(19)中华 人民共和国 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 202111411772.0 (22)申请日 2021.11.24 (71)申请人 北京华能新锐控制技 术有限公司 地址 102209 北京市昌平区北七家未来科 技城南区华能人才创新创业基地 实验 楼B座 (72)发明人 麻红波　杨继明　李洪灯　张澈　 陈岩磊　曹利蒲　李丹阳　 (74)专利代理 机构 北京中知法苑知识产权代理 有限公司 1 1226 代理人 李明　赵吉阳 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/00(2006.01) G06Q 10/04(2012.01) (54)发明名称 基于改进K-means算法的锅炉燃烧优化控制 方法及装置 (57)摘要 本公开提供一种基于改进K ‑means算法的锅 炉燃烧优化控制方法及装置。 所述方法包括： 采 集锅炉的实时运行数据， 并将所述实时运行数据 进行预处理； 将预处理后的实时运行数据划分为 训练集和测试集； 采用改进K ‑means算法对训练 集中的实时运行数据进行聚类， 具体包括： 先采 用粒子群算法优化K ‑means聚类中心， 之后采用 K‑means算法对所述实时运行数据进行聚类； 基 于所述聚类后的实时运行数据， 对 预设的贝叶斯 最小二乘支持向量机模型进行训练， 得到锅炉燃 烧优化控制模 型； 利用所述锅炉燃烧优化控制模 型对锅炉燃烧进行控制。 能提高聚类算法的准确 率， 使锅炉在最佳工艺参数下进行燃烧， 达到提 高热效率的目的。 权利要求书2页 说明书6页 附图3页 CN 114139619 A 2022.03.04 CN 114139619 A 1.一种基于改进K ‑means算法的锅炉燃烧 优化控制方法， 其特 征在于， 所述方法包括： 采集锅炉的实时运行 数据， 并将所述实时运行 数据进行 预处理； 将预处理后的实时运行 数据划分为训练集和 测试集； 采用改进K ‑means算法对训练集 中的实时运行数据进行 聚类， 具体包括： 先采用粒子群 算法优化K ‑means聚类中心， 之后采用K ‑means算法对所述实时运行 数据进行聚类； 基于所述聚类后的实时运行数据， 对预设的贝叶斯最小二乘支持向量机模型进行训 练， 得到锅炉燃烧 优化控制模型； 利用所述锅炉燃烧 优化控制模型对锅炉燃烧进行控制。 2.根据权利要求1所述的方法， 其特征在于， 所述采用粒子群算法优化K ‑means聚类中 心， 包括： 对于粒子群进行初始化操作； 根据粒子群算法中惯性权重， 更新粒子的初始速度和初始位置， 并且依照最近邻原理 划分数据集， 计算粒子的适应度值并排序； 每个粒子选择离均值初始中心最近的数据样本对象作为 新的簇的中心； 将数据样本中每 个数据对象指派到最相似的簇中； 计算每个簇的均值， 选择离其最近的数据对象作为新的簇中心， 并判断中心点是否稳 定； 如果稳定， 则将该中心点作为K ‑means聚类中心进行聚类； 不稳定则继续执 行上述步骤。 3.根据权利要求2所述的方法， 其特征在于， 所述采用K ‑means算法对所述实时运行数 据进行聚类， 包括： 将t＝1测试数据Pt划分样本数据到最相似簇， 计算适应度并搜索该工况中最大热效 率； 对原始样本中热效率进行 更新； 判断是否所有样本搜索满足完成的结束条件， 不满足转向上述步骤， 否则， 输出聚类结 果。 4.根据权利要求1至 3任一项所述的方法， 其特 征在于， 所述方法还 包括： 假 设 在 现 场 采 集 到 的 数 据 集 为 S ＝ { P1，. . .，Pt，. . .，Pn} ，其 中 ， 表示在t时刻采集到的第k个可调参数， 表示在t时刻采集到的第m个不可调参数， et表示目标参数； 对于某一时刻τ采集到的工况Pτ， 它的热效率值为eτ； 在采集到的历史数据库中搜索出 距离工况Pτ最近且热效率eψ＞eτ的工况Pψ， 其中， 时间ψ＜τ； 因为Pψ与Pτ的距离很近， 因此可 以认为Pψ与Pτ是一类问题， 即它们有近似相同的特征； 所以提取Pψ的可调参数， 并赋予到Pτ 的可调参数中， 即： 因此认为在时刻τ的热效率 eτ就可以调整到eψ。 5.根据权利要求1至3任一项所述的方法， 其特征在于， 所述将所述实时运行数据进行 预处理， 包括： 将所述实时运行数据预先经过非加权组平均法UPGMA处理， 剔除掉噪声数据和边缘数 据。 6.一种基于改进K ‑means算法的锅炉燃烧 优化控制装置， 其特 征在于， 所述装置包括：权　利　要　求　书 1/2 页 2 CN 114139619 A 2采集模块， 用于采集锅炉的实时运行 数据， 并将所述实时运行 数据进行 预处理； 划分模块， 用于将预处 理后的实时运行 数据划分为训练集和 测试集； 聚类模块， 用于采用改进K ‑means算法对训练集中的实时运行数据进行聚类， 具体包 括： 先采用粒子群算法优化K ‑means聚类中心， 之后采用K ‑means算法对所述实时运行数据 进行聚类； 训练模块， 用于基于所述聚类后的实时运行数据， 对预设的贝叶斯最小二乘支持向量 机模型进行训练， 得到锅炉燃烧 优化控制模型； 控制模块， 用于利用所述锅炉燃烧 优化控制模型对锅炉燃烧进行控制。 7.根据权利要求6所述的装置， 其特 征在于， 所述聚类模块， 具体还用于： 对于粒子群进行初始化操作； 根据粒子群算法中惯性权重， 更新粒子的初始速度和初始位置， 并且依照最近邻原理 划分数据集， 计算粒子的适应度值并排序； 每个粒子选择离均值初始中心最近的数据样本对象作为 新的簇的中心； 将数据样本中每 个数据对象指派到最相似的簇中； 计算每个簇的均值， 选择离其最近的数据对象作为新的簇中心， 并判断中心点是否稳 定； 如果稳定， 则将该中心点作为K ‑means聚类中心进行聚类； 不稳定则继续执 行上述步骤。 8.根据权利要求7 所述的装置， 其特 征在于， 所述聚类模块， 具体还用于： 将t＝1测试数据Pt划分样本数据到最相似簇， 计算适应度并搜索该工况中最大热效 率； 对原始样本中热效率进行 更新； 判断是否所有样本搜索满足完成的结束条件， 不满足转向上述步骤， 否则， 输出聚类结 果。 9.一种电子设备， 其特 征在于， 包括： 一个或多个处 理器； 存储单元， 用于存储一个或多个程序， 当所述一个或多个程序被所述一个或多个处理 器执行时， 能使得 所述一个或多个处 理器实现根据权利要求1至 5任一项所述的方法。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序 被处理器执行时能实现根据权利要求1至 5任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 114139619 A 3