基于工况划分的火电厂运行多目标优化的确定方法与流程

本发明属于火电运行优化技术领域，是一种基于工况划分的火电厂运行多目标优化的确定方法，该方法适用于火电，风电等相关领域。

背景技术：

为了给电厂经济运行、操作指导与节能改造等提供更好的理论指导，更准确地确定参数的运行优化目标值具有十分重要的意义，目前普遍是采用数据挖掘算法，从电厂海量的历史数据中挖掘出电站机组所能达到过的最优值。但在实际运行过程中，国内电站机组普遍存在负荷和工况变化大的问题，由于机组负荷、煤质情况以及运行人员的运行操作水平等各方面因素，使得机组并非经常运行在最佳工况下。不同的工况下，机组特性差异大，对应的最优运行参数也不同。事实表明，当提取的运行规则与实时运行的外部条件相同时，数据挖掘结果指导相似外部条件下的操作运行具有更加现实的指导意义。

另一方面，在电站运行优化过程中，其核心问题是确定机组运行参数最有目标值，运行优化的目标根据实际需求的不同而变化。如何在火电厂现有的设备与技术下获得高经济指标、低污染排放的目标值是一个有重要意义的现实问题。然而研究发现，机组的运行效率和降低污染物排放的最优解相互冲突，为协调两者的冲突关系，常采用多目标方法进行优化。

目前基于数据挖掘的大型火电机组运行参数多目标优化技术已经在许多方面取得一定进展，但依然存在以下几方面问题：

1.在电厂中，机组负荷的确定一般以50％、60％、70％、80％、90％、100％负荷作为运行工况参数。但在实际的操作运行中，受机组设备状态、环境条件约束等各方面影响，上述这些划分已不是常见的工况。因此需要以机组实际经常稳定的负荷作为参数，指导电厂运行。

2.k-means作为一种简单而有效的迭代聚类算法常被应用于工况划分。但k-means聚类算法存在一定的缺陷：在算法中需要人工指定聚类数k，不同的聚类数会产生不同的划分结果；在算法中需要根据初始聚类中心来确定一个初始划分，然后对初始划分进行优化。初始聚类中心的选取对聚类结果有较大的影响。

3.采用多目标优化算法进行电厂多目标优化时，得到的都是一组非劣解集，无法对电厂的实际运行进行准确的指导。

技术实现要素：

为解决现有技术中存在的上述问题，本发明提供了一种基于工况划分的火电厂运行多目标优化的确定方法。本发明是在机组海量运行数据的基础上，通过对数据库中的稳态运行数据进行工况划分的基础上，使用多目标优化算法挖掘最佳运行工况。首先对机组历史运行数据进行预处理及稳态运行数据删选，采用改进的k-means算法进行工况划分，完成多目标优化算法的数据集准备。最后通过nsga-ⅱ算法与理想点法的结合的多目标优化方法，得到每一特定工况下的最优值以及对应的运行参数，指导电厂实际运行。

首先对本发明中出现的技术名词作以下说明：

稳态运行数据：是指发电厂生产过程中机组在特定工况下运行稳定性达到一定的限制条件时，由这些稳定的数据代表该机组在特定工况下的稳态运行数据。

运行工况：是指其由一组状态参数表示，包含环境因素、燃料特性和负荷等不可控参数及相应的机组运行参数。

pareto最优解：给定一个可行点x*∈s，有有f(x*)＜f(x)，则x*称为多目标规划问题的绝对最优解。若不存在x∈s，使得f(x)＜f(x*)，则x*称为对目标规划问题的有效解，多目标规划问题的有效解也称为pareto最优解。

本发明具体采用如下技术方案：

一种基于工况划分的火电厂运行多目标优化的确定方法，包括如下步骤：

步骤1：首先对火电厂历史运行数据进行预处理，根据稳态运行的条件进行稳态数据的删选；

步骤2：利用火电机组稳态运行数据集，把机组运行工况按负荷、煤质和环境部温度三个外部条件参数作为依据对机组运行工况进行划分，其中利用改进的k-means算法对上述条件进行聚类分析，最后通过组合三类参数确定一个特定工况；

步骤3：确定火电机组性能指标参数，即经济性、环保性指标，对于每一个特定工况，利用nsga-ⅱ多目标算法，使用离散函数代替供电煤耗量函数和nox排放量函数选择出一组pareto解集；

步骤4：对步骤4中得到的pareto解集，使用基于角度-距离相似度的理想点法，选择出一个最优解，指导电厂在相似工况下运行。

在所述步骤1中，稳态数据的条件为机组负荷以及主蒸汽压力在一段时间内的差值与额定值的比值小于阈值。

在步骤2中所述改进的k-means算法具体优化为：

(1)根据评价准则函数选择k＝10左右的局部最优值来确定最优聚类数；

(2)提出适用于工况划分的基于数据分布的初始聚类中心优化方法。

在步骤3中所述火电机组多目标问题具体是以电厂煤耗为经济性指标和以nox排放为环保性指标的多目标问题。

在步骤3中所述离散函数代替供电煤耗量函数和nox排放量函数具体为：对种群内的个体，在数据库中找到与其值最接近的负荷；用该负荷对应的的性能指标即煤耗值和nox排放量分别作为该个体的两个目标函数值。

在步骤4中所述基于角度-距离的相似度理想点法是使用新相似度度量方法代替通常使用的欧氏距离，具体为：

与现有技术相比，本发明具有以下特征和有益效果：

(1)采用改进的k-means算法进行工况划分，得到的划分结果更合理，计算速度也更快，使后续的运行目标优化更准确。

(2)采用nsga-ⅱ多目标算法和理想点法的结合，解决了仅通过多目标算法得到的一组非劣解集无法给电厂提供准确的运行指导的问题。

(3)在nsga-ⅱ算法中，采用离散函数代替供电煤耗量函数和nox排放量函数，解决了机组煤耗特性曲线缺乏一致性和科学性的问题，使结果更贴合实际。

(4)采用基于角度-距离相似度的理想点法，得到的运行目标值更科学合理。

附图说明

图1为本发明一种基于工况划分的火电厂运行多目标优化的确定方法架构图。

图2为本发明改进k-means算法的流程图。

图3为本发明改进nsga-ⅱ算法的流程图。

具体实施方式

下面结合附图对本发明的技术方案做进一步详细说明。

如图1所示，一种基于工况划分的火电厂运行多目标优化的确定方法，包括如下步骤：

第一，首先需要对火电厂历史运行数据集进行数据预处理，提高数据挖掘的结果的有效性和正确性，降低数据挖掘所需要的时间。数据预处理包含多方面的内容包括检查数据的一致性，无效值和缺失值等，平滑数据集；无效值和缺失值的修正采用时间顺序上的前后临近值的平均值替代。由于电厂机组负荷变化导致历史数据库中存在一定量的非稳态运行数据，以机组负荷以及主蒸汽压力在一段时间内的差值与额定值的比值小于阈值为判断稳态数据的条件，从历史数据中删选出有效的稳态运行数据。

第二，利用火电机组稳态运行数据集，把机组运行工况按负荷、煤质参数和环境温度三个外部条件参数作为依据对机组运行工况进行划分。其中利用改进的k-means算法对上述条件进行聚类分析，最后通过组合三类参数确定一个特定工况。

本发明提出适合于工况划分的k-means聚类算法，通过优化聚类数k及初始聚类聚类中心的选择，获得快速、合理的划分结果。图2为改进的k-means聚类算法流程图。流程如下：

(1)根据经验，初始确定聚类数k；

(2)根据改进的初始聚类中心选择方式，确定初始聚类中心；

(3)采用欧式距离作为相似度度量方式，把数据点归到与它相似度最高的初始聚类中心的类中；对每个类，计算类中所有数据的平均值，作为新的聚类中心；

(4)重复步骤3直至聚类中心不再变化，并计算此时的判断最佳聚类数的函数值；

(5)令k＝k+1，重复步骤2～步骤4直至找到最优聚类数k，此时的聚类结果即为最后的划分结果。

其中，最优聚类数k根据评价准则函数来选择k＝10左右的局部最优值而确定，评价准则函数为：

式中，xij为第i类的第j个数据；ni为第i类的数据个数；mi为第i类的中心；xlr为第l类的第r个数据；nl为第l类的数据个数。即式(2-1)中，分子为类内数据与该类中心的距离之和，表示类内的紧密度；分母为类外数据与该类中心的距离之和，表示不同类间的分散度。因此该比值越小代表类内数据越集中，不同类间的数据越分散，划分越合理。

本发明通过提出一种基于数据分布的初始聚类中心优化方法来确定初始聚类聚类中心，即在所有数据中，找到数据分布最集中的前k个数据簇，将这些数据簇的中心点作为初始聚类中心。具体实现为：

(1)从第1个数据开始，找到与第1个数据距离最小的数据xj，将数据xj作为中心，把所有与数据xj距离小于d的数据划分为第j类，并计算第j类的类内数据个数nj

(2)对第i个类外数据，在未分类数据中找到与数据xi距离最小的数据xl，将数据xl作为中心，把所有与数据xl距离小于d的未分类数据划分为第l类，计算第l类的类内数据个数nl；

(3)重复步骤(2)，直到所有数据都被分类标记；

(4)对所有类包含的数据个数n进行排序，找到k个包含数据最多的类，输出对应的类中心，作为初始的聚类中心。

第三，确定火电机组性能指标参数，即经济性、环保性指标，对于每一个特定工况，利用nsga-ⅱ多目标算法选择出一组pareto解集。本发明对以供电煤耗为经济性指标和以nox排放量为环保性指标的多目标问题进行分析。在nsga-ⅱ算法中，需要计算合并后种群的各目标函数值。在电厂问题中，常用考虑阀点效应后的供电煤耗量函数和排放量函数作为目标函数。而然，从海量历史数据来分析并根据机组的运行特性，这种计算特性函数的方法存在一些问题，试验证明，多次用简单的最小二乘法来拟合不同的数据段得到的机组煤耗特性曲线缺乏一致性，是不科学的。

本发明用离散函数来代替供电煤耗量函数和nox排放量函数，具体实现为：在计算合并后种群的各目标函数值时，对种群内的个体，在数据库中找到与其值最接近的负荷；用该负荷对应的的性能指标即煤耗值和nox排放量分别作为该个体的两个目标函数值。

图3为改进后nsga-ⅱ算法的流程图。具体步骤如下：

(1)：设定迭代次数，随机产生规模为n的初始种群；

(2)：对初始种群进行非支配排序，然后通过遗传算法的选择、交叉、变异得到第一代子代种群；

(3)：对第t次迭代，将父代种群与子代种群合并，然后计算合并后种群的各目标函数值，即对合并后的个体i，在所有数据中找到与其值最接近的负荷，然后用该负荷对应的性能指标即煤耗值和nox排放量分别作为该个体的两个目标函数值。

(4)：进行快速非支配排序，并计算每个非支配层中个体的拥挤度，根据非支配关系以及个体的拥挤度选取组成新的父代种群

(5)：通过遗传算法的三个基本操作产生新的子代种群；

(6)：重复(3)～(5)，直到迭代结束。

第四，对于每一个特定工况经过nsga-ⅱ多目标算法后得到的pareto解集，采用基于角度-距离相似度的理想点法选择折衷最优解。角度-距离相似度度量方法具体为：

通过上述过程，对每一个特定工况都得到了在此工况下的最优运行状态以及对应的运行参数。将得到的最优目标值与同工况下的历史知识库进行比较，若最新的最优目标值优于历史最优目标值，则使用最新的目标值替代该工况下的历史最优目标值，作为火电机组运行参数在该工况下的优化目标值。