(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210805789.2 (22)申请日 2022.07.08 (71)申请人 国电双维内蒙古 上海庙能源 有限公 司 地址 016200 内蒙古自治区鄂 尔多斯市鄂 托克前旗上海庙镇国电双维电厂 申请人 国能智深控制技 术有限公司 (72)发明人 冯志强　朱雷　张暄博　陈玉良　 王兴兵　高向东　宫喜鹏　王全康　 (74)专利代理 机构 北京圣州专利代理事务所 (普通合伙) 11818 专利代理师 刘岩 (51)Int.Cl. G06F 30/20(2020.01) G06F 119/08(2020.01) (54)发明名称 一种基于数据挖掘的火电机组滑压曲线优 化方法 (57)摘要 本发明公开了一种基于数据挖掘的火电机 组滑压曲线优化方法， 具体为对原始数据使用SG 滤波方法进行去噪处理； 接着利用AGC指令数据 或者使用稳态滑窗方法对去噪处理后的数据进 行提取获得稳态数据； 然后反复使用KMEANS和 DBSCAN结合的方法对稳态数据进行了工 况划分； 接着对工 况划分的稳态数据进行离散化处理， 并 对离散化处理后的数据使用Ap riori关联规则算 法对数据进行关联， 建立了最优汽机热耗率和最 优主蒸汽压力的关联规则； 最后根据支持度和置 信度， 筛选规则， 得到最优的主蒸汽压力区间， 确 定最优滑压曲线， 通过数据分析， 该方法挖掘出 的最优滑压运行曲线的热耗率比实际挖掘的热 耗率曲线要低； 可 以很好满足实际的运行特性， 又可以降低机组的运行能耗。 权利要求书2页 说明书6页 附图6页 CN 115186479 A 2022.10.14 CN 115186479 A 1.一种基于数据 挖掘的火电机组滑压曲线优化方法， 其特 征在于， 包括： 步骤1、 对原 始数据使用SG滤波方法进行去噪处 理； 步骤2、 利用AGC指令数据或者使用稳态滑窗方法对去噪处理后的数据进行提取获得稳 态数据； 步骤3、 反复使用KM EANS和DBSCAN结合的方法对稳态数据进行了 工况划分； 步骤4、 对工况划分的稳态数据进行离散化处理， 并对离散化处理后的数据使用 Apriori关联规则算法对数据进行关联， 建立了最优汽机热耗率和最优主蒸汽压力的关联 规则； 步骤5、 根据支持度和置信度， 筛选规则， 得到最优的主蒸汽压力区间， 确定最优滑压曲 线； 步骤1中的所述原始数据包括机组主蒸汽压力、 机组汽机热耗率以及机组负荷， 其中机 组主蒸汽压力与机组负荷通过相应的数据存储装置中获取， 机组汽机热耗率通过相应的测 点存储装置或者 通过汽机热耗 率模型的热力学计算公式获取； 步骤2中所述AGC指令数据 提取稳态数据具体方法为截取AGC波动指令上下+2％的数据 为稳态数据； 所述稳态 滑窗方法使用标准差作为数据处 理模型； 步骤3中所述KM EANS采用欧式距离进行计算稳态数据。 2.根据权利要求1所述的一种基于数据挖掘的火电机组滑压曲线优化方法， 其特征在 于， 所述步骤1中汽机热耗率模型的具体步骤为首先通过相关性分析， 接着获取的与汽机热 耗率线性相关程度的高的数据组进 行通过SG滤波方法进行数据预 处理， 接着通过通过滑动 窗口模型剔除波动范围过大 的数据， 将剔除后的数据进行工况划分， 对划分后的数据使用 Kmeans聚类算法， 得到各个聚类中心， 通过计算聚类中心距离得到样 本叠加的范围， 然后叠 加原始的数据集叠加， 从而打散数据样本在样本空间中的分布， 而稳态数据由于波动范围 小， 通过使用DBSCA N算法， 基于密度进 行聚类便可将稳态的数据提取出来， 通过找到提取出 来的稳态负荷所对应的样本号， 依据样本号便可以筛选出其他的热力学稳态参数， 进而提 取出稳态数据， 接着对提取 的稳态数据进行数据的归一化， 最后通过灰狼优化算法得到汽 机热耗率模型。 3.根据权利要求2所述的一种基于数据挖掘的火电机组滑压曲线优化方法， 其特征在 于， 所述与汽机热耗 率相关性 通过是协方差计算得到 。 4.根据权利要求2所述的一种基于数据挖掘的火电机组滑压曲线优化方法， 其特征在 于， 所述数据 组包括择机组负荷， 主蒸汽流量， 主蒸汽压力， 给水流量， 给水温度， 再热蒸汽 压力的数据， 其数据通过相应的数据存 储装置中获取。 5.根据权利要求1所述的一种基于数据挖掘的火电机组滑压曲线优化方法， 其特征在 于， 所述步骤2中稳态滑窗方法具体步骤为首先选择一定时间长度的滑动窗口， 通过计算时 间窗内数据的标准差， 来反映时间窗内数据的波动 情况， 计算窗口数据后， 向后滑动一个数 据再次计算数据的标准差， 将波动范围较大的数据过滤出去， 如此反 复向前滚动， 直至处理 完数据， 最终 获得完整的稳态数据。 6.根据权利要求1所述的一种基于数据挖掘的火电机组滑压曲线优化方法， 其特征在 于， 所述步骤3中KMEA NS算法的具体步骤为对采样的L个数据， 选择K个簇作为初始聚类中心 Z(I),接着计算数据样本中每个数据与设定的聚类中距离， 有I＝I+1,重新计算聚类中心Z权　利　要　求　书 1/2 页 2 CN 115186479 A 2(2)； 误差平方和准则函数。 7.根据权利要求1所述的一种基于数据挖掘的火电机组滑压曲线优化方法， 其特征在 于， 所述步骤4中Apriori关联规则算法具体步骤为通过频繁项集代码产生频繁项集， 接着 通过候选项集的剪枝将非频繁的项集剪出掉， 最后根据置信度来筛选关联规则， 当其产生 的关联规则的置信度大于最小的置信度时， 则保留该规则。 8.根据权利要求7所述的一种基于数据挖掘的火电机组滑压曲线优化方法， 其特征在 于， 所述步骤4中关联规则的最小置信度为80％。 9.根据权利要求1所述的一种基于数据挖掘的火电机组滑压曲线优化方法， 其特征在 于， 所述步骤5中最优滑压曲线最终主蒸汽压力优化数值为最优的主蒸汽压力区间的区间 平均值。权　利　要　求　书 2/2 页 3 CN 115186479 A 3