基于數據挖掘的火電廠設備狀態(tài)檢修研究.pdf

1、為了能夠發(fā)展高效、節(jié)能、環(huán)保的火電機組,設備檢修就必須從傳統(tǒng)的定期檢修逐漸過渡到狀態(tài)檢修。對電力企業(yè)而言,越來越多的數據被DAS和DCS系統(tǒng)存儲到實時數據庫中,通過對歷史數據的分析,電廠的發(fā)展趨勢就有可能預測出來,就可以提供有效的決策依據來處理將來的運行和檢修等等。應用數據挖掘的方法從實時數據庫中提取相應的故障診斷知識是一種有效途徑,也是很有現(xiàn)實意義和研究價值的問題。
　　支持向量機(SVM)是一種基于統(tǒng)計學習理論的新型機器學習方

2、法。由于它采用了結構風險最小化原則,所以能較好地解決小樣本學習的問題。本文采用支持向量機方法對故障進行診斷。分別從特征選擇和參數優(yōu)化來分析研究。以汽輪機故障診斷為例,為提高汽輪機組故障診斷的效率,并考慮其計算成本和復雜性,把相關分析作為數據的前處理器,通過計算屬性間的相關系數,結合最大最小聚類方法,對故障數據進行特征選擇,刪除冗余屬性,此方法實現(xiàn)簡單,分類效果顯著。然后構造SVM多分類器,采用粒子群優(yōu)化算法對參數尋優(yōu)并訓練樣本。最后與B