CN103226664A - 节流调节型汽轮机高压转子外表面温度预测方法和装置 - Google Patents
节流调节型汽轮机高压转子外表面温度预测方法和装置 Download PDFInfo
- Publication number
- CN103226664A CN103226664A CN2013101656846A CN201310165684A CN103226664A CN 103226664 A CN103226664 A CN 103226664A CN 2013101656846 A CN2013101656846 A CN 2013101656846A CN 201310165684 A CN201310165684 A CN 201310165684A CN 103226664 A CN103226664 A CN 103226664A
- Authority
- CN
- China
- Prior art keywords
- temperature
- pressure
- support vector
- vector regression
- regression model
- 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
Images
Landscapes
- Control Of Turbines (AREA)
Abstract
本发明提供了一种节流调节型汽轮机高压转子外表面温度预测方法,其特征在于,步骤为:第一步、创建支持向量回归机模型,其具体步骤为:步骤1.1、收集整理汽轮机的实测数据作为数据样本;步骤1.2、选取核函数及模型参数;步骤1.3、获得支持向量回归模型和参数;步骤1.4、测试支持向量回归模型;第二步。本发明还提供了一种装置。通过本发明提供的方法和装置的预测值来代替高压转子外表面温度,提高了汽轮机热应力监控系统的可靠性,为汽轮机高压转子的热应力优化控制和汽轮机变负荷运行的安全性提供了技术保障。
Description
技术领域
本发明涉及一种节流调节型汽轮机高压转子外表面温度的预测方法和装置,属于汽轮机技术领域。
背景技术
汽轮机在启动、停机和负荷变动时,高压转子的外表面的蒸汽温度变化剧烈,而高压转子内部的温度变化相对较慢,高压转子的外表面和高压转子体积平均温度之间的温差较大。高压转子的外表面和高压转子体积平均温度之间的温差越大,外表面的热应力就越大,高压转子的寿命损耗也越大。通过监控高压转子的外表面和高压转子体积平均温度之间的温差,可以监控外表面的热应力。由于转子的旋转,无法安装测温元件进行直接测量温度。虽然可通过在相应部位的汽轮机内缸内壁安装的测温元件获得的温度来近似代替,但是该位置的测温元件损坏现象较为普遍,汽轮机运行时测温元件维护不方便,给汽轮机正常的启动、运行和停运的带来困难。急需一种基于间接测量值来预测高压转子外表面温度的方法,用于判断汽轮机内缸内壁测温元件是否正常。
发明内容
本发明要解决的技术问题是提供一种当汽轮机内缸内壁测温元件出现异常能够提供预测值来代替高压转子外表面温度的方法及采用该方法的装置。
为了解决上述技术问题,本发明的一个技术方案是提供了一种节流调节型汽轮机高压转子外表面温度预测方法,其特征在于,步骤为:
第一步、创建支持向量回归机模型,其具体步骤为:
步骤1.1、收集整理汽轮机50%~100%负荷稳定运行状态下各负荷段内汽轮机发电机组电功率、主蒸汽温度、主蒸汽压力、高压缸第1级抽汽压力和高压缸排汽压力的实测数据作为数据样本,在数据样本中,在各负荷段内抽样任选一部分数据样本作为测试样本,剩余的数据样本作为训练样本;
步骤1.2、选取核函数及模型参数:
根据支持向量回归机模型的要求选择一函数作为支持向量回归机模型的核函数,采用网格自动寻优方法确定惩罚系数和宽度系数;
步骤1.3、获得支持向量回归模型和参数:
根据步骤2选取的核函数以及寻优获得的惩罚系数和宽度系数,利用LIBSVM支持向量机函数库,针对训练样本进行训练,获得合适的支持向量回归模型和参数;
步骤1.4、测试支持向量回归模型:
根据步骤1.3获得的支持向量回归模型和参数,利用LIBSVM支持向量机函数库,针对步骤1.1得到的测试样本进行预测,分析预测精度,若预测精度不能达到要求,回到步骤1.2更换支持向量回归机模型的核函数重新开始;
第二步、应用支持向量回归机模型,其具体步骤为:
步骤2.1、采集和整理实际运行参数:
获取汽轮机发电机组电功率、主蒸汽温度、主蒸汽压力、高压缸第1级抽汽压力和高压缸排汽压力的运行数据;
步骤2.2、预测汽轮机高压转子外表面温度:
利用支持向量回归模型,计算预测出对应的汽轮机高压转子外表面温度的温度预测值;
步骤2.3、验证支持向量回归机模型:
利用汽轮机内缸内壁测温元件测量的温度值对温度预测值进行验证,保存有关试验数据以便用于改进支持向量回归机模型;
步骤2.4、判断内缸内壁测温元件状态:
在汽轮机的运行中,利用支持向量回归机模型,实际计算汽轮机高压转子外表面的温度,用于判断相应部位的汽轮机内缸内壁安装的测温元件是否正常,若内缸内壁测温元件与温度预测值相差在预设范围±5℃~±10℃之内,则内缸内壁测温元件正常;否则,将内缸内壁测温元件判定为异常;当汽轮机内缸内壁测温元件异常时,用温度预测值来代替高压转子外表面温度实测值参与到汽轮机热应力监控系统。
优选地,在所述步骤1.1中,在各负荷段内抽样任选20%的数据样本作为测试样本,剩余80%的数据样本作为训练样本。
优选地,在所述步骤1.1之后并所述步骤1.2之前还包括:对所述训练样本和所述测试样本进行标准化处理,将其值通过线性插值方式控制到0~1之间;在所述步骤2.1之后并所述步骤2.2之前还包括:对运行数据进行标准化处理,将其值通过线性插值方式控制到0~1之间。
优选地,在所述步骤1.2中,网格自动寻优方法确定惩罚系数和宽度系数的步骤为:给定惩罚系数和宽度系数的取值范围、初始值及变化步长,然后就两者的取值进行组合针对训练样本进行训练,最后选择误差最小的一组参数作为最优的惩罚系数和宽度系数。
优选地,在所述步骤1.2中,在选择支持向量回归机模型的核函数时,优先选择径向基函数作为支持向量回归机模型的核函数,在径向基函数无法满足训练和测试要求时,选择多项式函数、感知器函数和线性函数。
本发明的另一个技术方案是提供了一种采用上述节流调节型汽轮机高压转子外表面温度预测方法的装置,其特征在于:包括功率变送器、高精度快速响应型温度变送器及三个压力变送器,功率变送器用于测量汽轮机发电机组电功率,高精度快速响应型温度变送器用于测量主蒸汽温度,主蒸汽压力、高压缸第1级抽汽压力和高压缸排汽压力分别采用各自的压力变送器来测量,计算机通过数据采集系统获取采集由功率变送器、高精度快速响应型温度变送器及压力变送器获取的汽轮机发电机组电功率、主蒸汽温度、主蒸汽压力、高压缸第1级抽汽压力和高压缸排汽压力,再利用上述的采用节流调节型汽轮机高压转子外表面温度预测方法得到温度预测值,当汽轮机内缸内壁测温元件异常时,用温度预测值来代替高压转子外表面温度实测值参与到汽轮机热应力监控系统。
本发明提供的一种节流调节型汽轮机高压转子外表面温度的预测方法用汽轮机发电机组电功率、主蒸汽温度、主蒸汽压力、高压缸第1级抽汽压力和高压缸排汽压力作为输入值,采用了支持向量回归机(SVR)来计算出相应部位的汽轮机高压转子外表面温度。本发明提供的方法和装置针对了现有技术的不足,可用于判断相应部位的汽轮机内缸内壁安装的测温元件是否正常。如果汽轮机内缸内壁测温元件一旦异常,可通过本发明提供的方法和装置的预测值来代替高压转子外表面温度。提高了汽轮机热应力监控系统的可靠性,为汽轮机高压转子的热应力优化控制和汽轮机变负荷运行的安全性提供了技术保障。
附图说明
图1为本发明提供的一种节流调节型汽轮机高压转子外表面温度的预测方法的原理图;
图2为本发明提供的一种节流调节型汽轮机高压转子外表面温度的预测装置的流程图;
图3为本发明提供的一种节流调节型汽轮机高压转子外表面温度的预测方法中支持向量回归模型的创建和测试的流程图;
图4为本发明提供的一种节流调节型汽轮机高压转子外表面温度的预测方法的验证和应用的流程图;
图5为本实施例中训练样本实测值与SVR回归值的对比曲线图;
图6为本实施例中测试样本实测值与SVR回归值的对比曲线图。
具体实施方式
为使本发明更明显易懂,兹以优选实施例,并配合附图作详细说明如下。
如图1所示,本发明提供了一种节流调节型汽轮机高压转子外表面温度的预测装置的流程图,所述的一种节流调节型汽轮机高压转子外表面温度预测的方法是通过在线检测的汽轮机发电机组电功率、主蒸汽温度、主蒸汽压力、高压缸第1级抽汽压力和高压缸排汽压力5个参数,利用预先训练好的支持向量回归机(SVR)模型,通过计算来预测汽轮机高压转子外表面温度。具体实施分为离线支持向量回归机(SVR)模型的训练和验证、在线支持向量回归机(SVR)模型预测温度两个部分。
以某1100MW节流调节型汽轮机为例,主蒸汽压力26.5MPa,主蒸汽温度600℃,再热蒸汽温度600℃。节流调节型汽轮机高压转子外表面温度预测的方法和装置由模型创建和温度预测两部分。
结合图3,第1部分模型创建以下4个步骤组成:
步骤1:整理出SVR训练样本和测试样本;
收集整理的运行或试验数据包括高压转子外表面温度(℃)、汽轮机发电机组电功率(MW)、主蒸汽压力(MPa)、主蒸汽温度(℃)、高压缸第1级抽汽压力(MPa)、高压缸排汽压力(MPa)等汽轮机参数。把随机抽取的数据集20%数据作为测试样本,把数据集剩余的80%数据作为训练样本。训练样本列于表1,测试样本列于表2。
表1
表2
采用线性插值方式,把训练样本进行规则化处理后列于表3。测试样本根据同样的线性插值方式进行规则化处理后列于表4;
表3
表4
步骤2:选取核函数及模型参数;
选用径向基函数作为SVR模型的核函数;
利用LIBSVM支持向量机函数库(http://www.csie.ntu.edu.tw/~cjlin/libsvm/),采用网格自动寻优方法。获得最优模型参数是惩罚系数c=1024.0,核函数参数g=16.0,损失函数参数p=0.0078125,对应的训练样本交叉测试均方误差mse=0.0332171;
步骤3:获得支持向量回归模型和参数;
根据步骤2选取惩罚系数和模型参数,利用LIBSVM支持向量机函数库,针对训练样本进行训练,获得合适的支持向量回归模型和参数;
svm_type epsilon_svr
kernel_type rbf
gamma 16
nr_class 2
total_sv 49
rho-577.743
SV
-44.2838401077715
225.5192224844233 1:0.0457143 4:0.0459016 5:0.0318182
-749.0551110552073 1:0.0914286 4:0.0918033 5:0.0636364
-306.7940770611212 1:0.102857 4:0.103279 5:0.0727273
1024 1:0.114286 2:0.0116923 4:0.114754 5:0.0795455
1024 1:0.137143 2:0.0375385 4:0.137705 5:0.0954545
-765.8515001968688 1:0.148571 2:0.0504615 4:0.15082 5:0.104545
-1024 1:0.16 2:0.0633846 4:0.162295 5:0.111364
713.6990868260422 1:0.194286 2:0.102154 4:0.196721 5:0.136364
460.5449928566214 1:0.205714 2:0.115077 4:0.208197 5:0.143182
-953.5681196472627 1:0.228571 2:0.140923 4:0.231148 5:0.159091
774.2910798280664 1:0.251429 2:0.166769 4:0.254098 5:0.175
-538.0895150795684 1:0.274286 2:0.193231 4:0.27377 5:0.195455
402.5545695928466 1:0.331429 2:0.257846 4:0.321311 5:0.25
-152.3290988937323 1:0.365714 2:0.296615 4:0.35082 5:0.284091
-102.1244566609993 1:0.377143 2:0.309538 4:0.360656 5:0.293182
-428.2933922868613 1:0.388571 2:0.322462 4:0.368852 5:0.304545
627.9133681609767 1:0.411429 2:0.348308 4:0.388525 5:0.327273
78.12803812988811 1:0.468468 2:0.412923 4:0.436066 5:0.381818
-683.2417000055099 1:0.478753 2:0.425846 4:0.445902 5:0.393182
1024 1:0.519896 2:0.477538 4:0.483607 5:0.436364
291.9187235640999 1:0.540468 2:0.503385 4:0.503279 5:0.456818
-702.8124885121107 1:0.550753 2:0.516308 4:0.511475 5:0.468182
-1024 1:0.561039 2:0.529231 4:0.521311 5:0.479545
516.7645775711435 1:0.58161 2:0.555077 4:0.540984 5:0.502273
26.11399070871053 1:0.591896 2:0.568 4:0.55082 5:0.511364
10241:0.602182 2:0.580923 4:0.559016 5:0.522727
-723.4995488868728 1:0.622753 2:0.606769 4:0.578689 5:0.545455
-190.7638881082612 1:0.643325 2:0.633231 4:0.598361 5:0.565909
201.9022097276119 1:0.684468 2:0.684923 4:0.636066 5:0.611364
119.8642777301796 1:0.713766 2:0.723692 4:0.663934 5:0.643182
-529.4722711193574 1:0.759481 2:0.788308 4:0.711475 5:0.697727
620.7434914829831 1:0.786909 2:0.827077 4:0.740984 5:0.729545
-151.4358891599787 1:0.814338 2:0.865846 4:0.768852 5:0.759091
-248.4526257078124 1:0.850909 2:0.917538 4:0.808197 5:0.8
-133.2961638968309 1:0.860052 2:0.930462 4:0.818033 5:0.809091
303.3681382201553 1:0.887481 2:0.969231 4:0.845902 5:0.840909
768.8058800431128 1:0.896623 2:0.982154 4:0.855738 5:0.85
-1024 1:0.905766 2:0.995077 4:0.865574 5:0.859091
1024 1:0.918442 2:1 4:0.885246 5:0.879545
297.0360008059436 1:0.924156 2:1 4:0.893443 5:0.890909
-1024 1:0.92987 2:1 4:0.903279 5:0.9
-1024 1:0.941299 2:1 4:0.922951 5:0.920455
-398.0318154535424 1:0.947013 2:1 4:0.932787 5:0.929545
1024 1:0.952727 2:1 4:0.942623 5:0.940909
1024 1:0.965714 2:1 4:0.962295 5:0.959091
259.6686050706879 1:0.974286 2:1 4:0.970492 5:0.970455
-1024 1:0.982857 2:1 4:0.980328 5:0.979545
88.55924903617603 1:1 2:1 4:1 5:1
训练样本集的实测值和SVR回归值的比较列于表5和图5。从表5和图5可以看出,SVR的训练误差比较小,最大绝对误差为0.52℃,最大相对误差为0.091%;
表5
步骤4:测试支持向量回归模型;
根据步骤3获得的支持向量回归模型和参数,利用LIBSVM支持向量机函数库,针对测试样本进行预测,分析预测精度,有关数据列于表6和图6。从表6和图6可以看出,SVR的测试误差比较小,最大绝对误差为0.96℃,最大相对误差为0.17%;
如果预测精度不能达到要求,回到步骤2更换核函数重新开始;
表6
结合图4,第2部分方法和装置的应用以下4个步骤组成:
步骤1:采集和整理实际运行参数;
采集功率变送器、温度变送器、压力变送器的信号,获得汽轮机发电机组电功率、主蒸汽温度、主蒸汽压力、高压缸第1级抽汽压力和高压缸排汽压力等运行数据。对这些功率、温度和压力等数据值进行标准化处理,将其值通过线性插值方式控制到0~1之间;
步骤2:预测汽轮机高压转子外表面温度;
利用在第1部分中训练好并通过测试的支持向量回归模型,计算预测出对应的汽轮机高压转子外表面温度。这个步骤类似于在第1部分中用测试样本进行的预测计算;
步骤3:验证支持向量回归机模型;
通过特定的试验,试验前已通过校验确保汽轮机内缸内壁测温元件正常。利用汽轮机内缸内壁测温元件测量的温度值对本方法或装置的温度预测值进行验证,保存有关试验数据以便用于改进支持向量回归机模型;
步骤4:判断内缸内壁测温元件状态;
在汽轮机的运行中,利用完善后的支持向量回归机模型,实际计算汽轮机高压转子外表面的温度,用于判断相应部位的汽轮机内缸内壁安装的测温元件是否正常。内缸内壁测温元件与本装置温度预测值相差在预设范围±5℃之内,内缸内壁测温元件正常;否则内缸内壁测温元件可判定为异常。如果汽轮机内缸内壁测温元件一旦异常,可采用预测值来代替高压转子外表面温度实测值参与到汽轮机热应力监控系统。
结合图2,本发明提供了一种采用上述的节流调节型汽轮机高压转子外表面温度预测方法的装置,包括功率变送器、高精度快速响应型温度变送器及三个压力变送器,功率变送器用于测量汽轮机发电机组电功率,高精度快速响应型温度变送器用于测量主蒸汽温度,主蒸汽压力、高压缸第1级抽汽压力和高压缸排汽压力分别采用各自的压力变送器来测量,计算机通过数据采集系统获取采集由功率变送器、高精度快速响应型温度变送器及压力变送器获取的汽轮机发电机组电功率、主蒸汽温度、主蒸汽压力、高压缸第1级抽汽压力和高压缸排汽压力,再利用上述的采用节流调节型汽轮机高压转子外表面温度预测方法得到温度预测值,当汽轮机内缸内壁测温元件异常时,用温度预测值来代替高压转子外表面温度实测值参与到汽轮机热应力监控系统。
综上所述,利用本发明提供的一种节流调节型汽轮机高压转子外表面温度的预测方法和装置,可在电站汽轮机的控制系统中,使用采集到的汽轮机发电机组电功率、主蒸汽温度、主蒸汽压力、高压缸第1级抽汽压力和高压缸排汽压力等运行数据实时计算高压转子的外表面温度,可用于判断相应部位的汽轮机内缸内壁安装的测温元件是否正常。如果汽轮机内缸内壁测温元件一旦异常,可通过本发明提供的方法和装置的预测值来代替高压转子外表面温度。提高了汽轮机热应力监控系统的可靠性,为汽轮机高压转子的热应力优化控制和汽轮机变负荷运行的安全性提供了技术保障。
Claims (6)
1.一种节流调节型汽轮机高压转子外表面温度预测方法,其特征在于,步骤为:
第一步、创建支持向量回归机模型,其具体步骤为:
步骤1.1、收集整理汽轮机50%~100%负荷稳定运行状态下各负荷段内汽轮机发电机组电功率、主蒸汽温度、主蒸汽压力、高压缸第1级抽汽压力和高压缸排汽压力的实测数据作为数据样本,在数据样本中,在各负荷段内抽样任选一部分数据样本作为测试样本,剩余的数据样本作为训练样本;
步骤1.2、选取核函数及模型参数:
根据支持向量回归机模型的要求选择一函数作为支持向量回归机模型的核函数,采用网格自动寻优方法确定惩罚系数和宽度系数;
步骤1.3、获得支持向量回归模型和参数:
根据步骤2选取的核函数以及寻优获得的惩罚系数和宽度系数,利用LIBSVM支持向量机函数库,针对训练样本进行训练,获得合适的支持向量回归模型和参数;
步骤1.4、测试支持向量回归模型:
根据步骤1.3获得的支持向量回归模型和参数,利用LIBSVM支持向量机函数库,针对步骤1.1得到的测试样本进行预测,分析预测精度,若预测精度不能达到要求,回到步骤1.2更换支持向量回归机模型的核函数重新开始;
第二步、应用支持向量回归机模型,其具体步骤为:
步骤2.1、采集和整理实际运行参数:
获取汽轮机发电机组电功率、主蒸汽温度、主蒸汽压力、高压缸第1级抽汽压力和高压缸排汽压力的运行数据;
步骤2.2、预测汽轮机高压转子外表面温度:
利用支持向量回归模型,计算预测出对应的汽轮机高压转子外表面温度的温度预测值;
步骤2.3、验证支持向量回归机模型:
利用汽轮机内缸内壁测温元件测量的温度值对温度预测值进行验证,保存有关试验数据以便用于改进支持向量回归机模型;
步骤2.4、判断内缸内壁测温元件状态:
在汽轮机的运行中,利用支持向量回归机模型,实际计算汽轮机高压转子外表面的温度,用于判断相应部位的汽轮机内缸内壁安装的测温元件是否正常,若内缸内壁测温元件与温度预测值相差在预设范围±5℃~±10℃之内,则内缸内壁测温元件正常;否则,将内缸内壁测温元件判定为异常;当汽轮机内缸内壁测温元件异常时,用温度预测值来代替高压转子外表面温度实测值参与到汽轮机热应力监控系统。
2.如权利要求1所述的一种节流调节型汽轮机高压转子外表面温度预测方法,其特征在于,在所述步骤1.1中,在各负荷段内抽样任选20%的数据样本作为测试样本,剩余80%的数据样本作为训练样本。
3.如权利要求1所述的一种节流调节型汽轮机高压转子外表面温度预测方法,其特征在于,在所述步骤1.1之后并所述步骤1.2之前还包括:对所述训练样本和所述测试样本进行标准化处理,将其值通过线性插值方式控制到0~1之间;在所述步骤2.1之后并所述步骤2.2之前还包括:对运行数据进行标准化处理,将其值通过线性插值方式控制到0~1之间。
4.如权利要求1所述的一种节流调节型汽轮机高压转子外表面温度预测方法,其特征在于,在所述步骤1.2中,网格自动寻优方法确定惩罚系数和宽度系数的步骤为:给定惩罚系数和宽度系数的取值范围、初始值及变化步长,然后就两者的取值进行组合针对训练样本进行训练,最后选择误差最小的一组参数作为最优的惩罚系数和宽度系数。
5.如权利要求1所述的一种节流调节型汽轮机高压转子外表面温度预测方法,其特征在于,在所述步骤1.2中,在选择支持向量回归机模型的核函数时,优先选择径向基函数作为支持向量回归机模型的核函数,在径向基函数无法满足训练和测试要求时,选择多项式函数、感知器函数和线性函数。
6.一种采用如权利要求1所述的节流调节型汽轮机高压转子外表面温度预测方法的装置,其特征在于:包括功率变送器、高精度快速响应型温度变送器及三个压力变送器,功率变送器用于测量汽轮机发电机组电功率,高精度快速响应型温度变送器用于测量主蒸汽温度,主蒸汽压力、高压缸第1级抽汽压力和高压缸排汽压力分别采用各自的压力变送器来测量,计算机通过数据采集系统获取采集由功率变送器、高精度快速响应型温度变送器及压力变送器获取的汽轮机发电机组电功率、主蒸汽温度、主蒸汽压力、高压缸第1级抽汽压力和高压缸排汽压力,再利用如权利要求1所述的采用节流调节型汽轮机高压转子外表面温度预测方法得到温度预测值,当汽轮机内缸内壁测温元件异常时,用温度预测值来代替高压转子外表面温度实测值参与到汽轮机热应力监控系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310165684.6A CN103226664B (zh) | 2013-05-07 | 2013-05-07 | 节流调节型汽轮机高压转子外表面温度预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310165684.6A CN103226664B (zh) | 2013-05-07 | 2013-05-07 | 节流调节型汽轮机高压转子外表面温度预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103226664A true CN103226664A (zh) | 2013-07-31 |
CN103226664B CN103226664B (zh) | 2016-04-06 |
Family
ID=48837109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310165684.6A Active CN103226664B (zh) | 2013-05-07 | 2013-05-07 | 节流调节型汽轮机高压转子外表面温度预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103226664B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544398A (zh) * | 2013-10-30 | 2014-01-29 | 广东工业大学 | 一种基于回归型支持向量机确定节能效果的方法及系统 |
CN104048842A (zh) * | 2014-05-29 | 2014-09-17 | 华中科技大学 | 一种基于软测量技术的汽轮机热耗率在线监测方法 |
CN104564180A (zh) * | 2014-12-29 | 2015-04-29 | 哈尔滨汽轮机厂有限责任公司 | 汽轮机转子应力在线实时监测系统 |
CN109615121A (zh) * | 2018-11-27 | 2019-04-12 | 西安理工大学 | 基于数据驱动支持向量机的高速列车车轴温度预测方法 |
CN110007660A (zh) * | 2019-04-10 | 2019-07-12 | 河北工业大学 | 一种火电厂汽轮机组瞬态等效热应力在线软测量方法 |
CN110346160A (zh) * | 2019-06-24 | 2019-10-18 | 浙江大学 | 一种基于svr的磨煤机效率异常检测与诊断方法 |
CN111928965A (zh) * | 2020-07-13 | 2020-11-13 | 中广核核电运营有限公司 | 转子温度监测方法、装置、计算机设备和存储介质 |
CN112130468A (zh) * | 2020-08-28 | 2020-12-25 | 中核核电运行管理有限公司 | 一种核电汽轮机高压转子外表面温度模拟装置及方法 |
CN112149901A (zh) * | 2020-09-23 | 2020-12-29 | 华北电力科学研究院有限责任公司 | 一种汽轮机低压末级压力场预测方法及装置 |
CN112378468A (zh) * | 2020-11-13 | 2021-02-19 | 四川泛华航空仪表电器有限公司 | 一种小样本训练数据条件下的飞机巡航燃油耗量测量方法 |
CN113095551A (zh) * | 2021-03-26 | 2021-07-09 | 中国大唐集团科学技术研究院有限公司华东电力试验研究院 | 一种基于灰色预测模型的高压转子温度软测量方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2546577A1 (en) * | 2003-11-18 | 2005-06-02 | Aureon Biosciences Corporation | Support vector regression for censored data |
WO2007031716A1 (en) * | 2005-09-13 | 2007-03-22 | Imperial Innovations Limited | Support vector inductive logic programming |
US20090063115A1 (en) * | 2007-08-31 | 2009-03-05 | Zhao Lu | Linear programming support vector regression with wavelet kernel |
CN101561669A (zh) * | 2009-04-30 | 2009-10-21 | 上海发电设备成套设计研究院 | 汽轮机部件低周疲劳寿命损耗在线监视与控制装置及方法 |
CN101561677A (zh) * | 2009-04-30 | 2009-10-21 | 上海发电设备成套设计研究院 | 汽轮机耐用部件剩余寿命在线监视与控制装置及方法 |
-
2013
- 2013-05-07 CN CN201310165684.6A patent/CN103226664B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2546577A1 (en) * | 2003-11-18 | 2005-06-02 | Aureon Biosciences Corporation | Support vector regression for censored data |
WO2007031716A1 (en) * | 2005-09-13 | 2007-03-22 | Imperial Innovations Limited | Support vector inductive logic programming |
US20090063115A1 (en) * | 2007-08-31 | 2009-03-05 | Zhao Lu | Linear programming support vector regression with wavelet kernel |
CN101561669A (zh) * | 2009-04-30 | 2009-10-21 | 上海发电设备成套设计研究院 | 汽轮机部件低周疲劳寿命损耗在线监视与控制装置及方法 |
CN101561677A (zh) * | 2009-04-30 | 2009-10-21 | 上海发电设备成套设计研究院 | 汽轮机耐用部件剩余寿命在线监视与控制装置及方法 |
Non-Patent Citations (2)
Title |
---|
吴波等: "《汽轮机转子表面温度测量的模拟试验研究》", 《动力工程学报》, vol. 31, no. 6, 30 June 2011 (2011-06-30) * |
王世锋,韦元: "《汽轮机转子温度场和热应力的动态分析》", 《能源工程》, no. 4, 31 August 2006 (2006-08-31) * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544398A (zh) * | 2013-10-30 | 2014-01-29 | 广东工业大学 | 一种基于回归型支持向量机确定节能效果的方法及系统 |
CN104048842A (zh) * | 2014-05-29 | 2014-09-17 | 华中科技大学 | 一种基于软测量技术的汽轮机热耗率在线监测方法 |
CN104048842B (zh) * | 2014-05-29 | 2017-03-01 | 华中科技大学 | 一种基于软测量技术的汽轮机热耗率在线监测方法 |
CN104564180A (zh) * | 2014-12-29 | 2015-04-29 | 哈尔滨汽轮机厂有限责任公司 | 汽轮机转子应力在线实时监测系统 |
CN109615121A (zh) * | 2018-11-27 | 2019-04-12 | 西安理工大学 | 基于数据驱动支持向量机的高速列车车轴温度预测方法 |
CN109615121B (zh) * | 2018-11-27 | 2024-01-23 | 西安理工大学 | 基于数据驱动支持向量机的高速列车车轴温度预测方法 |
CN110007660A (zh) * | 2019-04-10 | 2019-07-12 | 河北工业大学 | 一种火电厂汽轮机组瞬态等效热应力在线软测量方法 |
CN110007660B (zh) * | 2019-04-10 | 2020-06-16 | 河北工业大学 | 一种火电厂汽轮机组瞬态等效热应力在线软测量方法 |
CN110346160B (zh) * | 2019-06-24 | 2020-07-10 | 浙江大学 | 一种基于svr的磨煤机效率异常检测与诊断方法 |
CN110346160A (zh) * | 2019-06-24 | 2019-10-18 | 浙江大学 | 一种基于svr的磨煤机效率异常检测与诊断方法 |
CN111928965A (zh) * | 2020-07-13 | 2020-11-13 | 中广核核电运营有限公司 | 转子温度监测方法、装置、计算机设备和存储介质 |
CN112130468A (zh) * | 2020-08-28 | 2020-12-25 | 中核核电运行管理有限公司 | 一种核电汽轮机高压转子外表面温度模拟装置及方法 |
CN112149901A (zh) * | 2020-09-23 | 2020-12-29 | 华北电力科学研究院有限责任公司 | 一种汽轮机低压末级压力场预测方法及装置 |
CN112149901B (zh) * | 2020-09-23 | 2024-04-16 | 华北电力科学研究院有限责任公司 | 一种汽轮机低压末级压力场预测方法及装置 |
CN112378468A (zh) * | 2020-11-13 | 2021-02-19 | 四川泛华航空仪表电器有限公司 | 一种小样本训练数据条件下的飞机巡航燃油耗量测量方法 |
CN113095551A (zh) * | 2021-03-26 | 2021-07-09 | 中国大唐集团科学技术研究院有限公司华东电力试验研究院 | 一种基于灰色预测模型的高压转子温度软测量方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103226664B (zh) | 2016-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103226664A (zh) | 节流调节型汽轮机高压转子外表面温度预测方法和装置 | |
CN103234753A (zh) | 基于高斯过程建模的风电机组轴系状态监测方法 | |
CN104504509B (zh) | 一种采用动态基准值的火电厂耗差分析系统及其方法 | |
WO2019148775A1 (zh) | 风电机组的功率控制方法和设备 | |
CN103742901B (zh) | 一种循环流化床机组耗差分析优化目标值体系的确定方法 | |
US20130318018A1 (en) | Neural network-based turbine monitoring system | |
CN103246279B (zh) | 一种存在执行阀粘滞特性的化工过程的控制性能评估方法 | |
CN110925031A (zh) | 一种大功率间接空冷汽轮机管控系统 | |
US10281310B2 (en) | Weight-based phase composition ratio determination | |
CN111929579B (zh) | 发电机在线故障诊断方法、设备及计算机设备 | |
CN108960492A (zh) | 一种基于pso-svr软测量模型的汽轮机排汽焓预测方法 | |
US20160365735A1 (en) | Systems and Methods for Power Plant Data Reconciliation | |
US20120078567A1 (en) | Combustion reference temperature estimation | |
CN103778478A (zh) | 结合海水潮汐特性的循环水最优运行方式预测方法 | |
EP3473846A1 (en) | Wind power generator system and method and program for controlling the same | |
CN110118157A (zh) | 风力机叶片除冰方法、装置、叶片及风力机 | |
RU2727839C2 (ru) | Способ и система управления машиной | |
JP6677396B2 (ja) | 電力使用量予測システムおよび方法 | |
RU2621422C2 (ru) | Система и способ тестирования показателя работы паровой турбины | |
CN103592531A (zh) | 一种风电场静止无功发生器的参数检测方法及系统 | |
CN103196689A (zh) | 一种水平轴风力机叶片静力测试结果修正方法 | |
Guo et al. | A fault detection method for heat loss in a tyre vulcanization workshop using a dynamic energy consumption model and predictive baselines | |
CN101825503B (zh) | 汽机表面式加热器的出水及疏水温度测算方法 | |
CN102384088B (zh) | 基于转矩流量智能软测量的涡旋压缩机控制系统及方法 | |
Sun et al. | Wind turbine anomaly detection using normal behavior models based on SCADA data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 200240 Shanghai city Minhang District Jianchuan Road No. 1115 Patentee after: SHANGHAI POWER EQUIPMENT Research Institute Address before: 200240 Shanghai city Minhang District Jianchuan Road No. 1115 Patentee before: SHANGHAI POWER EQUIPMENT Research Institute |