[发明专利]基于FP-Growth算法的火电机组运行优化目标值确定方法

说明书

本发明公开了一种基于Apache Spark和改进FP‑Growth算法的火电机组运行优化目标值确定方法，包括以下步骤：S1、选取供电煤耗率的影响参数，根据影响参数采集历史运行数据并进行数据预处理和稳态检测；S2、使用Pearson相关性分析从供电煤耗率的影响参数中筛选运行优化参数；S3、基于矩阵技术改进FP‑Growth算法；S4、基于Apache Spark将改进FP‑Growth算法并行化；S5、将运行优化参数的数据离散化，利用并行的改进FP‑Growth算法从数据集中挖掘频繁模式，对挖掘结果进行反离散化并整理得到各个工况下机组运行优化参数的目标值。本发明的一种火电机组运行优化参数目标值确定方法，基于Apache Spark和改进FP‑Growth算法，具备耗时短、占用内存低和挖掘海量数据的效率高的优点。

技术领域

本发明涉及一种基于Apache Spark和改进FP-Growth算法的火电机组运行优化目标值确定方法，属于电力工程技术领域。

背景技术

近年来，面对大气污染治理和应对气候变化等新形势，节能减排工作进一步深入，发电机组提效运行面临着更大的压力。由于机组中具备节能潜力的设备基本都进行了节能改造，节能减排工作更需要落实在日常工作运行中，向更加精细化的方向发展。因此，运行优化研究对机组节能减排工作至关重要。

目标值的合理确定是机组实施运行优化和能耗分析的前提和基础。传统的机组运行优化目标值确定方法有设计值法、最优运行试验法和变工况热力计算法，这些方法存在实际可行性差、覆盖工况局限以及耗时耗力的问题。

随着数据挖掘技术的发展，国内许多专家学者开始将数据挖掘技术用于机组运行优化参数目标值的研究。已有文献提出一种改进的动态数据流模糊关联规则挖掘算法并设计了电站热力系统实时分析与运行优化仿真平台，通过仿真平台对影响机组运行的供电煤耗率的可控参数进行动态数据挖掘，将供电煤耗率最小的运行参数作为运行优化的目标值。已有文献提出一种改进的关联规则Apriori算法，通过MATLAB编程和GUI设计挖掘得到不同工况下锅炉达到最优运行状况时各项运行参数的目标值。已有文献利用K-means聚类算法并结合Silhouette聚类有效评价函数，对历史数据进行多参数同步聚类，确定各典型工况下对机组供电煤耗影响较大的关键能效特征指标的基准值。已有文献基于模糊粗糙集约简和模糊均值聚类等数据挖掘方法，确定了设定边界条件和工况下使供电煤耗最低的部分可控参数实际可达优化目标值。已有文献在Hadoop平台的MapReduce架构上对经典关联规则算法Apriori算法进行改进，新算法被应用于汽轮机运行优化目标值的确定。已有文献通过Canopy算法对K-means算法改进，并实现改进K-means聚类算法在Hadoop平台上的并行化计算，新算法被用于挖掘典型负荷工况下影响供电煤耗的可控运行参数的基准值。已有文献采用K-means聚类算法分析实时运行数据，分别挖掘再热器压损和锅炉排烟温度的基准值。已有文献结合粒子群算法来提升关联规则Apriori算法的性能，改进算法被用于挖掘符合机组NOx减排要求的各个参数的最优目标值。已有文献采用基于编码的矩阵法对Apriori算法进行改进并用改进算法挖掘得到了汽轮机组热耗率相关运行参数的目标值。已有文献提出采用轮廓系数法来确定K-means聚类算法的聚类中心数，改进算法被用于确定典型工况下供电煤耗率最优的各参数基准值。

现有的基于关联规则挖掘的研究大多数都是使用Apriori算法。该算法存在两点不足：每次迭代都需要扫描一次数据集；每次迭代都会产生大量的候选项集。在挖掘海量的高维数据时，Apriori算法会出现耗时过长、占用内存高的问题。

发明内容

本发明要解决的技术问题是，克服现有技术中Apriori算法的缺陷，提供一种耗时短、占用内存低和挖掘海量数据的效率高的火电机组运行优化参数目标值确定方法。

为解决上述技术问题，本发明采用的技术方案为：

一种基于Apache Spark和改进FP-Growth算法的火电机组运行优化目标值确定方法，包括以下步骤：