[发明专利]一种基于决策树和蚁群算法的电厂锅炉效率优化方法

权利要求书

1.一种基于决策树和蚁群算法的电厂锅炉效率优化方法，其特征在于，包括如下步骤：

S1、采集与电厂中的锅炉效率有关的机组运行参数和操作参数的历史数据，并创建训练数据集，对训练数据集数据进行预处理；

S2、利用回归决策树判断所述训练数据集中的每个参数对锅炉效率的重要度并按照重要度对参数进行排序，选取排序靠前的若干参数作为参数集合，并以参数集合作为输入参数重新优化回归决策树的超参数；

S3、基于优化得到的回归决策树改进蚁群优化算法的框架及核心算子，得到用于优化锅炉效率的蚁群优化算法；

S4、将所述参数集合中所有机组运行参数的当前参数值作为蚁群优化算法的输入，由蚁群优化算法对所述参数集合中所有操作参数进行寻优，输出使锅炉效率最高的操作参数值，用于对电厂锅炉进行效率优化。

2.根据权利要求1所述的基于决策树和蚁群算法的电厂锅炉效率优化方法，其特征在于，所述步骤S1具体包括以下步骤：

S101、针对根据锅炉运行机理和专家经验确定的与锅炉效率相关的机组运行参数和操作参数，从电厂锅炉的实际运行过程中采集每个机组运行参数和操作参数的历史数据；所述的机组运行参数为机组运行中不可人为调节的参数，操作参数为机组运行中可人为调节的参数；

S102、对S101中采集的历史数据进行异常值剔除，并对采集的机组运行参数值和操作参数值进行归一化，得到训练数据集。

3.根据权利要求2所述的基于决策树和蚁群算法的电厂锅炉效率优化方法，其特征在于，在步骤S102中，所述归一化采用标准的离差标准化方法。

4.根据权利要求1所述的基于决策树和蚁群算法的电厂锅炉效率优化方法，其特征在于，所述步骤S2具体包括以下步骤：

S201、利用所述训练数据集中的所有参数构建用于预测电厂锅炉效率的回归决策树，并使用置换重要性方法判断训练数据集中各参数对锅炉效率的重要度；

S202、将各参数按照重要度从大到小进行排序，从前往后选取对锅炉效率的回归贡献度最大的若干参数形成参数集合；

S203、以所述参数集合中的所有参数作为回归决策树的输入参数，使用网格搜索法对该回归决策树的超参数进行调参，直至得到回归效果最佳的超参数组合，进而形成优化后的回归决策树。

5.根据权利要求4所述的基于决策树和蚁群算法的电厂锅炉效率优化方法，其特征在于，在步骤S201中，所述置换重要性方法通过依次使用随机打乱的值替换训练数据集中的不同参数值，根据锅炉效率回归的准确度的下降程度判断各参数对锅炉效率的相对影响大小，从而得到每个参数的重要度。

6.根据权利要求4所述的基于决策树和蚁群算法的电厂锅炉效率优化方法，其特征在于，在步骤S202中，挑选参数形成所述参数集合的标准为：按照重要度从大到小的顺序，依次将排序最靠前的参数纳入所述参数集合中，直至参数集合中所有参数的重要度之和不低于95％为止。

7.根据权利要求1所述的基于决策树和蚁群算法的电厂锅炉效率优化方法，其特征在于，所述步骤S3具体包括以下步骤：

S301、选取回归决策树输入参数中的运行参数作为蚁群算法的输入参数，而回归决策树输入参数中的所有操作参数作为蚁群算法的待寻优参数，并在蚁群算法基础上结合回归决策树得到用于优化锅炉效率的蚁群优化算法，其中蚁群优化算法的适应度函数包含三部分，分别为回归决策树输出的可行解的锅炉效率回归值部分、惯性调节部分和偏置调节部分；

S302、设定蚁群优化算法的超参数，包括蚁群优化算法的迭代次数、种群大小和信息素挥发系数。