CN110544051B - 一种火电厂大型凝汽式汽轮机的经济性实时评估方法 - Google Patents
一种火电厂大型凝汽式汽轮机的经济性实时评估方法 Download PDFInfo
- Publication number
- CN110544051B CN110544051B CN201910865047.7A CN201910865047A CN110544051B CN 110544051 B CN110544051 B CN 110544051B CN 201910865047 A CN201910865047 A CN 201910865047A CN 110544051 B CN110544051 B CN 110544051B
- Authority
- CN
- China
- Prior art keywords
- steam turbine
- data
- time
- real
- state
- 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 description 13
- 238000011234 economic evaluation Methods 0.000 title description 5
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 22
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 17
- 210000002569 neuron Anatomy 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 15
- 238000013210 evaluation model Methods 0.000 claims description 10
- 238000012353 t test Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000005065 mining Methods 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 description 13
- 238000005259 measurement Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000011221 initial treatment Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Control Of Turbines (AREA)
Abstract
一种火电厂大型凝汽式汽轮机的经济性实时评估方法,以大多数火电厂已配置的厂级监控信息系统为依托,通过对SIS数据库中与汽轮机经济性相关测点的历史数据的分析,以汽轮机历史运行期间的某段性能优良时期的状态为基准,通过数据预处理及多轮训练并利用深度信念网络算法实现了当前汽轮机经济性对比其基准状态的相对值,从而实现了汽轮机经济性状态的实时评估。本发明依托SIS系统使用方便,实用性强,可帮助火电厂运行人员及设备主人实时掌握汽轮机性能状态,并可为大型凝汽式汽轮机的大修时间安排提供参考,为火电厂海量数据的知识挖掘及相关设备的状态检修探索了新的方向。
Description
技术领域
本发明涉及火电厂汽轮机技术领域,特别涉及一种火电厂大型凝汽式汽轮机的经济性实时评估方法。
背景技术
检修成本及其附加造成的其他成本是火电厂中除燃料成本之外的主要支出费用之一。在预防性检修中,主要有计划检修和状态检修,计划检修模式既消耗了大量的人力物力,降低了机组的产能,又可能造成设备的过维修或欠维修,导致设备总体故障率不降反升。状态检修根据先进的设备状态监测及评估技术,获取设备的实时状态,以考量设备是否需要进行检修、何时检修、检修何处,从而达到在不影响或少影响设备生产的情况下降低维修费用、降低设备总体故障率的效果。
大型凝汽式汽轮机作为火电厂最重要的主机设备,其经济运行程度关系着整个电厂的经济性指标。而传统的汽轮机性能试验方法不仅费用高,试验时需要申请负荷、安装诸多仪器仪表等,且一般仅在新机投运或大修前后进行,难以对其他时间汽轮机的经济性进行评价。因此,电厂运行和检修人员难以对汽轮机经济性做出实时的、合理的评价,状态检修也就无从谈起。
数据挖掘技术的兴起为火电厂大型凝汽式汽轮机的经济性实时评估带来了新的契机,新的数据处理手段可以在火电厂SIS系统中积累的大量数据中得到使用,进一步促进火电厂状态检修的深入研究和应用。
发明内容
为了解决以上技术问题,本发明的目的在于提供一种火电厂大型凝汽式汽轮机的经济性实时评估方法,使电厂运行和检修人员实时了解汽轮机的性能状态,合理调整运行并安排检修,从而提高汽轮机总体可用率,提高整个电厂经济效益。
为了实现上述目的,本发明采用的技术方案是:
一种火电厂大型凝汽式汽轮机的经济性实时评估方法,包括以下步骤;
1)收集统计与待评估汽轮机经济性相关的SIS测点;
2)确定可作为此汽轮机性能状态参照基准的时间段t0及测试时间段ttest;
3)取t0及ttest时间段内按步骤1)所选测点得到的数据,分别进行初处理,得到初处理数据InitialData0和InitialDatatest;
4)对InitialData0和InitialDatatest分别进行稳态筛选,得到t0及ttest时间段内的稳态数据SteadyData0和SteadyDatatest;
5)建立2个叠加的受限玻尔兹曼机(RBM)模型,采用InitialData0对叠加的2层RBM模型进行预训练;
6)在步骤5)中建立的2层RBM模型之后叠加一层输出层并初始化,形成一个3层的深度信念网络(DBN);
7)使用InitialData0对步骤6)中得到的3层DBN模型进行第一次参数微调,调整各层的权值和偏置;
8)使用SteadyData0对步骤7)中得到的DBN模型进行第二次参数微调;
9)使用SteadyDatatest对DBN模型的效果进行验证;
10)建立待评估汽轮机的经济性实时评估模型;
11)将汽轮机的实时SIS数据进行处理,得到实时稳态数据CurrentSteadyData,并输入步骤10)中建立的评估模型得到预测数据CurrentIdealOut;
12)将汽轮机当前的实时功率数据CurrentOut与步骤11)中得到的模型预测数据CurrentIdealOut进行对比,得到汽轮机的经济性相对指标。
所述步骤1)的凝汽式汽轮机经济性相关的SIS测点应包括但不限于如表1所示测点:
表1凝汽式汽轮机经济性相关的SIS测点
所述步骤2)的汽轮机性能状态参照基准的时间段t0,需选取汽轮机新投运后、大修完正常投运后或其他性能相对较优的时间,为确保基准时间段内数据的数量足够建立评估模型,同时在此期间汽轮机性能并不发生过大变化,此基准时间段t0取3~5个月为宜;所述步骤2)的测试时间段ttest取t0之后的2年或以上为宜。
所述步骤3)的数据初处理,主要包括原始数据的插值处理,去除输出功率低于30%额定负荷以下的数据,及去除汽动给水泵未投入运行时的数据,并进行[0,1]区间归一化,其中,插值处理的插值时间间隔为1~2分钟,插值方式为线性插值。
所述步骤4)的稳态筛选,按汽轮机输出功率及给水泵出口水流量波动幅度均小于1.5%~2%,并且稳态持续时间大于或等于30分钟的原则进行筛选,如式(1)、(2)所示:
(Pmax-Pmin)t<(Paverage)t×Prange (1)
(Fmax-Fmin)t<(Faverage)t×Frange (2)
式中:Pmax和Pmin分别表示时间区间t内汽轮机输出功率的最大值和最小值;Paverage表示时间区间t内汽轮机输出功率的平均值;Prange表示为筛选稳态设置的汽轮机输出功率的允许波动幅度,其取值应在1.5%~2%之间;Fmax和Fmin分别表示时间区间t内给水泵出口水流量的最大值和最小值;Faverage表示时间区间t内给水泵出口水流量的平均值;Frange表示为筛选稳态设置的给水泵出口水流量的允许波动幅度,其取值应在1.5%~2%之间;t表示为筛选稳态设置的稳态持续最短时间,取为30分钟;
进行稳态筛选时,t从初始时刻到最末时刻之间连续滑动选取,如果所选取的稳态区间重叠,则将其合并,最终筛选出的稳态区间则均大于或等于30分钟。
所述步骤5)中建立的2个叠加的RBM模型,此2个RBM的显层均为实数数据,隐层均为0或1的二值数据,第一层RBM的显层神经元数量为步骤1)中得到的除发电机功率测点以外的测点数量;第二个RBM的输入层对应第一个RBM输出层的概率值,如式(3)所示:
RBM隐层神经元数量的选取与显层神经元数量及训练样本数量有关,且一般凭经验选取,这里根据步骤1)中所选测点数量一般在100~150之间、步骤2)中选取的训练数据所在基准时间段t0为3~5个月,将此2层RBM的隐层神经元数均取在10~20之间;
RBM的参数中,权值矩阵w通过N(0,0.012)的高斯分布初始化为小的随机数,偏置向量a和b初始化为全零向量;
RBM训练时采用的训练数据为InitialData0中除发电机功率测点以外的数据,训练时对数据进行小批量Mini-batch划分,每个Mini-batch的数据量大小在50~100为宜;
RBM的训练采用对比散度CD-1算法,具体如式(4)~(9)所示:
Δwij=α(v1ih1j-v2ih2j) (7)
Δbj=α(h1j-h2j) (8)
Δai=α(v1i-v2i) (9)
式中:v1表示显层输入数据,h1表示第一轮计算得到的隐层输出,v2表示由h1重构出的显层输入,h2表示第二轮计算得到的隐层输出,a表示显层的偏置向量,α表示学习率,Δwij表示一次训练中wij的学习量,Δbj表示一次训练中bj的学习量,Δai表示一次训练中ai的学习量。sigmrnd函数的计算方式为,先产生一个[0,1]均匀分布中的随机数r,当输入x>r时,输出为1,其他情况输出为0。
所述步骤6)中2层RBM与一层输出层的叠加,是在2层RBM后加上一层仅包含一个神经元的输出层,作为整个网络的输出;初始化针对的是与输出层直接相连的权值和偏置。
所述步骤7)中的第一次参数微调,是使用初处理数据InitialData0对DBN模型采用反向传播算法进行训练,输入数据为InitialData0中除发电机功率测点以外的数据,输出数据为InitialData0中的发电机功率测点数据。
所述步骤8)中的第二次参数微调,是使用稳态数据SteadyData0对DBN模型采用反向传播算法进行训练,输入数据为SteadyData0中除发电机功率测点以外的数据,输出数据为SteadyData0中的发电机功率测点数据。
所述步骤9)中的模型验证,是将SteadyDatatest按时间顺序由前到后分别输入DBN模型,根据步骤12)中所述汽轮机经济性相对指标随时间的变化程度,与汽轮机检修记录进行对比,验证模型的有效性。对比要点在于,有益于汽轮机经济性的检修会使经济性相对指标提升,而在长期运行过程中随着设备老化、磨损等,经济性相对指标会持续缓慢地下降。
所述步骤10)中建立评估模型的过程,需要将步骤5)、6)、7)、8)、9)重复进行多次,得到N个模型(N>3),在每次预测时,将此N个模型的预测平均值作为最终预测值,如式(10)所示:
式中:Yfinal表示最终预测值,Yi表示第i个模型的预测值。
所述步骤11)中对汽轮机实时SIS数据进行的处理,即为与步骤3)和4)相同的初处理及稳态筛选,但在此次初处理中的[0,1]区间归一化环节,可能出现归一化后的数据不在[0,1]区间的情况,需进行如式(11)的处理:
式中:Data1为归一化之后处理之前的数据,Data2为处理后数据;
在计算预测数据CurrentIdealOut时,采用的输入数据是CurrentSteadyData中除发电机功率测点以外的数据。
所述步骤12)中汽轮机当前的实时功率数据CurrentOut,指CurrentSteadyData中的发电机功率测点数据,汽轮机的经济性相对指标,指短时间内(一周或至多一个月内)同一负荷等级(相差不超过10%额定负荷)情况下实时功率数据CurrentOut与模型预测数据CurrentIdealOut之比的平均值,即作为该负荷等级下汽轮机当前的经济性相对指标,如式(12)所示:
式中:C为所选负荷等级下汽轮机当前的经济性相对指标;N为所选时间内所选负荷等级下的分析数据点数量。
本发明的有益效果:
本发明以大多数火电厂已配置的厂级监控信息系统(SIS)为依托,通过对SIS数据库中与汽轮机经济性相关测点的历史数据的分析,以汽轮机历史运行期间的某段性能优良时期的状态为基准,通过数据预处理及多轮训练并利用深度信念网络算法实现了当前汽轮机经济性对比其基准状态的相对值,从而实现了汽轮机经济性状态的实时评估。本发明依托SIS系统使用方便,实用性强,可帮助火电厂运行人员及设备主人实时掌握汽轮机性能状态,并可为大型凝汽式汽轮机的大修时间安排提供参考,为火电厂海量数据的知识挖掘及相关设备的状态检修探索了新的方向。
附图说明
图1是火电厂大型凝汽式汽轮机的经济性实时评估方法流程图。
图2是H机经济性相对指标随时间的变化示意图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
下面结合附图及某电厂的1000MW凝汽式汽轮机(以下简称H机)为案例对本发明作进一步说明。本发明的汽轮机经济性实时评估方法流程如图1所示,各详细步骤如下:
1)收集统计与H机经济性相关的SIS测点,按照表1所示的清单选取,个别测点可能有多个,一并选取,一共取得105个测点;
2)由于H汽机于2009年投运,上次大修时间在2010年,距今较久,SIS数据缺失,该汽机现存有效SIS数据是2016年7月至今,这里选取2016年7月~2016年9月为基准时间段t0,选取2016年10月~2018年9月为测试时间段ttest;
3)取t0及ttest时间段内按步骤1)所选105个测点得到的数据,分别进行2分钟间隔的线性插值处理,去除输出功率低于300MW以下的数据,去除汽动给水泵未投入运行时的数据(此处判别标准为2台小汽轮机的进汽流量均大于30t/h),并进行[0,1]区间归一化,得到初处理数据InitialData0和InitialDatatest;
4)对InitialData0和InitialDatatest按汽轮机输出功率及给水泵出口水流量波动幅度均小于1.5%,并且稳态持续时间大于或等于30分钟的原则分别进行稳态筛选,筛选公式如前所述式(1)、(2)所示,得到t0及ttest时间段内的稳态数据SteadyData0和SteadyDatatest;
5)建立2个叠加的受限玻尔兹曼机(RBM)模型,第一层RBM的显层有104个(105个测点中去除发电机功率测点)神经元,第一层RBM的隐层神经元数(等于第二层RBM的显层神经元数)取12,第二层RBM的隐层神经元数亦取12,经过初始化后,采用InitialData0中除发电机功率测点以外的数据,通过对比散度CD-1算法对叠加的2层RBM模型进行预训练;
6)在步骤5)中建立的2层RBM模型之后叠加一层仅包含一个神经元的输出层并初始化,形成一个3层的深度信念网络(DBN);
7)使用InitialData0对步骤6)中得到的3层DBN模型进行第一次参数微调,调整各层的权值和偏置;
8)使用SteadyData0对步骤7)中得到的DBN模型进行第二次参数微调;
9)使用SteadyDatatest对DBN模型的效果进行验证(见图1);
10)建立H机的经济性实时评估模型,这里一共选取了7个子模型,在每次预测时,将此7个子模型的预测平均值作为最终预测值;
11)将H机2019年1月~2019年4月的实时SIS数据进行与步骤3)和4)相同的初处理及稳态筛选,得到稳态数据CurrentSteadyData,并输入步骤10)中建立的评估模型得到预测数据CurrentIdealOut;
12)将汽轮机当前的实时功率数据CurrentOut与步骤11)中得到的模型预测数据CurrentIdealOut进行对比,得到汽轮机的经济性相对指标。此处的汽轮机经济性相对指标,按月计算,负荷范围为900MW以上,取各月实时功率数据CurrentOut与模型预测数据CurrentIdealOut之比的平均值,作为该月该负荷等级下汽轮机经济性相对指标C。
通过以上各步骤,得到如图2所示的H机经济性相对指标随时间的变化。
图中t=1的点为用于训练的t0时间段的数据,此时C≈1,可知模型对训练数据的拟合非常好。图中t=23与t=24这两个点之间,H机进行了为期2个月的大修,从图中可清晰地看出,在t=23及其之前的点,汽轮机经济性相对指标C一直处于缓慢的下降趋势中,这与汽轮机性能随时间的缓慢下降基本吻合;在t=24的点,C突然快速上升,并在之后的4个月中维持高位,这与汽轮机大修后性能快速提升完全吻合。以上讨论说明,本方法在火电厂大型凝汽式汽轮机的经济性实时评估中是有效的。
Claims (3)
1.一种火电厂大型凝汽式汽轮机的经济性实时评估方法,包括以下步骤;
1)收集统计与待评估汽轮机经济性相关的SIS测点;
2)确定可作为此汽轮机性能状态参照基准的时间段t0及测试时间段ttest;
3)取t0及ttest时间段内按步骤1)所选测点得到的数据,分别进行初处理,得到初处理数据InitialData0和InitialDatatest;
4)对InitialData0和InitialDatatest分别进行稳态筛选,得到t0及ttest时间段内的稳态数据SteadyData0和SteadyDatatest;
5)建立2个叠加的受限玻尔兹曼机(RBM)模型,采用InitialData0对叠加的2层RBM模型进行预训练;
6)在步骤5)中建立的2层RBM模型之后叠加一层输出层并初始化,形成一个3层的深度信念网络(DBN);
7)使用InitialData0对步骤6)中得到的3层DBN模型进行第一次参数微调,调整各层的权值和偏置;
8)使用SteadyData0对步骤7)中得到的DBN模型进行第二次参数微调;
9)使用SteadyDatatest对DBN模型的效果进行验证;
10)建立待评估汽轮机的经济性实时评估模型;
11)将汽轮机的实时SIS数据进行处理,得到实时稳态数据CurrentSteadyData,并输入步骤10)中建立的评估模型得到预测数据CurrentIdealOut;
12)将汽轮机当前的实时功率数据CurrentOut与步骤11)中得到的模型预测数据CurrentIdealOut进行对比,得到汽轮机的经济性相对指标;
所述步骤4)的稳态筛选,按汽轮机输出功率及给水泵出口水流量波动幅度均小于1.5%~2%,并且稳态持续时间大于或等于30分钟的原则进行筛选,如式(1)、(2)所示:
(Pmax-Pmin)t<(Paverage)t×Prange (1)
(Fmax-Fmin)t<(Faverage)t×Frange (2)
式中:Pmax和Pmin分别表示时间区间t内汽轮机输出功率的最大值和最小值;Paverage表示时间区间t内汽轮机输出功率的平均值;Prange表示为筛选稳态设置的汽轮机输出功率的允许波动幅度,其取值应在1.5%~2%之间;Fmax和Fmin分别表示时间区间t内给水泵出口水流量的最大值和最小值;Faverage表示时间区间t内给水泵出口水流量的平均值;Frange表示为筛选稳态设置的给水泵出口水流量的允许波动幅度,其取值应在1.5%~2%之间;t表示为筛选稳态设置的稳态持续最短时间,取为30分钟;
所述步骤5)中建立的2个叠加的RBM模型,RBM隐层神经元数量的选取与显层神经元数量及训练样本数量有关,这里根据步骤1)中所选测点数量一般在100~150之间、步骤2)中选取的训练数据所在基准时间段t0为3~5个月,将此2层RBM的隐层神经元数均取在10~20之间;RBM的参数中,权值矩阵w通过N(0,0.012)的高斯分布初始化为小的随机数;
所述步骤7)中的第一次参数微调,是使用初处理数据InitialData0对DBN模型采用反向传播算法进行训练;所述步骤8)中的第二次参数微调,是使用稳态数据SteadyData0对DBN模型采用反向传播算法进行训练;
所述步骤10)中建立评估模型的过程,需要将步骤5)、6)、7)、8)、9)重复进行多次,得到N个模型(N>3),在每次预测时,将此N个模型的预测平均值作为最终预测值,如式(10)所示:
式中:Yfinal表示最终预测值,Yi表示第i个模型的预测值;
所述步骤11)中对汽轮机实时SIS数据进行的处理,即为与步骤3)和4)相同的初处理及稳态筛选,但在此次初处理中的[0,1]区间归一化环节,可能出现归一化后的数据不在[0,1]区间的情况,需进行如式(11)的处理:
式中:Data1为归一化之后处理之前的数据,Data2为处理后数据;
在计算预测数据CurrentIdealOut时,采用的输入数据是CurrentSteadyData中除发电机功率测点以外的数据;
所述步骤12)中汽轮机的经济性相对指标,指短时间内同一负荷等级情况下实时功率数据CurrentOut与模型预测数据CurrentIdealOut之比的平均值,即作为该负荷等级下汽轮机当前的经济性相对指标,如式(12)所示:
式中:C为所选负荷等级下汽轮机当前的经济性相对指标;N为所选时间内所选负荷等级下的分析数据点数量。
3.根据权利要求1所述的一种火电厂大型凝汽式汽轮机的经济性实时评估方法,其特征在于,所述步骤2)的汽轮机性能状态参照基准的时间段t0,需选取汽轮机新投运后、大修完正常投运后或其他性能相对较优的时间,为确保基准时间段内数据的数量足够建立评估模型,同时在此期间汽轮机性能并不发生过大变化,此基准时间段t0取3~5个月为宜;所述步骤2)的测试时间段ttest取t0之后的2年或以上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910865047.7A CN110544051B (zh) | 2019-09-12 | 2019-09-12 | 一种火电厂大型凝汽式汽轮机的经济性实时评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910865047.7A CN110544051B (zh) | 2019-09-12 | 2019-09-12 | 一种火电厂大型凝汽式汽轮机的经济性实时评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110544051A CN110544051A (zh) | 2019-12-06 |
CN110544051B true CN110544051B (zh) | 2023-04-07 |
Family
ID=68713479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910865047.7A Active CN110544051B (zh) | 2019-09-12 | 2019-09-12 | 一种火电厂大型凝汽式汽轮机的经济性实时评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110544051B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539154A (zh) * | 2020-04-16 | 2020-08-14 | 哈尔滨工业大学 | 一种汽轮机运行性能变化的定量评估方法 |
CN111723331B (zh) * | 2020-06-23 | 2024-01-23 | 西安热工研究院有限公司 | 一种联合循环二拖一机组汽轮机负荷的权益分配计算方法 |
CN112112792B (zh) * | 2020-09-08 | 2024-04-23 | 上海发电设备成套设计研究院有限责任公司 | 电动给水泵组状态检修方法、系统以及终端 |
CN114048960A (zh) * | 2021-10-20 | 2022-02-15 | 华电电力科学研究院有限公司 | 一种基于sis系统的综合能源指标对标管理系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794534A (zh) * | 2015-04-16 | 2015-07-22 | 国网山东省电力公司临沂供电公司 | 一种基于改进深度学习模型的电网安全态势预测方法 |
CN107392364A (zh) * | 2017-07-12 | 2017-11-24 | 河海大学 | 变分模态分解与深度信念网络的短期负荷预测方法 |
CN107480731A (zh) * | 2017-09-06 | 2017-12-15 | 西安西热电站信息技术有限公司 | 一种火电厂汽动给水泵组故障特征的早期识别方法 |
CN109088407A (zh) * | 2018-08-06 | 2018-12-25 | 河海大学 | 基于深度信念网络伪量测建模的配电网状态估计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11774944B2 (en) * | 2016-05-09 | 2023-10-03 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for the industrial internet of things |
-
2019
- 2019-09-12 CN CN201910865047.7A patent/CN110544051B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794534A (zh) * | 2015-04-16 | 2015-07-22 | 国网山东省电力公司临沂供电公司 | 一种基于改进深度学习模型的电网安全态势预测方法 |
CN107392364A (zh) * | 2017-07-12 | 2017-11-24 | 河海大学 | 变分模态分解与深度信念网络的短期负荷预测方法 |
CN107480731A (zh) * | 2017-09-06 | 2017-12-15 | 西安西热电站信息技术有限公司 | 一种火电厂汽动给水泵组故障特征的早期识别方法 |
CN109088407A (zh) * | 2018-08-06 | 2018-12-25 | 河海大学 | 基于深度信念网络伪量测建模的配电网状态估计方法 |
Non-Patent Citations (5)
Title |
---|
Performance evaluation of a wavelet-based spectral method for steady-state simulation analysis;Emily K. Lada;《WSC "04: Proceedings of the 36th conference on Winter simulation》;20041231;全文 * |
基于分类算法的汽动给水泵组故障预测;徐红伟等;《热力发电》;20190403(第04期);全文 * |
基于深度信念网络的短期负荷预测方法;孔祥玉等;《电力系统自动化》;20180124(第05期);全文 * |
基于深度信念网络的轮机实操智能评估方法;段尊雷等;《大连海事大学学报》;20170815(第03期);全文 * |
结合受限玻尔兹曼机的递归神经网络电力系统短期负荷预测;李若晨等;《电力系统保护与控制》;20180907(第17期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110544051A (zh) | 2019-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110544051B (zh) | 一种火电厂大型凝汽式汽轮机的经济性实时评估方法 | |
CN110009529B (zh) | 一种基于堆栈降噪自动编码器的暂态频率获取方法 | |
CN111628499B (zh) | 一种计及多风险因素的配电网新能源消纳能力评估的方法 | |
Lester et al. | The effect of industrial structure on learning by doing in nuclear power plant operation | |
CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
Wang et al. | Decision tree based online stability assessment scheme for power systems with renewable generations | |
CN112308427B (zh) | 一种基于组合赋权-灰关联的新能源消纳制约因素评估方法及系统 | |
CN107123988A (zh) | 一种考虑恢复量不确定的停电电网负荷恢复二阶锥规划方法 | |
CN111784114A (zh) | 一种客户侧分布式储能系统运行性能评估方法及系统 | |
CN112990627B (zh) | 电能质量评估方法 | |
CN110390436A (zh) | 一种基于ssa与lstm深度学习的电厂存煤量短期预测方法 | |
CN110879377A (zh) | 基于深度信念网络的计量装置故障溯源方法 | |
CN111191727A (zh) | 基于pso-kpca-lvq的燃气调压器故障诊断方法、系统、终端及计算机存储介质 | |
CN111697560B (zh) | 一种基于lstm预测电力系统负荷的方法及系统 | |
CN111950900A (zh) | 一种电力系统源网荷储本质安全风险评估方法 | |
CN111784019B (zh) | 电力负荷处理方法和装置 | |
CN115861671A (zh) | 一种考虑负荷特性与可调节潜力的双层自适应聚类方法 | |
CN115829145A (zh) | 一种光伏发电量预测系统及方法 | |
CN103632314A (zh) | 基于概率统计的广义节点特征建模方法 | |
CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
CN115409282A (zh) | 一种水风光长期互补调度规则提取方法 | |
CN115496264A (zh) | 一种风电机组发电功率的预测方法 | |
CN116258234A (zh) | 一种基于bp神经网络模型的能源企业碳排测算与预测方法 | |
CN115577854A (zh) | 一种基于eemd-rbf组合的分位数回归风速区间预测方法 | |
CN111967689A (zh) | 一种结合多元及分步线性回归和人工神经网络进行风力发电预测的模型和方法 |
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 |