[发明专利]基于K均值聚类算法的火电厂储煤配煤智能化管理方法

说明书

本发明提供了一种基于K均值聚类算法的火电厂储煤配煤智能化管理方法，包括：基于聚类方法对无标记的原煤煤质参数数据进行训练，得到数据的内在性质及规律，结合专家知识得到堆料决策方法及堆料决策规则。本发明通过将专家知识与人工智能算法应用于煤场管理，基于聚类等人工智能算法对无标记的原煤煤质参数进行训练来揭示数据的内在性质及规律，结合专家知识得到相应的堆料决策方法及堆料决策规则，是一种具有物理意义的聚类方法，能够适应现代火电厂煤场储煤配煤的生产管理及经济性要求。

技术领域

本发明属于电厂储煤配煤管理技术领域，尤其涉及一种基于K均值聚类算法的火电厂储煤配煤智能化管理方法。

背景技术

由于近年电煤供应紧张以及火电厂竞争日益激烈的情况，如何降低发电成本、提高发电效益成为发电企业的核心问题。其中，燃料占火电厂70％以上的经营成本，并且越来越多的火电厂采取配煤掺烧的科学方法来降低燃料成本以减少发电成本，因此，如何智能的进行煤场管理、科学的进行原煤分类堆放成为燃料管理的重中之重。

然而在实际的火力发电过程中，燃料工作人员对于火电厂的煤场管理并不重视，呈现出“重供应，轻管理”的不良现象，造成煤炭资源的大量浪费，增加了火电厂的成本负担。因此，传统的人工管理模式已经无法适应现代火电厂煤场储煤配煤的生产管理及经济性要求，因此，亟需一种智能化的储煤配煤管理方法。

发明内容

本发明的目的是提供一种基于K均值聚类算法的火电厂储煤配煤智能化管理方法，以适应现代火电厂煤场储煤配煤的生产管理及经济性要求。

本发明提供了一种基于K均值聚类算法的火电厂储煤配煤智能化管理方法，包括：基于聚类方法对无标记的原煤煤质参数数据进行训练，得到数据的内在性质及规律，结合专家知识得到堆料决策方法及堆料决策规则。

进一步地，堆料决策方法通过下述过程获得：

根据专家知识，选取用于煤分类堆放的煤质参数；其中，煤质参数包括：原煤全硫分、原煤干燥无灰基挥发分及原煤收到基低位发热量；

基于K-means算法，以选取的煤质参数为输入数据进行训练，通过迭代优化近似求解式，将最终求解出的簇划分，得到进厂煤的堆放对策。

进一步地，K-means算法为：

给定样本集D＝{x₁，x₂，...，x_m}，K-means算法针对聚类所得簇划分为C＝{C₁，C₂，...，C_k}，最小化平方误差为：

其中，x是簇C_i的均值向量，k为正整数。

进一步地，堆料决策规则通过下述过程获得：

基于K-means算法，以经过专家知识甄选的进厂煤煤质参数作为输入，得到具有物理意义的聚类方法模型，并根据聚类方法模型，制定原煤的分类堆放存储规则。

进一步地，分类堆放存储规则包括一级规则，所述一级规则包括：

基于原煤全硫分S_t、原煤干燥无灰基挥发分V_daf及原煤收到基低位发热量Q_net，ar对原煤进行分类；

将每一种原煤的原煤全硫分S_t、原煤干燥无灰基挥发分V_daf及原煤收到基低位发热量Q_net，ar的参数值与相应煤质参数的设定值进行比较，如果其中一个参数的参数值与设定值的绝对误差或相对误差超过下列范围，则将其单独进行堆放存储：

1)全硫分绝对误差ΔSt≥1％ORΔSt≤-1％，