CN104598664A - 火电机组的性能监测方法 - Google Patents
火电机组的性能监测方法 Download PDFInfo
- Publication number
- CN104598664A CN104598664A CN201410537739.6A CN201410537739A CN104598664A CN 104598664 A CN104598664 A CN 104598664A CN 201410537739 A CN201410537739 A CN 201410537739A CN 104598664 A CN104598664 A CN 104598664A
- Authority
- CN
- China
- Prior art keywords
- data
- generating unit
- power generating
- model
- thermal power
- 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.)
- Pending
Links
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种火电机组的性能监测方法,属于火力发电领域,该方法步骤包括:步骤一、测量火电机组运行现场各监测点的数据参数;步骤二、建立数据校正模型,模型公式为(1):,式中x,v,w表示待测参数,E表示数据校正模型的目标函数,l0与d0分别为等式与不等式约束的个数;步骤三、实时测量数据输入到数据校正模型,得到火电机组实时数据的校正值;步骤四、实时数据的校正值输入到径向基函数神经网络模型中进行数据整理和分类;步骤五、显示监测结果并存储进数据库。本发明能够对火电机组监测系统中产生的误差测量数据进行校正处理,解决了现有技术中火电机组监测系统中数据测量可能生成的误差数据问题。
Description
技术领域
本发明属于火力发电领域,特别涉及一种火电机组的性能监测方法。
背景技术
随着我国经济体制改革的不断深入,电力系统己逐步走向市场,实行厂网分开,竞价上网的竞争机制。作为发电单位,其任务己不再是简单地完成年度发电指标,而是要致力于提供优质、低耗的电能。提高热经济性、降低煤耗是火电厂节约一次能源的主要途径。电厂性能计算系统通过连续计算火电机组性能指标,把采集的大量数据处理为少量直观的性能结果,及时客观地反映火电厂所需的热经济性,更好的指导操作人员工作。
随着自动化信息技术在火电机组中的普遍应用,火电机组过程的监测、控制和诊断分析越来越多地依赖于机组自动控制和信息系统,而过程实时测量数据则是这些系统可靠运行的重要信息基础,其准确性对机组监控有着直接的影响。但是,由于受到各参数测量原理与方法、变送器及仪表精度等多种因素的影响,测量数据往往不能满足反映过程物理规律的平衡方程,传感器故障在测量数据中还可能出现大的异常值,因此必须对所测量数据进行必要的校正处理。
发明内容
为了克服现有技术中火电机组监测系统中数据测量可能生成的误差数据影响系统判断,本发明提供一种火电机组的性能监测方法,对火电机组监测系统中产生的误差测量数据进行校正处理。
本发明的技术方案是:一种火电机组的性能监测方法,该方法步骤包括:
步骤一、测量火电机组运行现场各监测点的数据参数,包括锅炉运行参数、汽轮机运行参数和供热机组参数,对测量的参数数据进行归一化处理;
步骤二、建立数据校正模型,模型公式为(1): ,式中x,v,w表示待测参数,E表示数据校正模型的目标函数,l0与d0分别为等式与不等式约束的个数;
步骤三、实时测量数据输入到数据校正模型,得到火电机组实时数据的校正值;
步骤四、实时数据的校正值输入到径向基函数神经网络模型中进行数据整理和分类;
步骤五、显示监测结果并存储进数据库。
所述步骤二中的数据校正模型的步骤为:
A. 建立系统平衡约束关系方程,约束方程公式(2)为:,式中x,v,w表示待测参数,l0与d0分别为等式与不等式约束的个数;
B. 建立网络训练目标函数:对于含有n个变量参数的m组训练样本数据经标准化处理后得到目标数据集{tpk},l≤p≤m,l≤k≤n,校正模型的目标训练函数公式(3)为:,式中x,v,w表示待测参数,zpk为函数输出值,{tpk}表示对于含有n个待测量变量参数的m组训练样本数据经标准化处理后得到的目标数据集,l≤p≤m,l≤k≤n;
C. 结合步骤A和步骤B建立数据校正模型,对模型进行训练,对数据校正模型进行训练的数据为历史测量数据。
所述步骤二所述步骤四中的径向基函数神经网络模型的建立包括三个部分:
网络构建:隐层节点的“基”构成隐层空间,确定径向基函数神经网络的中心和映射关系;
网络训练:以目标函数最小化为准则对隐层各个节点的中心点与偏差以及输出权值进行调整修正;
网络识别: 径向基函数神经网络模型输入测试数据。
本发明有如下积极效果:本发明提供的火电机组的性能监测方法,能够对火电机组监测系统中产生的误差测量数据进行校正处理,解决了现有技术中火电机组监测系统中数据测量可能生成的误差数据,避免了误差数据影响系统判断。本发明中的数据校正模型,将过程机理方程和网络目标函数想结合,使得本文所提出的数据校正模型估计值能更好地满足系统内在机理性的规律。具有较高的学习能力和良好的鲁棒性好。同时本发明中使用了径向基函数神经网络模型对实时数据的校正值进行整理和分类处理,从而清楚明了,由于测量数据和种类的繁多,处理难度大,使用径向基函数神经网络模型可以节省大量检查时间,提高工作效率。
附图说明
图1 是本发明中火电机组的性能监测方法的工作流程图;
图2 是本发明中数据校正模型的工作流程图;
图3 是本发明中径向基函数神经网络模型的工作流程图。
具体实施方式
下面对照附图,通过对实施例的描述,本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等,作进一步详细的说明,以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
一种火电机组的性能监测方法,如图1所示,该方法步骤包括:
步骤一、测量火电机组运行现场各监测点的数据参数,包括锅炉运行参数、汽轮机运行参数和供热机组参数,对测量的参数数据进行归一化处理。锅炉运行参数包括排烟含氧量、原煤灰份、飞灰含碳量、排烟温度和环境温度,汽轮机运行参数包括流量、温度和压力参数,发电机组运行参数包括输出电流、输出电压、机油压力和内部水温等参数。对测量进行预处理,归一化可以加快训练网络的收敛性, 归一化的具体作用是归纳统一样本的统计分布性。
步骤二、建立数据校正模型,模型公式为(1):,式中x,v,w表示待测参数,l0与d0分别为等式与不等式约束的个数。
数据校正模型的建立如图2所示,步骤为:
A. 建立系统平衡约束关系方程,约束方程公式(2)为:,式中x,v,w表示待测参数,l0与d0分别为等式与不等式约束的个数。
B. 建立网络训练目标函数:对于含有n个变量参数的m组训练样本数据经标准化处理后得到目标数据集{tpk},l≤p≤m,l≤k≤n,校正模型的目标训练函数公式(3)为:,式中x,v,w表示待测参数,zpk为函数输出值,{tpk}表示对于含有n个待测量变量参数的m组训练样本数据经标准化处理后得到的目标数据集,l≤p≤m,l≤k≤n。
C. 结合步骤A和步骤B建立数据校正模型,对模型进行训练,对数据校正模型进行训练的数据为历史测量数据。
步骤三、实时测量数据输入到数据校正模型,得到火电机组实时数据的校正值。通过基于机理特性和网络目标函数的混合建模方法,能够有效的检测出测量数据中的不良值,具有很好的鲁棒性,在多测点同时发生故障时,也能保证数据校正的准确性和可靠性。
步骤四、实时数据的校正值输入到径向基函数神经网络模型中进行数据整理和分类。
径向基函数神经网络(radial basis function neural network,简称RBF)是一种局部逼近网络,它能够以任意精度逼近任意连续函数,学习速度快,精度高,在逼近能力、分类能力和学习速度等方而均优于BP网络。径向基函数神经网络模型分为三个部分,网络构建、网络训练和网络识别。
径向基函数神经网络的结构和网络和构建:径向基函数神经网络是一种具有单隐层的3层前馈网络。它的基本思想是:用径向基函数神经网络作为隐层节点的“基”构成隐层空间,这样就可以将输入矢量不通过权值连接映射到隐层空间。当径向基函数神经网络的中心点确定后,这种映射关系也就确定了。其中,隐层节点的基函数采用距离函数,而激活函数采用径向基函数(如高斯函数)。
径向基函数神经网络的训练:径向基函数神经网络的训练算法以目标函数最小化为准则对隐层各个节点的中心点与偏差以及输出权值进行调整修正。在此,使用带有动量因子的梯度下降法对网络的各个参数进行修改。径向基函数神经网络网络的目标函数为:
式中式(4)中,为神经网络的输出与期望值的差值,m为训练样本的组数。根据径向基函数神经网络的目标函数,推导出更新输出层权值的公式为:
隐层节点中心点的计算公式为:
隐层节点偏差值计算公式为:
以上三式中,为学习速率,, 为动量因子, 。
其具体流程如图3所示:
1) 程序初始化;
2) 对试验数据进行归一化处理;
3) 创建RBF网络,并输入训练样本进行对网络进行训练;
4) 判断训练样本误差是否小于设定误差;
5) 如果小于设定误差则输出RBF模型结构系数,如果不小于设定误差,则修改训练网络参数后返回步骤3);
6) 输入实时校正值,得到模型输出结果。
径向基函数神经网络的识别:测试数据经过径向基函数神经网络的预测模型输出最佳预测值,得到最逼近的函数。
步骤五、显示监测结果并存储进数据库。监测结果会显示在出来,方便工作人员查看,方便维修人员快速检查。监测结果存储在数据库中,方便系统调用和机器训练,达到更新已知数据库的目的,监测准确度更高,更加实用。
上面结合附图对本发明进行了示例性描述,显然本发明具体实现并不受上述方式的限制,只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进,或未经改进将本发明的构思和技术方案直接应用于其它场合的,均在本发明的保护范围之内。
Claims (4)
1.一种火电机组的性能监测方法,其特征在于,该方法步骤包括:
步骤一、测量火电机组运行现场各监测点的数据参数,包括锅炉运行参数、汽轮机运行参数和供热机组参数,对测量的参数数据进行归一化处理;
步骤二、建立数据校正模型,模型公式为(1): ,式中x,v,w表示待测参数,E表示数据校正模型的目标函数,l0与d0分别为等式与不等式约束的个数;
步骤三、实时测量数据输入到数据校正模型,得到火电机组实时数据的校正值;
步骤四、实时数据的校正值输入到径向基函数神经网络模型中进行数据整理和分类;
步骤五、显示监测结果并存储进数据库。
2.根据权利要求1所述的火电机组的性能监测方法,其特征在于,所述步骤二中的数据校正模型的步骤为:
建立系统平衡约束关系方程,约束方程公式(2)为:,式中x,v,w表示待测参数,l0与d0分别为等式与不等式约束的个数;
建立校正模型的目标函数:对于含有n个变量参数的m组训练样本数据经标准化处理后得到目标数据集{tpk},l≤p≤m,l≤k≤n,校正模型的目标训练函数公式(3)为:,式中x,v,w表示待测参数,zpk为函数输出值,{tpk}表示对于含有n个待测量变量参数的m组训练样本数据经标准化处理后得到的目标数据集,l≤p≤m,l≤k≤n;
结合步骤A和步骤B建立数据校正模型,对模型进行训练。
3.根据权利要求2所述的火电机组的性能监测方法,其特征在于,对数据校正模型进行训练的数据为历史测量数据。
4.根据权利要求1所述的火电机组的性能监测方法,其特征在于,所述步骤二所述步骤四中的径向基函数神经网络模型的建立包括三个部分:
网络构建:隐层节点的“基”构成隐层空间,确定径向基函数神经网络的中心和映射关系;
网络训练:以目标函数最小化为准则对隐层各个节点的中心点与偏差以及输出权值进行调整修正;
网络识别: 径向基函数神经网络模型输入测试数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410537739.6A CN104598664A (zh) | 2014-10-13 | 2014-10-13 | 火电机组的性能监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410537739.6A CN104598664A (zh) | 2014-10-13 | 2014-10-13 | 火电机组的性能监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104598664A true CN104598664A (zh) | 2015-05-06 |
Family
ID=53124444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410537739.6A Pending CN104598664A (zh) | 2014-10-13 | 2014-10-13 | 火电机组的性能监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104598664A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874531A (zh) * | 2016-12-21 | 2017-06-20 | 北京自动化控制设备研究所 | 一种大气数据系统在故障时的异常测量值数据自恢复方法 |
CN109184821A (zh) * | 2018-09-11 | 2019-01-11 | 浙江大学 | 一种面向智能电厂大型发电机组汽轮机的闭环信息分析的在线监测方法 |
CN109858125A (zh) * | 2019-01-22 | 2019-06-07 | 中国大唐集团科学技术研究院有限公司火力发电技术研究院 | 一种基于径向基神经网络的火电机组供电煤耗计算方法 |
CN110543108A (zh) * | 2019-09-20 | 2019-12-06 | 常州英集动力科技有限公司 | 基于机理模型预测的供热系统测量数据的校正方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0445310A1 (de) * | 1990-02-09 | 1991-09-11 | Viessmann Werke GmbH & Co. | Verfahren und Vorrichtung zur Regelung der Vorlauftemperatur in Mehrkessel-Heizungssystemen. |
CN101320255A (zh) * | 2008-07-04 | 2008-12-10 | 中国电力科学研究院 | 一种火电机组燃煤热值实时监测方法及热值观测器 |
-
2014
- 2014-10-13 CN CN201410537739.6A patent/CN104598664A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0445310A1 (de) * | 1990-02-09 | 1991-09-11 | Viessmann Werke GmbH & Co. | Verfahren und Vorrichtung zur Regelung der Vorlauftemperatur in Mehrkessel-Heizungssystemen. |
CN101320255A (zh) * | 2008-07-04 | 2008-12-10 | 中国电力科学研究院 | 一种火电机组燃煤热值实时监测方法及热值观测器 |
Non-Patent Citations (1)
Title |
---|
李军: "改进的BP算法在汽轮机热力系统故障诊断与预测中的应用研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874531A (zh) * | 2016-12-21 | 2017-06-20 | 北京自动化控制设备研究所 | 一种大气数据系统在故障时的异常测量值数据自恢复方法 |
CN106874531B (zh) * | 2016-12-21 | 2020-12-25 | 北京自动化控制设备研究所 | 一种大气数据系统在故障时的异常测量值数据自恢复方法 |
CN109184821A (zh) * | 2018-09-11 | 2019-01-11 | 浙江大学 | 一种面向智能电厂大型发电机组汽轮机的闭环信息分析的在线监测方法 |
CN109858125A (zh) * | 2019-01-22 | 2019-06-07 | 中国大唐集团科学技术研究院有限公司火力发电技术研究院 | 一种基于径向基神经网络的火电机组供电煤耗计算方法 |
CN109858125B (zh) * | 2019-01-22 | 2023-10-27 | 中国大唐集团科学技术研究院有限公司火力发电技术研究院 | 一种基于径向基神经网络的火电机组供电煤耗计算方法 |
CN110543108A (zh) * | 2019-09-20 | 2019-12-06 | 常州英集动力科技有限公司 | 基于机理模型预测的供热系统测量数据的校正方法及系统 |
CN110543108B (zh) * | 2019-09-20 | 2022-09-30 | 常州英集动力科技有限公司 | 基于机理模型预测的供热系统测量数据的校正方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113128781B (zh) | 一种自动构建智能化模型与算法的分布式工业能源运行优化平台 | |
Zhao et al. | A coordinated optimization framework for flexible operation of pumped storage hydropower system: Nonlinear modeling, strategy optimization and decision making | |
Chehouri et al. | Review of performance optimization techniques applied to wind turbines | |
CN103135009B (zh) | 基于使用者回馈信息的电器侦测方法与系统 | |
CN108462165B (zh) | 一种新能源接入电力系统的负荷特性评估方法 | |
CN104598664A (zh) | 火电机组的性能监测方法 | |
CN105512766A (zh) | 一种风电场功率预测方法 | |
CN110363334B (zh) | 基于灰色神经网络模型的光伏并网的电网线损预测方法 | |
CN110989342B (zh) | 一种联合循环机组重型燃气轮机实时t-s模糊建模方法 | |
CN109214708A (zh) | 基于交叉熵理论优化支持向量机的电力系统风险评估方法 | |
CN106936627A (zh) | 一种基于大数据分析挖掘的火电设备性能监测方法 | |
CN110070223A (zh) | 一种应用于新建风电场的短期功率预测方法 | |
CN115660232A (zh) | 风电功率的超短期预测方法、装置及系统 | |
CN104156885B (zh) | 一种基于可靠性函数的风电容量可信度的快速计算方法 | |
CN105576654A (zh) | 直驱风电场等值方法和系统 | |
Yang et al. | Short-term wind power prediction based on multi-parameters similarity wind process matching and weighed-voting-based deep learning model selection | |
Chen et al. | Application of deep learning modelling of the optimal operation conditions of auxiliary equipment of combined cycle gas turbine power station | |
CN111443602B (zh) | 一种基于隐马尔可夫的阀门健康度估计与寿命预测方法 | |
CN115759395A (zh) | 光伏检测模型的训练、光伏发电的检测方法及相关装置 | |
Sun et al. | Wind turbine generator selection and comprehensive evaluation based on BPNN optimised by PSO | |
Wang et al. | Multistage Parameter Identification Featured Generic Wind Farm Dynamic Equivalent Modeling | |
CN112670997A (zh) | 考虑光伏不确定性的电热能源系统时序概率潮流计算方法 | |
Zhang et al. | Parameter identification of hvdc transmission system model based on intelligent optimization algorithm | |
CN106200416B (zh) | 大气温度对联合循环机组功率影响的调控系统及方法 | |
Niu et al. | Missing Wind Speed Imputation Research for Wind Farm Considering Wake Effect |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150506 |