CN111639742A - 一种脱硫脱硝循环泵状态故障诊断系统及方法 - Google Patents

一种脱硫脱硝循环泵状态故障诊断系统及方法 Download PDF

Info

Publication number
CN111639742A
CN111639742A CN202010443335.6A CN202010443335A CN111639742A CN 111639742 A CN111639742 A CN 111639742A CN 202010443335 A CN202010443335 A CN 202010443335A CN 111639742 A CN111639742 A CN 111639742A
Authority
CN
China
Prior art keywords
data
fault diagnosis
desulfurization
neural network
circulating pump
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
Application number
CN202010443335.6A
Other languages
English (en)
Inventor
马万征
李忠芳
燕浩
肖新
李孝良
张春雨
李强
乔印虎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Anhui University of Science and Technology
Original Assignee
Hefei University of Technology
Anhui University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology, Anhui University of Science and Technology filed Critical Hefei University of Technology
Priority to CN202010443335.6A priority Critical patent/CN111639742A/zh
Priority to IE20200193U priority patent/IE20200193U1/en
Publication of CN111639742A publication Critical patent/CN111639742A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
    • F04B51/00—Testing machines, pumps, or pumping installations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/048—Activation functions
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Treating Waste Gases (AREA)

Abstract

本发明公开了火电机组技术领域的一种脱硫脱硝循环泵状态故障诊断系统及方法，包括输入层、隐藏层、输出层和数据采集系统，数据采集系统的数据输入端分别与分布式泵组监控系统和电厂厂级实时监控系统的数据输出端连接，隐藏层包括故障诊断系统，故障诊断系统包括BP神经网络服务器和主控制器，BP神经网络服务器电性输入连接主控制器，主控制器电性输出连接输出模块，主控制器电性输入连接输入模块，使用通过电厂大量运行数据训练出的BP神经网络服务器的输出，作为后续智能寻优算法的适应度函数，连接两种先进的算法手段，协同性地来解决了目前脱硫脱硝循环泵故障诊断领域存在的故障诊断数据不准确、失实，优化算法通用性差、实时性不足等问题。

Description

一种脱硫脱硝循环泵状态故障诊断系统及方法
技术领域
本发明涉及火电机组技术领域，具体为一种脱硫脱硝循环泵状态故障诊断系统及方法。
背景技术
硫和硝对环境的污染比较大，是目前环境保护工作的重点。火电厂的生产流程中会产生大量的硫和硝，如果不加以治理，就会对环境造成巨大危害，因此目前电力行业普遍要使用到脱硫脱硝设备。
脱硫脱硝循环泵可将吸收塔内吸收剂浆液通过反复与烟气接触的方式达到脱硫脱硝的效果。随着电厂自动化及智能化的不断快速发展，国内越来越多的电厂对脱硫脱硝循环泵的使用寿命进行研究，脱硫脱硝循环泵的使用寿命受到众多因素的影响，一旦脱硫脱硝循环泵在工作运行过程中出现问题，将出现巨大的经济损失，传统脱硫脱硝循环泵故障分析与诊断方法费时费力，依赖现场运行人员运行与操作经验，故障分析和诊断的及时性、快速性、有效性不佳。多数情况都是设备损坏停机后才进行抢修，耽误脱硫脱硝系统的正常运行，对电厂的环保指标造成影响。
由于脱硫脱硝循环泵的故障诊断可及时对脱硫脱硝循环泵进行检修，减少经济损失，因此一直活跃在科研以及涉及质量提高与经济改善的实际工程领域。然而对脱硫脱硝循环泵的故障诊断具有维度高、非凸、离散，非线性等特性，很难找到一个最佳理论解。目前，脱硫脱硝循环泵的故障诊断问题的传统方法有故障树、向量机和机器学习算法等，这些传统方法多是建立在脱硫脱硝循环泵的故障曲线能用多项式拟合的前提下，使用门槛较高且优化精度有限。
本发明通过使用对脱硫脱硝循环泵的故障诊断具有一定预测性和前瞻性的BP神经网络服务器，并将该网络，作为后续智能寻优算法的适应度函数，连接两种先进的算法手段，协同性地来解决目前脱硫脱硝循环泵领域存在的故障诊断数据不准确、失实，优化算法通用性差、实时性不足等问题。
发明内容
本发明的目的在于提供一种脱硫脱硝循环泵状态故障诊断系统及方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种脱硫脱硝循环泵状态故障诊断系统及方法，包括输入层、隐藏层、输出层和数据采集系统，所述数据采集系统的数据输入端分别与分布式泵组监控系统和电厂厂级实时监控系统的数据输出端连接，所述输入层包括输入模块，所述数据采集系统通过无线传输模块与输入模块无线通讯连接，所述隐藏层包括故障诊断系统，所述故障诊断系统包括BP神经网络服务器和主控制器，所述BP神经网络服务器电性输入连接主控制器，所述输出层包括输出模块，所述主控制器电性输出连接输出模块，所述主控制器电性输入连接输入模块，所述输出模块通过无线传输模块与分布式泵组监控系统无线通讯连接。
优选的，所述数据采集系统包括数据采集模块和数据整理模块。
优选的，所述输入模块和输出模块分别为无线接收器和无线发射器。
优选的，所述无线传输模块采用OPC通讯协议。
一种脱硫脱硝循环泵状态故障诊断系统的故障诊断方法，所述故障诊断方法包括：
S1：通过数据采集模块收集分布式泵组监控系统中一段时间内脱硫脱硝循环泵正电子传感器采集的运动参数，每组运行数据的采集时间间隔为30分钟，连续采集该段时间的各项数据，并通过数据整理模块鉴别出数据中机组的暂态运行数据并将其剔除，整理出机组的稳态运行数据；
S2：收集电厂厂级实时监控系统中记录的脱硫脱硝循环泵采集的运行参数，并将其与从分布式泵组监控系统中获取整理得到的各台机组的运行数据，一并作为BP神经网络服务器输入层的输入数据，并划分出网络的训练数据和测试数据；
S3：将数据采集系统采集得到的运行数据，整理为矩阵形式，通过OPC通讯协议将这些数据作为BP神经网络服务器的输入数据，通过主控制器执行算法，进行BP神经网络服务器的构建以及测试，BP神经网络服务器隐藏层传输函数选择Sigmoid函数，输出层传输函数选择线性函数，权值训练算法选择为L-M优化算法，迭代次数为5000次，训练好的神经网络，使用测试样本进行试验；
S4：使用启发式的智能优化算法，作为寻优主程序，主程序中使用训练好的神经网络的输出，作为启发式的智能优化算法的适应度函数，作为程序中运行的数据进化迭代的依据，启发式的智能优化算法使用计算量较小的粒子群优化算法（PSO）作为负荷故障诊断算法的主算法，算法选根据每一个竖直代表机组的一个故障诊断数据，该机组输入到训练好的每台机组对应的神经网络中，经神经网络计算得出每台机组对应的脱硫脱硝循环泵故障诊断数据，将这些故障诊断数据相加，得到全长所有机组的故障诊断数据；
S5：根据PSO算法原理，不断更新脱硫脱硝循环泵采集的运行参数的大小以及更新速速，并不断更新计算出机组的中故障诊断数据，直至故障诊断数据不再变化，即视为算法收敛，输出该故障诊断数据对应的各台机组故障数据，作为发电厂各台机组符合故障诊断的实际指令输出，算法终止，并通过输出模块和无线传输模块将输出值回传至分布式泵组监控系统。
优选的，判定参数进入所述稳态的条件为：在15分钟内，脱硫脱硝循环泵采集的运行参数的小于规定的阈值，即认为处于稳态工况，将参数数据存入稳定运动工况数据库中，否则，顺时递推5分钟，重新判定稳定状态，知道数据满足稳态要求。
优选的，所述划分出网络的训练数据和测试数据过程为：对脱硫脱硝循环泵采集的运行参数进行连续差分化，网络使用中心位置和权值均采用有监督学习的广义径向基函数网络，并随机选择整体数据中75%作为训练样本，用于BP神经网络服务器的训练，其余25%样本，用于网络测试样本。
与现有技术相比，本发明的有益效果是：
（1）本发明中，通过使用大量电厂运行数据训练出对煤耗特性具有一定预测性和前瞻性的BP神经网络服务器，可以实现对脱硫脱硝循环泵故障诊断精确快速的计算，准确有效的故障诊断数据对于指导电厂安全经济运行具有重要价值。
（2）本发明中，在进行脱硫脱硝循环泵故障诊断计算的过程中，使用启发式的智能优化算法，相比于目前传统技术或系统中，其对于数据源的适应性更好，具有更好的普适性以及推广性，不止如此，启发式的智能优化算法寻优进行脱硫脱硝循环泵故障诊断，计算速度更快，计算精度更高，满足发电厂生产过程中对于实时性和准确性的要求。
（3）本发明中，使用通过电厂大量运行数据训练出的BP神经网络服务器的输出，作为后续智能寻优算法的适应度函数，连接两种先进的算法手段，协同性地来解决了目前脱硫脱硝循环泵故障诊断领域存在的故障诊断数据不准确、失实，优化算法通用性差、实时性不足等问题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明结构示意图。
附图中，各标号所代表的部件列表如下：
1-输入层，2-隐藏层，3-输出层，4-数据采集系统，5-分布式泵组监控系统，6-电厂厂级实时监控系统，7-故障诊断系统，8-BP神经网络服务器，9-主控制器，10-输入模块，11-输出模块，12-无线传输模块。
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，本发明提供一种技术方案：一种脱硫脱硝循环泵状态故障诊断系统及方法，包括输入层1、隐藏层2、输出层3和数据采集系统4，所述数据采集系统4的数据输入端分别与分布式泵组监控系统5和电厂厂级实时监控系统6的数据输出端连接，所述输入层1包括输入模块10，所述数据采集系统4通过无线传输模块12与输入模块10无线通讯连接，所述隐藏层2包括故障诊断系统7，所述故障诊断系统7包括BP神经网络服务器8和主控制器9，所述BP神经网络服务器8电性输入连接主控制器9，所述输出层3包括输出模块11，所述主控制器9电性输出连接输出模块11，所述主控制器9电性输入连接输入模块10，所述输出模块11通过无线传输模块12与分布式泵组监控系统5无线通讯连接。
其中，所述数据采集系统4包括数据采集模块和数据整理模块，所述输入模块10和输出模块11分别为无线接收器和无线发射器，所述无线传输模块12采用OPC通讯协议。
本实施例的一个具体应用为：一种脱硫脱硝循环泵状态故障诊断系统的故障诊断方法，所述故障诊断方法包括：
S1：通过数据采集模块收集分布式泵组监控系统5中一段时间内脱硫脱硝循环泵正电子传感器采集的运动参数，每组运行数据的采集时间间隔为30分钟，连续采集该段时间的各项数据，并通过数据整理模块鉴别出数据中机组的暂态运行数据并将其剔除，整理出机组的稳态运行数据；
其中判定系统参数进入稳态的条件为：在15分钟内，脱硫脱硝循环泵采集的运行参数的小于规定的阈值，即认为处于稳态工况，将参数数据存入稳定运动工况数据库中，否则，顺时递推5分钟，重新判定稳定状态，知道数据满足稳态要求。
S2：然后收集电厂厂级实时监控系统6中记录的脱硫脱硝循环泵采集的运行参数，并将其与从分布式泵组监控系统5中获取整理得到的各台机组的运行数据，一并作为BP神经网络服务器8输入层1的输入数据，并划分出网络的训练数据和测试数据；
其中为了与运行数据进行对应，需对脱硫脱硝循环泵采集的运行参数进行连续差分化，网络使用中心位置和权值均采用有监督学习的广义径向基函数网络，并随机选择整体数据中75%作为训练样本，用于BP神经网络服务器8的训练，其余25%样本，用于网络测试样本。
S3：将数据采集系统4采集得到的运行数据，整理为矩阵形式，通过OPC通讯协议将这些数据作为BP神经网络服务器8的输入数据，通过主控制器9执行算法，进行BP神经网络服务器8的构建以及测试，BP神经网络服务器8隐藏层2传输函数选择Sigmoid函数，输出层传输函数选择线性函数，权值训练算法选择为L-M优化算法，迭代次数为5000次，训练好的神经网络，使用测试样本进行试验。
S4：使用启发式的智能优化算法，作为寻优主程序，主程序中使用训练好的神经网络的输出，作为启发式的智能优化算法的适应度函数，作为程序中运行的数据进化迭代的依据，启发式的智能优化算法使用计算量较小的粒子群优化算法（PSO）作为负荷故障诊断算法的主算法，算法选根据每一个竖直代表机组的一个故障诊断数据，该机组输入到训练好的每台机组对应的神经网络中，经神经网络计算得出每台机组对应的脱硫脱硝循环泵故障诊断数据，将这些故障诊断数据相加，得到全长所有机组的故障诊断数据。
S5：根据PSO算法原理，不断更新脱硫脱硝循环泵采集的运行参数的大小以及更新速速，并不断更新计算出机组的中故障诊断数据，直至故障诊断数据不再变化，即视为算法收敛，输出该故障诊断数据对应的各台机组故障数据，作为发电厂各台机组符合故障诊断的实际指令输出，算法终止，并通过输出模块11和无线传输模块12将输出值回传至分布式泵组监控系统5。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (7)

1.一种脱硫脱硝循环泵状态故障诊断系统，包括输入层（1）、隐藏层（2）、输出层（3）和数据采集系统（4），其特征在于：所述数据采集系统（4）的数据输入端分别与分布式泵组监控系统（5）和电厂厂级实时监控系统（6）的数据输出端连接，所述输入层（1）包括输入模块（10），所述数据采集系统（4）通过无线传输模块（12）与输入模块（10）无线通讯连接，所述隐藏层（2）包括故障诊断系统（7），所述故障诊断系统（7）包括BP神经网络服务器（8）和主控制器（9），所述BP神经网络服务器（8）电性输入连接主控制器（9），所述输出层（3）包括输出模块（11），所述主控制器（9）电性输出连接输出模块（11），所述主控制器（9）电性输入连接输入模块（10），所述输出模块（11）通过无线传输模块（12）与分布式泵组监控系统（5）无线通讯连接。
2.根据权利要求1所述的一种脱硫脱硝循环泵状态故障诊断系统，其特征在于：所述数据采集系统（4）包括数据采集模块和数据整理模块。
3.根据权利要求1所述的一种脱硫脱硝循环泵状态故障诊断系统，其特征在于：所述输入模块（10）和输出模块（11）分别为无线接收器和无线发射器。
4.根据权利要求1所述的一种脱硫脱硝循环泵状态故障诊断系统及方法，其特征在于：所述无线传输模块（12）采用OPC通讯协议。
5.一种脱硫脱硝循环泵状态故障诊断系统的故障诊断方法，其特征在于：所述故障诊断方法包括：
S1：通过数据采集模块收集分布式泵组监控系统（5）中一段时间内脱硫脱硝循环泵正电子传感器采集的运动参数，每组运行数据的采集时间间隔为30分钟，连续采集该段时间的各项数据，并通过数据整理模块鉴别出数据中机组的暂态运行数据并将其剔除，整理出机组的稳态运行数据；
S2：收集电厂厂级实时监控系统（6）中记录的脱硫脱硝循环泵采集的运行参数，并将其与从分布式泵组监控系统（5）中获取整理得到的各台机组的运行数据，一并作为BP神经网络服务器（8）输入层（1）的输入数据，并划分出网络的训练数据和测试数据；
S3：将数据采集系统（4）采集得到的运行数据，整理为矩阵形式，通过OPC通讯协议将这些数据作为BP神经网络服务器（8）的输入数据，通过主控制器（9）执行算法，进行BP神经网络服务器（8）的构建以及测试，BP神经网络服务器（8）隐藏层（2）传输函数选择Sigmoid函数，输出层传输函数选择线性函数，权值训练算法选择为L-M优化算法，迭代次数为5000次，训练好的神经网络，使用测试样本进行试验；
S4：使用启发式的智能优化算法，作为寻优主程序，主程序中使用训练好的神经网络的输出，作为启发式的智能优化算法的适应度函数，作为程序中运行的数据进化迭代的依据，启发式的智能优化算法使用计算量较小的粒子群优化算法（PSO）作为负荷故障诊断算法的主算法，算法选根据每一个竖直代表机组的一个故障诊断数据，该机组输入到训练好的每台机组对应的神经网络中，经神经网络计算得出每台机组对应的脱硫脱硝循环泵故障诊断数据，将这些故障诊断数据相加，得到全长所有机组的故障诊断数据；
S5：根据PSO算法原理，不断更新脱硫脱硝循环泵采集的运行参数的大小以及更新速速，并不断更新计算出机组的中故障诊断数据，直至故障诊断数据不再变化，即视为算法收敛，输出该故障诊断数据对应的各台机组故障数据，作为发电厂各台机组符合故障诊断的实际指令输出，算法终止，并通过输出模块（11）和无线传输模块（12）将输出值回传至分布式泵组监控系统（5）。
6.根据权利要求5所述的一种脱硫脱硝循环泵状态故障诊断系统的故障诊断方法，其特征在于：判定参数进入所述稳态的条件为：在15分钟内，脱硫脱硝循环泵采集的运行参数的小于规定的阈值，即认为处于稳态工况，将参数数据存入稳定运动工况数据库中，否则，顺时递推5分钟，重新判定稳定状态，知道数据满足稳态要求。
7.根据权利要求5所述的一种脱硫脱硝循环泵状态故障诊断系统的故障诊断方法，其特征在于：所述划分出网络的训练数据和测试数据过程为：对脱硫脱硝循环泵采集的运行参数进行连续差分化，网络使用中心位置和权值均采用有监督学习的广义径向基函数网络，并随机选择整体数据中75%作为训练样本，用于BP神经网络服务器（8）的训练，其余25%样本，用于网络测试样本。
CN202010443335.6A 2020-05-22 2020-05-22 一种脱硫脱硝循环泵状态故障诊断系统及方法 Pending CN111639742A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010443335.6A CN111639742A (zh) 2020-05-22 2020-05-22 一种脱硫脱硝循环泵状态故障诊断系统及方法
IE20200193U IE20200193U1 (en) 2020-05-22 2020-09-01 System and method for diagnosing state fault of desulfurization and denitration circulating pump

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010443335.6A CN111639742A (zh) 2020-05-22 2020-05-22 一种脱硫脱硝循环泵状态故障诊断系统及方法

Publications (1)

Publication Number Publication Date
CN111639742A true CN111639742A (zh) 2020-09-08

Family

ID=72333268

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010443335.6A Pending CN111639742A (zh) 2020-05-22 2020-05-22 一种脱硫脱硝循环泵状态故障诊断系统及方法

Country Status (2)

Country Link
CN (1) CN111639742A (zh)
IE (1) IE20200193U1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117434910A (zh) * 2023-12-20 2024-01-23 沧州中铁装备制造材料有限公司 一种基于物联网的发电厂脱硝剂供给泵智能运行控制系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103400231A (zh) * 2013-08-12 2013-11-20 中国矿业大学 一种设备健康管理系统及其数据库建模方法
CN103759290A (zh) * 2014-01-16 2014-04-30 广东电网公司电力科学研究院 大型燃煤机组在线监测与优化控制系统及其实现方法
CN105202571A (zh) * 2015-10-20 2015-12-30 国家电网公司 一种火力发电机组主汽压力优化控制方法
CN105298823A (zh) * 2015-11-23 2016-02-03 武汉大学 一种大型泵机组在线监测与诊断系统
CN107276816A (zh) * 2016-11-03 2017-10-20 厦门嵘拓物联科技有限公司 一种基于云服务的远程监测与故障诊断系统及故障诊断方法
CN109886471A (zh) * 2019-01-22 2019-06-14 中国大唐集团科学技术研究院有限公司火力发电技术研究院 基于神经网络与智能优化算法的火电机组负荷分配方法
CN110766143A (zh) * 2019-10-31 2020-02-07 上海埃威航空电子有限公司 基于人工神经网络的设备故障智能诊断方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103400231A (zh) * 2013-08-12 2013-11-20 中国矿业大学 一种设备健康管理系统及其数据库建模方法
CN103759290A (zh) * 2014-01-16 2014-04-30 广东电网公司电力科学研究院 大型燃煤机组在线监测与优化控制系统及其实现方法
CN105202571A (zh) * 2015-10-20 2015-12-30 国家电网公司 一种火力发电机组主汽压力优化控制方法
CN105298823A (zh) * 2015-11-23 2016-02-03 武汉大学 一种大型泵机组在线监测与诊断系统
CN107276816A (zh) * 2016-11-03 2017-10-20 厦门嵘拓物联科技有限公司 一种基于云服务的远程监测与故障诊断系统及故障诊断方法
CN109886471A (zh) * 2019-01-22 2019-06-14 中国大唐集团科学技术研究院有限公司火力发电技术研究院 基于神经网络与智能优化算法的火电机组负荷分配方法
CN110766143A (zh) * 2019-10-31 2020-02-07 上海埃威航空电子有限公司 基于人工神经网络的设备故障智能诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王中意等: "基于改进型BP神经网络的重叠叶片边缘重建", 《河北农业大学学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117434910A (zh) * 2023-12-20 2024-01-23 沧州中铁装备制造材料有限公司 一种基于物联网的发电厂脱硝剂供给泵智能运行控制系统
CN117434910B (zh) * 2023-12-20 2024-03-01 沧州中铁装备制造材料有限公司 一种基于物联网的发电厂脱硝剂供给泵智能运行控制系统

Also Published As

Publication number Publication date
IES87197Y1 (en) 2021-01-20
IE20200193U1 (en) 2021-01-20

Similar Documents

Publication Publication Date Title
CN110222882A (zh) 一种电力系统中长期负荷的预测方法和装置
CN107831285A (zh) 一种基于物联网的河湖污染监测系统及其方法
CN104399682A (zh) 一种光伏电站组件清扫智能决策预警系统
CN110348513A (zh) 一种基于深度学习的风电机组故障预测方法
CN104408562A (zh) 一种基于bp神经网络的光伏系统发电效率综合评估方法
CN104504292A (zh) 基于bp神经网络预测循环流化床锅炉最佳工作温度的方法
CN117151701B (zh) 一种热电联产的工业余热回收利用系统
CN111177278A (zh) 一种网格用户短期负荷预测实时处理工具
CN115688993A (zh) 一种适用于配电台区的短期电力负荷预测方法
CN116722605A (zh) 一种基于物联网的配电网调度优化方法
CN101598927B (zh) 一种基于神经网络的纯碱碳化工艺控制系统及其控制方法
CN111639742A (zh) 一种脱硫脱硝循环泵状态故障诊断系统及方法
CN109325641A (zh) 一种工业能效管理系统及方法
Shendryk et al. Decision Support System for Efficient Energy Management of MicroGrid with Renewable Energy Sources
CN117613993A (zh) 一种公路微电网风光氢蓄储系统的日内优化调度方法
Lin et al. On-line monitoring and fault diagnosis of PV array based on BP neural network optimized by genetic algorithm
CN116154875A (zh) 基于tcn和误差函数的光伏电站有功功率优化分配方法
Jun-Ma et al. Photovoltaic power generation prediction based on MEA-BP neural network
CN105528517A (zh) 基于神经网络、小波分解光伏电站功率预测方法、系统
CN115640980A (zh) 基于目标控制的电网工程造价动态管理系统
CN115313377A (zh) 一种电力负荷预测方法及系统
CN103927431A (zh) 基于pyramid时间框架的电站锅炉运行状态监测方法
CN113437800A (zh) 一种新能源发电监测平台
CN201449529U (zh) 一种基于神经网络的纯碱碳化工艺控制系统
Mao et al. Study on key technologies of optimization of big data for thermal power plant performance

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200908