[发明专利]一种基于数据挖掘的火电机组滑压曲线优化方法

权利要求书

1.一种基于数据挖掘的火电机组滑压曲线优化方法，其特征在于，包括：

步骤1、对原始数据使用SG滤波方法进行去噪处理；

步骤2、利用AGC指令数据或者使用稳态滑窗方法对去噪处理后的数据进行提取获得稳态数据；

步骤3、反复使用KMEANS和DBSCAN结合的方法对稳态数据进行了工况划分；

步骤4、对工况划分的稳态数据进行离散化处理，并对离散化处理后的数据使用Apriori关联规则算法对数据进行关联，建立了最优汽机热耗率和最优主蒸汽压力的关联规则；

步骤5、根据支持度和置信度，筛选规则，得到最优的主蒸汽压力区间，确定最优滑压曲线；

步骤1中的所述原始数据包括机组主蒸汽压力、机组汽机热耗率以及机组负荷，其中机组主蒸汽压力与机组负荷通过相应的数据存储装置中获取，机组汽机热耗率通过相应的测点存储装置或者通过汽机热耗率模型的热力学计算公式获取；

步骤2中所述AGC指令数据提取稳态数据具体方法为截取AGC波动指令上下+2％的数据为稳态数据；所述稳态滑窗方法使用标准差作为数据处理模型；

步骤3中所述KMEANS采用欧式距离进行计算稳态数据。

2.根据权利要求1所述的一种基于数据挖掘的火电机组滑压曲线优化方法，其特征在于，所述步骤1中汽机热耗率模型的具体步骤为首先通过相关性分析，接着获取的与汽机热耗率线性相关程度的高的数据组进行通过SG滤波方法进行数据预处理，接着通过通过滑动窗口模型剔除波动范围过大的数据，将剔除后的数据进行工况划分，对划分后的数据使用Kmeans聚类算法，得到各个聚类中心，通过计算聚类中心距离得到样本叠加的范围，然后叠加原始的数据集叠加，从而打散数据样本在样本空间中的分布，而稳态数据由于波动范围小，通过使用DBSCAN算法，基于密度进行聚类便可将稳态的数据提取出来，通过找到提取出来的稳态负荷所对应的样本号，依据样本号便可以筛选出其他的热力学稳态参数，进而提取出稳态数据，接着对提取的稳态数据进行数据的归一化，最后通过灰狼优化算法得到汽机热耗率模型。

3.根据权利要求2所述的一种基于数据挖掘的火电机组滑压曲线优化方法，其特征在于，所述与汽机热耗率相关性通过是协方差计算得到。

4.根据权利要求2所述的一种基于数据挖掘的火电机组滑压曲线优化方法，其特征在于，所述数据组包括择机组负荷，主蒸汽流量，主蒸汽压力，给水流量，给水温度，再热蒸汽压力的数据，其数据通过相应的数据存储装置中获取。

5.根据权利要求1所述的一种基于数据挖掘的火电机组滑压曲线优化方法，其特征在于，所述步骤2中稳态滑窗方法具体步骤为首先选择一定时间长度的滑动窗口，通过计算时间窗内数据的标准差，来反映时间窗内数据的波动情况，计算窗口数据后，向后滑动一个数据再次计算数据的标准差，将波动范围较大的数据过滤出去，如此反复向前滚动，直至处理完数据，最终获得完整的稳态数据。

6.根据权利要求1所述的一种基于数据挖掘的火电机组滑压曲线优化方法，其特征在于，所述步骤3中KMEANS算法的具体步骤为对采样的L个数据，选择K个簇作为初始聚类中心Z(I),接着计算数据样本中每个数据与设定的聚类中距离，有I＝I+1,重新计算聚类中心Z(2)；误差平方和准则函数。

7.根据权利要求1所述的一种基于数据挖掘的火电机组滑压曲线优化方法，其特征在于，所述步骤4中Apriori关联规则算法具体步骤为通过频繁项集代码产生频繁项集，接着通过候选项集的剪枝将非频繁的项集剪出掉，最后根据置信度来筛选关联规则，当其产生的关联规则的置信度大于最小的置信度时，则保留该规则。

8.根据权利要求7所述的一种基于数据挖掘的火电机组滑压曲线优化方法，其特征在于，所述步骤4中关联规则的最小置信度为80％。

9.根据权利要求1所述的一种基于数据挖掘的火电机组滑压曲线优化方法，其特征在于，所述步骤5中最优滑压曲线最终主蒸汽压力优化数值为最优的主蒸汽压力区间的区间平均值。