基于约束模糊关联规则的多目标锅炉燃烧优化.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN106019935A(43)申请公布日2016.10.12(21)申请号201610280392.0(22)申请日2016.04.28(71)申请人天津市职业大学地址300402天津市河北区志成路7号(72)发明人郑伟(51)Int.Cl.G05B13/04(2006.01)权利要求书2页说明书4页附图1页(54)发明名称基于约束模糊关联规则的多目标锅炉燃烧优化(57)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NOx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NOx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。CN106019935ACN106019935A权利要求书1/2页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(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Zi(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(NOx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(NOx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(FCM)聚类算法，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Uic，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NOx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NOx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Uj，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，Uj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Lh中项目的数量，初始条件h＝1；第8步：用Apriori算法从Lh中产生候选大项集Ch+1；第9步：对Ch+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FAh+1在其上的隶属度式(4)中表示数据项Zi'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2CN106019935A权利要求书2/2页3)如果wFA大于或等于给定的最小支持度minsupport，则将项集放入频繁项集Lh+1中；第10步：判断Lh+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)，只构造基于目标约束(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FAq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。3CN106019935A说明书1/4页基于约束模糊关联规则的多目标锅炉燃烧优化技术领域[0001]本发明属于锅炉燃烧优化技术领域，基于约束模糊关联规则的数据挖掘方法，找到每个稳态工况条件下，较优的锅炉效率和NOx排放量所对应的锅炉运行参数，以此指导和调整锅炉燃烧过程。背景技术[0002]随着更具竞争性的电力制度调整和日益严峻的环保压力，燃煤电站迫