng)窗口法去除其中的非穩(wěn)態(tài)數(shù)據(jù)和異常數(shù)據(jù)，保證數(shù)據(jù)的真實(shí)性和有效性。然后，進(jìn)行了相關(guān)性分析工作，根據(jù)最小二乘法統(tǒng)計(jì)分析熱耗率與各邊界參數(shù)的相關(guān)性大小，選出對(duì)熱耗率影響較大的參數(shù)進(jìn)行后續(xù)工作。接下來進(jìn)行工況劃分,從海量數(shù)據(jù)中選擇出能反映機(jī)組設(shè)備特性和運(yùn)行特性的代表性數(shù)據(jù)。采用K-means聚類算法對(duì)數(shù)據(jù)進(jìn)行工況劃分，將相似工況下的數(shù)據(jù)進(jìn)行分類，對(duì)于數(shù)據(jù)較多

3、的分組，以接近平均工況的數(shù)據(jù)來代替整組數(shù)據(jù)，同時(shí)除去極端工況下的數(shù)據(jù)，避免造成數(shù)據(jù)冗余和計(jì)算誤差。以邊界參數(shù)作為輸入，以熱耗率作為輸出進(jìn)行建模。本文研究了兩種建模方式，第一種是通過 BP神經(jīng)網(wǎng)絡(luò)建立邊界參數(shù)與熱耗率之間模型；第二種是利用以合并多個(gè)“弱”分類器的輸出以產(chǎn)生有效分類思想為主的Adaboost算法結(jié)合BP神經(jīng)網(wǎng)絡(luò)進(jìn)行建模。通過分析兩種建模方法的誤差大小，本文采用了第二種方法進(jìn)行建模。最后，根據(jù)機(jī)組整體模型，得到當(dāng)前工況下的最優(yōu)