CN104750973A - 基于数据平滑度函数的火电机组负荷(准)稳态工况聚类算法 - Google Patents

Abstract

本发明公开了一种基于数据平滑度函数的机组负荷(准)稳态工况聚类算法，其步骤为：(1)通过综合应用统计学方法对采集到的机组负荷数据进行数据预处理，提高所研究数据对象的准确性和一致性，使其能够真实反映机组的运行状况；(2)以数据平滑度函数为准则，截断大于设定临界阈值的单调数据区域，对机组负荷数据进行(准)稳态工况判定；(3)选择符合数据平滑度要求，且满足最短(准)稳态工况时间的机组负荷数据，通过有效的聚类算法获得机组典型工况数据集并存储。本方法灵活适用，适于火电机组负荷数据(准)稳态工况的判定，可以获取机组运行典型工况数据，为后续的机组诊断服务以及机组运行状态分析优化等工作提供了有效的数据支撑。

Description

基于数据平滑度函数的火电机组负荷(准)稳态工况聚类算法

技术领域

本发明属于火力发电厂汽轮机组安全经济性远程诊断与服务技术领域，具体涉及一种基于数据平滑度函数的机组负荷(准)稳态工况聚类算法。

背景技术

在现阶段，依靠现代信息技术，特别是计算机网络技术的快速发展和应用，节能技术实验室实现了对发电企业和发电集团信息基础设施的整合和利用，通过机组现场实时一次运行数据的集中报送，逐步建成了集火电机组实时数据采集、传输、存储和计算为一体的能耗大数据支撑平台。通过机组能耗大数据支撑平台，为异地电厂或发电集团的设备运行原始参数等各种资源与节能技术的有效沟通，提供了非常方便的联系交流途径，实现了异地数据共享的功能。

然而火电机组是一个复杂的耦合系统，尤其是具有多级回热和再热系统的大容量、高参数机组，由于工况的暂态变化，以及机组在蓄热、放热、压缩、膨胀等热力过程中的热惯性，导致其实时运行参数的传输具有滞后性和动态性的特点。并且各个设备运行状态存在不确定变化，在(准)稳态与非稳态之间不断交替运行，过渡状态中数据的统计特性变动尤其剧烈，其中机组负荷是一个表征机组运行工况的重要参数，所有的机组二次性能指标数据计算都是在特定机组负荷或者说特定工况下进行的。

进行设备状态诊断分析时首先要获得历史数据集的稳定工况，只有(准)稳态工况下各参数才具有较强状态的一致性，在非稳态工况下，数据不能真实地反映系统输入输出的关系，会带来辨识和建模误差。如果直接从机组历史数据库中将非稳态数据提取并用于计算分析，其结果会有较大的波动和偏差，不能反映机组设备的实际运行状态和性能，非稳态数据在机组的诊断和分析方面不具有实际的指导意义和应用价值。

发明内容

本发明要解决的技术问题是提供一种有效的基于数据平滑度函数的机组负荷(准)稳态工况判定方法，以实现对火电厂能耗大数据平台中海量机组数据的(准)稳态工况判定，其可以更加高效准确的获取机组海量数据的(准)稳态工况，并在系统平台中保存为典型工况数据集，为机组后续的性能指标计算和诊断分析提供重要的数据支撑。

为解决上述技术问题，本发明所采取的技术方案为：一种基于数据平滑度函数的机组负荷(准)稳态工况聚类算法，其具体包括以下步骤：

(1)系统平台机组负荷数据预处理

数据预处理是获取机组负荷典型工况数据集的第一步，通过综合应用统计学方法对采集数据进行数据校正，以消除粗大误差和坏值点，提高所研究数据对象的准确性和一致性，使其能够真实反映机组的运行状况；

以系统平台历史数据库中2n+1个机组负荷数据为研究对象，标记数据采样间隔节点分别为x_-n,x_-n+1,…,x_-1,x₀,x₁,…,x_n-1,x_n。机组负荷数据分别记为W_-n,W_-n+1,…,W_-1,W₀,W₁,…,W_n-1,W_n，表示在对应间隔节点上系统采集到的机组负荷数据。由于系统平台按照时间每5分钟对实际运行的机组进行一次数据采集，同时将采集到的数据存储在系统数据库中，即系统平台是以时间序列为等距节点的数据采集模式。做变换t＝(x-x₀)/5则上述2n+1个等间隔节点变为：t_-n＝-n,t_-n+1＝-n+1,…,t_-1＝-1,t₀＝0,t₁＝1,…,t_n-1＝n-1,t_n＝n

用m次多项式拟合机组负荷数据，如下式(1)：

$\stackrel{\‾}{W}\left(t\right)=C_0+C_1\·t+C_2\·t^2+...+C_m\·t^m---\left(1\right)$

其中，C_i—待定参数(i＝0,1,…,m)；

      m—阶次因子。

为了消除粗差和坏值点，需要确定待定参数C_i，构造以下等式：

$\left\{\begin{array}{c}{C}_0+C_1\·t_{-n}+C_2\·t_{-n}^2...+C_m\·t_{-n}^m-W_{-n}=R_{-n}\\ C_0+C_1\·t_{-n+1}+C_2\·t_{-n+1}^2+...+C_m\·t_{-n1}^m-W_{-n+1}=R_{-n+1}\\ ...\\ C_0+C_1\·t_n+C_2\·t_n^2+...+C_m\·t_n^m-W_n=R_n\end{array}\right.---\left(2\right)$

应用最小二乘原理，使误差值R_j(-n≤j≤n)的平方和最小，以获得最优的系数C_i，

$\underset{j=-n}{\overset{n}{\mathrm{\Σ}}}{R}_j^2=\underset{j=-n}{\overset{n}{\mathrm{\Σ}}}{(\underset{i=0}{\overset{m}{\mathrm{\Σ}}}{C}_i{t}_j^i-W_j)}^2=f(C_0,C_1,...,C_m)---\left(3\right)$

公式(3)分别对C_i求偏导，并令其为0，可得以下方程组：

$\underset{j=-n}{\overset{n}{\mathrm{\Σ}}}{W}_j{t}_j^i=\underset{i=0}{\overset{m}{\mathrm{\Σ}}}{C}_i\underset{j=-n}{\overset{n}{\mathrm{\Σ}}}{t}_j^{i+1}---\left(4\right)$

求解方程组(4)，获得最优参数C_i，将其代入公式(1)中从而得到机组负荷数据的回归值以代替原始机组负荷数据W_j可以在保证接近真实数据的同时达到消除粗差和坏值的目的。

(2)定义数据平滑度函数F

对经过预处理的机组负荷数据集进行(准)稳态判定，以机组负荷数据单调变化的程度大小为判定准则，定义机组负荷数据平滑度的相关概念如下：

待判定的机组负荷历史数据为W_i，其中，i＝1,2,…n；

定义机组负荷数据变化量为d_i＝(W_i-W_i-1)；

n个机组负荷数据变化量为W_d，其中

W_d＝d₂+d₃+…+d_n

如果仅仅考虑此值的大小来判断机组负荷数据的波动平滑度是不合理的，因为此值的大小会随着n值数据单位的不同而不同，为此，为了考核机组负荷数据的波动程度，引入了机组负荷数据平滑度函数的概念。

计算待判定的n个机组负荷数据平均值W_avg，其中

$W_{\mathrm{avg}}=\frac{W_1+W_2+...W_n}{n}$

因此机组负荷数据平滑度函数F为：

$F=\left|\frac{W_d}{W_{\mathrm{avg}}}\right|=\left|\frac{(d_2+d_3+...d_n)\·n}{W_1+W_2+...{+W}_n}\right|$

机组负荷数据平滑度F的具体意义是：当指定时间段数据平滑度比较大时，则表示负荷数据呈现单调增加或单调减小的趋势；反之，当数据平滑度较小时，说明负荷数据变化比较平缓。由机组负荷平滑度函数可以看出，数据平滑度函数是一个介于0和1之间的数，通过设定数据平滑度临界阈值并采用有效的聚类算法截断机组负荷单调变化较大的区域，以实现对小于临界阈值范围内的机组负荷数据聚类，以便存储为机组典型工况数据集。

(3)基于数据平滑度函数的聚类算法。

数据挖掘聚类分析有多种算法，实际应用时要按照所涉及的数据类型、聚类的目的等现实需要选取。在聚类过程中，分组是利用机组负荷数据的相似程度(或相异度)来进行的，通常采用的度量方式是距离或相似性系数。基于数据平滑度的机组负荷聚类算法是按照设定的数据平滑度要求，以数据平滑度函数为准则对数据进行区分和分类，通过聚类获得机组典型工况数据集的过程。

算法基本过程描述如下：

输入：某台机组负荷历史数据集；

输出：机组负荷数据聚类结果，机组典型工况数据。

Step1:将指定的机组负荷历史数据按照时间序列放入数组中；

Step2:机组负荷数据预处理，剔除粗差和坏值；

Step3:定义变量i,并置为零；

Step4:定义指针W(t)，并将其指向机组负荷数据集的初始位置；

Step5:

(1)指针指向的位置标记为tI＝*W(tI)；

(2)由指针位置向后，扫描机组负荷数组；

(3)计算该时间段内的机组负荷数据平滑度函数，并做判断；

如果不满足数据平滑度函数要求，那么：

{指针W(t)指向扫描数据终止点，重复过程(1)—(3)；}

否则：

{(4)继续扫描相同数量的机组负荷数据；

(5)计算所扫描的全部机组负荷数据平滑度函数，并判断；

如果满足数据平滑度函数要求，那么：

{重复过程(4)—(5)；}

否则：

{指针W(t)指向扫描(准)稳态工况数据终止点，并标记为tO＝*W(tO)；}}

Ste6:计算tO-tI，并做判断；

如果(tO-tI)>＝1小时，那么：

{确定为一个机组负荷(准)稳态工况聚类，并标记为一个典型工况数据集；

计数变量：i＝i+1；

指针W(t)指向扫描数据结束点的下一个数据点处；

转向过程(1)，重复以上过程直到机组负荷数据集中不存在没有被扫描的数据为止；}

否则：

{指针W(t)指向扫描数据结束点的下一个数据点处；

转向过程(1)，重复以上过程直到机组负荷数据集中不存在没有被扫描的数据为止；}

至此，对于火电厂能耗数据平台中的海量机组负荷数据，通过在原系统平台中引入基于数据平滑度的聚类算法，实现了以机组负荷为标准的(准)稳态工况判断。通过该算法的引入，系统平台可以更加高效准确的获取机组海量数据的(准)稳态工况，避免了在过渡过程时对机组设备的误诊，提升了系统平台在机组性能诊断和分析方面的可靠性和准确性。可以为机组后续的性能指标计算和诊断分析提供重要的数据支撑和数据服务。

在火电厂能耗大数据平台中，由于火电机组工况的暂态变化，机组在蓄热、放热、压缩、膨胀等热力过程中的热惯性，以及数据采集和传输过程中的误差和信号干扰等因素，火力发电机组的负荷不会一直保持某一状态而不发生变化，甚至有时候机组负荷会做幅值较大的变动。对于接入系统平台的机组负荷数据，如果不加甄别、判断，完全按照原始数据的格式进行分析处理，会导致后续机组性能指标数据计算结果难以反映机组设备实际运行水平的后果，引起对机组设备运行状况的误判断。

采用上述算法可以针对系统平台中海量数据的实际情况，对机组负荷进行(准)稳态工况判定，并作为典型工况数据保存在系统平台，为后续机组性能指标计算和设备运行状态诊断分析提供有效的数据支撑。本方法在数据预处理的基础上，以数据平滑度函数为准则，采用有效的聚类算法，实现了对机组海量数据的(准)稳态工况判定，确立了一种基于数据平滑度函数的机组负荷(准)稳态工况聚类算法。

采用上述技术方案所产生的有益效果在于：

1、本发明在数据预处理的基础上，从数据平滑度函数的角度实现了机组负荷(准)稳态工况的聚类，并将其作为机组的典型工况数据集保存在火电厂能耗大数据平台中；

2、本发明通过建立机组典型工况数据集，舍弃了无效的、无应用价值的数据，通过对机组海量数据的(准)稳态工况的提取，为后续的机组性能指标计算和设备运行状态诊断分析提供了有效的，有价值的数据支撑；

3、本发明中通过算法的应用和实施，进一步提高了处理和分析机组海量数据的效率，实现了人工处理海量机组数据时所无法达到的高效性和经济性，有助于提升节能技术实验室能耗数据平台的数据诊断和服务质量。

附图说明

图1是基于数据平滑度函数的机组负荷聚类算法流程图；

图2是机组负荷随时间变化的示意图；

图3是数据预处理后的机组负荷曲线(线a)；

图4是实验室系统平台中机组负荷随时间变化的实例；

图5是机组负荷(准)稳态工况获取；

具体实施方式

下面将结合具体实例对本发明进行进一步详细的说明。

本文中名称当中的(准)稳态指的是稳态或者准稳态两种情况。

将基于数据平滑度函数的机组负荷(准)稳态工况算法应用于火电厂能耗大数据平台的步骤如下：

(1)机组负荷数据预处理

数据预处理是获取机组负荷典型工况数据集的第一步，通过综合应用统计学方法对采集数据进行数据校正，以消除粗大误差和坏值点，提高所研究数据对象的准确性和一致性，使其能够真实反映机组的运行状况。

以系统平台历史数据库中2n+1个机组负荷数据为研究对象，标记数据采样间隔节点分别为x_-n,x_-n+1,…,x_-1,x₀,x₁,…,x_n-1,x_n。机组负荷数据分别记为W_-n,W_-n+1,…,W_-1,W₀,W₁,…,W_n-1,W_n，表示在对应间隔节点上系统采集到的机组负荷数据。由于系统平台按照时间每5分钟对实际运行的机组进行一次数据采集，同时将采集到的数据存储在系统数据库中，即系统平台是以时间序列为等距节点的数据采集模式。做变换t＝(x-x₀)/5则上述2n+1个等间隔节点变为：t_-n＝-n,t_-n+1＝-n+1,…,t_-1＝-1,t₀＝0,t₁＝1,…,t_n-1＝n-1,t_n＝n

用m次多项式拟合机组负荷数据，如下式(1)：

$\stackrel{\‾}{W}\left(t\right)=C_0+C_1\·t+C_2\·t^2+...+C_m\·t^m---\left(1\right)$

其中，C_i—待定参数(i＝0,1,…,m)；

      m—阶次因子。

为了消除粗差和坏值点，需要确定待定参数C_i，构造以下等式：

$\left\{\begin{array}{c}{C}_0+C_1\·t_{-n}+C_2\·t_{-n}^2...+C_m\·t_{-n}^m-W_{-n}=R_{-n}\\ C_0+C_1\·t_{-n+1}+C_2\·t_{-n+1}^2+...+C_m\·t_{-n1}^m-W_{-n+1}=R_{-n+1}\\ ...\\ C_0+C_1\·t_n+C_2\·t_n^2+...+C_m\·t_n^m-W_n=R_n\end{array}\right.---\left(2\right)$

应用最小二乘原理，使误差值R_j(-n≤j≤n)的平方和最小，以获得最优的系数C_i，

$\underset{j=-n}{\overset{n}{\mathrm{\Σ}}}{R}_j^2=\underset{j=-n}{\overset{n}{\mathrm{\Σ}}}{(\underset{i=0}{\overset{m}{\mathrm{\Σ}}}{C}_i{t}_j^i-W_j)}^2=f(C_0,C_1,...,C_m)---\left(3\right)$

公式(3)分别对C_i求偏导，并令其为0，可得以下方程组：

$\underset{j=-n}{\overset{n}{\mathrm{\Σ}}}{W}_j{t}_j^i=\underset{i=0}{\overset{m}{\mathrm{\Σ}}}{C}_i\underset{j=-n}{\overset{n}{\mathrm{\Σ}}}{t}_j^{i+1}---\left(4\right)$

求解方程组(4)，获得最优参数C_i，将其代入公式(1)中从而得到机组负荷数据的回归值以代替原始机组负荷数据W_j可以在保证接近真实数据的同时达到消除粗差和坏值的目的。

以某机组一段时间内负荷变化幅度较大的数据为例说明数据预处理的目的，附图2所示为2014年10月22日11点35分至15点45分区间某机组在火电厂能耗大数据平台中的负荷存储数据，数据采集存储间隔为每5分钟一次。

附图3中线条a表示对附图2中的原始数据进行预处理后得到的数据分布规律。

(2)定义数据平滑度函数F

对经过预处理的机组负荷数据集进行(准)稳态判定，以机组负荷数据单调变化的程度大小为判定准则，定义机组负荷数据平滑度的相关概念如下：

待判定的机组负荷历史数据为W_i，其中，i＝1,2,…n；

定义机组负荷数据变化量为d_i＝(W_i-W_i-1)；

n个机组负荷数据变化量为W_d，其中

W_d＝d₂+d₃+…+d_n

如果仅仅考虑此值的大小来判断机组负荷数据的波动平滑度是不合理的，因为此值的大小会随着n值数据单位的不同而不同，为此，为了考核机组负荷数据的波动程度，引入了机组负荷数据平滑度函数的概念。

计算待判定的n个机组负荷数据平均值W_avg，其中

$W_{\mathrm{avg}}=\frac{W_1+W_2+...W_n}{n}$

因此机组负荷数据平滑度函数F为：

$F=\left|\frac{W_d}{W_{\mathrm{avg}}}\right|=\left|\frac{(d_2+d_3+...d_n)\·n}{W_1+W_2+...{+W}_n}\right|$

机组负荷数据平滑度F的具体意义是：当指定时间段数据平滑度比较大时，则表示负荷数据呈现单调增加或单调减小的趋势；反之，当数据平滑度较小时，说明负荷数据变化比较平缓。由机组负荷平滑度函数可以看出，数据平滑度函数是一个介于0和1之间的数，通过设定数据平滑度临界阈值并采用有效的聚类算法截断机组负荷单调变化较大的区域，以实现对小于临界阈值范围内的机组负荷数据聚类，以便存储为机组典型工况数据集。

(3)基于数据平滑度函数的聚类算法。

数据挖掘聚类分析有多种算法，实际应用时要按照所涉及的数据类型、聚类的目的等现实需要选取。在聚类过程中，分组是利用机组负荷数据的相似程度(或相异度)来进行的，通常采用的度量方式是距离或相似性系数。基于数据平滑度的机组负荷聚类算法是按照设定的数据平滑度要求，以数据平滑度函数为准则对数据进行区分和分类，通过聚类获得机组典型工况数据集的过程。

算法基本过程描述如下：

输入：某台机组负荷历史数据集；

输出：机组负荷数据聚类结果，机组典型工况数据。

Step1:将指定的机组负荷历史数据按照时间序列放入数组中；

Step2:机组负荷数据预处理，剔除粗差和坏值；

Step3:定义变量i,并置为零；

Step4:定义指针W(t)，并将其指向机组负荷数据集的初始位置；

Step5:

(1)指针指向的位置标记为tI＝*W(tI)；

(2)由指针位置向后，扫描机组负荷数组；

(3)计算该时间段内的机组负荷数据平滑度函数，并做判断；

如果不满足数据平滑度函数要求，那么：

{指针W(t)指向扫描数据终止点，重复过程(1)—(3)；}

否则：

{(4)继续扫描相同数量的机组负荷数据；

(5)计算所扫描的全部机组负荷数据平滑度函数，并判断；

如果满足数据平滑度函数要求，那么：

{重复过程(4)—(5)；}

否则：

{指针W(t)指向扫描(准)稳态工况数据终止点，并标记为tO＝*W(tO)；}}

Ste6:计算tO-tI，并做判断；

如果(tO-tI)>＝1小时，那么：

{确定为一个机组负荷(准)稳态工况聚类，并标记为一个典型工况数据集；

计数变量：i＝i+1；

指针W(t)指向扫描数据结束点的下一个数据点处；

转向过程(1)，重复以上过程直到机组负荷数据集中不存在没有被扫描的数据为止；}

否则：

{指针W(t)指向扫描数据结束点的下一个数据点处；

转向过程(1)，重复以上过程直到机组负荷数据集中不存在没有被扫描的数据为止；}

基于数据平滑度函数的机组负荷聚类算法流程图如附图1所示。

以实验室系统平台中某机组2014年7月5日10:35至19:30的机组负荷数据为例，附图4表示机组负荷原始数据(黑线b)和预处理后的数据(红线c)。

通过设定临界阈值为1％，扫描数据间隔为半小时，即6组负荷数据，(准)稳态工况最短时间设定为1小时。通过该算法的实施获得了比较满意的机组负荷典型(准)稳态工况数据集，如附图5所示：

附图5中两个空白区域为通过本文中的算法获得的机组(准)稳态工况时间段，两个时间段的数据平滑度临界阈值分别为0.7％和0.3％，符合数据平滑度临界阈值要求。时间范围分别为12：30—13:40和14:05—15:20，大于最短(准)稳态工况1小时，满足机组负荷(准)稳态工况要求。

Claims (4)

1.一种基于数据平滑度函数的机组负荷(准)稳态工况聚类算法，包括以下步骤：

(1)机组负荷数据预处理

数据预处理是获取机组负荷典型工况数据集的第一步，通过综合应用统计学方法对采集数据进行数据校正，以消除粗大误差和坏值点，使其能够真实反映机组的运行状况；

(2)定义数据平滑度函数F

对经过预处理的机组负荷数据集进行(准)稳态判定，以机组负荷数据单调变化的程度大小为判定准则，定义机组负荷数据平滑度函数F；

(3)通过聚类算法获得机组负荷(准)稳态工况

按照设定的数据平滑度要求，以数据平滑度函数为准则对数据进行区分和分类，通过聚类获得机组典型工况数据集。

2.根据权利要求1所述的一种基于数据平滑度函数的机组负荷(准)稳态工况聚类算法，其特征在于：所述步骤(1)中所述的机组负荷数据预处理，以系统平台历史数据库中2n+1个机组负荷数据为研究对象，标记数据采样间隔节点分别为x_-n,x_-n+1,…,x-₁,x₀,x₁,…,x_n-1,x_n,机组负荷数据分别记为W_-n,W_-n+1,…,W_-1,W₀,W₁,…,W_n-1,W_n，表示在对应间隔节点上系统采集到的机组负荷数据；由于系统平台按照时间每5分钟对实际运行的机组进行一次数据采集，同时将采集到的数据存储在系统数据库中，即系统平台是以时间序列为等距节点的数据采集模式；做变换t＝(x-x₀)/5，则上述2n+1个等间隔节点变为：t_-n＝-n,t_-n+1＝-n+1,…,t_-1＝-1,t₀＝0,t₁＝1,…,t_n-1＝n-1,t_n＝n

用m次多项式拟合机组负荷数据，如下式(1)：

其中，C_i—待定参数(i＝0,1,…,m)；

m—阶次因子。

为了消除粗差和坏值点，需要确定待定参数C_i，构造以下等式：

应用最小二乘原理，使误差值R_j(-n≤j≤n)的平方和最小，以获得最优的系数C_i，

公式(3)分别对C_i求偏导，并令其为0，可得以下方程组：

求解方程组(4)，获得最优参数C_i，将其代入公式(1)中从而得到机组负荷数据的回归值以代替原始机组负荷数据W_j。

3.根据权利要求1所述的一种基于数据平滑度函数的机组负荷(准)稳态工况聚类算法，其特征在于：所述步骤(2)中定义数据平滑度函数，对经过预处理的机组负荷数据集进行(准)稳态判定，以机组负荷数据单调变化的程度大小为判定准则，定义机组负荷数据平滑度的相关概念如下：

待判定的机组负荷历史数据为W_i，其中，i＝1,2,…n；

定义机组负荷数据变化量为d_i＝(W_i-W_i-1)；

n个机组负荷数据变化量为W_d，其中

W_d＝d₂+d₃+…+d_n

为了考核机组负荷数据的波动程度，引入机组负荷数据平滑度函数的概念；

计算待判定的n个机组负荷数据平均值W_avg，其中

因此机组负荷数据平滑度函数F为：

机组负荷数据平滑度F的具体意义是：当指定时间段数据平滑度比较大时，则表示负荷数据呈现单调增加或单调减小的趋势；反之，当数据平滑度较小时，说明负荷数据变化比较平缓；数据平滑度函数是一个介于0和1之间的数。

4.根据权利要求1所述的一种基于数据平滑度函数的机组负荷(准)稳态工况聚类算法，其特征在于：所述步骤(3)中通过聚类算法获得机组负荷(准)稳态工况，具体步骤如下：

输入：某台机组负荷历史数据集；

输出：机组负荷数据聚类结果，机组典型工况数据；

Step1:将指定的机组负荷历史数据按照时间序列放入数组中；

Step2:机组负荷数据预处理，剔除粗差和坏值；

Step3:定义变量i,并置为零；

Step4:定义指针W(t)，并将其指向机组负荷数据集的初始位置；

Step5:

(1)指针指向的位置标记为tI＝*W(tI)；

(2)由指针位置向后，扫描机组负荷数组；

(3)计算该时间段内的机组负荷数据平滑度函数，并做判断；

如果不满足数据平滑度函数要求，那么：

{指针W(t)指向扫描数据终止点，重复过程(1)—(3)；}

否则：

{(4)继续扫描相同数量的机组负荷数据；

(5)计算所扫描的全部机组负荷数据平滑度函数，并判断；

如果满足数据平滑度函数要求，那么：

{重复过程(4)—(5)；}

否则：

{指针W(t)指向扫描(准)稳态工况数据终止点，并标记为tO＝*W(tO)；}}

Ste6:计算tO-tI，并做判断；

如果(tO-tI)>＝1小时，那么：

{确定为一个机组负荷(准)稳态工况聚类，并标记为一个典型工况数据集；

计数变量：i＝i+1；

指针W(t)指向扫描数据结束点的下一个数据点处；

转向过程(1)，重复以上过程直到机组负荷数据集中不存在没有被扫描的数据为止；}

否则：

{指针W(t)指向扫描数据结束点的下一个数据点处；

转向过程(1)，重复以上过程直到机组负荷数据集中不存在没有被扫描的数据为止；}。