[发明专利]加权和自适应并行关联规则的火电机组能耗动态优化方法

说明书

本发明公开一种加权和自适应并行关联规则的火电机组能耗动态优化方法。其步骤包括，对影响火电机组的供电煤耗的工况进行分析确定和对影响火电机组的供电煤耗的特征变量属性约简；分析出目标候选数据项；建立能耗关联规则模型，对能耗关联规则模型的后项差异系数加权，计算自适应阀值；根据自适应阀值，计算能耗关联规则模型，挖掘有效强关联规则，建立全工况特征变量参数动态的寻优库；实时动态匹配当前工况对应的当前寻优库，对火电机组进行动态能耗优化运行。本发明提出的技术方案旨在解决现有关联规则在火电运行优化中容易产生虚假规则、丢失重要信息、难以自适应动态挖掘的问题。

技术领域

本发明涉及火电机组节能领域，具体涉及一种加权和自适应并行关联规则的火电机组能耗动态优化方法。

背景技术

近年来，在我国节能减排大环境下，各发电企业纷纷寻求节能降耗的措施，通过优化运行，提高发电效率，降低成本，是一个重要的途径。随着电力行业的自动化、信息化程度的日益提高，DCS系统及SIS系统在电厂中得到了普及，火电厂积累了大量的机组运行数据，给数据挖掘技术创造了有利条件。基于数据挖掘的大型火电机组能耗运行参数优化成为了主要的研究方向。机组的历史运行数据能够较真实反映机组的实际运行情况，不同工况下的运行可达优化目标值均有记录。因此采用数据挖掘方法进行火电机组能耗运行优化目标值的挖掘具有可行性。关联规则常常用于发现海量高维数据中各个项集之间的关联，来揭示事物之间隐含的关系，现在关联规则在火电机组运行优化已有应用，但由于未考虑关联规则挖掘目标的数据分布特性及主观设定关联规则支持度和置信度阈值，在挖掘过程中容易产生虚假的关联规则或删掉真实有效的关联规则，难以在发电机组实际生产中得到较好应用。

2000年，Han等提出了一种基于频繁模式树的FP-Growth关联规则挖掘算法。该算法可以有效挖掘频繁模式，通过减少全量扫描事务数据库的次数和不产生候选集的方式，使关联规则挖掘效率得到了提高。随着火力发电厂大规模数据的存储，以及能耗体系复杂，各指标参数的耦合性较大，对其单机环境下数据挖掘过程的存储、计算速率和实时性等方面提出了挑战，因此，在并行分布式计算环境中，建立火力发电厂并行FP-Growth关联规则能耗运行优化模型，成为解决数据挖掘火电机组的能耗优化的的重要方法。

关联规则是形如A→B的蕴涵式，其中，A和B都是项目集合I中的项。支持度(support)表示A与B同时发生的概率，用来衡量规则的有用性。置信度(confidence)表示在项集A出现的事务中，项集B同时出现的概率，用来衡量所挖掘出的关联规则的可信度。FP-Growth强关联规则指的是同时大于给定的最小支持度和最小置信度的关联规则。关联规则的挖掘过程主要分为2个步骤：1)从事务数据库I中挖掘出满足最小支持度约束的频繁项集；2)在获取频繁项集的基础上，进一步在最小置信度约束下获得强关联规则。因此，关联规则挖掘模型支持度和置信度的阈值取值不同，对挖掘过程的候选项集规模、频繁项集大小、关联规则挖掘结果及数目有着显著影响。

目前关联规则挖掘阈值的计算方法主要有以下几类：

1)通过机理分析和结果为导向，人为经过反复试验进行设定，对于数据量较大的样本，这种阈值计算方法存在效率不高，具有一定的主观性的问题，而对于数值型关联规则的阈值一般无法从结果反馈导向或经验认识进行确定。

2)对于多样本关联规则，采用统一的最小支持度或最小置信度阈值设置，无法适应不同工况样本变化关联规则的动态挖掘，易忽略掉重要但支持度或置信度低的序列项或阈值设置过低而造成过多无用的序列项，影响挖掘结果的判定。

3)采用支持度和置信度出现条数组成数组的统计方法，仅通过候选项或频繁项条数出现的频率设置最小支持度和最小置信度阈值，具有一定的局限性，未充分考虑能耗优化关联规则的后项数组(供电煤耗)属性和特征信息，挖掘结果难免会出现与实际机理分析不符的情况。以上方法对于火电机组的能耗优化关联规则存在一定的局限性和不确定性，容易导致阈值设置不合理，增加了挖掘效率，影响能耗优化关联规则最终挖掘结果。