CN110033141B - 一种脱硫系统运行工况数据库的建立方法 - Google Patents
一种脱硫系统运行工况数据库的建立方法 Download PDFInfo
- Publication number
- CN110033141B CN110033141B CN201910325671.8A CN201910325671A CN110033141B CN 110033141 B CN110033141 B CN 110033141B CN 201910325671 A CN201910325671 A CN 201910325671A CN 110033141 B CN110033141 B CN 110033141B
- Authority
- CN
- China
- Prior art keywords
- data
- desulfurization system
- sample
- clustering
- slurry
- 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
- 238000006477 desulfuration reaction Methods 0.000 title claims abstract description 65
- 230000023556 desulfurization Effects 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000002159 abnormal effect Effects 0.000 claims abstract description 9
- 238000011234 economic evaluation Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000036541 health Effects 0.000 claims abstract description 4
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 4
- 239000002002 slurry Substances 0.000 claims description 46
- 239000011159 matrix material Substances 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 30
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims description 26
- 238000005265 energy consumption Methods 0.000 claims description 11
- 230000006872 improvement Effects 0.000 claims description 11
- 235000019738 Limestone Nutrition 0.000 claims description 10
- 239000006028 limestone Substances 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 8
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000003546 flue gas Substances 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000010561 standard procedure Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 5
- 239000003245 coal Substances 0.000 description 4
- 238000007418 data mining Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000010440 gypsum Substances 0.000 description 2
- 229910052602 gypsum Inorganic materials 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000003647 oxidation Effects 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000018044 dehydration Effects 0.000 description 1
- 238000006297 dehydration reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Treating Waste Gases (AREA)
Abstract
本发明公开了一种脱硫系统运行工况数据库的建立方法,该方法包括:步骤1、导入脱硫系统的历史运行数据,并对历史运行数据进行数据处理,剔除异常数据;步骤2、采用主成分分析法对步骤1中保留的健康数据进行分析,得到新特征量;步骤3、对脱硫系统进行经济分析,提出脱硫系统经济性评价指标;步骤4、利用肘部法则确定聚类簇数;步骤5、利用模糊C均值聚类方法对步骤2中得到的新特征量进行聚类,并结合步骤3中的经济性评价指标得出每类中的经济最优点;步骤6、将脱硫系统实时运行数据进行步骤1‑5的数据处理,得出脱硫系统实时运行数据聚类到步骤5中得出的已有类中,并指出其所在类中实时运行数据的经济最优点即为最优工况点。
Description
技术领域
本发明涉及脱硫系统技术领域,具体而言,涉及一种脱硫系统运行工况数据库的建立方法。
背景技术
在火力发电厂中,对烟气的脱硫是必不可少的一个环节。脱硫系统在运行过程中产生大量的运行数据,这些数据蕴含丰富的价值可供挖掘。而目前很多脱硫系统依然是靠运行人员凭经验对供浆量和浆液循环泵进行调节,其缺点是调节不及时、不精确。在数据挖掘、机器学习的基础上建立的脱硫系统智能控制系统能够有效改变该现状。
近年来,大数据技术在互联网、通信等领域发展迅速、应用广泛。传统的电力行业也在向能源互联网方向转型。数据挖掘,就是从大型数据库中抽取有意义的、有潜在价值的信息或模式的过程。主成分分析算法作为数据预处理中的一种,主要用来给数据进行降维,将高维数据的特征量映射到另一个空间,保留数据中对方差贡献最大的若干特征量,去除数据冗余,有利于数据挖掘。聚类分析是一种非监督式学习,其目的是从不带标签的训练数据中挖掘隐含的关系,将更具相似性的样本归为一类。
随着日益严格的环保要求,电站急需一套能够精准调节的脱硫智能控制系统。这种精准控制的系统需建立在数据挖掘的基础上,因此对脱硫系统的历史数据进行挖掘学习既是环保的要求也是提高电站脱硫经济性的要求。
发明内容
为解决上述问题,本发明的目的在于提供一种脱硫系统运行工况数据库的建立方法,既可以精确测定送煤量,做到精确定量送煤;又可以彻底解决传统原煤仓的堵煤现象。
本发明提供了一种脱硫系统运行工况数据库的建立方法,该方法包括:
步骤1、导入脱硫系统的历史运行数据,并对历史运行数据进行数据处理,剔除异常数据;
步骤2、采用主成分分析法对所述步骤1中保留的健康数据进行分析,得到新特征量;
步骤3、对脱硫系统进行经济分析,提出脱硫系统经济性评价指标;
步骤4、利用肘部法则确定聚类簇数;
步骤5、利用模糊C均值聚类方法对所述步骤2中得到的新特征量进行聚类,并结合所述步骤3中的经济性评价指标得出每类中的经济最优点;
步骤6、将脱硫系统实时运行数据进行步骤1-5的数据处理,并将脱硫系统实时运行数据聚类到所述步骤5中得出的已有类中,并指出其所在类中实时运行数据的经济最优点即最优工况点。
作为本发明的进一步改进,所述步骤1中的异常数据包括排放浓度超标、测量参数不在正常范围内、突变的数据。
作为本发明的进一步改进,所述步骤1中数据处理的方法为z-score规范法,其表达式为:
作为本发明的进一步改进,所述步骤2中获得新特征量的具体步骤为:
步骤201、将机组负荷、烟气流量、浆液密度、浆液PH值、出入口SO2浓度、供浆量、浆液循环泵启停状态的运行参数组成数据样本矩阵:
式中,xki为数据样本中的数据值,k为样本个数,k=1,2,3……m,i为特征参数的个数,i=1,2,3……n;
步骤202、所述数据样本对应的协方差矩阵为:
式中,dij为两个特征参数之前的协方差,i=1,2,3……n,j=1,2,3……n;
步骤203、从所述协方差矩阵的特征值λ={λi,i=1,2…n}中选出p个特征值为λ'={λi,i=1,2…p},再从所述协方差矩阵的特征向量c={ci,i=1,2…n}中选出前p个特征向量作为主特征向量c'={ci,i=1,2…p},构成m×p阶模式矩阵W;
步骤204、将所述步骤201中数据样本矩阵中每一列的数据减去该列样本的平均值后得到矩阵A,利用矩阵A和矩阵W得到新的矩阵:
P=[WT×AT]T
步骤205、求得含有p个新特征量的主成分变量,样本的映射误差为:
式中,xapprox为映射后的新坐标。
作为本发明的进一步改进,所述步骤202中dij的计算公式为:
作为本发明的进一步改进,所述脱硫系统经济性评价指标包括相对总成本F和脱除二氧化硫的相对单位成本Fe,其中:
相对总成本F=Ffan+Fcycle+Fslurry;
作为本发明的进一步改进,所述步骤4中利用肘部法则确定聚类簇数的具体方法为:画出不同值的成本函数,观察每个成本函数的平均畸变程度,随着值的增大平均畸变程度减小,当平均畸变程度的改善效果下降幅度最大时,其对应的值就是肘部,即确定的聚类簇数,其中成本函数为:
式中,xi为样本,μi为离xi最近的聚类中心。
作为本发明的进一步改进,所述步骤5中利用模糊C均值聚类方法对所述步骤2中得到的新特征量进行聚类的具体步骤为:
步骤501、设有限个样本集是X=(X1,X2,X3…Xk),c为预定的类别数,mi为每个聚类的中心,αji是第i个样本对第j类的隶属函数,用隶属度函数定义的聚类损失函数写为:
式中,k为样本数,i=1,2,3…c,d是模糊加权指数且d>1,||Xi-mj||是样本Xi到聚类中心mj的距离,Y是目标函数;
步骤502、模糊C均值聚类方法要求一个样本对于各个类的隶属度之和为1,即:
步骤503、令Y对αji和mj的偏导为0,求得Y最小值的必要条件为:
用迭代的方式求解αji和mj,即可得到各类的聚类中心和各个样本对应的隶属函数,式中,j=1,2,3…n,mS为当前聚类。
本发明的有益效果为:本发明对脱硫系统历史运行数据进行充分挖掘与利用,不仅能提高系统运行过程中调节的及时性、准确性,还能及时反应脱硫系统运行的状态,避免数据坏点等状态对运行人员造成的误导,同时能够为脱硫控制系统的建立提供一个可参考的数据库。
附图说明
图1为本发明实施例所述的一种脱硫系统运行工况数据库的建立方法的流程图;
图2为本发明实施例所述的一种脱硫系统运行工况数据库的建立方法中模糊C均值聚类法聚类散点示意图;
图3为本发明实施例所述的一种脱硫系统运行工况数据库的建立方法中第一类、第二类和第三类的隶属度矩阵值示意图;
图4为本发明实施例所述的一种脱硫系统运行工况数据库的建立方法中第四类、第五类和第六类的隶属度矩阵值示意图;
图5为本发明实施例所述的一种脱硫系统运行工况数据库的建立方法中目标函数变化示意图。
具体实施方式
下面通过具体的实施例并结合附图对本发明做进一步的详细描述。
如图1所示,本发明实施例所述的是一种脱硫系统运行工况数据库的建立方法,该方法包括:
步骤1、导入脱硫系统的历史运行数据,并对历史运行数据进行数据处理,剔除异常数据;
步骤2、采用主成分分析法对步骤1中保留的健康数据进行分析,得到新特征量;
步骤3、对脱硫系统进行经济分析,提出脱硫系统经济性评价指标;
步骤4、利用肘部法则确定聚类簇数;
步骤5、利用模糊C均值聚类方法对步骤2中得到的新特征量进行聚类,并结合步骤3中的经济性评价指标得出每类中的经济最优点;
步骤6、将脱硫系统实时运行数据进行步骤1-5的数据处理,并将脱硫系统实时运行数据聚类到步骤5中得出的已有类中,并指出其所在类中实时运行数据的经济最优点即最优工况点。
进一步的,步骤1中的异常数据包括排放浓度超标、测量参数不在正常范围内、突变的数据。
进一步的,步骤1中数据处理的方法为z-score规范法,其表达式为:
进一步的,步骤2中获得新特征量的具体步骤为:
步骤201、将机组负荷、烟气流量、浆液密度、浆液PH值、出入口SO2浓度、供浆量、浆液循环泵启停状态的运行参数组成数据样本矩阵:
式中,xki为数据样本中的数据值,k为样本个数,k=1,2,3……m,i为特征参数的个数,i=1,2,3……n。其中每一行代表一个样本,每一列代表一个特征参数,共m个样本,n个特征参数。
步骤202、数据样本对应的协方差矩阵为:
式中,dij为两个特征参数之前的协方差,i=1,2,3……n,j=1,2,3……n;
步骤203、从协方差矩阵的特征值λ={λi,i=1,2…n}中选出p个特征值为λ'={λi,i=1,2…p},再从协方差矩阵的特征向量c={ci,i=1,2…n}中选出前p个特征向量作为主特征向量c'={ci,i=1,2…p},构成m×p阶模式矩阵W;
步骤204、将步骤201中数据样本矩阵中每一列的数据减去该列样本的平均值后得到矩阵A,利用矩阵A和矩阵W得到新的矩阵:
P=[WT×AT]T
步骤205、求得含有p个新特征量的主成分变量,样本的映射误差为:
式中,xapprox为映射后的新坐标。由上式可知,映射误差越小表明新样本保留原样本的不确定越大,降维后的数据更加接近原样本数据,新特征向量越能代表原特征向量。
进一步的,步骤202中dij的计算公式为:
进一步的,脱硫系统经济性评价指标包括相对总成本F和脱除二氧化硫的相对单位成本Fe,其中:
相对总成本F=Ffan+Fcycle+Fslurry;
脱硫系统主要由烟气子系统、SO2吸收子系统、石灰石浆液制备与供给子系统、石膏脱水子系统以及石膏浆液子系统等组成,各子系统分别包括很多管道、泵、风机等能耗设备,其中各设备的能耗特性差异很大。其中,浆液循环泵、氧化风机、湿式球磨机的能耗以及石灰石浆液用量受工况变化的影响对脱硫成本的影响较大。因此,以浆液循环泵、氧化风机、湿式球磨机这三个设备和石灰石浆液用量为研究重点,计算SO2的相对经济成本。相对总成本F=Ffan+Fcycle+Fbm+Fl+Fw,其中,Fbm为湿式球磨机能耗,Fl为石灰石耗费,Fw为用水耗费。但由于湿式球磨机不是连续工作,在计算时将湿式球磨机能耗与石灰石浆液制备过程中的石灰石耗费与用水耗费相结合,即提出了制备石灰石浆液的成本Fslurry,从而计算相对总成本的公式变为F=Ffan+Fcycle+Fslurry。
进一步的,步骤4中利用肘部法则确定聚类簇数的具体方法为:画出不同值的成本函数,观察每个成本函数的平均畸变程度,随着值的增大平均畸变程度减小,当平均畸变程度的改善效果下降幅度最大时,其对应的值就是肘部,即确定的聚类簇数,其中成本函数为
式中,xi为样本,μi为离xi最近的聚类中心。
成本函数为各个类畸变程度之和。若类内部的工况点彼此间越紧凑则类的畸变程度越小,反之,若类内部的成员彼此间越分散则类的畸变程度越大。求解成本函数最小化的参数就是一个重复配置每个类包含的观测值,并不断移动类重心的过程。
进一步的,步骤5中利用模糊C均值聚类方法对步骤2中得到的新特征量进行聚类的具体步骤为:
步骤501、设有限个样本集是X=(X1,X2,X3…Xk),c为预定的类别数,mi为每个聚类的中心,αji是第i个样本对第j类的隶属函数,用隶属度函数定义的聚类损失函数写为:
式中,k为样本数,i=1,2,3…c,d是模糊加权指数且d>1,||Xi-mj||是样本Xi到聚类中心mj的距离,Y是目标函数,即含隶属度加权的类内距离平方和函数;
步骤502、模糊C均值聚类方法要求一个样本对于各个类的隶属度之和为1,即:
步骤503、令Y对αji和mj的偏导为0,求得Y最小值的必要条件为:
用迭代的方式求解αji和mj,即可得到各类的聚类中心和各个样本对应的隶属函数,式中,j=1,2,3…n,mS为当前聚类。
利用模糊C均值聚类方法进行聚类的目的是找出每个样本点归属各个簇的几率,从而将运行数据进行归类。任何样本点不会严格划分到某一类,而是以一定的隶属度属于c个不同域。不同的类就代表着系统正常运行的相近工况。结合经济指标,找出每类中的经济最优点。
本实施例中以某电厂的5号机组脱硫系统2017年10月1日当天的运行数据为例,取机组负荷为500-550MW,入口SO2浓度为3000-3500mg/Nm3范围内的890个样本,对其进行主成分分析、经济性分析以及聚类分析,建立经济最优工况数据库。具体步骤如下:
(1)导入电站脱硫系统的运行数据并对其进行数据清理,剔除异常数据。对于排放浓度超标、测量参数不在正常范围内、突变的数据点进行识别删除。
(2)利用上述处理过的健康的890个机组运行数据样本,如表1,采用主成分分析法对其进行分析和降维。
表1脱硫系统运行数据样本
首先,对数组进行特征中心化,并求其协方差矩阵,如图2。
表2协方差矩阵
求协方差矩阵的特征向量,如表3。
表3协方差矩阵的特征向量
取贡献值为0.95,得出降维后的主成分变量,如表4。
表4主成分变量
(3)通过对890个样本的计算,Fslurry的成本在27.678元/吨。
(4)采用模糊C均值法结合肘部法则对主成分分析得出的降维后样本聚类分析,设置模糊加权指数为2,聚类数目为6,迭代停止阈值为10-6。其聚类散点图如图2,样本点一共分成了6簇,每簇用不同的颜色表示。隶属矩阵图如图3,图4,从图中可以看出,第四类和第五类区分度不太大,其他各类的区分度很好,总体聚类效果可以接受。目标函数变化图如图5,可以看出在迭代了10次后目标函数开始收敛。不同的类就代表着系统正常运行的相近工况,结合经济指标找出每簇中的经济最优点,并组成最优工况库。
(5)用一条新的运行样本数据做测试,首先对其进行主成分分析,用同样的降维矩阵将其同数据库中的数据映射到相同的空间。然后将其降维后的数据进行聚类。将系统实时运行数据通过相同的主成分分析过程以及聚类算法,将其聚类到已有的类中,指出其所在类中的经济最优点的运行工况,包括供浆量、浆液循环泵运行状态等参数。在运行工况与所在类的最优工况点的浆液循环泵状态一致时,按照最优工况点的供浆量进行调节;当在运行工况与所在类的最优工况点的浆液循环泵状态不一致时,脱硫系统实时运行工况的脱除二氧化硫的相对单位成本Fe大于所在类的最优工况点的脱除二氧化硫的相对单位成本Fe0,指定当Fe≥1=1.2Fe0时脱硫系统选择按照最优工况点的参数进行调节,否则不予调节。在运行过程中减少浆液循环泵的切换与启停。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种脱硫系统运行工况数据库的建立方法,其特征在于,包括:
步骤1、导入脱硫系统的历史运行数据,并对历史运行数据采用z-score规范法进行数据处理,剔除异常数据;
步骤2、采用主成分分析法对所述步骤1中保留的健康数据进行分析,得到新特征量;
步骤3、对脱硫系统进行经济分析,提出脱硫系统经济性评价指标;
步骤4、利用肘部法则确定聚类簇数,包括:画出不同值的成本函数,观察每个成本函数的平均畸变程度,随着值的增大平均畸变程度减小,当平均畸变程度的改善效果下降幅度最大时,其对应的值就是肘部,即确定的聚类簇数,其中成本函数为:
式中,xi为样本,μi为离xi最近的聚类中心,m为样本的总数量;
步骤5、利用模糊C均值聚类方法结合所述步骤4中肘部法则对所述步骤2中得到的新特征量进行聚类分析,并结合所述步骤3中的经济性评价指标得出每类中的经济最优点;
步骤6、将脱硫系统实时运行数据进行步骤1-5的数据处理,并将脱硫系统实时运行数据聚类到所述步骤5中得出的已有类中,并指出其所在类中实时运行数据的经济最优点即最优工况点;在实时运行工况与所在类的最优工况点的浆液循环泵状态一致时,按照最优工况点的供浆量进行调节;当在运行工况与所在类的最优工况点的浆液循环泵状态不一致时,脱硫系统实时运行工况的脱除二氧化硫的相对单位成本Fe大于所在类的最优工况点的脱除二氧化硫的相对单位成本Fe0,指定当Fe≥1=1.2Fe0时脱硫系统选择按照最优工况点的参数进行调节,否则不予调节。
2.根据权利要求1所述的脱硫系统运行工况数据库的建立方法,其特征在于,所述步骤1中的异常数据包括排放浓度超标、测量参数不在正常范围内、突变的数据。
4.根据权利要求1所述的脱硫系统运行工况数据库的建立方法,其特征在于,所述步骤2中获得新特征量的具体步骤为:
步骤201、将机组负荷、烟气流量、浆液密度、浆液PH值、出入口SO2浓度、供浆量、浆液循环泵启停状态的运行参数组成数据样本矩阵:
式中,xki为数据样本中的数据值,k为样本个数,k=1,2,3……m,i为特征参数的个数,i=1,2,3……n;
步骤202、所述数据样本对应的协方差矩阵为:
式中,dij为两个特征参数之前的协方差,i=1,2,3……n,j=1,2,3……n;
步骤203、从所述协方差矩阵的特征值λ={λi,i=1,2…n}中选出p个特征值为λ'={λi,i=1,2…p},再从所述协方差矩阵的特征向量c={ci,i=1,2…n}中选出前p个特征向量作为主特征向量c'={ci,i=1,2…p},构成m×p阶模式矩阵W;
步骤204、将所述步骤201中数据样本矩阵中每一列的数据减去该列样本的平均值后得到矩阵A,利用矩阵A和矩阵W得到新的矩阵:
P=[WT×AT]T
步骤205、求得含有p个新特征量的主成分变量,样本的映射误差为:
式中,xapprox为映射后的新坐标。
7.根据权利要求1所述的脱硫系统运行工况数据库的建立方法,其特征在于,所述步骤5中利用模糊C均值聚类方法对所述步骤2中得到的新特征量进行聚类的具体步骤为:
步骤501、设有限个样本集是X=(X1,X2,X3…Xk),c为预定的类别数,mi为每个聚类的中心,αji是第i个样本对第j类的隶属函数,用隶属度函数定义的聚类损失函数写为:
式中,k为样本数,i=1,2,3…c,d是模糊加权指数且d>1,||Xi-mj||是样本Xi到聚类中心mj的距离,Y是目标函数;
步骤502、模糊C均值聚类方法要求一个样本对于各个类的隶属度之和为1,即:
步骤503、令Y对αji和mj的偏导为0,求得Y最小值的必要条件为:
用迭代的方式求解αji和mj,即可得到各类的聚类中心和各个样本对应的隶属函数,式中,j=1,2,3…n,mS为当前聚类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910325671.8A CN110033141B (zh) | 2019-04-22 | 2019-04-22 | 一种脱硫系统运行工况数据库的建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910325671.8A CN110033141B (zh) | 2019-04-22 | 2019-04-22 | 一种脱硫系统运行工况数据库的建立方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110033141A CN110033141A (zh) | 2019-07-19 |
CN110033141B true CN110033141B (zh) | 2022-10-04 |
Family
ID=67239623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910325671.8A Active CN110033141B (zh) | 2019-04-22 | 2019-04-22 | 一种脱硫系统运行工况数据库的建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110033141B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882006A (zh) * | 2020-09-28 | 2020-11-03 | 大唐环境产业集团股份有限公司 | 一种基于pca和相关函数的脱硫系统数据预处理方法 |
CN112288295B (zh) * | 2020-11-03 | 2024-06-18 | 国能龙源环保有限公司 | 一种基于在线的脱硫子系统评价装置及其应用方法 |
CN112465239B (zh) * | 2020-12-03 | 2022-03-18 | 大唐环境产业集团股份有限公司 | 基于改进pso-fcm算法的脱硫系统运行优化方法 |
CN112835950B (zh) * | 2020-12-09 | 2023-03-28 | 华能陕西发电有限公司 | 一种dcs数据挖掘的湿法脱硫系统达标排放运行曲线的获取系统及方法 |
CN113469449B (zh) * | 2021-07-13 | 2024-06-07 | 浙江菲达环保科技股份有限公司 | 脱硫系统的寻优控制方法及系统 |
CN114879514B (zh) * | 2022-07-07 | 2022-10-11 | 大唐环境产业集团股份有限公司 | 一种基于最优训练样本的多模型湿法脱硫效率预测方法 |
CN115155269B (zh) * | 2022-09-09 | 2023-01-24 | 启东凯顺机械制造有限公司 | 一种煤气精脱硫系统的自动控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120070074A1 (en) * | 2010-09-22 | 2012-03-22 | Siemens Corporation | Method and System for Training a Landmark Detector using Multiple Instance Learning |
CN106203856A (zh) * | 2016-07-18 | 2016-12-07 | 交通运输部公路科学研究所 | 一种组合主成分分析和模糊c均值聚类的车辆行驶工况制定方法 |
CN106841520A (zh) * | 2016-12-30 | 2017-06-13 | 东南大学 | 基于模糊c均值聚类的脱硫系统浆液品质在线监测方法 |
CN107886124A (zh) * | 2017-11-08 | 2018-04-06 | 昆明理工大学 | 一种自动识别肘部法则中最优k值的方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9009156B1 (en) * | 2009-11-10 | 2015-04-14 | Hrl Laboratories, Llc | System for automatic data clustering utilizing bio-inspired computing models |
US10417262B2 (en) * | 2016-07-01 | 2019-09-17 | Ayasdi Ai Llc | Scalable topological data analysis |
CN106709662B (zh) * | 2016-12-30 | 2021-07-02 | 山东鲁能软件技术有限公司 | 一种电力设备运行工况划分方法 |
-
2019
- 2019-04-22 CN CN201910325671.8A patent/CN110033141B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120070074A1 (en) * | 2010-09-22 | 2012-03-22 | Siemens Corporation | Method and System for Training a Landmark Detector using Multiple Instance Learning |
CN106203856A (zh) * | 2016-07-18 | 2016-12-07 | 交通运输部公路科学研究所 | 一种组合主成分分析和模糊c均值聚类的车辆行驶工况制定方法 |
CN106841520A (zh) * | 2016-12-30 | 2017-06-13 | 东南大学 | 基于模糊c均值聚类的脱硫系统浆液品质在线监测方法 |
CN107886124A (zh) * | 2017-11-08 | 2018-04-06 | 昆明理工大学 | 一种自动识别肘部法则中最优k值的方法 |
Non-Patent Citations (2)
Title |
---|
一种基于EKFCM算法的电站脱硫系统目标工况库的建立方法;顾慧等;《中国电机工程学报》;20150805;第35卷(第15期);第3859-3864页 * |
炉内燃烧工况分析与诊断;温兴贤;《中国优秀硕士学位论文全文数据库工程科技II辑》;20131215(第S2期);第C039-69页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110033141A (zh) | 2019-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110033141B (zh) | 一种脱硫系统运行工况数据库的建立方法 | |
CN109902953B (zh) | 一种基于自适应粒子群聚类的电力用户分类方法 | |
CN111275335A (zh) | 一种基于数据驱动的浆液循环泵寻优方法及系统 | |
CN109034260B (zh) | 基于统计原理和智能寻优的脱硫塔氧化风机故障诊断系统及方法 | |
CN111208793B (zh) | 基于慢特征分析的非平稳工业过程的状态监测方法 | |
CN102693452A (zh) | 基于半监督回归学习的多模型软测量方法 | |
CN113177358B (zh) | 一种基于模糊细粒度特征提取的水泥质量软测量方法 | |
CN108510180A (zh) | 一种生产设备所处性能区间的计算方法 | |
CN110427019B (zh) | 一种基于多变量判别分析的工业过程故障分类方法及控制装置 | |
CN111539657A (zh) | 结合用户日用电量曲线的典型用电行业负荷特性分类与综合方法 | |
CN113240527A (zh) | 基于可解释机器学习的债券市场违约风险预警方法 | |
CN113469252A (zh) | 一种考虑不平衡样本的特高压换流阀运行状态评估方法 | |
Zhang et al. | Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models | |
CN107544447A (zh) | 一种基于核学习的化工过程故障分类方法 | |
CN113052268A (zh) | 区间集数据类型下基于不确定性度量的属性约简算法 | |
An et al. | Rule quality measures improve the accuracy of rule induction: an experimental approach | |
CN117034601A (zh) | 一种多工况选矿过程溢流粒度的软测量建模方法 | |
CN115983534A (zh) | 污水处理过程的状态评价方法以及评价系统 | |
CN113298148B (zh) | 一种面向生态环境评价的不平衡数据重采样方法 | |
Wang et al. | Identification of abnormal conditions for gold flotation process based on multivariate information fusion and double‐channel convolutional neural network | |
CN113033683A (zh) | 一种基于静态与动态联合分析的工业系统工况监测方法和系统 | |
CN114384870B (zh) | 基于核局部线性嵌入pls的复杂工业过程运行状态评价方法 | |
Wang | Pattern Classification of Stock Price Moving | |
CN117094565B (zh) | 一种国有集团企业主体责任落实分级评估系统 | |
Bartels et al. | Classification of the quality of surface waters by means of pattern recognition |
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 |