CN109492855B - 基于数据模型的凝汽器式汽轮机排汽温度预测方法 - Google Patents
基于数据模型的凝汽器式汽轮机排汽温度预测方法 Download PDFInfo
- Publication number
- CN109492855B CN109492855B CN201811084906.0A CN201811084906A CN109492855B CN 109492855 B CN109492855 B CN 109492855B CN 201811084906 A CN201811084906 A CN 201811084906A CN 109492855 B CN109492855 B CN 109492855B
- Authority
- CN
- China
- Prior art keywords
- steam turbine
- difference value
- standard
- cold source
- loss condition
- 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
Images
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Control Of Turbines (AREA)
Abstract
本发明公开了一种基于数据模型的凝汽器式汽轮机排汽温度预测方法,属于凝汽器式汽轮机排汽温度预测方法领域,旨在提供一种能够实时在线预测汽轮机排气温度的凝汽器式汽轮机排汽温度预测方法,其技术方案要点是具体步骤如下:S1:从火力发电机组实时信息监控与管理系统中获取一段时间的历史运行数据,选取健康运行数据;S2:对循环水量Q、循环进水温度tin、机组负荷P和标准排气温度t标准进行四维拟合;S3:选取实时运行数据对t标准=f(Q、tin、P)进行校验;S4:将实时排气温度t与标准排气温度t标准比较,并根据评分规则对汽轮机的冷源损失状况进行评分。通过本方法可预测汽轮机冷源损失是否变大,避免问题进一步恶化,减少汽轮机冷源损失。
Description
技术领域
本发明涉及凝汽器式汽轮机排汽温度预测方法领域,特别涉及一种基于数据模型的凝汽器式汽轮机排汽温度预测方法。
背景技术
凝汽式汽轮机,是指蒸汽在汽轮内膨胀做功以后,除小部分轴封漏气之外,全部进入凝汽器凝结成水的汽轮机。
汽轮机是火电厂中普遍采用的专为发电的设备。凝汽设备主要由凝汽器、循环水泵、凝结水泵和抽气器组成。汽轮机排汽进入凝汽器,被循环水冷却凝结为水,由凝结水泵抽出,经过各级加热器加热后作为给水送往锅炉。
在火力发电机组中最大的循环损失是冷源的损失,冷源的冷却能力主要由进入凝汽器内的循环水量和循环进水温度,冷源损失指标则是凝汽器中蒸汽的排气温度,如何实现能够在线预测排气温度,则能够提醒工作人员及时进行相关的故障检测。
发明内容
本发明的目的是提供一种数据模型的凝汽器式汽轮机排汽温度预测方法,具有能够实时在线预测汽轮机排气温度的优点。
本发明的上述技术目的是通过以下技术方案得以实现的:
一种数据模型的凝汽器式汽轮机排汽温度预测方法,其特征在于:具体步骤如下:
S1:从火力发电机组实时信息监控与管理系统中获取一段时间的历史运行数据,并对历史运行数据进行筛选,选取健康运行数据;
S2:确定与标准排气温度t标准相关联的变量:循环水量Q、循环进水温度tin、机组负荷P,并对循环水量Q、循环进水温度tin、机组负荷P和标准排气温度t标准进行四维拟合,并建立数学模型:t标准=f(Q、tin、P);
S3:选取实时运行数据对t标准=f(Q、tin、P)进行校验;
S4:采用相同工况比较法,将实时排气温度t与标准排气温度t标准比较,并根据评分规则对汽轮机的冷源损失状况进行评分。
通过采用上述技术方案,利用计算机软件结合健康运行数据求出数学模型t标准=f(Q、tin、P),采用相同工况比较法,将测得的实时排气温度t与数学模型得出标准排气温度t标准比较,并根据评分规则对汽轮机的冷源损失状况进行评分,如果评分过低可提前进行检修排查,避免引发更大的故障。
进一步的,在S1中数据筛选的方法为:
去除超过报警值的数据,剩下的数据将最大的1%和最小的1%剔除,筛选后的数据即为健康运行数据,
其中报警值为设备规范标准。
通过采用上述技术方案,对数据进行筛选,结合健康运行数据拟合得出的数据模型更加准确。
进一步的,在S2中,设定中间变量k,
然后再建立中间变量k、标准排气温度t标准和机组负荷P的数学模型,标准排气温度t标准=b1×kP+b2×k2+b3×P+b4×k+ε2。
通过采用上述技术方案,设立中间变量k使得循环水量Q、循环进水温度tin的、标准排气温度t标准和机组负荷P四维数学模型变为简单的二元二次数学模型,使得数学模型的拟合更加简单,拟合的精确度更高。
t标准=-0.05008×kP+193.1×k2+0.0338×P-4.066×k+10.95。
通过采用上述技术方案,代入健康运行数据得出准确的数学模型,以便进行下一步操作。
进一步的,在S4中的评分规则为:
在相同工况下,计算实时排气温度t与标准排气温度t标准的差值T,然后利用差值通过四分位法对汽轮机的冷源损失状况进行评分,四分位法的具体步骤如下:
将实时排气温度t与标准排气温度t标准的差值T按照从小到大排列,排在前25%位置上的数设为Q1,排在75%位置上的数设为Q3,
[Q1-IQR,Q3+IQR]设定为正常区间,当差值T位于正常区间内时,则汽轮机的冷源损失状况评分为100分;
[Q1-1.75IQR,Q1-IQR)设定为一级低报警区间,当差值T位于一级低报警区间内时,该汽轮机的冷源损失状况评分从100分到70分随着差值T减小呈线性递减,且当差值T的大小与(Q1-1.75IQR)的大小相同时,则此时汽轮机的冷源损失状况的评分为70分;
(Q3+IQR,Q3+1.75IQR]设定为一级高报警区间,当差值T位于一级高报警区间内时,该汽轮机的冷源损失状况的评分从100分到70分随着差值T增大呈线性递减,且当差值T的大小与(Q3+1.75IQR)的大小相同时,则此时汽轮机的冷源损失状况的评分为70分;
[Q1-2.5IQR,Q1-1.75IQR)设定为二级低报警区间,当差值T位于二级低报警区间内时,该汽轮机的冷源损失状况的评分从70分到0分随着差值T减小呈线性递减,且当差值T的大小与(Q1-2.5IQR)的大小相同时,则此时汽轮机的冷源损失状况的评分为0分;
(Q3+1.75IQR,Q3+2.5IQR]设定为二级高报警区间,当差值T位于二级高报警区间内时,该汽轮机的冷源损失状况的评分从70分到0分随着差值T增大呈线性递减,且当该差值T的大小与(Q3+2.5IQR)的大小相同时,则此时汽轮机的冷源损失状况的评分为0分;
其中IQR=Q3-Q1。
通过采用上述技术方案,当差值T位于一级高报警区间内或一级低报警区间内时,机组监控人员可对其进行关注;当差值T位于二级高报警区间内或二级低报警区间内时,机组监控人员就需要对异常情况进行排查,尽可能减少汽轮机的冷源损失,增强汽轮机的运行能力。
进一步的,当汽轮机的冷源损失状况评分70分出现的概率超过5%时,对正常区间、一级低报警区间、一级高报警区间、二级低报警区间、二级高报警区间进行自适应规则调整,将差值T按照从小到大排列,排在前2.5%位置上的数设为Q低,排在97.5%位置上的数设为Q高,
[Q1-IQR,Q3+IQR]设定为正常区间,当差值T于正常区间内时,则汽轮机的冷源损失状况评分为100分;
[Q低,Q1-IQR)设定为一级低报警区间,当差值T位于一级低报警区间内时,该汽轮机的冷源损失状况的评分从100分到70分随着差值T减小呈线性递减,且当差值T的大小与Q低的大小相同时,则汽轮机的冷源损失状况的评分为70分;
(Q3+IQR,Q高]设定为一级高报警区间,当差值T位于一级高报警区间内时,该汽轮机的冷源损失状况的评分从100分到70分随着差值T增大呈线性递减,且当差值T的大小与Q高的大小相同时,则汽轮机的冷源损失状况的评分为70分;
[Q1-2.5IQR,Q低)设定为二级低报警区间,当差值T位于二级低报警区间内时,该汽轮机的冷源损失状况的评分从70分到0分随着差值T减小呈线性递减,且当差值T的大小与(Q1-2.5IQR),的大小相同时,则汽轮机的冷源损失状况的评分为0分;
(Q高,Q3+2.5IQR]设定为二级高报警区间,当差值T位于二级高报警区间内时,该汽轮机的冷源损失状况的评分从70分到0分随着差值T增大呈线性递减,且当差值T的大小与(Q3+2.5IQR)的大小相同时,则汽轮机的冷源损失状况的评分为0分,
其中,Q3+IQR<Q高<Q3+2.5IQR,Q1-2.5IQR<Q低<Q1-IQ。
通过采用上述技术方案,当汽轮机的冷源损失状况评分70分出现的概率超过5%时,说明差值T的活动范围较大,因此进一步进行调整,提高精度。
综上所述,本发明具有以下有益效果:通过本汽轮机排汽温度预测方法可预测在正常工作状态下汽轮机的排汽温度,当预测的排气温度与实际测得的温度相差较大时,可提醒工作人员对故障进行排查,避免问题进一步恶化,减少汽轮机冷源损失。
附图说明
图1是实施例中数据模型的凝汽器式汽轮机排汽温度预测方法的流程图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
其中相同的零部件用相同的附图标记表示。需要说明的是,下面描述中使用的词语“前”、“后”、“左”、“右”、“上”和“下”指的是附图中的方向,词语“底面”和“顶面”、“内”和“外”分别指的是朝向或远离特定部件几何中心的方向。
实施例:一种数据模型的凝汽器式汽轮机排汽温度预测方法,如图X所示,具体步骤如下:
S1:从火力发电机组实时信息监控与管理系统中获取一段时间的历史运行数据,并对历史运行数据进行筛选,选取健康运行数据。
具体筛选方法如下:
1)、选取机组中2017-1-1到2017-12-31系统中所监测到的数据,但只保留机组负荷300MW以上数据,并去除非数字量。
2)、针对每个参数按照江阴立港发电股份有限公司企业标准(Q/LGP10519-2015)600MW机组集控运行规程设有报警值,报警值包括低报警值和高报警值。
3)、去除超过高报警值和低于低报警值的数据,剩下的数据将最大1%和最小1%数据剔出,剩下的数据为正常范围,该数据可用于接下来的数学模拟拟合数据。
S2:确定与标准排气温度t标准相关联的变量:循环水量Q、循环进水温度tin、机组负荷P,并对循环水量Q、循环进水温度tin、机组负荷P和标准排气温度t标准进行四维拟合,并建立数学模型:t标准=f(Q、tin、P)。
为了简化数学模型t标准=f(Q、tin、P),引入中间变量k,中间变量k与冷源相关。
然后再建立中间变量k、标准排气温度t标准和机组负荷P的数学模型,标准排气温度t标准=b1×kP+b2×k2+b3×P+b4×k+ε2。
t标准=-0.05008×kP+193.1×k2+0.0338×P-4.066×k+10.95。
S3:选取实时运行数据对t标准=f(Q、tin、P)进行校验。
通过校验得到的数学模型:R-平方:0.9897,RMSE:0.3755。
S4:采用相同工况比较法,将实时排气温度t与标准排气温度t标准比较,并根据评分规则对汽轮机的冷源损失状况进行评分。
评分规则为:
在相同工况下,计算实时排气温度t与标准排气温度t标准的差值T,然后利用差值通过四分位法对汽轮机的冷源损失状况进行评分,四分位法的具体步骤如下:
将实时排气温度t与标准排气温度t标准的差值T按照从小到大排列,排在前25%位置上的数设为Q1,排在75%位置上的数设为Q3,
[Q1-IQR,Q3+IQR]设定为正常区间,当差值T位于正常区间内时,则汽轮机的冷源损失状况评分为100分;
[Q1-1.75IQR,Q1-IQR)设定为一级低报警区间,当差值T位于一级低报警区间内时,该汽轮机的冷源损失状况评分从100分到70分随着差值T减小呈线性递减,且当差值T的大小与(Q1-1.75IQR)的大小相同时,则此时汽轮机的冷源损失状况的评分为70分;
(Q3+IQR,Q3+1.75IQR]设定为一级高报警区间,当差值T位于一级高报警区间内时,该汽轮机的冷源损失状况的评分从100分到70分随着差值T增大呈线性递减,且当差值T的大小与(Q3+1.75IQR)的大小相同时,则此时汽轮机的冷源损失状况的评分为70分;
[Q1-2.5IQR,Q1-1.75IQR)设定为二级低报警区间,当差值T位于二级低报警区间内时,该汽轮机的冷源损失状况的评分从70分到0分随着差值T减小呈线性递减,且当差值T的大小与(Q1-2.5IQR)的大小相同时,则此时汽轮机的冷源损失状况的评分为0分;
(Q3+1.75IQR,Q3+2.5IQR]设定为二级高报警区间,当差值T位于二级高报警区间内时,该汽轮机的冷源损失状况的评分从70分到0分随着差值T增大呈线性递减,且当该差值T的大小与(Q3+2.5IQR)的大小相同时,则此时汽轮机的冷源损失状况的评分为0分;
其中IQR=Q3-Q1。
当差值T位于一级高报警区间内或一级低报警区间内时,机组监控人员可对其进行关注;当差值T位于二级高报警区间内或二级低报警区间内时,机组监控人员就需要对异常情况进行排查,尽可能减少汽轮机的冷源损失,增强汽轮机的运行能力。
当汽轮机的冷源损失状况评分70分出现的概率超过5%时,对正常区间、一级低报警区间、一级高报警区间、二级低报警区间、二级高报警区间进行自适应规则调整,将差值T按照从小到大排列,排在前2.5%位置上的数设为Q低,排在97.5%位置上的数设为Q高,
[Q1-IQR,Q3+IQR]设定为正常区间,当差值T于正常区间内时,则汽轮机的冷源损失状况评分为100分;
[Q低,Q1-IQR)设定为一级低报警区间,当差值T位于一级低报警区间内时,该汽轮机的冷源损失状况的评分从100分到70分随着差值T减小呈线性递减,且当差值T的大小与Q低的大小相同时,则汽轮机的冷源损失状况的评分为70分;
(Q3+IQR,Q高]设定为一级高报警区间,当差值T位于一级高报警区间内时,该汽轮机的冷源损失状况的评分从100分到70分随着差值T增大呈线性递减,且当差值T的大小与Q高的大小相同时,则汽轮机的冷源损失状况的评分为70分;
[Q1-2.5IQR,Q低)设定为二级低报警区间,当差值T位于二级低报警区间内时,该汽轮机的冷源损失状况的评分从70分到0分随着差值T减小呈线性递减,且当差值T的大小与(Q3-2.5IQR)的大小相同时,则汽轮机的冷源损失状况的评分为0分;
(Q高,Q3+2.5IQR]设定为二级高报警区间,当差值T位于二级高报警区间内时,该汽轮机的冷源损失状况的评分从70分到0分随着差值T增大呈线性递减,且当差值T的大小与(Q3+2.5IQR)的大小相同时,则汽轮机的冷源损失状况的评分为0分,
当其中,Q3+IQR<Q高<Q3+2.5IQR,Q1-2.5IQR<Q低<Q1-IQ。
当汽轮机的冷源损失状况评分70分出现的概率超过5%时,说明差值T的活动范围较大,因此进一步进行调整,提高精度。
通过本汽轮机排汽温度预测方法可预测在正常工作状态下汽轮机的标准排汽温度,当标准排气温度与实时排气温度相差较大时,可提醒工作人员对故障进行排查,避免问题进一步恶化,减少汽轮机冷源损失。
本具体实施例仅仅是对本发明的解释,其并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (4)
1.一种基于数据模型的凝汽器式汽轮机排汽温度预测方法,其特征在于,具体步骤如下:
S1:从火力发电机组实时信息监控与管理系统中获取一段时间的历史运行数据,并对历史运行数据进行筛选,选取健康运行数据;
S2:确定与标准排气温度t标准相关联的变量:循环水量Q、循环进水温度tin、机组负荷P,并对循环水量Q、循环进水温度tin、机组负荷P和标准排气温度t标准进行四维拟合,并建立数学模型t标准=f(Q、tin、P);之后,设定中间变量k,建立中间变量k与循环水量Q和循环进水温度tin的数学模型:
之后,再建立中间变量k、标准排气温度t标准和机组负荷P的数学模型:
t标准=b1×kP+b2×k2+b3×P+b4×k+ε2;
S3:选取实时运行数据对t标准=-0.05008×kP+193.1×k2+0.0338×P-4.066×k+10.95进行校验;
S4:采用相同工况比较法,将实时排气温度t与标准排气温度t标准比较,并根据评分规则对汽轮机的冷源损失状况进行评分。
2.根据权利要求1所述的基于数据模型的凝汽器式汽轮机排汽温度预测方法,其特征在于,在S1中数据筛选的方法为:
去除超过报警值的数据,剩下的数据将最大的1%和最小的1%剔除,筛选后的数据即为健康运行数据,其中报警值为设备规范标准。
3.根据权利要求1所述的基于数据模型的凝汽器式汽轮机排汽温度预测方法,其特征在于,在S4中的评分规则为:
在相同工况下,计算实时排气温度t与标准排气温度t标准的差值T,然后利用差值通过四分位法对汽轮机的冷源损失状况进行评分,四分位法的具体步骤如下:
将实时排气温度t与标准排气温度t标准的差值T按照从小到大排列,排在前25%位置上的数设为Q1,排在75%位置上的数设为Q3,
[Q1-IQR,Q3+IQR]设定为正常区间,当差值T位于正常区间内时,则汽轮机的冷源损失状况评分为100分;
[Q1-1.75IQR,Q1-IQR)设定为一级低报警区间,当差值T位于一级低报警区间内时,该汽轮机的冷源损失状况评分从100分到70分随着差值T减小呈线性递减,且当差值T的大小与(Q1-1.75IQR)的大小相同时,则此时汽轮机的冷源损失状况的评分为70分;
(Q3+IQR,Q3+1.75IQR]设定为一级高报警区间,当差值T位于一级高报警区间内时,该汽轮机的冷源损失状况的评分从100分到70分随着差值增大呈线性递减,且当差值T的大小与(Q3+1.75IQR)相同时,则此时汽轮机的冷源损失状况的评分为70分;
[Q1-2.5IQR,Q1-1.75IQR)设定为二级低报警区间,当差值T位于二级低报警区间内时,该汽轮机的冷源损失状况的评分从70分到0分随着差值T减小呈线性递减,且当差值T的大小与(Q1-2.5IQR)的大小相同时,则此时汽轮机的冷源损失状况的评分为0分;
(Q3+1.75IQR,Q3+2.5IQR)设定为二级高报警区间,当差值T位于二级高报警区间内时,该汽轮机的冷源损失状况的评分从70分到0分随着差值T增大呈线性递减,且当该差值T的大小与(Q3+2.5IQR)的大小相同时,则此时汽轮机的冷源损失状况的评分为0分;
其中,IQR=Q3-Q1。
4.根据权利要求3所述的基于数据模型的凝汽器式汽轮机排汽温度预测方法,其特征在于,当汽轮机的冷源损失状况评分70分出现的概率超过5%时,对正常区间、一级低报警区间、一级高报警区间、二级低报警区间、二级高报警区间进行自适应规则调整,将差值T按照从小到大排列,排在前2.5%位置上的数设为Q低,排在97.5%位置上的数设为Q高,
[Q1-IQR,Q3+IQR]设定为正常区间,当差值T位于正常区间内时,则汽轮机的冷源损失状况评分为100分;
[Q低,Q1-IQR)设定为一级低报警区间,当差值T位于一级低报警区间内时,该汽轮机的冷源损失状况的评分从100分到70分随着差值T减小呈线性递减,且当差值T的大小与Q低的大小相同时,则汽轮机的冷源损失状况的评分为70分;
(Q3+IQR,Q高]设定为一级高报警区间,当差值T位于一级高报警区间内时,该汽轮机的冷源损失状况的评分从100分到70分随着差值T增大呈线性递减,且当差值T的大小与Q高的大小相同时,则汽轮机的冷源损失状况的评分为70分;
(Q1-2.5IQR,Q低]设定为二级低报警区间,当差值T位于二级低报警区间内时,该汽轮机的冷源损失状况的评分从70分到0分随着差值T减小呈线性递减,且当差值T的大小与(Q1-2.5IQR)的大小相同时,则汽轮机的冷源损失状况的评分为0分;
(Q高,Q3+2.5IQR]设定为二级高报警区间,当差值T位于二级高报警区间内时,该汽轮机的冷源损失状况的评分从70分到0分随着差值T增大呈线性递减,且当差值T的大小与(Q3+2.5IQR)的大小相同时,则汽轮机的冷源损失状况的评分为0分,
其中,Q3+IQR<Q高<Q3+2.5IQR,Q1-2.5IQR<Q低<Q1-IQR。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811084906.0A CN109492855B (zh) | 2018-09-17 | 2018-09-17 | 基于数据模型的凝汽器式汽轮机排汽温度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811084906.0A CN109492855B (zh) | 2018-09-17 | 2018-09-17 | 基于数据模型的凝汽器式汽轮机排汽温度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109492855A CN109492855A (zh) | 2019-03-19 |
CN109492855B true CN109492855B (zh) | 2022-06-14 |
Family
ID=65690530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811084906.0A Active CN109492855B (zh) | 2018-09-17 | 2018-09-17 | 基于数据模型的凝汽器式汽轮机排汽温度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109492855B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102629364A (zh) * | 2012-03-13 | 2012-08-08 | 凯里供电局 | 一种电力设备状态的量化评分方法 |
CN106203642A (zh) * | 2016-07-18 | 2016-12-07 | 王力 | 一种电力机车故障预测及健康管理的方法 |
CN106248411A (zh) * | 2016-07-20 | 2016-12-21 | 浙江浙能技术研究院有限公司 | 一种基于运行数据统计分析的凝汽器换热性能评价方法 |
CN107945054A (zh) * | 2016-10-13 | 2018-04-20 | 天津大学 | 一种居住建筑综合热工性能评价方法 |
CN108009723A (zh) * | 2017-12-01 | 2018-05-08 | 大连海事大学 | 一种船舶航行状态判断与能效状态评估系统 |
CN108375476A (zh) * | 2018-03-09 | 2018-08-07 | 中国水利水电科学研究院 | 一种水电机组健康评估方法 |
CN108536958A (zh) * | 2018-04-09 | 2018-09-14 | 中能电力科技开发有限公司 | 一种基于功率曲线健康状态分级的风机实时评价方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102270271B (zh) * | 2011-05-03 | 2014-03-19 | 北京中瑞泰科技有限公司 | 基于相似度曲线的设备故障早期预警及优化的方法和系统 |
-
2018
- 2018-09-17 CN CN201811084906.0A patent/CN109492855B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102629364A (zh) * | 2012-03-13 | 2012-08-08 | 凯里供电局 | 一种电力设备状态的量化评分方法 |
CN106203642A (zh) * | 2016-07-18 | 2016-12-07 | 王力 | 一种电力机车故障预测及健康管理的方法 |
CN106248411A (zh) * | 2016-07-20 | 2016-12-21 | 浙江浙能技术研究院有限公司 | 一种基于运行数据统计分析的凝汽器换热性能评价方法 |
CN107945054A (zh) * | 2016-10-13 | 2018-04-20 | 天津大学 | 一种居住建筑综合热工性能评价方法 |
CN108009723A (zh) * | 2017-12-01 | 2018-05-08 | 大连海事大学 | 一种船舶航行状态判断与能效状态评估系统 |
CN108375476A (zh) * | 2018-03-09 | 2018-08-07 | 中国水利水电科学研究院 | 一种水电机组健康评估方法 |
CN108536958A (zh) * | 2018-04-09 | 2018-09-14 | 中能电力科技开发有限公司 | 一种基于功率曲线健康状态分级的风机实时评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109492855A (zh) | 2019-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2021064370A (ja) | デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム | |
CN106249728B (zh) | 一种基于部件特性的火力发电机组在线性能监测方法 | |
Stephen et al. | A copula model of wind turbine performance | |
CN111159844B (zh) | 一种电站燃气轮机排气温度的异常检测方法 | |
CN106404403B (zh) | 用于涡轮机的分析的方法和系统 | |
CN112179655B (zh) | 一种基于阈值分级的汽轮发电机故障预警方法 | |
CN109827004B (zh) | 对调节阀特性分析的方法及装置 | |
Zhang et al. | A fault early warning method for auxiliary equipment based on multivariate state estimation technique and sliding window similarity | |
Li et al. | A novel wind speed-sensing methodology for wind turbines based on digital twin technology | |
JP2016145574A (ja) | ガスタービン燃焼プロファイル監視 | |
CN104182623A (zh) | 一种基于当量变化率计算的热工过程数据检测方法 | |
CN112949181A (zh) | 一种多源关联数据的预警预测方法、存储介质及电子设备 | |
Samani | Combined cycle power plant with indirect dry cooling tower forecasting using artificial neural network | |
CN115294671A (zh) | 一种空压机出口压力预测方法和预测系统 | |
Bao et al. | Wind turbine condition monitoring based on improved active learning strategy and KNN algorithm | |
CN109492855B (zh) | 基于数据模型的凝汽器式汽轮机排汽温度预测方法 | |
Ruliandi | Geothermal power plant system performance prediction using artificial neural networks | |
CN106289754B (zh) | 一种基于统计控制技术的火电机组部件性能变化判定方法 | |
Kaewprapha et al. | Machine Learning Approaches for Estimating the Efficiency of Combined Cycle Power Plant | |
Lithoxoidou et al. | Malfunction diagnosis in industrial process systems using data mining for knowledge discovery | |
CN113868836B (zh) | 基于大数据的智慧热力系统在线专家分析平台 | |
CN112734158B (zh) | 发电机组的热电负荷分配方法、装置及电子设备 | |
CN112348696B (zh) | 基于bp神经网络的供热机组调峰上限评估方法及系统 | |
CN112560339B (zh) | 利用机器学习预测水轮发电机组导轴承瓦温度的方法 | |
CN112628132B (zh) | 一种基于机器学习的水泵关键指标预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |