CN110889646A - 一种适应工况变化的发电机组运行参数正确性检验的方法 - Google Patents
一种适应工况变化的发电机组运行参数正确性检验的方法 Download PDFInfo
- Publication number
- CN110889646A CN110889646A CN201911243666.9A CN201911243666A CN110889646A CN 110889646 A CN110889646 A CN 110889646A CN 201911243666 A CN201911243666 A CN 201911243666A CN 110889646 A CN110889646 A CN 110889646A
- Authority
- CN
- China
- Prior art keywords
- parameters
- parameter
- generator set
- correctness
- value
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000004364 calculation method Methods 0.000 claims abstract description 41
- 238000003062 neural network model Methods 0.000 claims abstract description 33
- 230000002159 abnormal effect Effects 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000007689 inspection Methods 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 7
- 239000003245 coal Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000010365 information processing Effects 0.000 claims description 4
- IAZDPXIOMUYVGZ-UHFFFAOYSA-N Dimethylsulphoxide Chemical compound CS(C)=O IAZDPXIOMUYVGZ-UHFFFAOYSA-N 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000010977 unit operation Methods 0.000 abstract 1
- 230000003044 adaptive effect Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种适应工况变化的机组运行参数正确性检验的方法,该方法包括如下步骤:获取符合要求的外部参数和待检验参数的历史数据若干段,通过计算得到各历史数据段中待检验参数的均值和标准差,并将外部参数和对应的待检验参数的均值、标准差作为样本数据用以训练BP神经网络模型,得到能够适应工况变化的参数工况值计算模型,然后计算得到的实时运行参数的正确性检验,以确保监控参数的正确性。本发明的有益效果是:由于采用上述技术方案,本发明的方法能够适应机组工况变化,对运行参数进行正确性检验和对异常参数进行合理替换,确保监控参数的正确性,实现发电机组安全、稳定、经济运行。
Description
技术领域
本发明属于发电过程状态参数监测技术领域,涉及一种适应工况变化的发电机组运行参数正确性检验的方法。
背景技术
大型发电机组需要监控的参数很多,如典型的600MW机组过程监控参数多达6000~8000个。监控参数有些直接来自于现场传感器的原始检测数据,如温度、压力等,也有些是原始检测数据的二次计算结果,如工质焓、各种效率等。利用监控参数可进一步实现:1)机组运行状态监视,如机组运行是否正常,有无报警等;2)机组运行性能分析,如经济性、稳定性、环保性指标计算与分析等;3)自动控制,如通过调整执行机构输出使被控参数跟随目标值。
确保监控参数的正确性是实现发电机组安全、稳定、经济运行的前提。监控参数不可预知的偏离真实值,将可能导致:1)误报警,致使运行值班人员操作失误;2)性能计算结果不准,降低机组经济性;3)自动控制系统调节失灵,引起安全事故。
造成监控参数偏离真实值的原因主要有:1)传感器故障;2)安装点松动、积灰、腐蚀等;3)信号传输过程电磁干扰;4)二次计算参数计算条件发生变化,如工质实际已进入湿蒸汽区时仍按干蒸汽条件计算焓值等。
发电机组重要运行参数在使用前要进行正确性检验。目前采用的检验方法主要有:
(1)基于传感器断线检查的检验方法。在信号进入分散控制系统(DCS)之后,通过质量判断模块进行传感器断线检查。其原理是:一般情况下,传感器输出为4-20mA DC电流信号,当传感器断线时,DCS接受到0mA信号,即可判断为信号坏质量,给出报警并传递给相应处理逻辑。
(2)基于参数上下限及变化率的检验方法。给出某些参数在整个运行工况范围内可能的上下限及最大变化率,当检测到实际参数值处于上下限之外或实际变化率大于最大变化率时,给出报警并传递给相应处理逻辑。
(3)基于信号冗余的检验方法。对于重要参数同时安装多个测点,或通过软计算方法构成冗余,比较冗余信号之间的偏差,当偏差绝对值大于给定阈值时表示信号故障,给出报警并传递给相应处理逻辑。
(4)基于参数参考值的检验方法。一些参数在某一参考值附近波动,该参考值可能为设计值或通过负荷修正的设计值。当检测到实际参数值与给定值偏差超过阈值时,给出报警并传递给相应处理逻辑。
上述检验方法中,方法(1)、(2)简单快速,适用于严重故障检测,但检验精度低,且没有给出可能的参数替代值;方法(3)检验精度高且可给出可能的参数替代值,但需要额外的硬件、软件支持,实施费用高,不可能应用到所有参数;方法(4)具有一定的精度且可给出可能的参数替代值,但难以找到所有参数的参考值,且参考值为常数或与负荷具有固定关系,不能随实际工况更新,故只能针对个别参数实施。
发明内容
本公开实施例公开了一种适应工况变化的发电机组运行参数正确性检验的方法,以解决现有技术的上述以及其他潜在问题中任一问题。
为了达到上述目的,本发明公开了一种适应工况变化的发电机组运行参数正确性检验的方法,该方法具体包括以下步骤:
S1)从数据库选取发电机组处于稳态运行的历史数据,并进行预处理;
S2)将S1)进行预处理得到的历史数据作为样本数据,利用所述样本数据对初始BP神经网络模型进行训练,得到运行参数工况值计算模型;
S3)采集发电机组运行状态的实时待检验参数Pi′和实时的外部参数值,根据判断稳定的条件对发电机组运行状态稳定性进行判断,如果判断发电机组运行状态稳定,则进行S4),如果判断发电机组运行状态不稳定,则结束;
S4)将判断为发电机组运行状态稳定的实时外部参数值输入S2)得到的运行参数工况值计算模型中,得到发电机组运行时的实时待检验参数Pi′的均值μi′和标准差σi′,对得到的实时待检验参数Pi′进行正确性检验,以实现监控参数的正确性。
进一步,所述S1)的具体步骤为:
S1.1)分别选取发电机组处于稳态运行的外部参数的历史数据和待检验参数Pi均处于稳态的若干段历史数据;
S1.2)将待检验参数Pi均处于稳态的若干段历史数据通过计算分别得到待检验参数Pi均处于稳态的若干段历史数据的均值i和标准差σi;所述外部参数包括机组负荷N、环境温度T和入炉煤发热量Q。
进一步,所述S2)的具体步骤为:
S2.1)根据N个待检验参数Pi均处于稳态的若干历史段数据的均值i和标准差σi,以及外部参数的历史数据,建立2N个BP神经网络模型,对每个初始BP神经网络模型的隐层中各神经元进行初始化;
S2.2选定的数据样本送入至2N个BP神经网络模型的输入层,然后计算均值计算模型的输出层的输出结果与数据样本中的均值之间的误差,计算标准差计算模型的输出层的输出结果与数据样本中的标准差之间的误差;
S2.3)如果误差大于或等于预设的精度值,则执行S2.4);如果上述误差小于预设的精度值,则执行S2.5);
S2.4)更新当前BP神经网络模型的隐层中各神经元的网络权值和阈值,使网络误差函数沿负梯度方向下降,输出结果逼近期望输出,然后返回S2.2);
S2.5)得到BP神经网络模型即为运行参数工况值计算模型。
进一步,所述BP神经网络模型均为3×nl×1的单隐层BP神经网络模型,
隐层具有的神经元个数通过以下公式求出:
其中,nl表示隐层具有的节点数,n表示输入层的节点数,m表示输出层的节点数,a为1~10之间的常数。
所述S3)的判断稳定的条件是:
如果持续时间Δt内发电机组运行的实时机组负荷N变化量小于δN,δN为负荷变化阈值,且持续时间Δt内发电机组运行的实时主蒸汽压力变化量小于δP,δP为主蒸汽压力变化阈值;则为稳定运行状态,否则为不稳定运行状态,如图2所示。
所述S4)中正确性检验的具体步骤为:
4.1)将实时采集检验参数实际值与S3)得到发电机组运行参数工况值带入公式(1),公式如下:
μi′-5σi′≤Pi′≤μi′+5σi′,i的取值范围为大于零的正整数,(1)
式中,Pi′为实时待检验参数,μi′为发电机组运行时的实时待检验参数Pi′的均值,σi′为发电机组运行时的实时待检验参数Pi′的标准差;
4.2)如果满足公式(1),则参数实际值为正确,不满足则为异常参数,返回S4.1)继续下个参数检验。
所述4中还包括以下步骤:
S4.3)当通过检验的参数为异常时,根据公式(2)对异常参数实际值进行替换,即:
Pi′=μi′ (2),
S4.4)将通过正确性检验的实时外部参数和待检验参数均处于稳定状态的数据段取出来,计算每个数据段待检验参数的均值和标准差,将三个外部参数和待检验参数的均值和标准差作为数据样本,利用新的样本进行增量学习,优化参数工况值计算模型。
一种实现上述的适应工况变化的发电机组运行参数正确性检验的方法的计算机程序。
一种实现上述的适应工况变化的发电机组运行参数正确性检验的方法的信息处理终端。
一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行上述的适应工况变化的发电机组运行参数正确性检验的方法。
本发明的有益效果是:由于采用上述技术方案,本发明具有
(1)可对所有参数进行正确性检验;
(2)对运行工况具有自适应能力;
(3)参数异常时能够给出高精度参数替代值。
附图说明
图1为本发明一种适应工况变化的发电机组运行参数正确性检验的方法流程框图。
图2为本发明方法的运行参数工况值计算流程框图。
图3为本发明方法的运行参数正确性检验流程框图。
具体实施方式
下面结合附图和具体实施例对本发明的技术方案做进一步说明。
如图1所示,本发明一种适应工况变化的发电机组运行参数正确性检验的方法,该方法具体包括以下步骤:
S1)从数据库选取发电机组处于稳态运行的历史数据,并进行预处理;
S2)将S1)进行预处理得到的历史数据作为样本数据,利用所述样本数据对初始BP神经网络模型进行训练,得到运行参数工况值计算模型;
S3)采集发电机组运行状态的实时待检验参数Pi′和实时的外部参数值,根据判断稳定的条件对发电机组运行状态稳定性进行判断,如果判断发电机组运行状态稳定,则进行S4),如果判断发电机组运行状态不稳定,则结束;
S4)将判断为发电机组运行状态稳定的实时外部参数值输入S2)得到的运行参数工况值计算模型中,得到发电机组运行时的实时待检验参数Pi′的均值μi′和标准差σi′,对得到的实时待检验参数Pi′进行正确性检验,以实现监控参数的正确性。
进一步,所述S1)的具体步骤为:
S1.1)分别选取发电机组处于稳态运行的外部参数的历史数据和待检验参数Pi均处于稳态的若干段历史数据;
S1.2)将待检验参数Pi均处于稳态的若干段历史数据通过计算分别得到待检验参数Pi均处于稳态的若干段历史数据的均值μi和标准差σi;所述外部参数包括机组负荷N、环境温度T和入炉煤发热量Q。
进一步,所述S2)的具体步骤为:
S2.1)根据N个待检验参数Pi均处于稳态的若干历史段数据的均值μi和标准差σi,以及外部参数的历史数据,建立2N个BP神经网络模型,对每个初始BP神经网络模型的隐层中各神经元进行初始化;
S2.2选定的数据样本送入至2N个BP神经网络模型的输入层,然后计算均值计算模型的输出层的输出结果与数据样本中的均值之间的误差,计算标准差计算模型的输出层的输出结果与数据样本中的标准差之间的误差;
S2.3)如果误差大于或等于预设的精度值,则执行S2.4);如果上述误差小于预设的精度值,则执行S2.5);
S2.4)更新当前BP神经网络模型的隐层中各神经元的网络权值和阈值,使网络误差函数沿负梯度方向下降,输出结果逼近期望输出,然后返回S2.2);
S2.5)得到BP神经网络模型即为运行参数工况值计算模型。
进一步,所述BP神经网络模型均为3×nl×1的单隐层BP神经网络模型,
隐层具有的神经元个数通过以下公式求出:
其中,nl表示隐层具有的节点数,n表示输入层的节点数,m表示输出层的节点数,a为1~10之间的常数。
进一步,所述S3)的判断稳定的条件是:
如果持续时间Δt内发电机组运行的实时机组负荷N变化量小于δN,δN为负荷变化阈值,且持续时间Δt内发电机组运行的实时主蒸汽压力变化量小于δP,δP为主蒸汽压力变化阈值;则为稳定运行状态,否则为不稳定运行状态;
进一步,所述S4)中正确性检验的具体步骤为:
4.1)将实时采集检验参数实际值与S3)得到发电机组运行参数工况值带入公式(1),公式如下:
μi′-5σi′≤Pi′≤μi′+5σi′,i的取值范围为大于零的正整数,(1)
式中,Pi′为实时待检验参数,μi′为发电机组运行时的实时待检验参数Pi′的均值,σi′为发电机组运行时的实时待检验参数Pi′的标准差;
4.2)如果满足公式(1),则参数实际值为正确,不满足则为异常参数,返回S4.1)继续下个参数检验。
所述4中还包括以下步骤:
S4.3)当通过检验的参数为异常时,根据公式(2)对异常参数实际值进行替换,即:
Pi′=μi′ (2),
S4.4)将通过正确性检验的实时外部参数和待检验参数均处于稳定状态的数据段取出来,计算每个数据段待检验参数的均值和标准差,将三个外部参数和待检验参数的均值和标准差作为数据样本,用新的样本进行增量学习,优化参数工况值计算模型,如图3所示。
一种实现上述的适应工况变化的发电机组运行参数正确性检验的方法的计算机程序。
一种实现上述的适应工况变化的发电机组运行参数正确性检验的方法的信息处理终端。
一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行上述的适应工况变化的发电机组运行参数正确性检验的方法。
实施例:
将三个外部参数作为BP神经网络输入,对应的主蒸汽压力均值作为网络输出建立数据集A;将外部参数作为神经网络输入,对应的主蒸汽压力标准差σP作为网络输出建立数据集B。分别使用训练集A、训练集B主蒸汽压力均值计算模型和主蒸汽压力标准差计算模型。
通过如下方式训练主蒸汽压力均值计算模型和主蒸汽压力标准差计算模型:
①训练两个BP神经网络模型,记为模型一和模型二,对初始BP神经网络模型的隐层中各神经元进行初始化;
②分别将样本数据中的机组负荷N、环境温度T、入炉煤发热量Q数据送入至两个BP神经网络模型的输入层,然后计算模型一的输出层的输出结果与样本数据中的主蒸汽压力均值之间的误差,计算模型二的输出层的输出结果与样本数据中的标准差σP之间的误差;
③如果上述误差大于或等于预设的精度值,则执行步骤④;如果上述误差小于预设的精度值,则执行步骤⑤;
④更新当前BP神经网络模型的隐层中各神经元的网络权值和阈值,使网络误差函数沿负梯度方向下降,输出结果逼近期望输出,然后返回步骤②;
⑤将当前BP神经网络模型作为训练后的BP神经网络模型。
上述两个初始多输入单输出BP神经网络模型均为3×nl×1的单隐层BP神经网络模型,即BP神经网络模型的输入层节点数为3、输出层节点数为1、隐层节点数为nl。
若隐层结点数过少,BP神经网络将不具备必要的学习能力和信息处理能力;反之,不仅会大大增加网络结构的复杂性,导致网络在学习过程中更易陷入局部极小点,而且会使网络的学习速度变得很慢。因此,隐层节点数量的选取十分重要。本发明采取如下方式确定隐层具有的神经元个数:
其中,nl表示隐层具有的节点数,n表示输入层的节点数,m表示输出层的节点数,a为1~10之间的常数。
至此,实现运行参数工况值计算模型的建立。
(1)适应工况变化的运行参数工况值计算方法
经过上述(1)后,已经建立了与运行工况相对应的参数工况值计算模型。运行参数工况值计算流程如图2所示。
(a)机组稳定性判断
用于判断机组是否处于稳定状态,只有在稳定状态下才进行工况值计算。机组稳定性判断的思路是机组负荷与主蒸汽压力在一段时间内变化量均小于给定阈值,具体为:
持续时间Δ内机组实际负荷变化量小于δN,且
持续时间Δ内机组主蒸汽压力变化量小于δP
其中δN为负荷变化阈值设定,δP为主蒸汽压力变化阈值设定。
(b)参数工况值计算
将当前机组负荷、环境温度及煤发热量输入参数工况值计算模型,即可得到相应的参数均值和标准差。
(2)适应工况变化的运行参数正确性检验方法
每次使用运行参数前(如报警检测、性能计算、自动控制等)都要进行参数正确性检验。检验流程如图3所示,说明如下:
(a)获得参数工况值
将当前机组负荷、环境温度及煤发热量输入参数工况值计算模型,即可得到相应的均值和标准差。
(b)参数正确性检验算法
μi′-5σi′≤Pi′≤μi′+5σi′,i的取值范围为大于零的正整数,(1);
(3)异常情况下运行参数的替换
当判断参数异常时,将以工况值替换实际值,并在后续应用中给出提示。如前述,当满足式(1)时,将进行参数替换,即:
(4)参数工况值计算模型的更新
只要新的数据满足机组稳定性和参数正确性条件即进行增量学习,优化参数工况值计算模型。
以上对本申请实施例所提供的一种适应工况变化的发电机组运行参数正确性检验的方法,进行了详细介绍。以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
如在说明书及权利要求书当中使用了某些词汇来指称特定组件,硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求书并不以名称的差异来作为区分组件的方式,而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求书当中所提及的“包含”、“包括”为一开放式用语,故应解释成“包含/包括但不限定于”。“大致”是指在可接收的误差范围内,本领域技术人员能够在一定误差范围内解决所述技术问题,基本达到所述技术效果。说明书后续描述为实施本申请的较佳实施方式,然所述描述乃以说明本申请的一般原则为目的,并非用以限定本申请的范围。本申请的保护范围当视所附权利要求书所界定者为准。
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商品或者系统不仅包括那些要素,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商品或者系统所固有的要素。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商品或者系统中还存在另外的相同要素。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
上述说明示出并描述了本申请的若干优选实施例,但如前所述,应当理解本申请并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述申请构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本申请的精神和范围,则都应在本申请所附权利要求书的保护范围内。
Claims (10)
1.一种适应工况变化的发电机组运行参数正确性检验的方法,其特征在于,该方法具体包括以下步骤:
S1)从数据库选取发电机组处于稳态运行的历史数据,并进行预处理;
S2)将S1)进行预处理得到的历史数据作为样本数据,利用所述样本数据对初始BP神经网络模型进行训练,得到运行参数工况值计算模型;
S3)采集发电机组运行状态的实时待检验参数P′i和实时的外部参数值,根据判断稳定的条件对发电机组运行状态稳定性进行判断,如果判断发电机组运行状态稳定,则进行S4),如果判断发电机组运行状态不稳定,则结束;
S4)将判断为发电机组运行状态稳定的实时外部参数值输入S2)得到的运行参数工况值计算模型中,得到发电机组运行时的实时待检验参数P′i的均值μ′i和标准差σ′i,对得到的实时待检验参数P′i进行正确性检验,以实现监控参数的正确性。
2.根据权利要求1所述的方法,其特征在于,所述S1)的具体步骤为:
S1.1)分别选取发电机组处于稳态运行的外部参数的历史数据和待检验参数Pi均处于稳态的若干段历史数据;
S1.2)将待检验参数Pi均处于稳态的若干段历史数据通过计算分别得到待检验参数Pi均处于稳态的若干段历史数据的均值μi和标准差σi;所述外部参数包括机组负荷N、环境温度T和入炉煤发热量Q。
3.根据权利要求2所述的方法,其特征在于,所述S2)的具体步骤为:
S2.1)根据N个待检验参数Pi均处于稳态的若干历史段数据的均值μi和标准差σi,以及外部参数的历史数据,建立2N个BP神经网络模型,对每个初始BP神经网络模型的隐层中各神经元进行初始化;
S2.2选定的数据样本送入至2N个BP神经网络模型的输入层,然后计算均值计算模型的输出层的输出结果与数据样本中的均值之间的误差,计算标准差计算模型的输出层的输出结果与数据样本中的标准差之间的误差;
S2.3)如果误差大于或等于预设的精度值,则执行S2.4);如果上述误差小于预设的精度值,则执行S2.5);
S2.4)更新当前BP神经网络模型的隐层中各神经元的网络权值和阈值,使网络误差函数沿负梯度方向下降,使输出结果逼近期望输出,然后返回S2.2);
S2.5)得到BP神经网络模型即为运行参数工况值计算模型。
5.根据权利要求4所述的方法,其特征在于,所述S3)的判断稳定的条件是:
如果持续时间Δt内发电机组运行的实时机组负荷N变化量小于δN,δN为负荷变化阈值,且持续时间Δt内发电机组运行的实时主蒸汽压力变化量小于δP,δP为主蒸汽压力变化阈值;则为稳定运行状态,否则为不稳定运行状态。
6.根据权利要求4所述的方法,其特征在于,所述S4)中正确性检验的具体步骤为:
4.1)将实时采集检验参数实际值与S3)得到发电机组运行参数工况值代入公式(1),公式如下:
μ′i-5σ′i≤P′i≤μ′i+5σ′i,i的取值范围为大于零的正整数,(1)
式中,P′i为实时待检验参数,μ′i为发电机组运行时的实时待检验参数P′i的均值,σ′i为发电机组运行时的实时待检验参数P′i的标准差;
4.2)如果满足公式(1),则参数实际值为正确,不满足则为异常参数,返回S4.1)继续下个参数检验。
7.根据权利要求6所述的方法,其特征在于,所述4中还包括以下步骤:
S4.3)当通过检验的参数为异常时,根据公式(2)对异常参数实际值进行替换,即:
P′i=μ′i (2),
S4.4)将通过正确性检验的实时外部参数和待检验参数均处于稳定状态的数据段取出来,计算每个数据段待检验参数的均值和标准差,将三个外部参数和待检验参数的均值和标准差作为数据样本,利用新的样本进行增量学习,优化参数工况值计算模型。
8.一种实现如权利要求1-7任一项所述的适应工况变化的发电机组运行参数正确性检验的方法的计算机程序。
9.一种实现如权利要求1-7任一项所述的适应工况变化的发电机组运行参数正确性检验的方法的信息处理终端。
10.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-7任意一项所述的适应工况变化的发电机组运行参数正确性检验的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911243666.9A CN110889646B (zh) | 2019-12-06 | 2019-12-06 | 一种适应工况变化的发电机组运行参数正确性检验的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911243666.9A CN110889646B (zh) | 2019-12-06 | 2019-12-06 | 一种适应工况变化的发电机组运行参数正确性检验的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110889646A true CN110889646A (zh) | 2020-03-17 |
CN110889646B CN110889646B (zh) | 2023-04-18 |
Family
ID=69750880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911243666.9A Active CN110889646B (zh) | 2019-12-06 | 2019-12-06 | 一种适应工况变化的发电机组运行参数正确性检验的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110889646B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882289A (zh) * | 2020-07-01 | 2020-11-03 | 国网河北省电力有限公司经济技术研究院 | 一种项目数据审核指标区间测算的装置和方法 |
CN112649642A (zh) * | 2020-12-14 | 2021-04-13 | 广东电网有限责任公司广州供电局 | 一种窃电位置判断方法、装置、设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101364735A (zh) * | 2008-08-28 | 2009-02-11 | 华东电力试验研究院有限公司 | 燃气轮机发电机组调速系统负荷频率调节测试的试验方法 |
CN101907685A (zh) * | 2010-06-18 | 2010-12-08 | 华北电力大学 | 适应运行工况变化的发电机组运行参数正确性检验方法 |
CN106771852A (zh) * | 2016-11-25 | 2017-05-31 | 国网浙江省电力公司电力科学研究院 | 一种网源在线监测数据统一采集和分析处理方法 |
CN107942160A (zh) * | 2017-11-07 | 2018-04-20 | 国电南瑞科技股份有限公司 | 基于bp神经网络的线路参数特性辨识模型的建立方法 |
US10223601B1 (en) * | 2017-10-12 | 2019-03-05 | Denso International America, Inc. | Synthetic traffic object generator |
CN110458724A (zh) * | 2019-08-19 | 2019-11-15 | 国网山东省电力公司电力科学研究院 | 一种基于神经网络预测火电机组深度调峰能力的方法 |
-
2019
- 2019-12-06 CN CN201911243666.9A patent/CN110889646B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101364735A (zh) * | 2008-08-28 | 2009-02-11 | 华东电力试验研究院有限公司 | 燃气轮机发电机组调速系统负荷频率调节测试的试验方法 |
CN101907685A (zh) * | 2010-06-18 | 2010-12-08 | 华北电力大学 | 适应运行工况变化的发电机组运行参数正确性检验方法 |
CN106771852A (zh) * | 2016-11-25 | 2017-05-31 | 国网浙江省电力公司电力科学研究院 | 一种网源在线监测数据统一采集和分析处理方法 |
US10223601B1 (en) * | 2017-10-12 | 2019-03-05 | Denso International America, Inc. | Synthetic traffic object generator |
CN107942160A (zh) * | 2017-11-07 | 2018-04-20 | 国电南瑞科技股份有限公司 | 基于bp神经网络的线路参数特性辨识模型的建立方法 |
CN110458724A (zh) * | 2019-08-19 | 2019-11-15 | 国网山东省电力公司电力科学研究院 | 一种基于神经网络预测火电机组深度调峰能力的方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882289A (zh) * | 2020-07-01 | 2020-11-03 | 国网河北省电力有限公司经济技术研究院 | 一种项目数据审核指标区间测算的装置和方法 |
CN111882289B (zh) * | 2020-07-01 | 2023-11-14 | 国网河北省电力有限公司经济技术研究院 | 一种项目数据审核指标区间测算的装置和方法 |
CN112649642A (zh) * | 2020-12-14 | 2021-04-13 | 广东电网有限责任公司广州供电局 | 一种窃电位置判断方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110889646B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Demetriou et al. | Incipient fault diagnosis of dynamical systems using online approximators | |
CN112799898B (zh) | 基于分布式故障检测的互联系统故障节点定位方法及系统 | |
CN112284440B (zh) | 一种传感器数据偏差自适应修正方法 | |
CN107729985B (zh) | 识别技术设施的过程异常的方法和相应的诊断系统 | |
WO2015026166A1 (ko) | 비정상 데이터 예측 방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체 | |
CN112821424B (zh) | 一种基于数据-模型融合驱动的电力系统频率响应分析方法 | |
CN112187528B (zh) | 基于sarima的工业控制系统通信流量在线监测方法 | |
Mathew et al. | Regression kernel for prognostics with support vector machines | |
CN111474919A (zh) | 基于aann网络组的航空发动机控制系统传感器故障诊断方法 | |
CN110889646B (zh) | 一种适应工况变化的发电机组运行参数正确性检验的方法 | |
CN111506049A (zh) | 基于aann网络系统的航空发动机控制系统多重故障诊断方法 | |
CN116894475A (zh) | 一种基于神经网络的燃气轮机状态预警方法 | |
CN113187674A (zh) | 一种风电机组变桨系统的故障确定方法及系统 | |
Zhao et al. | Gas turbine exhaust system health management based on recurrent neural networks | |
José et al. | Improvements in failure detection of DAMADICS control valve using neural networks | |
Abid et al. | Adaptive data-driven approach for the remaining useful life estimation when few historical degradation sequences are available | |
KR100340967B1 (ko) | 일반 회귀 신경망을 이용한 고장 검출 방법 | |
CN114943281A (zh) | 一种热管冷却反应堆智能决策方法及系统 | |
Maruyama et al. | Detecting faults in nonlinear dynamic systems using static neuro-fuzzy models | |
Liu et al. | Fault prediction of elevator operation system based on LSTM | |
Huang et al. | Condition monitoring of wind turbine based on copula function and autoregressive neural network | |
CN117499199B (zh) | 一种基于vae的信息增强解耦网络故障诊断方法及系统 | |
Wang et al. | Remaining useful life prediction of nonlinear degradation process based on EKF | |
CN118188342A (zh) | 一种面向风机的故障预警与寿命预测方法 | |
Qu et al. | Migratable Power System Transient Stability Assessment Method Based on Improved XGBoost. |
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 |