CN109242196A - 火电厂用水量预测方法及装置 - Google Patents
火电厂用水量预测方法及装置 Download PDFInfo
- Publication number
- CN109242196A CN109242196A CN201811116130.6A CN201811116130A CN109242196A CN 109242196 A CN109242196 A CN 109242196A CN 201811116130 A CN201811116130 A CN 201811116130A CN 109242196 A CN109242196 A CN 109242196A
- Authority
- CN
- China
- Prior art keywords
- water consumption
- water
- power plant
- thermal power
- change
- 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.)
- Withdrawn
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 402
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000008859 change Effects 0.000 claims abstract description 155
- 238000011217 control strategy Methods 0.000 claims description 23
- 238000005259 measurement Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 20
- 238000013136 deep learning model Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 241000372132 Hydrometridae Species 0.000 claims description 2
- 238000003860 storage Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000001276 controlling effect Effects 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 230000005619 thermoelectricity Effects 0.000 description 4
- 239000000446 fuel Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 241001085205 Prenanthella exigua Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 239000000567 combustion gas Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000008236 heating water Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000002699 waste material Substances 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种火电厂用水量预测方法及装置。该方法包括:获取火电厂自运行以来各个运行期间的基础数据以及用水量影响因素;基于各个运行期间的基础数据和用水量影响因素构建火电厂的用水量动态变化模型;将火电厂在至少一个预定运行期间内的用水量数据输入到用水量动态变化模型中,预测得到火电厂在至少一个预定运行期间内的用水量变化规律,用水量变化规律包括火电厂在至少一个预定运行期间内的至少一个用水量变化情况和每个用水量变化情况的影响原因。由此,本申请能够获取水电厂运行期用水量动态变化规律,从而作为合理科学制定火电厂运行期用水定额的依据,从一定程度上可以节约水资源,保证水资源的合理利用。
Description
技术领域
本申请涉及计算机技术领域,具体而言,涉及一种火电厂用水量预测方法及装置。
背景技术
火电厂是利用可燃物(例如煤)作为燃料生产电能的工厂。它的基本生产过程是:燃料在燃烧时加热水生成蒸汽,将燃料的化学能转变成热能,蒸汽压力推动汽轮机旋转,热能转换成机械能,然后汽轮机带动发电机旋转,将机械能转变成电能。其中,原动机通常是蒸汽机或燃气轮机,在一些较小的电站,也有可能会使用内燃机。它们都是通过利用高温、高压蒸汽或燃气通过透平变为低压空气或冷凝水这一过程中的压降来发电的
目前我国大部分地区的水电厂存在大量用水浪费且不合理的情况,如何获取水电厂运行期用水量动态变化规律,作为合理科学制定火电厂运行期用水定额的依据,是本领域技术人员亟待解决的技术问题。
发明内容
为了克服现有技术中的上述不足,本申请的目的在于提供一种火电厂用水量预测方法及装置,能够获取水电厂运行期用水量动态变化规律,从而作为合理科学制定火电厂运行期用水定额的依据,从一定程度上可以节约水资源,保证水资源的合理利用。
为了实现上述目的,本申请实施例采用的技术方案如下:
第一方面,本申请实施例提供一种火电厂用水量预测方法,应用于火电厂中的火电厂用水量预测设备,所述火电厂用水量预测设备与所述火电厂中的用水量采集设备、发电量采集设备以及各个火电厂机组通信连接,所述方法包括:
获取所述火电厂自运行以来各个运行期间的基础数据以及用水量影响因素,所述基础数据包括所述用水量采集设备采集到的用水量数据、所述发电量采集设备采集到的发电量数据以及各个火电厂机组的机组数据;
基于所述各个运行期间的基础数据和用水量影响因素构建所述火电厂的用水量动态变化模型;
将所述火电厂在至少一个预定运行期间内的用水量数据输入到所述用水量动态变化模型中,预测得到所述火电厂在至少一个预定运行期间内的用水量变化规律,所述用水量变化规律包括所述火电厂在所述至少一个预定运行期间内的至少一个用水量变化情况和每个用水量变化情况的影响原因。
可选地,所述基于所述各个运行期间的基础数据和用水量影响因素构建所述火电厂的用水量动态变化模型的步骤之后,所述方法还包括:
接收输入的测试数据,所述测试数据包括所述火电厂在各个测试运行期间内的用水量数据和所述火电厂的实际用水量变化规律;
将所述火电厂在各个测试运行期间内的用水量数据输入到所述用水量动态变化模型中,得到所述火电厂的预测用水量变化规律;
基于所述实际用水量变化规律和所述预测用水量变化规律对所述用水量动态变化模型进行修正,得到修正后的用水量动态变化模型。
可选地,所述将所述火电厂在至少一个预定运行期间内的用水量数据输入到所述用水量动态变化模型中,得到所述火电厂在至少一个预定运行期间内的用水量变化规律的步骤之后,所述方法还包括:
对所述用水量变化规律进行分析,生成用水量控制策略,并将所述用水量变化规律和所述用水量控制策略发送给预定终端,以提示相关人员。
可选地,所述对所述用水量变化规律进行分析,生成用水量控制策略的步骤的步骤之前,所述方法还包括:
获取用水量控制基础数据,所述用水量控制基础数据中包括有多个初始用水量变化规律、每个初始用水量变化规律对应的期望用水量变化规律以及所述初始用水量变化规律转变到所述期望用水量变化规律的用水量控制策略;
将所述用水量控制基础数据输入到深度学习模型中,得到对应的用水量控制模型。
可选地,所述对所述用水量变化规律进行分析,生成用水量控制策略的步骤的步骤,包括:
将所述用水量变化规律输入到所述用水量控制模型中,得到所述用水量变化规律对应的期望用水量变化规律,并根据所述期望用水量变化规律生成对应的用水量控制策略。
第二方面,本申请实施例还提供一种火电厂用水量预测装置,应用于火电厂中的火电厂用水量预测设备,所述火电厂用水量预测设备与所述火电厂中的用水量采集设备、发电量采集设备以及各个火电厂机组通信连接,所述装置包括:
获取模块,用于获取所述火电厂自运行以来各个运行期间的基础数据以及用水量影响因素,所述基础数据包括所述用水量采集设备采集到的用水量数据、所述发电量采集设备采集到的发电量数据以及各个火电厂机组的机组数据;
构建模块,用于基于所述各个运行期间的基础数据和用水量影响因素构建所述火电厂的用水量动态变化模型;
预测模块,用于将所述火电厂在至少一个预定运行期间内的用水量数据输入到所述用水量动态变化模型中,预测得到所述火电厂在至少一个预定运行期间内的用水量变化规律,所述用水量变化规律包括所述火电厂在所述至少一个预定运行期间内的至少一个用水量变化情况和每个用水量变化情况的影响原因。
第三方面,本申请实施例还提供一种可读存储介质,其上存储有计算机程序,所述计算机程序被执行时实现上述的火电厂用水量预测方法。
相对于现有技术而言,本申请具有以下有益效果:
本申请实施例提供一种火电厂用水量预测方法及装置,通过获取火电厂自运行以来各个运行期间的基础数据以及用水量影响因素,并基于各个运行期间的基础数据和用水量影响因素构建火电厂的用水量动态变化模型,再将火电厂在至少一个预定运行期间内的用水量数据输入到用水量动态变化模型中,预测得到火电厂在至少一个预定运行期间内的用水量变化规律,用水量变化规律包括火电厂在至少一个预定运行期间内的至少一个用水量变化情况和每个用水量变化情况的影响原因。由此,本申请能够获取水电厂运行期用水量动态变化规律,从而作为合理科学制定火电厂运行期用水定额的依据,从一定程度上可以节约水资源,保证水资源的合理利用。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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它相关的附图。
图1为本申请实施例提供的火电厂用水量预测方法的应用场景示意图;
图2为本申请实施例提供的火电厂用水量预测方法的一种流程示意图;
图3为本申请实施例提供的火电厂用水量预测方法的另一种流程示意图;
图4为本申请实施例提供的火电厂用水量预测方法的另一种流程示意图;
图5为本申请实施例提供的火电厂用水量预测装置的一种功能模块图;
图6为本申请实施例提供的火电厂用水量预测装置的另一种功能模块图;
图7为本申请实施例提供的火电厂用水量预测装置的另一种功能模块图;
图8为本申请实施例提供的用于实现上述火电厂用水量预测方法的火电厂用水量预测设备的结构示意框图;
图9为本申请实施例提供的火电厂运行期的火电发电用水量过程线;
图10为本申请实施例提供的火电厂运行期的火电发电用水量与发电量的比值过程线。
图标:100-火电厂用水量预测设备;110-总线;120-处理器;130-存储介质;140-总线接口;150-网络适配器;160-用户接口;200-火电厂用水量预测装置;210-获取模块;220-构建模块;221-接收模块;222-输入模块;223-修正模块;230-预测模块;240-分析模块;300-用水量采集设备;500-发电量采集设备;700-火电厂机组;900-预定终端。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
请参阅图1,为本申请实施例提供的火电厂用水量预测方法的应用场景示意图。本实施例中,该应用场景可包括火电厂用水量预测设备、火电厂中的用水量采集设备、发电量采集设备以及各个火电厂机组,其中,所述火电厂用水量预测设备与所述火电厂中的用水量采集设备、发电量采集设备以及各个火电厂机组通信连接。
本实施例中,所述火电厂用水量预测设备可以是任意具有计算处理能力的电子设备,例如服务器、个人电脑、工作站等。
本实施例中,所述用水量采集设备可以用于采集火电厂内的用水量数据,并将采集到的用水量数据发送给所述火电厂用水量预测设备。
本实施例中,所述发电量采集设备可以用于采集火电厂内的发电量数据,并将采集到的发电量数据发送给所述火电厂用水量预测设备。
本实施例中,所述火电厂用水量预测设备可读取每个火电厂机组的机组数据,例如火电厂机组类型、装机容量、节水设施等数据。
请参阅图2,为本申请实施例提供的火电厂用水量预测方法的一种流程示意图,所述火电厂用水量预测方法由图1中所示的火电厂用水量预测设备执行。所应说明的是,本申请实施例提供的火电厂用水量预测方法不以图2及以下所述的具体顺序为限制。所述方法的具体流程如下:
步骤S210,获取所述火电厂自运行以来各个运行期间的基础数据以及用水量影响因素。
本实施例中,所述基础数据可包括所述用水量采集设备采集到的用水量数据、所述发电量采集设备采集到的发电量数据以及各个火电厂机组的机组数据。所述用水量影响因素可以根据实际情况进行选择,例如可包括火电厂规模、用水工艺、占地面积、节水水平、管理水平、运行期产出量(发电量)等。
步骤S220,基于所述各个运行期间的基础数据和用水量影响因素构建所述火电厂的用水量动态变化模型。
本实施例中,可根据所述火电厂运行期用水量影响因素,构建火电厂运行期的用水量动态变化模型。例如,所述用水量动态变化模型可以如下所示:
其中,Wf(i)为火电厂i运行期的用水量,单位:m3/a;
X人数(i)表示火电厂i运行期工作人员的数量,单位:人/a;
Y用水工艺(i)表示火电厂i运行期采用的用水工艺,机组类型等;
X绿化面积(i)表示火电厂i绿化占地面积,单位:m2;
Y节水水平(i)表示火电厂i运行期为提高用水效率而科学合理地减少供用水量;
Y管理水平(i)表示火电厂i管理水准,表示工序稳定程度的值;
X发电量(i)表示火电厂i运行期发电总量,为计算电能生产数量的指标,单位:MW·h;
β重复利用率(i)表示火电厂i运行期供水系统中可重复使用的水量占总用水量的百分数,单位:%。
β管网漏损率(i)表示火电厂i运行期输水、配水管网漏失的水量与进入相应管网水量的比值,单位:%。
表示火电厂i是否包含生活区,若表示火电厂i内部有生活区;表示火电厂i内部没有生活区。
由此,基于上述的用水量动态变化模型,可以反映所述火电厂在运行期的用水量动态变化规律。
步骤S230,将所述火电厂在至少一个预定运行期间内的用水量数据输入到所述用水量动态变化模型中,预测得到所述火电厂在至少一个预定运行期间内的用水量变化规律。
本实施例中,基于上述用水量动态变化模型,可以将所述火电厂在至少一个预定运行期间内的用水量数据输入到所述用水量动态变化模型中,预测得到所述火电厂在至少一个预定运行期间内的用水量变化规律。其中,所述用水量变化规律包括所述火电厂在所述至少一个预定运行期间内的至少一个用水量变化情况和每个用水量变化情况的影响原因。
例如,火电厂运行期的用水量动态变化规律为:火电厂运行期用水定额随着运行时间的变化而分段变化。
将运行期分为运行前期、运行中期和运行后期,各个阶段运行期用水定额变化规律如下:
运行前期:自运行开始几年内,用水定额逐年降低,究其原因,为日益先进成熟的运行管理体系及进口设备的良好密封性。
运行中期:火电厂用水进入稳定阶段,用水定额较前期有明显的下降,且此阶段用水定额趋于稳定,用水定额在低于运行前期的范围内浮动,浮动的原因为火电厂运行负荷变化。
运行后期:火电厂运行年限增长,增加了其他节水设施,火电厂运行期用水定额较运行中期进一步降低,且逐渐趋于稳定。
由此,可以得到所述火电厂在所述至少一个预定运行期间内的至少一个用水量变化情况和每个用水量变化情况的影响原因,从而作为合理科学制定火电厂运行期用水定额的依据,从一定程度上可以节约水资源,保证水资源的合理利用。
为了增强所述用水量动态变化模型的预测准确性,请进一步参阅图3,可选地,在所述步骤S220之后,所述方法还可以包括如下步骤,
步骤S221,接收输入的测试数据,所述测试数据包括所述火电厂在各个测试运行期间内的用水量数据和所述火电厂的实际用水量变化规律。
步骤S222,将所述火电厂在各个测试运行期间内的用水量数据输入到所述用水量动态变化模型中,得到所述火电厂的预测用水量变化规律。
步骤S223,基于所述实际用水量变化规律和所述预测用水量变化规律对所述用水量动态变化模型进行修正,得到修正后的用水量动态变化模型。
由此,本实施例通过基于所述实际用水量变化规律和所述预测用水量变化规律对所述用水量动态变化模型进行修正,可以减少所述用水量动态变化模型的预测误差,从而增强所述用水量动态变化模型的预测准确性。
请进一步参阅图4,在所述步骤S230之后,所述方法还包括如下步骤:
步骤S240,对所述用水量变化规律进行分析,生成用水量控制策略,并将所述用水量变化规律和所述用水量控制策略发送给预定终端,以提示相关人员。
作为一种实施方式,首先需要训练深度学习模型,具体方式可以为:
首先,获取用水量控制基础数据,所述用水量控制基础数据中包括有多个初始用水量变化规律、每个初始用水量变化规律对应的期望用水量变化规律以及所述初始用水量变化规律转变到所述期望用水量变化规律的用水量控制策略。
接着,将所述用水量控制基础数据输入到深度学习模型中,得到对应的用水量控制模型。
而后,基于所述用水量控制模型,可以将所述用水量变化规律输入到所述用水量控制模型中,得到所述用水量变化规律对应的期望用水量变化规律,并根据所述期望用水量变化规律生成对应的用水量控制策略。最后,将所述用水量变化规律和所述用水量控制策略发送给预定终端,以提示相关人员进行相应处理,使得处理后所述火电厂的用水量变化规律趋于所述期望用水量变化规律。
进一步地,请参阅图5,本申请实施例还提供一种火电厂用水量预测装置200,所述装置可以包括:
获取模块210,用于获取所述火电厂自运行以来各个运行期间的基础数据以及用水量影响因素,所述基础数据包括所述用水量采集设备采集到的用水量数据、所述发电量采集设备采集到的发电量数据以及各个火电厂机组的机组数据。
构建模块220,用于基于所述各个运行期间的基础数据和用水量影响因素构建所述火电厂的用水量动态变化模型。
预测模块230,用于将所述火电厂在至少一个预定运行期间内的用水量数据输入到所述用水量动态变化模型中,预测得到所述火电厂在至少一个预定运行期间内的用水量变化规律,所述用水量变化规律包括所述火电厂在所述至少一个预定运行期间内的至少一个用水量变化情况和每个用水量变化情况的影响原因。
可选地,请参阅图6,所述装置还可以包括:
接收模块221,用于接收输入的测试数据,所述测试数据包括所述火电厂在至少一个各个测试运行期间内的用水量数据和所述火电厂的实际用水量变化规律。
输入模块222,用于将所述火电厂在各个测试运行期间内的用水量数据输入到所述用水量动态变化模型中,得到所述火电厂的预测用水量变化规律。
修正模块223,用于基于所述实际用水量变化规律和所述预测用水量变化规律对所述用水量动态变化模型进行修正,得到修正后的用水量动态变化模型。
可选地,请参阅图7,所述装置还可以包括:
分析模块240,用于对所述用水量变化规律进行分析,生成用水量控制策略,并将所述用水量变化规律和所述用水量控制策略发送给预定终端,以提示相关人员。
可选地,所述获取模块210,还可用于获取用水量控制基础数据,并将所述用水量控制基础数据输入到深度学习模型中,得到对应的用水量控制模型,所述用水量控制基础数据中包括有多个初始用水量变化规律、每个初始用水量变化规律对应的期望用水量变化规律以及所述初始用水量变化规律转变到所述期望用水量变化规律的用水量控制策略。
可选地,所述分析模块240,还可用于将所述用水量变化规律输入到所述用水量控制模型中,得到所述用水量变化规律对应的期望用水量变化规律,并根据所述期望用水量变化规律生成对应的用水量控制策略。
可以理解的是,本实施例中的各功能模块的具体操作方法可参照上述方法实施例中相应步骤的详细描述,在此不再重复赘述。
进一步地,请参阅图8,为本申请实施例提供的用于上述火电厂用水量预测方法的火电厂用水量预测设备100的一种结构示意框图。本实施例中,所述火电厂用水量预测设备100可以由总线110作一般性的总线体系结构来实现。根据火电厂用水量预测设备100的具体应用和整体设计约束条件,总线110可以包括任意数量的互连总线和桥接。总线110将各种电路连接在一起,这些电路包括处理器120、存储介质130和总线接口140。可选地,火电厂用水量预测设备100可以使用总线接口140将网络适配器150等经由总线110连接。网络适配器150可用于实现火电厂用水量预测设备100中物理层的信号处理功能,并通过天线实现射频信号的发送和接收。用户接口160可以连接外部设备,例如:键盘、显示器、鼠标或者操纵杆等。总线110还可以连接各种其它电路,如定时源、外围设备、电压调节器或者功率管理电路等,这些电路是本领域所熟知的,因此不再详述。
可以替换的,火电厂用水量预测设备100也可配置成通用处理系统,例如通称为芯片,该通用处理系统包括:提供处理功能的一个或多个微处理器,以及提供存储介质130的至少一部分的外部存储器,所有这些都通过外部总线体系结构与其它支持电路连接在一起。
可替换的,火电厂用水量预测设备100可以使用下述来实现:具有处理器120、总线接口140、用户接口160的ASIC(专用集成电路);以及集成在单个芯片中的存储介质130的至少一部分,或者,火电厂用水量预测设备100可以使用下述来实现:一个或多个FPGA(现场可编程门阵列)、PLD(可编程逻辑器件)、控制器、状态机、门逻辑、分立硬件部件、任何其它适合的电路、或者能够执行本申请通篇所描述的各种功能的电路的任意组合。
其中,处理器120负责管理总线110和一般处理(包括执行存储在存储介质130上的软件)。处理器120可以使用一个或多个通用处理器和/或专用处理器来实现。处理器120的例子包括微处理器、微控制器、DSP处理器和能够执行软件的其它电路。应当将软件广义地解释为表示指令、数据或其任意组合,而不论是将其称作为软件、固件、中间件、微代码、硬件描述语言还是其它。
在图8中存储介质130被示为与处理器120分离,然而,本领域技术人员很容易明白,存储介质130或其任意部分可位于火电厂用水量预测设备100之外。举例来说,存储介质130可以包括传输线、用数据调制的载波波形、和/或与无线节点分离开的计算机制品,这些介质均可以由处理器120通过总线接口140来访问。可替换地,存储介质130或其任意部分可以集成到处理器120中,例如,可以是高速缓存和/或通用寄存器。
所述处理器120可执行上述实施例,具体地,所述存储介质130中可以存储有所述火电厂用水量预测装置200,所述处理器120可以用于执行所述火电厂用水量预测装置200。
进一步地,本申请实施例还提供了一种非易失性计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的火电厂用水量预测方法。
作为示例,如图9和图10所示的2台30万装机容量火电厂运行期间的用水量的变化模型情况。可以看出,不同的火电厂用水量的规律基本相似,通过建立的用水量动态变化模型,具有较好的预测效果和调控效果。
综上所述,本申请实施例提供一种火电厂用水量预测方法及装置,通过获取火电厂自运行以来各个运行期间的基础数据以及用水量影响因素,并基于各个运行期间的基础数据和用水量影响因素构建火电厂的用水量动态变化模型,再将火电厂在至少一个预定运行期间内的用水量数据输入到用水量动态变化模型中,预测得到火电厂在至少一个预定运行期间内的用水量变化规律,用水量变化规律包括火电厂在至少一个预定运行期间内的至少一个用水量变化情况和每个用水量变化情况的影响原因。由此,本申请能够获取水电厂运行期用水量动态变化规律,从而作为合理科学制定火电厂运行期用水定额的依据,从一定程度上可以节约水资源,保证水资源的合理利用。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
可以替换的,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其它可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的电子设备、服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,术语"包括"、"包含"或者其任何其它变体意在涵盖非排它性的包含,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它要素,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。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种火电厂用水量预测方法,其特征在于,应用于火电厂中的火电厂用水量预测设备,所述火电厂用水量预测设备与所述火电厂中的用水量采集设备、发电量采集设备以及各个火电厂机组通信连接,所述方法包括:
获取所述火电厂自运行以来各个运行期间的基础数据以及用水量影响因素,所述基础数据包括所述用水量采集设备采集到的用水量数据、所述发电量采集设备采集到的发电量数据以及各个火电厂机组的机组数据;
基于所述各个运行期间的基础数据和用水量影响因素构建所述火电厂的用水量动态变化模型;
将所述火电厂在至少一个预定运行期间内的用水量数据输入到所述用水量动态变化模型中,预测得到所述火电厂在至少一个预定运行期间内的用水量变化规律,所述用水量变化规律包括所述火电厂在所述至少一个预定运行期间内的至少一个用水量变化情况和每个用水量变化情况的影响原因。
2.根据权利要求1所述的火电厂用水量预测方法,其特征在于,所述基于所述各个运行期间的基础数据和用水量影响因素构建所述火电厂的用水量动态变化模型的步骤之后,所述方法还包括:
接收输入的测试数据,所述测试数据包括所述火电厂在各个测试运行期间内的用水量数据和所述火电厂的实际用水量变化规律;
将所述火电厂在各个测试运行期间内的用水量数据输入到所述用水量动态变化模型中,得到所述火电厂的预测用水量变化规律;
基于所述实际用水量变化规律和所述预测用水量变化规律对所述用水量动态变化模型进行修正,得到修正后的用水量动态变化模型。
3.根据权利要求1所述的火电厂用水量预测方法,其特征在于,所述将所述火电厂在至少一个预定运行期间内的用水量数据输入到所述用水量动态变化模型中,得到所述火电厂在至少一个预定运行期间内的用水量变化规律的步骤之后,所述方法还包括:
对所述用水量变化规律进行分析,生成用水量控制策略,并将所述用水量变化规律和所述用水量控制策略发送给预定终端,以提示相关人员。
4.根据权利要求3所述的火电厂用水量预测方法,其特征在于,所述对所述用水量变化规律进行分析,生成用水量控制策略的步骤的步骤之前,所述方法还包括:
获取用水量控制基础数据,所述用水量控制基础数据中包括有多个初始用水量变化规律、每个初始用水量变化规律对应的期望用水量变化规律以及所述初始用水量变化规律转变到所述期望用水量变化规律的用水量控制策略;
将所述用水量控制基础数据输入到深度学习模型中,得到对应的用水量控制模型。
5.根据权利要求4所述的火电厂用水量预测方法,其特征在于,所述对所述用水量变化规律进行分析,生成用水量控制策略的步骤的步骤,包括:
将所述用水量变化规律输入到所述用水量控制模型中,得到所述用水量变化规律对应的期望用水量变化规律,并根据所述期望用水量变化规律生成对应的用水量控制策略。
6.一种火电厂用水量预测装置,其特征在于,应用于火电厂中的火电厂用水量预测设备,所述火电厂用水量预测设备与所述火电厂中的用水量采集设备、发电量采集设备以及各个火电厂机组通信连接,所述装置包括:
获取模块,用于获取所述火电厂自运行以来各个运行期间的基础数据以及用水量影响因素,所述基础数据包括所述用水量采集设备采集到的用水量数据、所述发电量采集设备采集到的发电量数据以及各个火电厂机组的机组数据;
构建模块,用于基于所述各个运行期间的基础数据和用水量影响因素构建所述火电厂的用水量动态变化模型;
预测模块,用于将所述火电厂在至少一个预定运行期间内的用水量数据输入到所述用水量动态变化模型中,预测得到所述火电厂在至少一个预定运行期间内的用水量变化规律,所述用水量变化规律包括所述火电厂在所述至少一个预定运行期间内的至少一个用水量变化情况和每个用水量变化情况的影响原因。
7.根据权利要求6所述的火电厂用水量预测装置,其特征在于,所述装置还包括:
接收模块,用于接收输入的测试数据,所述测试数据包括所述火电厂在各个测试运行期间内的用水量数据和所述火电厂的实际用水量变化规律;
输入模块,用于将所述火电厂在各个测试运行期间内的用水量数据输入到所述用水量动态变化模型中,得到所述火电厂的预测用水量变化规律;
修正模块,用于基于所述实际用水量变化规律和所述预测用水量变化规律对所述用水量动态变化模型进行修正,得到修正后的用水量动态变化模型。
8.根据权利要求6所述的火电厂用水量预测装置,其特征在于,所述装置还包括:
分析模块,用于对所述用水量变化规律进行分析,生成用水量控制策略,并将所述用水量变化规律和所述用水量控制策略发送给预定终端,以提示相关人员。
9.根据权利要求8所述的火电厂用水量预测装置,其特征在于:
所述获取模块,还用于获取用水量控制基础数据,并将所述用水量控制基础数据输入到深度学习模型中,得到对应的用水量控制模型,所述用水量控制基础数据中包括有多个初始用水量变化规律、每个初始用水量变化规律对应的期望用水量变化规律以及所述初始用水量变化规律转变到所述期望用水量变化规律的用水量控制策略。
10.根据权利要求9所述的火电厂用水量预测装置,其特征在于,所述分析模块,还用于将所述用水量变化规律输入到所述用水量控制模型中,得到所述用水量变化规律对应的期望用水量变化规律,并根据所述期望用水量变化规律生成对应的用水量控制策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811116130.6A CN109242196A (zh) | 2018-09-25 | 2018-09-25 | 火电厂用水量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811116130.6A CN109242196A (zh) | 2018-09-25 | 2018-09-25 | 火电厂用水量预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109242196A true CN109242196A (zh) | 2019-01-18 |
Family
ID=65056089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811116130.6A Withdrawn CN109242196A (zh) | 2018-09-25 | 2018-09-25 | 火电厂用水量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109242196A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109992895A (zh) * | 2019-04-03 | 2019-07-09 | 中国水利水电科学研究院 | 一种设备性能退化趋势提取及预测方法 |
CN110092507A (zh) * | 2019-05-30 | 2019-08-06 | 中国水利水电科学研究院 | 一种工业废水处理的方法及装置 |
CN110135661A (zh) * | 2019-05-30 | 2019-08-16 | 中国水利水电科学研究院 | 一种火电机组除盐水站的水处理量预测方法及装置 |
CN115018212A (zh) * | 2022-08-08 | 2022-09-06 | 水利部珠江水利委员会珠江水利综合技术中心 | 发电用水量预测分析方法、系统及云平台 |
CN117035240A (zh) * | 2023-10-08 | 2023-11-10 | 华能山东发电有限公司烟台发电厂 | 一种火电厂用水的监测管理方法及系统 |
-
2018
- 2018-09-25 CN CN201811116130.6A patent/CN109242196A/zh not_active Withdrawn
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109992895A (zh) * | 2019-04-03 | 2019-07-09 | 中国水利水电科学研究院 | 一种设备性能退化趋势提取及预测方法 |
CN110092507A (zh) * | 2019-05-30 | 2019-08-06 | 中国水利水电科学研究院 | 一种工业废水处理的方法及装置 |
CN110135661A (zh) * | 2019-05-30 | 2019-08-16 | 中国水利水电科学研究院 | 一种火电机组除盐水站的水处理量预测方法及装置 |
CN115018212A (zh) * | 2022-08-08 | 2022-09-06 | 水利部珠江水利委员会珠江水利综合技术中心 | 发电用水量预测分析方法、系统及云平台 |
CN117035240A (zh) * | 2023-10-08 | 2023-11-10 | 华能山东发电有限公司烟台发电厂 | 一种火电厂用水的监测管理方法及系统 |
CN117035240B (zh) * | 2023-10-08 | 2024-03-01 | 华能山东发电有限公司烟台发电厂 | 一种火电厂用水的监测管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242196A (zh) | 火电厂用水量预测方法及装置 | |
US11824360B2 (en) | Apparatus and method for optimizing carbon emissions in a power grid | |
Mansouri et al. | A robust optimisation framework in composite generation and transmission expansion planning considering inherent uncertainties | |
US20130073062A1 (en) | Graphical language for optimization and use | |
CN112766596B (zh) | 建筑能耗预测模型的构建方法、能耗预测方法及装置 | |
US20160283844A1 (en) | Load predictor for a cooling system | |
Yifan et al. | Power and energy flexibility of district heating system and its application in wide-area power and heat dispatch | |
Saha et al. | Automatic generation control of a multi‐area CCGT‐thermal power system using stochastic search optimised integral minus proportional derivative controller under restructured environment | |
Wang et al. | Coordination of generation maintenance scheduling and long‐term SCUC with energy constraints and N− 1 contingencies | |
Nasiri et al. | Interval optimization‐based scheduling of interlinked power, gas, heat, and hydrogen systems | |
Zuloaga et al. | Interdependent electric and water infrastructure modelling, optimisation and control | |
Wu et al. | Optimal economic dispatch model based on risk management for wind‐integrated power system | |
CN111082469A (zh) | 一种分布式新能源配电网的优化调度方法、系统及设备 | |
Galvan et al. | Optimal placement of intermittent renewable energy resources and energy storage system in smart power distribution networks | |
Bagheri et al. | Adaptive‐robust multi‐resolution generation maintenance scheduling with probabilistic reliability constraint | |
Bhattarai et al. | Reliability modelling of compressed air energy storage for adequacy assessment of wind integrated power system | |
Kouvelis et al. | Long‐term service agreement in electricity supply chain with renewable energy penetration | |
Markoska et al. | Towards smart buildings performance testing as a service | |
CN109243649A (zh) | 核电厂用水量控制方法及装置 | |
CN113552855A (zh) | 工业设备动态阈值设定方法、装置、电子设备及存储介质 | |
Petcharaks et al. | Hybrid enhanced Lagrangian relaxation and quadratic programming for hydrothermal scheduling | |
Liu et al. | An inexact stochastic–fuzzy jointed chance-constrained programming for regional energy system management under uncertainty | |
CN115776138A (zh) | 一种考虑多维不确定性和能量管理策略的微电网容量规划方法及装置 | |
Corsetti et al. | Very‐short‐term multi‐energy management system for a district heating plant enabling ancillary service provision | |
Cao et al. | Optimal operating control strategy for biogas generation under electricity spot market |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190118 |
|
WW01 | Invention patent application withdrawn after publication |