CN109871004B - 基于诊断模型和大数据的电站智能控制方法、系统及介质 - Google Patents
基于诊断模型和大数据的电站智能控制方法、系统及介质 Download PDFInfo
- Publication number
- CN109871004B CN109871004B CN201910197705.XA CN201910197705A CN109871004B CN 109871004 B CN109871004 B CN 109871004B CN 201910197705 A CN201910197705 A CN 201910197705A CN 109871004 B CN109871004 B CN 109871004B
- Authority
- CN
- China
- Prior art keywords
- controllable
- factor
- value
- factors
- adjusted
- 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 38
- 238000003745 diagnosis Methods 0.000 title claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 69
- 238000012216 screening Methods 0.000 claims description 27
- 230000001364 causal effect Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 239000003245 coal Substances 0.000 description 38
- 238000004422 calculation algorithm Methods 0.000 description 27
- 238000004364 calculation method Methods 0.000 description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 16
- 238000010298 pulverizing process Methods 0.000 description 7
- 239000000446 fuel Substances 0.000 description 6
- 238000002485 combustion reaction Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 102000003712 Complement factor B Human genes 0.000 description 1
- 108090000056 Complement factor B Proteins 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Abstract
本发明公开了一种基于诊断模型和大数据的电站智能控制方法、系统及介质，本发明步骤包括采集目标参数及其可控因子的运行值；如果目标参数发生偏差且各个可控因子没有全部在偏差允许区间内，则选择一项不在偏差允许区间内的可控因子作为待调整可控因子，根据其运行值、标杆值计算待调整可控因子的调整目标值；在目标电站中将待调整可控因子调整至调整目标值且进行迭代处理。本发明具有工程上切实可行、成本较低、准确可靠的优点，能为当前机组的运行状态进行诊断，提供全面、及时、准确的优化调整策略，降低人工监视运行的劳动强度和安全风险，确保机组始终在安全、经济、环保的最优状态下运行。
Description
技术领域
本发明涉及燃煤电厂智能运行控制领域，具体涉及一种基于诊断模型和大数据的电站智能控制方法、系统及介质。
背景技术
在当前中国的一次能源构成中，煤电以绝对优势位居首位。截止2017年3月，煤电总装机容量已超过 10 亿千瓦，在接下来的一段时间内，煤电的龙头位置依然无法被其他能源所取代。煤电机组的安全、经济、环保运行关系到社会的稳定发展和人民的美好生活。随着技术的发展，煤电机组的单机容量也不断提升，当前1000MW机组已成为新建主力。机组参数和容量的提升，导致其运行设备和监控测点也愈加繁多复杂，给目前仍以人工监控运行为主的方式带来极大的负担与挑战。对于燃煤电厂而言，准确有效的控制调整策略依赖于运行人员通过自身经验，从庞大复杂的监控数据中判断当前机组的运行状态，从而采取调整措施。但由于运行人员水平的差异，测量数据的繁杂以及各运行参数的相互影响，导致机组很难保持长期在最优状态下运行，同时由于人员精力的有限，更难确保24小时全面及时的优化机组运行状态。因此，如何基于诊断模型和大数据实现电站智能控制，对于解决上述问题具有良好的应用前景，但是具体如何实现，则仍然是一项亟待解决的复杂的系统问题。
发明内容
本发明要解决的技术问题：针对现有技术的上述问题，提供一种基于诊断模型和大数据的电站智能控制方法、系统及介质，本发明具有工程上切实可行、成本较低、准确可靠的优点，能为当前机组的运行状态进行诊断，提供全面、及时、准确的优化调整策略，降低人工监视运行的劳动强度和安全风险，确保机组始终在安全、经济、环保的最优状态下运行。
为了解决上述技术问题，本发明采用的技术方案为：
一种基于诊断模型和大数据的电站智能控制方法，实施步骤包括：
1）预先建立目标电站的诊断模型，所述诊断模型包括目标电站中作为优化目标的目标参数及其相关参数构成的可控因子，并根据目标电站的历史运行数据确定各个目标参数和可控因子的偏差允许区间、唯一标杆值以及用于确定唯一标杆值的边界参数；
2）在目标电站中选定作为优化目标的目标参数；
3）确定目标参数相关的可控因子，并初始化设置目标电站的边界参数；
4）采集目标参数及其可控因子在初始化设置的边界参数下的运行值；
5）判断目标参数的运行值是否在对应的偏差允许区间内，如果是则退出；否则跳转执行下一步；
6）判断各个可控因子的运行值是否均在对应的偏差允许区间内，如果是则退出；否则跳转执行下一步；
7）选择一项运行值不在偏差允许区间内的可控因子作为待调整可控因子；
8）根据待调整可控因子的运行值、标杆值计算待调整可控因子的调整目标值；
9）在目标电站中将待调整可控因子调整至调整目标值，跳转步骤4）。
可选地，步骤7）的详细步骤包括：
步骤7）的详细步骤包括：
7.1）从所有可控因子的运行值中筛选出主控因子的运行值，所述主控因子为目标参数的可控因子中具有强因果联系的相关参数；
7.2）判断是否所有的主控因子的运行值是否均在对应的偏差允许区间内，如果是则跳转执行步骤7.3）；否则跳转执行步骤7.4）；
7.3）从所有可控因子的运行值中筛选出辅控因子的运行值，所述辅控因子为目标参数的可控因子中具有弱因果联系的相关参数；判断所有的辅控因子的运行值是否在对应的偏差允许区间内，如果是则退出；否则从运行值不在偏差允许区间内的辅控因子中选择一项可控因子作为待调整可控因子，跳转执行步骤8）；
7.4）从运行值不在偏差允许区间内的主控因子中选择一项可控因子作为待调整可控因子，跳转执行步骤8）。
优选地，步骤7.3）中从运行值不在偏差允许区间内的辅控因子中选择一项可控因子的步骤包括：筛选出运行值不在偏差允许区间内的辅控因子，直接将筛选出的运行值不在偏差允许区间内的辅控因子作为待选结果或者进一步从筛选出的运行值不在偏差允许区间内的辅控因子中细分筛选出二级辅控因子作为待选结果，其中二级辅控因子为与该辅控因子具有从属关系的相关参数；如果待选结果的数量为0则结束并退出；如果待选结果的数量为1，则直接选择待选结果作为待调整可控因子，跳转执行步骤8）；否则根据预先确定的各个可控因子的权重系数，并根据权重系数结合运行值、标杆值计算得到优先量，然后选择优先量值最大的待选结果作为待调整可控因子，跳转执行步骤8）。
优选地，步骤7.4）中从运行值不在偏差允许区间内的主控因子中选择一项可控因子的步骤包括：筛选出运行值不在偏差允许区间内的主控因子，直接将筛选出的运行值不在偏差允许区间内的主控因子作为待选结果或者进一步由该主控因子细分筛选出二级主控因子作为待选结果，其中二级主控因子为与该主控因子中具有从属关系的相关参数；如果待选结果的数量为0则结束并退出；如果待选结果的数量为1，则直接选择筛选得到的待选结果作为待调整可控因子，跳转执行步骤8）；否则根据预先确定的各个待选结果的权重系数，并根据权重系数结合运行值、标杆值计算得到优先量，然后选择优先量值最大的待选结果作为待调整可控因子，跳转执行步骤8）。
优选地，步骤7.3）或步骤7.4）中所述选择一项可控因子作为待调整可控因子后还进一步包括，从待调整可控因子中进一步细分筛选出直控因子，其中直控因子为根据电站硬件设置情况，可通过改变自身大小直接改变待调整可控因子运行值的参数，判断是否所有的直控因子的运行值均在对应的偏差允许区间内，如果是则不选择任何直控因子作为待调整可控因子并退出；否则筛选出运行值不在偏差允许区间内的直控因子并将其作为待选结果，如果待选结果的数量为0则结束并退出；如果待选结果的数量为1，则直接选择筛选得到的待选结果作为最终的待调整可控因子，跳转执行步骤8）；否则根据预先确定的各个待选结果的权重系数，并根据权重系数结合运行值、标杆值计算优先量，然后选择优先量值最大的待选结果作为最终的待调整可控因子，跳转执行步骤8）。
优选地，所述根据权重系数结合运行值、标杆值计算优先量的函数表达式如式（1）所示；
ΔPn_m=Xn_m*｜Rn_m-On_m｜ （1）
式（1）中，ΔPn_m表示可控因子的优先量，Xn_m为可控因子的权重系数，On_m为可控因子的标杆值，Rn_m为可控因子的运行值。
优选地，步骤8）中计算待调整可控因子的调整目标值的函数表达式如式（2）所示；
f(i)n_m=(On_m-Rn_mi)/2 （2）
式（2）中，f(i)n_m表示待调整可控因子的调整目标值，On_m表示待调整可控因子的标杆值，Rn_mi表示待调整可控因子的运行值，i表示第i次迭代，且步骤4）～步骤9）为一轮完整的迭代过程。
本发明还提供一种基于诊断模型和大数据的电站智能控制系统，包括计算机设备，该计算机设备被编程以执行本发明前述基于诊断模型和大数据的电站智能控制方法的步骤。
本发明还提供一种基于诊断模型和大数据的电站智能控制系统，包括计算机设备，该计算机设备的存储介质上存储有被编程以执行本发明前述基于诊断模型和大数据的电站智能控制方法的计算机程序。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质上存储有被编程以执行本发明前述基于诊断模型和大数据的电站智能控制方法的计算机程序。
和现有技术相比，本发明具有下述优点：
1、本发明基于专家诊断模型从大数据库中提炼所需参数的数据，通过相关计算提供调整优化建议，充分利用机组配备的现有测点，不需增加额外设备，同时改造和维护成本较低。
2、本发明通过将专家经验固化成科学全面的诊断模型，避免了人工判断的随机性和不确定性，提升了控制策略的全面性、准确性和及时性。
3、本发明的优化调整建议进一步采用二分迭代算法提供，通过每一轮的步骤4）～步骤9）完成一次完整的迭代，且采用式（2）所示函数表达式对运行值、标杆值之差进行二分来计算待调整可控因子的调整目标值，通过上述方式，能够有效避免因短时间内运行参数大幅调整而出现目标参数过调的现象产生。
4、本发明对于多参数的优化调整建议进一步采用多元二分迭代算法提供，利用优先量的排序，逐一进行计算调整，避免了同时调整多个运行参数，出现控制结果发散的问题产生。
附图说明
图1为本发明实施例一方法的基本流程图。
图2为本发明实施例一或者待调整可控因子的详细流程图。
图3为本发明实施例二或者待调整可控因子的详细流程图。
图4为本发明实施例三或者待调整可控因子的详细流程图。
具体实施方式
下文将以煤电机组锅炉侧常见的水冷壁壁温的调整优化过程为例，对本发明基于诊断模型和大数据的电站智能控制方法、系统及介质进行进一步的详细说明。
实施例一：
如图1所示，本实施例基于诊断模型和大数据的电站智能控制方法的实施步骤包括：
1）预先建立目标电站的诊断模型，诊断模型包括目标电站中作为优化目标的目标参数及其相关参数构成的可控因子，并根据目标电站的历史运行数据确定各个目标参数和可控因子的偏差允许区间、唯一标杆值以及用于确定唯一标杆值的边界参数；
偏差允许区间Dn是指为目标参数、可控因子等参数设置一个包含标杆值的区间，当运行值在该区间内则不进行计算，不提供优化调整建议；当运行值不在该区间内则进行相关计算，提供优化调整建议。
本实施例中，优化目标的目标参数即为：水冷壁壁温。
在该电站项目中，能够影响水冷壁壁温的相关参数包括：燃料量、给水流量、风量、二次风配风方式、制粉系统的给煤量、给煤机的给煤量、二次风量、一次风量、送风机动叶开度、一次风机动叶开度、二次风门开度，因此以上参数皆为可控因子。
在该电站项目中，只有确定了机组发电负荷以及燃用煤质，才能确保目标参数（水冷壁壁温）和可控因子具有唯一标杆值，因此边界参数确定为机组负荷和燃用煤质。
2）在目标电站中选定作为优化目标的目标参数（水冷壁壁温）；
3）确定目标参数相关的可控因子（包括：燃料量、给水流量、风量、二次风配风方式、制粉系统的给煤量、给煤机的给煤量、二次风量、一次风量、送风机动叶开度、一次风机动叶开度、二次风门开度），并初始化设置目标电站的边界参数；
4）采集目标参数及其可控因子在初始化设置的边界参数下的运行值；本实施例中，以运行值Rn表示各个目标参数、可控因子等参数的实时数值。
5）判断目标参数的运行值是否在对应的偏差允许区间内，如果是则退出；否则跳转执行下一步；根据诊断模型，在100%机组负荷和设计煤种（燃用煤质）的边界参数下，典型水冷壁壁温的标杆值为500℃，偏差允许区间为[470,510]。若在当前边界参数条件下，水冷壁壁温的实际运行值为489℃，经判断在偏差允许区间内，那么不提供优化建议，结束并退出；若在当前边界条件下，水冷壁壁温的实际运行值为515℃，经判断超出偏差允许区间，将进行下一步。
6）判断各个可控因子的运行值是否均在对应的偏差允许区间内，如果是则退出；否则跳转执行下一步；
7）选择一项运行值不在偏差允许区间内的可控因子作为待调整可控因子；
8）根据待调整可控因子的运行值、标杆值计算待调整可控因子的调整目标值；
9）在目标电站中将待调整可控因子调整至调整目标值，跳转步骤4）。
本实施例中，针对所有可控因子（包括：燃料量、给水流量、风量、二次风配风方式、制粉系统的给煤量、给煤机的给煤量、二次风量、一次风量、送风机动叶开度、一次风机动叶开度、二次风门开度），根据对目标参数影响的强弱可分为，具有较强影响的主控因子（燃料量、给水流量），以及具有较弱影响的辅控因子（风量、二次风配风方式）。
当某目标参数Tn的运行值Rn超过偏差允许区间Dn时，经诊断模型判断，在影响该目标参数Tn的所有可控因子中，某主控因子F(P)n_m的运行值Rn_m超过偏差允许区间Dn_m，而此时该主控因子F(P)n_m的标杆值为On_m，则算法给出的第一步的调整目标值f(1)n_m。若按照f(1)n_m调整该主控因子F(P)n_m后，目标参数Tn的运行值Rn’依然超出偏差允许区间Dn，则算法给出的第二步的调整目标值f(2)n_m。该算法根据最新的运行值，不断迭代计算给出最新的调整量，直到当主控因子F(P)n_m经过第n步调整后，目标参数Tn的运行值Rn”在偏差允许区间Dn内时，停止计算。
如图2所示，步骤7）的详细步骤包括：
7.1）从所有可控因子的运行值中筛选出主控因子的运行值，主控因子为目标参数的可控因子中具有强因果联系的相关参数；
7.2）判断是否所有的主控因子的运行值是否均在对应的偏差允许区间内，如果是则跳转执行步骤7.3）；否则跳转执行步骤7.4）；
7.3）从所有可控因子的运行值中筛选出辅控因子的运行值，辅控因子为目标参数的可控因子中具有弱因果联系的相关参数；判断所有的辅控因子的运行值是否在对应的偏差允许区间内，如果是则退出（不提供优化建议）；否则从运行值不在偏差允许区间内的辅控因子中选择一项可控因子；跳转执行步骤8）；
7.4）从运行值不在偏差允许区间内的主控因子中选择一项可控因子；跳转执行步骤8）。
本实施例中，步骤7.3）中从运行值不在偏差允许区间内的辅控因子中选择一项可控因子的步骤包括：筛选出运行值不在偏差允许区间内的辅控因子，直接将筛选出的运行值不在偏差允许区间内的辅控因子并将其作为待选结果；如果待选结果的数量为0则结束并退出（不提供优化建议）；如果待选结果的数量为1，则直接选择待选结果作为待调整可控因子，跳转执行步骤8）；否则根据预先确定的各个可控因子的权重系数，并根据权重系数结合运行值、标杆值计算得到优先量，然后选择优先量值最大的待选结果作为待调整可控因子，跳转执行步骤8）。本实施例实际上是一种基于二分迭代优化算法的调整方法。在100%机组负荷和设计煤种的边界参数下，风量的标杆值为3165t/h，偏差允许区间为[3065,3265]，运行值为3405t/h，超过偏差允许区间，则对风量进行二分迭代优化算法进行计算并提供优化调整建议。具体计算步骤为：第一步调整量f（1）水冷壁壁温，风量=(3165-3405)/2=-120t/h，优化调整建议为减少风量120t/h。若当风量的运行值达到3285t/h时，水冷壁壁温的运行值变成508℃，回到其偏差允许区间[470,510]内，则优化调整结束；若当风量的运行值达到3285t/h时，水冷壁壁温的运行值变成512℃，仍在其偏差允许区间[470,510]外，则计算第二步调整量f（2）水冷壁壁温，风量=(3165-3285)/2=-60t/h，优化调整建议为减少风量60t/h。若当风量的运行值达到3225t/h时，水冷壁壁温的运行值变成507℃，回到其偏差允许区间[470,510]内，则优化调整结束；若当风量的运行值达到3225t/h时，水冷壁壁温的运行值变成511℃，仍在其偏差允许区间[470,510]外，则继续进行下一步计算调整，直到水冷壁壁温的运行值在偏差允许区间内时结束。
本实施例中，步骤7.4）中从运行值不在偏差允许区间内的主控因子中选择一项可控因子的步骤包括：筛选出运行值不在偏差允许区间内的主控因子，直接将筛选出的运行值不在偏差允许区间内的主控因子并将其作为待选结果；如果待选结果的数量为0则结束并退出（不提供优化建议）；如果待选结果的数量为1，则直接选择筛选得到的待选结果作为待调整可控因子，跳转执行步骤8）；否则根据预先确定各个可控因子的权重系数，并根据权重系数结合运行值、标杆值计算得到优先量，然后选择优先量值最大的待选结果作为待调整可控因子，跳转执行步骤8）。
运行值不在偏差允许区间内的辅控因子/主控因子的数量可能有一个甚至两个或更多，当有两个或更多的时候，为了避免多个可控因子调整相互影响干扰，影响对目标参数调整的线性度，本实施例采用了权重系数结合运行值、标杆值计算得到优先量，然后选择优先量值最大的待选结果的方式，从而能够选择关联度最大的可控因子，调整量最小、效果最优，能够防止目标参数波动。若只有一个辅控因子/主控因子的运行值超过偏差允许区间，则对其采用二分迭代优化算法进行计算并提供优化调整建议；若有两个及以上的辅控因子/主控因子的运行值超过偏差允许区间，则对这些因子进行多元二分迭代优化算法计算并提供优化建议。
本实施例中，根据权重系数结合运行值、标杆值计算优先量的函数表达式如式（1）所示；
ΔPn_m=Xn_m*｜Rn_m-On_m｜ （1）
式（1）中，ΔPn_m表示可控因子的优先量，Xn_m为可控因子的权重系数，On_m为可控因子的标杆值，Rn_m为可控因子的运行值。
本实施例中，计算待调整可控因子的调整目标值的函数表达式如式（2）所示；
f(i)n_m=(On_m-Rn_mi)/2 （2）
式（2）中，f(i)n_m表示待调整可控因子的调整目标值，On_m表示待调整可控因子的标杆值，Rn_mi表示待调整可控因子的运行值，i表示第i次迭代，且步骤4）～步骤9）为一轮完整的迭代过程。实现过程为，当某目标参数Tn的运行值Rn超过偏差允许区间Dn时，经诊断模型判断，在影响该目标参数Tn的所有可控因子中，有m个主控因子[F(P)n_1、F(P)n_2……F(P)n_m]的运行值[Rn_1、Rn_2……Rn_m]分别超过其对应的偏差允许区间[Dn_1、Dn_2……Dn_m]，按照专家诊断模型确定的主控因子的权重系数[Xn_1、Xn_2……Xn_m]，计算出每个主控因子的优先量ΔPn_m。比较所有优先量[ΔPn_1、ΔPn_2……ΔPn_m]，筛选出其中最大的ΔPn_s，针对该主控因子F(P)n_s计算出第一步调整量f(1)n_s。若按照f(1)n_s调整该主控因子F(P)n_m后，目标参数Tn的运行值在偏差允许区间内时，则不再进行计算；若调整完后，目标参数Tn的运行值不在偏差允许区间内时，则对剩下的运行值超过偏差允许区间的q个主控因子进行比较，筛选出优先量最大的主控因子，进行二分迭代优化计算，按此不断迭代，直到目标参数Tn的运行值在偏差允许区间内为止。
本实施例中，诊断模型，包括但不限于通过专家经验，将所需优化项目中涉及到的所有参数筛选分类，并建立参数之间的内在联系。参数类型划分的依据来源于专家诊断模型。目标参数Tn是指在某一确定的项目中，需要优化的最终参数。边界参数Bn是指在该条件下，确保目标参数、可控因子等具有唯一的最优值。可控因子Fn是指通过自身变化，导致目标参数变化，具有因果联系的参数。主控因子F(P)n是指在可控因子中，根据诊断模型的分析，对目标参数产生较强因果联系的参数。辅控因子F(A)n是指在可控因子中，根据诊断模型的分析，对目标参数产生较弱因果联系的参数。直控因子F(D)n是指在可控因子中，根据电站系统硬件的设置方式，可以直接控制调整的参数。二级主控因子F(PS)n是指在可控因子中，通过将主控因子进一步细分可获得的参数，二级主控因子与该主控因子为从属关系，二级主控因子通过自身变化，引起主控因子产生变化，从而进一步引起目标参数产生变化。二级辅控因子F(AS)n是指在辅控因子中，通过将辅控因子进一步细分可获得的参数，二级辅控因子与该辅控因子为从属关系，二级辅控因子通过自身变化，引起辅控因子产生变化，从而进一步引起目标参数产生变化。标杆值On是指在确定的边界参数下，电站机组在最佳工况运行时，目标参数、可控因子等参数的最优值。运行值Rn是指目标参数、可控因子等参数的实时数值。偏差允许区间Dn是指为目标参数、可控因子等参数设置一个包含标杆值的区间，当运行值在该区间内则不进行计算，不提供优化调整建议；当运行值不在该区间内则进行相关计算，提供优化调整建议。二分迭代优化算法具体实现过程为，当某目标参数Tn的运行值Rn超过偏差允许区间Dn时，经诊断模型判断，在影响该目标参数Tn的所有可控因子中，某主控因子F(P)n_m的运行值Rn_m超过偏差允许区间Dn_m，而此时该主控因子F(P)n_m的标杆值为On_m，则算法给出的第一步调整量f(1)n_m。若按照f(1)n_m调整该主控因子F(P)n_m后，目标参数Tn的运行值Rn’依然超出偏差允许区间Dn，则算法给出的第二步调整量f(2)n_m。该算法根据最新的运行值，不断迭代计算给出最新的调整量，直到当主控因子F(P)n_m经过第n步调整后，目标参数Tn的运行值Rn”在偏差允许区间Dn内时，停止计算。本实施例的优化调整建议可根据某个不在偏差允许区间内的可控因子Fn按照二分迭代优化算法计算提供，此时的调整建议可能较笼统，需要人为的从该可控因子包含的若干主控因子或者二级主控因子中自行选择某个或某几个因子进行调整操作；此时还可以选择进一步细化该可控因子Fn，对其所包含的更深层次的可控因子（如主控因子F(P)n、二级主控因子F(PS)n等）进行二分迭代优化计算，从而提供更具体的调整建议，减少人为判断选择的工作量，降低误差与风险。本实施例的优化调整建议可根据多个不在偏差允许区间内的可控因子进行多元二分迭代优化算法综合计算提供，根据计算各可控因子的优先量，不断对优先量最大的主控因子进行二分迭代优化计算，从而提供优化调整建议。通过本实施例方法的多轮调整，直到目标参数水冷壁壁温的运行值回到其偏差允许区间内时，则优化调整结束。
综上所述，本实施例提供了一种工程上切实可行、成本较低、准确可靠的智能运行方法，通过科学的专家经验，建立全面的状态诊断模型，将复杂抽象的优化调整问题简化具体到若干类别的参数，并建立参数之间的联系，通过二分迭代优化算法从大数据中选取有代表性的数据进行计算，最终为当前机组的运行状态进行诊断，并提供全面、及时、准确的优化调整策略，降低人工监视运行的劳动强度和安全风险，确保机组始终在安全、经济、环保的最优状态下运行。此外，本实施例还提供一种基于诊断模型和大数据的电站智能控制系统，包括计算机设备，该计算机设备被编程以执行本实施例前述基于诊断模型和大数据的电站智能控制方法的步骤。本实施例还提供一种基于诊断模型和大数据的电站智能控制系统，包括计算机设备，该计算机设备的存储介质上存储有被编程以执行本实施例前述基于诊断模型和大数据的电站智能控制方法的计算机程序。本实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有被编程以执行本实施例前述基于诊断模型和大数据的电站智能控制方法的计算机程序。
实施例二：
本实施例与实施例一基本相同，其主要区别点为：步骤7.3）和步骤7.4）的具体实现所有不同。制粉系统的给煤量属于燃料量（主控因子）的一部分，为从属关系，因此其为二级主控因子。二次风量、一次风量属于风量（辅控因子）的一部分，二次风门开度属于二次风配风方式（辅控因子）的一部分，因此都属于二级辅控因子。
如图3所示，本实施例中步骤7.3）中从运行值不在偏差允许区间内的辅控因子中选择一项可控因子时，并不直接将筛选出的运行值不在偏差允许区间内的辅控因子并将其作为待选结果，而是进一步从筛选出的运行值不在偏差允许区间内的辅控因子筛选出二级辅控因子并将其作为待选结果，其中二级辅控因子为目标参数的辅控因子中具有强因果联系的相关参数（二次风量和一次风量属于风量的二级辅控因子）。
本实施例中，在100%机组负荷和设计煤种的边界参数下，风量的标杆值为3165t/h，运行值为3405t/h，偏差允许区间为[3065,3265]，超过偏差允许区间。进一步分析二级辅控因子中一次风量标杆值为550t/h，运行值为610t/h，偏差允许区间为[500,600]，二次风量的标杆值为2615t/h，运行值为2795t/h，偏差允许区间为[2515,2715]。一次风量和二次风量的运行值均超过偏差允许区间，因此对其进行多元二分迭代优化算法进行计算。根据诊断模型，一次风量的权重系数为0.8，二次风量的权重系数为0.6，计算得出一次风量的优先量为48，二次风量的优先量为108，二次风量的优先量大于一次风量的优先量，因此先对二次风量按照二分迭代优化算法进行计算，每一步调整完后，继续比较一次风量和二次风量的优先量，针对优先量大的因子进行二分迭代优化算法调整，直到目标参数水冷壁壁温的运行值回到其偏差允许区间内时，则优化调整结束。
如图3所示，本实施例中步骤7.4）中从运行值不在偏差允许区间内的主控因子中选择一项可控因子时，并不直接从筛选出的运行值不在偏差允许区间内的主控因子筛选出二级主控因子并将其作为待选结果，其中二级主控因子为目标参数的主控因子中具有强因果联系的相关参数（主控因子燃料量的二级主控因子为制粉系统的给煤量）。
运行值不在偏差允许区间内的二级辅控因子/二级主控因子的数量可能有一个甚至两个或更多，当有两个或更多的时候，为了避免多个可控因子调整相互影响干扰，影响对目标参数调整的线性度，本实施例采用了权重系数结合运行值、标杆值计算得到优先量，然后选择优先量值最大的待选结果的方式，从而能够选择关联度最大的可控因子，调整量最小、效果最优，能够防止目标参数波动。若只有一个二级辅控因子/二级主控因子的运行值超过偏差允许区间，则对其采用二分迭代优化算法进行计算并提供优化调整建议；若有两个及以上的二级辅控因子/二级主控因子的运行值超过偏差允许区间，则对这些因子进行多元二分迭代优化算法计算并提供优化建议。
需要说明的是，步骤7.3）进一步从二级辅控因子中获取待选结果和步骤7.4）进一步从二级主控因子中获取待选结果两者之间并没有必然的关联依赖性，因此两者可以择一使用，而另一项获取待选结果的方式则仍然可以按照实施例一的方式进行获取。
实施例三：
本实施例与实施例一基本相同，其主要区别点为：步骤7.3）和步骤7.4）的具体实现所有不同。根据电站设备常见布置情况，给煤机的给煤量、送风机动叶开度、一次风机动叶开度是可以直接操作调整的参数，因此属于直控因子。本实施例中，一次风量的直控因子为A一次风机动叶开度和B一次风机动叶开度，二次风量的直控因子为A送风机动叶开度和B送风机动叶开度。当一次风量的运行值超过标杆值时，分别对A一次风机动叶开度和B一次风机动叶开度的运行值进行判断，若两者均在偏差允许区间内，则不提供优化建议；若两者中至少有一个不在偏差允许区间内，根据直控因子的标杆值提供优化建议，结束并退出；当直控因子A一次风机动叶开度和B一次风机动叶开度的运行值中只有一个超过偏差允许区间，则对该因子进行二分迭代优化算法进行调整，直到目标参数水冷壁壁温的运行值回到其偏差允许区间内时结束调整；当两个直控因子的运行值均超过偏差允许区间，则对两个因子进行多元二分迭代算法进行调整优化。
如图4所示，本实施例中步骤7.3）或步骤7.4）中所述选择一项可控因子作为待调整可控因子后还进一步包括，从所有的可控因子的运行值中选择能够通过改变自身大小直接改变待调整可控因子的直控因子的运行值，判断是否所有的直控因子的运行值均在对应的偏差允许区间内，如果是则不选择任何直控因子作为待调整可控因子并退出；否则筛选出运行值不在偏差允许区间内的直控因子并将其作为待选结果，如果待选结果的数量为0则结束并退出；如果待选结果的数量为1，则直接选择筛选得到的待选结果作为最终的待调整可控因子，跳转执行步骤8）；否则根据预先确定各个可控因子的权重系数，并根据权重系数结合运行值、标杆值计算优先量，然后选择优先量值最大的待选结果作为最终的待调整可控因子，跳转执行步骤8）。
需要说明的是，步骤7.3）进一步从直控因子中获取待选结果和步骤7.4）进一步从直控因子中获取待选结果两者之间并没有必然的关联依赖性，因此两者可以择一使用。
本实施例中，根据诊断模型，二级主控因子制粉系统给煤量的直控因子为A给煤机给煤量、B给煤机给煤量、C给煤机给煤量、D给煤机给煤量（假设总共四套制粉系统）。当所有直控因子的运行值均在偏差允许区间内时，则不提供优化建议；当至少有一个直控因子的运行值超过偏差允许区间时，根据直控因子的标杆值提供优化建议，结束并退出。当只有一个直控因子的运行值超过偏差允许区间内时，则对该直控因子进行二分迭代优化算法调整；当有两个及以上直控因子的运行值超过偏差允许区间时，则对这几个直控因子进行多元二分迭代优化算法调整，直到目标参数水冷壁壁温的运行值回到其偏差允许区间内时，则优化调整结束。
综上，前述实施例基于诊断模型将涉及到的参数分解成目标参数、边界参数、可控因子（主控因子、辅控因子、直控因子、二级主控因子、二级辅控因子）等；通过历史数据与现场试验的结合，建立在边界参数下的目标参数以及可控因子的标杆值数据库；通过诊断模型，确定实际运行值与标杆值之间的偏差允许区间；在确定的边界参数下，若目标参数的运行值维持在偏差允许区间内时，不提供优化建议；在确定的边界参数下，若目标参数的运行值超过偏差允许区间时，通过可控因子的标杆值与运行值之间的关系，采用二分迭代寻优算法，提供优化建议；通过不断层层细化分析可控因子中不同层次因子（主控因子、辅控因子、直控因子、二级主控因子、二级辅控因子）的影响，优化调整的建议将会逐渐深入具体。本发明提供了一种工程上切实可行、成本较低、准确可靠的智能运行方法，通过科学的专家经验，建立全面的状态诊断模型，将复杂抽象的优化调整问题简化具体到若干类别的参数，并建立参数之间的联系，通过二分迭代优化算法从大数据中选取有代表性的数据进行计算，最终为当前机组的运行状态进行诊断，并提供全面、及时、准确的优化调整策略，降低人工监视运行的劳动强度和安全风险，确保机组始终在安全、经济、环保的最优状态下运行。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于诊断模型和大数据的电站智能控制方法，其特征在于实施步骤包括：
1）预先建立目标电站的诊断模型，所述诊断模型包括目标电站中作为优化目标的目标参数及其相关参数构成的可控因子，并根据目标电站的历史运行数据确定各个目标参数和可控因子的偏差允许区间、唯一标杆值以及用于确定唯一标杆值的边界参数；
2）在目标电站中选定作为优化目标的目标参数；
3）确定目标参数相关的可控因子，并初始化设置目标电站的边界参数；
4）采集目标参数及其可控因子在初始化设置的边界参数下的运行值；
5）判断目标参数的运行值是否在对应的偏差允许区间内，如果是则退出；否则跳转执行下一步；
6）判断各个可控因子的运行值是否均在对应的偏差允许区间内，如果是则退出；否则跳转执行下一步；
7）选择一项运行值不在偏差允许区间内的可控因子作为待调整可控因子；
8）根据待调整可控因子的运行值、标杆值计算待调整可控因子的调整目标值；
9）在目标电站中将待调整可控因子调整至调整目标值，跳转步骤4）。
2.根据权利要求1所述的基于诊断模型和大数据的电站智能控制方法，其特征在于，步骤7）的详细步骤包括：
7.1）从所有可控因子的运行值中筛选出主控因子的运行值，所述主控因子为目标参数的可控因子中具有强因果联系的相关参数；
7.2）判断是否所有的主控因子的运行值是否均在对应的偏差允许区间内，如果是则跳转执行步骤7.3）；否则跳转执行步骤7.4）；
7.3）从所有可控因子的运行值中筛选出辅控因子的运行值，所述辅控因子为目标参数的可控因子中具有弱因果联系的相关参数；判断所有的辅控因子的运行值是否在对应的偏差允许区间内，如果是则退出；否则从运行值不在偏差允许区间内的辅控因子中选择一项可控因子作为待调整可控因子；跳转执行步骤8）；
7.4）从运行值不在偏差允许区间内的主控因子中选择一项可控因子作为待调整可控因子；跳转执行步骤8）。
3.根据权利要求2所述的基于诊断模型和大数据的电站智能控制方法，其特征在于，步骤7.3）中从运行值不在偏差允许区间内的辅控因子中选择一项可控因子的步骤包括：筛选出运行值不在偏差允许区间内的辅控因子，直接将筛选出的运行值不在偏差允许区间内的辅控因子作为待选结果，或者进一步由该辅控因子细分筛选出二级辅控因子作为待选结果，其中二级辅控因子为与该辅控因子具有从属关系的相关参数；如果待选结果的数量为0则结束并退出；如果待选结果的数量为1，则直接选择待选结果作为待调整可控因子，跳转执行步骤8）；否则根据预先确定的各个可控因子的权重系数，并根据权重系数结合运行值、标杆值计算得到优先量，然后选择优先量值最大的待选结果作为待调整可控因子，跳转执行步骤8）。
4.根据权利要求2所述的基于诊断模型和大数据的电站智能控制方法，其特征在于，步骤7.4）中从运行值不在偏差允许区间内的主控因子中选择一项可控因子的步骤包括：从筛选出的运行值不在偏差允许区间内的主控因子，直接将筛选出的运行值不在偏差允许区间内的主控因子作为待选结果，或者进一步由该主控因子细分筛选出二级主控因子作为待选结果，其中二级主控因子为与该主控因子中具有从属关系的相关参数；如果待选结果的数量为0，则结束并退出；如果待选结果的数量为1，则直接选择筛选得到的待选结果作为待调整可控因子，跳转执行步骤8）；否则根据预先确定的各个待选结果的权重系数，并根据权重系数结合运行值、标杆值计算得到优先量，然后选择优先量值最大的待选结果作为待调整可控因子，跳转执行步骤8）。
5.根据权利要求2所述的基于诊断模型和大数据的电站智能控制方法，其特征在于，步骤7.3）或步骤7.4）中所述选择一项可控因子作为待调整可控因子后还进一步包括，从待调整可控因子中进一步细分筛选出直控因子，其中直控因子为根据电站硬件设置情况，可通过改变自身大小直接改变待调整可控因子运行值的参数，判断是否所有的直控因子的运行值均在对应的偏差允许区间内，如果是则不选择任何直控因子作为待调整可控因子并退出；否则筛选出运行值不在偏差允许区间内的直控因子并将其作为待选结果，如果待选结果的数量为0则结束并退出；如果待选结果的数量为1，则直接选择筛选得到的待选结果作为最终的待调整可控因子，跳转执行步骤8）；否则根据预先确定的各个可控因子的权重系数，并根据权重系数结合运行值、标杆值计算优先量，然后选择优先量值最大的待选结果作为最终的待调整可控因子，跳转执行步骤8）。
6.根据权利要求3～5中任意一项所述的基于诊断模型和大数据的电站智能控制方法，其特征在于，所述根据权重系数结合运行值、标杆值计算优先量的函数表达式如式（1）所示；
ΔPn_m=Xn_m*｜Rn_m-On_m｜ （1）
式（1）中，ΔPn_m表示可控因子的优先量，Xn_m为可控因子的权重系数，On_m为可控因子的标杆值，Rn_m为可控因子的运行值。
7.根据权利要求1所述的基于诊断模型和大数据的电站智能控制方法，其特征在于，步骤8）中计算待调整可控因子的调整目标值的函数表达式如式（2）所示；
f(i)n_m=(On_m-Rn_mi)/2 （2）
式（2）中，f(i)n_m表示待调整可控因子的调整目标值，On_m表示待调整可控因子的标杆值，Rn_mi表示待调整可控因子的运行值，i表示第i次迭代，且步骤4）～步骤9）为一轮完整的迭代过程。
8.一种基于诊断模型和大数据的电站智能控制系统，包括计算机设备，其特征在于，该计算机设备被编程以执行权利要求1～7中任意一项所述基于诊断模型和大数据的电站智能控制方法的步骤。
9.一种基于诊断模型和大数据的电站智能控制系统，包括计算机设备，其特征在于，该计算机设备的存储介质上存储有被编程以执行权利要求1～7中任意一项所述基于诊断模型和大数据的电站智能控制方法的计算机程序。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有被编程以执行权利要求1～7中任意一项所述基于诊断模型和大数据的电站智能控制方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910197705.XA CN109871004B (zh) | 2019-03-15 | 2019-03-15 | 基于诊断模型和大数据的电站智能控制方法、系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910197705.XA CN109871004B (zh) | 2019-03-15 | 2019-03-15 | 基于诊断模型和大数据的电站智能控制方法、系统及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109871004A CN109871004A (zh) | 2019-06-11 |
| CN109871004B true CN109871004B (zh) | 2020-07-10 |
Family
ID=66920584
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910197705.XA Active CN109871004B (zh) | 2019-03-15 | 2019-03-15 | 基于诊断模型和大数据的电站智能控制方法、系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109871004B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111445105B (zh) * | 2020-02-28 | 2023-07-14 | 山东电力工程咨询院有限公司 | 基于目标值分析的电厂在线性能诊断方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006050730A (ja) * | 2004-08-03 | 2006-02-16 | Hitachi Ltd | 供給力の運用計画作成方法および運用計画作成装置 |
| CN101329582A (zh) * | 2008-07-18 | 2008-12-24 | 东南大学 | 循环流化床锅炉燃烧优化与诊断方法 |
| CN102885392A (zh) * | 2012-09-11 | 2013-01-23 | 张家口卷烟厂有限责任公司 | 一种制丝工艺质量监控系统及方法 |
| CN103838216A (zh) * | 2014-03-07 | 2014-06-04 | 华北电力大学（保定） | 基于数据驱动案例匹配的电站锅炉燃烧优化方法 |
| CN103838202A (zh) * | 2012-11-27 | 2014-06-04 | 中芯国际集成电路制造(上海)有限公司 | 参数控制方法和参数控制系统 |
-
2019
- 2019-03-15 CN CN201910197705.XA patent/CN109871004B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006050730A (ja) * | 2004-08-03 | 2006-02-16 | Hitachi Ltd | 供給力の運用計画作成方法および運用計画作成装置 |
| CN101329582A (zh) * | 2008-07-18 | 2008-12-24 | 东南大学 | 循环流化床锅炉燃烧优化与诊断方法 |
| CN102885392A (zh) * | 2012-09-11 | 2013-01-23 | 张家口卷烟厂有限责任公司 | 一种制丝工艺质量监控系统及方法 |
| CN103838202A (zh) * | 2012-11-27 | 2014-06-04 | 中芯国际集成电路制造(上海)有限公司 | 参数控制方法和参数控制系统 |
| CN103838216A (zh) * | 2014-03-07 | 2014-06-04 | 华北电力大学（保定） | 基于数据驱动案例匹配的电站锅炉燃烧优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109871004A (zh) | 2019-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102981452B (zh) | 数控机床三类功能部件的可靠性建模与可靠性评估方法 | |
| CN100527025C (zh) | 过程控制系统 | |
| US9008807B2 (en) | Method of large scale process optimization and optimal planning based on real time dynamic simulation | |
| CN106505635B (zh) | 弃风最小的有功调度模型及调度系统 | |
| CN101266462B (zh) | 利用免疫学概念的过程控制和优化技术 | |
| CN101187803B (zh) | 基于数据挖掘技术的氨合成装置生产优化方法 | |
| CN102930344A (zh) | 一种基于负荷趋势变化的超短期母线负荷预测方法 | |
| CN105427005A (zh) | 一种风电场运行风险评估方法 | |
| CN109871004B (zh) | 基于诊断模型和大数据的电站智能控制方法、系统及介质 | |
| CN113515049A (zh) | 一种燃气蒸汽联合循环发电机组运行调控系统及调控方法 | |
| CN105956760B (zh) | 一种基于多元时空信息建模的智能配电网态势感知方法 | |
| EP3906447B1 (en) | Method, system and computer program product for evaluation of energy consumption in industrial environments | |
| Eilenberger et al. | Modern voltage regulation methods for network planning and operation in low voltage grids | |
| CN115793604A (zh) | 控制器运维方法、装置及系统 | |
| CN103309312B (zh) | 一种基于多信息源的电压安全预警及防控系统 | |
| US20190072920A1 (en) | Optimization/Modeling-Free Economic Load Dispatcher for Energy Generating Units | |
| EP3521947A1 (de) | Energiemanagementverfahren | |
| CN114330865A (zh) | 电网备用容量预测方法、系统、计算机设备及存储介质 | |
| CN109818352B (zh) | 一种基于近似动态规划算法的配电网应急电源车调度方法 | |
| CN102130500A (zh) | 变电站计算机监控系统使用寿命的延长方法 | |
| Gao et al. | A review of different methodologies for solving the problem of wind power's fluctuation | |
| CN114764672A (zh) | 联合学习框架下的融合多因素的电网设备风险评估方法 | |
| Erle et al. | Long-term feasibility assessment of planned outages | |
| CN116257514B (zh) | 一种采用突变点检测法来定位及溯源功率跳变的方法 | |
| CN116316586B (zh) | 一种采用跳变分析法对电力系统中功率跳变溯源的方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200604 Address after: The new Shao road 410004 Hunan province Changsha No. 398 Applicant after: STATE GRID HUNAN ELECTRIC POWER Co.,Ltd. Applicant after: STATE GRID HUNAN ELECTRIC POWER COMPANY LIMITED ELECTRIC POWER Research Institute Applicant after: STATE GRID CORPORATION OF CHINA Address before: Kang Park building 169 No. 410004 Hunan province Changsha City Wuling Road 4 floor Applicant before: HUNAN XIANGDIAN TEST RESEARCH INSTITUTE Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |