CN114139619A - 基于改进K-means算法的锅炉燃烧优化控制方法及装置 - Google Patents

基于改进K-means算法的锅炉燃烧优化控制方法及装置 Download PDF

Info

Publication number
CN114139619A
CN114139619A CN202111411772.0A CN202111411772A CN114139619A CN 114139619 A CN114139619 A CN 114139619A CN 202111411772 A CN202111411772 A CN 202111411772A CN 114139619 A CN114139619 A CN 114139619A
Authority
CN
China
Prior art keywords
data
real
clustering
algorithm
center
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.)
Pending
Application number
CN202111411772.0A
Other languages
English (en)
Inventor
麻红波
杨继明
李洪灯
张澈
陈岩磊
曹利蒲
李丹阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Huaneng Xinrui Control Technology Co Ltd
Original Assignee
Beijing Huaneng Xinrui Control Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Huaneng Xinrui Control Technology Co Ltd filed Critical Beijing Huaneng Xinrui Control Technology Co Ltd
Priority to CN202111411772.0A priority Critical patent/CN114139619A/zh
Publication of CN114139619A publication Critical patent/CN114139619A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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"

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biophysics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Control Of Steam Boilers And Waste-Gas Boilers (AREA)

Abstract

本公开提供一种基于改进K‑means算法的锅炉燃烧优化控制方法及装置。所述方法包括：采集锅炉的实时运行数据，并将所述实时运行数据进行预处理；将预处理后的实时运行数据划分为训练集和测试集；采用改进K‑means算法对训练集中的实时运行数据进行聚类，具体包括：先采用粒子群算法优化K‑means聚类中心，之后采用K‑means算法对所述实时运行数据进行聚类；基于所述聚类后的实时运行数据，对预设的贝叶斯最小二乘支持向量机模型进行训练，得到锅炉燃烧优化控制模型；利用所述锅炉燃烧优化控制模型对锅炉燃烧进行控制。能提高聚类算法的准确率，使锅炉在最佳工艺参数下进行燃烧，达到提高热效率的目的。

Description

基于改进K-means算法的锅炉燃烧优化控制方法及装置
技术领域
本公开属于锅炉燃烧技术领域，具体涉及一种基于改进 K-means算法的锅炉燃烧优化控制方法及装置。
背景技术
燃煤是以雾霾为代表的大气污染物形成的重要因素之一，这也是我国雾霾产生的最根本原因，而热力发电则是造成空气污染的主要原因。因此实现锅炉节能减排是当下工作的重中之重。目前，基于锅炉优化燃烧的研究在全球已经得到广泛的重视。电站锅炉的燃烧优化是节能减排的主要手段，其原理是在一定负荷的基础上，主要通过对锅炉燃烧过程进行优化调整，比如一次风、二次风以及给煤机转速等，达到提高热效率和降低氮氧化合物排放浓度的目的。
目前解决锅炉燃烧优化最常用的研究方法如基于神经网络和支持向量机等对锅炉的燃烧热效率以及污染物排放进行建模，然后采用智能优化算法(如遗传算法)对锅炉燃烧过程中的相关参数进行优化，使其在参数最优条件下达到最优效果。相比于上述技术路线，数据挖掘技术同样适合于锅炉燃烧优化，操作简单，易于实现，适用于在线系统。
K-means聚类算法属于数据挖掘技术中的一种，已被广泛应用于很多领域，并取得良好的分类效果。然而，K-means更倾向于寻找最优初始聚类中心，而最终结果与初始点的选择密切相关，容易陷入局部最优点，导致算法的运行速度变慢，电站锅炉燃烧的热效率较低。
发明内容
本公开旨在至少解决现有技术中存在的技术问题之一，提供一种基于改进K-means算法的锅炉燃烧优化控制方法及装置。
本公开的一方面，提供一种基于改进K-means算法的锅炉燃烧优化控制方法，所述方法包括：
采集锅炉的实时运行数据，并将所述实时运行数据进行预处理；
将预处理后的实时运行数据划分为训练集和测试集；
采用改进K-means算法对训练集中的实时运行数据进行聚类，具体包括：先采用粒子群算法优化K-means聚类中心，之后采用 K-means算法对所述实时运行数据进行聚类；
基于所述聚类后的实时运行数据，对预设的贝叶斯最小二乘支持向量机模型进行训练，得到锅炉燃烧优化控制模型；
利用所述锅炉燃烧优化控制模型对锅炉燃烧进行控制。
在一些实施方式中，所述采用粒子群算法优化K-means聚类中心，包括：
对于粒子群进行初始化操作；
根据粒子群算法中惯性权重，更新粒子的初始速度和初始位置，并且依照最近邻原理划分数据集，计算粒子的适应度值并排序；
每个粒子选择离均值初始中心最近的数据样本对象作为新的簇的中心；
将数据样本中每个数据对象指派到最相似的簇中；
计算每个簇的均值，选择离其最近的数据对象作为新的簇中心，并判断中心点是否稳定；如果稳定，则将该中心点作为K-means 聚类中心进行聚类；不稳定则继续执行上述步骤。
在一些实施方式中，所述采用K-means算法对所述实时运行数据进行聚类，包括：
将t＝1测试数据Pt划分样本数据到最相似簇，计算适应度并搜索该工况中最大热效率；
对原始样本中热效率进行更新；
判断是否所有样本搜索满足完成的结束条件，不满足转向上述步骤，否则，输出聚类结果。
在一些实施方式中，所述方法还包括：
假设在现场采集到的数据集为S＝{P1,...,Pt,...,Pn}，其中，
Figure BDA0003370883720000031
表示在t时刻采集到的第 k个可调参数，
Figure BDA0003370883720000032
表示在t时刻采集到的第m个不可调参数， et表示目标参数；
对于某一时刻τ采集到的工况Pτ，它的热效率值为eτ；在采集到的历史数据库中搜索出距离工况Pτ最近且热效率eψ＞eτ的工况Pψ，其中，时间ψ＜τ；因为Pψ与Pτ的距离很近，因此可以认为Pψ与Pτ是一类问题，即它们有近似相同的特征；所以提取Pψ的可调参数，并赋予到Pτ的可调参数中，即：
Figure BDA0003370883720000033
因此认为在时刻τ的热效率eτ就可以调整到eψ。
在一些实施方式中，所述将所述实时运行数据进行预处理，包括：
将所述实时运行数据预先经过非加权组平均法UPGMA处理，剔除掉噪声数据和边缘数据。
本公开的另一方面，提供一种基于改进K-means算法的锅炉燃烧优化控制装置，所述装置包括：
采集模块，用于采集锅炉的实时运行数据，并将所述实时运行数据进行预处理；
划分模块，用于将预处理后的实时运行数据划分为训练集和测试集；
聚类模块，用于采用改进K-means算法对训练集中的实时运行数据进行聚类，具体包括：先采用粒子群算法优化K-means聚类中心，之后采用K-means算法对所述实时运行数据进行聚类；
训练模块，用于基于所述聚类后的实时运行数据，对预设的贝叶斯最小二乘支持向量机模型进行训练，得到锅炉燃烧优化控制模型；
控制模块，用于利用所述锅炉燃烧优化控制模型对锅炉燃烧进行控制。
在一些实施方式中，所述聚类模块，具体还用于：
对于粒子群进行初始化操作；
根据粒子群算法中惯性权重，更新粒子的初始速度和初始位置，并且依照最近邻原理划分数据集，计算粒子的适应度值并排序；
每个粒子选择离均值初始中心最近的数据样本对象作为新的簇的中心；
将数据样本中每个数据对象指派到最相似的簇中；
计算每个簇的均值，选择离其最近的数据对象作为新的簇中心，并判断中心点是否稳定；如果稳定，则将该中心点作为K-means 聚类中心进行聚类；不稳定则继续执行上述步骤。
在一些实施方式中，所述聚类模块，具体还用于：
将t＝1测试数据Pt划分样本数据到最相似簇，计算适应度并搜索该工况中最大热效率；
对原始样本中热效率进行更新；
判断是否所有样本搜索满足完成的结束条件，不满足转向上述步骤，否则，输出聚类结果。
本公开的另一方面，提供一种电子设备，包括：
一个或多个处理器；
存储单元，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，能使得所述一个或多个处理器实现根据前文记载的所述的方法。
本公开的另一方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时能实现根据前文记载的所述的方法。
本公开的基于改进K-means算法的锅炉燃烧优化控制方法及装置，基于粒子群优化算法对K-means聚类算法进行优化的研究。本公开基于锅炉相关属性之间的相关性，针对K-means聚类算法存在初始聚类中心影响聚类精度的问题，提出采用粒子群算法优化K-means聚类中心，使其能提高聚类算法的准确率。其次，采用改进的K-means聚类算法对不同工况下的锅炉燃烧工艺参数进行聚类，并挖掘出每一类中热效率最高时的燃烧工艺参数作为最佳工艺参数，使锅炉在最佳工艺参数下进行燃烧，达到提高热效率的目的。上述优化算法采用贝叶斯最小二乘支持向量机辨识锅炉燃烧效率模型，与建模方法相比热效率得到明显提升。
附图说明
图1为本公开一实施例的基于改进K-means算法的锅炉燃烧优化控制方法的流程图；
图2为本公开另一实施例的循环流化床锅炉结构图；
图3为本公开另一实施例的基于改进K-means算法的锅炉燃烧优化控制方法；
图4为本公开另一实施例的基于改进K-means算法的锅炉燃烧优化控制装置的结构示意图。
具体实施方式
为使本领域技术人员更好地理解本公开的技术方案，下面结合附图和具体实施方式对本公开作进一步详细描述。
本实施例的一方面，如图1所示，涉及一种基于改进K-means 算法的锅炉燃烧优化控制方法S100，所述方法S100包括：
S110、采集锅炉的实时运行数据，并将所述实时运行数据进行预处理。
具体地，在本步骤中，循环流化床锅炉结构图如图2所示。首先，从某热电厂采集到600组锅炉实时运行数据，包括50％、 75％、100％负荷左右的数据各200组。影响热效率的因素主要有锅炉负荷、床温、一、二次风量、空气中含氧量、一二次风温等 29个参量。所有数据预先经过非加权组平均法UPGMA处理，剔除掉噪声数据和边缘数据，最大程度地减少计量误差，保证了实验数据的真实性。其中，热效率计算应用反平衡计算方法，将排烟物理热损失、固体未完全燃烧热损失、气体未完全燃烧热损失等计算在总热量损失中。
S120、将预处理后的实时运行数据划分为训练集和测试集。
具体地，在本步骤中，对步骤S110中采集的600组样本按7： 3比例进行划分，420组作为训练样本，其余的180组作为测试样本。
S130、采用改进K-means算法对训练集中的实时运行数据进行聚类，具体包括：先采用粒子群算法优化K-means聚类中心，之后采用K-means算法对所述实时运行数据进行聚类。
具体地，在本步骤中，一并结合图3：
对于粒子群进行初始化操作。
根据粒子群算法中惯性权重，更新粒子的初始速度和初始位置，并且依照最近邻原理划分数据集，计算粒子的适应度值并排序。
每个粒子选择离均值初始中心最近的数据样本对象作为新的簇的中心。
将数据样本中每个数据对象指派到最相似的簇中。
计算每个簇的均值，选择离其最近的数据对象作为新的簇中心，并判断中心点是否稳定；如果稳定，则将该中心点作为K-means 聚类中心进行聚类；不稳定则继续执行上述步骤，也即从对于粒子群进行初始化操作开始执行各步骤。
将t＝1测试数据Pt划分样本数据到最相似簇，计算适应度并搜索该工况中最大热效率。
对原始样本中热效率进行更新。
判断是否所有样本搜索满足完成的结束条件，不满足转向上述步骤，也即从搜索最大热效率开始执行，否则，输出聚类结果。
S140、基于所述聚类后的实时运行数据，对预设的贝叶斯最小二乘支持向量机模型进行训练，得到锅炉燃烧优化控制模型。
具体地，在本步骤中，采用贝叶斯最小二乘支持向量机建立热效率的模型。首先，通过网格法确定模型的超参数(ξ,γ)，其中ξ＝[2-2,2-1,...,211,212]，γ＝[2-10,2-9,...,23,24]，因此贝叶斯最小二乘支持向量机可以尝试15×15＝225中的参数组合来寻找最佳模型参数，保证模型具有良好的辨识精度，最终建立热效率模型。然后，经过KM-PSO 优化的数据也需要贝叶斯最小二乘支持向量机辨识出优化后的热效率值。
S150、利用所述锅炉燃烧优化控制模型对锅炉燃烧进行控制。
在一些实施方式中，所述方法还包括：
假设在现场采集到的数据集为S＝{P1,...,Pt,...,Pn}，其中，
Figure BDA0003370883720000071
表示在t时刻采集到的第 k个可调参数，
Figure BDA0003370883720000072
表示在t时刻采集到的第m个不可调参数， et表示目标参数；
对于某一时刻τ采集到的工况Pτ，它的热效率值为eτ；在采集到的历史数据库中搜索出距离工况Pτ最近且热效率eψ＞eτ的工况Pψ，其中，时间ψ＜τ；因为Pψ与Pτ的距离很近，因此可以认为Pψ与Pτ是一类问题，即它们有近似相同的特征；所以提取Pψ的可调参数，并赋予到Pτ的可调参数中，即：
Figure BDA0003370883720000073
因此认为在时刻τ的热效率eτ就可以调整到eψ。
本实施例的基于改进K-means算法的锅炉燃烧优化控制方法，基于粒子群优化算法对K-means聚类算法进行优化的研究。本公开基于锅炉相关属性之间的相关性，针对K-means聚类算法存在初始聚类中心影响聚类精度的问题，提出采用粒子群算法优化 K-means聚类中心，使其能提高聚类算法的准确率。其次，采用改进的K-means聚类算法对不同工况下的锅炉燃烧工艺参数进行聚类，并挖掘出每一类中热效率最高时的燃烧工艺参数作为最佳工艺参数，使锅炉在最佳工艺参数下进行燃烧，达到提高热效率的目的。上述优化算法采用贝叶斯最小二乘支持向量机辨识锅炉燃烧效率模型，与建模方法相比热效率得到明显提升。
本公开的另一方面，如图4所示，提供一种基于改进K-means 算法的锅炉燃烧优化控制装置100，该装置100可以适用于前文记载的方法，所述装置100包括：
采集模块110，用于采集锅炉的实时运行数据，并将所述实时运行数据进行预处理；
划分模块120，用于将预处理后的实时运行数据划分为训练集和测试集；
聚类模块130，用于采用改进K-means算法对训练集中的实时运行数据进行聚类，具体包括：先采用粒子群算法优化K-means 聚类中心，之后采用K-means算法对所述实时运行数据进行聚类；
训练模块140，用于基于所述聚类后的实时运行数据，对预设的贝叶斯最小二乘支持向量机模型进行训练，得到锅炉燃烧优化控制模型；
控制模块150，用于利用所述锅炉燃烧优化控制模型对锅炉燃烧进行控制。
本实施例的基于改进K-means算法的锅炉燃烧优化控制装置，基于粒子群优化算法对K-means聚类算法进行优化的研究。本公开基于锅炉相关属性之间的相关性，针对K-means聚类算法存在初始聚类中心影响聚类精度的问题，提出采用粒子群算法优化 K-means聚类中心，使其能提高聚类算法的准确率。其次，采用改进的K-means聚类算法对不同工况下的锅炉燃烧工艺参数进行聚类，并挖掘出每一类中热效率最高时的燃烧工艺参数作为最佳工艺参数，使锅炉在最佳工艺参数下进行燃烧，达到提高热效率的目的。上述优化算法采用贝叶斯最小二乘支持向量机辨识锅炉燃烧效率模型，与建模方法相比热效率得到明显提升。
在一些实施方式中，所述聚类模块130，具体还用于：
对于粒子群进行初始化操作；
根据粒子群算法中惯性权重，更新粒子的初始速度和初始位置，并且依照最近邻原理划分数据集，计算粒子的适应度值并排序；
每个粒子选择离均值初始中心最近的数据样本对象作为新的簇的中心；
将数据样本中每个数据对象指派到最相似的簇中；
计算每个簇的均值，选择离其最近的数据对象作为新的簇中心，并判断中心点是否稳定；如果稳定，则将该中心点作为K-means 聚类中心进行聚类；不稳定则继续执行上述步骤。
在一些实施方式中，所述聚类模块130，具体还用于：
将t＝1测试数据Pt划分样本数据到最相似簇，计算适应度并搜索该工况中最大热效率；
对原始样本中热效率进行更新；
判断是否所有样本搜索满足完成的结束条件，不满足转向上述步骤，否则，输出聚类结果。
本公开的另一方面，提供一种电子设备，包括：
一个或多个处理器；
存储单元，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，能使得所述一个或多个处理器实现根据前文记载的所述的方法。
本公开的另一方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时能实现根据前文记载的所述的方法。
其中，计算机可读介质可以是本公开的装置、设备、系统中所包含的，也可以是单独存在。
其中，计算机可读存储介质可是任何包含或存储程序的有形介质，其可以是电、磁、光、电磁、红外线、半导体的系统、装置、设备，更具体的例子包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、光纤、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件，或它们任意合适的组合。
其中，计算机可读存储介质也可包括在基带中或作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码，其具体的例子包括但不限于电磁信号、光信号，或它们任意合适的组合。
可以理解的是，以上实施方式仅仅是为了说明本公开的原理而采用的示例性实施方式，然而本公开并不局限于此。对于本领域内的普通技术人员而言，在不脱离本公开的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本公开的保护范围。

Claims (10)

1.一种基于改进K-means算法的锅炉燃烧优化控制方法，其特征在于，所述方法包括：
采集锅炉的实时运行数据，并将所述实时运行数据进行预处理；
将预处理后的实时运行数据划分为训练集和测试集；
采用改进K-means算法对训练集中的实时运行数据进行聚类，具体包括：先采用粒子群算法优化K-means聚类中心，之后采用K-means算法对所述实时运行数据进行聚类；
基于所述聚类后的实时运行数据，对预设的贝叶斯最小二乘支持向量机模型进行训练，得到锅炉燃烧优化控制模型；
利用所述锅炉燃烧优化控制模型对锅炉燃烧进行控制。
2.根据权利要求1所述的方法，其特征在于，所述采用粒子群算法优化K-means聚类中心，包括：
对于粒子群进行初始化操作；
根据粒子群算法中惯性权重，更新粒子的初始速度和初始位置，并且依照最近邻原理划分数据集，计算粒子的适应度值并排序；
每个粒子选择离均值初始中心最近的数据样本对象作为新的簇的中心；
将数据样本中每个数据对象指派到最相似的簇中；
计算每个簇的均值，选择离其最近的数据对象作为新的簇中心，并判断中心点是否稳定；如果稳定，则将该中心点作为K-means聚类中心进行聚类；不稳定则继续执行上述步骤。
3.根据权利要求2所述的方法，其特征在于，所述采用K-means算法对所述实时运行数据进行聚类，包括：
将t＝1测试数据Pt划分样本数据到最相似簇，计算适应度并搜索该工况中最大热效率；
对原始样本中热效率进行更新；
判断是否所有样本搜索满足完成的结束条件，不满足转向上述步骤，否则，输出聚类结果。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述方法还包括：
假设在现场采集到的数据集为S＝{P1，...，Pt，...，Pn}，其中，
Figure FDA0003370883710000021
Figure FDA0003370883710000022
表示在t时刻采集到的第k个可调参数，
Figure FDA0003370883710000023
表示在t时刻采集到的第m个不可调参数，et表示目标参数；
对于某一时刻τ采集到的工况Pτ，它的热效率值为eτ；在采集到的历史数据库中搜索出距离工况Pτ最近且热效率eψ＞eτ的工况Pψ，其中，时间ψ＜τ；因为Pψ与Pτ的距离很近，因此可以认为Pψ与Pτ是一类问题，即它们有近似相同的特征；所以提取Pψ的可调参数，并赋予到Pτ的可调参数中，即：
Figure FDA0003370883710000024
因此认为在时刻τ的热效率eτ就可以调整到eψ。
5.根据权利要求1至3任一项所述的方法，其特征在于，所述将所述实时运行数据进行预处理，包括：
将所述实时运行数据预先经过非加权组平均法UPGMA处理，剔除掉噪声数据和边缘数据。
6.一种基于改进K-means算法的锅炉燃烧优化控制装置，其特征在于，所述装置包括：
采集模块，用于采集锅炉的实时运行数据，并将所述实时运行数据进行预处理；
划分模块，用于将预处理后的实时运行数据划分为训练集和测试集；
聚类模块，用于采用改进K-means算法对训练集中的实时运行数据进行聚类，具体包括：先采用粒子群算法优化K-means聚类中心，之后采用K-means算法对所述实时运行数据进行聚类；
训练模块，用于基于所述聚类后的实时运行数据，对预设的贝叶斯最小二乘支持向量机模型进行训练，得到锅炉燃烧优化控制模型；
控制模块，用于利用所述锅炉燃烧优化控制模型对锅炉燃烧进行控制。
7.根据权利要求6所述的装置，其特征在于，所述聚类模块，具体还用于：
对于粒子群进行初始化操作；
根据粒子群算法中惯性权重，更新粒子的初始速度和初始位置，并且依照最近邻原理划分数据集，计算粒子的适应度值并排序；
每个粒子选择离均值初始中心最近的数据样本对象作为新的簇的中心；
将数据样本中每个数据对象指派到最相似的簇中；
计算每个簇的均值，选择离其最近的数据对象作为新的簇中心，并判断中心点是否稳定；如果稳定，则将该中心点作为K-means聚类中心进行聚类；不稳定则继续执行上述步骤。
8.根据权利要求7所述的装置，其特征在于，所述聚类模块，具体还用于：
将t＝1测试数据Pt划分样本数据到最相似簇，计算适应度并搜索该工况中最大热效率；
对原始样本中热效率进行更新；
判断是否所有样本搜索满足完成的结束条件，不满足转向上述步骤，否则，输出聚类结果。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储单元，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，能使得所述一个或多个处理器实现根据权利要求1至5任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时能实现根据权利要求1至5任一项所述的方法。
CN202111411772.0A 2021-11-24 2021-11-24 基于改进K-means算法的锅炉燃烧优化控制方法及装置 Pending CN114139619A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111411772.0A CN114139619A (zh) 2021-11-24 2021-11-24 基于改进K-means算法的锅炉燃烧优化控制方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111411772.0A CN114139619A (zh) 2021-11-24 2021-11-24 基于改进K-means算法的锅炉燃烧优化控制方法及装置

Publications (1)

Publication Number Publication Date
CN114139619A true CN114139619A (zh) 2022-03-04

Family

ID=80391784

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111411772.0A Pending CN114139619A (zh) 2021-11-24 2021-11-24 基于改进K-means算法的锅炉燃烧优化控制方法及装置

Country Status (1)

Country Link
CN (1) CN114139619A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115204323A (zh) * 2022-09-16 2022-10-18 华智生物技术有限公司 基于种子多特征的聚类及综合的方法、系统、设备及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115204323A (zh) * 2022-09-16 2022-10-18 华智生物技术有限公司 基于种子多特征的聚类及综合的方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
CN111765445B (zh) 一种锅炉在线燃烧优化控制方法、系统及计算机设备
CN110006649B (zh) 一种基于改进蚁狮算法和支持向量机的轴承故障诊断方法
CN107506865B (zh) 一种基于lssvm优化的负荷预测方法及系统
CN114191953B (zh) 一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法
CN110020712B (zh) 一种基于聚类的优化粒子群bp网络预测方法和系统
CN104534507A (zh) 一种锅炉燃烧优化控制方法
CN111144609A (zh) 一种锅炉废气排放预测模型建立方法、预测方法及装置
CN111476422A (zh) 一种基于机器学习框架下LightGBM的建筑冷负荷预测方法
CN109922478B (zh) 一种基于改进布谷鸟算法的水质传感器网络优化部署方法
CN114139619A (zh) 基于改进K-means算法的锅炉燃烧优化控制方法及装置
CN112149905A (zh) 一种基于小波变换和小波神经网络的光伏电站短期功率预测方法
CN114880806A (zh) 基于粒子群优化的新能源汽车销量预测模型参数优化方法
CN113504765A (zh) 一种电厂循环流化床锅炉操作优化方法
CN112836902A (zh) 一种基于改进型bp神经网络的煤燃烧发热量预测方法
CN111797899B (zh) 一种低压台区kmeans聚类方法及系统
CN111199304B (zh) 基于数据驱动融合策略的多目标燃烧优化方法
CN114139785A (zh) 锅炉燃烧热效率预测方法及装置
CN112633565B (zh) 一种光伏功率集合区间预测方法
CN109506248B (zh) 一种基于可在线寻优的案例推理锅炉燃烧优化方法
CN111274733B (zh) 数据处理方法、数据处理装置、空调系统和存储介质
CN113762591A (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
Li et al. DSMOPSO: A distance sorting based multiobjective particle swarm optimization algorithm
CN111756819A (zh) 基于改进免疫遗传的物联网资源调度优化运行方法
Angelova et al. Intuitionistic fuzzy logic as a tool for quality assessment of genetic algorithms performances
CN111651938B (zh) 基于热力计算与大数据的变煤质机组出力预测方法

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