熱工過程海量數據挖掘技術研究與應用.pdf

1、電站安全、經濟運行是保證國民經濟穩(wěn)定發(fā)展的基礎，因此，針對大型火電機組的性能監(jiān)測和運行優(yōu)化技術的研究具有重要意義。由于熱工過程結構復雜、非線性強、運行環(huán)境多變，難以建立精確適用的數學模型，因此需要借助數據挖掘手段對熱工過程中復雜多變的數據進行分析，從中獲得機組運行的知識和規(guī)則，從而達到熱工過程狀態(tài)監(jiān)測和優(yōu)化的目的。
　　本文以熱工過程的實時數據采集/存儲系統(tǒng)獲得的海量歷史數據和實時數據為研究對象，在對熱工過程數據進行預處理后，以屬

2、性約簡和聚類分析等數據挖掘方法完成電站機組目標工況庫的獲取和運行狀態(tài)監(jiān)測。本文主要內容如下:
　　1、開展了針對熱工過程的數據預處理研究，將信息熵理論結合基本統(tǒng)計方法作為信號變換手段，實現信號不同層次內在特征的定量表征;采用自變量與因變量相關的延時樣本的多元線性回歸模型實現數據清洗;利用滑動樣本熵對標準化處理后的運行數據進行樣本熵分析，根據設定的穩(wěn)態(tài)閾值提取穩(wěn)態(tài)因子從而完成熱工過程數據的穩(wěn)定性判定;提出ECNN算法對熱工過程數據進

3、行壓縮，通過減小高穩(wěn)態(tài)樣本的閾值權重、增加低穩(wěn)態(tài)樣本的閾值權重，使得壓縮集在保留原始樣本集數據特性基礎上保留穩(wěn)態(tài)程度較高的樣本。
　　2、針對傳統(tǒng)離散算法的離散個數需預先設定的缺點，提出一種基于熵聚類(E_Cluster)的連續(xù)屬性離散化方法，該方法從數據本身的分布特性出發(fā)，無需預先設定聚類的初參數。在粗糙集互補條件熵的基礎上，引入處理增量數據的更新機制，獲得改進的粗糙集互補條件算法(D_RED)。利用E_Cluster和D_RE

4、D算法對鍋爐的可控運行參數進行連續(xù)屬性離散化和屬性約簡，獲得不同機組負荷下影響鍋爐燃燒效率和爐膛出口NOx濃度的主要運行參數的變化情況。
　　3、提出一種新的聚類評價指標Vnew，并將Vnew應用到改進Kmeans算法中，通過比較每種劃分的聚類有效性指標值來確定最佳分類數，實現了類心個數的自適應?；跁r頻域信息熵分析的特征提取方法，采用改進的Kmeans算法分析爐膛壓力信號，實現信號在不同變換空間內的能量分布特性定量表征和多層次特

5、征提取，獲得了爐膛壓力信號特征值和機組負荷之間的關系。
　　4、在處理混合型數據的經典K-prototypes聚類算法基礎上，結合TS_PSO優(yōu)化算法對聚類目標函數不相似程度D(x,y)函數進行尋優(yōu)，獲得了基于TS_PSO的自適應K-prototypes聚類算法，基于該方法獲得了不同負荷和低位熱值相應的最佳鍋爐效率和最佳爐膛出口NOx濃度以及對應的各可控參數目標值，進而建立了反映實際鍋爐實際最優(yōu)運行水平的目標工況庫。
　　5

6、、提出無需提前設定聚類初始值的EKFCM算法，通過計算Kmeans聚類過程中熵變差值，以躍遷差值達到最小值時的類別數作為FCM的初始參數，解決FCM聚類需要預先設定初始類心個數的缺點。為了避免總樣本數目不斷增加引起的處理難度加大的問題，在常見的FIFO增量處理策略基礎上提出了Sub-TDFO策略。將所提出的EKFCM增量聚類算法應用于熱工過程數據實時監(jiān)測，完成了對空預器堵灰程度和汽輪機通流部分結垢的監(jiān)測。
　　6、從系統(tǒng)的原理、架