CN110132342A - 基于聚类思想的电站空预器积灰监测方法 - Google Patents
基于聚类思想的电站空预器积灰监测方法 Download PDFInfo
- Publication number
- CN110132342A CN110132342A CN201910428989.9A CN201910428989A CN110132342A CN 110132342 A CN110132342 A CN 110132342A CN 201910428989 A CN201910428989 A CN 201910428989A CN 110132342 A CN110132342 A CN 110132342A
- Authority
- CN
- China
- Prior art keywords
- data
- air preheater
- load
- class
- clustering
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Air Supply (AREA)
Abstract
本发明是基于聚类思想的电站空预器积灰监测方法包括以下步骤：首先获取空预器冲洗前N个月的机组负荷数据、进出口烟气侧压差数据以及进出口空气侧压差数据，根据机组负荷程度将过程数据分组；进一步的，通过聚类算法对不同负荷程度下的空气侧进出口压差以及烟气侧进出口压差数据分别进行聚类，并记录下每组数据中类心的最小值和最大值；最后，空预器冲洗后，每隔一个月收集其过程数据，用与上一步中同样的方法计算得到的类心最值与上一步中的对比数据进行对比，进而判断空预器是否需要冲洗。该方法利用聚类算法对相同负荷下空预器压差数据进行聚类处理，通过类心数据变化反应空预器积灰状态变化，对空预器冲洗进行指导。
Description
技术领域
本发明属于空预器积灰监测技术领域，具体的说是基于聚类思想的电站空预器积灰监测方法。
背景技术
空气预热器是利用锅炉排烟热量加热空气的热交换设备，能够有效降低锅炉排烟温度，提高锅炉效率。目前各电站广泛采用回转式空气预热器，该种空预器易发生堵灰情况，尤其近年来随着各厂脱硝系统改造完成，脱硝过程中产生的硫酸氢氨进一步加剧了这一问题，威胁到机组的安全经济运行。目前缺乏对于空预器积灰状态的直接监测手段，往往通过空预器进出口压差侧面反映，但压差受烟气流量影响很大，当机组处于变工况运行时，压差存在很大波动，无法表现出空预器积灰程度的变化。
发明内容
本发明要解决的技术问题是提供基于聚类思想的电站空预器积灰监测方法，利用聚类算法对相同负荷下空预器压差数据进行聚类处理，通过类心数据变化反应空预器积灰状态变化，对空预器冲洗进行指导。
为解决上述技术问题，本发明采用的技术方案为：
基于聚类思想的电站空预器积灰监测方法，其特征是：包括以下步骤：
步骤1，获取原始数据；获取空预器冲洗前N个月的机组负荷数据、进出口烟气侧压差数据以及进出口空气侧压差数据，根据机组负荷程度将过程数据分组，并对原始数据进行预处理，获取有效数据；
步骤2，计算对比数据；通过聚类算法对步骤1中不同负荷程度下的空气侧进出口压差以及烟气侧进出口压差数据分别进行聚类，并记录下每组数据中类心的最小值和最大值，其中，每组数据中的类心最大值代表在该负荷程度下空预器运行的最差工况，即积灰最严重，每组数据中的类心最小值代表在该负荷程度下空预器运行的最在优工况，并以上述数据作为对比数据；
步骤3，空预器冲洗后，每隔一个月收集其过程数据，并按照步骤1中的机组负荷程度进行数据划分，进而对划分后的数据通过聚类算法获取其类心最值，将计算得到的类心最值与步骤2中的对比数据进行对比，当空预器冲洗后得到的任一负荷程度下该组数据的类心最大值大于对比数据中相同负荷程度下类心最大值时，空预器需要进行冲洗。
所述的步骤2和步骤3中，采用聚类算法对不同负荷程度下的空气侧进出口压差以及烟气侧进出口压差数据进行聚类的具体步骤为：
步骤S1：用值在0，1之间的随机数初始化隶属矩阵，使其满足式(1)；
式中：uij为某一负荷程度下第j个样本，即压差数据对于第i个类的隶属度；c为类的数目；n为该负荷程度下用来聚类的样本总数，j为计数器；
步骤S2：用式(2)计算c个聚类中心；
式中：Ci为第i个聚类中心；m为算法的模糊程度，一般取2；xj为某一负荷程度下第j个样本；i为计数器；
步骤S3：用式(3)计算目标函数，若目标函数值小于某个给定的阈值，或者本次计算结果与上一次结果相比变化量小于某个阈值，则算法停止；
式中：Ji为第i个类的目标函数；dij为第i个聚类中心与第j个样本点间的欧式距离；
步骤S4：用式(4)计算隶属矩阵，返回步骤二；
式中：k为计数器。
所述的步骤1中，空预器冲洗前N个月的机组负荷数据从电厂的SIS数据库中提取，所述的N的取值为2～6。
所述的步骤1中，获取的过程数据按照60％额定负荷、70％额定负荷、80％额定负荷、90％额定负荷、100％额定负荷进行分组，每组数据中的负荷差距不超过±2MW。
所述的步骤2中计算出的类心所属的类中数据量小于用来聚类的数据总数量的5％时，判定该类心为离群点。
该种基于聚类思想的电站空预器积灰监测方法能够产生的有益效果为：该方法利用聚类算法对相同负荷下空预器压差数据进行聚类处理，通过类心数据变化反应空预器积灰状态变化，对空预器冲洗进行指导。
附图说明
图1为本发明基于聚类思想的电站空预器积灰监测方法的工作流程图。
图2为本发明基于聚类思想的电站空预器积灰监测方法中冲洗前负荷与空气侧压差类心图。
图3为本发明基于聚类思想的电站空预器积灰监测方法中冲洗前负荷与烟气侧压差类心图。
图4为本发明基于聚类思想的电站空预器积灰监测方法中冲洗后负荷与空气侧压差类心图。
图5为本发明基于聚类思想的电站空预器积灰监测方法中冲洗后负荷与烟气侧压差类心图。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述。
基于聚类思想的电站空预器积灰监测方法，其特征是：包括以下步骤：
步骤1，获取原始数据；获取空预器冲洗前N个月的机组负荷数据、进出口烟气侧压差数据以及进出口空气侧压差数据，根据机组负荷程度将过程数据分组，并对原始数据进行预处理，获取有效数据；
本实施例中，从电厂SIS数据库中提取出空预器冲洗前两个月的机组负荷，进出口烟气侧压差ΔPflue，进出口空气侧压差ΔPair数据，根据机组负荷将过程数据分组，主要分为400MW，450MW，500MW，550MW，600MW这几个区间，每个区间内负荷变化不超过±2MW。
步骤2，计算对比数据；通过聚类算法对步骤1中不同负荷程度下的空气侧进出口压差以及烟气侧进出口压差数据分别进行聚类，并记录下每组数据中类心的最小值和最大值，其中，每组数据中的类心最大值代表在该负荷程度下空预器运行的最差工况，即积灰最严重，每组数据中的类心最小值代表在该负荷程度下空预器运行的最在优工况，并以上述数据作为对比数据；
本实施例中，通过聚类算法，对400MW，450MW，500MW，550MW，600MW机组功率下的数据组进行聚类，得到类心数据如表1所示：
表1 冲洗前聚类结果
上述计算结果中类心所属的类中数据量小于用来聚类的数据总数量的5％时，判定该类心为离群点，即假如用来聚类的总数据量为M个，聚出来N个类，其中第n个类包含的类中数据有m个，如果m<0.05*M，那么认为这个类所含数据量过少，这个类的类心属于离群点，不是正常运行范围的数据。
步骤3，空预器冲洗后，每隔一个月收集其过程数据，并按照步骤1中的机组负荷程度进行数据划分，进而对划分后的数据通过聚类算法获取其类心最值，将计算得到的类心最值与步骤2中的对比数据进行对比，当空预器冲洗后得到的任一负荷程度下该组数据的类心最大值大于对比数据中相同负荷程度下类心最大值时，空预器需要进行冲洗。
本实施例中，提取空预器冲洗后一个月的空预器数据进行分组并进一步通过聚类算法进行聚类，得到类心如表2所示：
表2 冲洗后聚类结果
显而易见，表2中各负荷类心都小于表1中冲洗前得到的类心，表明此时还不需要进行冲洗。
进一步的，后续的每个月都可以得到相同规格的数据，并与表1中冲洗前的类心进行比较，当任一负荷程度下该组数据的类心最大值大于对比数据中相同负荷程度下类心最大值时，空预器需要进行冲洗。
进一步的，步骤2和步骤3中，采用聚类算法对不同负荷程度下的空气侧进出口压差以及烟气侧进出口压差数据进行聚类的具体步骤为：
步骤S1：用值在0，1之间的随机数初始化隶属矩阵，使其满足式(1)；
式中：uij为某一负荷程度下第j个样本，即压差数据对于第i个类的隶属度；c为类的数目；n为该负荷程度下用来聚类的样本总数，j为计数器；
步骤S2：用式(2)计算c个聚类中心；
式中：Ci为第i个聚类中心；m为算法的模糊程度，一般取2；xj为某一负荷程度下第j个样本；i为计数器；
步骤S3：用式(3)计算目标函数，若目标函数值小于某个给定的阈值，或者本次计算结果与上一次结果相比变化量小于某个阈值，则算法停止；
式中：Ji为第i个类的目标函数；dij为第i个聚类中心与第j个样本点间的欧式距离；
步骤S4：用式(4)计算隶属矩阵，返回步骤二；
式中：k为计数器。
进一步的，步骤1中，获取的过程数据也可以按照60％额定负荷、70％额定负荷、80％额定负荷、90％额定负荷、100％额定负荷进行分组。
以上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，应视为本发明的保护范围。
Claims (5)
1.基于聚类思想的电站空预器积灰监测方法，其特征是：包括以下步骤：
步骤1，获取原始数据；获取空预器冲洗前N个月的机组负荷数据、进出口烟气侧压差数据以及进出口空气侧压差数据，根据机组负荷程度将过程数据分组，并对原始数据进行预处理，获取有效数据；
步骤2，计算对比数据；通过聚类算法对步骤1中不同负荷程度下的空气侧进出口压差以及烟气侧进出口压差数据分别进行聚类，并记录下每组数据中类心的最小值和最大值，其中，每组数据中的类心最大值代表在该负荷程度下空预器运行的最差工况，即积灰最严重，每组数据中的类心最小值代表在该负荷程度下空预器运行的最在优工况，并以上述数据作为对比数据；
步骤3，空预器冲洗后，每隔一个月收集其过程数据，并按照步骤1中的机组负荷程度进行数据划分，进而对划分后的数据通过聚类算法获取其类心最值，将计算得到的类心最值与步骤2中的对比数据进行对比，当空预器冲洗后得到的任一负荷程度下该组数据的类心最大值大于对比数据中相同负荷程度下类心最大值时，空预器需要进行冲洗。
2.根据权利要求1所述的基于聚类思想的电站空预器积灰监测方法，其特征在于：所述的步骤2和步骤3中，采用聚类算法对不同负荷程度下的空气侧进出口压差以及烟气侧进出口压差数据进行聚类的具体步骤为：
步骤S1：用值在0，1之间的随机数初始化隶属矩阵，使其满足式(1)；
式中：uij为某一负荷程度下第j个样本，即压差数据对于第i个类的隶属度；c为类的数目；n为该负荷程度下用来聚类的样本总数，j为计数器；
步骤S2：用式(2)计算c个聚类中心；
式中：Ci为第i个聚类中心；m为算法的模糊程度，一般取2；xj为某一负荷程度下第j个样本；i为计数器；
步骤S3：用式(3)计算目标函数，若目标函数值小于某个给定的阈值，或者本次计算结果与上一次结果相比变化量小于某个阈值，则算法停止；
式中：Ji为第i个类的目标函数；dij为第i个聚类中心与第j个样本点间的欧式距离；
步骤S4：用式(4)计算隶属矩阵，返回步骤二；
式中：k为计数器。
3.根据权利要求2所述的基于聚类思想的电站空预器积灰监测方法，其特征在于：所述的步骤1中，空预器冲洗前N个月的机组负荷数据从电厂的SIS数据库中提取，所述的N的取值为2～6。
4.根据权利要求3所述的基于聚类思想的电站空预器积灰监测方法，其特征在于：所述的步骤1中，获取的过程数据按照60％额定负荷、70％额定负荷、80％额定负荷、90％额定负荷、100％额定负荷进行分组，每组数据中的负荷差距不超过±2MW。
5.根据权利要求2所述的基于聚类思想的电站空预器积灰监测方法，其特征在于：所述的步骤2中计算出的类心所属的类中数据量小于用来聚类的数据总数量的5％时，判定该类心为离群点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910428989.9A CN110132342A (zh) | 2019-05-22 | 2019-05-22 | 基于聚类思想的电站空预器积灰监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910428989.9A CN110132342A (zh) | 2019-05-22 | 2019-05-22 | 基于聚类思想的电站空预器积灰监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110132342A true CN110132342A (zh) | 2019-08-16 |
Family
ID=67572379
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910428989.9A Pending CN110132342A (zh) | 2019-05-22 | 2019-05-22 | 基于聚类思想的电站空预器积灰监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110132342A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111554077A (zh) * | 2020-05-14 | 2020-08-18 | 润电能源科学技术有限公司 | 一种空预器的堵塞预警方法、系统、设备和存储介质 |
| CN116362164A (zh) * | 2023-06-02 | 2023-06-30 | 华北电力科学研究院有限责任公司 | 空气预热器堵塞状况确定方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH02275211A (ja) * | 1989-04-14 | 1990-11-09 | Babcock Hitachi Kk | 脱硝装置または空気予熱器の異常昇温防止法 |
| CN104215546A (zh) * | 2014-08-15 | 2014-12-17 | 国家电网公司 | 一种电站锅炉空气预热器堵灰监测系统及其工作方法 |
| CN105091932A (zh) * | 2015-08-07 | 2015-11-25 | 江苏方天电力技术有限公司 | 一种三分仓回转式预热器分段积灰监测方法 |
| CN109460403A (zh) * | 2018-12-21 | 2019-03-12 | 南京工程学院 | 空预器堵灰实时动态定量标定方法 |
| CN109469919A (zh) * | 2018-11-12 | 2019-03-15 | 南京工程学院 | 一种基于权重聚类的电站空预器堵灰监测方法 |
| CN109685136A (zh) * | 2018-12-21 | 2019-04-26 | 云南电网有限责任公司电力科学研究院 | 一种高压加热器状态数据分析方法 |
| CN109710661A (zh) * | 2018-12-21 | 2019-05-03 | 云南电网有限责任公司电力科学研究院 | 基于遗传模拟退火算法对高压加热器状态分析的方法 |
-
2019
- 2019-05-22 CN CN201910428989.9A patent/CN110132342A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH02275211A (ja) * | 1989-04-14 | 1990-11-09 | Babcock Hitachi Kk | 脱硝装置または空気予熱器の異常昇温防止法 |
| CN104215546A (zh) * | 2014-08-15 | 2014-12-17 | 国家电网公司 | 一种电站锅炉空气预热器堵灰监测系统及其工作方法 |
| CN105091932A (zh) * | 2015-08-07 | 2015-11-25 | 江苏方天电力技术有限公司 | 一种三分仓回转式预热器分段积灰监测方法 |
| CN109469919A (zh) * | 2018-11-12 | 2019-03-15 | 南京工程学院 | 一种基于权重聚类的电站空预器堵灰监测方法 |
| CN109460403A (zh) * | 2018-12-21 | 2019-03-12 | 南京工程学院 | 空预器堵灰实时动态定量标定方法 |
| CN109685136A (zh) * | 2018-12-21 | 2019-04-26 | 云南电网有限责任公司电力科学研究院 | 一种高压加热器状态数据分析方法 |
| CN109710661A (zh) * | 2018-12-21 | 2019-05-03 | 云南电网有限责任公司电力科学研究院 | 基于遗传模拟退火算法对高压加热器状态分析的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 何源等: "基于时序聚类的吹灰预测模型", 《计算机工程》 * |
| 杨桂元: "《数学建模》", 28 February 2015 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111554077A (zh) * | 2020-05-14 | 2020-08-18 | 润电能源科学技术有限公司 | 一种空预器的堵塞预警方法、系统、设备和存储介质 |
| CN116362164A (zh) * | 2023-06-02 | 2023-06-30 | 华北电力科学研究院有限责任公司 | 空气预热器堵塞状况确定方法及装置 |
| CN116362164B (zh) * | 2023-06-02 | 2023-08-11 | 华北电力科学研究院有限责任公司 | 空气预热器堵塞状况确定方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107239789A (zh) | 一种基于k‑means的不平衡数据工业故障分类方法 | |
| CN110132342A (zh) | 基于聚类思想的电站空预器积灰监测方法 | |
| CN109407506A (zh) | 一种基于数据挖掘的火电厂机组动态最优值的获取方法 | |
| CN106529719A (zh) | 基于粒子群优化算法风速融合的风电功率预测的方法 | |
| CN105334823A (zh) | 基于有监督的线性动态系统模型的工业过程故障检测方法 | |
| CN112163711A (zh) | 一种基于mopso/cc的综合能源系统优化调度方法 | |
| CN108074048A (zh) | 计入风速相关特性的风电并网电力系统安全风险评估方法 | |
| CN117273409B (zh) | 一种园区智慧化环保系统智能运维方法、系统及存储介质 | |
| CN101930503A (zh) | 一种设备部件维修重要度计算方法 | |
| Tieyan et al. | Integrated load forecasting model of multi-energy system based on Markov chain improved neural network | |
| CN109469919A (zh) | 一种基于权重聚类的电站空预器堵灰监测方法 | |
| AU2021106383A4 (en) | Method for Calculating Reliability of Distribution System Based on Equipment Reliability Cloud Model | |
| CN108122059A (zh) | 一种药品生产企业的生产风险识别的方法及自动预警系统 | |
| Verron et al. | Fault diagnosis with bayesian networks: Application to the tennessee eastman process | |
| CN107832928B (zh) | 基于风力发电特性曲线的等效综合线损评价方法 | |
| CN102609601B (zh) | 一种基于类内质网体膜计算的渣油加氢反应动力学模型参数估计方法 | |
| CN115730813A (zh) | 一种基于可信性理论的综合能源安全风险评估方法 | |
| 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 | |
| Samuel et al. | Hybrid Particle Swarm Optimization—Genetic algorithm and Particle Swarm Optimization—Evolutionary programming for long-term generation maintenance scheduling | |
| CN109740905A (zh) | 一种基于贝叶斯模型的多元电网次生故障概率估计方法 | |
| CN208320472U (zh) | 一种中、高浓度氮氧化物高效脱硝的动态配风系统 | |
| CN109145988A (zh) | 脱硝系统的目标工况的确定方法、装置、设备及存储介质 | |
| Wang et al. | BP neural network model based on cluster analysis for wind power prediction | |
| CN106786800A (zh) | 基于大数据处理含光伏发电的电力系统经济调度分析方法 | |
| CN112560329A (zh) | 不确定性下的工业装置能量系统数据驱动鲁棒优化方法 |
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 |
Application publication date: 20190816 |
|
| RJ01 | Rejection of invention patent application after publication |