基于K-means聚类算法的电站煤场来煤堆放优化研究
Thermal Power Generation（2023）
摘要
为有效应对复杂的电力和煤炭市场,加强燃料智慧管理成为火电厂管理的重要组成部分.针对某燃煤电厂的煤场占地面积小、来煤煤种复杂和燃煤堆放混乱的问题,通过提取历史来煤的煤质信息,使用K-means和DBSCAN 2种聚类算法对来煤低位发热量、挥发分、硫分进行聚类分析,从轮廓系数、聚类稳定性和样本划分精细度3个方面对2种聚类算法进行对比,最终选择聚类效果更好的K-means聚类算法作为煤质划分的计算方法.K-means聚类算法将选取的历史煤质信息数据集划分为4类,轮廓系数为0.587,且划分后的同一类别内煤质成分相近.统计不同聚类标签下的来煤频率和来煤质量比例,对煤场进行了相应的比例划分,每一分区堆放相同分类的来煤,并以此为基础设计了数字化煤场平台中的来煤堆放指导及信息存储流程,对提高堆场空间利用率和煤场管理效率具有重要的意义.
更多AI 理解论文
溯源树
样例
生成溯源树，研究论文发展脉络
Chat Paper
正在生成论文摘要