[发明专利]基于约束模糊关联规则的多目标锅炉燃烧优化

摘要

本发明公开了一种基于约束模糊关联规则的数据挖掘方法，用于燃煤电站锅炉燃烧优化。通过挖掘锅炉不同工况下海量历史运行数据，发现锅炉稳态运行条件下主要运行参数烟气含氧量、排烟温度、飞灰含碳量与性能指标NO_x排放量、锅炉效率之间的关联关系，并据此得到锅炉高效低污染运行时对应的参数运行优化值，进而指导锅炉燃烧过程，达到提高锅炉效率，降低NO_x排放量的目的。基于约束模糊关联规则的多目标锅炉燃烧优化，不仅为当下锅炉运行参数调整提供了理论依据，也为日后进一步的闭环控制铺垫了参数设定值基础。

主权项

1.用于燃煤电站锅炉多目标燃烧优化的约束模糊关联规则数据挖掘方法，其特征在于，包括输入、输出和步骤：输入：外部约束，即：机组负荷区间和煤质系数区间；在外部约束条件下，n个数据项Z_i，1≤i≤n，组成的大数据集D，其中，每个数据项包含m个变量，有3个状态变量：烟气含氧量、排烟温度、飞灰含碳量和2个性能变量：NO_x排放量、锅炉效率，即：m＝5，每条数据项的各个变量用表示，1≤j≤m；最小支持度minsupport和最小置信度minconfidence；内部约束变量：NO_x排放量；目标约束：锅炉效率；输出：一条约束模糊关联规则；第1步：采用模糊C均值聚类算法，即：FCM，对大数据集D中内部约束变量的数据进行聚类，得到该变量的所有模糊分区和隶属度矩阵U_ic，表示内部约束变量的第k个模糊分区，模糊分区包括低、中、高3个部分，分别以Ls、Ms、Hs表示，其中1≤k≤3；第2步：根据FCM的聚类结果，把NO_x排放量隶属于低模糊分区作为内部约束，并对大数据集D中不满足内部约束的数据项移除出数据集，从而形成一个含有n’个数据项的新数据集D’，n'＜n；第3步：对数据集D’中除了NO_x排放量之外每个变量的数据进行FCM聚类，得到每个变量的所有模糊分区和隶属度矩阵U_j，表示第j个变量的第k个模糊分区，模糊分区同样包括低、中、高3个部分，也以Ls、Ms、Hs表示，U_j表示第j个变量的隶属度矩阵，的隶属度则用表示，此时1≤j≤m‑1，1≤i≤n′；第4步：根据式(1)，计算D’中第j个变量不同模糊分区的隶属度权值第5步：利用式(2)求出各变量中最大的隶属度权值，并把其所对应的模糊分区记为第6步：对每一模糊分区所对应的隶属度权值检查是否成立，如果模糊分区满足上述条件，则将其放入频繁一项集L₁中，此时，数据集D’中每条数据项各个变量1≤i≤n'，均可依据用单一的模糊分区表示；第7步：用h表示当前保留在频繁项集L_h中项目的数量，初始条件h＝1；第8步：用Apriori算法从L_h中产生候选大项集C_h+1；第9步：对C_h+1中每个新生成的候选项集做如下处理：1)利用式(4)对每个数据项Z_i'，Z_i'∈D'，计算候选项集FA_h+1在其上的隶属度式(4)中表示数据项Z_i'在变量l模糊分区上的隶属度值，1≤l≤h+1；2)利用式(5)计算候选大项集中各项集的权值3)如果w_FA大于或等于给定的最小支持度minsupport，则将项集放入频繁项集L_h+1中；第10步：判断L_h+1是否为空，如果为空，则执行下一步；否则置h＝h+1，重复步骤8至步骤10；第11步：对于得到的每个项集2≤q≤m‑1，只构造基于锅炉效率的关联规则，即：其中，代表锅炉效率的模糊分区，如果锅炉效率的模糊分区没有存在于最后得到的任何一个项集FA_q中，用FCM重新将锅炉效率的数据划分为2个分区，并返回第4步；第12步：利用式(7)计算所得关联规则的置信度，如果置信度大于或等于minconfidence，则输出该规则；如果所得关联规则的置信度小于minconfidence，则用FCM重新将锅炉效率的数据划分为2个分区，并返回第4步。