CN108647809A - 一种基于最小二乘支持向量机的汽轮机排汽焓实时计算方法 - Google Patents
一种基于最小二乘支持向量机的汽轮机排汽焓实时计算方法 Download PDFInfo
- Publication number
- CN108647809A CN108647809A CN201810343813.9A CN201810343813A CN108647809A CN 108647809 A CN108647809 A CN 108647809A CN 201810343813 A CN201810343813 A CN 201810343813A CN 108647809 A CN108647809 A CN 108647809A
- Authority
- CN
- China
- Prior art keywords
- vector machine
- square method
- supporting vector
- turbine
- steam
- 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
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000004364 calculation method Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 230000001172 regenerating effect Effects 0.000 claims abstract description 4
- 238000010606 normalization Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000001105 regulatory effect Effects 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000012706 support-vector machine Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Control Of Turbines (AREA)
Abstract
本发明公开了一种基于最小二乘支持向量机的汽轮机排汽焓实时计算方法,该方法选取机组负荷,主汽流量、压力和温度、调节级后压力和温度、中压缸进汽压力和温度等进汽参数作为输入变量,同时,选取高压缸排汽压力和温度、低压缸排汽和温度等排汽参数作为输入变量,此外,选取汽轮机八级回热系统的抽汽压力和温度等抽汽参数作为输入变量,总计共28个参数作为最小二乘支持向量机模型的输入变量,汽轮机低压缸的排汽焓作为输出变量,建立基于最小二乘支持向量机的汽轮机低压缸的排汽焓实时计算模型。通过对最小二乘支持向量机模型的训练,得到了汽轮机低压缸的排汽焓的计算模型,便于在线监测中进行实时调用。
Description
技术领域
本发明属于能源动力技术领域,具体涉及一种基于最小二乘支持向量机的汽轮机排汽焓实时计算方法,适用于汽轮机低压缸的排汽焓的在线计算、汽轮机低压缸效率的在线计算、汽轮发电机组热力系统的在线经济分析。
背景技术
随着发电行业逐步进入信息化时代,这就需要在线计算汽轮机组的经济性,难点在于汽轮机低压缸的排汽焓的在线计算。汽轮机低压缸的排汽品位低,而且是湿蒸汽,除了需要排汽压力和排汽温度外,还需要利用湿蒸汽干度,才能计算排汽焓,然而,汽轮机低压缸的排汽干度没有在线测量装置,这就无法在线计算低压缸的排汽焓,进而无法在线计算低压缸效率以及汽轮发电机组的经济性。
传统的能量平衡法计算汽轮机的排汽焓,所需数据多,且计算工作量大、计算步骤繁琐,缺乏实时性差。曲线外推法计算汽轮机的排汽焓,在低负荷以及变工况时不理想,计算精度差。熵增计算法计算汽轮机的排汽焓,涉及到辅助汽水的流量分布,实用性不大。人工神经网络算法计算汽轮机低压缸的排汽焓容易陷入局部极值,还易发生“过拟合”现象。
如何利用机器学习算法实现汽轮机低压缸排汽焓的在线计算成为了技术难点。最小二乘支持向量机能够克服人工神经网络的不足,还能够克服普通支持向量机对于大样本数据训练的局限性,因此越来越广泛地被用于复杂非线性系统的建模中。
发明内容
本发明的目的在于提供一种基于最小二乘支持向量机的汽轮机排汽焓实时计算方法,通过最小二乘支持向量机这种机器学习算法,建立基于最小二乘支持向量机的汽轮机低压缸的排汽焓计算模型,通过对模型的训练得到基于最小二乘支持向量机的汽轮机低压缸排汽焓计算模型,便于在线监测中实时调用,从而在线计算汽轮机的排汽焓、在线分析汽轮发电机组热力系统的经济性。
本发明采用如下技术方案来实现的:
一种基于最小二乘支持向量机的汽轮机排汽焓实时计算方法,包括以下步骤:
1)收集汽轮机正常运行全负荷工况下的历史数据并进行数据预处理;
2)对预处理后的历史数据进行归一化处理;
3)建立基于最小二乘支持向量机的汽轮机低压缸的排汽焓预测模型;
4)基于最小二乘支持向量机的汽轮机低压缸的排汽焓计算模型的训练;
5)将训练好的基于最小二乘支持向量机的汽轮机低压缸的排汽焓计算模型储存,方便在线计算汽轮发电机组的经济性时实时调用。
本发明进一步的改进在于,步骤1)的具体实现方法如下:
提取汽轮机正常运行全负荷工况下的历史数据,包括由机组负荷、主蒸汽流量、压力和温度、调节级后压力和温度、中压缸进汽压力和温度组成的进汽参数,由高压缸排汽压力和温度、低压缸排汽和温度组成的排汽参数,汽轮机八级回热系统的抽汽压力和温度的抽汽参数,以及汽轮机低压缸的排汽焓试验数据,并对历史数据用证实法进行数据预处理,剔除明显的坏点,计算模型如下:
X=(x1,x2,…,xm)T (2)
式中:xm+1表示预测值,m表示前m个数;X表示原始数据矩阵;B表示系数矩阵,T表示矩阵转置运算;
取当前采样数据之前的十个正常数据样本点作为历史数据,用五阶不加权预测模型,计算得到的预测系数矩阵为B,当预测值和测量值之差超过20%时,就用预测值代替测量值。
本发明进一步的改进在于,步骤2)中,将采集到的28个输入变量和输出变量做归一化处理,将其转换为无量纲量,消除量纲和数量级对模型训练的影响,归一化公式为:
式中,x表示分别为归一化前的值,x’表示归一化后的值;ymax表示归一化范围的最大值,ymin表示归一化范围的最小值,归一化后的数据均落在-1到1之间。
本发明进一步的改进在于,步骤3)中,用归一化后的28个无量纲参数作为最小二乘支持向量机的输入变量,归一化后的汽轮机低压缸排汽焓无量纲参数作为输出变量,建立基于最小二乘支持向量机的汽轮机低压缸的排汽焓计算模型。
本发明进一步的改进在于,具体方法如下:
对于样本集(xi,yi),i=1,2,…l,x∈Rl,y∈R,其中xi表示第i个输入向量,yi表示第i个输出,最小二乘支持向量机的回归模型为:
f(x)=HTφ(x)+n(4)
式中,H和n为需要确定的参数,φ(·)为非线性映射,将样本映射到特征空间中,求解式(5)的最小化即可确定H和n,式(5)的最优化问题表示为式(6)的形式:
式中,G1表示损失函数,C表示调节因子,与式(6)相对应的Lagrange函数为:
式中,αi≥0表示Lagrange乘子,ei表示误差;根据KKT条件:即可得到式(8),消去H和ei后,最终得到回归函数如式(9)所示:
式中,K(x,xi)=φ(x)Tφ(xi)为一个满足Mercer条件的核函数;
选用径向基函数作为基于最小二乘支持向量机的汽轮机低压缸的排汽焓的核函数,其表达式为:
式中,σ2表示核宽度。
本发明进一步的改进在于,步骤4)中,最小二乘支持向量机模型的核函数选用RBF径向核函数,初设调节因子c为136和核参数σ2为8,进行最小二乘支持向量机模型的训练,并优化得到最终的调节因子c和核参数σ2。
本发明具有如下有益的技术效果:
本发明通过最小二乘支持向量机建模来计算汽轮机低压缸的排汽焓,首先对采集到的正常运行下全负荷工况的历史数据进行数据预处理,剔除其中明显的坏点,再对剔除坏点后的数据做归一化处理,将其转换为无量纲量,消除量纲和数量级对模型训练的影响。用归一化后的28个无量纲参数作为最小二乘支持向量机模型的输入变量,归一化后的汽轮机低压缸排汽焓无量纲参数作为最小二乘支持向量机模型输出变量,通过对模型的训练,得到基于最小二乘支持向量机的汽轮机低压缸的排汽焓计算模型,再将训练好的模型储存起来,方便在实时计算汽轮发电机组经济性时直接调用。
附图说明
图1为本发明基于最小二乘支持向量机的汽轮机排汽焓实时计算方法的模型图。
具体实施方式
以下结合附图和实施例对本发明做出进一步的说明。
如图1所示,本发明提供的一种基于最小二乘支持向量机的汽轮机排汽焓实时计算方法,包括以下步骤:
1)收集历史稳态数据
在电厂的生产过程数据库系统里提取汽轮机正常运行全负荷工况下的历史数据(机组负荷、主蒸汽流量、压力和温度、调节级后压力和温度、中压缸进汽压力和温度等进汽参数,高压缸排汽压力和温度、低压缸排汽压力和温度等排汽参数,汽轮机八级回热系统的抽汽压力和温度等抽汽参数,汽轮机低压缸排汽焓等试验数据)。
2)数据预处理
机组运行过程中热工参数偶尔会受到干扰产生坏点,这些坏点偏离了真实值不能用于模型的训练,必须要将其剔除。因此在对模型训练前首先要对采集到的历史数据进行数据预处理,以剔除明显的坏点。本发明用证实法对历史数据进行预处理,在合适的采样周期下,利用历史数据趋势预测紧跟着的下一个数据,再用预测值与实测值进行对比,以验证实测值的正确性,其具有占用内存小、计算量小等特点,非常适合在线计算,计算模型如下:
X=(x1,x2,…,xm)T (2)
式中:xm+1表示预测值,m表示前m个数;X表示原始数据矩阵;B表示系数矩阵,T表示矩阵转置运算。
取当前采样数据之前的十个正常数据样本点作为历史数据,用五阶不加权预测模型,计算得到的预测系数矩阵为B,当预测值和测量值之差超过20%时,就用预测值代替测量值。
3)归一化处理
采集到的28个输入变量和输出变量相互之间的单位并不统一,数量级也存在差异,需要利用归一化原理将其转换为无量纲量,以消除其差异,模型输出预测结果时反归一化即可,归一化公式为:
式中,x表示分别为归一化前的值,x’表示归一化后的值;ymax表示归一化范围的最大值,ymin表示归一化范围的最小值。归一化后的数据均落在-1到1之间。
4)建立汽轮机低压缸的排汽焓的最小二乘支持向量机计算模型
(1)最小二乘支持向量机原理
最小二乘支持向量机由标准支持向量机改进和扩展而来,是支持向量机在二次损失函数下的一种表现形式。最小二乘支持向量机利用等式约束代替了不等式约束,将二次规划问题变为一组等式方程来求解,缩短了求解所耗时间,有效地解决了大样本数据学习和训练的问题。最小二乘支持向量机的回归预测原理如下:
对于样本集(xi,yi),i=1,2,…l,x∈Rl,y∈R,其中xi表示第i个输入向量,yi表示第i个输出,最小二乘支持向量机的回归模型为:
f(x)=HTφ(x)+n(4)
式中,H和n为需要确定的参数,φ(·)为非线性映射,将样本映射到特征空间中,求解式(5)的最小化即可确定H和n,式(5)的最优化问题表示为式(6)的形式:
式中,G1表示损失函数,C表示调节因子,与式(6)相对应的Lagrange函数为:
式中,αi≥0表示Lagrange乘子,ei表示误差;根据KKT条件:即可得到式(8),消去H和ei后,最终得到回归函数如式(9)所示:
式中,K(x,xi)=φ(x)Tφ(xi)为一个满足Mercer条件的核函数;核函数是影响LSSVM模型性能的关键。
选用径向基函数作为基于最小二乘支持向量机的汽轮机低压缸的排汽焓的核函数,其表达式为:
式中,σ2表示核宽度。
(2)计算流程图
对采集到的历史数据进行数据预处理剔除坏点,再对剔除坏点后的数据归一化处理,将其变为无量纲量,消除量纲和数量级对模型训练的影响。用归一化后的28个无量纲参数作为最小二乘支持向量机的输入变量,归一化后的汽轮机低压缸的排汽焓无量纲参数作为输出变量,建立基于最小二乘支持向量机的汽轮机低压缸的排汽焓计算模型,其计算流程图,如图1所示。
5)基于最小二乘支持向量机的汽轮机排汽焓计算模型的训练
最小二乘支持向量机模型的核函数选用RBF径向核函数,初设调节因子c为136和核参数σ2为8,进行最小二乘支持向量机模型的训练,并优化得到最终的调节因子c和核参数σ2。
6)模型的储存与调用
将训练好的最小二乘支持向量机的汽轮机低压缸的排汽焓计算模型储存起来,方便在线计算汽轮发电机组的经济性时实时调用。
Claims (6)
1.一种基于最小二乘支持向量机的汽轮机排汽焓实时计算方法,其特征在于,包括以下步骤:
1)收集汽轮机正常运行全负荷工况下的历史数据并进行数据预处理;
2)对预处理后的历史数据进行归一化处理;
3)建立基于最小二乘支持向量机的汽轮机低压缸的排汽焓预测模型;
4)基于最小二乘支持向量机的汽轮机低压缸的排汽焓计算模型的训练;
5)将训练好的基于最小二乘支持向量机的汽轮机低压缸的排汽焓计算模型储存,方便在线计算汽轮发电机组的经济性时实时调用。
2.根据权利要求1所述的一种基于最小二乘支持向量机的汽轮机排汽焓实时计算方法,其特征在于,步骤1)的具体实现方法如下:
提取汽轮机正常运行全负荷工况下的历史数据,包括由机组负荷、主蒸汽流量、压力和温度、调节级后压力和温度、中压缸进汽压力和温度组成的进汽参数,由高压缸排汽压力和温度、低压缸排汽和温度组成的排汽参数,汽轮机八级回热系统的抽汽压力和温度的抽汽参数,以及汽轮机低压缸的排汽焓试验数据,并对历史数据用证实法进行数据预处理,剔除明显的坏点,计算模型如下:
X=(x1,x2,…,xm)T (2)
式中:xm+1表示预测值,m表示前m个数;X表示原始数据矩阵;B表示系数矩阵,T表示矩阵转置运算;
取当前采样数据之前的十个正常数据样本点作为历史数据,用五阶不加权预测模型,计算得到的预测系数矩阵为B,当预测值和测量值之差超过20%时,就用预测值代替测量值。
3.根据权利要求2所述的一种基于最小二乘支持向量机的汽轮机排汽焓实时计算方法,其特征在于,步骤2)中,将采集到的28个输入变量和输出变量做归一化处理,将其转换为无量纲量,消除量纲和数量级对模型训练的影响,归一化公式为:
式中,x表示分别为归一化前的值,x’表示归一化后的值;ymax表示归一化范围的最大值,ymin表示归一化范围的最小值,归一化后的数据均落在-1到1之间。
4.根据权利要求3所述的一种基于最小二乘支持向量机的汽轮机排汽焓实时计算方法,其特征在于,步骤3)中,用归一化后的28个无量纲参数作为最小二乘支持向量机的输入变量,归一化后的汽轮机低压缸排汽焓无量纲参数作为输出变量,建立基于最小二乘支持向量机的汽轮机低压缸的排汽焓计算模型。
5.根据权利要求4所述的一种基于最小二乘支持向量机的汽轮机排汽焓实时计算方法,其特征在于,具体方法如下:
对于样本集(xi,yi),i=1,2,…l,x∈Rl,y∈R,其中xi表示第i个输入向量,yi表示第i个输出,最小二乘支持向量机的回归模型为:
f(x)=HTφ(x)+n (4)
式中,H和n为需要确定的参数,φ(·)为非线性映射,将样本映射到特征空间中,求解式(5)的最小化即可确定H和n,式(5)的最优化问题表示为式(6)的形式:
式中,G1表示损失函数,C表示调节因子,与式(6)相对应的Lagrange函数为:
式中,αi≥0表示Lagrange乘子,ei表示误差;根据KKT条件:即可得到式(8),消去H和ei后,最终得到回归函数如式(9)所示:
式中,K(x,xi)=φ(x)Tφ(xi)为一个满足Mercer条件的核函数;
选用径向基函数作为基于最小二乘支持向量机的汽轮机低压缸的排汽焓的核函数,其表达式为:
式中,σ2表示核宽度。
6.根据权利要求5所述的一种基于最小二乘支持向量机的汽轮机排汽焓实时计算方法,其特征在于,步骤4)中,最小二乘支持向量机模型的核函数选用RBF径向核函数,初设调节因子c为136和核参数σ2为8,进行最小二乘支持向量机模型的训练,并优化得到最终的调节因子c和核参数σ2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810343813.9A CN108647809A (zh) | 2018-04-17 | 2018-04-17 | 一种基于最小二乘支持向量机的汽轮机排汽焓实时计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810343813.9A CN108647809A (zh) | 2018-04-17 | 2018-04-17 | 一种基于最小二乘支持向量机的汽轮机排汽焓实时计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108647809A true CN108647809A (zh) | 2018-10-12 |
Family
ID=63746276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810343813.9A Pending CN108647809A (zh) | 2018-04-17 | 2018-04-17 | 一种基于最小二乘支持向量机的汽轮机排汽焓实时计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108647809A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109855873A (zh) * | 2018-12-12 | 2019-06-07 | 华润电力技术研究院有限公司 | 汽轮机大轴的故障诊断方法及装置 |
CN109973159A (zh) * | 2019-04-03 | 2019-07-05 | 内蒙古国华呼伦贝尔发电有限公司 | 确定汽轮机低压缸流量的方法和装置及机器可读存储介质 |
CN110032791A (zh) * | 2019-04-08 | 2019-07-19 | 西安热工研究院有限公司 | 基于广义回归神经网络的汽轮机低压缸效率实时计算方法 |
CN110188380A (zh) * | 2019-04-18 | 2019-08-30 | 中国神华能源股份有限公司 | 确定汽轮机低压缸流量的方法和装置及机器可读存储介质 |
CN110222416A (zh) * | 2019-06-05 | 2019-09-10 | 重庆邮电大学 | 一种基于大数据的工业蒸汽量预测方法 |
CN110348053A (zh) * | 2019-06-10 | 2019-10-18 | 武汉市政工程设计研究院有限责任公司 | 一种汽轮机低压缸排汽焓确定方法、装置和存储介质 |
CN111159844A (zh) * | 2019-12-02 | 2020-05-15 | 中国电建集团江西省电力设计院有限公司 | 一种电站燃气轮机排气温度的异常检测方法 |
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 |
CN113379944A (zh) * | 2021-06-30 | 2021-09-10 | 润电能源科学技术有限公司 | 一种火电机组汽轮机性能预警方法及相关装置 |
CN114429084A (zh) * | 2022-01-21 | 2022-05-03 | 西安理工大学 | 一种侧堰泄流能力的预测模型的构建方法和预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102135021A (zh) * | 2011-02-25 | 2011-07-27 | 华东理工大学 | 一种工业抽汽冷凝式蒸汽轮机的轴功率预测方法 |
CN102621945A (zh) * | 2012-03-05 | 2012-08-01 | 内蒙古自治区电力科学研究院 | 基于火力发电机组最优工况的效率动态寻优运行闭环优化控制方法 |
CN107908865A (zh) * | 2017-11-14 | 2018-04-13 | 西安热工研究院有限公司 | 一种基于机器算法的汽轮机低压缸排汽焓实时计算方法 |
-
2018
- 2018-04-17 CN CN201810343813.9A patent/CN108647809A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102135021A (zh) * | 2011-02-25 | 2011-07-27 | 华东理工大学 | 一种工业抽汽冷凝式蒸汽轮机的轴功率预测方法 |
CN102621945A (zh) * | 2012-03-05 | 2012-08-01 | 内蒙古自治区电力科学研究院 | 基于火力发电机组最优工况的效率动态寻优运行闭环优化控制方法 |
CN107908865A (zh) * | 2017-11-14 | 2018-04-13 | 西安热工研究院有限公司 | 一种基于机器算法的汽轮机低压缸排汽焓实时计算方法 |
Non-Patent Citations (2)
Title |
---|
张振星等: ""基于自适应遗传算法的锅炉低NOx燃烧建模及其优化"", 《热力发电》 * |
王慧杰等: ""基于灰色关联分析法及GSA-LSSVM的汽轮机排汽焓预测模型"", 《电力建设》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109855873A (zh) * | 2018-12-12 | 2019-06-07 | 华润电力技术研究院有限公司 | 汽轮机大轴的故障诊断方法及装置 |
CN109973159A (zh) * | 2019-04-03 | 2019-07-05 | 内蒙古国华呼伦贝尔发电有限公司 | 确定汽轮机低压缸流量的方法和装置及机器可读存储介质 |
CN110032791A (zh) * | 2019-04-08 | 2019-07-19 | 西安热工研究院有限公司 | 基于广义回归神经网络的汽轮机低压缸效率实时计算方法 |
CN110032791B (zh) * | 2019-04-08 | 2023-04-07 | 西安热工研究院有限公司 | 基于广义回归神经网络的汽轮机低压缸效率实时计算方法 |
CN110188380A (zh) * | 2019-04-18 | 2019-08-30 | 中国神华能源股份有限公司 | 确定汽轮机低压缸流量的方法和装置及机器可读存储介质 |
CN110222416B (zh) * | 2019-06-05 | 2022-08-23 | 重庆邮电大学 | 一种基于大数据的工业蒸汽量预测方法 |
CN110222416A (zh) * | 2019-06-05 | 2019-09-10 | 重庆邮电大学 | 一种基于大数据的工业蒸汽量预测方法 |
CN110348053A (zh) * | 2019-06-10 | 2019-10-18 | 武汉市政工程设计研究院有限责任公司 | 一种汽轮机低压缸排汽焓确定方法、装置和存储介质 |
CN111159844A (zh) * | 2019-12-02 | 2020-05-15 | 中国电建集团江西省电力设计院有限公司 | 一种电站燃气轮机排气温度的异常检测方法 |
CN111159844B (zh) * | 2019-12-02 | 2022-12-06 | 中国电建集团江西省电力设计院有限公司 | 一种电站燃气轮机排气温度的异常检测方法 |
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 |
CN113379944A (zh) * | 2021-06-30 | 2021-09-10 | 润电能源科学技术有限公司 | 一种火电机组汽轮机性能预警方法及相关装置 |
CN114429084A (zh) * | 2022-01-21 | 2022-05-03 | 西安理工大学 | 一种侧堰泄流能力的预测模型的构建方法和预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647809A (zh) | 一种基于最小二乘支持向量机的汽轮机排汽焓实时计算方法 | |
CN108022001A (zh) | 基于pca和分位数回归森林的短期负荷概率密度预测方法 | |
CN107908865A (zh) | 一种基于机器算法的汽轮机低压缸排汽焓实时计算方法 | |
CN106936627B (zh) | 一种基于大数据分析挖掘的火电设备性能监测方法 | |
CN106505593A (zh) | 一种基于大数据的配变三相不平衡分析与负荷调整的方法 | |
CN105303262A (zh) | 一种基于核主成分分析和随机森林的短期负荷预测方法 | |
CN107169683A (zh) | 一种变权重系数的并网光伏电站短期功率组合预测方法 | |
CN103971175B (zh) | 一种多级变电站的短期负荷预测方法 | |
CN111525587B (zh) | 一种基于无功负荷态势的电网无功电压控制方法及系统 | |
CN113107626B (zh) | 一种基于多变量lstm的联合循环发电机组负荷预测方法 | |
CN109066651B (zh) | 风电-负荷场景的极限传输功率的计算方法 | |
CN113837464A (zh) | 一种基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法 | |
CN109657884A (zh) | 电网供电优化方法、装置、设备和计算机可读存储介质 | |
CN108667069A (zh) | 一种基于偏最小二乘法回归的短期风电功率预测方法 | |
CN102831475A (zh) | 用于风电场功率预测模型的正弦归一化方法 | |
CN106372755A (zh) | 基于主元分析的bp神经网络智能工业园区能耗模型建立方法 | |
CN113902102A (zh) | 一种基于seq2seq的非侵入式负荷分解方法 | |
Wang et al. | Big data analytics for price forecasting in smart grids | |
CN104881707A (zh) | 一种基于集成模型的烧结能耗预测方法 | |
CN112330045A (zh) | 一种基于K-medoids聚类分析方法的输电网线损评估与降损方法 | |
CN104573170A (zh) | 汽轮机最优运行初压的确定方法 | |
CN115660232A (zh) | 风电功率的超短期预测方法、装置及系统 | |
CN115759389A (zh) | 基于天气类型的相似日组合策略的日前光伏功率预测方法 | |
CN109066819A (zh) | 一种基于案件推理的配电网的无功优化方法 | |
CN115545345A (zh) | 一种基于gru-tcn模型的电网负荷预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181012 |