大数据挖掘工业锅炉性能升级研究.docVIP

大数据挖掘工业锅炉性能升级研究 摘要:以600MW燃煤发电机组为基本对象，向其中引入大数据挖掘技术，在其支持下探寻影响锅炉效率的典型因素，确定与各项参数相适应的最佳设定值。经研究得知，实行与大数据特性相符的计算方法，可获得适用于锅炉运行特性的目标值，以达到提升锅炉工作效率、节能减排的效果。 关键词:大数据挖掘;锅炉性能;优化研究 置身于互联网大背景下，各领域都被贴上数字化的标签，于电力行业而言亦是如此，正逐步朝着信息化的方向发展，现阶段以监控信息系统的应用最为广泛，受惠于现代信息技术，可确保各类数据的完整性，实现对数据的有效存储［1-2］。 1相关工作背景 1.1粗糙集理论。Pawlak经研究后提出粗糙集理论，其基本应用对象为信息数据系统，依托于粗糙集理论可实现高效化的数据分类，并确保信息分类能力的稳定性，使其在较长一段时间内不发生改变［3］。相较于前人的研究理论而言，Pawlak所提出的理论能够简化问题解决思路，实际分析工作中无需得到除数据库外的其他知识的支持，且具备与其余理论互补的条件。在长期发展之下，粗糙集理论已经得到广泛应用，在临床医学等领域均见其身影。粗糙集理论的鲜明特点在于属性约简，选取原始特征，在此基础上经筛选后获得最佳子集，并进一步选择突出特征，将大量无用数据删除，达到有效缩小数据维度的效果，有助于提升数据的研究效益［4-6］。本文也充分运用了粗糙集理论，引入了决策表属性约简算法，从而达到属性约简的效果，具体流程如图1所示。1.2Hadoop平台。依托于MapＲeduce主框架，可实现对数据的分析，此处采取的框架形式具有较强适用性，可实现对多类大数据问题的处理。其内置有Map和Ｒeduce函数，具体指的是映射与归约函数，在其支持下可实现对数据的高效处理。立足于实际情况，针对数据源展开分散处理，基于＜key，value＞键值，在其作用下可实现对函数值的输入与输出。各数据块都存在与之相对应的Map函数，能够达到数据计算结果输出的效果，随后再针对输出数据实行排列，产生Ｒeduce函数输入值，以便给后续计算工作提供支持。关于MapＲeduce框架的运行流程，具体内容如图2所示。 2ＲCK－means新算法流程 通过上述提及的MapＲeduce，经顺序组合后可得到特定程序，即ＲCK－means算法。类似于上述操作机制，需执行属性约简操作，实现对数据原件的处理，随后再一次执行Canopy与K－means子框架。关于各流程，具体内容如图3所示。(1)在粗糙集理论的支持下，可形成初始决策表，并判定具体的条件与决策属性，通过对各自属性依赖度的分析，实现进一步的属性约简处理，经此环节后可筛除大量无关数据，余下的有用数据便可构成特性集合。(2)通过Canopy算法中的Map函数，可实现对新数据几何的转换，使其成为与＜key，value＞键值相对应的方式，随后分别置于多个Map函数中以便做后续计算处理，求得各数据块对应的距离阈值，以D1、D2为基准，将所得结果与之对比分析，经迭代处理后产生集合，具体指的是Canopy集合。(3)通过Ｒeduce函数，可实现对上述Map结果的进一步处理，即并集操作，此时可以得到Q集合，随后再运行Canopy流程，针对既有的程序展开多次处理，最终使得集合为空，便可求得聚类簇K，获得此结果后可将其作为输入值，以便做后续的处理。(4)在上述基础上，通过K－means算法中Map函数，可求得聚类簇，将所得结果通过＜key，value＞键值对输入，便可求得节点与中心点距离，将上述操作后所得的结果汇总，展开分类处理，并采取相同的方式将结果输出。(5)基于Combine函数，能够实现对上述输出值的处理，将其分类后再数据归集，在求得各数据维度值的基础上，做进一步的总和计算。(6)通过K－means算法中的Ｒeduce函数，针对(5)中求得的结果加以分析，考虑各数据的维度值，为之实行总和计算，并明确数据的具体数量，随后可创建新的聚类中心，以此为基础重新迭代，最终收敛。 3在锅炉效率优化中的研究 3.1运用大数据技术的意。义较为典型的优化方式有两种:第一，从燃烧器与受热面入手，为之采取升级整改措施，从而达到提升运行效率的效果，或是适配先进设备，在其支持下实现对参数的监测。尽管此方法的应用效果良好，但对于人力与财力的需求较大，因此经济效益较低。第二，基于DCS的数据挖掘技术，从而实现对锅炉性能的分析并确定合适的参数，此方式模型优化工作量相对较大，且在实际处理中易出现样本获取难度大的情况，不具备较高的实用性。DCS系统储有丰富的数据，将其作为实行大数据技术的基本支持，创建严密的计算流程，针对热力系统中涉及到的大量数据展开分析，从中确定与