基于數(shù)據(jù)挖掘的單元機組運行參數(shù)的優(yōu)化研究.pdf

1、隨著社會逐步進入“低碳”時代，節(jié)能和減排愈來愈成為當今社會人們熱議的兩大主題。電力作為經(jīng)濟社會發(fā)展的基礎動力，在各項能源消耗中所占比例越來越大，在電力領域開展節(jié)能降耗工作，將對順利實現(xiàn)“十三五”節(jié)能降耗目標和快速進入“低碳”社會產(chǎn)生重要作用。因此各電力企業(yè)紛紛開展了節(jié)能降耗工作來增強自己的市場競爭力。在電廠中，影響經(jīng)濟性的因素很多，對電廠的運行參數(shù)進行合理優(yōu)化成為如今電廠節(jié)能降耗手段中比較有效的方法，同時也具有很重要的現(xiàn)實意義。

2、　　本文從機組的歷史運行參數(shù)開始入手，首先對歷史數(shù)據(jù)進行預處理，基于數(shù)據(jù)的波動性采用滑動窗口法去除其中的非穩(wěn)態(tài)數(shù)據(jù)和異常數(shù)據(jù)，保證數(shù)據(jù)的真實性和有效性。然后，進行了相關性分析工作，根據(jù)最小二乘法統(tǒng)計分析熱耗率與各邊界參數(shù)的相關性大小，選出對熱耗率影響較大的參數(shù)進行后續(xù)工作。接下來進行工況劃分,從海量數(shù)據(jù)中選擇出能反映機組設備特性和運行特性的代表性數(shù)據(jù)。采用K-means聚類算法對數(shù)據(jù)進行工況劃分，將相似工況下的數(shù)據(jù)進行分類，對于數(shù)據(jù)較多

3、的分組，以接近平均工況的數(shù)據(jù)來代替整組數(shù)據(jù)，同時除去極端工況下的數(shù)據(jù)，避免造成數(shù)據(jù)冗余和計算誤差。以邊界參數(shù)作為輸入，以熱耗率作為輸出進行建模。本文研究了兩種建模方式，第一種是通過 BP神經(jīng)網(wǎng)絡建立邊界參數(shù)與熱耗率之間模型；第二種是利用以合并多個“弱”分類器的輸出以產(chǎn)生有效分類思想為主的Adaboost算法結(jié)合BP神經(jīng)網(wǎng)絡進行建模。通過分析兩種建模方法的誤差大小，本文采用了第二種方法進行建模。最后，根據(jù)機組整體模型，得到當前工況下的最優(yōu)