CN111126810B - 一种源侧发电机组运行安全评价方法 - Google Patents
一种源侧发电机组运行安全评价方法 Download PDFInfo
- Publication number
- CN111126810B CN111126810B CN201911291799.3A CN201911291799A CN111126810B CN 111126810 B CN111126810 B CN 111126810B CN 201911291799 A CN201911291799 A CN 201911291799A CN 111126810 B CN111126810 B CN 111126810B
- Authority
- CN
- China
- Prior art keywords
- source side
- generator set
- side generator
- equipment
- operation 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 abstract description 29
- 238000011156 evaluation Methods 0.000 claims abstract description 135
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 92
- 238000012549 training Methods 0.000 claims description 62
- 230000008447 perception Effects 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 230000015556 catabolic process Effects 0.000 abstract description 3
- 238000006731 degradation reaction Methods 0.000 abstract description 3
- 239000003245 coal Substances 0.000 description 47
- 238000010586 diagram Methods 0.000 description 8
- 238000013210 evaluation model Methods 0.000 description 8
- 239000003921 oil Substances 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 238000001514 detection method Methods 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 239000010687 lubricating oil Substances 0.000 description 3
- 238000010977 unit operation Methods 0.000 description 3
- 239000003638 chemical reducing agent Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000010720 hydraulic oil Substances 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- G06Q10/063—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Control Of Turbines (AREA)
Abstract
本发明公开了一种源侧发电机组运行安全评价方法,本发明针对源侧发电机组不同运行设备和系统历史运行数据建立运行状态感知模型,采用主成分分析法将所有保护参数的状评价态转换为参数运行评价状态系数;对运行评价状态系数按照影响所对应系统安全运行程度进行加权评估得到该系统的运行评价状态值。本发明可以对设备对象的故障变化提供早期预警,为工作人员提示引起设备、系统及机组报警的监测参数,帮助工作人员尽早发现发电机组设备运行劣化的情况,提高了机组运行安全性和稳定性;采用本发明的方法可以减少机组故障非停等情况对电厂和电网安全稳定运行带来冲击破坏。
Description
技术领域
本发明属电厂源侧发电机组运行自动控制领域,涉及一种源侧发电机组运行安全评价方法。
背景技术
发电机组具有系统规模大,运行参数波动范围广的特点,且其数据呈现高度的非线性。传统发电机组运行监测采用定值报警的方式,很少关注参数变化的范围及趋势,而且在发电机组正常运行时也存在不少报警信息,当机组运行出现异常时更是形成大量报警,出现无效报警掩饰有效报警的现象,机组启停过程尤为突出,容易造成运行人员无所适从甚至麻痹大意。同时,传统发电机组设备运行状态评估主要依赖于运行人员的主观经验及判断,没有有效实现对系统数据的分析和诊断,机组隐患不能及时被发现和处理,缺乏诊断经验积累的基础平台。
发明内容
本发明所要解决的技术问题是提供一种能对机组设备变工况运行时的参数变化提前预警,有效保证机组安全稳定运行的源侧发电机组运行安全评价方法。
为解决上述技术问题所采用的技术方案是:一种源侧发电机组运行安全评价方法,它包括如下步骤:
根据源侧发电机组的设备的历史运行数据,采用主成分分析法得到源侧发电机组的设备的运行状态评价系数;计算包含一个以上源侧发电机组的设备共同运行的源侧发电机组分系统的运行状态评价系数;计算源侧发电机组分系统的运行状态评价系数;计算得到影响源侧发电机组系统运行安全的关键保护参数状态评价系数;对于源侧发电机组系统包括一个以上源侧发电机组分系统,则计算得到源侧发电机组系统的运行状态评价结果。
本发明的有益效果是:本发明可以对设备对象的故障变化提供早期预警,为工作人员提示引起设备、系统及机组报警的监测参数,帮助工作人员尽早发现发电机组设备运行劣化的情况,提高了机组运行安全性和稳定性;采用本发明的方法可以减少机组故障非停等情况对电厂和电网安全稳定运行带来冲击破坏。
附图说明
图1为引风机A的原始数据;
图2为引风机A的原始数据经数据中心化得到相应运行状态感知模型训练矩阵;
图3为根据引风机A的运行状态感知模型训练矩阵求得的运行状态感知模型训练矩阵的特征向量。
图4为引风机A相应的主成分。
图5为引风机B的原始数据;
图6为引风机B的原始数据经数据中心化得到相应运行状态感知模型训练矩阵;
图7为根据引风机B的运行状态感知模型训练矩阵求得的运行状态感知模型训练矩阵的特征向量。
图8为引风机B相应的主成分。
图9为送风机A的原始数据;
图10为送风机A的原始数据经数据中心化得到相应运行状态感知模型训练矩阵;
图11为根据送风机A的运行状态感知模型训练矩阵求得的运行状态感知模型训练矩阵的特征向量。
图12为送风机A相应的主成分。
图13为送风机B的原始数据;
图14为送风机B的原始数据经数据中心化得到相应运行状态感知模型训练矩阵;
图15为根据送风机B的运行状态感知模型训练矩阵求得的运行状态感知模型训练矩阵的特征向量。
图16为送风机B相应的主成分。
图17为一次风机A的原始数据;
图18为一次风机A的原始数据经数据中心化得到相应运行状态感知模型训练矩阵;
图19为根据一次风机A的运行状态感知模型训练矩阵求得的运行状态感知模型训练矩阵的特征向量。
图20为一次风机A相应的主成分。
图21为一次风机B的原始数据;
图22为一次风机B的原始数据经数据中心化得到相应运行状态感知模型训练矩阵;
图23为根据一次风机B的运行状态感知模型训练矩阵求得的运行状态感知模型训练矩阵的特征向量。
图24为一次风机B相应的主成分。
图25为磨煤机A的原始数据;
图26为磨煤机A的原始数据经数据中心化得到相应运行状态感知模型训练矩阵;
图27为根据磨煤机A的运行状态感知模型训练矩阵求得的运行状态感知模型训练矩阵的特征向量。
图28为磨煤机A相应的主成分。
图29为磨煤机B的原始数据;
图30为磨煤机B的原始数据经数据中心化得到相应运行状态感知模型训练矩阵;
图31为根据磨煤机B的运行状态感知模型训练矩阵求得的运行状态感知模型训练矩阵的特征向量。
图32为磨煤机B相应的主成分。
图33为磨煤机D的原始数据;
图34为磨煤机D的原始数据经数据中心化得到相应运行状态感知模型训练矩阵;
图35为根据磨煤机D的运行状态感知模型训练矩阵求得的运行状态感知模型训练矩阵的特征向量。
图36为磨煤机D相应的主成分。
图37为磨煤机E的原始数据;
图38为磨煤机E的原始数据经数据中心化得到相应运行状态感知模型训练矩阵;
图39为根据磨煤机E的运行状态感知模型训练矩阵求得的运行状态感知模型训练矩阵的特征向量。
图40为磨煤机E相应的主成分。
图41为高压加热器的原始数据;
图42为高压加热器的原始数据经数据中心化得到相应运行状态感知模型训练矩阵;
图43为根据高压加热器的运行状态感知模型训练矩阵求得的运行状态感知模型训练矩阵的特征向量。
图44为高压加热器相应的主成分。
图45为汽轮机的原始数据;
图46为汽轮机的原始数据经数据中心化得到相应运行状态感知模型训练矩阵;
图47为根据汽轮机的运行状态感知模型训练矩阵求得的运行状态感知模型训练矩阵的特征向量。
图48为汽轮机相应的主成分。
图49为关键保护参数的原始数据;
图50为关键保护参数的原始数据经数据中心化得到相应运行状态感知模型训练矩阵;
图51为根据关键保护参数的运行状态感知模型训练矩阵求得的运行状态感知模型训练矩阵的特征向量。
图52为关键保护参数相应的主成分。
具体实施方式
下面结合附图1-52和实施例对本发明做进一步说明。
本发明的方法具体步骤如下:根据源侧发电机组的设备的历史运行数据,采用主成分分析法得到源侧发电机组的设备的运行状态评价系数;计算包含一个以上源侧发电机组的设备共同运行的源侧发电机组分系统的运行状态评价系数;计算源侧发电机组分系统的运行状态评价系数;计算得到影响源侧发电机组系统运行安全的关键保护参数状态评价系数;对于源侧发电机组系统包括一个以上源侧发电机组分系统,则计算得到源侧发电机组系统的运行状态评价结果。
所述采用主成分分析法得到源侧发电机组的设备的运行状态评价系数的方法是:根据源侧发电机组的设备的历史运行数据建立设备原始数据矩阵,根据运行状态感知模型训练矩阵求得运行状态感知模型训练矩阵的特征值和特征向量,进而得到特征值贡献率;取前N个特征值,N为大于1的整数,则相对应的第1个主成分Z1至N个主成分ZN为综合评价指标,那么得到源侧发电机组的设备的运行状态评价系数。
所述根据源侧发电机组的设备的历史运行数据建立的设备原始数据矩阵为X原。
所述设备原始数据矩阵X原=[X原1,X原2,…,X原k],其中X原1,X原2,…,X原k分别为源侧发电机组的设备的k个历史运行数据,对设备原始数据矩阵X原进行数据中心化处理,得到相应的运行状态感知模型训练矩阵:
X=[X1,X2,…Xk]。
所述前N个特征值的特征值贡献率之和大于85%。
所述源侧发电机组的设备的运行状态评价系数计算公式为:
M=0.7533Z1+0.1125Z2+…+0.0756ZN。
所述计算包含一个以上源侧发电机组的设备共同运行的源侧发电机组分系统的运行状态评价系数的方法是:首先分别计算源侧发电机组的各设备的运行状态评价系数,然后计算所述源侧发电机组分系统的运行状态评价系数。
所述计算所述源侧发电机组分系统的运行状态评价系数的公式如(式1)所示:
在(式1)中,源侧发电机组分系统包含n个源侧发电机组的设备,n为大于或等于1的整数;mi为源侧发电机组的设备的运行状态评价系数;M=[m1,m2,…,mk],mi为M中的元素。
所述关键保护参数状态评价系数采用主成分分析法得到,与得到源侧发电机组的设备的运行状态评价系数的方法相同。
所述得到源侧发电机组系统的运行状态评价结果的方法是:将源侧发电机组分系统的运行状态评价系数、关键保护参数状态评价系数相加,则得到源侧发电机组系统的运行状态评价结果
一、根据源侧发电机组的设备的历史运行数据,采用主成分分析法得到运行状态评价系数:根据源侧发电机组的设备的历史运行数据建立设备原始数据矩阵X原,X原=[X原1,X原2,…,X原k],其中X原1,X原2,…,X原k为源侧发电机组的设备的历史运行数据;对设备原始数据矩阵X原进行数据中心化处理,得到相应的运行状态感知模型训练矩阵:
X=[X1,X2,…,Xk];
根据运行状态感知模型训练矩阵求得运行状态感知模型训练矩阵的特征值和特征向量,进而得到特征值贡献率;取前N个特征值,这前N个特征值的特征值贡献率之和大于85%,则相对应的第1个主成分Z1至N个主成分ZN为综合评价指标;那么源侧发电机组的设备的运行状态评价系数计算公式即为:M=0.7533Z1+0.1125Z2+…+0.0756ZN。
针对源侧发电机组不同运行设备,根据源侧发电机组运行设备大量历史运行数据建立相应运行状态感知模型,通过实时采集相关热力数据判断设备距离触发每条保护跳闸条件的安全裕度,得出对应设备的安全状态评价。源侧发电机组的设备包括送风机、引风机、一次风机、磨煤机、高压加热器、汽轮机,还可以包括空预器、密封风机、火检冷却风机、给煤机、给水泵、凝结水泵、循环水泵、主油泵、EH油泵、小机等。
源侧发电机组运行设备多样,评价模型不可能完全相同,需结合源侧发电机组运行规程及经验,针对不同设备选择能反映该设备运行状态的主要参数作为评价指标。如引风机,选择机组负荷、引风机的进出口门状态、引风机油泵运行状态、引风机前、中、后轴承温度、引风机电机前、后轴承温度、引风机挡板开度、炉膛负压、总风量指标来建立其状态感知模型,计算评价状态。
其中,将部分开关量评价指标划分为3个等级,等级1表示该指标运行良好,等级2表示该指标运行一般,等级3表示该指标运行较差。如引风机进出口门开关状态,门开即为等级1;门关即为等级3。最终将等级1的开关量评价指标系数设为1,等级2的开关量评价指标系数设为0.75,等级3的开关量评价指标系数设为0.5。
主成分分析法是一种将多个指标转化为少数几个综合指标的多元统计分析方法,用较少的评价指标对设备运行状态进行分析评价。多指标大样本可以提供丰富的信息,但也增加了计算评价的复杂性;同时每一个指标都在不同程度上反映了机组运行状态的某些信息,不同指标之间存在一定的相关性,反映的信息在一定程度上有重叠,有必要寻找一个或几个较少的综合指标来综合各方面的信息,减少对设备状态影响作用小或不相关的评价指标。应用主成分分析法将所有设备评价指标的评价转换为该设备运行评价状态模型。
(1)引风机
源侧发电机组引风机A不同负荷运行参数如表1所示,可参见附图1。
表1某机组引风机A运行参数
根据源侧发电机组引风机A的历史运行数据建立引风机A原始数据矩阵X原=[X原1,X原2,…,X原12],其中X原1,X原2,…,X原12分别为机组负荷、入口门状态、出口门状态、引风机A前轴承温度、引风机A中轴承温度、引风机A后轴承温度、引风机A电机前轴承温度、引风机A电机后轴承温度、引风机A动叶挡板开度、炉膛负压、总风量;对引风机A原始数据矩阵X原进行数据中心化处理,得到相应的引风机A运行状态感知模型训练矩阵(见附图2):
X=[X1,X2,X3,…X12]
即
X=[-1.3806 0 0 -1.8579 -1.6972 -1.4485 -1.6590 -1.2113 -1.1084 -1.5026 -1.0653 -0.2315 0 0 -0.5746 -0.6051 -0.2737 -1.0256 -0.8333 -0.03400.5607 0.0688 0.0904 0 0 0.4511 0.4225 1.6284 0.4527 1.1115 0.2837 0.84700.5863 1.1895 0 0 1.0524 1.2568 0.9151 0.9505 1.2189 1.4269 -0.5312 1.08631.4170 0 0 0.8806 0.9345 -0.5115 0.7998 0.5172 1.1077 1.1096 1.2255 -0.6451 00 0.2793 0.0358 -0.0360 0.6481 0.1119 -0.7317 -0.9767 -1.0662 -0.4397 0 0 -0.2310 -0.3472 -0.2737 -0.1665 -0.9150 -0.9441 0.4931 -0.8355]求得引风机A运行状态感知模型训练矩阵的特征值及特征向量:
特征值:40.6794,6.0734,4.0830,2.7714,0.3525,0.0404,0,0,0,0,0各特征值贡献率为:75.33%,11.25%,7.56%,5.13%,0.65%,0.07%,0,0,0,0,0对应的特征向量为(可参见附图3):
根据特征值贡献率可以发现取前三项特征值即可达到94.08%的贡献率,因此选择第一主成分、第二主成分和第三主成分作为综合评价指标,且评价可靠性达94.08%,引风机A对应的主成分见附图4。
第一主成分:
Z1=0.3575X1+0.3671X4+0.3763X5+0.2789X6+0.3376X7+0.3512X8
+0.3488X9+0.2099X10+0.3391X11
第二主成分:
Z2=0.2724X1-0.1548X4-0.1066X5-0.3667X6-0.3414X7-0.3125X8
+0.2184X9+0.5984X10+0.3687X11
第三主成分:
Z3=0.2588X1-0.0499X4+0.0690X5-0.5417X6-0.0183X7+0.0386X8
+0.3595X9-0.6841X10+0.1822X11
该源侧发电机组引风机A的评价模型即为:
M=0.7533Z1+0.1125Z2+0.0756Z3
代入不同负荷运行参数,得到该引风机A的运行状态评价系数,如表2所示。
表2某机组引风机A运行状态评价系数
同理根据源侧发电机组引风机B运行参数,得到该引风机B的运行状态评价系数如表3所示。引风机B的相关数据见附图5-8。
表3某机组引风机B运行状态评价系数
(2)送风机
源侧发电机组送风机A运行参数入表4所示,送风机A的相关数据见附图9-12。
表4某机组送风机A运行参数
根据源侧发电机组送风机A的历史运行数据建立送风机A原始数据矩阵,送风机A原始数据矩阵中的元素分别为机组负荷、引风机运行评价系数、出口门状态、油泵状态、送风机A前轴承温度、送风机A中轴承温度、送风机A后轴承温度、送风机A电机前轴承温度、送风机A电机后轴承温度、送风机A动叶挡板开度、炉膛负压、总风量;
对送风机A原始数据矩阵进行数据中心化处理,得到相应的送风机A运行状态感知模型训练矩阵(见附图10):
[-1.3806 -1.6017 0 0 -1.8188 -1.6905 -1.7421 -1.9244 -1.6699 -1.0802-1.5026 -1.0653 -0.2315 -0.3707 0 0-0.8507 -0.7650 -1.0284 -0.7558 -0.9397 -0.0780 0.5607 0.0688 0.0904 0.6324 0 0 0.3403 0.5762 0.3935 0.3143 0.46080.5176 0.8470 0.5863 1.1895 1.1673 0 0 0.9836 0.5762 0.9287 0.7496 1.10060.5665-0.5312 1.0863 1.4170 1.0604 0 0 0.6651 1.3285 0.6611 0.8892 0.88731.6975 1.1096 1.2255 -0.6451 -0.3538 0 0 0.6651 0.2397 0.6611 0.4328 0.3090 -0.9514 -0.9767 -1.0662 -0.4397 -0.5340 0 0 0.0155 -0.2651 0.1259 0.2943 -0.1482 -0.6720 0.4931 -0.8355]
求数据中心化得到的源侧发电机组送风机A的相关矩阵的特征值及特征向量:
特征值:47.4919,8.3267,3.3352,0.4859,0.3194,0.0409,0,0,0,0,0,0各特征值贡献率为:79.15%,13.88%,5.59%,0.81%,0.53%,0.07%,0,0,0,0,0,0根据特征值贡献率可以发现取前三项特征值即可达到98.62%的贡献率,因此选择前三个主成分作为综合评价指标,且评价可靠性达98.62%。送风机A的对应的特征向量及主成分分别为:
第一主成分:
Z1=0.3314X1+0.3472X2+0.3213X5+0.3455X6+0.3158X7+
0.3296X8+0.3401X9+0.3005X10+0.2148X11+0.2941X12
第二主成分:
Z2=0.2060X1+0.0862X2-0.3584X5-0.0953X6-0.3860X7-
0.2723X8-0.2347X9+0.4276X10+0.4250X11+0.4135X12
第三主成分:
Z3=0.2675X1+0.1850X2-0.0341X5-0.1014X6-0.0615X7-
0.2326X8+0.0891X9+0.1176X10-0.8274X11+0.3442X12
该机组送风机A的评价模型即为:
M1=0.7915Z1+0.1388Z2+0.0559Z3
代入送风机A不同负荷运行参数,得到送风机A的运行状态评价系数如表5所示。
表5某机组送风机A运行状态评价系数
同理根据送风机B运行参数,得到该送风机B的运行状态评价系数如表6所述的,送风机B的相关数据见附图13-16。
表6某机组送风机B运行状态评价系数
(3)一次风机
源侧发电机组一次风机A运行参数不同负荷运行参数如表7所示。一次风机A的相关数据见图17-20。
表7某机组一次风机A运行参数
根据源侧发电机组一次风机A的历史运行数据建立一次风机A原始数据矩阵,一次风机A原始数据矩阵中的元素分别为机组负荷、入口调门开度、出口门状态、变频指令、驱动端轴承温度、从动端轴承温度、电机前轴承温度、电机后轴承温度、一次风压;
对一次风机A原始数据矩阵进行数据中心化处理,得到相应的一次风机A运行状态感知模型训练矩阵(见附图18):
[-1.3806 -0.5855 0 -0.3229 -0.9065 -1.0274 -1.5837 -1.4414 0.4345 -0.2315 -0.5855 0 -0.1129 -0.5847 -0.5230 -0.7447 -0.9287 0.4841 0.0904 -0.5855 0 -0.3676 0.0830 0.1149 -0.0951 0.1656 -0.5453 1.1895 -0.5855 0 2.23201.9776 1.8622 0.6496 0.8360 1.7895 1.4170 1.4639 0 -0.3046 0.3626 0.51861.1371 1.1487 -0.4088 -0.6451 1.4639 0 -0.4181 -0.0460 0.0142 1.0292 0.8135 -0.4461 -0.4397 -0.5855 0 -0.7059 -0.8860 -0.9596 -0.3923 -0.5935 -1.3080]
求得一次风机A运行状态感知模型训练矩阵的特征值及特征向量:
特征值:29.8522,13.9481,2.7212,1.1835,0.2176,0.0774,0,0,0各特征值贡献率为:62.19%,29.06%,5.67%,2.47%,0.45%,0.16%,0,0,0根据特征值贡献率可以发现取前三项特征值即可达到96.92%的贡献率,因此选择前三个主成分作为综合评价指标,且评价可靠性达96.92%。对应其特征向量的主成分分别为:
第一主成分:
Z1=0.3860X1+0.1523X2+0.3392X4+0.4320X5+0.4405X6+0.3603X7
+0.3883X8+0.2270X9
第二主成分:
Z2=-0.0642X1-0.5443X2+0.4142X4+0.1540X5+0.1033X6-0.3764X7
-0.3169X8+0.5015X9
第三主成分:
Z3=-0.5744X1+0.6116X2+0.1055X4-0.0316X5-0.0368X6+0.0342X7
-0.0256X8+0.5299X9
该机组一次风机A的评价模型即为:
M=0.6219Z1+0.2906Z2+0.0567Z3
代入不同负荷运行参数,得到该一次风机A的运行状态评价系数。
表8某机组一次风机A运行状态评价系数
同理根据一次风机B运行参数,得到该一次风机B的运行状态评价系数。一次风机B的相关数据见图21-24。
表9某机组一次风机B运行状态评价系数
(4)磨煤机
源侧发电机组磨煤机A不同负荷运行参数如表10所示,可参见图25。
表10某机组磨煤机A运行参数
其中,磨煤机出口挡板门状态为开关量评价指标,没有挡板门关即为等级1,1个挡板门关为等级2,两个及以上挡板门关即为等级3。同理火检信号也为0/4、1/4、2/4及以上分别为等级1、2、3。
根据源侧发电机组磨煤机A的历史运行数据建立磨煤机A原始数据矩阵,磨煤机A原始数据矩阵中的元素分别为分别为机组负荷、主电机轴承温度、减速机推力瓦轴承槽油温、减速机输入轴温度、出口风粉温度、一次风机运行评价系数、出口挡板门状态、润滑油泵运行状、液压油泵运行状、给煤机运行状态、磨煤机入口风量、火检信号;对磨煤机A原始数据矩阵进行数据中心化得到源侧发电机组磨煤机A相应的运行状态感知模型训练矩阵,见图26。
求得源侧发电机组磨煤机A相应的运行状态感知模型训练矩阵的特征值及特征向量:
特征值:30.7773;9.9371;1.0553;0.1449;0.0526;0.0327;0;0;0;0;0;0
各特征值贡献率为:73.28%;23.66%;2.51%;0.35%;0.13%;0.08%;0;0;0;0;0;0
特征向量(参见图27):
Y1=[0.3979;0.3940;0.4246;0.4291;0.0749;0.4164;0.0000;0.0000;0.0000;0.0000;0.3781;0.0000];
Y2=[0.2286;-0.3137;-0.1999;-0.1724;-0.7555;0.2459;0.0000;0.0000;0.0000;0.0000;0.3853;0.0000]
选择第一主成分、第二主成分作为综合评价指标,参见图28。
第一主成分:
Z1=Y1*X=[-3.5777;-1.7208;-0.0406;2.7235;2.6537;0.5074;-0.5455]
第二主成分:
Z2=Y2*X=[0.6128;0.9258;0.2620;1.8259;-0.4327;-1.6821;-1.5117]
根据特征值贡献率可以发现取前两项特征值即可达到96.94%的贡献率,因此选择前两个主成分作为综合评价指标,且评价可靠性达96.94%。对应得到机组磨煤机A的评价模型即为:
M=0.7328Z1+0.2366Z2
代入不同负荷运行参数,得到该磨煤机A的运行状态评价系数。
表11某机组磨煤机A运行状态评价系数
同理根据磨煤机B、磨煤机D、磨煤机E运行参数,得到该磨煤机B、磨煤机D、磨煤机E的运行状态评价系数。磨煤机B的相关数据见图29-32;磨煤机D的相关数据见图33-36;磨煤机E的相关数据见图37-40。
表12某机组磨煤机运行状态评价系数
(5)高压加热器
以某机组不同负荷运行参数为模型训练集,如表2所示(参见附图41)。
表13某机组高压加热器运行参数
根据源侧发电机组高压加热器的历史运行数据建立高压加热器原始数据矩阵,高压加热器原始数据矩阵中的元素分别为机组负荷、1#高加水位实际值、2#高加水位实际值、3#高加水位实际值;
对高压加热器原始数据矩阵进行数据中心化处理,得到相应的高压加热器运行状态感知模型训练矩阵(见附图42).
求得相关矩阵高压加热器运行状态感知模型训练矩阵的特征值及特征向量:
前三特征值:13.2424,5.6567,3.9489
前三特征值贡献率为:55.18%23.57%16.45%
对应的特征向量为(参见附图43):
Y1=[0.3850;0.4915;-0.5194;0.5835];
Y2=[-0.6882;-0.4022;-0.4816;0.3642]
Y3=[0.5744;-0.6545;-0.4400;-0.2193]
选择第一主成分、第二主成分和第三主成分作为综合评价指标(参见附图44)。
第一主成分:
Z1=Y1*X=[-0.1926;0.1989;-1.2095;-0.3435;3.1263-1.3206;-0.2590]
第二主成分:
Z2=Y2*X=[1.0808;-0.3660;-1.1998;-1.0612;-0.1793;0.4967;1.2288]
第三主成分:
Z3=Y3*X=[-1.1657;-0.8897;-0.3274;0.7449;0.2254;0.4960;0.9164]
该机组引风机B的评价模型即为:
M=0.5518Z1+0.2357Z2+0.1645Z3
计算得到该机组高压加热器运行状态评价系数:
表14某机组高加系统运行状态评价系数
(6)汽轮机
源侧发电机组汽轮机不同负荷运行参数如表15所示,参见附图46。
表15某机组汽轮机运行参数
根据源侧发电机组汽轮机的历史运行数据建立汽轮机原始数据矩阵,汽轮机原始数据矩阵中的元素分别为分别为机组负荷、轴向位移1、轴向位移2、轴向位移3、轴向位移4、高压缸胀差、中压缸胀差、低压缸胀差、润滑油箱油位、润滑油压、EH油压、转速、轴振1X、轴振1Y、轴振2X、轴振2Y、轴振3X、轴振3Y、轴振4X、轴振4Y、轴振5X、轴振5Y、轴振6X、轴振6Y;对汽轮机原始数据矩阵进行数据中心化得到源侧发电机组汽轮机相应的运行状态感知模型训练矩阵,见图46。
求得汽轮机运行状态感知模型训练矩阵的特征值、特征向量(附图47)及各特征值贡献率;
特征值:49.6102101161369,32.472016156806,23.24548712548,18.9691250551469,12.6295403238005,7.07362122262977,6.07893753056235E-15,3.9615889614142E-15,2.01732708866258E-15,1.8067466312538E-15,1.45024437213178E-15,1.40832292993064E-15,6.76177280540024e-16,2.97899896927178e-16,-1.66216387571234e-16,-7.06832858681047e-16,-1.07609741552721e-15,-1.27259056158192e-15,-1.52224926899981e-15,-2.07602109739579e-15,-2.65939725630104e-1,-3.54327191529038e-15,-6.77212868253259e-15,-8.00143508872347e-15。
特征值贡献率:34.45%,22.55%,16.14%,13.17%,8.77%,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0。
根据特征值贡献率可以发现取前四项特征值即可达到86.31%的贡献率,因此选择第一主成分、第二主成分、第三主成分和第四主成分作为综合评价指标,且评价可靠性达86.31%,汽轮机对应的主成分见附图48。
该机组汽轮机运行状态评价模型为
M=0.344515348028728Z1+0.225500112200041Z2+0.161426993926945Z3+0.131730035105187Z4
代入不同负荷运行参数,得到汽轮机的运行状态评价系数,如表16所示。
表16某机组汽轮机运行状态评价系数
二、对于包含一个以上源侧发电机组的设备共同运行的源侧发电机组分系统,源侧发电机组分系统包含n个源侧发电机组的设备,n为大于或等于1的整数;首先分别计算源侧发电机组的设备的运行状态评价系数,然后采用如下公式计算所述源侧发电机组分系统的运行状态评价系数;在(式1)中,mi为源侧发电机组的设备的运行状态评价系数;M=[m1,m2,…,mk],mi为M中的元素。送风分系统包含引风机A、引风机B、送风机A、送风机B、一次风机A、一次风机B,送风分系统的运行状态评价系统如表17所示。
表17某机组送风系统运行状态评价系数
燃料分系统包括磨煤机A、磨煤机B、磨煤机D和磨煤机E,给水系统分系统包括高压加热器,汽轮机分系统包括汽轮机;燃料分系统、给水分系统、汽轮机分系统运行状态评价系数,如表18所示。
表18某机组送风系统运行状态评价系数
三、对于影响源侧发电机组系统运行安全的关键保护参数,采用主成分分析法得到关键保护参数状态评价系数。针对影响源侧发电机组运行安全的关键保护参数进行监测分析,关键信号保护参数包括机组负荷、炉膛负压、总风量、给水流量、主汽压力、主汽温度、再热器温度、再热器压力。
本实施例机组不同负荷运行关键保护运行参数原始数据如表19所示,参见图49。
表19某机组关键保护运行参数
根据实施例机组不同负荷运行关键保护运行参数原始数据建立关键保护运行参数原始数据矩阵,关键保护运行参数原始数据矩阵中的元素分别为机组负荷、炉膛负压、总风量、给水流量、主汽压力、主汽温度、再热器温度、再热器压力;对关键保护运行参数原始数据矩阵进行数据中心化处理,得到相应的关键保护运行参数运行状态感知模型训练矩阵(见附图50):
求得关键保护运行参数运行状态感知模型训练矩阵的特征值、特征向量(附图51)及各特征值贡献率;
特征值:32.6215012623021,8.82686712794174,4.38585054738259,2.02549052489662,0.129159107224175,0.0111314302527923,1.19097764523607E-15,-1.41744443235514e-15。
征值贡献率
67.96146096312945%,183893065165453,9.13718864038039%,0,0,0,0,0。
根据特征值贡献率可以发现取前三项特征值即可达到95.49%的贡献率,因此选择第一主成分、第二主成分和第三主成分作为综合评价指标,且评价可靠性达95.49%,关键保护运行参数对应的主成分见附图52。
关键保护运行参数运行状态评价模型为
M=0.679614609631294Z1+0.183893065165453Z2+0.0913718864038039Z3代入不同负荷运行参数,得到关键保护运行参数的运行状态评价系数如表20所示。
表20某机组关键保护参数运行状态评价系数
四、源侧发电机组系统包括一个以上源侧发电机组分系统;将源侧发电机组分系统的运行状态评价系数、关键保护参数状态评价系数相加,则得到源侧发电机组系统的运行状态评价结果。本实施例中源侧发电机组系统包括送风分系统、燃料分系统、给水分系统和汽轮机分系统,实施例中源侧发电机组运行状态评价结果如表21所示。
表21某机组运行状态评价结果
本发明适用于源侧发电机组运行状态评价工作。随着我国经济发展的不断推进,各行各业都有了空前的发展,其中作为经济建设重要支柱的电力行业,更是取得了不俗的成绩。当前发电机组装机容量越来越大,安全风险越来越高,随着自动控制水平的不断提高和大数据先进控制算法的应用,对机组运行过程产生的各类数据进行分析应用成为了可能。本发明针对现有源侧发电机组故障报警问题,提供一种能够实现机组设备运行状态分级评价的方法,对设备对象的故障变化提供早期预警,提示引起设备、系统及机组报警的监测参数,帮助发电机组尽早发现设备运行劣化、提高机组运行安全性和稳定性的源侧发电机组运行状态感知分级评价方法。本发明可根据发电机组不同设备的大量历史运行数据,应用主成分分析法建立其相应运行状态感知模型,进而对设备安全运行状态进行评价;本发明可以结合不同设备在各分系统中作用及运行方式不同,采用动态调整权重的方法确定该设备在分系统中的权重向量,进而加权计算对该系统安全运行状态进行评价;本发明采用主成分分析法综合分析不同系统运行状态评价,最终得到机组运行状态分级评价结果。本发明通过对设备运行状态数据的监测分析,实现设备及分系统的运行状态感知,最终得到可直观显示的机组运行状态评价结果。本发明采用主成分分析法可将不同影响设备正常运行的因素综合成一个评价指标模型,且信息的损失量很小,进而对该设备的运行状态进行量化和对比评价。本发明设备运行状态感知模型针对其组态逻辑中有关保护跳闸条件,判断当前时刻设备距离触发每条保护跳闸条件的安全裕度,从而得出对应设备的安全状态评价系数。本发明可针对机组运行过程中不同设备共同参与某一分系统运行的情况,结合不同设备在系统中作用及运行方式不同,可采用动态调整权重的方法确定该设备在分系统中的权重向量。本发明可针对机组运行过程中不同设备共同参与某一分系统运行的情况,综合各设备安全状态评价系数及该设备在分系统中的权重向量,加权计算得到该系统的安全状态评价系数。本发明采用主成分分析法可将不同影响机组正常运行的系统安全状态评价系数综合成一个评价指标模型,且信息的损失量很小,进而得到对该机组的运行状态量化评价结果。
综合分析不同系统运行状态评价值,采用主成分分析法得到发电机组的运行状态分级评价结果,最终输出各个设备、保护信号状态及机组状态的分级评价结果,并可在主控画面显示为运行人员提供参考,将机组状态分级评价结果送至调控中心,为电网安全运行提供参考。
Claims (1)
1.一种源侧发电机组运行安全评价方法,其特征在于包括如下步骤:
(1)根据源侧发电机组的设备的历史运行数据,采用主成分分析法得到源侧发电机组的设备的运行状态评价系数;
(2)计算包含一个以上源侧发电机组的设备共同运行的源侧发电机组分系统的运行状态评价系数;
首先分别计算源侧发电机组的设备的运行状态评价系数,然后计算所述源侧发电机组分系统的运行状态评价系数;
(3)得到影响源侧发电机组系统运行安全的关键保护参数状态评价系数;
采用主成分分析法得到关键保护参数状态评价系数;
(4)对于源侧发电机组系统包括一个以上源侧发电机组分系统,则得到源侧发电机组系统的运行状态评价结果;
所述采用主成分分析法得到源侧发电机组的设备的运行状态评价系数的方法是:根据源侧发电机组的设备的历史运行数据建立设备原始数据矩阵,根据运行状态感知模型训练矩阵求得运行状态感知模型训练矩阵的特征值和特征向量,进而得到特征值贡献率;取前N个特征值,N为大于1的整数,则相对应的第1个主成分Z1至N个主成分ZN为综合评价指标,那么得到源侧发电机组的设备的运行状态评价系数;
根据源侧发电机组的设备的历史运行数据建立的设备原始数据矩阵为X原;
所述设备原始数据矩阵X原=[X原1,X原2,…,X原k],其中X原1,X原2,…,X原k分别为源侧发电机组的设备的k个历史运行数据,对设备原始数据矩阵X原进行数据中心化处理,得到相应的运行状态感知模型训练矩阵:
X=[X1,X2,…Xk];
所述前N个特征值的特征值贡献率之和大于85%;
所述源侧发电机组的设备的运行状态评价系数计算公式为:M=0.7533Z1+0.1125Z2+…+0.0756ZN;
所述计算包含一个以上源侧发电机组的设备共同运行的源侧发电机组分系统的运行状态评价系数的方法是首先分别计算源侧发电机组的各设备的运行状态评价系数,然后计算所述源侧发电机组分系统的运行状态评价系数;
所述计算源侧发电机组分系统的运行状态评价系数的公式如(式1)所示:
在(式1)中,源侧发电机组分系统包含n个源侧发电机组的设备,n为大于或等于1的整数;mi为源侧发电机组的设备的运行状态评价系数;M=[m1,m2,…,mk],mi为M中的元素;
所述关键保护参数状态评价系数采用主成分分析法得到;
所述得到源侧发电机组系统的运行状态评价结果的方法是:将源侧发电机组分系统的运行状态评价系数、关键保护参数状态评价系数相加,则得到源侧发电机组系统的运行状态评价结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911291799.3A CN111126810B (zh) | 2019-12-16 | 2019-12-16 | 一种源侧发电机组运行安全评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911291799.3A CN111126810B (zh) | 2019-12-16 | 2019-12-16 | 一种源侧发电机组运行安全评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111126810A CN111126810A (zh) | 2020-05-08 |
CN111126810B true CN111126810B (zh) | 2023-08-22 |
Family
ID=70499114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911291799.3A Active CN111126810B (zh) | 2019-12-16 | 2019-12-16 | 一种源侧发电机组运行安全评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111126810B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102644581A (zh) * | 2012-03-26 | 2012-08-22 | 杭州意能电力技术有限公司 | 一种火力发电机组循环水系统不投运的分系统调试方法 |
CN106066252A (zh) * | 2016-05-24 | 2016-11-02 | 中国人民解放军防化学院 | 一种危险品销毁设备子系统级的健康状态评估方法 |
CN106447202A (zh) * | 2016-09-29 | 2017-02-22 | 国网山东省电力公司 | 基于数据挖掘和主成分分析的电力设备状态评估方法 |
CN106483947A (zh) * | 2016-09-21 | 2017-03-08 | 国网江苏省电力公司南通供电公司 | 基于大数据的配电网运行状态评估和预警方法 |
CN106529834A (zh) * | 2016-12-07 | 2017-03-22 | 深圳中广核工程设计有限公司 | 核电站安全状态的评估方法、系统及核电站设备 |
CN106651189A (zh) * | 2016-12-27 | 2017-05-10 | 广东电网有限责任公司惠州供电局 | 一种基于多层复合规则的变压器状态评价方法 |
CN107451039A (zh) * | 2016-03-31 | 2017-12-08 | 阿里巴巴集团控股有限公司 | 一种对集群中执行设备评价的方法和设备 |
CN108110790A (zh) * | 2017-12-15 | 2018-06-01 | 国网江苏省电力有限公司南京供电分公司 | 基于多源数据阶梯式动态模糊系统的主动配电网运行状态评估方法 |
CN109190922A (zh) * | 2018-08-10 | 2019-01-11 | 中车青岛四方机车车辆股份有限公司 | 一种车辆质量评估方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6617771B2 (ja) * | 2015-06-02 | 2019-12-11 | 日本電気株式会社 | 線形パラメータ変動モデル推定システム、方法およびプログラム |
-
2019
- 2019-12-16 CN CN201911291799.3A patent/CN111126810B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102644581A (zh) * | 2012-03-26 | 2012-08-22 | 杭州意能电力技术有限公司 | 一种火力发电机组循环水系统不投运的分系统调试方法 |
CN107451039A (zh) * | 2016-03-31 | 2017-12-08 | 阿里巴巴集团控股有限公司 | 一种对集群中执行设备评价的方法和设备 |
CN106066252A (zh) * | 2016-05-24 | 2016-11-02 | 中国人民解放军防化学院 | 一种危险品销毁设备子系统级的健康状态评估方法 |
CN106483947A (zh) * | 2016-09-21 | 2017-03-08 | 国网江苏省电力公司南通供电公司 | 基于大数据的配电网运行状态评估和预警方法 |
CN106447202A (zh) * | 2016-09-29 | 2017-02-22 | 国网山东省电力公司 | 基于数据挖掘和主成分分析的电力设备状态评估方法 |
CN106529834A (zh) * | 2016-12-07 | 2017-03-22 | 深圳中广核工程设计有限公司 | 核电站安全状态的评估方法、系统及核电站设备 |
CN106651189A (zh) * | 2016-12-27 | 2017-05-10 | 广东电网有限责任公司惠州供电局 | 一种基于多层复合规则的变压器状态评价方法 |
CN108110790A (zh) * | 2017-12-15 | 2018-06-01 | 国网江苏省电力有限公司南京供电分公司 | 基于多源数据阶梯式动态模糊系统的主动配电网运行状态评估方法 |
CN109190922A (zh) * | 2018-08-10 | 2019-01-11 | 中车青岛四方机车车辆股份有限公司 | 一种车辆质量评估方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111126810A (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guimaraes et al. | Fuzzy inference to risk assessment on nuclear engineering systems | |
CN111308991B (zh) | 一种磨煤机运行故障识别方法及应用 | |
CN110346160B (zh) | 一种基于svr的磨煤机效率异常检测与诊断方法 | |
CN102331772B (zh) | 一种直流百万机组过热汽温异常预警与故障诊断方法 | |
CN110209144B (zh) | 基于动静协同差异分析的两层实时监测与报警溯源方法 | |
CN113176081B (zh) | 一种基于历史数据的汽轮机叶片磨损监测方法 | |
CN109238760B (zh) | 基于典型相关分析与慢特征分析的智能电厂燃煤发电机组磨煤机的在线监测方法 | |
CN116044802B (zh) | 一种矿用通风机状态故障监测诊断系统 | |
CN107607342B (zh) | 空调机房设备群的健康能效检测方法 | |
CN111126810B (zh) | 一种源侧发电机组运行安全评价方法 | |
Zhang et al. | Sensitivity clustering and ROC curve based alarm threshold optimization | |
CN111855219A (zh) | 一种基于灰色理论的柴油机润滑油进机安保参数预测方法 | |
Hong et al. | Abnormal condition monitoring and diagnosis for coal mills based on support vector regression | |
CN109779938B (zh) | 一种离心压缩机组智能联锁保护方法 | |
CN105989435A (zh) | 一种基于rcm理论估算设备维护周期的方法 | |
Dutta et al. | SVM Algorithm for Vibration Fault Diagnosis in Centrifugal Pump. | |
CN114169718A (zh) | 一种基于风电机组状态评估提高机组可靠性的方法 | |
Zhang et al. | Fault detection and classification through multivariate statistical techniques | |
CN111898794B (zh) | 一种大型燃煤锅炉热效率的异常监测方法 | |
CN109184821B (zh) | 一种大型发电机组汽轮机的闭环信息分析的在线监测方法 | |
CN115310216B (zh) | 一种基于优化XGBoost的磨煤机故障预警方法 | |
CN114758483B (zh) | 一种基于余弦相似性的电力设备动态智能预警方法 | |
CN112255955B (zh) | 一种智能润滑油管控系统及方法 | |
CN113530619A (zh) | 基于润滑油系统参数相关性分析的汽机跳机征兆捕捉方法 | |
CN109272154B (zh) | 基于典型变量分析与隐马尔可夫的送风机故障预测方法 |
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 |