CN106019935A - 基于约束模糊关联规则的多目标锅炉燃烧优化 - Google Patents

Abstract

本发明公开了一种基于约束模糊关联规则的数据挖掘方法，用于燃煤电站锅炉燃烧优化。通过挖掘锅炉不同工况下海量历史运行数据，发现锅炉稳态运行条件下主要运行参数烟气含氧量、排烟温度、飞灰含碳量与性能指标NO_x排放量、锅炉效率之间的关联关系，并据此得到锅炉高效低污染运行时对应的参数运行优化值，进而指导锅炉燃烧过程，达到提高锅炉效率，降低NO_x排放量的目的。基于约束模糊关联规则的多目标锅炉燃烧优化，不仅为当下锅炉运行参数调整提供了理论依据，也为日后进一步的闭环控制铺垫了参数设定值基础。

Description

基于约束模糊关联规则的多目标锅炉燃烧优化

技术领域

本发明属于锅炉燃烧优化技术领域，基于约束模糊关联规则的数据挖掘方法，找到每个稳态工况条件下，较优的锅炉效率和NO_x排放量所对应的锅炉运行参数，以此指导和调整锅炉燃烧过程。

背景技术

随着更具竞争性的电力制度调整和日益严峻的环保压力，燃煤电站迫切需要通过提高锅炉效率和降低污染物排放(尤其是NO_x排放)来增强企业核心竞争力。锅炉燃烧优化作为一种简单、快捷、有效的节能减排措施，被广泛认为是实现燃煤电站锅炉高效运行和低污染排放的可行方案。

由于烟气含氧量、排烟温度以及飞灰含碳量等锅炉运行参数直接反映了锅炉效率、NO_x排放量等性能指标的好坏，因此确定符合锅炉运行实际状况的运行参数优化值是锅炉燃烧优化中的一个核心问题。电站数据库中保存了海量的历史运行数据，其中蕴含了丰富的有价值知识可以帮助锅炉运行参数优化值的确定。但是由于数据量巨大，锅炉各变量间还存在着复杂的关系，因此给分析带来了极大的困难。

近些年来，基于关联规则获取锅炉燃烧过程运行参数优化值的方法受到了众多关注，而且在原有关联规则和Apriori算法的基础上，还出现了模糊关联规则，改进模糊关联规则和免疫关联规则等方法，在锅炉运行参数优化值的获取中，上述方法均取得了一定的效果。

但是先前关联规则的相关方法在燃煤电站锅炉燃烧过程应用中，由于缺乏约束条件的限制，导致在数据挖掘过程中，容易产生过多无意义的规则，甚至在挖掘后无法发现真正有价值的结果，而且在面对海量历史运行数据量时，计算效率极低。

随着燃煤电站数据库系统和信息化技术的发展和完善，以及锅炉燃烧优化的实际需求，融合先进数据挖掘方法，来发现较优运行模式并重新设定参数目标值已经是燃烧优化深入进行的一种发展趋势。先进的数据挖掘方法能够给锅炉燃烧优化策略提供更加符合实际且可靠的参数设定值，从而使锅炉燃烧过程的锅炉效率更高，NO_x排放量更低，实现多目标的同时优化。针对锅炉燃烧优化的约束模糊关联规则，就是在上述背景下提出的。

发明内容

为解决获取锅炉运行参数优化目标值问题，本发明提出了针对锅炉燃烧优化的约束模糊关联规则，通过约束，强化挖掘过程的工况和目标，减少无用规则的产生，也使得发现的规则便于理解和应用；并且在约束的限制下，算法的计算效率也能得到提高。基于约束模糊关联规则挖掘得到的运行参数优化值，符合锅炉实际的运行状况，可以准确快速地改进控制系统设定值，从而达到降低NO_x排放和提高锅炉效率的目的。

针对锅炉燃烧优化的约束模糊关联规则，其特征在于，所述方法包括以下输入、输出和步骤：

输入：外部约束(机组负荷区间和煤质系数区间)；在外部约束条件下，n个数据项Z_i(1≤i≤n)组成的大数据集D，其中，每个数据项包含m个变量，有3个状态变量(烟气含氧量、排烟温度、飞灰含碳量)和2个性能变量(NO_x排放量、锅炉效率)，即：m＝5，每条数据项的各个变量用表示，1≤j≤m；最小支持度minsupport和最小置信度minconfidence；内部约束变量(NO_x排放量)；目标约束(锅炉效率)；

输出：一条约束模糊关联规则；

第1步：采用模糊C均值(FCM)聚类算法，对大数据集D中内部约束变量的数据进行聚类，得到该变量的所有模糊分区和隶属度矩阵U_ic，表示内部约束变量的第k个模糊分区，模糊分区包括低、中、高3个部分，分别以Ls、Ms、Hs表示，其中1≤k≤3；

第2步：根据FCM的聚类结果，把NO_x排放量隶属于低模糊分区作为内部约束，并对大数据集D中不满足内部约束的数据项移除出数据集，从而形成一个含有n’个数据项的新数据集D’，n'＜n；

第3步：对数据集D’中除了NO_x排放量之外每个变量的数据进行FCM聚类，得到每个变量的所有模糊分区和隶属度矩阵U_j，表示第j个变量的第k个模糊分区，模糊分区同样包括低、中、高3个部分，也以Ls、Ms、Hs表示，U_j表示第j个变量的隶属度矩阵，的隶属度则用表示，此时1≤j≤m-1；

第4步：根据式(1)，计算D’中第j个变量不同模糊分区的隶属度权值

$w_j^k=\frac{1}{n^{\′}}\underset{i=1}{\overset{n^{\′}}{\Σ}}{\mathrm{\μ}}_i\left({\mathrm{fa}}_j^k\right)---\left(1\right)$

第5步：利用式(2)求出各变量中最大的隶属度权值，并把其所对应的模糊分区记为

$w_j^{\max }=\underset{k=1}{\overset{3}{\max }}\left(w_j^k\right)---\left(2\right)$

第6步：对每一模糊分区所对应的隶属度权值检查是否成立，如果模糊分区满足上述条件，则将其放入频繁一项集L₁中，此时，数据集D’中每条数据项各个变量(1≤i≤n')均可依据用单一的模糊分区表示；

$L_1=\left\{{\mathrm{fa}}_j^{\max }\right|w_j^{\max }\≥\min \sup port,1\≤j\≤m-1\}---\left(3\right)$

第7步：用h表示当前保留在频繁项集L_h中项目的数量，初始条件h＝1；

第8步：用Apriori算法从L_h中产生候选大项集C_h+1；

第9步：对C_h+1中每个新生成的候选项集做如下处理：

1)利用式(4)对每个数据项Z_i'(Z_i'∈D')，计算候选项集FA_h+1在其上的隶属度

式(4)中表示数据项Z_i'在变量l模糊分区上的隶属度值，1≤l≤h+1；

2)利用式(5)计算候选大项集中各项集的权值

$w_{{\mathrm{FA}}_{h+1}}=\frac{1}{n^{\′}}\underset{i=1}{\overset{n^{\′}}{\Σ}}{\mathrm{\μ}}_{{\mathrm{iFA}}_{h+1}}---\left(5\right)$

3)如果w_FA大于或等于给定的最小支持度minsupport，则将项集放入频繁项集L_h+1中；

第10步：判断L_h+1是否为空，如果为空，则执行下一步；否则置h＝h+1，重复步骤8至步骤10；

第11步：对于得到的每个项集只构造基于目标约束(锅炉效率)的关联规则，即：

其中，代表锅炉效率的模糊分区，如果锅炉效率的模糊分区没有存在于最后得到的任何一个项集FA_q中，用FCM重新将锅炉效率的数据划分为2个分区，并返回第4步；

第12步：利用式(7)计算所得关联规则的置信度，如果置信度大于或等于minconfidence，则输出该规则；

如果所得关联规则的置信度小于minconfidence，则用FCM重新将锅炉效率的数据划分为2个分区，并返回第4步。

附图说明

约束模糊关联规则流程图。

具体实施方式

具体实施方式的过程包括以下4个步骤。

(1)从燃煤电站SIS数据库中选取锅炉稳态工况下的历史运行数据，包括工况变量数据、状态变量数据和性能变量数据。工况变量是锅炉运行中的外部约束参数，不能人为调整的运行条件，由机组负荷和煤质系数组成。煤质系数用来实时反映入炉燃烧的煤质情况，定义：煤质系数＝机组负荷/总给煤量。状态变量是反映锅炉运行状态的参数，包括烟气含氧量、排烟温度和飞灰含碳量。性能变量由NO_x排放量和锅炉效率组成。

(2)对每个工况变量选取出来的所有数据做聚类处理。运用K均值聚类方法把机组负荷数据集和煤质系数数据集划分成若干个区域，以便对每个工况区域做数据挖掘工作。以330MW燃煤发电机组为例，可以把机组负荷数据集划分成6个区域，用A、B、C、D、E、F表示，把煤质系数数据集划分成3个区域，用1、2、3表示，A1即为一个工况区域。

(3)运用约束模糊关联规则，对每个工况区域内的数据集做数据挖掘，找出在理想的锅炉效率和NO_x排放量情况下，所有锅炉状态变量的运行值，并把这些值确定为目标值。

(4)将各个工况区域下每个状态变量的优化目标值整合，形成锅炉全工况的优化目标值序列，从而完成锅炉燃烧优化。

运行操作人员可以依据锅炉各个工况条件下各个状态变量的优化目标值，通过调整指令偏置的方法，实时调节各个状态变量的设定值，进而达到优化锅炉燃烧的目的。

Claims (1)

1.用于燃煤电站锅炉多目标燃烧优化的约束模糊关联规则数据挖掘方法，其特征在于，包括输入、输出和步骤：

输入：外部约束(机组负荷区间和煤质系数区间)；在外部约束条件下，n个数据项Z_i(1≤i≤n)组成的大数据集D，其中，每个数据项包含m个变量，有3个状态变量(烟气含氧量、排烟温度、飞灰含碳量)和2个性能变量(NO_x排放量、锅炉效率)，即：m＝5，每条数据项的各个变量用表示，1≤j≤m；最小支持度minsupport和最小置信度minconfidence；内部约束变量(NO_x排放量)；目标约束(锅炉效率)；

输出：一条约束模糊关联规则；

第1步：采用模糊C均值(FCM)聚类算法，对大数据集D中内部约束变量的数据进行聚类，得到该变量的所有模糊分区和隶属度矩阵U_ic，表示内部约束变量的第k个模糊分区，模糊分区包括低、中、高3个部分，分别以Ls、Ms、Hs表示，其中1≤k≤3；

第2步：根据FCM的聚类结果，把NO_x排放量隶属于低模糊分区作为内部约束，并对大数据集D中不满足内部约束的数据项移除出数据集，从而形成一个含有n’个数据项的新数据集D’，n'＜n；

第3步：对数据集D’中除了NO_x排放量之外每个变量的数据进行FCM聚类，得到每个变量的所有模糊分区和隶属度矩阵U_j，表示第j个变量的第k个模糊分区，模糊分区同样包括低、中、高3个部分，也以Ls、Ms、Hs表示，U_j表示第j个变量的隶属度矩阵，的隶属度则用表示，此时1≤j≤m-1，1≤i≤n′；

第4步：根据式(1)，计算D’中第j个变量不同模糊分区的隶属度权值

$w_j^k=\frac{1}{n^{\′}}\underset{i=1}{\overset{n^{\′}}{\Σ}}{\mathrm{\μ}}_i\left({\mathrm{fa}}_j^k\right)---\left(1\right)$

第5步：利用式(2)求出各变量中最大的隶属度权值，并把其所对应的模糊分区记为

$w_j^{max}=\underset{k=1}{\overset{3}{max}}\left(w_j^k\right)---\left(2\right)$

第6步：对每一模糊分区所对应的隶属度权值检查是否成立，如果模糊分区满足上述条件，则将其放入频繁一项集L₁中，此时，数据集D’中每条数据项各个变量均可依据用单一的模糊分区表示；

$L_1=\left\{{\mathrm{fa}}_j^{\max }\right|w_j^{\max }\≥\min \sup port,1\≤j\≤m-1\}---\left(3\right)$

第7步：用h表示当前保留在频繁项集L_h中项目的数量，初始条件h＝1；

第8步：用Apriori算法从L_h中产生候选大项集C_h+1；

第9步：对C_h+1中每个新生成的候选项集做如下处理：

1)利用式(4)对每个数据项Z′_i(Z′_i∈D')，计算候选项集FA_h+1在其上的隶属度

式(4)中表示数据项Z_i'在变量l模糊分区上的隶属度值，1≤l≤h+1；

2)利用式(5)计算候选大项集中各项集的权值

$w_{{\mathrm{FA}}_{h+1}}=\frac{1}{n^{\′}}\underset{i=1}{\overset{n^{\′}}{\Σ}}{\mathrm{\μ}}_{{\mathrm{iFA}}_{h+1}}---\left(5\right)$

3)如果w_FA大于或等于给定的最小支持度minsupport，则将项集放入频繁项集L_h+1中；

第10步：判断L_h+1是否为空，如果为空，则执行下一步；否则置h＝h+1，重复步骤8至步骤10；

第11步：对于得到的每个项集(2≤q≤m-1)，只构造基于目标约束(锅炉效率)的关联规则，即：

其中，代表锅炉效率的模糊分区，如果锅炉效率的模糊分区没有存在于最后得到的任何一个项集FA_q中，用FCM重新将锅炉效率的数据划分为2个分区，并返回第4步；

第12步：利用式(7)计算所得关联规则的置信度，如果置信度大于或等于minconfidence，则输出该规则；

如果所得关联规则的置信度小于minconfidence，则用FCM重新将锅炉效率的数据划分为2个分区，并返回第4步。