CN110764468A - 一种确定火电机组运行参数基准值的方法及装置 - Google Patents
一种确定火电机组运行参数基准值的方法及装置 Download PDFInfo
- Publication number
- CN110764468A CN110764468A CN201810837071.5A CN201810837071A CN110764468A CN 110764468 A CN110764468 A CN 110764468A CN 201810837071 A CN201810837071 A CN 201810837071A CN 110764468 A CN110764468 A CN 110764468A
- Authority
- CN
- China
- Prior art keywords
- reference value
- data
- clustering
- unit
- working condition
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000003245 coal Substances 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims description 35
- 230000003595 spectral effect Effects 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 6
- 239000001301 oxygen Substances 0.000 claims description 6
- 229910052760 oxygen Inorganic materials 0.000 claims description 6
- 239000000779 smoke Substances 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 abstract description 5
- 238000010977 unit operation Methods 0.000 abstract description 5
- 238000005265 energy consumption Methods 0.000 abstract description 3
- 239000011159 matrix material Substances 0.000 description 22
- 238000004364 calculation method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 4
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004134 energy conservation Methods 0.000 description 3
- 239000003546 flue gas Substances 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 241000269793 Cryothenia peninsulae Species 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012803 optimization experiment Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明的实施例公开一种确定火电机组运行参数基准值的方法及装置,涉及燃煤发电机组能耗分析技术领域,能够通过对火电机组的历史运行数据进行聚类分析,从而获得最优运行参数基准值,提高火电机组煤耗预测的准确率。该方法包括:获取火电机组在预定时间长度内的历史运行数据;将所述历史运行数据划分,生成至少两个机组工况区间;根据第一预定算法对每个机组工况区间内的所述历史运行数据进行聚类,生成至少一组聚类数据簇及至少一个聚类中心;在所述至少一组聚类数据簇中根据预设条件选取最优聚类数据簇;将所述最优聚类数据簇对应的聚类中心作为每个机组工况区间的运行参数基准值。本发明实施例应用于电力系统。
Description
技术领域
本发明的实施例涉及燃煤发电机组能耗分析技术领域,尤其涉及一种确定火电机组运行参数基准值的方法及装置。
背景技术
火电机组耗差分析是机组节能降耗和运行优化的基础,是对电厂经济性评价、节能管理、性能评估进行分析计算的前提。运行参数基准值的准确确定直接影响耗差分析结果的准确性,也是机组运行优化指导的可靠保证。
传统的运行参数基准值可以取设计值、优化试验值、变工况计算值等。然而,近年燃煤机组频繁参与调峰降低负荷运行,以便电网消纳新能源。取设计值作为运行参数基准值已经不适合长期变负荷运行的机组。试验方法得到的运行参数基准值对于系统运行初期效果较好,但随着机组长期运行以及机组运行状态的改变,运行参数基准值也会发生变化;优化试验成本昂贵且获得的基准工况有限,不可能经常进行优化试验,导致运行参数基准值与机组实际运行状态不符。变工况计算值依赖于变工况热力计算模型的可获得性和精确性,且得到的优化运行参数基准值是理论值,在机组实际运行中较难达到。
发明内容
本发明的实施例提供一种确定火电机组运行参数基准值的方法及装置,能够通过对火电机组的历史运行数据进行聚类分析,从而获得最优运行参数基准值,提高火电机组煤耗预测的准确率。
第一方面,提供一种确定火电机组运行参数基准值的方法,其特征在于,包括:获取火电机组在预定时间长度内的历史运行数据;其中历史运行数据包括:主蒸汽温度、主蒸汽压力、再热蒸汽温度、给水温度、排烟温度、烟气含氧量、凝汽器真空以及供电煤耗;将历史运行数据划分,生成至少两个机组工况区间;根据第一预定算法对每个机组工况区间内的历史运行数据进行聚类,生成至少一组聚类数据簇及至少一个聚类中心;其中至少一组聚类数据簇与至少一个聚类中心为一一对应关系;在至少一组聚类数据簇中根据预设条件选取最优聚类数据簇;将最优聚类数据簇对应的聚类中心作为每个机组工况区间的运行参数基准值。
在上述方法中,首先获取火电机组在预定时间长度内的历史运行数据;将历史运行数据划分,生成至少两个机组工况区间;根据第一预定算法对每个机组工况区间内的历史运行数据进行聚类,生成至少一组聚类数据簇及至少一个聚类中心;其中至少一组聚类数据簇与至少一个聚类中心为一一对应关系;在至少一组聚类数据簇中根据预设条件选取最优聚类数据簇;将最优聚类数据簇对应的聚类中心作为每个机组工况区间的运行参数基准值。本发明通过对火电机组的历史运行数据进行聚类分析,从而获得最优运行参数基准值,提高火电机组煤耗预测的准确率。
可选的,将历史运行数据进行划分,生成至少两个机组工况区间,具体包括:将历史运行数据根据预设边界条件进行机组工况划分,生成至少两个机组工况区间;其中预设边界条件包括机组负荷、环境温度、以及煤质特性。
可选的,将最优聚类数据簇对应的聚类中心作为每个机组工况区间的运行参数基准值,之后还包括:将每个机组工况区间的运行参数基准值集合,构建基准值工况库;根据基准值工况库采用第二预定算法建立供电煤耗基准值模型。
可选的,根据预定周期更新运行参数基准值,具体包括:根据预定周期获取预定时间长度内最新的历史运行数据;根据最新的历史运行数据生成最新的运行参数基准值;将最新的运行参数基准值替换相同机组工况区间内原来的运行参数基准值。
可选的,第一预定算法为谱聚类算法。
可选的,获取预定时间长度内的历史运行数据,之后还包括:将历史运行数据中的异常历史运行数据剔除或者替换。
第二方面,提供一种确定火电机组运行参数基准值的装置,该装置包括:
获取模块,用于获取火电机组在预定时间长度内的历史运行数据;其中历史运行数据包括:主蒸汽温度、主蒸汽压力、再热蒸汽温度、给水温度、排烟温度、烟气含氧量、凝汽器真空以及供电煤耗。
第一处理模块,用于将获取模块获取的历史运行数据划分,生成至少两个机组工况区间。
第一处理模块,还用于根据第一预定算法对每个机组工况区间内的历史运行数据进行聚类,生成至少一组聚类数据簇及至少一个聚类中心;其中至少一组聚类数据簇与至少一个聚类中心为一一对应关系。
第一处理模块,还用于在至少一组聚类数据簇中根据预设条件选取最优聚类数据簇。
第一处理模块,还用于将最优聚类数据簇对应的聚类中心作为每个机组工况区间的运行参数基准值。
可选的,第一处理模块,具体用于将历史运行数据根据预设边界条件进行机组工况划分,生成至少两个机组工况区间;其中预设边界条件包括机组负荷、环境温度、以及煤质特性。
可选的,第一处理模块,用于将每个机组工况区间的运行参数基准值集合,构建基准值工况库。
第二处理模块,用于根据第一处理模块构建的基准值工况库采用第二预定算法建立供电煤耗基准值模型。
可选的,获取模块,用于根据预定周期获取预定时间长度内最新的历史运行数据;
第一处理模块,用于根据获取模块获取的最新的历史运行数据生成最新的运行参数基准值;
第一处理模块,还用于将最新的运行参数基准值替换相同机组工况区间内原来的运行参数基准值。
可选的,第一预定算法为谱聚类算法。
可选的,第一处理模块,用于将获取模块获取的历史运行数据中的异常历史运行数据剔除或者替换。
可以理解地,上述提供的一种确定火电机组运行参数基准值的装置用于执行上文所提供的第一方面对应的方法,因此,其所能达到的有益效果可参考上文第一方面的方法以及下文具体实施方式中对应的方案的有益效果,此处不再赘述。
附图说明
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。
图1为本发明的实施例提供的一种确定火电机组运行参数基准值的方法的流程示意图;
图2为本发明的实施例提供的一种利用谱聚类算法确定火电机组运行参数基准值的流程示意图;
图3为本发明的实施例提供的一种确定火电机组运行参数基准值的装置的结构示意图。
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。
火电厂运行参数基准值的分析和计算是火电厂运行绩效考核系统最为关键的步骤和最为重要的环节,它提供反映机组当前最优运行状态的运行参数和性能指标的目标值,为运行优化操作指导提供了基础和依据。没有正确适用的运行参数基准值的支持,运行绩效考核也就失去了意义。
由于火电厂的负荷随着用电高峰低谷波动,要求火电机组在一定的时间内达到变负荷功率,由于大型火电机组运行各项参数的控制调节存在较大迟延性,过快的负荷变化速度,过大的负荷变化幅度和过短的负荷稳定时间都将导致实际运行工况偏离稳定工况,这便使得机组变负荷运行过程中的供电煤耗远大于对应的稳定运行的煤耗。而为了使各运行参数在运行中始终保持在运行参数基准值,使大型超临界火电机组发挥高参数的优势,对机组进行实时监测显得尤为重要,而耗差分析是节能最为基础的理论支持,对其进行研究具有必要性。耗差分析法也叫偏差分析法,它是根据运行参数的实际值与基准值的差值,通过分析计算得出运行指标对火电机组的热耗率、机组效率(或装置效率)、煤耗率、厂用电的影响程度,从而使运行人员根据这些数量概念,能动地、直观地、分主次地努力减少机组可控损失。目前,现有技术运行参数基准值大多是根据设计值(如参数的额定值)、变工况计算值、优化实验值等确定的运行参数的最佳值,因此运行参数基准值也叫运行参数标准值或运行参数目标值;但设计值(如参数的额定值)、变工况计算值、优化实验值等确定的运行参数基准值要么不能及时更新,要么在机组实际运行中较难达到。因此,如图1,本发明实施例提供一种确定火电机组运行参数基准值的方法,包括:
101、获取火电机组在预定时间长度内的历史运行数据;其中历史运行数据包括:主蒸汽温度、主蒸汽压力、再热蒸汽温度、给水温度、排烟温度、烟气含氧量、凝汽器真空以及供电煤耗。
另外,获取预定时间长度内的历史运行数据,之后还包括:将历史运行数据中的异常历史运行数据剔除或者替换。优选地,所述历史运行数据采集自数字化电厂平台。
102、将历史运行数据划分,生成至少两个机组工况区间。
详细的,将历史运行数据进行划分,生成至少两个机组工况区间,具体包括:将历史运行数据根据预设边界条件进行机组工况划分,生成至少两个机组工况区间;其中预设边界条件包括机组负荷、环境温度、以及煤质特性。例如,依据机组负荷、环境温度、煤质特性等边界条件进行机组工况划分,对机组全负荷工况进行负荷区间划分,涵盖机组可运行的所有负荷工况。
需要说明的是,预设边界条件包括但不限于机组负荷、环境温度、以及煤质特性。
示例性的,以一台600MW燃煤发电机组为例,机组负荷的变化范围一般为300MW~600MW,设置机组负荷邻域区间ΔP=5MW;其中机组负荷邻域区间划分的越小,所得到的运行参数基准值越准确。环境温度的变化范围一般为5℃~25℃,可以设置环境温度邻域区间ΔT=1℃。若燃煤发电机组为坑口电站燃烧煤种固定,则煤质特性假定不变;若燃煤发电机组煤质经常发生变化则应对煤质特性进行区间划分,主要依据煤质发热量,设置煤质发热量邻域区间ΔQ=0.1MJ/kg。
103、根据第一预定算法对每个机组工况区间内的历史运行数据进行聚类,生成至少一组聚类数据簇及至少一个聚类中心;其中至少一组聚类数据簇与至少一个聚类中心为一一对应关系。
需要说明的是,第一预定算法为谱聚类算法。
104、在至少一组聚类数据簇中根据预设条件选取最优聚类数据簇;将最优聚类数据簇对应的聚类中心作为每个机组工况区间的运行参数基准值。
另外,根据预定周期更新运行参数基准值,具体包括:根据预定周期获取预定时间长度内最新的历史运行数据;根据最新的历史运行数据生成最新的运行参数基准值;将最新的运行参数基准值替换相同机组工况区间内原来的运行参数基准值。
此外,将最优聚类数据簇对应的聚类中心作为每个机组工况区间的运行参数基准值,之后还包括:将每个机组工况区间的运行参数基准值集合,构建基准值工况库;根据基准值工况库采用第二预定算法建立供电煤耗基准值模型。
详细的,当采集到火电机组实时运行数据时,供电煤耗基准值模型根据火电机组的实时运行数据在预设边界条件下生成新的运行参数基准值,将新的运行参数基准值加入基准值工况库,以便完善基准值工况库。
示例性的,第二预定算法可以是但不限于支持向量机或者神经网络等方法。
为了更好地理解,参照图2,对上述方法的步骤103及之后的步骤进行详细说明。需要说明的是,根据上述方法的步骤101和102将历史运行数据划分为p个机组工况区间;其中p为正整数。另外,第一预定算法采用谱聚类算法。此外,步骤201~207对应上述方法中的步骤103;步骤208~210对应上述方法中的步骤104。具体步骤如下所示:
201、获取第k(k=1,2,…,p)个机组工况区间的样本矩阵X。
在第k(k=1,2,…,p)个机组工况区间内有m个机组工况样本点,每个机组工况样本点包含n个聚类分析指标(也称作:历史运行数据),则样本矩阵X为:
其中,xij(i=1,2,…,m;j=1,2,…,n)表示第i个机组工况样本点的第j个聚类分析指标的值。
202、根据样本矩阵X,采用高斯核函数构建相似矩阵W。
一般采用高斯核函数s(xi,xj)=||xi-xj||2构建相似矩阵。wij为xi与xj之间的连接权值为:
其中,σ为尺度参数。
引入信息熵对尺度参数σ进行优化,定义概率函数:
其信息熵为:
信息熵为尺度参数σ的函数。信息熵的值越小,则表明该特征内的数据在对应的值域上分布比较分散,即该特征的纯度较高;反之,若信息熵的取值愈大,则可以表明该特征内的数据在对应的值域上分布越均匀,即该特征的纯度较低。
尺度参数在一定范围内寻优,求解最小化信息熵时对应的尺度参数σ。
选择最优的尺度参数σ计算得到相似矩阵W。
203、基于相似矩阵W构建度矩阵D;
其中,度矩阵D为对角矩阵,对角线上的值为W矩阵中对应行或列的和。即
204、根据相似矩阵W和度矩阵D构建拉普拉斯矩阵L(Laplacian)。公式如下:
205、对得到拉普拉斯矩阵L进行谱特征分析,构建特征向量空间。
将拉普拉斯矩阵L的特征值从大到小排序,λ1≥λ2≥…≥λn≥0,并定义相邻特征值的差值为谱隙Δ=λi-λi+1(i=1,2,…,n-1);当类内分布越紧密,类间分布越分离时相应Δλi也越大,在谱隙中选择谱隙最大值对应的下标即为聚类的个数k,由此确定前k个特征值λ1≥λ2≥…≥λk所对应的特征向量为Z1,Z2,…,Zk;构建特征向量矩阵Z:
206、对特征向量矩阵Z进行归一化,得到归一化后的特征向量空间矩阵Y。
207、对特征向量空间矩阵Y进行k-means聚类,得到第k个机组工况区间的至少一组聚类数据簇及至少一个聚类中心。其中至少一组聚类数据簇与至少一个聚类中心为一一对应关系。
208、判断是否得到所有机组工况区间的至少一组聚类数据簇及至少一个聚类中心。若是跳转至步骤209;否则跳转至步骤201。
209、根据预设条件从每个机组工况区间的至少一组聚类数据簇中选取最优聚类数据簇。
例如,预设条件可以是将每个机组工况区间内的供电煤耗最低的一组聚类数据簇作为最优聚类数据簇。
210、将每个机组工况区间的最优聚类数据簇对应的聚类中心作为每个机组工况区间的运行参数基准值。
其中,根据预定周期更新运行参数基准值,具体包括:根据预定周期获取预定时间长度内最新的聚类分析指标;根据最新的聚类分析指标生成最新的运行参数基准值;将最新的运行参数基准值替换相同机组工况区间内原来的运行参数基准值。
示例性的,在火电机组稳定运行的状态下,预定周期可以选择5天,10天,20天或一个月更新一次模型;若火电机组进行大修或者设备故障维修之后均要获取新的火电机组运行数据,生成新的运行参数基准值后,根据新的运行参数基准值对基准值工况库进行更新。
211、将每个机组工况区间的运行参数基准值集合,构建基准值工况库。
212、根据基准值工况库采用第二预定算法建立供电煤耗基准值模型。
需要说明的是,根据预定时间长度内的历史运行数据在预设边界条件下得到的基准值工况库,存在不能涵盖所有预设边界条件的可能性。因此,基于谱聚类算法得到的基准值工况库构建运行参数基准值对应工况下的供电煤耗基准值模型,当获取新的运行数据对应的预设边界条件不属于基准值工况库,则可将新的运行数据在预设边界条件下输入供电煤耗基准值模型获取新的运行数据对应的预设边界条件的运行参数基准值,并将该运行参数基准值输入基准值工况库。示例性的,根据谱聚类算法得到的运行参数基准值有100组,使用100组运行参数基准值构建供电煤耗基准值模型,当采集到的新的运行数据对应的预设边界条件不属于这100组运行参数基准值包含的预设边界条件时,可以通过供电煤耗基准值模型生成该预设边界条件下对应的供电煤耗基准值,并将该供电煤耗基准值输入基准值工况库。如果实际运行中煤耗高于该基准值则采取措施调整参数。
另外,在火电机组的实际运行中,参照基准值工况库可对实时边界条件下的运行数据进行优化指导,以便更加接近或者达到运行参数基准值,从而获得较低的供电煤耗。
在上述方法中,首先获取火电机组在预定时间长度内的历史运行数据;将历史运行数据划分,生成至少两个机组工况区间;根据第一预定算法对每个机组工况区间内的历史运行数据进行聚类,生成至少一组聚类数据簇及至少一个聚类中心;其中至少一组聚类数据簇与至少一个聚类中心为一一对应关系;在至少一组聚类数据簇中根据预设条件选取最优聚类数据簇;将最优聚类数据簇对应的聚类中心作为每个机组工况区间的运行参数基准值。本发明基于火电机组实测的历史运行数据建立机组运行参数基准值工况库;采用谱聚类算法对历史运行数据在预设边界条件下进行聚类,该方法可以在任意形状的样本空间上聚类且收敛于全局最优解;在构建相似矩阵时采用信息熵加权寻优得到尺度参数,降低高斯函数对尺度参数的敏感性,提高聚类效果;在进行谱特征值分析时,基于相邻特征值的差值自动确定聚类个数。基于谱聚类算法分析得到的基准值工况库建立供电煤耗基准值模型,为火电机组耗差分析提供动态的基准供电煤耗。
参照图3,本发明实施例提供一种确定火电机组运行参数基准值的装置30,该装置包括:
获取模块301,用于获取火电机组在预定时间长度内的历史运行数据;其中历史运行数据包括:主蒸汽温度、主蒸汽压力、再热蒸汽温度、给水温度、排烟温度、烟气含氧量、凝汽器真空以及供电煤耗。
第一处理模块302,用于将获取模块301获取的历史运行数据划分,生成至少两个机组工况区间。
第一处理模块302,还用于根据第一预定算法对每个机组工况区间内的历史运行数据进行聚类,生成至少一组聚类数据簇及至少一个聚类中心;其中至少一组聚类数据簇与至少一个聚类中心为一一对应关系。
第一处理模块302,还用于在至少一组聚类数据簇中根据预设条件选取最优聚类数据簇。
第一处理模块302,还用于将最优聚类数据簇对应的聚类中心作为每个机组工况区间的运行参数基准值。
在一种示例性的方案中,第一处理模块302,具体用于将历史运行数据根据预设边界条件进行机组工况划分,生成至少两个机组工况区间;其中预设边界条件包括机组负荷、环境温度、以及煤质特性。
在一种示例性的方案中,第一处理模块302,用于将每个机组工况区间的运行参数基准值集合,构建基准值工况库。
第二处理模块303,用于根据第一处理模块302构建的基准值工况库采用第二预定算法建立供电煤耗基准值模型。
在一种示例性的方案中,获取模块301,用于根据预定周期获取预定时间长度内最新的历史运行数据。
第一处理模块302,用于根据获取模块301获取的最新的历史运行数据生成最新的运行参数基准值。
第一处理模块302,还用于将最新的运行参数基准值替换相同机组工况区间内原来的运行参数基准值。
在一种示例性的方案中,第一预定算法为谱聚类算法。
在一种示例性的方案中,第一处理模块302,用于将获取模块301获取的历史运行数据中的异常历史运行数据剔除或者替换。
其中,由于本发明实施例中的确定火电机组运行参数基准值的装置可以应用于实施上述方法实施例,因此,其所能获得的技术效果也可参考上述方法实施例,本发明实施例在此不再赘述。
结合本发明公开内容所描述的方法或者算法的步骤可以硬件的方式来实现,也可以是由处理器执行软件指令的方式来实现。例如:上述的获取模块、第一处理模块、第二处理模块可以由单独的处理器实现或者集中于同一个处理器中实现。本发明实施例还提供一种存储介质,该存储介质可以包括存储器,用于储存为确定火电机组运行参数基准值的装置所用的计算机软件指令,其包含执行确定火电机组运行参数基准值的方法所设计的程序代码。具体的,软件指令可以由相应的软件模块组成,软件模块可以被存放于随机存取存储器(Random Access Memory,RAM)、闪存、只读存储器(Read Only Memory,ROM)、可擦除可编程只读存储器(Erasable Programmable ROM,EPROM)、电可擦可编程只读存储器(Electrically EPROM,EEPROM)、寄存器、硬盘、移动硬盘、只读光盘(CD-ROM)或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。
本发明实施例还提供一种计算机程序,该计算机程序可直接加载到存储器中,并含有软件代码,该计算机程序经由计算机载入并执行后能够实现上述的确定火电机组运行参数基准值的方法。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时,可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (12)
1.一种确定火电机组运行参数基准值的方法,其特征在于,包括:
获取火电机组在预定时间长度内的历史运行数据;其中所述历史运行数据包括:主蒸汽温度、主蒸汽压力、再热蒸汽温度、给水温度、排烟温度、烟气含氧量、凝汽器真空以及供电煤耗;
将所述历史运行数据划分,生成至少两个机组工况区间;
根据第一预定算法对每个机组工况区间内的所述历史运行数据进行聚类,生成至少一组聚类数据簇及至少一个聚类中心;其中所述至少一组聚类数据簇与所述至少一个聚类中心为一一对应关系;
在所述至少一组聚类数据簇中根据预设条件选取最优聚类数据簇;
将所述最优聚类数据簇对应的聚类中心作为每个机组工况区间的运行参数基准值。
2.根据权利要求1所述的确定火电机组运行参数基准值的方法,其特征在于,所述将所述历史运行数据进行划分,生成至少两个机组工况区间,具体包括:
将所述历史运行数据根据预设边界条件进行机组工况划分,生成所述至少两个机组工况区间;其中所述预设边界条件包括机组负荷、环境温度、以及煤质特性。
3.根据权利要求1所述的确定火电机组运行参数基准值的方法,其特征在于,所述将所述最优聚类数据簇对应的聚类中心作为每个机组工况区间的运行参数基准值,之后还包括:
将所述每个机组工况区间的运行参数基准值集合,构建基准值工况库;
根据所述基准值工况库采用第二预定算法建立供电煤耗基准值模型。
4.根据权利要求1所述的确定火电机组运行参数基准值的方法,其特征在于,根据预定周期更新运行参数基准值,具体包括:
根据预定周期获取预定时间长度内最新的历史运行数据;
根据所述最新的历史运行数据生成最新的运行参数基准值;
将所述最新的运行参数基准值替换相同机组工况区间内原来的运行参数基准值。
5.根据权利要求1所述的确定火电机组运行参数基准值的方法,其特征在于,包括:所述第一预定算法为谱聚类算法。
6.根据权利要求1所述的确定火电机组运行参数基准值的方法,其特征在于,所述获取预定时间长度内的历史运行数据,之后还包括:将所述历史运行数据中的异常历史运行数据剔除或者替换。
7.一种确定火电机组运行参数基准值的装置,其特征在于,包括:
获取模块,用于获取火电机组在预定时间长度内的历史运行数据;其中所述历史运行数据包括:主蒸汽温度、主蒸汽压力、再热蒸汽温度、给水温度、排烟温度、烟气含氧量、凝汽器真空以及供电煤耗;
第一处理模块,用于将所述获取模块获取的所述历史运行数据划分,生成至少两个机组工况区间;
所述第一处理模块,还用于根据第一预定算法对每个机组工况区间内的所述历史运行数据进行聚类,生成至少一组聚类数据簇及至少一个聚类中心;其中所述至少一组聚类数据簇与所述至少一个聚类中心为一一对应关系;
所述第一处理模块,还用于在所述至少一组聚类数据簇中根据预设条件选取最优聚类数据簇;
所述第一处理模块,还用于将所述最优聚类数据簇对应的聚类中心作为每个机组工况区间的运行参数基准值。
8.根据权利要求7所述的确定火电机组运行参数基准值的装置,其特征在于,包括:
所述第一处理模块,具体用于将所述历史运行数据根据预设边界条件进行机组工况划分,生成所述至少两个机组工况区间;其中所述预设边界条件包括机组负荷、环境温度、以及煤质特性。
9.根据权利要求7所述的确定火电机组运行参数基准值的装置,其特征在于,包括:
所述第一处理模块,用于将所述每个机组工况区间的运行参数基准值集合,构建基准值工况库;
第二处理模块,用于根据所述第一处理模块构建的所述基准值工况库采用第二预定算法建立供电煤耗基准值模型。
10.根据权利要求7所述的确定火电机组运行参数基准值的装置,其特征在于,包括:
所述获取模块,用于根据预定周期获取预定时间长度内最新的历史运行数据;
所述第一处理模块,用于根据所述获取模块获取的所述最新的历史运行数据生成最新的运行参数基准值;
所述第一处理模块,还用于将所述最新的运行参数基准值替换相同机组工况区间内原来的运行参数基准值。
11.根据权利要求7所述的确定火电机组运行参数基准值的装置,其特征在于,包括:所述第一预定算法为谱聚类算法。
12.根据权利要求7所述的确定火电机组运行参数基准值的装置,其特征在于,包括:
所述第一处理模块,用于将所述获取模块获取的所述历史运行数据中的异常历史运行数据剔除或者替换。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810837071.5A CN110764468A (zh) | 2018-07-26 | 2018-07-26 | 一种确定火电机组运行参数基准值的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810837071.5A CN110764468A (zh) | 2018-07-26 | 2018-07-26 | 一种确定火电机组运行参数基准值的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110764468A true CN110764468A (zh) | 2020-02-07 |
Family
ID=69326927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810837071.5A Pending CN110764468A (zh) | 2018-07-26 | 2018-07-26 | 一种确定火电机组运行参数基准值的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110764468A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401796A (zh) * | 2020-04-27 | 2020-07-10 | 新智数字科技有限公司 | 一种建立设备能效模型的方法及装置 |
CN111445132A (zh) * | 2020-03-26 | 2020-07-24 | 华润电力技术研究院有限公司 | 数据处理方法、数据处理系统及计算机存储介质 |
CN111754030A (zh) * | 2020-06-11 | 2020-10-09 | 浙江浙能技术研究院有限公司 | 一种基于hac和rf-ga的火电机组供电煤耗优化方法 |
CN112149714A (zh) * | 2020-08-28 | 2020-12-29 | 国电南京自动化股份有限公司 | 基于数据挖掘确定煤电机组能效特征指标基准值的方法 |
CN112560973A (zh) * | 2020-12-22 | 2021-03-26 | 浙江浙大中控信息技术有限公司 | 一种应用于能源管理系统中可节能设备的自动判断方法 |
CN112686422A (zh) * | 2020-12-03 | 2021-04-20 | 华润电力技术研究院有限公司 | 一种火电厂入炉煤质信息确定方法、装置、设备及介质 |
CN112836920A (zh) * | 2020-12-01 | 2021-05-25 | 北方联合电力有限责任公司乌拉特发电厂 | 煤电机组能效状态评价方法、装置及煤电机组系统 |
CN112905632A (zh) * | 2021-01-19 | 2021-06-04 | 浙江中控技术股份有限公司 | 一种基于参数案例的常减压设备配置方法及装置 |
CN113220753A (zh) * | 2021-05-10 | 2021-08-06 | 西安热工研究院有限公司 | 一种基于电厂历史数据自动生成运行参数目标曲线的方法 |
CN113822473A (zh) * | 2021-09-03 | 2021-12-21 | 浙江浙大中控信息技术有限公司 | 一种基于多维数据的牵引力能耗合理区间预测方法 |
CN116402411A (zh) * | 2023-06-09 | 2023-07-07 | 济南作为科技有限公司 | 耗差分析方法、装置、设备及存储介质 |
CN116454890A (zh) * | 2023-04-20 | 2023-07-18 | 中国南方电网有限责任公司 | 基于scuc模型的机组组合控制方法、装置和设备 |
CN117436848A (zh) * | 2023-12-21 | 2024-01-23 | 山东康吉诺技术有限公司 | 基于人工智能的电机能耗监测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867307A (zh) * | 2012-09-10 | 2013-01-09 | 西安电子科技大学 | 基于特征向量集成谱聚类的sar图像分割方法 |
CN103400009A (zh) * | 2013-08-07 | 2013-11-20 | 华北电力大学 | 基于分裂层次半监督谱聚类算法的风电场动态等值方法 |
CN103742901A (zh) * | 2013-12-24 | 2014-04-23 | 广州市恒力安全检测技术有限公司 | 一种循环流化床机组耗差分析优化目标值体系的确定方法 |
CN108319131A (zh) * | 2017-12-27 | 2018-07-24 | 国网山东省电力公司电力科学研究院 | 基于数据挖掘的机组调峰能力评估方法 |
-
2018
- 2018-07-26 CN CN201810837071.5A patent/CN110764468A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867307A (zh) * | 2012-09-10 | 2013-01-09 | 西安电子科技大学 | 基于特征向量集成谱聚类的sar图像分割方法 |
CN103400009A (zh) * | 2013-08-07 | 2013-11-20 | 华北电力大学 | 基于分裂层次半监督谱聚类算法的风电场动态等值方法 |
CN103742901A (zh) * | 2013-12-24 | 2014-04-23 | 广州市恒力安全检测技术有限公司 | 一种循环流化床机组耗差分析优化目标值体系的确定方法 |
CN108319131A (zh) * | 2017-12-27 | 2018-07-24 | 国网山东省电力公司电力科学研究院 | 基于数据挖掘的机组调峰能力评估方法 |
Non-Patent Citations (3)
Title |
---|
徐婧等: "基于数据挖掘的煤电机组能效特征指标及其基准值的研究", 《中国电机工程学报》 * |
管涛: "《数据分析基础及模型》", 31 July 2015 * |
蔡雨: "基于大数据挖掘的火电机组能耗特性分析及诊断研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445132A (zh) * | 2020-03-26 | 2020-07-24 | 华润电力技术研究院有限公司 | 数据处理方法、数据处理系统及计算机存储介质 |
CN111445132B (zh) * | 2020-03-26 | 2023-05-02 | 华润电力技术研究院有限公司 | 数据处理方法、数据处理系统及计算机存储介质 |
CN111401796B (zh) * | 2020-04-27 | 2024-03-29 | 新智数字科技有限公司 | 一种建立设备能效模型的方法及装置 |
CN111401796A (zh) * | 2020-04-27 | 2020-07-10 | 新智数字科技有限公司 | 一种建立设备能效模型的方法及装置 |
CN111754030B (zh) * | 2020-06-11 | 2022-04-12 | 浙江浙能技术研究院有限公司 | 一种基于hac和rf-ga的火电机组供电煤耗优化方法 |
CN111754030A (zh) * | 2020-06-11 | 2020-10-09 | 浙江浙能技术研究院有限公司 | 一种基于hac和rf-ga的火电机组供电煤耗优化方法 |
CN112149714A (zh) * | 2020-08-28 | 2020-12-29 | 国电南京自动化股份有限公司 | 基于数据挖掘确定煤电机组能效特征指标基准值的方法 |
CN112836920A (zh) * | 2020-12-01 | 2021-05-25 | 北方联合电力有限责任公司乌拉特发电厂 | 煤电机组能效状态评价方法、装置及煤电机组系统 |
CN112686422A (zh) * | 2020-12-03 | 2021-04-20 | 华润电力技术研究院有限公司 | 一种火电厂入炉煤质信息确定方法、装置、设备及介质 |
CN112686422B (zh) * | 2020-12-03 | 2023-04-18 | 华润电力技术研究院有限公司 | 一种火电厂入炉煤质信息确定方法、装置、设备及介质 |
CN112560973A (zh) * | 2020-12-22 | 2021-03-26 | 浙江浙大中控信息技术有限公司 | 一种应用于能源管理系统中可节能设备的自动判断方法 |
CN112905632A (zh) * | 2021-01-19 | 2021-06-04 | 浙江中控技术股份有限公司 | 一种基于参数案例的常减压设备配置方法及装置 |
CN113220753A (zh) * | 2021-05-10 | 2021-08-06 | 西安热工研究院有限公司 | 一种基于电厂历史数据自动生成运行参数目标曲线的方法 |
CN113220753B (zh) * | 2021-05-10 | 2023-01-20 | 西安热工研究院有限公司 | 一种基于电厂历史数据自动生成运行参数目标曲线的方法 |
CN113822473B (zh) * | 2021-09-03 | 2023-12-26 | 浙江中控信息产业股份有限公司 | 一种基于多维数据的牵引力能耗合理区间预测方法 |
CN113822473A (zh) * | 2021-09-03 | 2021-12-21 | 浙江浙大中控信息技术有限公司 | 一种基于多维数据的牵引力能耗合理区间预测方法 |
CN116454890A (zh) * | 2023-04-20 | 2023-07-18 | 中国南方电网有限责任公司 | 基于scuc模型的机组组合控制方法、装置和设备 |
CN116454890B (zh) * | 2023-04-20 | 2024-02-06 | 中国南方电网有限责任公司 | 基于scuc模型的机组组合控制方法、装置和设备 |
CN116402411A (zh) * | 2023-06-09 | 2023-07-07 | 济南作为科技有限公司 | 耗差分析方法、装置、设备及存储介质 |
CN116402411B (zh) * | 2023-06-09 | 2024-05-14 | 济南作为科技有限公司 | 耗差分析方法、装置、设备及存储介质 |
CN117436848A (zh) * | 2023-12-21 | 2024-01-23 | 山东康吉诺技术有限公司 | 基于人工智能的电机能耗监测方法 |
CN117436848B (zh) * | 2023-12-21 | 2024-03-08 | 山东康吉诺技术有限公司 | 基于人工智能的电机能耗监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110764468A (zh) | 一种确定火电机组运行参数基准值的方法及装置 | |
CN110082699B (zh) | 一种低压台区智能电能表运行误差计算方法及其系统 | |
CN110837226B (zh) | 基于智能优化算法的火电机组操作寻优方法及相关装置 | |
CN109657884B (zh) | 电网供电优化方法、装置、设备和计算机可读存储介质 | |
CN113609443B (zh) | 基于区块链的碳足迹跟踪处理方法、装置及存储介质 | |
CN112186761B (zh) | 一种基于概率分布的风电功率场景生成方法及系统 | |
CN110750524A (zh) | 一种有源配电网故障特征的确定方法及系统 | |
CN111352408B (zh) | 一种基于证据k近邻的多工况流程工业过程故障检测方法 | |
CN111159844A (zh) | 一种电站燃气轮机排气温度的异常检测方法 | |
JP6032486B2 (ja) | 電力管理システム、電力管理方法 | |
CN108960492A (zh) | 一种基于pso-svr软测量模型的汽轮机排汽焓预测方法 | |
CN112417764A (zh) | 一种面向锅炉特种设备蒸汽量预测的k近邻回归预测方法 | |
CN112651576A (zh) | 长期风电功率预测方法及装置 | |
CN116992274B (zh) | 基于改进主成分回归模型的短期风速预测方法及系统 | |
CN114118401A (zh) | 基于神经网络的配电网络流量预测方法、系统、装置及存储介质 | |
CN113505909A (zh) | 一种面向短期风电功率趋势预测的误差补偿方法 | |
CN116207766B (zh) | 一种锂电池储能系统的动态阈值控制方法及系统 | |
CN112632749A (zh) | 一种风力发电机发电性能的评价方法及装置 | |
CN113076309B (zh) | 烟草生丝水分加水量预测系统及方法 | |
Xiaoyun et al. | Short-Term wind power prediction of regions based on deep long short-term memory network and gaussian process regression | |
CN115905360A (zh) | 一种基于随机构建矩阵的异常数据量测辨识方法和装置 | |
CN116316542A (zh) | 区域分布式光伏功率预测方法、装置、计算机设备及存储介质 | |
CN114139785A (zh) | 锅炉燃烧热效率预测方法及装置 | |
CN114970766A (zh) | 一种基于线性拟合的电站机组运行参数基准值获取方法 | |
CN115356995A (zh) | 基于工业大数据的烟草干燥工序热能分析系统 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 100011 Beijing Dongcheng District, West Binhe Road, No. 22 Applicant after: CHINA ENERGY INVESTMENT Corp.,Ltd. Applicant after: Beijing low carbon clean energy Research Institute Address before: 100011 Beijing Dongcheng District, West Binhe Road, No. 22 Applicant before: CHINA ENERGY INVESTMENT Corp.,Ltd. Applicant before: NATIONAL INSTITUTE OF CLEAN-AND-LOW-CARBON ENERGY |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200207 |