CN109784661A - 一种热工过程稳态检测方法和系统 - Google Patents

一种热工过程稳态检测方法和系统 Download PDF

Info

Publication number
CN109784661A
CN109784661A CN201811556232.XA CN201811556232A CN109784661A CN 109784661 A CN109784661 A CN 109784661A CN 201811556232 A CN201811556232 A CN 201811556232A CN 109784661 A CN109784661 A CN 109784661A
Authority
CN
China
Prior art keywords
data
thermal process
thermal
stable state
imf component
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
Application number
CN201811556232.XA
Other languages
English (en)
Inventor
董泽
贾昊
姜炜
闫来清
门玉涵
马宁
黄嘉男
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China Electric Power University
Original Assignee
North China Electric Power University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North China Electric Power University filed Critical North China Electric Power University
Priority to CN201811556232.XA priority Critical patent/CN109784661A/zh
Publication of CN109784661A publication Critical patent/CN109784661A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本发明实施例提供了一种热工过程稳态检测方法和系统，该方法和系统应用于火力发电厂，具体为基于经验模态分解方法对火力发电厂的热工过程数据进行处理，得到热工过程数据的轨迹趋势数据；基于统计学理论的R统计检验法对轨迹趋势数据进行处理，得到轨迹趋势数据的样本方差；根据样本方差对热工过程数据是否为稳态进行判断，从而得到稳态检测结果。从而能够避免辨识和建模误差，为火力发电厂的设备性能评价、运行优化、系统辨识和故障检测提供了重要的基础。

Description

一种热工过程稳态检测方法和系统
技术领域
本发明涉及火力发电技术领域，特别是涉及一种热工过程稳态检测方法和系统。
背景技术
近年来，我国火力发电技术取得了飞速的发展，但同时也面临了许多新的困难。一方面随着新能源发电份额的不断扩大，火力发电厂被迫越来越频繁的参与调峰，这造成了机组运行状态经常发生波动。另一方面，由于燃煤煤质多变的现状没有发生根本性的改变，机组往往偏离设计煤种运行，这除了影响经济性外，更带来了严重的安全隐患。然而，进行设备性能评价时首先要获得稳态工况下的历史数据，而且，对研究对象的特性和控制器效果分析等也需建立在此基础之上。
另外，过程参数的计算精度也受实测工况特性影响，只有稳态工况下各参数间才具有较强状态一致性。另一方面，稳态工况也是过程建模和系统辨识的基本前提，在非稳态工况下，变量的特性变动剧烈，运行数据不能真实地反映系统输入输出的关系，会带来辨识和建模误差。因此，对发电厂的热工过程的稳态检测对设备性能评价、运行优化、系统辨识和故障检测均具有重要意义。
发明内容
有鉴于此，为了解决上面所提出的问题，本发明提供了一种热工过程稳态检测方法和系统。
为了解决上述问题，本发明公开了一种热工过程稳态检测方法，应用于火力发电厂，所述热工过程稳态检测方法包括步骤：
基于经验模态分解方法对所述火力发电厂的热工过程数据进行处理，得到所述热工过程数据的轨迹趋势数据；
基于统计学理论的R统计检验法对所述轨迹趋势数据进行处理，得到所述轨迹趋势数据的样本方差；
根据所述样本方差对所述热工过程数据是否为稳态进行判断。
可选的，所述基于经验模态分解方法对所述火力发电厂的热工过程数据进行处理，得到所述热工过程数据的轨迹趋势数据，包括：
基于所述经验模态分解方法对所述热工过程数据进行分解，得到所述热工过程数据的IMF分量；
从所述IMF分量中提取符合预设标准的有用IMF分量；
根据所述有用IMF分量构建所述轨迹趋势数据。
可选的，所述从所述IMF分量中提取负荷预设标准的有用IMF分量，包括：
基于对所述热工工程数据的分解，还得到所述热工工程数据的相关系数；
将所述相关系数大于预设阈值的所述IMF选定为所述有用IMF分量。
可选的，所述基于统计学理论的R统计检验法对所述轨迹趋势数据进行处理，得到所述轨迹趋势数据的样本方差，包括：
基于连续数据和过程整体趋势之间的差异，通过指数加权滑动方法计算所述样本方差；或者，
基于连续运行数值，通过指数加权滑动方法计算所述样本方差。
可选的，所述根据所述样本方差对所述热工过程数据是否为稳态进行判断，包括：
计算所述样本方差的统计量；
当所述统计量小于或等于预设判别阈值时，判定所述热工过程数据处于稳态，反之则不是处于稳态。
还提供了一种热工过程稳态检测系统，应用于火力发电厂，所述热工过程稳态检测系统包括：
第一计算模块，用于基于经验模态分解方法对所述火力发电厂的热工过程数据进行处理，得到所述热工过程数据的轨迹趋势数据；
第二计算模块，用于基于统计学理论的R统计检验法对所述轨迹趋势数据进行处理，得到所述轨迹趋势数据的样本方差；
状态判断模块，用于根据所述样本方差对所述热工过程数据是否为稳态进行判断。
可选的，所述第一计算模块包括：
分解计算单元，用于基于所述经验模态分解方法对所述热工过程数据进行分解，得到所述热工过程数据的IMF分量；
分量提取单元，用于从所述IMF分量中提取符合预设标准的有用IMF分量；
趋势构建单元，用于根据所述有用IMF分量构建所述轨迹趋势数据。
可选的，
所述分解计算单元还用于基于对所述热工工程数据的分解，得到所述热工工程数据的相关系数；
所述分量提取单元具体用于将所述相关系数大于预设阈值的所述IMF选定为所述有用IMF分量。
可选的，所述第二计算模块包括：
第一计算单元，用于基于连续数据和过程整体趋势之间的差异，通过指数加权滑动方法计算所述样本方差；或者，
第二计算单元，用于基于连续运行数值，通过指数加权滑动方法计算所述样本方差。
可选的，所述状态判断模块包括：
第三计算单元，用于计算所述样本方差的统计量；
判断执行单元，用于当所述统计量小于或等于预设判别阈值时，判定所述热工过程数据处于稳态，反之则不是处于稳态。
从上述技术方案可以看出，本发明提供了一种热工过程稳态检测方法和系统，该方法和系统应用于火力发电厂，具体为基于经验模态分解方法对火力发电厂的热工过程数据进行处理，得到热工过程数据的轨迹趋势数据；基于统计学理论的R统计检验法对轨迹趋势数据进行处理，得到轨迹趋势数据的样本方差；根据样本方差对热工过程数据是否为稳态进行判断，从而得到稳态检测结果。从而能够避免辨识和建模误差，为设备性能评价、运行优化、系统辨识和故障检测提供了重要的基础。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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为本申请实施例的一种热工过程稳态检测方法的流程图；
图2为本申请实施例的信号提取过程的流程图；
图3为原始信号及其低频信息的曲线图；
图4为原始给水流量中的高频信息的曲线图；
图5为对原始给水流量的稳态检测结果的曲线图；
图6为本申请实施例的一种热工过程稳态检测装置的框图。
具体实施方式
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，所描述的实施例仅仅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。
实施例一
图1为本申请实施例提供的一种热工工程稳态检测方法的流程图。
参照图1所示，本实施例提供的检测方法应用于火力发电厂，用于对火力发电厂的热工工程数据进行检测，以判定其是否为稳态，该方法具体为：
S1、对热工程过程数据进行处理进行分解处理。
热工过程是指火力发电厂的生产过程，热工工程数据是指火力发电厂在生产过程中相应设备的运行状态数据，例如压力、流量、温度等。本实施例的技术方案的实施基础为通过对热工过程进行监测，得到这些热工过程数据，具体为通过相应的数据端口获取设置火力发电厂各个相应设备的监测设备、传感器等产生的热工工程数据。
在获得相应热工工程数据后，基于经验模态分解方法对热工过程数据进行处理，得到相应热工工程数据的轨迹趋势数据。并且，在进行数据处理时，在得到轨迹趋势数据的同时，还获得热工工程数据的相关系数，本申请的相关系数优选皮尔森相关系数。
经验模态分解方法是由美国NASA的黄锷提出的一种信号分析方法。它基于信号局部特征的时间尺度，把信号分解为若干个本征模态函数(Intrinsic Mode Function，IMF)之和。由于其依据数据自身的时间尺度特征来进行信号分解，无需预先设定任何基函数，因此具有自适应性。由于经验模态分解方法的特点，其在理论上可以应用于任何类型的信号的分解，因而在处理非平稳及非线性数据上具有非常明显的优势。
作为一种应用，经验模态分解方法可以有效地提取一个数据序列的趋势数据。根据定义，经验模态分解方法将信号分解为若干本征模态函数(IMF)之和。IMF具有如下两个特征：(1)极值点(极大值或极小值)数目与过零点数目相等或最多相差一个；(2)由局部极大值构成的上包络和由极小值构成下包络的平均值为零。这些IMF分量既可以是线性的，也可以是非线性的；既可以是平稳的，也可以是非平稳的。IMF的分解通过一种称为筛选(Sifting Process)的步骤来完成。具体过程如下。
经验模态分解方法首先假设任何信号s(t)由不同的本征模态函数(IMF)组成，每个IMF可以是线性的，也可以是非线性的。具体方法是由一个“筛选”过程完成的：
(1)首先找出信号s(t)所有的极大值点并其用三次样条函数拟合成原数据序列上的包络线，找出所有的极小值点并将其用三次样条函数拟合成原数据。
(2)计算上下包络线的均值，记为m1(t)。把原数据序列s(t)减去该均值即可得到一个去掉低频的新数据序列h1：
h1＝s(t)-m1(t) (1)
(3)因为一般不是一个IMF分量序列，需要对它重复进行上述处理过程。重复进行上述处理过程k次，直到h1(t)符合IMF的定义要求：所得到的均值趋于零为止。可得到第1个IMF向量，它代表信号中最高频率的分量，该分量可表示为：
h1k(t)＝h1(k-1)(t)-m1k(t) (2)
c1(t)＝h1k(t) (3)
(4)将c1(t)从s(t)中分离出来，即得到一个去掉高频分量的差值信号r1(t)，得到：
r1(t)＝s(t)-c1(t) (4)
(5)将r1(t)作为原始数据，重复上述步骤(1)到(4)，可以得到第2个IMF分量。重复n次，得到n个IMF分量，即：
(6)当cn(t)或rn(t)满足给定的终止条件(通常rn(t)使成为一个单调函数)时，循环结束，由式(4)、式(5)可得：
式中：rn(t)为残余函数，代表信号的平均趋势。而各个IMF分量c1(t),c2(t),L cn(t)分别包含信号不同时间特征尺度大小的成分，其尺度由小到大依次排列。
本步骤中，具体通过如下步骤得到该轨迹趋势数据：
首先，基于经验模态分解方法对热工过程数据进行分解，得到该热工过程数据的IMF分量。
热工过程信号发生波动的根本原因是由于过程中的能量发生了变化，通过计算原信号s(t)和分解得到IMF分量c1(t),c2(t),L cn(t)，并得到IMF分量的相关系数，这里优选皮尔森相关系数，以便从中确定有用IMF分量。从中可以看出，IMF分量肯定为多个，其中的有用IMF分量也是多个，但是其数量要比原始的IMF分量要少。信号提取过程如图2所示。
然后，从得到的多个IMF分量中进行提取，提取出符合预设标准的有用IMF分量。
具体来说，是对相关IMF分量进行信号重建，最终实现热工过程数据的运行趋势数据的提取。皮尔森相关系数定量地刻画了x和y的相关程度，即|ρ(x,y)|越趋近于1，两个向量的相关程度越大；|ρ(x,y)|越趋近于0，对应相关程度越低。
皮尔森相关系数的计算公式如下：
其中，Cov(x,y)为x与y的协方差；Var(x)和Var(y)分别为x和y的方差。
经过实验统计结果显示，当使用EMD分解对热工过程信号进行趋势提取时，如果IMF分量与原信号之间的皮尔斯相关系数|ρ|＜0.2的话，则认为IMF分量与真实信号相关性不大，可以将其重构为中高频信息rec(t)，即信号的震荡信息；与原始信号的皮尔森相关系数|ρ|≥0.2的IMF分量以及残余项，与真实信号的相关性较大，可以将其选出作为有用IMF分量。这里的0.2可以看做为预设阈值，而大于这个预设阈值则可以认为符合预设标准。
最后，在得到有用IMF分量后，进行重构得到低频信息f0(t)，即信号的整体运行趋势。
S2、计算轨迹驱使数据的样本方差。
具体为基于统计学原理的R统计检验法对轨迹趋势数据进行处理，得到该轨迹趋势数据的样本方差。
R统计检验法是Rhinehart于1995年提出的一种基于统计理论的稳态检测方法，即对同一个过程数据序列采用两种不同方法所得方差度量值的比值，根据比值确定序列是否稳定。假设待检测时间序列X的第i时刻的测量值为xi，滤波系数λn∈(0,1](n＝1,2,3)。利用式(8)和式(9)分别计算滤波值xf,i和均方差然后利用当前时刻测量值xi和上一时刻测量值xi-1计算方差的无偏估计
xf,i＝λ1xi+(1-λ1)xf,i-1 (8)
由两类方差可以分别推出噪声方差的估计值为：
用于检测的统计量Ri定义为两个噪声方差估计值之比。
通过比较统计量Ri和确定置信度α下的阈值Rcrit做比较可以判断出当前过程变量是否处于稳定状态。
基于以上分析，本实施例采用如下两种方法计算：
第一种方法通过使用指数加权滑动方法来计算样本方差，该方法是基于连续数据和过程整体趋势之间的差异对样本方差进行计算。
其中，Xi为过程变量当前时刻的值，f0,i-1为前一时刻Xi的整体运行趋势的值，为当前时刻方差的度量，为上一时刻的方差的度量，λ4为指数加权系数。
方程(14)是分子或比率统计中使用的方差的量度。使用过程趋势的前一个值而不是最近更新的值，以防止自相关对方差估计值σ2产生偏差，并且保持比率方程式的简洁。
第二种方法是通过使用指数加权滑动来获得连续运行过程数值，并重建信号的差异，λ5为指数加权系数。
S3、根据样本方差对稳态进行判断。
即基于得到的热工过程数据的轨迹趋势数据的样本方差进行判断，以确定该热工过程数据是否处于稳态。具体通过如下步骤进行判断：
首先，计算得到的样本方差的统计量R。
然后，根据该统计量对热工过程数据是否处于稳态进行判断。
通过对统计量Ri和某一置信度α下的稳态判别阈值Rcrit做比较，就可以确定热工过程数据当前是否处于稳定状态。当计算得到的统计量R值小于确定置信度α下的阈值Rcrit时，即可认为当前的热工过程数据处于稳态，反之则不是处于稳态。种类可以规定稳态时状态标志位为1，非稳态时标志位为0。
从上述技术方案可以看出，本实施例提供了一种热工过程稳态检测方法，该方法应用于火力发电厂，具体为基于经验模态分解方法对火力发电厂的热工过程数据进行处理，得到热工过程数据的轨迹趋势数据；基于统计学理论的R统计检验法对轨迹趋势数据进行处理，得到轨迹趋势数据的样本方差；根据样本方差对热工过程数据是否为稳态进行判断，从而得到稳态检测结果。从而能够避免辨识和建模误差，为火力发电厂的设备性能评价、运行优化、系统辨识和故障检测提供了重要的基础。
本申请使用的稳态检验方法用经验模态分解方法提取到的整体的运行趋势数据代替了传统的滑动滤波，这避免了由于指数加权系数λ1给定不合适可能对均方差的求取产生误差。在第二种获取样本方差的方法中，用重建的震荡信号代替了原始测量信号，避免了整体运行趋势对方差计算可能产生的影响。
对于过于平滑或变化缓慢的信号，由于信号缺乏足够的震荡，直接使用统计检测方法可能会导致检测失败。为了克服这种情况，需要根据这一类测量信号的幅值，适当添加均值为0，方差为σ2的高斯白噪声，使得信号既可以充分震荡，又不会过度偏离实际测量值。
在扩展到多变量稳态检测时，如果任意一个过程变量不处于稳定状态，则系统不处于稳定状态。只有待检测系统的输入输出变量均处于稳定状态，才可以认为系统当前处于稳定状态。多变量系统的稳态检测可以使用单个统计信息进行计算：
其中，N为变量个数，j为变量的索引，SSj为第j个变量的稳态检测结果，SSprocess为多变量系统的稳态检测结果。当SSprocess＝1时，代表当前多变量系统处于稳定状态，SSprocess＝0表示处于非稳定状态。
图3、图4和图5为热工过程中给水流量的稳态检测实验得到的曲线图，采样时间1小时，采样间隔6秒，共计600个采样数据点。其中，图3为原始信号及其低频信息的曲线图，其中原始信号为热工过程数据中的原始给水流量，低频信息则是指轨迹趋势数据；图4为原始给水流量中的高频信息的曲线图；图5为对原始给水流量的稳态检测结果的曲线图。
实施例二
图6为本申请实施例提供的一种热工工程稳态检测系统的框图。
参照图6所示，本实施例提供的检测系统应用于火力发电厂，用于对火力发电厂的热工工程数据进行检测，以判定其是否为稳态，该系统具体包括第一计算模块10、第二计算模块20和状态判断模块30。
第一计算模块用于对热工程过程数据进行处理进行分解处理。
热工过程是指火力发电厂的生产过程，热工工程数据是指火力发电厂在生产过程中相应设备的运行状态数据，例如压力、流量、温度等。本实施例的技术方案的实施基础为通过对热工过程进行监测，得到这些热工过程数据，具体为通过相应的数据端口获取设置火力发电厂各个相应设备的监测设备、传感器等产生的热工工程数据。
在获得相应热工工程数据后，基于经验模态分解方法对热工过程数据进行处理，得到相应热工工程数据的轨迹趋势数据。并且，在进行数据处理时，在得到轨迹趋势数据的同时，还获得热工工程数据的相关系数，本申请的相关系数优选皮尔森相关系数。
本申请中，该模块具体包括分解计算单元、分量提取单元和趋势构建单元。
分解计算单元用于基于经验模态分解方法对热工过程数据进行分解，得到该热工过程数据的IMF分量。
热工过程信号发生波动的根本原因是由于过程中的能量发生了变化，通过计算原信号s(t)和分解得到IMF分量c1(t),c2(t),L cn(t)，并得到IMF分量的相关系数，这里优选皮尔森相关系数，以便从中确定有用IMF分量。从中可以看出，IMF分量肯定为多个，其中的有用IMF分量也是多个，但是其数量要比原始的IMF分量要少。信号提取过程如图2所示。
分量提取单元用于从得到的多个IMF分量中进行提取，提取出符合预设标准的有用IMF分量。
具体来说，是对相关IMF分量进行信号重建，最终实现热工过程数据的运行趋势数据的提取。皮尔森相关系数定量地刻画了x和y的相关程度，即|ρ(x,y)|越趋近于1，两个向量的相关程度越大；|ρ(x,y)|越趋近于0，对应相关程度越低。
皮尔森相关系数的计算公式如下：
其中，Cov(x,y)为x与y的协方差；Var(x)和Var(y)分别为x和y的方差。
经过实验统计结果显示，当使用EMD分解对热工过程信号进行趋势提取时，如果IMF分量与原信号之间的皮尔斯相关系数|ρ|＜0.2的话，则认为IMF分量与真实信号相关性不大，可以将其重构为中高频信息rec(t)，即信号的震荡信息；与原始信号的皮尔森相关系数|ρ|≥0.2的IMF分量以及残余项，与真实信号的相关性较大，可以将其选出作为有用IMF分量。这里的0.2可以看做为预设阈值，而大于这个预设阈值则可以认为符合预设标准。
趋势构建单元用于在分量提取单元得到有用IMF分量后，进行重构得到低频信息f0(t)，即信号的整体运行趋势。
第二计算模块用于计算轨迹驱使数据的样本方差。
具体为基于统计学原理的R统计检验法对轨迹趋势数据进行处理，得到该轨迹趋势数据的样本方差。该模块具体包括第一计算单元和第二计算单元中的一个或全部。
第一种方法通过使用指数加权滑动方法来计算样本方差，该方法是基于连续数据和过程整体趋势之间的差异对样本方差进行计算。
其中，Xi为过程变量当前时刻的值，f0,i-1为前一时刻Xi的整体运行趋势的值，为当前时刻方差的度量，为上一时刻的方差的度量，λ4为指数加权系数。
方程(14)是分子或比率统计中使用的方差的量度。使用过程趋势的前一个值而不是最近更新的值，以防止自相关对方差估计值σ2产生偏差，并且保持比率方程式的简洁。
第二种方法是通过使用指数加权滑动来获得连续运行过程数值，并重建信号的差异，λ5为指数加权系数。
状态判断模块用于根据样本方差对稳态进行判断。
即基于得到的热工过程数据的轨迹趋势数据的样本方差进行判断，以确定该热工过程数据是否处于稳态。该模块具体包括第三计算单元和判断执行单元。
第三计算单元用于计算得到的样本方差的统计量R。
判断执行单元用于根据该统计量对热工过程数据是否处于稳态进行判断。
通过对统计量Ri和某一置信度α下的稳态判别阈值Rcrit做比较，就可以确定热工过程数据当前是否处于稳定状态。当计算得到的统计量R值小于确定置信度α下的阈值Rcrit时，即可认为当前的热工过程数据处于稳态，反之则不是处于稳态。种类可以规定稳态时状态标志位为1，非稳态时标志位为0。
从上述技术方案可以看出，本实施例提供了一种热工过程稳态检测系统，该系统应用于火力发电厂，具体为基于经验模态分解方法对火力发电厂的热工过程数据进行处理，得到热工过程数据的轨迹趋势数据；基于统计学理论的R统计检验法对轨迹趋势数据进行处理，得到轨迹趋势数据的样本方差；根据样本方差对热工过程数据是否为稳态进行判断，从而得到稳态检测结果。从而能够避免辨识和建模误差，为火力发电厂的设备性能评价、运行优化、系统辨识和故障检测提供了重要的基础。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的技术方案进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种热工过程稳态检测方法，应用于火力发电厂，其特征在于，所述热工过程稳态检测方法包括步骤：
基于经验模态分解方法对所述火力发电厂的热工过程数据进行处理，得到所述热工过程数据的轨迹趋势数据；
基于统计学理论的R统计检验法对所述轨迹趋势数据进行处理，得到所述轨迹趋势数据的样本方差；
根据所述样本方差对所述热工过程数据是否为稳态进行判断。
2.如权利要求1所述的热工过程稳态检测方法，其特征在于，所述基于经验模态分解方法对所述火力发电厂的热工过程数据进行处理，得到所述热工过程数据的轨迹趋势数据，包括：
基于所述经验模态分解方法对所述热工过程数据进行分解，得到所述热工过程数据的IMF分量；
从所述IMF分量中提取符合预设标准的有用IMF分量；
根据所述有用IMF分量构建所述轨迹趋势数据。
3.如权利要求2所述的热工过程稳态检测方法，其特征在于，所述从所述IMF分量中提取负荷预设标准的有用IMF分量，包括：
基于对所述热工工程数据的分解，还得到所述热工工程数据的相关系数；
将所述相关系数大于预设阈值的所述IMF选定为所述有用IMF分量。
4.如权利要求1所述的热工过程稳态检测方法，其特征在于，所述基于统计学理论的R统计检验法对所述轨迹趋势数据进行处理，得到所述轨迹趋势数据的样本方差，包括：
基于连续数据和过程整体趋势之间的差异，通过指数加权滑动方法计算所述样本方差；或者，
基于连续运行数值，通过指数加权滑动方法计算所述样本方差。
5.如权利要求4所述的热工过程检测方法，其特征在于，所述根据所述样本方差对所述热工过程数据是否为稳态进行判断，包括：
计算所述样本方差的统计量；
当所述统计量小于或等于预设判别阈值时，判定所述热工过程数据处于稳态，反之则不是处于稳态。
6.一种热工过程稳态检测系统，应用于火力发电厂，其特征在于，所述热工过程稳态检测系统包括：
第一计算模块，用于基于经验模态分解方法对所述火力发电厂的热工过程数据进行处理，得到所述热工过程数据的轨迹趋势数据；
第二计算模块，用于基于统计学理论的R统计检验法对所述轨迹趋势数据进行处理，得到所述轨迹趋势数据的样本方差；
状态判断模块，用于根据所述样本方差对所述热工过程数据是否为稳态进行判断。
7.如权利要求6所述的热工过程稳态检测系统，其特征在于，所述第一计算模块包括：
分解计算单元，用于基于所述经验模态分解方法对所述热工过程数据进行分解，得到所述热工过程数据的IMF分量；
分量提取单元，用于从所述IMF分量中提取符合预设标准的有用IMF分量；
趋势构建单元，用于根据所述有用IMF分量构建所述轨迹趋势数据。
8.如权利要求7所述的热工过程稳态检测系统，其特征在于，
所述分解计算单元还用于基于对所述热工工程数据的分解，得到所述热工工程数据的相关系数；
所述分量提取单元具体用于将所述相关系数大于预设阈值的所述IMF选定为所述有用IMF分量。
9.如权利要求6所述的热工过程稳态检测系统，其特征在于，所述第二计算模块包括：
第一计算单元，用于基于连续数据和过程整体趋势之间的差异，通过指数加权滑动方法计算所述样本方差；或者，
第二计算单元，用于基于连续运行数值，通过指数加权滑动方法计算所述样本方差。
10.如权利要求9所述的热工过程检测系统，其特征在于，所述状态判断模块包括：
第三计算单元，用于计算所述样本方差的统计量；
判断执行单元，用于当所述统计量小于或等于预设判别阈值时，判定所述热工过程数据处于稳态，反之则不是处于稳态。
CN201811556232.XA 2018-12-19 2018-12-19 一种热工过程稳态检测方法和系统 Pending CN109784661A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811556232.XA CN109784661A (zh) 2018-12-19 2018-12-19 一种热工过程稳态检测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811556232.XA CN109784661A (zh) 2018-12-19 2018-12-19 一种热工过程稳态检测方法和系统

Publications (1)

Publication Number Publication Date
CN109784661A true CN109784661A (zh) 2019-05-21

Family

ID=66497316

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811556232.XA Pending CN109784661A (zh) 2018-12-19 2018-12-19 一种热工过程稳态检测方法和系统

Country Status (1)

Country Link
CN (1) CN109784661A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113064076A (zh) * 2021-03-24 2021-07-02 河南中烟工业有限责任公司 电机稳态的判断方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002065157A2 (en) * 2001-02-14 2002-08-22 The United States Of America, As Represented By The Aministrator Of The National Aeronautics And Space Administration (Nasa) Empirical mode decomposition for analyzing acoustical signals
US7941298B2 (en) * 2006-09-07 2011-05-10 DynaDx Corporation Noise-assisted data analysis method, system and program product therefor
CN103839197A (zh) * 2014-03-19 2014-06-04 国家电网公司 一种基于eemd方法的用户用电行为异常的判定方法
CN106096242A (zh) * 2016-06-01 2016-11-09 浙江浙能北海水力发电有限公司 一种基于改进emd分解的尾水管压力脉动综合评价方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002065157A2 (en) * 2001-02-14 2002-08-22 The United States Of America, As Represented By The Aministrator Of The National Aeronautics And Space Administration (Nasa) Empirical mode decomposition for analyzing acoustical signals
US7941298B2 (en) * 2006-09-07 2011-05-10 DynaDx Corporation Noise-assisted data analysis method, system and program product therefor
CN103839197A (zh) * 2014-03-19 2014-06-04 国家电网公司 一种基于eemd方法的用户用电行为异常的判定方法
CN106096242A (zh) * 2016-06-01 2016-11-09 浙江浙能北海水力发电有限公司 一种基于改进emd分解的尾水管压力脉动综合评价方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JACEK DYBALA ETC: ""Rolling bearing diagnosing method based on Empirical Mode Decomposition of machine vibration signal"", 《APPLIED ACOUSTICS》 *
倪蒙: ""基于SIS数据的火电机组仿真系统建模优化研究"", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 *
蔡伟: "《液压系统非介入式监测技术》", 31 July 2014, 国防工业出版社 *
贾昊等: "基于信号分解和统计假设检验的稳态检测方法"", 《仪器仪表学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113064076A (zh) * 2021-03-24 2021-07-02 河南中烟工业有限责任公司 电机稳态的判断方法及系统

Similar Documents

Publication Publication Date Title
Helwig et al. Condition monitoring of a complex hydraulic system using multivariate statistics
Yan et al. ARX model based fault detection and diagnosis for chillers using support vector machines
Lin et al. Nonlinear dynamic principal component analysis for on-line process monitoring and diagnosis
Young Advances in real–time flood forecasting
He et al. Fully automated precise operational modal identification
CN107545253B (zh) 一种电力系统低频振荡监测方法
CN111310981A (zh) 一种基于时间序列的水库水位趋势预测方法
Wang et al. Fault detection and identification using a Kullback-Leibler divergence based multi-block principal component analysis and Bayesian inference
Barsim et al. Unsupervised adaptive event detection for building-level energy disaggregation
He et al. Dynamic mutual information similarity based transient process identification and fault detection
CN117434372B (zh) 电子产品的电磁兼容抗扰度测试方法及系统
Meyer et al. Fast Bayesian reconstruction of chaotic dynamical systems via extended Kalman filtering
Perry Identifying the time of polynomial drift in the mean of autocorrelated processes
Wardana A method for detecting the oscillation in control loops based on variational mode decomposition
CN109784661A (zh) 一种热工过程稳态检测方法和系统
CN106407955B (zh) 一种电力系统低频振荡模式在线辨识方法
Schirmer et al. Improving energy disaggregation performance using appliance-driven sampling rates
Azizi et al. Quantification of disaggregation difficulty with respect to the number of smart meters
Liu et al. A review of nonintrusive load monitoring and its application in commercial building
Adedotun et al. Modelling and forecasting climate time series with state-space model
Schirmer et al. Integration of temporal contextual information for robust energy disaggregation
Nashrullah et al. Performance Evaluation of Superstate HMM with Median Filter For Appliance Energy Disaggregation
Geng et al. Fault detection of large-scale process control system with higher-order statistical and interpretative structural model
Das et al. Data driven approach for performance assessment of linear and nonlinear Kalman filters
Zheng et al. Switching autoregressive dynamic latent variable model for fault detection in multimode processes

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: 20190521