熱工過(guò)程海量數(shù)據(jù)挖掘技術(shù)研究與應(yīng)用.pdf

1、電站安全、經(jīng)濟(jì)運(yùn)行是保證國(guó)民經(jīng)濟(jì)穩(wěn)定發(fā)展的基礎(chǔ)，因此，針對(duì)大型火電機(jī)組的性能監(jiān)測(cè)和運(yùn)行優(yōu)化技術(shù)的研究具有重要意義。由于熱工過(guò)程結(jié)構(gòu)復(fù)雜、非線(xiàn)性強(qiáng)、運(yùn)行環(huán)境多變，難以建立精確適用的數(shù)學(xué)模型，因此需要借助數(shù)據(jù)挖掘手段對(duì)熱工過(guò)程中復(fù)雜多變的數(shù)據(jù)進(jìn)行分析，從中獲得機(jī)組運(yùn)行的知識(shí)和規(guī)則，從而達(dá)到熱工過(guò)程狀態(tài)監(jiān)測(cè)和優(yōu)化的目的。
　　本文以熱工過(guò)程的實(shí)時(shí)數(shù)據(jù)采集/存儲(chǔ)系統(tǒng)獲得的海量歷史數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù)為研究對(duì)象，在對(duì)熱工過(guò)程數(shù)據(jù)進(jìn)行預(yù)處理后，以屬

2、性約簡(jiǎn)和聚類(lèi)分析等數(shù)據(jù)挖掘方法完成電站機(jī)組目標(biāo)工況庫(kù)的獲取和運(yùn)行狀態(tài)監(jiān)測(cè)。本文主要內(nèi)容如下:
　　1、開(kāi)展了針對(duì)熱工過(guò)程的數(shù)據(jù)預(yù)處理研究，將信息熵理論結(jié)合基本統(tǒng)計(jì)方法作為信號(hào)變換手段，實(shí)現(xiàn)信號(hào)不同層次內(nèi)在特征的定量表征;采用自變量與因變量相關(guān)的延時(shí)樣本的多元線(xiàn)性回歸模型實(shí)現(xiàn)數(shù)據(jù)清洗;利用滑動(dòng)樣本熵對(duì)標(biāo)準(zhǔn)化處理后的運(yùn)行數(shù)據(jù)進(jìn)行樣本熵分析，根據(jù)設(shè)定的穩(wěn)態(tài)閾值提取穩(wěn)態(tài)因子從而完成熱工過(guò)程數(shù)據(jù)的穩(wěn)定性判定;提出ECNN算法對(duì)熱工過(guò)程數(shù)據(jù)進(jìn)

3、行壓縮，通過(guò)減小高穩(wěn)態(tài)樣本的閾值權(quán)重、增加低穩(wěn)態(tài)樣本的閾值權(quán)重，使得壓縮集在保留原始樣本集數(shù)據(jù)特性基礎(chǔ)上保留穩(wěn)態(tài)程度較高的樣本。
　　2、針對(duì)傳統(tǒng)離散算法的離散個(gè)數(shù)需預(yù)先設(shè)定的缺點(diǎn)，提出一種基于熵聚類(lèi)(E_Cluster)的連續(xù)屬性離散化方法，該方法從數(shù)據(jù)本身的分布特性出發(fā)，無(wú)需預(yù)先設(shè)定聚類(lèi)的初參數(shù)。在粗糙集互補(bǔ)條件熵的基礎(chǔ)上，引入處理增量數(shù)據(jù)的更新機(jī)制，獲得改進(jìn)的粗糙集互補(bǔ)條件算法(D_RED)。利用E_Cluster和D_RE

4、D算法對(duì)鍋爐的可控運(yùn)行參數(shù)進(jìn)行連續(xù)屬性離散化和屬性約簡(jiǎn)，獲得不同機(jī)組負(fù)荷下影響鍋爐燃燒效率和爐膛出口NOx濃度的主要運(yùn)行參數(shù)的變化情況。
　　3、提出一種新的聚類(lèi)評(píng)價(jià)指標(biāo)Vnew，并將Vnew應(yīng)用到改進(jìn)Kmeans算法中，通過(guò)比較每種劃分的聚類(lèi)有效性指標(biāo)值來(lái)確定最佳分類(lèi)數(shù)，實(shí)現(xiàn)了類(lèi)心個(gè)數(shù)的自適應(yīng)?；跁r(shí)頻域信息熵分析的特征提取方法，采用改進(jìn)的Kmeans算法分析爐膛壓力信號(hào)，實(shí)現(xiàn)信號(hào)在不同變換空間內(nèi)的能量分布特性定量表征和多層次特

5、征提取，獲得了爐膛壓力信號(hào)特征值和機(jī)組負(fù)荷之間的關(guān)系。
　　4、在處理混合型數(shù)據(jù)的經(jīng)典K-prototypes聚類(lèi)算法基礎(chǔ)上，結(jié)合TS_PSO優(yōu)化算法對(duì)聚類(lèi)目標(biāo)函數(shù)不相似程度D(x,y)函數(shù)進(jìn)行尋優(yōu)，獲得了基于TS_PSO的自適應(yīng)K-prototypes聚類(lèi)算法，基于該方法獲得了不同負(fù)荷和低位熱值相應(yīng)的最佳鍋爐效率和最佳爐膛出口NOx濃度以及對(duì)應(yīng)的各可控參數(shù)目標(biāo)值，進(jìn)而建立了反映實(shí)際鍋爐實(shí)際最優(yōu)運(yùn)行水平的目標(biāo)工況庫(kù)。
　　5

6、、提出無(wú)需提前設(shè)定聚類(lèi)初始值的EKFCM算法，通過(guò)計(jì)算Kmeans聚類(lèi)過(guò)程中熵變差值，以躍遷差值達(dá)到最小值時(shí)的類(lèi)別數(shù)作為FCM的初始參數(shù)，解決FCM聚類(lèi)需要預(yù)先設(shè)定初始類(lèi)心個(gè)數(shù)的缺點(diǎn)。為了避免總樣本數(shù)目不斷增加引起的處理難度加大的問(wèn)題，在常見(jiàn)的FIFO增量處理策略基礎(chǔ)上提出了Sub-TDFO策略。將所提出的EKFCM增量聚類(lèi)算法應(yīng)用于熱工過(guò)程數(shù)據(jù)實(shí)時(shí)監(jiān)測(cè)，完成了對(duì)空預(yù)器堵灰程度和汽輪機(jī)通流部分結(jié)垢的監(jiān)測(cè)。
　　6、從系統(tǒng)的原理、架