1.一种火电机组汽轮机优化方法,其特征是,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;
其中,所述构建面向稀疏数据的模式增长类关联规则挖掘算法,包括:S31、设定最小支持度阈值,遍历稀疏事务数据集,记为D,统计各项频数,生成频繁项列表,记为F_List;
S32、遍历F_List,对频繁项标号,生成项头表,记为H‑Table,包括项号、支持度计数和链接指针;
S33、筛去D中的非频繁项,转化存储为二进制矩阵,记为PBM,其中为“1”的元素表示在某个事务中含有该元素对应F‑List中的某个频繁项,为“0”的元素表示在某个事务中不含有该元素对应F‑List中的某个频繁项;
S34、扫描PBM,调整H‑Table中的指针,将PBM中每行首个“1”所在位置和频繁项项头表H‑Table中对应频繁项链接,提取PBM中首个“1”在相同位置的行,生成多个子PBM,将挖掘全部频繁项集的任务转化为多个挖掘局部频繁项集的子任务;
S35、聚合局部频繁项集,输出全部频繁项集;
所述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,包括:S41、启动Apache Spark,主节点读取稀疏事务数据集D,并将D水平切割成大小相等且连续的P个数据块,分别发送到P个从节点;
S42、每个从节点遍历一次各自的数据块,计算所有项的支持度计数,并发送至主节点;
S43、主节点比较所有项的支持度计数与最小支持度阈值,筛选出频繁项,生成F_List和H‑Table,并将F_List和H‑Table发送到P个从节点;
S44、每个从节点根据F_List,再次遍历各自的数据块,按步骤S33转化存储为PBM,并统计PBM中首个在相同位置的“1”的行的个数,列号对应H‑Table中的项号,形成项号、行数,发送到主节点;
S45、主节点将相同项号的行数相加,根据基于矩阵计算的负载均衡策略进行分组,生成分组列表,记为G_List,发送到P个从节点;
S46、从节点根据G‑List在从节点之间交换PBM中的数据;
S47、数据交换完成后,各从节点根据G‑List和步骤S34,挖掘局部频繁项集;
S48、从节点将局部频繁项集发送至主节点进行汇总,得到全部频繁项集,即稀疏事务数据集D的频繁项集。
2.根据权利要求1所述的火电机组汽轮机优化方法,其特征是,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。
3.根据权利要求1所述的火电机组汽轮机优化方法,其特征是,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,认为机组处于稳定运行工况。
4.根据权利要求1所述的火电机组汽轮机优化方法,其特征是,所述子任务包括以下步骤:S341、扫描子PBM,对每列求和,更新对应子PBM的子项头表H‑Table中频繁项的支持度计数;
S342、利用指针将子PBM中和大于最小支持度阈值的列与子H‑Table中对应频繁项链接起来,增长为更长的局部频繁项集;
S343、递归执行S341和S342,直到子PBM每列的和小于最小支持度阈值。
5.根据权利要求1所述的火电机组汽轮机优化方法,其特征是,所述基于矩阵计算的负载均衡策略,包括:S451、主节点将行数相加后的项号、行数按行数递减顺序进行排序;
S452、主节点根据F_List和H‑Table间频繁项与项号一一对应的关系,将排序后的项号、行数转化为按此顺序排序的频繁项;
S453、主节点按从两端开始的组合顺序依次组合频繁项,分为P组;
S454、主节点依次扫描P组中的频繁项,生成分组列表G_List。
6.根据权利要求1所述的火电机组汽轮机优化方法,其特征是,所述采用模糊C均值聚类算法离散化历史运行数据,包括:使用字母加数字的形式标记离散化后的数据区间,并用每条数据所在区间的标号替换其数值。
7.一种火电机组汽轮机优化系统,其特征是,包括:
第一模块,用于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;
第二模块,用于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;
第三模块,用于构建面向稀疏数据的模式增长类关联规则挖掘算法;
第四模块,用于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;
第五模块,用于采用模糊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;
其中,所述构建面向稀疏数据的模式增长类关联规则挖掘算法,包括:S31、设定最小支持度阈值,遍历稀疏事务数据集,记为D,统计各项频数,生成频繁项列表,记为F_List;
S32、遍历F_List,对频繁项标号,生成项头表,记为H‑Table,包括项号、支持度计数和链接指针;
S33、筛去D中的非频繁项,转化存储为二进制矩阵,记为PBM,其中为“1”的元素表示在某个事务中含有该元素对应F‑List中的某个频繁项,为“0”的元素表示在某个事务中不含有该元素对应F‑List中的某个频繁项;
S34、扫描PBM,调整H‑Table中的指针,将PBM中每行首个“1”所在位置和频繁项项头表H‑Table中对应频繁项链接,提取PBM中首个“1”在相同位置的行,生成多个子PBM,将挖掘全部频繁项集的任务转化为多个挖掘局部频繁项集的子任务;
S35、聚合局部频繁项集,输出全部频繁项集;
所述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,包括:S41、启动Apache Spark,主节点读取稀疏事务数据集D,并将D水平切割成大小相等且连续的P个数据块,分别发送到P个从节点;
S42、每个从节点遍历一次各自的数据块,计算所有项的支持度计数,并发送至主节点;
S43、主节点比较所有项的支持度计数与最小支持度阈值,筛选出频繁项,生成F_List和H‑Table,并将F_List和H‑Table发送到P个从节点;
S44、每个从节点根据F_List,再次遍历各自的数据块,按步骤S33转化存储为PBM,并统计PBM中首个在相同位置的“1”的行的个数,列号对应H‑Table中的项号,形成项号、行数,发送到主节点;
S45、主节点将相同项号的行数相加,根据基于矩阵计算的负载均衡策略进行分组,生成分组列表,记为G_List,发送到P个从节点;
S46、从节点根据G‑List在从节点之间交换PBM中的数据;
S47、数据交换完成后,各从节点根据G‑List和步骤S34,挖掘局部频繁项集;
S48、从节点将局部频繁项集发送至主节点进行汇总,得到全部频繁项集,即稀疏事务数据集D的频繁项集。