发明内容
为了解决上述技术问题,本发明的目的是提供一种实时性和准确度高的循环流化床机组耗差分析优化目标值体系的确定方法。
本发明所采用的技术方案是:一种循环流化床机组耗差分析优化目标值体系的确定方法,该方法包括:
A、从机组历史运行数据库中采集样本运行参数;
B、利用K-means算法进而对采集到的样本运行参数进行聚类,以得到K个数据簇;
C、根据每个数据簇的算术平均值,进而选取出算术平均值最低的数据簇,然后将选取出的数据簇的聚类中心所对应的参数确定为优化目标值。
进一步,所述的步骤B具体包括:
B1、从采集到的样本运行参数中取出K个样本运行参数作为初始的聚类中心;
B2、采用欧氏距离计算公式,进而计算其余的样本运行参数到各个聚类中心的距离;
B3、根据计算得到的距离,从而将其余的样本运行参数归类到与其自身距离最近的聚类中心所在的簇,以得到初始的K个数据簇;
B4、计算每个数据簇的算术平均值,并且将计算得到的算术平均值作为新的聚类中心;
B5、重新采集样本运行参数后,采用欧氏距离计算公式,进而计算重新采集到的样本运行参数到各个聚类中心的距离,并且根据计算得到的距离,从而将重新采集到的样本运行参数归类到与其自身距离最近的聚类中心所在的簇,接着,计算每个数据簇的算术平均值,并且将计算得到的算术平均值作为新的聚类中心;
B6、判断每个数据簇的算术平均值是否均满足收敛要求,若是,则结束计算,反之,则返回执行步骤B5。
进一步,所述的步骤B具体包括:
B7、从采集到的样本运行参数中取出K个样本运行参数作为初始的聚类中心;
B8、采用欧氏距离计算公式,进而计算其余的样本运行参数到各个聚类中心的距离;
B9、根据计算得到的距离,从而将其余的样本运行参数归类到与其自身距离最近的聚类中心所在的簇,以得到初始的K个数据簇;
B10、计算每个数据簇的算术平均值后,将计算得到的算术平均值作为新的聚类中心,然后重新采集样本运行参数,并且采用欧氏距离计算公式,进而计算重新采集到的样本运行参数到各个聚类中心的距离,根据计算得到的距离,从而将重新采集到的样本运行参数归类到与其自身距离最近的聚类中心所在的簇;
B11、判断当前的迭代次数是否已满足预设的次数,若是,则结束,反之,则返回执行步骤B10。
进一步,所述的欧氏距离计算公式,其具体为:
其中,d(Xi,Xi)表示样本运行参数Xi和样本运行参数Xj之间的欧式距离,m为样本的空间维数,z=1,2,……m。
进一步,所述步骤B6,其具体为:
判断每个数据簇的算术平均值的标准差是否均小于阈值,若是,则表示每个数据簇的算术平均值均满足收敛要求,并且结束计算,反之,则表示每个数据簇的算术平均值不满足收敛要求,并且返回执行步骤B5。
进一步,所述步骤A之前还设有步骤A0,所述的步骤A0为:确定数据挖掘的目标。
进一步,K取值为10。
本发明的有益效果是:本发明的方法是结合计算机手段,从而利用K-means算法来确定优化目标值,这样不仅能够节省了人力,而且能够提高计算的效率、准确性以及可操作性,可减少复杂计算量和试验的费用,因此通过使用本发明的方法,就能够快速、准确以及动态地计算出优化目标值体系,这样就能够实时准确地控制循环流化床机组实现最优化经济运行。
具体实施方式
由图1所示,一种循环流化床机组耗差分析优化目标值体系的确定方法,该方法包括:
A、从机组历史运行数据库中采集样本运行参数;
B、利用K-means算法进而对采集到的样本运行参数进行聚类,以得到K个数据簇;
C、根据每个数据簇的算术平均值,进而选取出算术平均值最低的数据簇,然后将选取出的数据簇的聚类中心所对应的参数确定为优化目标值。
进一步作为优选的实施方式,所述步骤A之前还设有步骤A0,所述的步骤A0为:确定数据挖掘的目标。对于所述挖掘的目标,其挖掘的目标不一样,则选择的样本运行参数也会有所不同,因此,通过使用本发明的方法,用户就能够根据实际的需要来确定数据挖掘的目标,如供电标准煤耗率最低、锅炉效率最高和污染物排放最低等目标,从而使目标值可随优化目标的变化进行动态调整,这样则能够提高优化目标值确定的灵活性,以及大大提高本发明的可操作性。
进一步作为优选的实施方式,所述的步骤B具体包括:
B1、从采集到的样本运行参数中取出K个样本运行参数作为初始的聚类中心;
B2、采用欧氏距离计算公式,进而计算其余的样本运行参数到各个聚类中心的距离;
B3、根据计算得到的距离,从而将其余的样本运行参数归类到与其自身距离最近的聚类中心所在的簇,以得到初始的K个数据簇;
B4、计算每个数据簇的算术平均值,并且将计算得到的算术平均值作为新的聚类中心;
B5、重新采集样本运行参数后,采用欧氏距离计算公式,进而计算重新采集到的样本运行参数到各个聚类中心的距离,并且根据计算得到的距离,从而将重新采集到的样本运行参数归类到与其自身距离最近的聚类中心所在的簇,接着,计算每个数据簇的算术平均值,并且将计算得到的算术平均值作为新的聚类中心;
B6、判断每个数据簇的算术平均值是否均满足收敛要求,若是,则结束计算,反之,则返回执行步骤B5。
或者,所述的步骤B具体包括:
B7、从采集到的样本运行参数中取出K个样本运行参数作为初始的聚类中心;
B8、采用欧氏距离计算公式,进而计算其余的样本运行参数到各个聚类中心的距离;
B9、根据计算得到的距离,从而将其余的样本运行参数归类到与其自身距离最近的聚类中心所在的簇,以得到初始的K个数据簇;
B10、计算每个数据簇的算术平均值后,将计算得到的算术平均值作为新的聚类中心,然后重新采集样本运行参数,并且采用欧氏距离计算公式,进而计算重新采集到的样本运行参数到各个聚类中心的距离,根据计算得到的距离,从而将重新采集到的样本运行参数归类到与其自身距离最近的聚类中心所在的簇;
B11、判断当前的迭代次数是否已满足预设的次数,若是,则结束,反之,则返回执行步骤B10。而每执行一次步骤B10,则迭代次数加1。
上述采集样本运行参数的频率和时间是根据用户的需求而设定的,并且采集样本运行参数的时间段会选择近期的运行参数,因为这样能够比较贴近进组的实际性能。
进一步作为优选的实施方式,所述的欧氏距离计算公式,其具体为:
其中,d(Xi,Xj)表示样本运行参数Xi和样本运行参数Xj之间的欧式距离,m为样本的空间维数,z=1,2,……m。
进一步作为优选的实施方式,所述步骤B6,其具体为:
判断每个数据簇的算术平均值的标准差是否均小于阈值,若是,则表示每个数据簇的算术平均值均满足收敛要求,并且结束计算,反之,则表示每个数据簇的算术平均值不满足收敛要求,并且返回执行步骤B5。当每次执行步骤B5时,每个数据簇的算术平均值均会有一个新的数值,即当第T次执行步骤B5时,即每个数据簇分别具有T+1个算术平均值,并且当K个数据簇中的每一个数据簇,其当前所得到的算术平均值均已趋于不变,即其当前所得到的算术平均值的标准差已小于阈值,此时,用于评价聚类性能的误差平方和准则函数Y的数值是最小的,其可满足循环流化床机组耗差分析的要求。而误差平方和准则函数Y的公式如下:
其中,K为聚类中心的个数,即数据簇的个数,Ci为第i个数据簇,Ei为Ci的算术平均值,i=1,2……K;X为样本运行参数的原始数据矩阵,而将X带入上述公式时,则必须满足X∈Ci,即计算中,X中所包含的样本运行参数是属于Ci的样本运行参数。
进一步作为优选的实施方式,K取值为10。
本发明方法的第一具体实施例
以300MW循环流化床机组为例。而且由于供电标准煤耗率可以全面地反映机组的经济性,因此,本实施例选择供电标准煤耗率作为机组经济性评价的准则,即数据挖掘的目标确定为供电标准煤耗率。由此可知,本实施例是对影响供电标准煤耗率的关键可调可控参数稳定运行工况下的历史数据(即关键运行参数)进行聚类分析,从而确定机组在不同负荷下关键运行参数的最优目标值。
对于机组的供电标准煤耗率,其计算公式如下:
上式中,q0为汽轮机热耗率,单位为kJ/kW·h,并且其是根据汽轮机功率和进入汽轮机净热量值进行计算的;ηb为锅炉效率,单位为百分比%,并且其是采用反平衡方法来计算的;η0为管道热效率,单位为百分比%,并且取99%;ξ为厂用电率,单位为百分比%;bg为机组的供电标准煤耗率,单位为g/kW·h。
由上述可得,一种300MW循环流化床机组耗差分析优化目标值体系的确定方法,其具体包括:
S1、确定数据挖掘的目标,而所述数据挖掘的目标为供电标准煤耗率;
S2、根据确定的数据挖掘的目标,进而设定样本运行参数采集的个数n,以及每个样本运行参数所包含的参数变量的个数p;
S3、根据确定的数据挖掘的目标,进而从机组历史运行数据库近段时间记录的运行参数中采集n个样本运行参数,其中,由于数据挖掘的目标确定为供电标准煤耗率,因此,对于所采集的样本运行参数,其是对供电标准煤耗率造成影响的关键可调可控参数稳定运行工况下的历史数据,并且每个样本运行参数包含p个参数变量,而由于每个样本运行参数包含p个参数变量,因此,对于采集到的n个样本运行参数,其所构成样本运行参数的原始数据矩阵如下所示:
上述原始数据矩阵中,X表示为含有n个样本运行参数且每个样本运行参数含有p个参数变量的原始数据矩阵,而p个参数变量包含了机组的功率、排烟温度和排烟氧量等参数变量;
另外,由于300MW循环流化床机组在实际运行过程中不能保证在每一个功率区间运行时间相同,因此,采集的数据点也大不相同,而若一个采集区间的点数太少,则可与相邻的区间合并,这样就能保证了每个功率区段有足够多的记录,以此来提高本发明聚类算法的精确度,并且在进行采集时,可以先将某些误差较大的数据点剔除;
S4、从采集到的n个样本运行参数中随机取出K个样本运行参数作为初始的聚类中心;
由于K-means算法的复杂度O(npKt)与K是成正比的,而K过大时则会使计算的速度和时间都增加,K过小时则会无法发现挖掘目标与关键运行参数之间的关联规则,因此优选地,K可取值为10;
S5、随机取出的10个初始聚类中心只是较为粗糙的分类,其是作为下一步聚类计算的对比点,而此步骤具体为,采用欧式距离计算公式,进而计算其余的样本运行参数,即N-10个样本运行参数,到各个聚类中心的距离;
S6、根据计算得到的距离,从而将其余的样本运行参数归类到与其自身距离最近的聚类中心所在的簇,以得到初始的10个数据簇;
S7、计算每个数据簇的算术平均值,并且将计算得到的算术平均值作为新的聚类中心;
S8、从机组历史运行数据库近段时间记录的运行参数中重新采集n个样本运行参数后,采用欧式距离计算公式,进而计算重新采集到的n个样本运行参数到各个新的聚类中心的距离,并且根据计算得到的距离,从而将重新采集到的n个样本运行参数归类到与其自身距离最近的聚类中心所在的簇,接着,计算当前每个数据簇的算术平均值,并且将计算得到的算术平均值作为新的聚类中心;
S9、判断每个数据簇的算术平均值的标准差是否小于阈值,若是,则表示每个数据簇的算术平均值均满足收敛要求,并且结束计算,反之,则表示每个数据簇的算术平均值不满足收敛要求,并且返回执行步骤S8;
S10、当结束计算时,则根据当前每个数据簇的算术平均值,进而选取算术平均值最低的那一个数据簇,然后将与该数据簇的聚类中心相对应的参数确定为该机组功率下的优化目标值。而通过上述方法所得到的聚类分析结果如图2所示。另外,对一个功率区间进行相同上述的操作,这样便能够得到那些参数对应不同功率时的优化目标值,而那些参数对应不同功率时的优化目标值如图3所示。
对于上述的欧式距离计算公式,由于其主要是用于计算样本运行参数与聚类中心的欧式距离,因此,其具体表示为:
式中,d(Xi,Xk)表示为样本运行参数Xi和聚类中心Xk之间的欧式距离,而由于一个样本运行参数中包含p个参数变量,因此,样本的空间维数为p,即z=l,2,……p。
对于上述的步骤S9,其也可以是:判断当前的迭代次数是否已满足预设的次数,即判断步骤S8所执行的次数是否已满足预设的次数,若是,则结束计算,反之,则返回执行步骤S8。
上述所述的样本运行参数,其采集的频率在10s/次~30s/次之间。
对于上述的本发明方法,其具备的优点有:1、充分利用现有机组历史运行数据,挖掘其中各个参数的关联规则;2、挖掘目标可以动态调整,针对性强,使用范围广,而且便于工作人员操作,能够实时且具有针对性地进行挖掘目标的调整,从而能够更贴近实际情况,使机组实现最经济性运行;3、由于本发明的方法是利用K-MEANS算法来进行数据聚类,因此,其计算时间复杂度仅为O(npKt),其中n是样本运行参数的个数,p是对应的参数变量的个数,K是聚类的中心数,t是迭代的次数,一般来说t<<n,K<<n,p<<n;4、本发明能够根据机组不同挖掘目标确定相应的参数运行优化目标值,与现有确定优化目标值方法相比,具有快速性、准确性和可操作性,并且可大量减少复杂计算量和试验费用。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。