[发明专利]基于聚类算法的冷端系统运行优化方法

说明书

本发明公开了一种基于聚类算法的冷端系统运行优化方法，包括获取机组运行测点以及控制变量的历史数据；对历史数据进行清洗；提取清洗后数据的特征值；特征值组合计算，得到符合需求的新特征值测点；通过机理分析，设计最佳真空模型、凝汽器端差模型、循环水泵运行状态模型；对模型状态量进行无监督的聚类特征树建模，实现对运行工况的识别分类；根据业务内涵，对性能量进行综合计算，得到各模型实时得分，即为模型结果。本发明依托长期真实历史数据，模型可信度高；克服了传统物理模型的失准情况；可针对不同机组训练相应模型，具有灵活性、普适性；模型在线自动更新；节约了人力资源成本。

技术领域

本发明属于计算机与火力发电业务结合领域，特别涉及一种基于聚类算法的冷端系统运行优化方法。

背景技术

我国以煤炭为主的能源格局，决定了在未来较长的一段时期内，火力发电仍将在我国的电源结构中占据主导地位。要对传统的火电机组进行节能降耗，提高火电机组运行的安全性、经济性、环保性，这是实现我国经济可持续发展的必然选择，也是构建安全、经济、绿色、和谐的现代电力工业体系的必由之路。

冷端系统是火电机组重要的辅助系统，火电机组的冷端系统出现问题，将会通过凝汽器真空影响机组的出力，降低机组的循环效率，最终导致供电煤耗率增大，严重影响机组的热经济性。因此，对冷端系统的各子系统进行研究，提高其运行性能，保证凝汽器在最佳真空下工作，实现冷端系统的优化运行，是电厂节能降耗、提高机组热经济性的重要手段。

然而火电发电机组的运行状态持续变化，内在反应复杂多变，运行调整可控变量众多，仅依赖操作人员经验，无法针对不同工况寻找到最优解。传统的建模优化算法单纯使用物理模型对系统进行优化，造成模型过度简单和理想导致的失准情况，或只考虑了少量的状态与动作空间，难以对庞大复杂的运行过程进行精准建模。

当前使用较多的建模方法如k最邻近(K-NearestNeighbor，KNN)分类算法，属于有监督学习，需要已划分好类别的训练集，且计算量大；k均值(k-means clusteringalgorithm，Kmeans)聚类算法，聚类数K的设定会影响聚类结果，且需要循环多次多数据集进行扫描，计算量大；都比较不适于进行实时、大量数据的聚类。

为克服以上算法的不足，本发明提出了基于聚类算法的冷端系统运行优化方法，选择使用聚类特征树算法进行数据的聚类，聚类特征树算法属于无监督学习，无需训练集，无需设定聚类数K，且运行速度很快，只需要单遍扫描数据集就能进行有效的聚类，比较适合于数据量大，类别数K也比较多的情况。

发明内容

为解决现有技术中存在的不足，本发明的目的在于，提供一种基于聚类算法的冷端系统运行优化方法，将大数据技术和人工智能技术相结合，基于火力发电厂机组长期的运行数据，将冷端优化划分为最佳真空模型、凝汽器端差模型及循环水泵运行状态模型三个模型，以聚类算法为核心进行机组状态识别，具有自适应学习能力。

本发明采用如下的技术方案。

一种基于聚类算法的冷端系统运行优化方法，所述方法包括步骤：

步骤1，从数据库中获取机组运行测点以及控制变量的历史数据；

步骤2，根据业务规则和安全操作规范，对历史数据进行数据清洗，得到合乎安全操作的清洗后的数据；

步骤3，提取清洗后数据的特征值；通过对特征值进行一定的组合计算，得到符合模型需求的新的特征值测点；

步骤4，通过机理分析，设计最佳真空模型、凝汽器端差模型、循环水泵运行状态模型；

步骤5，对步骤4中三种模型的状态量数据进行无监督的聚类特征树建模，实现对运行工况的状态量识别分类；

步骤6，对状态量聚类得到的n个分类，根据业务内涵，对性能量进行综合计算，得到各模型实时得分，即为模型输出结果。