CN108288111B - 基于关联规则的火电厂排烟温度基准值确定方法及装置 - Google Patents
基于关联规则的火电厂排烟温度基准值确定方法及装置 Download PDFInfo
- Publication number
- CN108288111B CN108288111B CN201810079192.8A CN201810079192A CN108288111B CN 108288111 B CN108288111 B CN 108288111B CN 201810079192 A CN201810079192 A CN 201810079192A CN 108288111 B CN108288111 B CN 108288111B
- Authority
- CN
- China
- Prior art keywords
- data
- exhaust gas
- gas temperature
- reference value
- subunit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000000779 smoke Substances 0.000 title claims description 16
- 239000003245 coal Substances 0.000 claims abstract description 39
- 238000005065 mining Methods 0.000 claims abstract description 17
- 238000009826 distribution Methods 0.000 claims description 18
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 3
- 101100493820 Caenorhabditis elegans best-1 gene Proteins 0.000 claims description 3
- 101100004280 Caenorhabditis elegans best-2 gene Proteins 0.000 claims description 2
- 230000009191 jumping Effects 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 6
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于关联规则的火电厂排烟温度基准值确定方法及装置,包括:获取目标参数在目标时间段内的历史数据,其中,目标参数包括:负荷、供电煤耗和排烟温度;根据预置稳态工况要求,选择历史数据中目标参数的稳态工况数据;利用CANOPY法对稳态工况数据进行聚类处理,得到L个数据簇,其中,L个数据簇集合为事务集D,再对每个数据簇进行等宽分箱离散化处理,得到N个数据区间样本;利用PredictiveApriori算法对事务集D进行关联规则挖掘,得到预置数量的关联规则,其中,关联规则包括:负荷区间、供电煤耗区间、排烟温度区间和预测精度;确定高于预测精度阈值以及低于供电煤耗阈值的关联规则,并选择关联规则中排烟温度区间的中心值作为排烟温度基准值。
Description
技术领域
本发明涉及电力优化运行领域,尤其涉及一种基于关联规则的火电厂排烟温度基准值确定方法及装置。
背景技术
火电机组经济性能分析、评价,对进一步提高火电机组的优化运行能力具有重要的意义。由于设备及运行操作水平等原因,火电机组当前运行的参数值会偏离相应工况条件下的基准值,使得火电机组的运行指标偏离基准值。为了使运行参数在运行中始终保持基准值,使机组发挥高参数的优势,对其参数进行基准值分析是一项非常重要的工作。
目前,火电机组优化运行涉及到多子系统串联的复杂大系统,各实际系统受到各种不确定性因素的影响,难以用精确模型描述特定参数基准值。而利用设计值为基础的建模方式,一方面受到大气环境、煤质特性的多样化影响,另一方面受到机组因长时间运行导致性能变化引起基准值偏离设计值的影响,导致计算结果准确度不足。利用实验寻求优化运行数据的方式不仅要求大量的现场试验,而且很难满足变工况下的优化运行情况,通常要求布置额外的测点,工作量繁多。
因此,提出一种基于关联规则的火电厂排烟温度基准值确定方法及装置以解决建模法难以用精确模型描述特定参数基准值,且实验法难以满足变工况下的优化运行情况,工作量繁多的技术问题。
发明内容
本发明提供了一种基于关联规则的火电厂排烟温度基准值确定方法及装置,解决了建模法难以用精确模型描述特定参数基准值,且实验法难以满足变工况下的优化运行情况,工作量繁多的技术问题。
本发明提供了一种基于关联规则的火电厂排烟温度基准值确定方法,包括:
S1、获取目标参数在目标时间段内的历史数据,其中,目标参数包括:负荷、供电煤耗和排烟温度;
S2、根据预置稳态工况要求,选择历史数据中目标参数的稳态工况数据;
S3、利用CANOPY法对稳态工况数据进行聚类处理,得到L个数据簇,其中,L个数据簇集合为事务集D,再对每个数据簇进行等宽分箱离散化处理,得到N个数据区间样本;
S4、利用PredictiveApriori算法对事务集D进行关联规则挖掘,得到预置数量的关联规则,其中,关联规则包括:负荷区间、供电煤耗区间、排烟温度区间和预测精度;
S5、确定高于预测精度阈值以及低于供电煤耗阈值的关联规则,并选择关联规则中排烟温度区间的中心值作为排烟温度基准值。
作为优选,步骤S1具体包括:
从火电机组DCS(Distributed Control System)系统中获取目标参数在目标时间段内的历史数据,其中,目标参数包括:负荷、供电煤耗和排烟温度。
作为优选,预置稳态工况要求为:
每分钟排烟温度的变化幅度低于0.05℃。
作为优选,步骤S3具体包括:
a、将稳态工况数据向量化后生成数据列表list,并初始化第一距离阈值T1和第二距离阈值T2,其中T1>T2;
b、在数据列表list中任取一点P,如果当前不存在CANOPY类,则把P作为一个CANOPY类,并计算点P与所有CANOPY类之间的距离,将点P加入到与点P的距离小于第一距离阈值T1的CANOPY类之中,若点P与某个CANOPY类的距离小于第二距离阈值T2,则将点P从数据列表list中删除;
c、重复步骤b直至数据列表为空,得到L个数据簇;
d、对L个数据簇进行数据清洗,去除噪声数据和无关数据,得到清洗后的L个数据簇,其中,清洗后的L个数据簇集合为事务集D;
e、对每个清洗后的数据簇进行等宽分箱离散化处理,得到N个数据区间样本。
作为优选,步骤S4具体包括:
a、初始化生成子集的项目数K,期望返回关联规则的预置数量;
c、扫描各项集的支持度s,删除支持度s小于最小支持度τ的项集;
f、计算K=K+1,当K=3时,执行步骤g,当K=2时,返回执行步骤b;
g、输出预置数量的最好的关联规则best(1),best(2)…,best(n)。
本发明提供了一种基于关联规则的火电厂排烟温度基准值确定装置,包括:
获取单元,用于获取目标参数在目标时间段内的历史数据,其中,目标参数包括:负荷、供电煤耗和排烟温度;
数据选择单元,用于根据预置稳态工况要求,选择历史数据中目标参数的稳态工况数据;
聚类和离散单元,用于利用CANOPY法对稳态工况数据进行聚类处理,得到L个数据簇,其中,L个数据簇集合为事务集D,再对每个数据簇进行等宽分箱离散化处理,得到N个数据区间样本;
关联规则挖掘单元,用于利用PredictiveApriori算法对事务集D进行关联规则挖掘,得到预置数量的关联规则,其中,关联规则包括:负荷区间、供电煤耗区间、排烟温度区间和预测精度;
基准值确定单元,用于确定高于预测精度阈值以及低于供电煤耗阈值的关联规则,并选择关联规则中排烟温度区间的中心值作为排烟温度基准值。
作为优选,获取单元具体用于从火电机组DCS(Distributed Control System)系统中获取目标参数在目标时间段内的历史数据,其中,目标参数包括:负荷、供电煤耗和排烟温度。
作为优选,预置稳态工况要求为:
每分钟排烟温度的变化幅度低于0.05℃。
作为优选,聚类和离散单元具体包括:
第一初始化子单元,用于将稳态工况数据向量化后生成数据列表list,并初始化第一距离阈值T1和第二距离阈值T2,其中T1>T2;
聚类子单元,用于在数据列表list中任取一点P,如果当前不存在CANOPY类,则把P作为一个CANOPY类,并计算点P与所有CANOPY类之间的距离,将点P加入到与点P的距离小于第一距离阈值T1的CANOPY类之中,若点P与某个CANOPY类的距离小于第二距离阈值T2,则将点P从数据列表list中删除;
重复子单元,用于返回聚类子单元直至数据列表为空,得到L个数据簇;
数据清洗子单元,用于对L个数据簇进行数据清洗,去除噪声数据和无关数据,得到清洗后的L个数据簇,其中,清洗后的L个数据簇集合为事务集D;
离散子单元,用于对每个清洗后的数据簇进行等宽分箱离散化处理,得到N个数据区间样本。
作为优选,关联规则挖掘单元具体包括:
第二初始化子单元,用于初始化生成子集的项目数K,期望返回关联规则的预置数量;
剔除子单元,用于扫描各项集的支持度s,删除支持度s小于最小支持度τ的项集;
判断子单元,用于计算K=K+1,当K=3时,跳转至输出子单元,当K=2时,返回至第一计算子单元;
输出子单元,用于输出预置数量的最好的关联规则best(1),best(2)…,best(n)。
从以上技术方案可以看出,本发明具有以下优点:
本发明提供了一种基于关联规则的火电厂排烟温度基准值确定方法,包括:S1、获取目标参数在目标时间段内的历史数据,其中,目标参数包括:负荷、供电煤耗和排烟温度;S2、根据预置稳态工况要求,选择历史数据中目标参数的稳态工况数据;S3、利用CANOPY法对稳态工况数据进行聚类处理,得到L个数据簇,其中,L个数据簇集合为事务集D,再对每个数据簇进行等宽分箱离散化处理,得到N个数据区间样本;S4、利用PredictiveApriori算法对事务集D进行关联规则挖掘,得到预置数量的关联规则,其中,关联规则包括:负荷区间、供电煤耗区间、排烟温度区间和预测精度;S5、确定高于预测精度阈值以及低于供电煤耗阈值的关联规则,并选择关联规则中排烟温度区间的中心值作为排烟温度基准值。
本发明中,选取历史数据中的稳态工况数据,利用CANOPY法进行聚类处理,再通过等宽分箱离散化处理,最后利用PredictiveApriori算法进行关联规则挖掘,得到各个典型工况下低供电煤耗对应的排烟温度基准值,能够有效指导火电机组优化经济运行,解决了建模法难以用精确模型描述特定参数基准值,且实验法难以满足变工况下的优化运行情况,工作量繁多的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种基于关联规则的火电厂排烟温度基准值确定方法的一个实施例的流程示意图;
图2为本发明提供的聚类与离散处理的流程示意图;
图3为本发明提供的关联规则挖掘的流程示意图;
图4为本发明提供的一种基于关联规则的火电厂排烟温度基准值确定装置的一个实施例的结构示意图。
具体实施方式
本发明实施例提供了一种基于关联规则的火电厂排烟温度基准值确定方法及装置,解决了建模法难以用精确模型描述特定参数基准值,且实验法难以满足变工况下的优化运行情况,工作量繁多的技术问题。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明实施例提供了一种基于关联规则的火电厂排烟温度基准值确定方法的一个实施例,包括:
101、从火电机组DCS(Distributed Control System)系统中获取目标参数在目标时间段内的历史数据,其中,目标参数包括:负荷、供电煤耗和排烟温度;
需要说明的是,根据需要确定的火电机组的DCS系统中获取负荷、供电煤耗和排烟温度在目标时间段内的历史数据,即可以选择在某段时间内以某一个典型工况运行情况下的历史数据。
102、根据预置稳态工况要求,选择历史数据中目标参数的稳态工况数据;
需要说明的是,根据预置稳态工况要求,即每分钟排烟温度的变化幅度低于0.05℃,从历史数据中选取符合要求的目标参数的稳态工况数据。
103、利用CANOPY法对稳态工况数据进行聚类处理,得到L个数据簇,其中,L个数据簇集合为事务集D,再对每个数据簇进行等宽分箱离散化处理,得到N个数据区间样本;
为了实现上述步骤103,请参阅图2,本发明提供了一种具体的方法,步骤包括:
a、将稳态工况数据向量化后生成数据列表list,并初始化第一距离阈值T1和第二距离阈值T2,其中T1>T2;
b、在数据列表list中任取一点P,如果当前不存在CANOPY类,则把P作为一个CANOPY类,并计算点P与所有CANOPY类之间的距离,将点P加入到与点P的距离小于第一距离阈值T1的CANOPY类之中,若点P与某个CANOPY类的距离小于第二距离阈值T2,则将点P从数据列表list中删除;
c、重复步骤b直至数据列表为空,得到L个数据簇;
d、对L个数据簇进行数据清洗,去除噪声数据和无关数据,得到清洗后的L个数据簇,其中,清洗后的L个数据簇集合为事务集D;
e、对每个清洗后的数据簇进行等宽分箱离散化处理,得到N个数据区间样本;
如表1所示,表1为1000MW工况下数据离散化的区间结果:
表1、1000MW工况下数据离散化的区间结果
104、利用PredictiveApriori算法对事务集D进行关联规则挖掘,得到预置数量的关联规则,其中,关联规则包括:负荷区间、供电煤耗区间、排烟温度区间和预测精度;
为了实现步骤104,请参阅图3,本发明提供了一种具体的方法,步骤包括:
a、初始化生成子集的项目数K,期望返回关联规则的预置数量;
c、扫描各项集的支持度s,删除支持度s小于最小支持度τ的项集;
f、计算K=K+1,当K=3时,执行步骤g,当K=2时,返回执行步骤b;
g、输出预置数量的最好的关联规则best(1),best(2)…,best(n)。
105、确定高于预测精度阈值以及低于供电煤耗阈值的关联规则,并选择关联规则中排烟温度区间的中心值作为排烟温度基准值;
需要说明的是,对于期望返回的关联规则,确定高于预测精度阈值以及低于供电煤耗阈值的关联规则,可以得到如下关联规则:
power='(899.53-903.32)';coal consumption='(275.15-276.45]';==>temp='(129.24-129.37]';acc:(0.95229);
其中,acc表示预测精度,power表示负荷,coal consumption表示供电煤耗,temp表示排烟温度。以上规则解释为,负荷在(899.53-903.32)MW区间内,供电煤耗在(275.15-276.45)g/(kW·h)区间内,对应的强关联排烟温度在(129.24-129.37)℃区间内。经比较,此时供电煤耗低于供电煤耗阈值,表示机组运行有良好经济性,则认为该工况下对应的排烟温度区间为基准区间,取区间中心值为基准值。
对于强关联规则,寻找高于预测精度阈值以及低于供电煤耗阈值时对应的负荷条件和排烟温度条件,确定不同典型工况下排烟温度基准值。如表2所示的对典型工况下排烟温度基准值结果:
表2、典型工况下排烟温度基准值结果
本发明实施例中,选取历史数据中的稳态工况数据,利用CANOPY法进行聚类处理,再通过等宽分箱离散化处理,最后利用PredictiveApriori算法进行关联规则挖掘,得到各个典型工况下低供电煤耗对应的排烟温度基准值,能够有效指导火电机组优化经济运行,解决了建模法难以用精确模型描述特定参数基准值,且实验法难以满足变工况下的优化运行情况,工作量繁多的技术问题。
以上是本发明提供的一种基于关联规则的火电厂排烟温度基准值确定方法的一个实施例进行说明,以下将说明本发明提供的一种基于关联规则的火电厂排烟温度基准值确定装置的一个实施例进行说明。
请参阅图4,本发明实施例提供了一种基于关联规则的火电厂排烟温度基准值确定装置的一个实施例,包括:
获取单元401,用于从火电机组DCS(Distributed Control System)系统中获取目标参数在目标时间段内的历史数据,其中,目标参数包括:负荷、供电煤耗和排烟温度;
数据选择单元402,用于根据预置稳态工况要求,选择历史数据中目标参数的稳态工况数据;
需要说明的是,预置稳态工况要求为:每分钟排烟温度的变化幅度低于0.05℃。
聚类和离散单元403,用于利用CANOPY法对稳态工况数据进行聚类处理,得到L个数据簇,其中,L个数据簇集合为事务集D,再对每个数据簇进行等宽分箱离散化处理,得到N个数据区间样本;
聚类和离散单元403具体包括:
第一初始化子单元4031,用于将稳态工况数据向量化后生成数据列表list,并初始化第一距离阈值T1和第二距离阈值T2,其中T1>T2;
聚类子单元4032,用于在数据列表list中任取一点P,如果当前不存在CANOPY类,则把P作为一个CANOPY类,并计算点P与所有CANOPY类之间的距离,将点P加入到与点P的距离小于第一距离阈值T1的CANOPY类之中,若点P与某个CANOPY类的距离小于第二距离阈值T2,则将点P从数据列表list中删除;
重复子单元4033,用于返回聚类子单元4032直至数据列表为空,得到L个数据簇;
数据清洗子单元4034,用于对L个数据簇进行数据清洗,去除噪声数据和无关数据,得到清洗后的L个数据簇,其中,清洗后的L个数据簇集合为事务集D;
离散子单元4035,用于对每个清洗后的数据簇进行等宽分箱离散化处理,得到N个数据区间样本;
关联规则挖掘单元404,用于利用PredictiveApriori算法对事务集D进行关联规则挖掘,得到预置数量的关联规则,其中,关联规则包括:负荷区间、供电煤耗区间、排烟温度区间和预测精度;
关联规则挖掘单元404具体包括:
第二初始化子单元4041,用于初始化生成子集的项目数K,期望返回关联规则的预置数量;
剔除子单元4043,用于扫描各项集的支持度s,删除支持度s小于最小支持度τ的项集;
判断子单元4046,用于计算K=K+1,当K=3时,跳转至输出子单元,当K=2时,返回至第一计算子单元;
输出子单元4047,用于输出预置数量的最好的关联规则best(1),best(2)…,best(n);
基准值确定单元405,用于确定高于预测精度阈值以及低于供电煤耗阈值的关联规则,并选择关联规则中排烟温度区间的中心值作为排烟温度基准值。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和模块,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于关联规则的火电厂排烟温度基准值确定方法,其特征在于,包括:
S1、获取目标参数在目标时间段内的历史数据,其中,目标参数包括:负荷、供电煤耗和排烟温度;
S2、根据预置稳态工况要求,选择历史数据中目标参数的稳态工况数据;
S3、a、将稳态工况数据向量化后生成数据列表list,并初始化第一距离阈值T1和第二距离阈值T2,其中T1>T2;
b、在数据列表list中任取一点P,如果当前不存在CANOPY类,则把P作为一个CANOPY类,并计算点P与所有CANOPY类之间的距离,将点P加入到与点P的距离小于第一距离阈值T1的CANOPY类之中,若点P与某个CANOPY类的距离小于第二距离阈值T2,则将点P从数据列表list中删除;
c、重复步骤b直至数据列表为空,得到L个数据簇;
d、对L个数据簇进行数据清洗,去除噪声数据和无关数据,得到清洗后的L个数据簇,其中,清洗后的L个数据簇集合为事务集D;
e、对每个清洗后的数据簇进行等宽分箱离散化处理,得到N个数据区间样本;
S4、利用PredictiveApriori算法对事务集D进行关联规则挖掘,得到预置数量的关联规则,其中,关联规则包括:负荷区间、供电煤耗区间、排烟温度区间和预测精度;
S5、确定高于预测精度阈值以及低于供电煤耗阈值的关联规则,并选择关联规则中排烟温度区间的中心值作为排烟温度基准值。
2.根据权利要求1所述的基于关联规则的火电厂排烟温度基准值确定方法,其特征在于,步骤S1具体包括:
从火电机组DCS(Distributed Control System)系统中获取目标参数在目标时间段内的历史数据,其中,目标参数包括:负荷、供电煤耗和排烟温度。
3.根据权利要求1所述的基于关联规则的火电厂排烟温度基准值确定方法,其特征在于,预置稳态工况要求为:
每分钟排烟温度的变化幅度低于0.05℃。
4.根据权利要求1所述的基于关联规则的火电厂排烟温度基准值确定方法,其特征在于,步骤S4具体包括:
a、初始化生成子集的项目数K,期望返回关联规则的预置数量;
c、扫描各项集的支持度s,删除支持度s小于最小支持度τ的项集;
f、计算K=K+1,当K=3时,执行步骤g,当K=2时,返回执行步骤b;
g、输出预置数量的最好的关联规则best(1),best(2)…,best(n)。
5.一种基于关联规则的火电厂排烟温度基准值确定装置,其特征在于,包括:
获取单元,用于获取目标参数在目标时间段内的历史数据,其中,目标参数包括:负荷、供电煤耗和排烟温度;
数据选择单元,用于根据预置稳态工况要求,选择历史数据中目标参数的稳态工况数据;
第一初始化子单元,用于将稳态工况数据向量化后生成数据列表list,并初始化第一距离阈值T1和第二距离阈值T2,其中T1>T2;
聚类子单元,用于在数据列表list中任取一点P,如果当前不存在CANOPY类,则把P作为一个CANOPY类,并计算点P与所有CANOPY类之间的距离,将点P加入到与点P的距离小于第一距离阈值T1的CANOPY类之中,若点P与某个CANOPY类的距离小于第二距离阈值T2,则将点P从数据列表list中删除;
重复子单元,用于返回聚类子单元直至数据列表为空,得到L个数据簇;
数据清洗子单元,用于对L个数据簇进行数据清洗,去除噪声数据和无关数据,得到清洗后的L个数据簇,其中,清洗后的L个数据簇集合为事务集D;
离散子单元,用于对每个清洗后的数据簇进行等宽分箱离散化处理,得到N个数据区间样本;
关联规则挖掘单元,用于利用PredictiveApriori算法对事务集D进行关联规则挖掘,得到预置数量的关联规则,其中,关联规则包括:负荷区间、供电煤耗区间、排烟温度区间和预测精度;
基准值确定单元,用于确定高于预测精度阈值以及低于供电煤耗阈值的关联规则,并选择关联规则中排烟温度区间的中心值作为排烟温度基准值。
6.根据权利要求5所述的基于关联规则的火电厂排烟温度基准值确定装置,其特征在于,获取单元具体用于从火电机组DCS(Distributed Control System)系统中获取目标参数在目标时间段内的历史数据,其中,目标参数包括:负荷、供电煤耗和排烟温度。
7.根据权利要求5所述的基于关联规则的火电厂排烟温度基准值确定装置,其特征在于,预置稳态工况要求为:
每分钟排烟温度的变化幅度低于0.05℃。
8.根据权利要求5所述的基于关联规则的火电厂排烟温度基准值确定装置,其特征在于,关联规则挖掘单元具体包括:
第二初始化子单元,用于初始化生成子集的项目数K,期望返回关联规则的预置数量;
判断子单元,用于计算K=K+1,当K=3时,跳转至输出子单元,当K=2时,返回至第一计算子单元;
输出子单元,用于输出预置数量的最好的关联规则best(1),best(2)…,best(n)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810079192.8A CN108288111B (zh) | 2018-01-26 | 2018-01-26 | 基于关联规则的火电厂排烟温度基准值确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810079192.8A CN108288111B (zh) | 2018-01-26 | 2018-01-26 | 基于关联规则的火电厂排烟温度基准值确定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108288111A CN108288111A (zh) | 2018-07-17 |
CN108288111B true CN108288111B (zh) | 2021-07-02 |
Family
ID=62835858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810079192.8A Active CN108288111B (zh) | 2018-01-26 | 2018-01-26 | 基于关联规则的火电厂排烟温度基准值确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108288111B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112149714A (zh) * | 2020-08-28 | 2020-12-29 | 国电南京自动化股份有限公司 | 基于数据挖掘确定煤电机组能效特征指标基准值的方法 |
CN112700085A (zh) * | 2020-12-11 | 2021-04-23 | 华南理工大学 | 基于关联规则的复杂系统稳态运行参数优化方法、系统和介质 |
CN112700039B (zh) * | 2020-12-29 | 2023-12-05 | 华北电力大学 | 一种火电厂负荷运行数据的稳态检测与提取方法 |
CN112987666B (zh) * | 2021-02-09 | 2022-05-20 | 浙大城市学院 | 电厂机组运行优化调控方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7254491B2 (en) * | 2004-06-28 | 2007-08-07 | Honeywell International, Inc. | Clustering system and method for blade erosion detection |
CN102566551A (zh) * | 2012-02-03 | 2012-07-11 | 北京华电天仁电力控制技术有限公司 | 一种基于数据挖掘的火电厂运行指标最优目标值的分析方法 |
CN102636991A (zh) * | 2012-04-18 | 2012-08-15 | 国电科学技术研究院 | 一种基于模糊集关联规则的火电机组运行参数优化方法 |
CN106019935A (zh) * | 2016-04-28 | 2016-10-12 | 天津市职业大学 | 基于约束模糊关联规则的多目标锅炉燃烧优化 |
CN106094744A (zh) * | 2016-06-04 | 2016-11-09 | 上海大学 | 基于关联规则挖掘的火电厂主运行参数目标值的确定方法 |
-
2018
- 2018-01-26 CN CN201810079192.8A patent/CN108288111B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7254491B2 (en) * | 2004-06-28 | 2007-08-07 | Honeywell International, Inc. | Clustering system and method for blade erosion detection |
CN102566551A (zh) * | 2012-02-03 | 2012-07-11 | 北京华电天仁电力控制技术有限公司 | 一种基于数据挖掘的火电厂运行指标最优目标值的分析方法 |
CN102636991A (zh) * | 2012-04-18 | 2012-08-15 | 国电科学技术研究院 | 一种基于模糊集关联规则的火电机组运行参数优化方法 |
CN106019935A (zh) * | 2016-04-28 | 2016-10-12 | 天津市职业大学 | 基于约束模糊关联规则的多目标锅炉燃烧优化 |
CN106094744A (zh) * | 2016-06-04 | 2016-11-09 | 上海大学 | 基于关联规则挖掘的火电厂主运行参数目标值的确定方法 |
Non-Patent Citations (1)
Title |
---|
关联规则挖掘的PredictiveApriori算法的研究及改进;吴芝明等;《四川大学学报(自然科学版)》;20120131;第49卷(第1期);第97-101页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108288111A (zh) | 2018-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108288111B (zh) | 基于关联规则的火电厂排烟温度基准值确定方法及装置 | |
CN109190023B (zh) | 协同推荐的方法、装置及终端设备 | |
Sarkar et al. | Nonparametric link prediction in dynamic networks | |
Sims et al. | Alignment-free genome comparison with feature frequency profiles (FFP) and optimal resolutions | |
CN112494952B (zh) | 目标游戏用户的检测方法、装置及设备 | |
CN107239497B (zh) | 热门内容搜索方法和系统 | |
US10748166B2 (en) | Method and system for mining churn factor causing user churn for network application | |
CN111966912B (zh) | 基于知识图谱的推荐方法、装置、计算机设备及存储介质 | |
CN110827924B (zh) | 基因表达数据的聚类方法、装置、计算机设备及存储介质 | |
CN105512156B (zh) | 点击模型生成方法和装置 | |
CN110968802B (zh) | 一种用户特征的分析方法、分析装置及可读存储介质 | |
Bazil et al. | A global parallel model based design of experiments method to minimize model output uncertainty | |
JP7144676B2 (ja) | 情報処理装置、品質関連式生成方法、および品質関連式生成プログラム | |
WO2022167821A1 (en) | Drug optimisation by active learning | |
Wu et al. | Large scale gene regulatory network inference with a multi-level strategy | |
Ashraf et al. | WeFreS: weighted frequent subgraph mining in a single large graph | |
Chakraborty et al. | Performance comparison for data retrieval from nosql and sql databases: a case study for covid-19 genome sequence dataset | |
CN108830043B (zh) | 基于结构网络模型的蛋白质功能位点预测方法 | |
US10509800B2 (en) | Visually interactive identification of a cohort of data objects similar to a query based on domain knowledge | |
Patwardhan et al. | Influence maximization: Divide and conquer | |
CN115168326A (zh) | Hadoop大数据平台分布式能源数据清洗方法及系统 | |
CN114297385A (zh) | 模型训练方法、文本分类方法、系统、设备及介质 | |
CN112784165A (zh) | 关联关系预估模型的训练方法以及预估文件热度的方法 | |
CN114971504A (zh) | 一种实体类型确定方法和相关装置 | |
CN112802543B (zh) | 一种基于概率图的基因调控网络分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |