劉炳含， 付忠廣， 王永智， 王鵬凱， 高學偉

(華北電力大學 電站設備狀態(tài)監(jiān)測與控制教育部重點實驗室，北京 102206)

隨著信息數字化時代的迅速發(fā)展，電力行業(yè)信息化也得到快速發(fā)展。廠級監(jiān)控信息系統(SIS，Supervisory Information System)和分布式控制系統(DCS，Distributed Control System)在電廠得到廣泛應用，使得電廠海量運行數據得以保存，數據挖掘技術在電力行業(yè)迅速崛起，很多學者開始運用數據挖掘技術研究解決電站機組中遇到的問題[1-6]。數據挖掘聚類分析方法被廣泛應用于解決電站鍋爐效率和NOx排放等優(yōu)化問題。趙歡等[7]提出一種基于模糊C-均值聚類算法實現多參量同步聚類，以確定鍋爐監(jiān)控參數基準值的方法。錢瑾等[8]利用K-means算法分析實時運行數據，挖掘出再熱器壓損和鍋爐排煙溫度的基準值。

聚類分析[9]作為數據挖掘中的經典分析算法已經被廣泛應用于生物信息、網絡、圖像分析、智能推薦等許多領域。K-means(均值)[10]算法是一種經典的聚類算法，具有算法簡單、收斂速度快等優(yōu)點，在對數據進行挖掘聚類時得到廣泛應用。但在實際運用中，K-means算法也存在不足之處，該算法依賴初始聚類數目，在聚類結果中容易出現局部最優(yōu)解，隨著迭代總次數的增加，聚類耗時增加。同時，面對海量數據聚類會產生大量候選集及冗余數據集，降低聚類效率及準確率。為此，筆者首先引入粗糙集屬性約簡方法和Canopy聚類算法對K-means算法進行改進，并利用粗糙集屬性約簡方法對源數據進行簡化，剔除冗余數據；結合Canopy算法，利用其不需設定聚類數目的特點，對原始數據進行聚類分析，以確定初始聚類中心及聚類數目，再通過K-means算法進行迭代計算，得到最后的聚類結果，K-means算法的不足因此得到一定程度的彌補。

隨著智能電網的建設與普及，電廠DCS控制系統中儲存的發(fā)電數據量呈指數增加，使得傳統的數據挖掘算法無法滿足數據量、數據類型不斷增多的需求，落后的數據分析處理能力與數據快速增長之間的矛盾突顯。K-means算法在聚類過程中迭代總數增加，使得聚類效率降低、耗時增加，面對海量數據已經不能滿足需求。尋求大數據分析挖掘的高級方法成為亟需解決的問題。

云計算的出現適應了這種海量數據挖掘需求，云計算技術通過建立集群將儲存和計算能力分到集群中的多個儲存和計算節(jié)點上，從而實現了對大數據集的儲存和計算[11]。Hadoop是一個用于構建云平臺的Apache開源項目，其核心構件是分布式文件系統(HDFS)和MapReduce，HDFS對大文件實現儲存和容錯，MapReduce編程模式實現并行計算[12]。將Hadoop與傳統數據挖掘相結合的一個關鍵問題是傳統數據挖掘算法并行化的實現，并行化計算是現階段處理海量數據最有效的方法[13-16]。

面對電站機組海量、高維度數據，筆者引入粗糙集理論和Canopy算法對K-means算法進行改進，通過MapReduce編程模式對改進K-means算法實現并行化，以處理海量數據的計算，形成基于大數據技術的高效聚類算法，即RCK-means算法。與傳統K-means算法相比，新算法避免了出現局部最優(yōu)解，提高了聚類準確率，剔除了冗余數據集，并極大地提高了聚類效率。

1 相關工作背景

1.1 粗糙集理論

粗糙集理論是由波蘭數學家Pawlak于1982年提出的一種處理不確定性和不精確性問題的數據分析理論，其以信息系統為主要研究對象，在保持信息系統中數據分類能力不變的前提下，通過知識約簡確定問題的分類規(guī)則或決策[17]。與其他處理不確定問題的理論相比，粗糙集理論最顯著的區(qū)別在于其不需提供問題所需處理的數據集合之外的任何先驗知識，對其他理論有很強的互補性。目前，粗糙集理論在臨床醫(yī)療診斷、預測與控制、模糊識別與分類等很多領域得到廣泛應用[18]。

定義2設一個信息系統S=(U，A，V，f)，C∪D=A,C∩D=φ,若屬性集A由條件屬性集C和決策屬性集D構成，則稱S為一個決策信息系統。

定義3設一個信息系統S=(U，A，V，f)，?R?A，論域U上關于R的不可分辨關系(等價關系)定義為：

(1)

定義4設一個信息系統S=(U，A，V，f)，?X?U，R?A，則X基于等價關系IND(R)的上、下近似集分別定義為：

R*(X)={x∈U|[x]R∩X≠φ}

(2)

R*(X)={x∈U|[x]R?X}

(3)

集合PR=R*(X)稱為X基于等價關系IND(R)的正域；集合NR(X)=U-R*(X)稱為X基于等價關系IND(R)的負域；集合BR(X)=R*(X)-R*(X)稱為X基于等價關系IND(R)的邊界域。

當BR(X)≠φ，即R*(X)≠R*(X)時，則X為R的粗糙集。

定義5設P是論域U上的一個等價關系簇，R∈P，若IND(P-{R})≠IND(P)，則稱R為P的必需，否則不必需。若等價關系簇P中的每一門知識在P中都是必需的，則稱等價關系簇P是獨立的，否則是相關的。

定義6設P是論域U上的一個等價關系簇，Q?P且Q≠φ,若IND(Q)=IND(P)且Q是獨立的，則稱Q為P的一個約簡。而等價關系簇P的所有約簡形成的子簇稱為RED(P)，P中所有必需知識形成的子簇稱為P的核，記為CORE(P)。

定義7設P和G為論域U上的2個等價關系簇，G的P正域定義為：

Pp(G)=PIND(P)(IND(G))

(4)

定義8設P和G為論域U上的2個等價關系簇，且R∈P，若PP(G)≠PP-(R)(G)，則稱R為P中G相對必需的；否則稱R為P中G相對可約的。如果每一個R∈P都是G相對必需的，則稱P相對于G獨立；否則，稱P為G相關的。

定義9設P和G為論域U上的2個等價關系簇，若Q是P的G相對獨立子簇，且PQ(G)=PP(G)，則稱Q為P的一個G相對約簡。

屬性約簡是粗糙集理論的核心內容，其從原始特征中進行最佳子集選擇，在眾多特征中選擇最重要的特征，剔除冗余數據，降低數據維度，提高分析效率。筆者采用基于Pawlak屬性重要度的決策表屬性約簡算法進行屬性約簡，屬性約簡的基本框架如圖1[19]所示。

圖1 屬性約簡的基本框架

1.2 Canopy算法

Canopy算法思想：對于海量數據，將輸入的數據點使用距離測量方法劃分為一些重疊的簇，稱為Canopy，然后對處于Canopy中的點采用精度較高的計算方法進行聚類[20-21]。

1.3 K-means算法

K-means算法[10]是一種基于劃分聚類的經典無監(jiān)督學習算法，其基本思想是：在原始數據集合中，隨機選擇k個數據點，其初始值作為各個簇的中心。計算剩余非中心點的數據到各個簇中心的距離，將其分配到距離最近的聚類簇，然后重新計算每個簇的平均值，重新選取簇類中心點，不斷重復，直至目標準則函數收斂[21]。準則函數的定義為：

(5)

準則函數可以保證生成的簇盡可能緊湊，不同的簇之間盡可能獨立。

1.4 Hadoop平臺

Hadoop具有吞吐量大、效率高、可靠性好及自動容錯等優(yōu)點，近年來在處理海量數據方面應用廣泛。HDFS作為Hadoop的數據儲存管理框架，由一個負責文件控制管理的主節(jié)點NameNode和若干個負責文件儲存的從節(jié)點DataNode聚合成一個單一的全局文件系統。系統中的文件被分成數據塊，并被復制儲存在若干個從節(jié)點中，默認數據塊大小為64 MB。HDFS框架的可靠性體現在其將每一個數據塊分別復制儲存在3個獨立的從節(jié)點中，如果一個數據塊數據丟失，額外的副本數據仍可調用。

MapReduce是Hadoop的數據計算框架，適用于并行處理海量數據的分布式模型。Map(映射)函數和Reduce(歸約)函數是該框架的2大主要操作。將源數據文件按需求分成若干數據塊，以鍵值對的形式作為Map函數和Reduce函數的輸入輸出。其中，key為聚類類別；value為數據對應維度和與數據對象個數的累加值。數據塊通過相互獨立、并行的Map函數計算產生輸出值，輸出值排序、合并，將key值相同的運算結果作為Reduce函數的輸入值進行計算歸約并輸出。MapReduce的工作流程如圖2[22]所示。

圖2 MapReduce工作流程

2 RCK-means新算法流程

RCK-means算法采用基于MapReduce的順序組合編程模型，對源數據屬性約簡后，按順序采用MapReduce將算法分成2個子框架(即Canopy框架和K-means框架)完成。如圖3所示，具體算法流程如下：

(1) 根據粗糙集屬性約簡需求建立初始決策表，確定條件屬性和決策屬性，依據決策屬性與條件屬性的依賴度進行屬性約簡，剔除冗余數據，形成新數據集。

(2) Canopy算法Map階段，將屬性約簡的新數據集轉化成鍵值對形式發(fā)送到m個Map函數中。計算各個數據點距離閥值，將距離值與D1、D2進行比較并分類，經迭代生成Canopy集合。

(3) Canopy算法Reduce階段，將Map階段輸出結果并集計算，生成數據集合Q。對集合Q進行Canopy處理，不斷重復直至數據集合為空，得到聚類簇K及其中心點，作為K-means框架的輸入值。

(4) K-means算法Map階段，根據Canopy框架得到的聚類簇，將聚類簇以鍵值對形式輸入，計算每個節(jié)點數據到各個簇中心的距離，并將其分配至距離最近的簇，標記其聚類類別，以鍵值對形式輸出。

(5) Combine函數對Map函數的輸出值進行劃分處理，在本地完成同一簇數據的合并，將簇中數據所對應的維度值求和，并計算數據對象個數，以鍵值對形式輸出。

(6) K-means算法Reduce階段，接收Combine函數輸出值，解析各簇中數據對應維度值之和以及數據對象的總個數，得到新的聚類中心，并進行下一輪迭代，直至收斂。

圖3 RCK-means算法工作流程

3 改進RCK-means算法在鍋爐效率優(yōu)化中的應用

3.1 大數據技術應用于電站鍋爐效率優(yōu)化中的意義

電站鍋爐的節(jié)能降耗一直以來都是電站機組優(yōu)化控制的關鍵，鍋爐效率作為反映機組經濟性、環(huán)保性的重要參數，其優(yōu)化問題備受關注。目前，鍋爐效率優(yōu)化技術主要分為2類[23]：一類是通過改造燃燒器和受熱面來提高鍋爐效率，或是通過安裝先進檢測設備實時精確控制鍋爐運行重要參數。這類方法技術成熟、效果明顯，但耗費大量人力和財力。另一類是在DCS基礎上，利用人工智能、數據挖掘等方法尋找最優(yōu)運行參數，實現鍋爐效率優(yōu)化。 這類優(yōu)化方法依賴于建立精確優(yōu)化模型和科學方便的優(yōu)化算法，通常優(yōu)化模型方法存在建模復雜、泛化能力差及樣本獲取困難等缺點，實用效果不佳。

大數據挖掘技術以電站DCS系統積累的海量運行數據為基礎，以嚴謹的運算邏輯為依據，從熱力系統自身運行數據中分析挖掘影響鍋爐效率的因素，雖然挖掘得到的最優(yōu)運行參數值與理論最優(yōu)值存在一定偏差，但其詮釋了運行參數的歷史最優(yōu)可達值。筆者基于改進的K-means聚類算法結合Hadoop大數據處理框架，在海量運行數據中利用各數據集(簇)聚類中心點尋找影響鍋爐效率的最優(yōu)數據集(簇)，經過詳實的理論依據和數學驗證對海量運行數據進行挖掘，得到的挖掘結果具有極強代表性和可靠實際應用性，可對現場運行提供指導作用。

3.2 大數據挖掘對象

以某600 MW燃煤機組鍋爐為研究對象，該鍋爐采用擺動四角切圓燃燒器，選取2013-03-01—2013-05-31的運行數據129 600條，采樣周期為60 s。

3.3 確定大數據挖掘目標

筆者將鍋爐效率作為挖掘目標，通過RCK-means算法確定影響鍋爐效率的可調控運行參數，在典型負荷下，利用各聚類中心點與鍋爐效率的對應關系挖掘最優(yōu)性能參數，用于指導實際運行。鍋爐效率的影響因素眾多，以下分析各運行可調參數對鍋爐效率的影響，以此為基礎選取相關參數。

(1) 排煙氧量。

排煙氧量即過量空氣系數，在燃燒過程中，過量空氣系數過小，會使鍋爐未完全燃燒損失增加，燃燒不充分，鍋爐效率降低；過量空氣系數過大，可減少不完全燃燒損失，但會增加排煙損失，鍋爐效率降低。因此，選取適當的過量空氣系數范圍，對提高鍋爐效率與經濟運行至關重要。

(2) 磨煤機給煤量。

鍋爐負荷在一定范圍內，磨煤機組合差異及不同的煤量分配比會使火焰中心高度發(fā)生變化?；鹧嬷行母叨冗^高，將造成爐膛出口溫度升高及對流換熱量增加，各段工質吸熱量發(fā)生變化，從而影響鍋爐效率。

(3) 一、二次風參數。

一次風對鍋爐爐膛溫度有著極其重要的影響，爐膛溫度高，燃燒著火快，燃燒速度快，使燃燒更加完全；但爐膛溫度過高，會使燃燒逆反應加快，造成燃燒不完全。此外，一次風提高煤粉氣流溫度，可使煤粉著火提前，燃料燃燒時間充分，飛灰含碳量減少。二次風對著火穩(wěn)定性和燃燒燃盡過程起著重要作用。一、二次風的配合為爐內提供良好的空氣動力場，使得煤粉與空氣充分混合，保證煤粉完全燃燒。同時，二次風可加強擾動混合，破壞煤粉表層的燃盡灰層，有利于燃燒完全。

在鍋爐正常運行工況下，鍋爐一次風由燃料量按比例控制，即在實際運行過程中，一次風量與相應的燃料量線性相關，故一次風不作為選用參數。

(4) 燃燒器擺角。

對于四角切圓燃燒器鍋爐而言，燃燒器的擺動不但會造成火焰中心偏移，還會使切圓直徑發(fā)生變化，因此燃燒器擺角會對鍋爐效率產生影響。

(5) 排煙溫度和飛灰含碳量。

鍋爐排煙溫度和飛灰含碳量同樣是影響鍋爐效率的重要參數。鍋爐排煙熱損失過高或過低都會對鍋爐的經濟性和安全性產生影響。飛灰含碳量增加將造成鍋爐效率降低。排煙溫度和飛灰含碳量屬于燃燒狀態(tài)監(jiān)測參數，反映燃燒效率和燃燒狀態(tài)，因此不作為運行可調參數。

綜上所述，排煙氧量、磨煤機煤量、燃燒器擺角、一次風及二次風參數等都是影響鍋爐效率的重要因素，同時煤種質量和環(huán)境溫度等外界條件也對鍋爐效率影響很大。在選取確定煤種(準格爾煙煤)和冷風溫度(10～20 ℃)的情況下，通過選取與鍋爐效率密切相關、可實際調控的運行參數作為大數據挖掘對象，挖掘影響鍋爐效率的最優(yōu)目標值。表1為大數據挖掘的運行參數對象。

表1 鍋爐可調運行參數

3.4 大數據預處理

大數據預處理作為大數據挖掘技術至關重要的一環(huán)，主要包括下面幾個步驟：數據清洗、數據集成、數據轉換和數據歸約[24]。

由于DCS中歷史數據在收集過程中含有異常和噪聲數據較多，因此數據清洗過程格外重要。筆者采用的大數據處理方法本質是通過數據區(qū)間劃分來進行大數據分析和最優(yōu)解挖掘的，因此采用凝聚層次聚類等相關操作剔除離散點數據。

粗糙集理論屬性約簡的不可分辨關系決定了其只可處理離散型數據，而在DCS中采集的數據一般被認為是連續(xù)型數據，因此在屬性約簡前需對數據進行離散化。數據離散化方法多種多樣，傳統的離散化方法對區(qū)間分割點的選取十分困難，而區(qū)間劃分結果對粗糙集分析也會產生很大影響，離散差異容易造成有價值數據丟失。筆者采用模糊集與粗糙集相結合的模糊粗糙集離散方法[25]，利用模糊性和粗糙性2種不確定性數學方法形成的數據相似度對數據集合進行“柔化分”和屬性約簡。這種方法可有效克服粗糙集對邊界值過于苛刻的缺點，同時避免了有價值數據的丟失。

3.5 Hadoop平臺搭建

首先在服務器上安裝Linux Centos 6.5操作系統，并設置root用戶自動訪問，再下載解壓Hadoop-1.2.1及JDK-1.6.0并安裝，其間要保證服務器上Hadoop和JDK的安裝路徑HADOOP_HOME和JAVA_HOME一致。然后設置SSH免密碼登錄以實現各節(jié)點間的無密碼訪問，同時保障數據傳輸的安全性。Hadoop平臺的配置主要是對conf/core-site.xml、conf/mapred-site.xml和conf/hdfs-site.xml 3個文件進行配置。其中，conf/core-site.xml文件設置Hadoop的全局屬性參數，conf/mapred-site.xml文件設置MapReduce的運行任務參數，conf/hdfs-site.xml文件設置HDFS的數據備份參數。完成Hadoop基本配置后，在Hadoop根目錄下對HDFS執(zhí)行格式化命令，查看各節(jié)點運行狀況并運行Hadoop環(huán)境。

3.6 大數據挖掘算法應用及結果

用第2.1節(jié)所示基于Pawlak屬性重要度的決策表屬性約簡算法對所選數據進行屬性約簡，將12個運行參數作為條件屬性，鍋爐效率作為決策屬性，其中每一個運行參數均被作為屬性約簡的一個屬性。采用依賴度增量最大的啟發(fā)式快速約簡方法，設置依賴度增量閾值Δγ=0.005，當依賴度增量大于閾值時，則該屬性歸于約簡中。由于A送風機動葉開度與B送風機動葉開度呈近似線性關系，其依賴度增量變化值小于Δγ，故將A送風機動葉開度作為一個約簡，其他屬性約簡亦如此。經計算得到與原數據集具有相同分類能力且依賴度增量最大的屬性約簡集結果RED(P)={a3，a4，a12}，其中各約簡的屬性依賴度如表2所示。

應用RCK-means算法對約簡后的數據集進行數據挖掘。設置Hadoop平臺最小支持度為2%(即某負荷區(qū)間數據聚類個數不小于數據總數量的2%)。將鍋爐負荷采用K-means聚類分為290～326 MW，327～357 MW，358～387 MW，388～415 MW，416～441 MW，442～477 MW，478～512 MW，513～544 MW，545～579 MW，580～603 MW等10個負荷段。根據算法流程對已約簡數據集進行大數據挖掘，尋找各聚類中心點與鍋爐效率對應關系的最優(yōu)解?，F以負荷388～415 MW的聚類結果為例進行分析，聚類結果如表3所示。表3中，第8類的鍋爐效率最高，且類中有足夠多的數據元組，可將其定為一個樣本點。依此方法，選取其他各負荷區(qū)間聚類結果樣本點，得到如表4所示的樣本點集。

表2 約簡屬性依賴度

由表4可以得出負荷與各可調參數在確定煤種和冷風溫度(10～20 ℃)下的優(yōu)化曲線，現以排煙氧量的優(yōu)化曲線和設計曲線為例進行對比。如圖4所示，鍋爐排煙氧量只給定了機組300 MW、450 MW和600 MW負荷工作點的設計數值，可以發(fā)現排煙氧量的設計值與優(yōu)化值存在很大偏差。在低負荷時，排煙氧量優(yōu)化值高于設計值，由于低負荷時鍋爐著火及燃燒條件差，適當地增加排煙氧量有利于減少不完全燃燒熱損失，提高鍋爐效率；在負荷增加至約550 MW及以上時，鍋爐燃燒趨于穩(wěn)定，排煙氧量優(yōu)化值逐漸減小，直至低于設計值，由于高負荷時鍋爐燃燒穩(wěn)定，適當地降低排煙氧量有利于減少排煙熱損失。因此，在機組實際運行中，為保證不同運行工況下達到較高的效率，不能采用設計值，應分別對機組不同工況簇下的運行數據進行優(yōu)化，選取各參數的最優(yōu)目標值。圖5和圖6分別給出了燃燒器擺角及B送風機動葉開度的優(yōu)化曲線以及機組300 MW、400 MW、500 MW和600 MW負荷工作點的習慣運行數值組成的運行曲線。由圖5可知，燃燒器擺角的優(yōu)化曲線與運行曲線存在一定差異，從優(yōu)化曲線可以看出，隨著負荷的增加，燃燒器擺角逐漸減??；當負荷達到400 MW時，燃燒器擺角呈增大趨勢，由于負荷的增加，上層磨煤機啟動，給煤量增加，火焰中心位置上升，二次風量增加，為防止爐膛出口煙氣溫度升高及對流受熱面結渣，燃燒器擺角增大；隨著負荷的不斷增加，火焰中心位置上升，燃燒器擺角逐漸減小。由圖6可知，送風機動葉開度的優(yōu)化曲線與運行曲線大致趨勢相同，但也存在一定差異。由優(yōu)化曲線可知，在低負荷時，送風機動葉開度較小，當負荷達到375 MW時，送風機動葉開度逐漸增大，其原因是在高負荷時，為了控制污染物排放和防止燃燒器噴口結焦及總風量的限制，需要提高一、二次風配比，因此送風機動葉開度變大。

表3 第4負荷區(qū)間鍋爐效率聚類分析結果

表4 各負荷區(qū)間對應鍋爐效率最高的樣本點

圖4 排煙氧量的優(yōu)化和設計曲線

圖5 燃燒器擺角的優(yōu)化曲線

圖6 B送風機動葉開度優(yōu)化曲線

但應注意的是，得到的各個參數的優(yōu)化曲線值不可單獨考慮，各優(yōu)化參數值是一個整體共存的關系，為使鍋爐效率達到較高水平，應設置各優(yōu)化參數均在最優(yōu)值區(qū)間。鍋爐效率的優(yōu)化曲線與設計標準曲線的關系如圖7所示。由圖7可知，鍋爐效率優(yōu)化曲線的效率值較設計曲線提高很多，隨著負荷的增加，優(yōu)化值與設計值的差值變小。采用RCK-means算法選取影響鍋爐效率的可調控運行參數進行鍋爐效率大數據挖掘優(yōu)化，經優(yōu)化后鍋爐效率可以達到歷史較佳水平。

圖7 鍋爐效率的優(yōu)化和設計曲線

4 結 論

合理確定運行參數優(yōu)化目標值是火電機組優(yōu)化運行的核心問題?；诖髷祿夹g處理方法，挖掘出影響鍋爐效率的最優(yōu)運行參數。RCK-means新算法避免了出現局部最優(yōu)解，提高了聚類準確率，剔除了冗余數據集，并極大地提高了聚類效率。同時，利用并行算法解決了傳統數據處理方法無法勝任海量數據處理的不足。通過對電站機組實際運行數據進行挖掘，得到典型負荷下可調運行參數的最優(yōu)目標值。在機組實際運行中，為保證不同運行工況下達到較高的鍋爐效率，不能采用設計值，應設置各優(yōu)化參數均在最優(yōu)值區(qū)間，分別對機組不同工況簇下的運行數據進行優(yōu)化，選取各參數的最優(yōu)目標值。

參考文獻：

[1] 齊敏芳, 付忠廣, 景源, 等. 基于信息熵與主成分分析的火電機組綜合評價方法[J].中國電機工程學報, 2013, 33(2): 58-64.

QI Minfang, FU Zhongguang, JING Yuan, et al. A comprehensive evaluation method of power plant units based on information entropy and principal component analysis[J].ProceedingsoftheCSEE, 2013, 33(2): 58-64.

[2] 付文峰, 侯艷峰, 王藍婧, 等. 基于自適應粒子群算法的燃煤-捕碳機組熱力系統優(yōu)化設計[J].動力工程學報, 2016, 36(9): 746-752.

FU Wenfeng, HOU Yanfeng, WANG Lanjing, et al. Optimized design for thermodynamic system of coal-fired power plants with CO2capture based on AWPSO algorithm[J].JournalofChineseSocietyofPowerEngineering, 2016, 36(9): 746-752.

[3] 崔超, 劉吉臻, 楊婷婷. 基于GA和模糊關聯規(guī)則的鍋爐脫硝經濟性優(yōu)化[J].動力工程學報, 2016, 36(4): 300-306.

CUI Chao, LIU Jizhen, YANG Tingting. Economical optimization of a boiler denitration system based on GA and fuzzy association rules[J].JournalofChineseSocietyofPowerEngineering, 2016, 36(4): 300-306.

[4] 付忠廣, 齊敏芳. 基于最大熵投影尋蹤耦合的燃煤機組節(jié)能減排評價方法研究[J].中國電機工程學報, 2014, 34(26): 4476-4482.

FU Zhongguang, QI Minfang. Study on the evaluation method of energy-saving and emission reduction of coal-fired units based on projection pursuit method coupled with maximum entropy[J].ProceedingoftheCSEE, 2014, 34(26): 4476-4482.

[5] 余廷防, 耿平, 霍二光, 等. 基于智能算法的燃煤電站鍋爐燃燒優(yōu)化[J].動力工程學報, 2016, 36(8): 594-599.

YU Tingfang, GENG Ping, HUO Erguang, et al. Combustion optimization of a coal-fired boiler based on intelligent algorithm[J].JournalofChineseSocietyofPowerEngineering, 2016, 36(8): 594-599.

[6] 高芳, 翟永杰, 卓越, 等. 基于共享最小二乘支持向量機模型的電站鍋爐燃燒系統的優(yōu)化[J].動力工程學報, 2012, 32(12): 928-933, 940.

GAO Fang, ZHAI Yongjie, ZHUO Yue, et al. Combustion optimization for utility boilers based on sharing LSSVM model[J].JournalofChineseSocietyofPowerEngineering, 2012, 32(12): 928-933, 940.

[7] 趙歡, 王培紅, 錢瑾, 等. 基于模糊C-均值聚類的鍋爐監(jiān)控參數基準值建模[J].中國電機工程學報, 2011, 31(32): 16-22.

ZHAO Huan, WANG Peihong, QIAN Jin, et al. Modeling for target-value of boiler monitoring parameters based on fuzzy C-means clustering algorithm[J].ProceedingsoftheCSEE, 2011, 31(32): 16-22.

[8] 錢瑾, 王培紅, 李琳. 聚類算法在鍋爐運行參數基準值分析中的應用[J].中國電機工程學報, 2007, 27(23): 71-74.

QIAN Jin, WANG Peihong, LI Lin. Application of clustering algorithm in target-value analysis for boiler operating parameter[J].ProceedingsoftheCSEE, 2007, 27(23): 71-74.

[9] QIAN Weining, ZHOU Aoying. Analyzing popular clustering algorithms from different viewpoints[J].JournalofSoftware, 2002, 13(8): 1382-1394.

[10] MACQUEEN J. Some methods for classification and analysis of multivariate observations[C]//Proceedingsofthe5thBerkeleySymposiumonMathematicalStatisticsandProbability. Berkeley, USA: University of California Press, 1967.

[11] 王意潔, 孫衛(wèi)東, 周松, 等. 云計算環(huán)境下的分布存儲關鍵技術[J].軟件學報, 2012, 23(4): 962-986.

WANG Yijie, SUN Weidong, ZHOU Song, et al. Key technologies of distributed storage for cloud computing[J].JournalofSoftware, 2012, 23(4): 962-986.

[12] 王彥明, 奉國和, 薛云. 近年來Hadoop國內外研究綜述[J].計算機系統應用, 2013, 22(6): 1-5, 28.

WANG Yanming, FENG Guohe, XUE Yun. Summary of Hadoop research in recent years in foreign countries[J].ComputerSystems&Applications, 2013, 22(6): 1-5, 28.

[13] 趙莉, 侯興哲, 胡君, 等. 基于改進K-means算法的海量智能用電數據分析[J].電網技術, 2014, 38(10): 2715-2720.

ZHAO Li, HOU Xingzhe, HU Jun, et al. Improved K-means algorithm based analysis on massive data of intelligent power utilization[J].PowerSystemTechnology, 2014, 38(10): 2715-2720.

[14] 王德文, 孫志偉. 電力用戶側大數據分析與并行負荷預測[J].中國電機工程學報, 2015, 35(3): 527-537.

WANG Dewen, SUN Zhiwei. Big data analysis and parallel load forecasting of electric power user side[J].ProceedingsoftheCSEE, 2015, 35(3): 527-537.

[15] 宋亞奇, 周國亮, 朱永利, 等. 云平臺下并行總體經驗模態(tài)分解局部放電信號去噪方法[J].電工技術學報, 2015, 30(18): 213-222.

SONG Yaqi, ZHOU Guoliang, ZHU Yongli, et al. Research on parallel ensemble empirical mode decomposition denoising method for partial discharge signals based on cloud platform[J].TransactionsofChinaElectrotechnicalSociety, 2015, 30(18): 213-222.

[16] 萬祥, 胡念蘇, 韓鵬飛, 等. 大數據挖掘技術應用于汽輪機組運行性能優(yōu)化的研究[J].中國電機工程學報, 2016, 36(2): 459-467.

WAN Xiang, HU Niansu, HAN Pengfei, et al. Research on application of big data mining technology in performance optimization of steam turbines[J].ProceedingsoftheCSEE, 2016, 36(2): 459-467.

[17] PAWLAK Z. Rough sets[J].InternationalJournalofComputer&InformationSciences, 1982, 11(5): 341-356.

[18] 胡可云, 陸玉昌, 石純一. 粗糙集理論及其應用進展[J].清華大學學報(自然科學版), 2001, 41(1): 64-68.

HU Keyun, LU Yuchang, SHI Chunyi. Advances in rough set theory and its appliations[J].JournalofTsinghuaUniversity(ScienceandTechnology), 2001, 41(1): 64-68.

[19] 李天瑞, 羅川, 陳紅梅, 等. 大數據挖掘的原理與方法——基于粒計算與粗糙集的視角[M]. 北京: 科學出版社, 2016: 24-31.

[20] 孫吉貴, 劉杰, 趙連宇. 聚類算法研究[J].軟件學報, 2008, 19(1): 48-61.

SUN Jigui, LIU Jie, ZHAO Lianyu. Clustering algorithms research[J].JournalofSoftware, 2008, 19(1): 48-61.

[21] 高榕, 李晶, 肖雅夫, 等. 基于云環(huán)境K-means聚類的并行算法[J].武漢大學學報(理學版), 2015, 61(4): 368-374.

GAO Rong, LI Jing, XIAO Yafu, et al. Parallel algorithm based on K-means clustering in cloud environment[J].JournalofWuhanUniversity(NaturalScienceEdition), 2015, 61(4): 368-374.

[22] 王德文, 劉曉建. 基于MapReduce的電力設備并行故障診斷方法[J].電力自動化設備, 2014, 34(10): 116-120.

WANG Dewen, LIU Xiaojian. Parallel fault diagnosis based on MapReduce for electric power equipments[J].ElectricPowerAutomationEquipment, 2014, 34(10): 116-120.

[23] 楊婷婷. 基于數據的電站節(jié)能優(yōu)化控制研究[D]. 北京: 華北電力大學, 2010.

[24] 方洪鷹. 數據挖掘中數據預處理的方法研究[D]. 重慶: 西南大學, 2009.

[25] WU Weizhi, MI Jusheng, ZHANG Wenxiu. Generalized fuzzy rough sets[J].InformationSciences, 2003, 151: 263-282.