CN108037748B - 全工况的火电机组运行优化方法、装置、设备 - Google Patents
全工况的火电机组运行优化方法、装置、设备 Download PDFInfo
- Publication number
- CN108037748B CN108037748B CN201711366332.1A CN201711366332A CN108037748B CN 108037748 B CN108037748 B CN 108037748B CN 201711366332 A CN201711366332 A CN 201711366332A CN 108037748 B CN108037748 B CN 108037748B
- Authority
- CN
- China
- Prior art keywords
- operating condition
- stability
- condition
- library
- economy
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000010977 unit operation Methods 0.000 title claims abstract description 36
- 238000005457 optimization Methods 0.000 title claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000003860 storage Methods 0.000 claims abstract description 17
- 238000005065 mining Methods 0.000 claims abstract description 15
- 238000007418 data mining Methods 0.000 claims abstract description 11
- 238000013461 design Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 40
- 238000012545 processing Methods 0.000 claims description 21
- 239000000428 dust Substances 0.000 claims description 15
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 14
- 229910052799 carbon Inorganic materials 0.000 claims description 14
- 239000010884 boiler slag Substances 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 239000003245 coal Substances 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000005619 thermoelectricity Effects 0.000 claims 1
- 238000012216 screening Methods 0.000 abstract description 11
- 238000002474 experimental method Methods 0.000 description 4
- PVCRZXZVBSCCHH-UHFFFAOYSA-N ethyl n-[4-[benzyl(2-phenylethyl)amino]-2-(4-phenoxyphenyl)-1h-imidazo[4,5-c]pyridin-6-yl]carbamate Chemical compound N=1C(NC(=O)OCC)=CC=2NC(C=3C=CC(OC=4C=CC=CC=4)=CC=3)=NC=2C=1N(CC=1C=CC=CC=1)CCC1=CC=CC=C1 PVCRZXZVBSCCHH-UHFFFAOYSA-N 0.000 description 3
- 238000003556 assay Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种全工况的火电机组运行优化方法，包括调取机组运行的历史数据，从中筛选满足预设稳定条件的稳定性工况；进而筛选出满足预设耗差值的经济性工况；对经济性工况进行频繁模式挖掘，得到经济性规则；依据经济性规则中包含的边界条件及操作因子判断标杆工况库中存储的边界条件及操作因子是否缺失，若缺失，依据缺失内容设计相应的机组试验；进行机组试验，得到缺失内容添加至标杆工况库；重复上述判断操作，直至标杆工况库内无缺失内容，则将经济性规则添加至标杆工况库，供后续指导机组运行操作调整。本发明采用数据挖掘的方式进行优化，可靠性强，同时全面性强；本发明还公开了一种基于上述方法的装置、设备以及计算机存储介质。
Description
技术领域
本发明涉及火电机组性能管理技术领域，特别是涉及一种全工况的火电机组运行优化方法。本发明还涉及一种基于上述方法的装置、设备及计算机存储介质。
背景技术
随着信息技术的发展，多利用人工神经网络、支持向量机、进化算法、信息融合等模型和算法对火电厂的机组的经济性进行建模和预测，从而基于预测结果进行运行优化调整。但是，这些方法采用的是数据计算的方式，由于火电机组会包含较多的操作因子和边界条件，因此采用上述方法对火电机组进行优化时，不仅优化模型的计算量大，且很可能会导致算不出结果的情况出现，即泛化能力差。同时，很多基于此类理论的寻优方法和软件在寻优时并未考虑运行工况是否处于稳定状态，也会导致寻优结果的可靠性不高。
同时，由于火电机组会包含的操作因子和边界条件较多，故设定的作为标杆基准的操作因子和边界条件可能会缺失，无法针对机组进行全工况的操作指导。
因此，如何提供一种可靠性高、且足够全面的全工况的火电机组运行优化方法、装置、设备及计算机存储介质是本领域技术人员目前需要解决的问题。
发明内容
本发明的目的是提供一种全工况的火电机组运行优化方法，采用数据挖掘的方式进行优化，可靠性强，另外还保证了能够对机组进行全工况的操作指导，全面性强；本发明的另一目的是提供一种基于上述方法的装置、设备以及计算机存储介质。
为解决上述技术问题，本发明提供了一种全工况的火电机组运行优化方法，包括：
调取机组运行的历史数据；
从所述历史数据中筛选出满足预设稳定条件的稳定性工况；
从所述稳定性工况内筛选出满足预设耗差值的经济性工况；
对所述经济性工况进行频繁模式挖掘，得到经济性规则；
依据所述经济性规则中包含的边界条件以及操作因子判断标杆工况库中存储的边界条件以及操作因子是否缺失，若缺失，依据缺失内容设计相应的机组试验；
进行所述机组试验，得到所述缺失内容添加至所述标杆工况库；重复上述判断操作，直至所述标杆工况库内无缺失内容，则将所述经济性规则添加至所述标杆工况库，供后续指导机组运行操作调整。
优选地，获得所述经济性工况后，进行频繁模式挖掘之前还包括：
对所述经济性工况内的操作因子和边界条件进行动态离散处理，得到离散后的操作因子和边界条件。
优选地，所述从所述历史数据中筛选出满足预设稳定条件的稳定性工况的过程具体为：
从所述历史数据中调取机组负荷参数；
从所述机组负荷参数中筛选出预设时间段内最大负荷与最小负荷差值小于预设千瓦时的工况段；
依据流程能力关系式对筛选出的各个工况段进行主蒸汽压力的流程能力分析，确定出流程能力不小于1的工况段作为稳定性工况；所述流程能力关系式为：
其中，CPK为流程能力，USL为主蒸汽压力的目标上限值，LSL为主蒸汽压力的目标下限值，X0.5为中分位的主蒸汽压力值，X0.995为0.995分位的主蒸汽压力值，X0.005为0.005分位的主蒸汽压力值。
优选地，所述从所述稳定性工况内筛选出满足预设耗差值的经济性工况的过程具体为：
调取各个所述稳定性工况下机组的运行数据代入飞灰、炉渣含碳量的实时预测模型，获得各个所述稳定性工况下的飞灰、炉渣含碳量；
依据所述飞灰、炉渣含碳量以及各个所述稳定性工况下其他预设经济性指标的实时耗差，得到各个所述稳定性工况下的耗差水平；
将各个所述稳定性工况的耗差水平与预设耗差阈值进行比较，若小于所述预设耗差阈值，则将相应的稳定性工况记录为经济性工况，否则为非经济性工况。
优选地，所述将所述经济性规则添加至所述标杆工况库的过程具体为：
对所述经济性规则中的操作因子和边界条件的对应关系确定所述操作因子所处的边界条件范围，进而确定所述边界条件范围对应的标杆值编码；
将所述标杆值编码与所述操作因子对应存储至所述标杆工况库。
优选地，所述操作因子包括一次风母管压力、机组燃烧器配风方式、磨煤机运行台数、磨煤机出口温度、锅炉炉膛负压、各燃烧器二次风挡板开度、炉膛氧量、循泵运行台数、循泵运行方式、主蒸汽机压力设定值中的任意几种的组合；所述边界条件包括机组负荷范围、燃煤煤质级别分类、燃煤热值范围、燃煤挥发分范围、环境温度范围、对外供热量中的任意几种的组合。
为解决上述技术问题，本发明还提供了一种全工况的火电机组运行优化装置，包括：
采集模块，用于调取机组运行的历史数据；
稳定性处理模块，用于从所述历史数据中筛选出满足预设稳定条件的稳定性工况存入稳定性工况数据库；
所述稳定性工况数据库；
经济性处理模块，用于从所述稳定性工况数据库中存储的稳定性工况内筛选出满足预设耗差值的经济性工况，存入经济性工况数据库；
经济性工况数据库；
数据挖掘模块，用于对所述经济性工况进行频繁模式挖掘，得到经济性规则，触发缺失判断模块；
所述缺失判断模块，用于依据所述经济性规则中包含的边界条件以及操作因子判断标杆工况库中存储的边界条件以及操作因子是否缺失，若缺失，触发试验模块；若不缺失，将所述经济性规则添加至所述标杆工况库，供后续指导机组运行操作调整；
所述试验模块，用于依据缺失内容设计相应的机组试验；进行所述机组试验，得到所述缺失内容添加至所述标杆工况库；触发所述缺失判断模块。
优选地，还包括：
数据离散模块，用于对所述经济性工况数据库中存储的经济性工况内的操作因子和边界条件进行动态离散处理，得到离散后的操作因子和边界条件；触发所述数据挖掘模块。
为解决上述技术问题，本发明还提供了一种全工况的火电机组运行优化设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如以上任一项所述的全工况的火电机组运行优化方法的步骤。
为解决上述技术问题，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如以上任一项所述的全工况的火电机组运行优化方法的步骤。
本发明提供了一种全工况的火电机组运行优化方法，通过从历史数据中筛选稳定的经济性工况，并对其进行频繁模式挖掘后，来得到用于指导后续机组经济性运行操作调整的规则，并且，本发明在将挖掘得到的规则存入标杆工况库之前，首先需要判断标杆工况库内的操作因子和边界条件是否缺失，若缺失，则通过设计试验来进行补充，指导标杆工况库内无缺失内容，再将挖掘得到的规则存入标杆工况库。
可见，本发明采用的是统计的方式进行数据处理，这种方式并不会因为操作因子和边界条件较多而导致计算失败，优化过程的可靠性高；并且，本发明对历史数据进行了稳定性筛选，尽可能保证了得到的规则所对应的工况均处于稳定状态，保证了寻优结果的可靠性。并且，本发明通过将离线数据处理和在线运行试验相结合，保证了能够针对机组进行全工况的操作指导，提高了机组优化的全面性。本发明还提供一种了基于上述方法的装置、设备以及计算机存储介质。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种全工况的火电机组运行优化方法的过程的流程图；
图2为本发明提供的一种全工况的火电机组运行优化装置的结构示意图。
具体实施方式
本发明的核心是提供一种全工况的火电机组运行优化方法，采用数据挖掘的方式进行优化，可靠性强，另外还保证了能够对机组进行全工况的操作指导，全面性强；本发明的另一核心是提供一种基于上述方法的装置、设备以及计算机存储介质。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供了一种全工况的火电机组运行优化方法，参见图1所示，图1为本发明提供的一种全工况的火电机组运行优化方法的过程的流程图；该方法包括：
步骤s1：调取机组运行的历史数据；
其中，该过程具体是从DCS分布式控制系统、SIS厂级信息监控系统数据库中调取机组运行的历史数据。当然，本发明不限定历史数据的存储位置。
步骤s2：从历史数据中筛选出满足预设稳定条件的稳定性工况；
步骤s3：从稳定性工况内筛选出满足预设耗差值的经济性工况；
步骤s4：对经济性工况进行频繁模式挖掘，得到经济性规则；
其中，频繁模式是数据集中频繁出现的项集、序列或子结构；频繁项集的挖掘算法基于Downward Closure性质。具体的说，如果一个项集X是频繁的，那么它的所有子集也是频繁的。反过来说，一个项集S是非频繁的，那么它的所有超集也是非频繁的。挖掘算法可以采用Apriori、FP-growth、decision-tree等算法进行挖掘。当然，本发明并不限定算法的类型。
步骤s5：依据经济性规则中包含的边界条件以及操作因子判断标杆工况库中存储的边界条件以及操作因子是否缺失；
步骤s6：若缺失，依据缺失内容设计相应的机组试验；进行机组试验，得到缺失内容添加至标杆工况库；
重复上述判断操作，直至标杆工况库内无缺失内容，则将经济性规则添加至标杆工况库，供后续指导机组运行操作调整。
作为优选地，步骤s3后，步骤s4之前还包括：
步骤s30：对经济性工况内的操作因子和边界条件进行动态离散处理，得到离散后的操作因子和边界条件。
可以理解的是，对于火电机组生产运行指导，得到能够非常具体细致的规则(直接指导运行操作目标)和得到较为粗略但是明确的规则(作为试验优化方向，降低试验成本)是比较有实际意义的。那么对于边界条件E及操作因子(可控因子)O的离散化处理不能简单的一次性离散化处理(目前普遍采取的方法，一次性等频离散化)，而是需要动态的方式对E和O进行处理后，进行数据挖掘得出规则。
其中，对于机组运行经济水平的划分(即上述离散化处理)可以但不局限于K-means、设置耗差C阀值等方法，可以通过K-means中的K值不断增大或者耗差C阀值不断减小，来缩小经济水平簇数据范围，以此来对边界条件E及操作因子(可控因子)O的进行离散化处理。
可以理解的是，从历史数据库中获取的历史数据中一般包含有连续数据，通常情况下，为了方便后续数据处理，需要将连续数据进行离散后，在对离散数据进行处理。而目前的离散方式一般未考虑数据的分布情况，而是采用相同的离散方式进行离散，这样导致离散后的结果精确度可能不够高。而本发明采用的方式为动态离散，即根据待离散的数据的分布的均匀性，来动态选择不同的离散方式进行离散，并且，上述离散过程中，等距划分的距离间隔以及等频划分的频率间隔均是可变的，可根据实际情况进行调整，因此本发明的离散能够最大限度的避免对历史数据造成影响，离散数据的精确度高，误差程度小。
进一步可知，对于基于数据挖掘的优化，主要是对Eik、Ojk、Ck进行频繁模式挖掘，得出经济性的规则RULL，即p(Eim∧Ojn︱Co)>Xo，其中，Eik为边界条件，Ojk为操作因子(可控因子)，Ck为机组总耗差，Co为划分为经济水平的簇，Xo为设定的支持度阀值；i为边界条件的项数，j为可控因子的项数；(Eik，Ojk，Ck)为第k行、i+j+1列的稳定工况数据。
为方便理解，以下采用K-means聚类的方法对边界条件进行离散化、用等频法对可控因子进行离散化来举例，实际应用不局限于这两类离散化方法，本发明的过程如下：
从实时数据库中提取实际工况数据(Eik，Ojk，Ck)，(Eik，Ojk，Ck)为第k行、i+j+1列的稳定工况数据；i为边界条件的项数，j为可控因子的项数；
从稳定工况库中筛选出经济工况数据(Eik，Ojk)；
用K-means方法对Eik进行聚类分析，分别对E1,E2…Ei进行聚类，K＝3～6；用等频法对O1，O2…Oj进行离散化处理，各操作因子划分步长由长到短，根据数据对应关系，可以得到不同的(Eim,Ojn)簇组合；
通过频繁模式对其进行挖掘，大于置信度的组合，即可视为规则；
由于在数据挖掘过程中对边界条件和可控因子离散化动态处理，可以得到不同粒度下的边界条件及可控因子组合，得到当前机组经济水平划分下的经济运行规则表。
在优选实施例中，步骤s2的过程具体为：
从历史数据中调取机组负荷参数；
从机组负荷参数中筛选出预设时间段内最大负荷与最小负荷差值小于预设千瓦时的工况段；
其中，这里的预设千瓦时可以为1万千瓦时，预设时间段可以是30分钟，当然，本发明对以上两个参数的具体数值不做限定。
依据流程能力关系式对筛选出的各个工况段进行主蒸汽压力的流程能力分析，确定出流程能力不小于1的工况段作为稳定性工况；流程能力关系式为：
其中，CPK为流程能力，USL为主蒸汽压力的目标上限值，LSL为主蒸汽压力的目标下限值，X0.5为中分位的主蒸汽压力值，X0.995为0.995分位的主蒸汽压力值，X0.005为0.005分位的主蒸汽压力值。
在优选实施例中，步骤s3的过程具体为：
调取各个稳定性工况下机组的运行数据代入飞灰、炉渣含碳量的实时预测模型，获得各个稳定性工况下的飞灰、炉渣含碳量；
依据飞灰、炉渣含碳量以及各个稳定性工况下其他预设经济性指标的实时耗差，得到各个稳定性工况下的耗差水平；
将各个稳定性工况的耗差水平与预设耗差阈值进行比较，若小于预设耗差阈值，则将相应的稳定性工况记录为经济性工况，否则为非经济性工况。
其中，这里的预设耗差阈值可以为3g/kwh，当然，本发明不限定预设耗差阈值的具体数值。这里的经济性指标可以包括：主汽压力、主蒸汽温度、再热汽温、凝汽器真空、排烟温度等中的任意几种的组合，当然，也可包含其他指标，本发明对此不作限定。
进一步可知，获得飞灰、炉渣含碳量的实时预测模型的方式是：
调取运行数据工况数据，利用神经网络建模的方法，得到运行数据工况数据中的运行操作及边界的变化对飞灰、炉渣的影响关系，即建立飞灰、炉渣含碳量的实时预测模型。
在优选实施例中，步骤s6中，将经济性规则添加至标杆工况库的过程具体为：
根据经济性规则中的操作因子和边界条件的对应关系(譬如：磨煤机台数与负荷、煤质的关系)确定操作因子所处的边界条件范围，进而确定边界条件范围对应的标杆值编码；
将标杆值编码与操作因子对应存储至标杆工况库。
具体的，操作因子包括一次风母管压力、机组燃烧器配风方式、磨煤机运行台数、磨煤机出口温度、锅炉炉膛负压、各燃烧器二次风挡板开度、炉膛氧量、循泵运行台数、循泵运行方式、主蒸汽机压力设定值中的任意几种的组合；边界条件包括机组负荷范围、燃煤煤质级别分类、燃煤热值范围、燃煤挥发分范围、环境温度范围、对外供热量中的任意几种的组合。当然，实际应用过程中，操作因子和边界条件还可包含其他参量，本发明对此不作限定。
本发明提供了一种全工况的火电机组运行优化方法，通过从历史数据中筛选稳定的经济性工况，并对其进行频繁模式挖掘后，来得到用于指导后续机组经济性运行操作调整的规则，并且，本发明在将挖掘得到的规则存入标杆工况库之前，首先需要判断标杆工况库内的操作因子和边界条件是否缺失，若缺失，则通过设计试验来进行补充，指导标杆工况库内无缺失内容，再将挖掘得到的规则存入标杆工况库。
可见，本发明采用的是统计的方式进行数据处理，这种方式并不会因为操作因子和边界条件较多而导致计算失败，优化过程的可靠性高；并且，本发明对历史数据进行了稳定性筛选，尽可能保证了得到的规则所对应的工况均处于稳定状态，保证了寻优结果的可靠性。并且，本发明通过将离线数据处理和在线运行试验相结合，保证了能够针对机组进行全工况的操作指导，提高了机组优化的全面性。
本发明还提供了一种全工况的火电机组运行优化装置，参见图2所示，图2为本发明提供的一种全工况的火电机组运行优化装置的结构示意图。该装置包括：
采集模块1，用于调取机组运行的历史数据；
稳定性处理模块2，用于从历史数据中筛选出满足预设稳定条件的稳定性工况存入稳定性工况数据库3；
稳定性工况数据库3；
经济性处理模块4，用于从稳定性工况数据库3中存储的稳定性工况内筛选出满足预设耗差值的经济性工况，存入经济性工况数据库5；
经济性工况数据库5；
数据挖掘模块7，用于对经济性工况进行频繁模式挖掘，得到经济性规则，触发缺失判断模块9；
缺失判断模块9，用于依据经济性规则中包含的边界条件以及操作因子判断标杆工况库中存储的边界条件以及操作因子是否缺失，若缺失，触发试验模块10；若不缺失，将经济性规则添加至标杆工况库8，供后续指导机组运行操作调整；
试验模块10，用于依据缺失内容设计相应的机组试验；进行机组试验，得到缺失内容添加至标杆工况库8；触发缺失判断模块9。
可以理解的是，机组现场包含有用于数据采集、处理以及存储的装置，该装置一般包含SIS和DCS系统的数据库以及进行数据采集的传感器、PLC装置、化验平台等等。上述采集模块1用于采集该装置内存储的数据。
作为优选地，该装置还包括：
数据离散模块6，用于对经济性工况数据库5中存储的经济性工况内的操作因子和边界条件进行动态离散处理，得到离散后的操作因子和边界条件；触发数据挖掘模块7。
作为优选地，稳定性处理模块2具体包括：
调取单元，用于从历史数据中调取机组负荷参数；
第一筛选单元，用于从机组负荷参数中筛选出预设时间段内最大负荷与最小负荷差值小于预设千瓦时的工况段；其中，这里的预设千瓦时可以为1万千瓦时，预设时间段可以是30分钟，当然，本发明对以上两个参数的具体数值不做限定。
分析单元，用于依据流程能力关系式对筛选出的各个工况段进行主蒸汽压力的流程能力分析，确定出流程能力不小于1的工况段作为稳定性工况；流程能力关系式为：
其中，CPK为流程能力，USL为主蒸汽压力的目标上限值，LSL为主蒸汽压力的目标下限值，X0.5为中分位的主蒸汽压力值，X0.995为0.995分位的主蒸汽压力值，X0.005为0.005分位的主蒸汽压力值。
作为优选地，经济性处理模块4具体包括：
模型处理单元，用于调取各个稳定性工况下机组的运行数据代入飞灰、炉渣含碳量的实时预测模型，获得各个稳定性工况下的飞灰、炉渣含碳量；
耗差计算单元，用于依据飞灰、炉渣含碳量以及各个稳定性工况下其他预设经济性指标的实时耗差，得到各个稳定性工况下的耗差水平；
第二筛选单元，用于将各个稳定性工况的耗差水平与预设耗差阈值进行比较，若小于预设耗差阈值，则将相应的稳定性工况记录为经济性工况，否则为非经济性工况。
在优选实施例中，缺失判断模块9具体包括：
判断单元，用于依据经济性规则中包含的边界条件以及操作因子判断标杆工况库中存储的边界条件以及操作因子是否缺失，若缺失，触发试验模块10；若不缺失，触发编码确定单元；
编码确定单元，用于依据对应关系确定离散后的操作因子所处的边界条件范围，进而确定边界条件范围对应的标杆值编码；
存储单元，用于将标杆值编码与离散后的操作因子存入标杆工况库8。
需要注意的是，上述各个模块以及数据库可以设置在同一台计算机上，也可以设置在不同的计算机上，本发明对此不作限定。
另外，本发明还可包含一个数据发布器，用于方便工作人员对标杆工况库内的数据进行查看。
本发明提供了一种全工况的火电机组运行优化装置，通过从历史数据中筛选稳定的经济性工况，并对其进行频繁模式挖掘后，来得到用于指导后续机组经济性运行操作调整的规则，并且，本发明在将挖掘得到的规则存入标杆工况库之前，首先需要判断标杆工况库内的操作因子和边界条件是否缺失，若缺失，则通过设计试验来进行补充，指导标杆工况库内无缺失内容，再将挖掘得到的规则存入标杆工况库。
可见，本发明采用的是统计的方式进行数据处理，这种方式并不会因为操作因子和边界条件较多而导致计算失败，优化过程的可靠性高；并且，本发明对历史数据进行了稳定性筛选，尽可能保证了得到的规则所对应的工况均处于稳定状态，保证了寻优结果的可靠性。并且，本发明通过将离线数据处理和在线运行试验相结合，保证了能够针对机组进行全工况的操作指导，提高了机组优化的全面性。
本发明还提供了一种全工况的火电机组运行优化设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行计算机程序时实现如以上任一项的全工况的火电机组运行优化方法的步骤。
本发明还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如以上任一项的全工况的火电机组运行优化方法的步骤。
本发明提供了一种全工况的火电机组运行优化方法，通过从历史数据中筛选稳定的经济性工况，并对其进行频繁模式挖掘后，来得到用于指导后续机组经济性运行操作调整的规则，并且，本发明在将挖掘得到的规则存入标杆工况库之前，首先需要判断标杆工况库内的操作因子和边界条件是否缺失，若缺失，则通过设计试验来进行补充，指导标杆工况库内无缺失内容，再将挖掘得到的规则存入标杆工况库。
可见，本发明采用的是统计的方式进行数据处理，这种方式并不会因为操作因子和边界条件较多而导致计算失败，优化过程的可靠性高；并且，本发明对历史数据进行了稳定性筛选，尽可能保证了得到的规则所对应的工况均处于稳定状态，保证了寻优结果的可靠性。并且，本发明通过将离线数据处理和在线运行试验相结合，保证了能够针对机组进行全工况的操作指导，提高了机组优化的全面性。本发明还提供一种了基于上述方法的装置、设备以及计算机存储介质。
以上所述仅是本发明实施方式举例，本发明不限于以上实施例。相关专业技术人员在不脱离本发明精神和构思前提下推演出的其他改进和变化，均应包含在本发明的保护范围之内。
还需要说明的是，而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种全工况的火电机组运行优化方法，其特征在于，包括：
调取机组运行的历史数据；
从所述历史数据中筛选出满足预设稳定条件的稳定性工况；
从所述稳定性工况内筛选出满足预设耗差值的经济性工况；
对所述经济性工况进行频繁模式挖掘，得到经济性规则；
依据所述经济性规则中包含的边界条件以及操作因子判断标杆工况库中存储的边界条件以及操作因子是否缺失，若缺失，依据缺失内容设计相应的机组试验；
进行所述机组试验，得到所述缺失内容添加至所述标杆工况库；重复上述判断操作，直至所述标杆工况库内无缺失内容，则将所述经济性规则添加至所述标杆工况库，供后续指导机组运行操作调整；
其中，所述从所述历史数据中筛选出满足预设稳定条件的稳定性工况的过程具体为：
从所述历史数据中调取机组负荷参数；
从所述机组负荷参数中筛选出预设时间段内最大负荷与最小负荷差值小于预设千瓦时的工况段；
依据流程能力关系式对筛选出的各个工况段进行主蒸汽压力的流程能力分析，确定出流程能力不小于1的工况段作为稳定性工况；所述流程能力关系式为：
其中，CPK为流程能力，USL为主蒸汽压力的目标上限值，LSL为主蒸汽压力的目标下限值，X0.5为中分位的主蒸汽压力值，X0.995为0.995分位的主蒸汽压力值，X0.005为0.005分位的主蒸汽压力值。
2.根据权利要求1所述的方法，其特征在于，获得所述经济性工况后，进行频繁模式挖掘之前还包括：
对所述经济性工况内的操作因子和边界条件进行动态离散处理，得到离散后的操作因子和边界条件。
3.根据权利要求1所述的方法，其特征在于，所述从所述稳定性工况内筛选出满足预设耗差值的经济性工况的过程具体为：
调取各个所述稳定性工况下机组的运行数据代入飞灰、炉渣含碳量的实时预测模型，获得各个所述稳定性工况下的飞灰、炉渣含碳量；
依据所述飞灰、炉渣含碳量以及各个所述稳定性工况下其他预设经济性指标的实时耗差，得到各个所述稳定性工况下的耗差水平；
将各个所述稳定性工况的耗差水平与预设耗差阈值进行比较，若小于所述预设耗差阈值，则将相应的稳定性工况记录为经济性工况，否则为非经济性工况。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述将所述经济性规则添加至所述标杆工况库的过程具体为：
对所述经济性规则中的操作因子和边界条件的对应关系确定所述操作因子所处的边界条件范围，进而确定所述边界条件范围对应的标杆值编码；
将所述标杆值编码与所述操作因子对应存储至所述标杆工况库。
5.根据权利要求4所述的方法，其特征在于，所述操作因子包括一次风母管压力、机组燃烧器配风方式、磨煤机运行台数、磨煤机出口温度、锅炉炉膛负压、各燃烧器二次风挡板开度、炉膛氧量、循泵运行台数、循泵运行方式、主蒸汽机压力设定值中的任意几种的组合；所述边界条件包括机组负荷范围、燃煤煤质级别分类、燃煤热值范围、燃煤挥发分范围、环境温度范围、对外供热量中的任意几种的组合。
6.一种全工况的火电机组运行优化装置，其特征在于，包括：
采集模块，用于调取机组运行的历史数据；
稳定性处理模块，用于从所述历史数据中筛选出满足预设稳定条件的稳定性工况存入稳定性工况数据库；
所述稳定性工况数据库；
经济性处理模块，用于从所述稳定性工况数据库中存储的稳定性工况内筛选出满足预设耗差值的经济性工况，存入经济性工况数据库；
所述经济性工况数据库；
数据挖掘模块，用于对所述经济性工况进行频繁模式挖掘，得到经济性规则，触发缺失判断模块；
所述缺失判断模块，用于依据所述经济性规则中包含的边界条件以及操作因子判断标杆工况库中存储的边界条件以及操作因子是否缺失，若缺失，触发试验模块；若不缺失，将所述经济性规则添加至所述标杆工况库，供后续指导机组运行操作调整；
所述试验模块，用于依据缺失内容设计相应的机组试验；进行所述机组试验，得到所述缺失内容添加至所述标杆工况库；触发所述缺失判断模块。
7.根据权利要求6所述的装置，其特征在于，还包括：
数据离散模块，用于对所述经济性工况数据库中存储的经济性工况内的操作因子和边界条件进行动态离散处理，得到离散后的操作因子和边界条件；触发所述数据挖掘模块。
8.一种全工况的火电机组运行优化设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至5任一项所述的全工况的火电机组运行优化方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的全工况的火电机组运行优化方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711366332.1A CN108037748B (zh) | 2017-12-18 | 2017-12-18 | 全工况的火电机组运行优化方法、装置、设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711366332.1A CN108037748B (zh) | 2017-12-18 | 2017-12-18 | 全工况的火电机组运行优化方法、装置、设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108037748A CN108037748A (zh) | 2018-05-15 |
| CN108037748B true CN108037748B (zh) | 2019-08-20 |
Family
ID=62099483
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711366332.1A Active CN108037748B (zh) | 2017-12-18 | 2017-12-18 | 全工况的火电机组运行优化方法、装置、设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108037748B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109407506A (zh) * | 2018-11-28 | 2019-03-01 | 深圳圣缘节能科技有限公司 | 一种基于数据挖掘的火电厂机组动态最优值的获取方法 |
| CN110837226B (zh) * | 2019-12-26 | 2023-04-11 | 华润电力技术研究院有限公司 | 基于智能优化算法的火电机组操作寻优方法及相关装置 |
| CN112465242A (zh) * | 2020-12-03 | 2021-03-09 | 华润电力技术研究院有限公司 | 一种火电厂运行优化分析方法、装置、设备及存储介质 |
| CN112764400A (zh) * | 2020-12-29 | 2021-05-07 | 华润电力技术研究院有限公司 | 一种在线自动控制品质评估和优化系统和方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101187804A (zh) * | 2006-11-15 | 2008-05-28 | 北京华电天仁电力控制技术有限公司 | 基于数据挖掘的火电机组运行优化规则提取方法 |
| CN102636991A (zh) * | 2012-04-18 | 2012-08-15 | 国电科学技术研究院 | 一种基于模糊集关联规则的火电机组运行参数优化方法 |
| CN104504614B (zh) * | 2014-12-16 | 2018-09-18 | 深圳市出新知识产权管理有限公司 | 获得火电厂最优可控因子的试验系统及其方法 |
| CN106094744B (zh) * | 2016-06-04 | 2018-10-23 | 上海大学 | 基于关联规则挖掘的火电厂主运行参数目标值的确定方法 |
-
2017
- 2017-12-18 CN CN201711366332.1A patent/CN108037748B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN108037748A (zh) | 2018-05-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108037748B (zh) | 全工况的火电机组运行优化方法、装置、设备 | |
| CN108052007A (zh) | 火电机组运行优化方法、装置、设备及计算机存储介质 | |
| CN102809928B (zh) | 一种工业企业热力设备能耗的控制优化方法 | |
| CN100527025C (zh) | 过程控制系统 | |
| CN105787583A (zh) | 一种冶金煤气综合动态平衡调度系统及方法 | |
| KR102094288B1 (ko) | 보일러의 연소 최적화 연산을 위한 시스템 및 방법 | |
| CN106504116A (zh) | 基于电网运行与暂态稳定裕度指标关联的稳定评估方法 | |
| CN101187804A (zh) | 基于数据挖掘的火电机组运行优化规则提取方法 | |
| CN102433137B (zh) | 焦炉碳化室压力调节装置及其模糊控制方法 | |
| CN106019935B (zh) | 基于约束模糊关联规则的多目标锅炉燃烧优化 | |
| CN103426035A (zh) | 钢铁行业副产高炉煤气自平衡调度系统及产消量预测方法 | |
| CN102840571B (zh) | 基于子空间辨识的火力电站锅炉输出过热蒸汽的预报方法 | |
| CN107818409A (zh) | 基于模糊关联规则的水泥生产参数及调节区间的优化方法 | |
| CN110624696B (zh) | 一种智慧化电除尘节能方法 | |
| Celik et al. | DDDAMS-based dispatch control in power networks | |
| CN108734419B (zh) | 一种基于知识迁移的高炉煤气调度系统建模方法 | |
| JP2016537729A (ja) | プラントにおける生成プロセスおよび／またはプロセスエンジニアリングプロセスおよび／またはプロセスステップを分析するための方法、システム、およびコンピュータプログラム製品 | |
| CN113177352A (zh) | 一种基于数值模拟和人工智能的锅炉燃烧优化系统及方法 | |
| CN117908359A (zh) | 一种基于加热炉智能集控装置实现油田集输两段火温度控制的方法与系统 | |
| CN117540981A (zh) | 基于碳排放约束的建筑多能源调度方法及系统 | |
| KR20220076869A (ko) | 전력 사용량 예측 시스템 및 방법 | |
| CN117332952A (zh) | 一种碳排放自主调控方法及系统 | |
| CN114740713B (zh) | 一种湿法烟气脱硫过程的多目标优化控制方法 | |
| CN113887130B (zh) | 一种基于集成学习的工业锅炉运行优化方法 | |
| CN211526443U (zh) | 垃圾焚烧炉的自动燃烧控制系统 |
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 |