CN110442038A - 基于FP-Growth算法的火电机组运行优化目标值确定方法 - Google Patents
基于FP-Growth算法的火电机组运行优化目标值确定方法 Download PDFInfo
- Publication number
- CN110442038A CN110442038A CN201910675924.4A CN201910675924A CN110442038A CN 110442038 A CN110442038 A CN 110442038A CN 201910675924 A CN201910675924 A CN 201910675924A CN 110442038 A CN110442038 A CN 110442038A
- Authority
- CN
- China
- Prior art keywords
- list
- data
- matrix
- frequent
- growth algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于Apache Spark和改进FP‑Growth算法的火电机组运行优化目标值确定方法，包括以下步骤：S1、选取供电煤耗率的影响参数，根据影响参数采集历史运行数据并进行数据预处理和稳态检测；S2、使用Pearson相关性分析从供电煤耗率的影响参数中筛选运行优化参数；S3、基于矩阵技术改进FP‑Growth算法；S4、基于Apache Spark将改进FP‑Growth算法并行化；S5、将运行优化参数的数据离散化，利用并行的改进FP‑Growth算法从数据集中挖掘频繁模式，对挖掘结果进行反离散化并整理得到各个工况下机组运行优化参数的目标值。本发明的一种火电机组运行优化参数目标值确定方法，基于Apache Spark和改进FP‑Growth算法，具备耗时短、占用内存低和挖掘海量数据的效率高的优点。
Description
技术领域
本发明涉及一种基于Apache Spark和改进FP-Growth算法的火电机组运行优化目标值确定方法，属于电力工程技术领域。
背景技术
近年来，面对大气污染治理和应对气候变化等新形势，节能减排工作进一步深入，发电机组提效运行面临着更大的压力。由于机组中具备节能潜力的设备基本都进行了节能改造，节能减排工作更需要落实在日常工作运行中，向更加精细化的方向发展。因此，运行优化研究对机组节能减排工作至关重要。
目标值的合理确定是机组实施运行优化和能耗分析的前提和基础。传统的机组运行优化目标值确定方法有设计值法、最优运行试验法和变工况热力计算法，这些方法存在实际可行性差、覆盖工况局限以及耗时耗力的问题。
随着数据挖掘技术的发展，国内许多专家学者开始将数据挖掘技术用于机组运行优化参数目标值的研究。已有文献提出一种改进的动态数据流模糊关联规则挖掘算法并设计了电站热力系统实时分析与运行优化仿真平台，通过仿真平台对影响机组运行的供电煤耗率的可控参数进行动态数据挖掘，将供电煤耗率最小的运行参数作为运行优化的目标值。已有文献提出一种改进的关联规则Apriori算法，通过MATLAB编程和GUI设计挖掘得到不同工况下锅炉达到最优运行状况时各项运行参数的目标值。已有文献利用K-means聚类算法并结合Silhouette聚类有效评价函数，对历史数据进行多参数同步聚类，确定各典型工况下对机组供电煤耗影响较大的关键能效特征指标的基准值。已有文献基于模糊粗糙集约简和模糊均值聚类等数据挖掘方法，确定了设定边界条件和工况下使供电煤耗最低的部分可控参数实际可达优化目标值。已有文献在Hadoop平台的MapReduce架构上对经典关联规则算法Apriori算法进行改进，新算法被应用于汽轮机运行优化目标值的确定。已有文献通过Canopy算法对K-means算法改进，并实现改进K-means聚类算法在Hadoop平台上的并行化计算，新算法被用于挖掘典型负荷工况下影响供电煤耗的可控运行参数的基准值。已有文献采用K-means聚类算法分析实时运行数据，分别挖掘再热器压损和锅炉排烟温度的基准值。已有文献结合粒子群算法来提升关联规则Apriori算法的性能，改进算法被用于挖掘符合机组NOx减排要求的各个参数的最优目标值。已有文献采用基于编码的矩阵法对Apriori算法进行改进并用改进算法挖掘得到了汽轮机组热耗率相关运行参数的目标值。已有文献提出采用轮廓系数法来确定K-means聚类算法的聚类中心数，改进算法被用于确定典型工况下供电煤耗率最优的各参数基准值。
现有的基于关联规则挖掘的研究大多数都是使用Apriori算法。该算法存在两点不足：每次迭代都需要扫描一次数据集；每次迭代都会产生大量的候选项集。在挖掘海量的高维数据时，Apriori算法会出现耗时过长、占用内存高的问题。
发明内容
本发明要解决的技术问题是，克服现有技术中Apriori算法的缺陷，提供一种耗时短、占用内存低和挖掘海量数据的效率高的火电机组运行优化参数目标值确定方法。
为解决上述技术问题，本发明采用的技术方案为：
一种基于Apache Spark和改进FP-Growth算法的火电机组运行优化目标值确定方法，包括以下步骤：
S1、选取供电煤耗率的影响参数，根据影响参数采集历史运行数据并进行数据预处理和稳态检测；
S2、使用Pearson相关性分析从影响参数中筛选运行优化参数；
S3、基于矩阵技术改进FP-Growth算法；
S4、基于Apache Spark将改进FP-Growth算法并行化；
S5、将运行优化参数的数据离散化，利用并行的改进FP-Growth算法从数据集中挖掘频繁模式，对挖掘结果进行反离散化并整理得到各个工况下机组运行优化参数的目标值。
S1中，供电煤耗率的影响参数为分别选取锅炉侧和汽轮机侧影响锅炉效率和汽轮机热耗率的运行参数并进行合并；历史运行数据采样间隔为1分钟；稳态检测的参数是机组负荷和主蒸汽压力。
S2具体步骤为：按季节将稳态检测后的历史运行数据分为4组，分别对4组数据使用Pearson相关性分析，将每个季节内和供电煤耗率强相关的参数合并，合并结果即为机组运行优化参数。
S3具体包括以下步骤：
S31、遍历一次原始数据集D并根据最小支持度阈值筛选得到所有的频繁1-项集，按支持度由大到小的顺序生成一个频繁1-项集的横向列表，记为F-List；
S32、生成一个n行k列的零矩阵M，n等于D中事务T的条数，k等于F-List的长度，即F-List中频繁1-项集的个数；
S33、再次遍历D并更新矩阵M，具体包括以下步骤：
S331、读取D的第i条事务Ti用于更新矩阵M的第i行元素其中1≤i≤n，从T1开始逐条进行更新；
S332、将Ti的第x项Ti(x)和F-List中的每一项依次进行比较，其中1≤x≤len(i)，len(i)等于第i条事务中所有项的个数，从Ti(1)开始逐项进行比较；
S333、如果Ti(x)和F-List的第j项F-List(j)相同，其中1≤j≤k，则将矩阵M中的元素Mij＝0更新为Mij＝1，同时结束Ti(x)和F-List的比较并且F-List(j)不再参与Ti中剩余项的比较；如果Ti(x)没有出现在F-List中，则不对矩阵M作任何改动；
S334、Ti的所有项目完成比较后，对应在矩阵M的第i行元素也更新完毕，则Ti的频繁项目信息完全压缩并保存在了矩阵M的第i行中；
S335、原始数据集D的所有事务T完成更新后，矩阵M压缩并保存了原始数据集中所有频繁项的信息。
S34、利用更新后的矩阵M构造FP-Tree，矩阵M每一行中值为1的元素对应为原始数据集中每一条事务含有的频繁项目，元素值为0则说明元素所在行对应的数据集事务不含相应的频繁项目；
S35、利用构造的FP-Tree挖掘频繁模式。
S4具体包括以下步骤：
S41、启动HDFS，将原始数据集D存放在指定目录下；
S42、启动Apache Spark，主节点从指定存放目录中读取原始数据集D，并将D切割成大小相等且连续的p个数据块分别发送到p个从节点上；
S43、每个从节点遍历一次各自的数据块，计算所有项目的支持度计数；
S44、从节点将计算结果发送至主节点进行汇总，主节点根据最小支持度阈值生成F-List，并采用负载均衡的分配方式对F-List中的频繁1-项集进行分组，分组结果保存在G-List中。主节点将F-List和G-list发送给p个从节点；
S45、从节点根据F-List和步骤S33将数据块中的信息压缩到矩阵中，并根据G-List在从节点之间交换矩阵中的数据；
S46、数据交换完成后，各从节点根据G-List和步骤S34、S35构建子FP-Tree并挖掘局部频繁模式；
S47、从节点将局部频繁模式发送至主节点进行汇总，得到全局频繁模式，即原始数据集D的频繁模式。
S5中，使用模糊C均值聚类算法分别将各个运行优化参数的稳态历史数据离散化，离散化后的数据区间使用字母+数字的形式进行标记，并将每条数据的数值用所在区间的标号替换。
本发明的有益效果：本发明提供一种基于Apache Spark和改进FP-Growth算法的火电机组运行优化目标值确定方法，通过对FP-Growth算法进行改进，并基于Apache Spark实现改进算法的并行化，从而提高了海量机组历史运行数据的挖掘效率。
附图说明
图1为本发明基于Apache Spark和改进FP-Growth算法的火电机组运行优化目标值确定方法的流程图；
图2为改进FP-Growth算法的流程图；
图3为改进FP-Growth算法在Apache Spark上的并行化流程图。
具体实施方式
下面结合附图对本发明作进一步描述，以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
FP-Growth算法是一种基于内存的关联规则挖掘算法，该算法只需要扫描两次数据集，而且不产生候选项集。相较于Apriori算法，FP-Growth算法的运行速度快、占用计算机资源少。特别是在处理大数据时，FP-Growth算法的优势更为明显。发电机组的海量历史数据具有高维属性，因此，基于FP-Growth算法的机组运行优化研究更有意义。
为了提高数据挖掘算法挖掘海量数据的效率，已有文献都通过Hadoop平台对算法进行了并行化改进，取得了不错的效果。相对于Hadoop平台，Apache Spark更加适合于数据挖掘和机器学习等需要迭代的算法。因此，基于Apache Spark的并行化FP-Growth算法对于机组运行优化研究更有意义。
如图1所示，本发明提供一种基于Apache Spark和改进FP-Growth算法的火电机组运行优化目标值确定方法，基于Apache Spark和改进FP-Growth算法，以降低机组供电煤耗为目的，具体包括以下步骤：
步骤一、选取供电煤耗率的影响参数，根据影响参数采集历史运行数据并进行数据预处理和稳态检测。供电煤耗率是锅炉效率和汽轮机热耗率的函数，选取供电煤耗率的影响参数就是分别选取锅炉侧和汽轮机侧影响锅炉效率和汽轮机热耗率的参数并进行合并。本发明采集了一个维修期间内的历史运行数据，采样间隔为1分钟。数据预处理主要是删除异常的数据和空缺的数据。用于稳态检测的参数是机组负荷和主蒸汽压力，判稳依据是20分钟内数据的最大值和最小值之差在某个稳定阈值内。
步骤二、使用相关性分析法从主要影响参数中筛选运行优化参数。步骤二主要包括：按季节将稳态检测后的历史运行数据分为4组，分别对4组数据使用Pearson相关性分析，将每个季节内和供电煤耗率强相关的参数合并，合并结果即为机组运行优化参数。
步骤三、基于矩阵技术改进FP-Growth算法。如图2所示，FP-Growth算法的改进主要包括以下步骤：
S31、遍历一次原始数据集D并根据最小支持度阈值筛选得到所有的频繁1-项集，按支持度由大到小的顺序生成一个频繁1-项集的横向列表记为F-List；
S32、生成一个n行k列的零矩阵M，n等于D中事务T的条数，k等于F-List的长度，即F-List中频繁1-项集的个数；
S33、再次遍历D并更新矩阵M，具体包括以下步骤：
S331、读取D的第i条事务Ti用于更新矩阵M的第i行元素(1≤i≤n)，从T1开始逐条进行更新；
S332、将Ti的第x项Ti(x)和F-List中的每一项依次进行比较(1≤x≤len(i))，len(i)等于第i条事务中所有项的个数，从Ti(1)开始逐项进行比较；
S333、如果Ti(x)和F-List的第j项F-List(j)相同(1≤j≤k)，则将矩阵M中的元素Mij＝0更新为Mij＝1，同时结束Ti(x)和F-List的比较并且F-List(j)不再参与Ti中剩余项的比较；如果Ti(x)没有出现在F-List中，则不对矩阵M作任何改动；
S334、Ti的所有项目完成比较后，对应在矩阵M的第i行元素也更新完毕，则Ti的频繁项目信息完全压缩并保存在了矩阵M的第i行中；
S335、原始数据集D的所有事务T完成更新后，矩阵M压缩并保存了原始数据集中所有频繁项的信息。
S34、利用更新后的矩阵M构造FP-Tree，矩阵M每一行中值为1的元素对应为原始数据集中每一条事务含有的频繁项目，元素值为0则说明元素所在行对应的数据集事务不含相应的频繁项目，这里的FP-Tree构造方法和经典FP-Growth算法的构造方法相同；
S35、利用构造的FP-Tree挖掘频繁模式。
步骤四、基于Apache Spark将改进FP-Growth算法并行化。如图3所示，步骤四基于Apache Spark将改进FP-Growth算法并行化具体包括以下步骤：
S41、启动HDFS，将原始数据集D存放在指定目录下；
S42、启动Apache Spark，主节点从指定存放目录中读取原始数据集D，并将D切割成大小相等且连续的p个数据块分别发送到p个从节点上；
S43、每个从节点遍历一次各自的数据块，计算所有项目的支持度计数；
S44、从节点将计算结果发送至主节点进行汇总，主节点根据最小支持度阈值生成F-List，并采用负载均衡的分配方式对F-List中的频繁1-项集进行分组，分组结果保存在G-List中。主节点将F-List和G-list发送给p个从节点；
S45、从节点根据F-List和步骤S33将数据块中的信息压缩到矩阵中，并根据G-List在从节点之间交换矩阵中的数据；
S46、数据交换完成后，各从节点根据G-List和步骤S34、S35构建子FP-Tree并挖掘局部频繁模式；
S47、从节点将局部频繁模式发送至主节点进行汇总，得到全局频繁模式，即原始数据集D的频繁模式。
步骤五、将运行优化参数的数据离散化，利用并行的改进FP-Growth算法从数据集中挖掘频繁模式，对挖掘结果进行反离散化并整理得到各个工况下机组运行优化参数的目标值。本发明使用模糊C均值聚类算法分别将各个运行优化参数的稳态历史数据离散化。离散化后的数据区间使用字母+数字的形式进行标记，并将每条数据的数值用所在区间的标号替换。至此，原数值型数据集就被转换为可用于关联规则挖掘的离散型数据集。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种基于Apache Spark和改进FP-Growth算法的火电机组运行优化目标值确定方法，其特征在于：包括以下步骤：
S1、选取供电煤耗率的影响参数，根据影响参数采集历史运行数据并进行数据预处理和稳态检测；
S2、使用Pearson相关性分析从影响参数中筛选运行优化参数；
S3、基于矩阵技术改进FP-Growth算法；
S4、基于Apache Spark将改进的FP-Growth算法并行化；
S5、将运行优化参数的数据离散化，利用并行的改进FP-Growth算法从数据集中挖掘频繁模式，对挖掘结果进行反离散化并整理得到各个工况下机组运行优化参数的目标值。
2.根据权利要求1所述的一种基于Apache Spark和改进FP-Growth算法的火电机组运行优化目标值确定方法，其特征在于：S1中，供电煤耗率的影响参数为分别选取锅炉侧和汽轮机侧影响锅炉效率和汽轮机热耗率的参数并进行合并；历史运行数据采样间隔为1分钟；稳态检测的参数是机组负荷和主蒸汽压力。
3.根据权利要求2所述的一种基于Apache Spark和改进FP-Growth算法的火电机组运行优化目标值确定方法，其特征在于：S2具体步骤为：按季节将稳态检测后的历史运行数据分为4组，分别对4组数据使用Pearson相关性分析，将每个季节内和供电煤耗率强相关的参数合并，合并结果即为机组运行优化参数。
4.根据权利要求3所述的一种基于Apache Spark和改进FP-Growth算法的火电机组运行优化目标值确定方法，其特征在于：S3具体包括以下步骤：
S31、遍历一次原始数据集D并根据最小支持度阈值筛选得到所有的频繁1-项集，按支持度由大到小的顺序生成一个频繁1-项集的横向列表，记为F-List；
S32、生成一个n行k列的零矩阵M，n等于D中事务T的条数，k等于F-List的长度，即F-List中频繁1-项集的个数；
S33、再次遍历D并更新矩阵M，具体包括以下步骤：
S331、读取D的第i条事务Ti用于更新矩阵M的第i行元素其中1≤i≤n，从T1开始逐条进行更新；
S332、将Ti的第x项Ti(x)和F-List中的每一项依次进行比较，其中1≤x≤len(i)，len(i)等于第i条事务中所有项的个数，从Ti(1)开始逐项进行比较；
S333、如果Ti(x)和F-List的第j项F-List(j)相同，其中1≤j≤k，则将矩阵M中的元素Mij＝0更新为Mij＝1，同时结束Ti(x)和F-List的比较并且F-List(j)不再参与Ti中剩余项的比较；如果Ti(x)没有出现在F-List中，则不对矩阵M作任何改动；
S334、Ti的所有项目完成比较后，对应在矩阵M的第i行元素也更新完毕，则Ti的频繁项目信息完全压缩并保存在了矩阵M的第i行中；
S335、原始数据集D的所有事务T完成更新后，矩阵M压缩并保存了原始数据集中所有频繁项的信息。
S34、利用更新后的矩阵M构造FP-Tree，矩阵M每一行中值为1的元素对应为原始数据集中每一条事务含有的频繁项目，元素值为0则说明元素所在行对应的数据集事务不含相应的频繁项目；
S35、利用构造的FP-Tree挖掘频繁模式。
5.根据权利要求4所述的一种火电机组运行优化参数目标值确定方法，其特征在于：S4具体包括以下步骤：
S41、启动HDFS，将原始数据集D存放在指定目录下；
S42、启动Apache Spark，主节点从指定存放目录中读取原始数据集D，并将D切割成大小相等且连续的p个数据块分别发送到p个从节点上；
S43、每个从节点遍历一次各自的数据块，计算所有项目的支持度计数；
S44、从节点将计算结果发送至主节点进行汇总，主节点根据最小支持度阈值生成F-List，并采用负载均衡的分配方式对F-List中的频繁1-项集进行分组，分组结果保存在G-List中；主节点将F-List和G-list发送给p个从节点；
S45、从节点根据F-List和步骤S33将数据块中的信息压缩到矩阵中，并根据G-List在从节点之间交换矩阵中的数据；
S46、数据交换完成后，各从节点根据G-List和步骤S34、S35构建子FP-Tree并挖掘局部频繁模式；
S47、从节点将局部频繁模式发送至主节点进行汇总，得到全局频繁模式，即原始数据集D的频繁模式。
6.根据权利要求5所述的一种基于Apache Spark和改进FP-Growth算法的火电机组运行优化目标值确定方法，其特征在于：S5中，使用模糊C均值聚类算法分别将各个运行优化参数的稳态历史数据离散化，离散化后的数据区间使用字母+数字的形式进行标记，并将每条数据的数值用所在区间的标号替换。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910675924.4A CN110442038B (zh) | 2019-07-25 | 2019-07-25 | 基于FP-Growth算法的火电机组运行优化目标值确定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910675924.4A CN110442038B (zh) | 2019-07-25 | 2019-07-25 | 基于FP-Growth算法的火电机组运行优化目标值确定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110442038A true CN110442038A (zh) | 2019-11-12 |
| CN110442038B CN110442038B (zh) | 2022-05-17 |
Family
ID=68431463
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910675924.4A Active CN110442038B (zh) | 2019-07-25 | 2019-07-25 | 基于FP-Growth算法的火电机组运行优化目标值确定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110442038B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110990434A (zh) * | 2019-11-29 | 2020-04-10 | 国网四川省电力公司信息通信公司 | Spark平台分组和Fp-Growth关联规则挖掘方法 |
| CN111222686A (zh) * | 2019-11-21 | 2020-06-02 | 施甸县保施高速公路投资开发有限公司 | 优化高速公路服务区业态的方法 |
| CN111260138A (zh) * | 2020-01-18 | 2020-06-09 | 湖南大学 | 加权和自适应并行关联规则的火电机组能耗动态优化方法 |
| CN111754030A (zh) * | 2020-06-11 | 2020-10-09 | 浙江浙能技术研究院有限公司 | 一种基于hac和rf-ga的火电机组供电煤耗优化方法 |
| CN113536203A (zh) * | 2021-06-28 | 2021-10-22 | 国网福建省电力有限公司经济技术研究院 | 一种面向应用的能源数据目录项筛选方法 |
| CN113553493A (zh) * | 2020-04-24 | 2021-10-26 | 哈尔滨工业大学 | 一种基于需求服务概率矩阵的服务选择方法 |
| WO2022193569A1 (zh) * | 2021-03-15 | 2022-09-22 | 南京邮电大学 | 基于稀疏大数据挖掘的火电机组汽轮机优化方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170091287A1 (en) * | 2015-09-30 | 2017-03-30 | University Of Virginia Patent Foundation | Association rule mining with the micron automata processor |
| CN106897370A (zh) * | 2017-01-18 | 2017-06-27 | 淮阴工学院 | 一种基于皮尔逊相似度和FP‑Growth的图审专家推荐方法 |
-
2019
- 2019-07-25 CN CN201910675924.4A patent/CN110442038B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170091287A1 (en) * | 2015-09-30 | 2017-03-30 | University Of Virginia Patent Foundation | Association rule mining with the micron automata processor |
| CN106897370A (zh) * | 2017-01-18 | 2017-06-27 | 淮阴工学院 | 一种基于皮尔逊相似度和FP‑Growth的图审专家推荐方法 |
Non-Patent Citations (8)
| Title |
|---|
| CHUAN LI等: "Research on FP-Growth algorithm for massive telecommunication network alarm data based on Spark", 《 2016 7TH IEEE INTERNATIONAL CONFERENCE ON SOFTWARE ENGINEERING AND SERVICE SCIENCE (ICSESS)》 * |
| FENG GUI等: "A distributed frequent itemset mining algorithm based on Spark", 《2015 IEEE 19TH INTERNATIONAL CONFERENCE ON COMPUTER SUPPORTED COOPERATIVE WORK IN DESIGN (CSCWD)》 * |
| WANLI FENG等: "An expert recommendation algorithm based on Pearson correlation coefficient and FP-growth", 《CLUSTER COMPUTING》 * |
| 刘莉萍等: "基于Spark的并行关联规则挖掘算法研究综述", 《计算机工程与应用》 * |
| 张稳等: "一种基于Spark框架的并行FP-Growth挖掘算法", 《计算机工程与科学》 * |
| 邵梁等: "基于Spark框架的FP-Growth大数据频繁项集挖掘算法", 《计算机应用研究》 * |
| 陆可等: "基于Spark的并行FP-Growth算法优化与实现", 《计算机应用与软件》 * |
| 顾军华等: "基于Spark的并行FP-Growth算法优化及实现", 《计算机应用》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111222686A (zh) * | 2019-11-21 | 2020-06-02 | 施甸县保施高速公路投资开发有限公司 | 优化高速公路服务区业态的方法 |
| CN110990434A (zh) * | 2019-11-29 | 2020-04-10 | 国网四川省电力公司信息通信公司 | Spark平台分组和Fp-Growth关联规则挖掘方法 |
| CN110990434B (zh) * | 2019-11-29 | 2023-04-18 | 国网四川省电力公司信息通信公司 | Spark平台分组和Fp-Growth关联规则挖掘方法 |
| CN111260138A (zh) * | 2020-01-18 | 2020-06-09 | 湖南大学 | 加权和自适应并行关联规则的火电机组能耗动态优化方法 |
| CN111260138B (zh) * | 2020-01-18 | 2023-05-26 | 湖南大学 | 加权和自适应并行关联规则的火电机组能耗动态优化方法 |
| CN113553493A (zh) * | 2020-04-24 | 2021-10-26 | 哈尔滨工业大学 | 一种基于需求服务概率矩阵的服务选择方法 |
| CN111754030A (zh) * | 2020-06-11 | 2020-10-09 | 浙江浙能技术研究院有限公司 | 一种基于hac和rf-ga的火电机组供电煤耗优化方法 |
| CN111754030B (zh) * | 2020-06-11 | 2022-04-12 | 浙江浙能技术研究院有限公司 | 一种基于hac和rf-ga的火电机组供电煤耗优化方法 |
| WO2022193569A1 (zh) * | 2021-03-15 | 2022-09-22 | 南京邮电大学 | 基于稀疏大数据挖掘的火电机组汽轮机优化方法及系统 |
| CN113536203A (zh) * | 2021-06-28 | 2021-10-22 | 国网福建省电力有限公司经济技术研究院 | 一种面向应用的能源数据目录项筛选方法 |
| CN113536203B (zh) * | 2021-06-28 | 2024-05-10 | 国网福建省电力有限公司经济技术研究院 | 一种面向应用的能源数据目录项筛选方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110442038B (zh) | 2022-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110442038A (zh) | 基于FP-Growth算法的火电机组运行优化目标值确定方法 | |
| Yu et al. | LSTM-EFG for wind power forecasting based on sequential correlation features | |
| Daoqing et al. | Parallel discrete lion swarm optimization algorithm for solving traveling salesman problem | |
| CN103440528B (zh) | 基于耗差分析的火电机组运行优化方法及装置 | |
| CN104807039B (zh) | 一种锅炉燃烧优化的变量降维建模方法 | |
| CN102636991A (zh) | 一种基于模糊集关联规则的火电机组运行参数优化方法 | |
| CN103455635A (zh) | 基于最小二乘支持向量机集成的热工过程软测量建模方法 | |
| CN110222416B (zh) | 一种基于大数据的工业蒸汽量预测方法 | |
| CN111695666A (zh) | 一种基于深度学习的风电功率超短期条件概率预测方法 | |
| CN109933620A (zh) | 基于Spark的火电大数据挖掘方法 | |
| CN109872012A (zh) | 基于工况划分的火电厂运行多目标优化的确定方法 | |
| CN111158239B (zh) | 基于关联规则算法与神经网络的制粉系统性能优化方法 | |
| Ma et al. | Economic operation evaluation of active distribution network based on fuzzy Borda method | |
| Wang et al. | Roof pressure prediction in coal mine based on grey neural network | |
| CN104978605A (zh) | 基于深度学习网络的大规模风电功率预测系统及方法 | |
| CN113408854B (zh) | 一种基于bim技术的建筑全生命周期环境影响评价管理方法 | |
| CN107276093A (zh) | 基于场景削减的电力系统概率潮流计算方法 | |
| Zheng et al. | Porosity prediction based on GS+ GA-XGBoost | |
| CN107404120B (zh) | 一种无功优化在线控制中的设备动作次数挖掘方法 | |
| CN110135740A (zh) | 面向燃煤锅炉流程对象的实时知识发现方法及系统 | |
| Zhou et al. | Data-driven solutions for building environmental impact assessment | |
| Li et al. | Slope deformation partitioning and monitoring points optimization based on cluster analysis | |
| Yin et al. | A novel imperialist competitive algorithm for scheme configuration rules mining of product service system | |
| CN109447439A (zh) | 一种基于FP-Growth算法的潮流调整样本生成方法及装置 | |
| CN103927431A (zh) | 基于pyramid时间框架的电站锅炉运行状态监测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |