[发明专利]基于稀疏大数据挖掘的火电机组汽轮机优化方法及系统

说明书

本发明公开了汽轮机优化技术领域的一种基于稀疏大数据挖掘的火电机组汽轮机优化方法及系统，包括：采集机组历史运行数据；选取一组与汽轮机热耗率较强相关的可控运行参数作为优化参数；基于二进制矩阵和超链接技术，构建新型面向稀疏数据的模式增长类关联规则挖掘算法；在Apache Spark平台上，提出基于矩阵运算的负载均衡策略，并行化实现全局计算平衡的模式增长类关联规则挖掘算法；通过聚类离散化历史运行数据，并行挖掘离散化历史运行数据得到关联规则，并反离散化，得出各个边界条件下汽轮机优化参数的目标值。可有效解决火电机组汽轮机连续运行数据离散化导致的稀疏特性，并可高效挖掘汽轮机大规模运行数据以获取热耗率较低时的运行优化目标值。

技术领域

本发明属于汽轮机优化技术领域，具体涉及一种基于稀疏大数据挖掘的火电机组汽轮机优化方法及系统。

背景技术

近年来，在我国节能减排工作不断深入的大环境下，节能降耗成为各火电厂迫切需要完成的任务。汽轮机作为火电机组的重要组成部分，其运行效率直接决定火力发电厂电力资源的供应。因此，研究火电机组汽轮机运行优化至关重要，不仅提高发电效率，也能降低发电成本。关联规则挖掘是数据挖掘领域中应用广泛且实用意义较高的方法，能够发掘数据之间隐含着的关联性和相关性。相较于设计值法、最优运行试验法和变工况热力计算法，基于关联规则挖掘的机组运行优化方法是从机组长期运行数据中获取机组性能较好状态下主要运行参数与机组相关性能指标间的强关联规则，不需要建立复杂的机理模型，避免了易受工况局限以及耗时耗力的问题，具有较高的可行性。此外，随着自动化及信息化程度的日益提高，电厂广泛部署DCS系统和SIS系统，积累了大规模的运行数据，为基于关联规则挖掘的机组运行优化方法创造了有利条件。

现有技术中的算法大多是串行运行方式，处理的是小样本汽轮机数据。火电机组运行参数众多、系统工况多变且数据采集周期短，小样本运行数据难以体现汽轮机的实际特性。现有技术中采用Apriori算法或FP-Growth算法挖掘稀疏数据频繁模式时，因算法自身瓶颈导致耗时长、占用内存高的缺陷；串行关联规则挖掘算法受单机硬件资源限制，难以分析处理大规模数据。

发明内容

为解决现有技术中的不足，本发明提供一种基于稀疏大数据挖掘的火电机组汽轮机优化方法及系统，可有效克服挖掘稀疏海量数据关联规则时，以往关联规则挖掘算法耗时长、内存占用过高的缺陷，并能负载均衡地挖掘大规模数据。

为达到上述目的，本发明所采用的技术方案是：一种火电机组汽轮机优化方法，包括：以降低汽轮机热耗率为优化目标，采集历史运行数据并数据预处理；基于典型相关性分析粗选与皮尔森相关性分析精选的方法，从历史运行数据中选取一组与汽轮机热耗率相关性符合设定条件的机组可控运行参数作为优化参数；构建面向稀疏数据的模式增长类关联规则挖掘算法；在大数据分析处理框架Apache Spark上，基于矩阵运算的负载均衡策略，并行化实现全局计算平衡的模式增长类关联规则挖掘算法；采用模糊C均值聚类算法离散化历史运行数据，基于并行化的模式增长类关联规则挖掘算法，挖掘离散化历史运行数据得到关联规则，并反离散化，得出各个边界条件下汽轮机优化参数的目标值。

进一步地，所述数据预处理，是指剔除历史运行数据中的异常数据和冗余数据并对历史运行数据进行稳态检测。

进一步地，所述稳态检测的判别标准是：在一定时间段内，当汽轮机的运行状态参数波动值小于设定范围时，可以认为机组处于稳定运行工况。