CN110262281A - 机组滑压运行控制方法和系统 - Google Patents
机组滑压运行控制方法和系统 Download PDFInfo
- Publication number
- CN110262281A CN110262281A CN201910375177.2A CN201910375177A CN110262281A CN 110262281 A CN110262281 A CN 110262281A CN 201910375177 A CN201910375177 A CN 201910375177A CN 110262281 A CN110262281 A CN 110262281A
- Authority
- CN
- China
- Prior art keywords
- unit
- pressure
- main steam
- sliding
- sliding pressure
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种机组滑压运行控制方法和系统,根据机组运行工况预测机组背压;根据预测的机组背压在滑压曲线簇中获取对应的滑压曲线,该滑压曲线簇包括:分别与多种机组背压对应的多条滑压曲线,并且,该滑压曲线为全负荷滑压曲线;根据获取的滑压曲线控制机组运行,因为机组背压一般与天气条件、运行条件等相关,所以能够根据天气条件、运行条件等的变化给出动态滑压曲线,再根据动态滑压曲线设定机组主蒸汽压力,从而使汽轮机始终处于最佳运行工况,解决一条固定的滑压曲线不能够真实反映出最佳运行主汽压,导致汽轮机热耗率升高,不能适应节能降耗的需求的问题。
Description
技术领域
本发明涉及电力控制技术领域,尤其涉及一种机组滑压运行控制方法和系统。
背景技术
滑压运行曲线是汽轮机主蒸汽压力与机组负荷对应关系的曲线;在机组负荷变化后,根据滑压运行曲线调节机前压力至对应值,称为机组滑压运行控制。滑压运行控制的优点主要有:兼顾循环热效率和节流损失、提高机组负荷变化速度等,因此,现在机组大多采用滑压运行控制方式实现机组滑压运行。
目前,火电机组所采用的滑压运行曲线一般为通过热力试验确定的一条唯一的滑压曲线。但是,随着新能源发电能力的增加,电网调峰需求日益增加,机组深度调峰成为常态,机组实际运行过程中,随着机组的老化、环境气候的变化、运行参数的变化,一条固定的滑压曲线不能够真实反映出最佳运行主汽压,导致汽轮机热耗率升高,不能适应节能降耗的需求。
发明内容
有鉴于此,本发明提供一种机组滑压运行控制方法、系统、电子设备以及计算机可读存储介质,根据天气条件、运行条件等的变化给出动态滑压曲线,再根据动态滑压曲线设定机组主蒸汽压力,从而使汽轮机始终处于最佳运行工况,解决一条固定的滑压曲线不能够真实反映出最佳运行主汽压,导致汽轮机热耗率升高,不能适应节能降耗的需求的问题。
为了实现上述目的,本发明采用如下技术方案:
第一方面,提供一种机组滑压运行控制方法,包括:
根据机组运行工况预测机组背压;
根据预测的机组背压在滑压曲线簇中获取对应的滑压曲线,该滑压曲线簇包括:分别与多种机组背压对应的多条滑压曲线,并且,该滑压曲线为全负荷滑压曲线;
根据获取的滑压曲线控制机组运行。
进一步地,该根据机组运行工况预测机组背压,包括:
将该机组运行工况输入预建立的背压预测模型;
将该背压预测模型的输出作为预测的机组背压。
进一步地,该机组运行工况包括:天气条件和运行条件。
进一步地,该天气条件包括:大气压力、大气温度和环境湿度。
进一步地,该运行条件包括:负荷目标值、空冷风机运行台数。
进一步地,该根据机组运行工况预测机组背压,还包括:
构建背压预测模型;
根据多个机组历史运行数据获取训练样本集;
应用该训练样本集对该背压预测模型进行训练。
进一步地,该背压预测模型为基于BP神经网络算法的背压预测模型。
进一步地,该根据机组运行工况预测机组背压,还包括:
根据至少一个测试用机组历史运行数据得到测试样本;
应用该测试样本对该背压预测模型进行测试,并将该背压预测模型的输出作为测试结果;
基于该测试结果及至少一个测试用机组历史运行数据的已知背压,判断当前背压预测模型是否符合预设要求;
若是,则将当前背压预测模型作为用于预测机组背压的背压预测模型。
进一步地,该根据机组运行工况预测机组背压,还包括:
若当前背压预测模型不符合预设要求,则应用更新后的训练样本集重新对该背压预测模型进行训练。
进一步地,机组滑压运行控制方法还包括:
获取滑压曲线簇。
进一步地,该获取滑压曲线簇,包括:
建立汽轮机仿真模型;
利用该汽轮机仿真模型进行仿真,得到多种背压下的全负荷最优主蒸汽压力集合;
对每种背压下的全负荷最优主蒸汽压力集合均进行曲线拟合得到滑压曲线簇。
进一步地,该建立汽轮机仿真模型,包括:
采用热力系统循环热平衡计算和仿真软件建立该汽轮机仿真模型。
进一步地,该利用该汽轮机仿真模型进行仿真,得到多种背压下的全负荷最优主蒸汽压力集合,包括:
全负荷仿真步骤:利用该汽轮机仿真模型进行仿真得到一机组背压下的全负荷最优主蒸汽压力集合;
判断该机组背压是否大于等于机组背压最大值;
若否,将该机组背压增加第一步长后,返回所述全负荷仿真步骤;
若是,得到多种机组背压下的全负荷最优主蒸汽压力集合。
进一步地,该利用该汽轮机仿真模型进行仿真得到一机组背压下的全负荷最优主蒸汽压力集合,包括:
单负荷仿真步骤:利用该汽轮机仿真模型进行仿真得到一负荷目标值和该机组背压下的最优主蒸汽压力;
判断该负荷目标值是否大于等于满负荷;
若否,将所述负荷目标值增加第二步长后,返回所述单负荷仿真步骤;
若是,得到该机组背压下的全负荷最优主蒸汽压力集合。
进一步地,该利用该汽轮机仿真模型进行仿真得到一负荷目标值和该机组背压下的最优主蒸汽压力,包括:
热耗率仿真步骤:将该负荷目标值、该机组背压、主蒸汽压力、主蒸汽温度输入该汽轮机仿真模型,得到该负荷目标值和该机组背压下对应该主蒸汽压力的热耗率;
判断该主蒸汽压力遍历最低初始主蒸汽压力至最高初始主蒸汽压力之间的所有主蒸汽压力;
若否,将所述主蒸汽压力增加第三步长后,返回所述热耗率仿真步骤;
若是,得到该负荷目标值和该机组背压下对应多个主蒸汽压力的热耗率;
将热耗率最低的主蒸汽压力作为该负荷目标值和机组背压下的最优主蒸汽压力;其中,该负荷目标值对应该最低初始主蒸汽压力和最高初始主蒸汽压力所限定的主蒸汽压力范围。
进一步地,该根据获取的滑压曲线控制机组运行,包括:
根据负荷目标值在获取的滑压曲线中获取对应的最优主蒸汽压力;
根据主蒸汽压力与阀门开度对应关系以及该最优主蒸汽压力调整阀门开度。
第二方面,提供一种机组滑压运行控制系统,包括:
背压预测装置,根据机组运行工况预测机组背压;
滑压曲线动态获取装置,根据预测的机组背压在滑压曲线簇中获取对应的滑压曲线,该滑压曲线簇包括:分别与多种机组背压对应的多条滑压曲线,并且,该滑压曲线为全负荷滑压曲线;
运行控制装置,根据获取的滑压曲线控制机组运行。
进一步地,该背压预测装置包括:
输入模块,将该机组运行工况输入预建立的背压预测模型;
预测模块,将该背压预测模型的输出作为预测的机组背压。
进一步地,该机组运行工况包括:天气条件和运行条件。
进一步地,该天气条件包括:大气压力、大气温度和环境湿度。
进一步地,该运行条件包括:负荷目标值、空冷风机运行台数。
进一步地,该背压预测装置还包括:
预测建模模块,构建背压预测模型;
训练样本获取模块,根据多个机组历史运行数据获取训练样本集;
训练模块,应用该训练样本集对该背压预测模型进行训练。
进一步地,该背压预测模型为基于BP神经网络算法的背压预测模型。
进一步地,该背压预测装置还包括:
测试样本获取模块,根据至少一个测试用机组历史运行数据得到测试样本;
测试模块,应用该测试样本对该背压预测模型进行测试,并将该背压预测模型的输出作为测试结果;
判断模块,基于该测试结果及至少一个测试用机组历史运行数据的已知背压,判断当前背压预测模型是否符合预设要求;
模型输出模块,当前背压预测模型符合预设要求时将当前背压预测模型作为用于预测机组背压的背压预测模型。
进一步地,该背压预测装置还包括:
重训练模块,当前背压预测模型不符合预设要求时应用更新后的训练样本集重新对该背压预测模型进行训练。
进一步地,机组滑压运行控制系统还包括:
滑压曲线簇获取装置,获取滑压曲线簇。
进一步地,该滑压曲线簇获取装置包括:
仿真建模模块,建立汽轮机仿真模型;
仿真模块,利用该汽轮机仿真模型进行仿真,得到多种背压下的全负荷最优主蒸汽压力集合;
拟合模块,对每种背压下的全负荷最优主蒸汽压力集合均进行曲线拟合得到滑压曲线簇。
进一步地,该仿真建模模块包括:
仿真建模子模块,采用热力系统循环热平衡计算和仿真软件建立该汽轮机仿真模型。
进一步地,该仿真模块包括:
全负荷仿真子模块,利用该汽轮机仿真模型进行仿真得到一机组背压下的全负荷最优主蒸汽压力集合;
判断子模块,判断该机组背压是否大于等于机组背压最大值;
背压遍历子模块,当机组背压小于机组背压最大值时,将所述机组背压增加第一步长后,重复执行全负荷仿真;
全负荷最优主蒸汽压力集合获取子模块,当机组背压大于等于机组背压最大值时,得到多种机组背压下的全负荷最优主蒸汽压力集合。
进一步地,该全负荷仿真子模块包括:
单负荷仿真单元,利用所述汽轮机仿真模型进行仿真得到一负荷目标值和该机组背压下的最优主蒸汽压力;
判断单元,判断该负荷目标值是否大于等于满负荷;
负荷遍历单元,当负荷目标值小于满负荷时,将所述负荷目标值增加第二步长后,重复执行单负荷仿真;
全负荷最优主蒸汽压力集合获取单元,当负荷目标值大于等于满负荷时,得到该机组背压下的全负荷最优主蒸汽压力集合。
进一步地,该单负荷仿真单元包括:
热耗率仿真子单元,将所述负荷目标值、所述机组背压、主蒸汽压力、主蒸汽温度输入所述汽轮机仿真模型,得到该负荷目标值和该机组背压下对应该主蒸汽压力的热耗率;
判断子单元,判断该主蒸汽压力是否遍历最低初始主蒸汽压力至最高初始主蒸汽压力之间的所有主蒸汽压力;
主蒸汽压力遍历子单元,当主蒸汽压力未遍历最低初始主蒸汽压力至最高初始主蒸汽压力之间的所有主蒸汽压力时,将所述主蒸汽压力增加第三步长后,重复执行热耗率仿真;
热耗率获取子单元,当主蒸汽压力遍历最低初始主蒸汽压力至最高初始主蒸汽压力之间的所有主蒸汽压力时,得到该负荷目标值和该机组背压下对应多个主蒸汽压力的热耗率;
最优主蒸汽压力获取子单元,将热耗率最低的主蒸汽压力作为该负荷目标值和机组背压下的最优主蒸汽压力;其中,该负荷目标值对应该最低初始主蒸汽压力和最高初始主蒸汽压力所限定的主蒸汽压力范围。
进一步地,该运行控制装置包括:
最优主蒸汽压力获取模块,根据负荷目标值在获取的滑压曲线中获取对应的最优主蒸汽压力;
阀门开度调整模块,根据主蒸汽压力与阀门开度对应关系以及该最优主蒸汽压力调整阀门开度。
第三方面,提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该处理器执行:
根据机组运行工况预测机组背压;
根据预测的机组背压在滑压曲线簇中获取对应的滑压曲线,该滑压曲线簇包括:分别与多种机组背压对应的多条滑压曲线,并且,该滑压曲线为全负荷滑压曲线;
根据获取的滑压曲线控制机组运行。
第四方面,提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行:
根据机组运行工况预测机组背压;
根据预测的机组背压在滑压曲线簇中获取对应的滑压曲线,该滑压曲线簇包括:分别与多种机组背压对应的多条滑压曲线,并且,该滑压曲线为全负荷滑压曲线;
根据获取的滑压曲线控制机组运行。
本发明提供的机组滑压运行控制方法、系统、电子设备以及计算机可读存储介质,该控制方法包括:根据机组运行工况预测机组背压;根据预测的机组背压在滑压曲线簇中获取对应的滑压曲线,该滑压曲线簇包括:分别与多种机组背压对应的多条滑压曲线,并且,该滑压曲线为全负荷滑压曲线;根据获取的滑压曲线控制机组运行,因为机组背压一般与天气条件、运行条件等相关,因此,本发明提供的机组滑压运行控制方法能够根据天气条件、运行条件等的变化给出动态滑压曲线,再根据动态滑压曲线设定机组主蒸汽压力,从而使汽轮机始终处于最佳运行工况,解决一条固定的滑压曲线不能够真实反映出最佳运行主汽压,导致汽轮机热耗率升高,不能适应节能降耗的需求的问题。
为让本发明的上述和其他目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附图式,作详细说明如下。
附图说明
为了更清楚地说明本申请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,下面描述中的附图是本申请的一些实施例,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。在附图中:
图1为本发明实施例中的机组滑压运行控制方法的流程图一;
图2为本发明实施例中的滑压曲线簇的示意图;
图3示出了图1中步骤S100的具体步骤;
图4示出了图1中步骤S100的另一种具体步骤;
图5示出了本发明实施例中背压预测模型的结构;
图6示出了图1中步骤S100的又一种具体步骤;
图7为本发明实施例中的机组滑压运行控制方法的流程图二;
图8示出了图7中步骤S10的具体步骤;
图9示出了图8中步骤S12的具体步骤;
图10示出了图9中步骤S12a的具体步骤;
图11示出了图10中步骤S12a1的具体步骤;
图12示出了图1中步骤S300的具体步骤;
图13是本发明实施例中的机组滑压运行控制系统的结构框图一;
图14为本发明实施例电子设备的结构图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,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,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
汽轮机的运行是通过蒸汽推动的,进入汽轮机的蒸汽量是通过汽轮机主汽调门控制,主汽调门开的大机组的循环热效率低,运行不经济,主汽调门开的小则节流损失较大,同样运行不经济,这就需要在某一工况下有一个确定的主汽调门开度,能保证兼顾以上两点使汽轮机经济运行。
滑压运行是指汽轮机在不同工况运行时,不仅主汽门是全开的,而且调速汽门也是全开的,这时机组功率的变动是靠汽轮机前主蒸汽压力和温度的改变来实现。也就是说,主蒸汽压力应随机组工况的变动而变动,但此时主蒸汽温度仍保持不变。更具体的说,机组在额定功率时按额定压力运行;在低负荷时则以某一低于额定数值的压力运行,而在工况变动范围内,汽温并不变化,仍保持额定值。
目前,火电机组所采用的滑压运行曲线一般为通过热力试验确定的一条唯一的滑压曲线。但是,随着新能源发电能力的增加,电网调峰需求日益增加,机组深度调峰成为常态,机组实际运行过程中,随着机组的老化、环境气候的变化、运行参数的变化,一条固定的滑压曲线不能够真实反映出最佳运行主汽压,不能够很好的适应外部条件变化,在汽轮机长时间运行后该曲线不能指导实际运行,使得汽轮机热耗率升高,不能适应节能降耗的需求。
为解决现有技术中的上述技术问题,本发明实施例提供一种机组滑压运行控制方法,能够根据天气条件、运行条件等的变化给出动态滑压曲线,再根据动态滑压曲线设定机组主蒸汽压力,从而使汽轮机始终处于最佳运行工况,解决一条固定的滑压曲线不能够真实反映出最佳运行主汽压,导致汽轮机热耗率升高,不能适应节能降耗的需求的问题。
图1为本发明实施例中的机组滑压运行控制方法的流程图一。如图1所示,该机组滑压运行控制方法包括:
步骤S100:根据机组运行工况预测机组背压。
其中,直接空冷机组冬季时背压较低,夏季时背压较高,两者相差较大,而且夏季深度调峰时会出现低背压的新情况,有鉴于此,本发明实施例中根据机组实际运行工况实时预测机组背压,能够得到更准确的背压。
具体地,机组运行工况主要包括:天气条件和运行条件。天气条件主要包括:大气压力、大气温度和环境湿度等。运行条件包括:负荷目标值、空冷风机运行台数等。
步骤S200:根据预测的机组背压在滑压曲线簇中获取对应的滑压曲线。
其中,所述滑压曲线簇包括:分别与多种机组背压对应的多条滑压曲线,并且,所述滑压曲线为全负荷滑压曲线,参见图2。
步骤S300:根据获取的滑压曲线控制机组运行。
具体地,根据负荷需求和滑压曲线调整阀门开度,以便将主蒸汽压力调整至滑压曲线上对应的最优主蒸汽压力。
通过上述技术方案可以得知,本发明实施例提供的机组滑压运行控制方法,根据天气条件和运行条件实时预测机组背压,然后根据机组背压选择与该机组背压对应的滑压曲线控制机组,当运行工况变化时,预测的机组背压也会变化,由此实现动态滑压曲线,深度调峰时,动态滑压曲线可使机组在当前工况下调整为最优运行方式,适应机组背压较大范围内变化所引起的曲线偏移,提高机组运行的经济性,能够在更大负荷范围和背压范围下调整机组运行方式,为运行人员提供可靠指导。
图3示出了图1中步骤S100的具体步骤。如图3所示,该步骤S100具体可以包括以下内容:
步骤S110:将所述机组运行工况输入预建立的背压预测模型。
其中,机组运行工况主要包括:天气条件和运行条件。天气条件主要包括:大气压力、大气温度和环境湿度等。运行条件包括:负荷目标值、空冷风机运行台数等。
步骤S120:将所述背压预测模型的输出作为预测的机组背压。
具体地,该背压预测模型可将大气压力、大气温度、环境湿度、负荷目标值、空冷风机运行台数作为输入,将机组背压作为输出,由此,能够实时预测机组背压,得到准确的背压值。
图4示出了图1中步骤S100的另一种具体步骤。如图4所示,该步骤S100在包括图3所示步骤的基础上,还可以包括:
步骤S101:构建背压预测模型。
其中,该背压预测模型可以采用基于BP神经网络算法的背压预测模型。
BP(Back-Propagation)神经网络是人工神经网络的一种,人工神经网络(Artificial Neural Networks,ANN)是一种用于分布式并行信息处理的非线性数学模型,这种由大量的处理单元连接而成的复杂自适应信息处理系统,可通过调节内部各节点的连接关系,对输入信息进行分析判断以不断逼近正确输出。BP神经网络的学习过程由前向传播和误差逆向传播过程组成,体现了人工神经网络最精华的部分,具有较好的自学习、自联想功能,成为当前应用最为广泛的人工神经网络模型之一。
BP算法是Rumelhart等在1986年提出的。它是基于误差前向传播算法的一种具有非线性连续转移函数的多层前馈网络。由于多层前馈网络的训练经常采用误差反向传播算法,人们常把多层前馈网络直接称为BP网络。BP神经元与其它神经元类似,不同的是BP神经元的传输函数f为非线性函数。BP网络是一种具有三层或三层以上的神经网络,包括输入层、中间层(隐藏层)和输出层,参见图5。上下层之间实现全连接,而每层神经元之间无连接。
BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络,具有任意复杂的模式分类能力和优良的多维函数映射能力,BP算法以网络误差平方为目标函数、采用梯度下降法来计算目标函数的最小值。从结构上讲,BP网络具有输入层、隐藏层(又称中间层)和输出层,网络的中间层数、各层的神经元个数可根据具体情况任意设定,并且随着结构的差异其性能也有所不同。
具体地,可采用Matlab神经网络工具箱中的BP神经网络算法,建立机组背压的预测模型Pc=f(Pa,t,u,N,n),将天气条件(大气压力Pa、大气温度t、环境湿度u)、机组运行工况(负荷N、空冷风机运行台数n)作为输入,机组背压Pc作为输出。
可以理解的是,在本申请中,机组运行工况(大气压力、大气温度、环境湿度、负荷目标值、空冷风机运行台数等)经输入层输入后,在该BP神经网络中进行层层映射,得到各层对应于该参数不同的表现形式。最后一层输出预测的机组背压。
从上述描述可知,本申请实施例提供的机组滑压运行控制方法,通过利用BP神经网络的任意复杂的模式分类能力和优良的多维函数映射能力,通过对样本数据自学习,学习到各参数与机组背压之间的内在联系,进而实现快速、高效、准确预测实时背压。
当然,本发明实施例不以此为限,该背压预测模型也可采用基于非线性回归算法等机器学习智能算法实现。
步骤S102:根据多个机组历史运行数据获取训练样本集。
具体地,在已知机组背压的机组历史运行数据中选取训练样本集,该训练样本集不仅包含运行工况,还包括该运行工况对应的机组背压,作为正向传播时分析该背压预测模型预测精度的标签。
步骤S103:应用所述训练样本集对所述背压预测模型进行训练。
其中,该模型训练过程包括两个部分:信号的正向传播和误差的反向传播。在信号的正向传播过程中,输入数据信号先是进入了输入层,然后经过各个中间层的层层映射学习,信号到达了输出层并开始计算实际的输出结果(即网络预测结果)与期望的输出结果(即标签)之间的误差,接着就进入了误差反向传播的阶段,在这个阶段,会通过链式求导的方式,将误差回传,并分摊给各个节点,用来对参数权值进行修正,这样循环往复的进行正向传播和反向传播,不断地调整权值,直到误差足够小或是达到指定的训练次数。
简单来说,模型训练过程实际就是调整插入在输入层和输出层之间的隐藏层,可以将隐藏层看作是一个或多个神经元网络,该神经元网络是通过不断正向传递和反向传递运算调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值,使误差沿梯度方向下降,经过反复学习训练,确定与最小误差相对应的网络参数(权值和阈值),运算即告停止。即通过神经元的不断调整连接,使得BP神经网络的分析结果逼近期望结果。
通过上述技术方案可以得知,本发明实施例采用基于BP神经网络算法等机器学习智能算法,学习机组历史运行数据,有效利用了机器学习算法的自学习能力,学习运行工况与机组背压之间的内在联系,在模型的网络结构确定后,能够根据实际运行工况准确预测机组背压,提高背压预测精度,进而提高控制精度。
在一个可选的实施例中,该步骤S100还可以包括以下内容,参见图6:
步骤S104:根据至少一个测试用机组历史运行数据得到测试样本。
其中,测试用机组历史运行数据为未包含在用于模型训练的机组历史运行数据中的,且针对所述测试用机组历史运行数据,已知机组背压。
步骤S105:应用所述测试样本对所述背压预测模型进行测试,并将该背压预测模型的输出作为测试结果。
即:利用已知机组背压的测试用机组历史运行数据来验证模型的预测效果。
步骤S106:判断当前背压预测模型是否符合预设要求。
其中,基于所述测试结果及至少一个测试用机组历史运行数据的已知背压进行判断。
若是,将当前背压预测模型作为用于预测机组背压的背压预测模型。
若否,执行步骤S107。
其中,判断当前背压预测模型是否符合预设要求的标准为:该测试结果与该测试用机组历史运行数据的已知机组背压相同或误差在一定范围内。
步骤S107:更新训练样本集,返回步骤S103。
即:应用更新后的训练样本集重新对该背压预测模型进行训练。
通过上述技术方案可以得知,通过对背压预测模型进行训练和测试,能够得到高预测精度的背压预测模型,有效提高了背压预测精度,进而能够提高控制精度。
图7为本发明实施例中的机组滑压运行控制方法的流程图二。如图7所示,该机组滑压运行控制方法在包含图1所示机组滑压运行控制方法的基础上,还可以包括以下内容:
步骤S10:获取滑压曲线簇。
其中,滑压曲线簇可存储在电厂的DCS(集散控制系统)中以供机组运行时调用。
具体地,该步骤S10可以包括以下内容,参见图8:
步骤S11:建立汽轮机仿真模型。
其中,可以采用热力系统循环热平衡计算和仿真软件Ebsilon建立所述汽轮机仿真模型。
仿真时需要设定的参数有负荷目标值(或阀门开度)、主蒸汽压力、主蒸汽温度、机组背压,其中,主蒸汽温度采用设计值,将上述参数输入汽轮机仿真模型,能够得到热耗率。
步骤S12:利用所述汽轮机仿真模型进行仿真,得到多种背压下的全负荷最优主蒸汽压力集合。
具体地,在进行仿真时,需要对全负荷范围均进行仿真。
在一个可选的实施例中,可将负荷从30%设定至满负荷100%进行仿真。
步骤S13:对每种背压下的全负荷最优主蒸汽压力集合均进行曲线拟合得到滑压曲线簇。
具体地,将每种背压下的离散的多个全负荷最优主蒸汽压力拟合成一次曲线,多种背压对应多条曲线,集合在一起形成了滑压曲线簇。
通过上述技术方案可以得知,本发明实施例通过仿真得到多种不同背压所对应的滑压曲线,能够适应不同工况。
另外,以往的滑压曲线的负荷范围一般为50%~100%,难以满足超低负荷(小于50%)时的主蒸汽压力调整需求,只能解列AGC进行,且设定的压力范围仍然是50%负荷对应的压力,使机组运行不经济。本发明实施例提供的滑压曲线仿真方法,对全负荷范围均进行了仿真,使得滑压曲线适用的负荷范围宽,满足深度调峰需求。
图9示出了图8中步骤S12的具体步骤。如图9所示,该步骤S10具体可以包括以下内容:
步骤S12a:利用所述汽轮机仿真模型进行仿真得到一机组背压下的全负荷最优主蒸汽压力集合。
具体地,通过仿真得到特定机组背压下的全负荷范围内最优主蒸汽压力集合。
步骤S12b:判断该机组背压是否大于等于机组背压最大值。
若否,执行步骤S12c;
若是,执行步骤S12d。
步骤S12c:将该机组背压增加第一步长后,返回步骤S12a重新执行全负荷仿真步骤。
具体地,可根据历史运行数据中机组背压Pc实际范围,以计算步长1kPa-5kPa设定机组背压,重复进行仿真,以得到多种机组背压下的全负荷最优主蒸汽压力集合。
其中,在设定机组背压时,需要遍历机组背压最小值至机组背压最大值之间的区间,以便获取最全面的最优主蒸汽压力集合。
步骤S12d:得到多种机组背压下的全负荷最优主蒸汽压力集合。
图10示出了图9中步骤S12a的具体步骤。如图10所示,该步骤S12a具体可以包括以下内容:
步骤S12a1:利用所述汽轮机仿真模型进行仿真得到一负荷目标值和该机组背压下的最优主蒸汽压力。
具体地,针对一特定的负荷目标值和特定的机组背压进行仿真,得到该工况下的最优主蒸汽压力。
步骤S12a2:判断该负荷目标值是否大于等于满负荷。
若否,执行步骤S12a3;若是,执行步骤S12a4。
其中,针对负荷目标值作为变量进行仿真时,负荷目标值的选取范围可从0~满负荷或30%~满负荷,因此能够实现全负荷滑压曲线。
步骤S12a3:将所述负荷目标值增加第二步长后,返回步骤S12a1重新执行单负荷仿真步骤。
具体来说,可以计算步长1%-5%将负荷从30%设定至满负荷100%,即可得到相同背压下机组全负荷范围内最优初压Pop集合。
步骤S12a4:若是,得到该机组背压下的全负荷最优主蒸汽压力集合。
图11示出了图10中步骤S12a1的具体步骤。如图11所示,该步骤S12a1具体可以包括以下内容:
步骤S12a11:将所述负荷目标值、所述机组背压、主蒸汽压力、主蒸汽温度输入所述汽轮机仿真模型,得到该负荷目标值和该机组背压下对应该主蒸汽压力的热耗率。
步骤S12a12:判断该主蒸汽压力是否遍历最低初始主蒸汽压力至最高初始主蒸汽压力之间的所有主蒸汽压力。
若否,执行步骤S12a13;若是,执行步骤S12a14。
其中,当以主蒸汽压力作为变量进行特定机组背压下的仿真时,根据历史数据可以得知,特定机组背压对应一个主蒸汽压力范围,不同机组背压对应不同的主蒸汽压力范围,以此,需要将主蒸汽压力遍历最低初始主蒸汽压力至最高初始主蒸汽压力之间的所有主蒸汽压力,才能确保数据的全面性。
步骤S12a13:将所述主蒸汽压力增加第三步长后,返回步骤S12a11重复执行所述热耗率仿真步骤。
举例来说,以0.1MPa-0.5MPa的计算步长从机组最低初始主蒸汽压力至最高初始主蒸汽压力,遍历计算特定负荷下的热耗率。
步骤S12a14:得到该负荷目标值和该机组背压下对应多个主蒸汽压力的热耗率;
步骤S12a15:将热耗率最低的主蒸汽压力作为该负荷目标值和机组背压下的最优主蒸汽压力。
其中,该负荷目标值对应该最低初始主蒸汽压力和最高初始主蒸汽压力所限定的主蒸汽压力范围。
图12示出了图1中步骤S300的具体步骤。如图12所示,该步骤S300具体可以包括以下内容:
步骤S310:根据负荷目标值在获取的滑压曲线中获取对应的最优主蒸汽压力。
步骤S320:根据主蒸汽压力与阀门开度对应关系以及所述最优主蒸汽压力调整阀门开度。
通过上述技术方案可以得知,本发明实施例提供的机组滑压运行控制方法,实现动态滑压曲线,适应机组背压较大范围内变化所引起的曲线偏移,提高机组运行的经济性,而且,对全负荷范围均进行了仿真,使得滑压曲线适用的负荷范围宽,满足深度调峰需求。
基于同一发明构思,本申请实施例还提供了一种机组滑压运行控制系统,可以用于实现上述实施例所描述的方法,如下面的实施例所述。由于机组滑压运行控制系统解决问题的原理与上述方法相似,因此机组滑压运行控制系统的实施可以参见上述方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图13是本发明实施例中的机组滑压运行控制系统的结构框图一。参见图13,该机组滑压运行控制系统具体可以包括以下内容:背压预测装置10、滑压曲线动态获取装置20以及运行控制装置30。
背压预测装置10根据机组运行工况预测机组背压。
其中,直接空冷机组冬季时背压较低,夏季时背压较高,两者相差较大,而且夏季深度调峰时会出现低背压的新情况,有鉴于此,本发明实施例中根据机组实际运行工况实时预测机组背压,能够得到更准确的背压。
具体地,机组运行工况主要包括:天气条件和运行条件。天气条件主要包括:大气压力、大气温度和环境湿度等。运行条件包括:负荷目标值、空冷风机运行台数等。
滑压曲线动态获取装置20根据预测的机组背压在滑压曲线簇中获取对应的滑压曲线,所述滑压曲线簇包括:分别与多种机组背压对应的多条滑压曲线,并且,所述滑压曲线为全负荷滑压曲线。
运行控制装置30根据获取的滑压曲线控制机组运行。
具体地,根据负荷需求和滑压曲线调整阀门开度,以便将主蒸汽压力调整至滑压曲线上对应的最优主蒸汽压力。
通过上述技术方案可以得知,本发明实施例提供的机组滑压运行控制系统,根据天气条件和运行条件实时预测机组背压,然后根据机组背压选择与该机组背压对应的滑压曲线控制机组,当运行工况变化时,预测的机组背压也会变化,由此实现动态滑压曲线,深度调峰时,动态滑压曲线可使机组在当前工况下调整为最优运行方式,适应机组背压较大范围内变化所引起的曲线偏移,提高机组运行的经济性,能够在更大负荷范围和背压范围下调整机组运行方式,为运行人员提供可靠指导。
在一个可选的实施例中,该背压预测装置10可以包括:输入模块以及预测模块。
输入模块将所述机组运行工况输入预建立的背压预测模型。
其中,机组运行工况主要包括:天气条件和运行条件。天气条件主要包括:大气压力、大气温度和环境湿度等。运行条件包括:负荷目标值、空冷风机运行台数等。
预测模块将所述背压预测模型的输出作为预测的机组背压。
具体地,该背压预测模型可将大气压力、大气温度、环境湿度、负荷目标值、空冷风机运行台数作为输入,将机组背压作为输出,由此,能够实时预测机组背压,得到准确的背压值。
在一个可选的实施例中,该背压预测装置10还可以包括:预测建模模块、训练样本获取模块以及训练模块。
预测建模模块构建背压预测模型。
其中,该背压预测模型可以采用基于BP神经网络算法的背压预测模型。
BP(Back-Propagation)神经网络是人工神经网络的一种,人工神经网络(Artificial Neural Networks,ANN)是一种用于分布式并行信息处理的非线性数学模型,这种由大量的处理单元连接而成的复杂自适应信息处理系统,可通过调节内部各节点的连接关系,对输入信息进行分析判断以不断逼近正确输出。BP神经网络的学习过程由前向传播和误差逆向传播过程组成,体现了人工神经网络最精华的部分,具有较好的自学习、自联想功能,成为当前应用最为广泛的人工神经网络模型之一。
BP算法是Rumelhart等在1986年提出的。它是基于误差前向传播算法的一种具有非线性连续转移函数的多层前馈网络。由于多层前馈网络的训练经常采用误差反向传播算法,人们常把多层前馈网络直接称为BP网络。BP神经元与其它神经元类似,不同的是BP神经元的传输函数f为非线性函数。BP网络是一种具有三层或三层以上的神经网络,包括输入层、中间层(隐藏层)和输出层,参见图5。上下层之间实现全连接,而每层神经元之间无连接。
BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络,具有任意复杂的模式分类能力和优良的多维函数映射能力,BP算法以网络误差平方为目标函数、采用梯度下降法来计算目标函数的最小值。从结构上讲,BP网络具有输入层、隐藏层(又称中间层)和输出层,网络的中间层数、各层的神经元个数可根据具体情况任意设定,并且随着结构的差异其性能也有所不同。
具体地,可采用Matlab神经网络工具箱中的BP神经网络算法,建立机组背压的预测模型Pc=f(Pa,t,u,N,n),将天气条件(大气压力Pa、大气温度t、环境湿度u)、机组运行工况(负荷N、空冷风机运行台数n)作为输入,机组背压Pc作为输出。
可以理解的是,在本申请中,机组运行工况(大气压力、大气温度、环境湿度、负荷目标值、空冷风机运行台数等)经输入层输入后,在该BP神经网络中进行层层映射,得到各层对应于该参数不同的表现形式。最后一层输出预测的机组背压。
从上述描述可知,本申请实施例提供的机组滑压运行控制方法,通过利用BP神经网络的任意复杂的模式分类能力和优良的多维函数映射能力,通过对样本数据自学习,学习到各参数与机组背压之间的内在联系,进而实现快速、高效、准确预测实时背压。
当然,本发明实施例不以此为限,该背压预测模型也可采用基于非线性回归算法等机器学习智能算法实现。
训练样本获取模块根据多个机组历史运行数据获取训练样本集。
具体地,在已知机组背压的机组历史运行数据中选取训练样本集,该训练样本集不仅包含运行工况,还包括该运行工况对应的机组背压,作为正向传播时分析该背压预测模型预测精度的标签。
训练模块应用所述训练样本集对所述背压预测模型进行训练。
其中,该模型训练过程包括两个部分:信号的正向传播和误差的反向传播。在信号的正向传播过程中,输入数据信号先是进入了输入层,然后经过各个中间层的层层映射学习,信号到达了输出层并开始计算实际的输出结果(即网络预测结果)与期望的输出结果(即标签)之间的误差,接着就进入了误差反向传播的阶段,在这个阶段,会通过链式求导的方式,将误差回传,并分摊给各个节点,用来对参数权值进行修正,这样循环往复的进行正向传播和反向传播,不断地调整权值,直到误差足够小或是达到指定的训练次数。
简单来说,模型训练过程实际就是调整插入在输入层和输出层之间的隐藏层,可以将隐藏层看作是一个或多个神经元网络,该神经元网络是通过不断正向传递和反向传递运算调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值,使误差沿梯度方向下降,经过反复学习训练,确定与最小误差相对应的网络参数(权值和阈值),运算即告停止。即通过神经元的不断调整连接,使得BP神经网络的分析结果逼近期望结果。
通过上述技术方案可以得知,本发明实施例采用基于BP神经网络算法等机器学习智能算法,学习机组历史运行数据,有效利用了机器学习算法的自学习能力,学习运行工况与机组背压之间的内在联系,在模型的网络结构确定后,能够根据实际运行工况准确预测机组背压,提高背压预测精度,进而提高控制精度。
在一个可选的实施例中,该背压预测装置10还可以包括:测试样本获取模块、测试模块、判断模块、模型输出模块以及重训练模块。
测试样本获取模块根据至少一个测试用机组历史运行数据得到测试样本。
其中,测试用机组历史运行数据为未包含在用于模型训练的机组历史运行数据中的,且针对所述测试用机组历史运行数据,已知机组背压。
测试模块应用所述测试样本对所述背压预测模型进行测试,并将该背压预测模型的输出作为测试结果。
即:利用已知机组背压的测试用机组历史运行数据来验证模型的预测效果。
判断模块基于所述测试结果及至少一个测试用机组历史运行数据的已知背压,判断当前背压预测模型是否符合预设要求。
其中,判断当前背压预测模型是否符合预设要求的标准为:该测试结果与该测试用机组历史运行数据的已知机组背压相同或误差在一定范围内。
模型输出模块当前背压预测模型符合预设要求时将当前背压预测模型作为用于预测机组背压的背压预测模型。
重训练模块当前背压预测模型不符合预设要求时应用更新后的训练样本集重新对该背压预测模型进行训练。
即:应用更新后的训练样本集重新对该背压预测模型进行训练。
通过上述技术方案可以得知,通过对背压预测模型进行训练和测试,能够得到高预测精度的背压预测模型,有效提高了背压预测精度,进而能够提高控制精度。
在一个可选的实施例中,该机组滑压运行控制系统还可以包括:滑压曲线簇获取装置。
滑压曲线簇获取装置获取滑压曲线簇。
其中,滑压曲线簇可存储在电厂的DCS(集散控制系统)中以供机组运行时调用。
其中,该压曲线簇获取装置可以包括:仿真建模模块、仿真模块以及拟合模块。
仿真建模模块建立汽轮机仿真模型。
仿真时需要设定的参数有负荷目标值(或阀门开度)、主蒸汽压力、主蒸汽温度、机组背压,其中,主蒸汽温度采用设计值,将上述参数输入汽轮机仿真模型,能够得到热耗率。
仿真模块利用所述汽轮机仿真模型进行仿真,得到多种背压下的全负荷最优主蒸汽压力集合。
具体地,在进行仿真时,需要对全负荷范围均进行仿真。
在一个可选的实施例中,可将负荷从30%设定至满负荷100%进行仿真。
拟合模块对每种背压下的全负荷最优主蒸汽压力集合均进行曲线拟合得到滑压曲线簇。
具体地,将每种背压下的离散的多个全负荷最优主蒸汽压力拟合成一次曲线,多种背压对应多条曲线,集合在一起形成了滑压曲线簇。
通过上述技术方案可以得知,本发明实施例通过仿真得到多种不同背压所对应的滑压曲线,能够适应不同工况。
另外,以往的滑压曲线的负荷范围一般为50%~100%,难以满足超低负荷(小于50%)时的主蒸汽压力调整需求,只能解列AGC进行,且设定的压力范围仍然是50%负荷对应的压力,使机组运行不经济。本发明实施例提供的滑压曲线仿真方法,对全负荷范围均进行了仿真,使得滑压曲线适用的负荷范围宽,满足深度调峰需求。
在一个可选的实施例中,该仿真建模模块可以包括:仿真建模子模块。
仿真建模子模块采用热力系统循环热平衡计算和仿真软件建立所述汽轮机仿真模型。
在一个可选的实施例中,该仿真模块可以包括:全负荷仿真子模块、判断子模块、背压遍历子模块以及全负荷最优主蒸汽压力集合获取子模块。
全负荷仿真子模块利用所述汽轮机仿真模型进行仿真得到一机组背压下的全负荷最优主蒸汽压力集合。
具体地,通过仿真得到特定机组背压下的全负荷范围内最优主蒸汽压力集合。
判断子模块判断该机组背压是否大于等于机组背压最大值。
背压遍历子模块,当机组背压小于机组背压最大值时,将所述机组背压增加第一步长后,重复执行全负荷仿真。
具体地,可根据历史运行数据中机组背压Pc实际范围,以计算步长1kPa-5kPa设定机组背压,重复进行仿真,以得到多种机组背压下的全负荷最优主蒸汽压力集合。
其中,在设定机组背压时,需要遍历机组背压最小值至机组背压最大值之间的区间,以便获取最全面的最优主蒸汽压力集合。
全负荷最优主蒸汽压力集合获取子模块,当机组背压大于等于机组背压最大值时,得到多种机组背压下的全负荷最优主蒸汽压力集合。
在一个可选的实施例中,该全负荷仿真子模块可以包括:单负荷仿真单元、判断单元、负荷遍历单元以及全负荷最优主蒸汽压力集合获取单元。
单负荷仿真单元利用所述汽轮机仿真模型进行仿真得到一负荷目标值和该机组背压下的最优主蒸汽压力。
具体地,针对一特定的负荷目标值和特定的机组背压进行仿真,得到该工况下的最优主蒸汽压力。
判断单元判断该负荷目标值是否大于等于满负荷。
其中,针对负荷目标值作为变量进行仿真时,负荷目标值的选取范围可从0~满负荷或30%~满负荷,因此能够实现全负荷滑压曲线。
负荷遍历单元当负荷目标值小于满负荷时,将所述负荷目标值增加第二步长后,重复执行单负荷仿真。
举例来说,可以计算步长1%-5%将负荷从30%设定至满负荷100%,即可得到相同背压下机组全负荷范围内最优初压Pop集合。
全负荷最优主蒸汽压力集合获取单元当负荷目标值大于等于满负荷时,得到该机组背压下的全负荷最优主蒸汽压力集合。
在一个可选的实施例中,该单负荷仿真单元包括:热耗率仿真子单元、判断子单元、主蒸汽压力遍历子单元、热耗率获取子单元以及最优主蒸汽压力获取子单元。
热耗率仿真子单元将所述负荷目标值、所述机组背压、主蒸汽压力、主蒸汽温度输入所述汽轮机仿真模型,得到该负荷目标值和该机组背压下对应该主蒸汽压力的热耗率。
判断子单元判断该主蒸汽压力是否遍历最低初始主蒸汽压力至最高初始主蒸汽压力之间的所有主蒸汽压力。
其中,当以主蒸汽压力作为变量进行特定机组背压下的仿真时,根据历史数据可以得知,特定机组背压对应一个主蒸汽压力范围,不同机组背压对应不同的主蒸汽压力范围,以此,需要将主蒸汽压力遍历最低初始主蒸汽压力至最高初始主蒸汽压力之间的所有主蒸汽压力,才能确保数据的全面性。
主蒸汽压力遍历子单元当主蒸汽压力未遍历最低初始主蒸汽压力至最高初始主蒸汽压力之间的所有主蒸汽压力时,将所述主蒸汽压力增加第三步长后,重复执行热耗率仿真。
举例来说,以0.1MPa-0.5MPa的计算步长从机组最低初始主蒸汽压力至最高初始主蒸汽压力,遍历计算特定负荷下的热耗率。
热耗率获取子单元当主蒸汽压力遍历最低初始主蒸汽压力至最高初始主蒸汽压力之间的所有主蒸汽压力时,得到该负荷目标值和该机组背压下对应多个主蒸汽压力的热耗率。
最优主蒸汽压力获取子单元将热耗率最低的主蒸汽压力作为该负荷目标值和机组背压下的最优主蒸汽压力。
其中,该负荷目标值对应该最低初始主蒸汽压力和最高初始主蒸汽压力所限定的主蒸汽压力范围。
在一个可选的实施例中,该运行控制装置30可以包括:最优主蒸汽压力获取模块以及阀门开度调整模块。
最优主蒸汽压力获取模块根据负荷目标值在获取的滑压曲线中获取对应的最优主蒸汽压力。
阀门开度调整模块根据主蒸汽压力与阀门开度对应关系以及所述最优主蒸汽压力调整阀门开度。
通过上述技术方案可以得知,本发明实施例提供的机组滑压运行控制系统,实现动态滑压曲线,适应机组背压较大范围内变化所引起的曲线偏移,提高机组运行的经济性,而且,对全负荷范围均进行了仿真,使得滑压曲线适用的负荷范围宽,满足深度调峰需求。
上述实施例阐明的装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为电子设备,具体的,电子设备例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
在一个典型的实例中电子设备具体包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现下述步骤:
根据机组运行工况预测机组背压;
根据预测的机组背压在滑压曲线簇中获取对应的滑压曲线,所述滑压曲线簇包括:分别与多种机组背压对应的多条滑压曲线,并且,所述滑压曲线为全负荷滑压曲线;
根据获取的滑压曲线控制机组运行。
从上述描述可知,本发明实施例提供的电子设备,可用于机组滑压运行控制,实现动态滑压曲线,适应机组背压较大范围内变化所引起的曲线偏移,提高机组运行的经济性,而且,对全负荷范围均进行了仿真,使得滑压曲线适用的负荷范围宽,满足深度调峰需求。
下面参考图14,其示出了适于用来实现本申请实施例的电子设备600的结构示意图。
如图14所示,电子设备600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM))603中的程序而执行各种适当的工作和处理。在RAM603中,还存储有系统600操作所需的各种程序和数据。CPU601、ROM602、以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡,调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口606。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装如存储部分608。
特别地,根据本发明的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现下述步骤:
根据机组运行工况预测机组背压;
根据预测的机组背压在滑压曲线簇中获取对应的滑压曲线,所述滑压曲线簇包括:分别与多种机组背压对应的多条滑压曲线,并且,所述滑压曲线为全负荷滑压曲线;
根据获取的滑压曲线控制机组运行。
从上述描述可知,本发明实施例提供的计算机可读存储介质,可用于机组滑压运行控制,实现动态滑压曲线,适应机组背压较大范围内变化所引起的曲线偏移,提高机组运行的经济性,而且,对全负荷范围均进行了仿真,使得滑压曲线适用的负荷范围宽,满足深度调峰需求。
在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本发明是参照根据本发明实施例的方法、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设备上,使得在计算机或其他可编程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。
还需要说明的是,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、商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他要素,或者是还包括为这种过程、方法、商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、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请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,本申请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。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (34)
1.一种机组滑压运行控制方法,其特征在于,包括:
根据机组运行工况预测机组背压;
根据预测的机组背压在滑压曲线簇中获取对应的滑压曲线,所述滑压曲线簇包括:分别与多种机组背压对应的多条滑压曲线,并且,所述滑压曲线为全负荷滑压曲线;
根据获取的滑压曲线控制机组运行。
2.根据权利要求1所述的机组滑压运行控制方法,其特征在于,所述根据机组运行工况预测机组背压,包括:
将所述机组运行工况输入预建立的背压预测模型;
将所述背压预测模型的输出作为预测的机组背压。
3.根据权利要求2所述的机组滑压运行控制方法,其特征在于,所述机组运行工况包括:天气条件和运行条件。
4.根据权利要求3所述的机组滑压运行控制方法,其特征在于,所述天气条件包括:大气压力、大气温度和环境湿度。
5.根据权利要求4所述的机组滑压运行控制方法,其特征在于,所述运行条件包括:负荷目标值、空冷风机运行台数。
6.根据权利要求5所述的机组滑压运行控制方法,其特征在于,所述根据机组运行工况预测机组背压,还包括:
构建背压预测模型;
根据多个机组历史运行数据获取训练样本集;
应用所述训练样本集对所述背压预测模型进行训练。
7.根据权利要求6所述的机组滑压运行控制方法,其特征在于,所述背压预测模型为基于BP神经网络算法的背压预测模型。
8.根据权利要求6所述的机组滑压运行控制方法,其特征在于,所述根据机组运行工况预测机组背压,还包括:
根据至少一个测试用机组历史运行数据得到测试样本;
应用所述测试样本对所述背压预测模型进行测试,并将该背压预测模型的输出作为测试结果;
基于所述测试结果及至少一个测试用机组历史运行数据的已知背压,判断当前背压预测模型是否符合预设要求;
若是,则将当前背压预测模型作为用于预测机组背压的背压预测模型。
9.根据权利要求8所述的机组滑压运行控制方法,其特征在于,所述根据机组运行工况预测机组背压,还包括:
若当前背压预测模型不符合预设要求,则应用更新后的训练样本集重新对该背压预测模型进行训练。
10.根据权利要求1所述的机组滑压运行控制方法,其特征在于,还包括:
获取滑压曲线簇。
11.根据权利要求10所述的机组滑压运行控制方法,其特征在于,所述获取滑压曲线簇,包括:
建立汽轮机仿真模型;
利用所述汽轮机仿真模型进行仿真,得到多种背压下的全负荷最优主蒸汽压力集合;
对每种背压下的全负荷最优主蒸汽压力集合均进行曲线拟合得到滑压曲线簇。
12.根据权利要求11所述的机组滑压运行控制方法,其特征在于,所述建立汽轮机仿真模型,包括:
采用热力系统循环热平衡计算和仿真软件建立所述汽轮机仿真模型。
13.根据权利要求11所述的机组滑压运行控制方法,其特征在于,所述利用所述汽轮机仿真模型进行仿真,得到多种背压下的全负荷最优主蒸汽压力集合,包括:
全负荷仿真步骤:利用所述汽轮机仿真模型进行仿真得到一机组背压下的全负荷最优主蒸汽压力集合;
判断该机组背压是否大于等于机组背压最大值;
若否,将该机组背压增加第一步长后,返回所述全负荷仿真步骤;
若是,得到多种机组背压下的全负荷最优主蒸汽压力集合。
14.根据权利要求13所述的机组滑压运行控制方法,其特征在于,所述利用所述汽轮机仿真模型进行仿真得到一机组背压下的全负荷最优主蒸汽压力集合,包括:
单负荷仿真步骤:利用所述汽轮机仿真模型进行仿真得到一负荷目标值和该机组背压下的最优主蒸汽压力;
判断该负荷目标值是否大于等于满负荷;
若否,将所述负荷目标值增加第二步长后,返回所述单负荷仿真步骤;
若是,得到该机组背压下的全负荷最优主蒸汽压力集合。
15.根据权利要求14所述的机组滑压运行控制方法,其特征在于,所述利用所述汽轮机仿真模型进行仿真得到一负荷目标值和该机组背压下的最优主蒸汽压力,包括:
热耗率仿真步骤:将所述负荷目标值、所述机组背压、主蒸汽压力、主蒸汽温度输入所述汽轮机仿真模型,得到该负荷目标值和该机组背压下对应该主蒸汽压力的热耗率;
判断该主蒸汽压力遍历最低初始主蒸汽压力至最高初始主蒸汽压力之间的所有主蒸汽压力;
若否,将所述主蒸汽压力增加第三步长后,返回所述热耗率仿真步骤;
若是,得到该负荷目标值和该机组背压下对应多个主蒸汽压力的热耗率;
将热耗率最低的主蒸汽压力作为该负荷目标值和机组背压下的最优主蒸汽压力;其中,该负荷目标值对应该最低初始主蒸汽压力和最高初始主蒸汽压力所限定的主蒸汽压力范围。
16.根据权利要求1所述的机组滑压运行控制方法,其特征在于,所述根据获取的滑压曲线控制机组运行,包括:
根据负荷目标值在获取的滑压曲线中获取对应的最优主蒸汽压力;
根据主蒸汽压力与阀门开度对应关系以及所述最优主蒸汽压力调整阀门开度。
17.一种机组滑压运行控制系统,其特征在于,包括:
背压预测装置,根据机组运行工况预测机组背压;
滑压曲线动态获取装置,根据预测的机组背压在滑压曲线簇中获取对应的滑压曲线,所述滑压曲线簇包括:分别与多种机组背压对应的多条滑压曲线,并且,所述滑压曲线为全负荷滑压曲线;
运行控制装置,根据获取的滑压曲线控制机组运行。
18.根据权利要求17所述的机组滑压运行控制系统,其特征在于,所述背压预测装置包括:
输入模块,将所述机组运行工况输入预建立的背压预测模型;
预测模块,将所述背压预测模型的输出作为预测的机组背压。
19.根据权利要求18所述的机组滑压运行控制系统,其特征在于,所述机组运行工况包括:天气条件和运行条件。
20.根据权利要求19所述的机组滑压运行控制系统,其特征在于,所述天气条件包括:大气压力、大气温度和环境湿度。
21.根据权利要求20所述的机组滑压运行控制系统,其特征在于,所述运行条件包括:负荷目标值、空冷风机运行台数。
22.根据权利要求21所述的机组滑压运行控制系统,其特征在于,所述背压预测装置还包括:
预测建模模块,构建背压预测模型;
训练样本获取模块,根据多个机组历史运行数据获取训练样本集;
训练模块,应用所述训练样本集对所述背压预测模型进行训练。
23.根据权利要求22所述的机组滑压运行控制系统,其特征在于,所述背压预测模型为基于BP神经网络算法的背压预测模型。
24.根据权利要求22所述的机组滑压运行控制系统,其特征在于,所述背压预测装置还包括:
测试样本获取模块,根据至少一个测试用机组历史运行数据得到测试样本;
测试模块,应用所述测试样本对所述背压预测模型进行测试,并将该背压预测模型的输出作为测试结果;
判断模块,基于所述测试结果及至少一个测试用机组历史运行数据的已知背压,判断当前背压预测模型是否符合预设要求;
模型输出模块,当前背压预测模型符合预设要求时将当前背压预测模型作为用于预测机组背压的背压预测模型。
25.根据权利要求24所述的机组滑压运行控制系统,其特征在于,所述背压预测装置还包括:
重训练模块,当前背压预测模型不符合预设要求时应用更新后的训练样本集重新对该背压预测模型进行训练。
26.根据权利要求17所述的机组滑压运行控制系统,其特征在于,还包括:
滑压曲线簇获取装置,获取滑压曲线簇。
27.根据权利要求26所述的机组滑压运行控制系统,其特征在于,所述滑压曲线簇获取装置包括:
仿真建模模块,建立汽轮机仿真模型;
仿真模块,利用所述汽轮机仿真模型进行仿真,得到多种背压下的全负荷最优主蒸汽压力集合;
拟合模块,对每种背压下的全负荷最优主蒸汽压力集合均进行曲线拟合得到滑压曲线簇。
28.根据权利要求27所述的机组滑压运行控制系统,其特征在于,所述仿真建模模块包括:
仿真建模子模块,采用热力系统循环热平衡计算和仿真软件建立所述汽轮机仿真模型。
29.根据权利要求27所述的机组滑压运行控制系统,其特征在于,所述仿真模块包括:
全负荷仿真子模块,利用所述汽轮机仿真模型进行仿真得到一机组背压下的全负荷最优主蒸汽压力集合;
判断子模块,判断该机组背压是否大于等于机组背压最大值;
背压遍历子模块,当机组背压小于机组背压最大值时,将所述机组背压增加第一步长后,重复执行全负荷仿真;
全负荷最优主蒸汽压力集合获取子模块,当机组背压大于等于机组背压最大值时,得到多种机组背压下的全负荷最优主蒸汽压力集合。
30.根据权利要求29所述的机组滑压运行控制系统,其特征在于,所述全负荷仿真子模块包括:
单负荷仿真单元,利用所述汽轮机仿真模型进行仿真得到一负荷目标值和该机组背压下的最优主蒸汽压力;
判断单元,判断该负荷目标值是否大于等于满负荷;
负荷遍历单元,当负荷目标值小于满负荷时,将所述负荷目标值增加第二步长后,重复执行单负荷仿真;
全负荷最优主蒸汽压力集合获取单元,当负荷目标值大于等于满负荷时,得到该机组背压下的全负荷最优主蒸汽压力集合。
31.根据权利要求30所述的机组滑压运行控制系统,其特征在于,所述单负荷仿真单元包括:
热耗率仿真子单元,将所述负荷目标值、所述机组背压、主蒸汽压力、主蒸汽温度输入所述汽轮机仿真模型,得到该负荷目标值和该机组背压下对应该主蒸汽压力的热耗率;
判断子单元,判断该主蒸汽压力是否遍历最低初始主蒸汽压力至最高初始主蒸汽压力之间的所有主蒸汽压力;
主蒸汽压力遍历子单元,当主蒸汽压力未遍历最低初始主蒸汽压力至最高初始主蒸汽压力之间的所有主蒸汽压力时,将所述主蒸汽压力增加第三步长后,重复执行热耗率仿真;
热耗率获取子单元,当主蒸汽压力遍历最低初始主蒸汽压力至最高初始主蒸汽压力之间的所有主蒸汽压力时,得到该负荷目标值和该机组背压下对应多个主蒸汽压力的热耗率;
最优主蒸汽压力获取子单元,将热耗率最低的主蒸汽压力作为该负荷目标值和机组背压下的最优主蒸汽压力;其中,该负荷目标值对应该最低初始主蒸汽压力和最高初始主蒸汽压力所限定的主蒸汽压力范围。
32.根据权利要求17所述的机组滑压运行控制系统,其特征在于,所述运行控制装置包括:
最优主蒸汽压力获取模块,根据负荷目标值在获取的滑压曲线中获取对应的最优主蒸汽压力;
阀门开度调整模块,根据主蒸汽压力与阀门开度对应关系以及所述最优主蒸汽压力调整阀门开度。
33.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至16任一项所述的机组滑压运行控制方法的步骤。
34.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至16任一项所述的机组滑压运行控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910375177.2A CN110262281A (zh) | 2019-05-07 | 2019-05-07 | 机组滑压运行控制方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910375177.2A CN110262281A (zh) | 2019-05-07 | 2019-05-07 | 机组滑压运行控制方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110262281A true CN110262281A (zh) | 2019-09-20 |
Family
ID=67914223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910375177.2A Pending CN110262281A (zh) | 2019-05-07 | 2019-05-07 | 机组滑压运行控制方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110262281A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931364A (zh) * | 2020-07-29 | 2020-11-13 | 华北电力大学(保定) | 基于模型逆运算的火电机组双向仿真系统 |
CN112181003A (zh) * | 2020-08-24 | 2021-01-05 | 中国神华能源股份有限公司国华电力分公司 | 一种机组压力控制的方法和电子设备 |
CN112576326A (zh) * | 2020-12-07 | 2021-03-30 | 润电能源科学技术有限公司 | 一种火电机组滑压优化运行控制方法、装置及设备 |
CN112765227A (zh) * | 2020-12-09 | 2021-05-07 | 华能陕西发电有限公司 | 一种基于dcs数据挖掘的燃煤发电机组背压特性曲线获取系统及方法 |
CN113250799A (zh) * | 2021-05-25 | 2021-08-13 | 无锡威孚环保催化剂有限公司 | 背压数据检测方法、装置及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104481598A (zh) * | 2014-11-07 | 2015-04-01 | 广东大唐国际潮州发电有限责任公司 | 一种火电厂汽轮机在线滑压优化方法 |
CN104632302A (zh) * | 2015-01-05 | 2015-05-20 | 广东电网有限责任公司电力科学研究院 | 一种凝汽式汽轮机滑压运行曲线测试/实施方法 |
CN105652663A (zh) * | 2016-02-25 | 2016-06-08 | 中国大唐集团科学技术研究院有限公司华东分公司 | 一种基于负荷区判别的滑压曲线深度优化的方法 |
CN106401660A (zh) * | 2016-11-25 | 2017-02-15 | 国网河南省电力公司电力科学研究院 | 一种基于多维曲面的汽轮机滑压优化控制方法 |
CN107701245A (zh) * | 2017-08-30 | 2018-02-16 | 中国大唐集团科学技术研究院有限公司西北分公司 | 一种火电机组汽轮机的滑压曲线优化方法 |
CN108646558A (zh) * | 2018-05-10 | 2018-10-12 | 湖南省湘电试验研究院有限公司 | 一种火电机组节能型滑压实时优化方法及系统 |
CN108716424A (zh) * | 2018-03-27 | 2018-10-30 | 华电电力科学研究院有限公司 | 基于背压实时修正的汽轮机滑压曲线的计算方法 |
-
2019
- 2019-05-07 CN CN201910375177.2A patent/CN110262281A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104481598A (zh) * | 2014-11-07 | 2015-04-01 | 广东大唐国际潮州发电有限责任公司 | 一种火电厂汽轮机在线滑压优化方法 |
CN104632302A (zh) * | 2015-01-05 | 2015-05-20 | 广东电网有限责任公司电力科学研究院 | 一种凝汽式汽轮机滑压运行曲线测试/实施方法 |
CN105652663A (zh) * | 2016-02-25 | 2016-06-08 | 中国大唐集团科学技术研究院有限公司华东分公司 | 一种基于负荷区判别的滑压曲线深度优化的方法 |
CN106401660A (zh) * | 2016-11-25 | 2017-02-15 | 国网河南省电力公司电力科学研究院 | 一种基于多维曲面的汽轮机滑压优化控制方法 |
CN107701245A (zh) * | 2017-08-30 | 2018-02-16 | 中国大唐集团科学技术研究院有限公司西北分公司 | 一种火电机组汽轮机的滑压曲线优化方法 |
CN108716424A (zh) * | 2018-03-27 | 2018-10-30 | 华电电力科学研究院有限公司 | 基于背压实时修正的汽轮机滑压曲线的计算方法 |
CN108646558A (zh) * | 2018-05-10 | 2018-10-12 | 湖南省湘电试验研究院有限公司 | 一种火电机组节能型滑压实时优化方法及系统 |
Non-Patent Citations (3)
Title |
---|
万杰等: ""基于背压实时修正的汽轮机滑压运行曲线综合优化"", 《汽轮机技术》 * |
范晓英等: ""600 MW 直接空冷机组滑压运行曲线优化"", 《内蒙古电力技术》 * |
郑涛: ""300 MW 空冷机组主汽压力滑压曲线优化"", 《电力自动化》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931364A (zh) * | 2020-07-29 | 2020-11-13 | 华北电力大学(保定) | 基于模型逆运算的火电机组双向仿真系统 |
CN111931364B (zh) * | 2020-07-29 | 2022-10-21 | 华北电力大学(保定) | 基于模型逆运算的火电机组双向仿真系统 |
CN112181003A (zh) * | 2020-08-24 | 2021-01-05 | 中国神华能源股份有限公司国华电力分公司 | 一种机组压力控制的方法和电子设备 |
CN112576326A (zh) * | 2020-12-07 | 2021-03-30 | 润电能源科学技术有限公司 | 一种火电机组滑压优化运行控制方法、装置及设备 |
CN112576326B (zh) * | 2020-12-07 | 2023-10-13 | 润电能源科学技术有限公司 | 一种火电机组滑压优化运行控制方法、装置及设备 |
CN112765227A (zh) * | 2020-12-09 | 2021-05-07 | 华能陕西发电有限公司 | 一种基于dcs数据挖掘的燃煤发电机组背压特性曲线获取系统及方法 |
CN112765227B (zh) * | 2020-12-09 | 2023-02-24 | 华能陕西发电有限公司 | 一种基于dcs数据挖掘的燃煤发电机组背压特性曲线获取系统及方法 |
CN113250799A (zh) * | 2021-05-25 | 2021-08-13 | 无锡威孚环保催化剂有限公司 | 背压数据检测方法、装置及系统 |
CN113250799B (zh) * | 2021-05-25 | 2023-03-03 | 无锡威孚环保催化剂有限公司 | 背压数据检测方法、装置及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110262281A (zh) | 机组滑压运行控制方法和系统 | |
CN110046710A (zh) | 一种神经网络的非线性函数极值优化方法及系统 | |
Chang-Chien et al. | Online estimation of system parameters for artificial intelligence applications to load frequency control | |
CN112906292B (zh) | 热电联产机组厂级热电负荷在线优化分配的方法、系统、设备及存储介质 | |
CN102129259A (zh) | 用于砂尘环境试验风洞的基于神经网络pi的智能温度控制系统和方法 | |
CN114217524A (zh) | 一种基于深度强化学习的电网实时自适应决策方法 | |
CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
CN112012875B (zh) | 一种水轮机调节系统pid控制参数的优化方法 | |
CN105719101A (zh) | 光伏系统发电功率预测方法 | |
CN113300380A (zh) | 一种基于负荷曲线分段的配电网无功优化补偿方法 | |
CN109656140A (zh) | 一种分数阶微分补偿型vsg控制方法 | |
CN113869795B (zh) | 一种工业副产煤气系统长期调度方法 | |
CN114909706A (zh) | 一种基于强化学习算法和压差控制的二级网平衡调控方法 | |
Razmi et al. | Neural network based on a genetic algorithm for power system loading margin estimation | |
CN107168066A (zh) | 一种温室环境自适应控制方法 | |
Anuradha et al. | Direct inverse neural network control of a continuous stirred tank reactor (CSTR) | |
CN114400675B (zh) | 基于权重均值深度双q网络的主动配电网电压控制方法 | |
Kreutmayr et al. | Application of machine learning to improve to performance of a pressure-controlled system | |
CN112363398B (zh) | 一种控制输入受限下的桥吊系统有限时间滑模控制系统及方法 | |
CN114865714A (zh) | 一种基于强化学习的电网运行方式自动调整方法 | |
CN108509735A (zh) | 一种缸套-活塞环磨合状态预测方法 | |
CN117148806B (zh) | 基于数字孪生的自动装配混流生产线布局优化方法及装置 | |
CN105867114B (zh) | 一种新型的电动加载系统控制方法 | |
Li et al. | Neural network online decoupling for a class of nonlinear system | |
CN116300430B (zh) | Mpc控制参数寻优方法及其在并联平台的应用 |
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: 20190920 |
|
RJ01 | Rejection of invention patent application after publication |