CN111754030B - 一种基于hac和rf-ga的火电机组供电煤耗优化方法 - Google Patents
一种基于hac和rf-ga的火电机组供电煤耗优化方法 Download PDFInfo
- Publication number
- CN111754030B CN111754030B CN202010527009.3A CN202010527009A CN111754030B CN 111754030 B CN111754030 B CN 111754030B CN 202010527009 A CN202010527009 A CN 202010527009A CN 111754030 B CN111754030 B CN 111754030B
- Authority
- CN
- China
- Prior art keywords
- coal consumption
- power supply
- working condition
- supply coal
- parameters
- 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
- 239000003245 coal Substances 0.000 title claims abstract description 107
- 238000005457 optimization Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 230000002068 genetic effect Effects 0.000 claims abstract description 19
- 238000007637 random forest analysis Methods 0.000 claims abstract description 12
- 230000002776 aggregation Effects 0.000 claims abstract description 4
- 238000004220 aggregation Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000005354 coacervation Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000004781 supercooling Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000010977 unit operation Methods 0.000 claims description 2
- 238000010248 power generation Methods 0.000 abstract description 12
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012549 training 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
Abstract
本发明涉及一种基于HAC和RF‑GA的火电机组供电煤耗优化方法,包括:步骤1、将火电机组中计算供电煤耗的相关参数分为三类;步骤2、数据预处理;步骤3、基于凝聚层次聚类(HAC)算法构建工况划分模型,利用工况识别参数进行工况划分。本发明的有益效果是:本发明可用于燃煤机组供电煤耗优化。本发明采用随机森林回归算法构建供电煤耗预测模型,并采用遗传优化算法建立基于供电煤耗优化模型。建立各工况最优可调参数数据库。对于实时数据,通过工况划分模型匹配工况后在最优可调参数数据库中获得优化目标,对供电煤耗值进行优化。本发明可为发电企业提供优化建议,实现对发电成本的优化控制。
Description
技术领域
本发明涉及燃煤机组发电过程优化控制领域,尤其包括一种基于HAC和RF-GA的火电机组供电煤耗优化方法。
背景技术
供电煤耗作为衡量机组运行经济性的重要指标,同样也是发电变动成本的重要构成要素,把握机组运行供电煤耗对于发电企业竞价上网的报价决策具有重要意义。
近年来,随着电力系统体制改革的不断深化,电力市场交易机制的快速推进,发电企业之间的竞争日益激烈,加之政策影响和市场选择的作用下,新能源发电扩张迅猛,严重冲击火电机组的整体容量和上网份额,火力发电企业生存环境日趋严峻。在此形势下,挖掘和拓展发电企业自身的节能降耗潜力,降低发电成本已成为大势所趋。
传统供电煤耗计算方法主要有正平衡煤耗和反平衡煤耗两种计算方法,两种计算方法都由入炉煤化验数据参与计算,但实际生产过程中,煤质化验结果的得出与上报存在时间上的滞后性,在电厂的各类信息系统中,实时供电煤耗的计算结果都会受到影响,出现不准确的情况。另一方面,供电煤耗受到各运行参数的影响,通过对运行参数的调节可实现供电煤耗的优化控制。
发明内容
本发明的目的是克服现有技术中的不足,提供一种基于HAC和RF-GA的火电机组供电煤耗优化方法。
这种基于HAC和RF-GA的火电机组供电煤耗优化方法,包括以下步骤:
步骤1、将火电机组中计算供电煤耗的相关参数分为三类:全参数、工况识别参数、可调参数;所述工况识别参数包括实发功率、低压侧凝汽器压力和循环水进口平均温度;可调参数包括主蒸汽压力、主蒸汽温度、再热蒸汽温度、再热器减温水流量、凝汽器压力、排烟温度、凝汽器端差、凝汽器过冷度和厂用电率;
步骤2、数据预处理:
步骤2.1、首先选取历史数据中机组负荷率在30%以上的工况作为候选数据区间,随后针对候选数据区间,采用滑动窗口方法对实发功率(有功功率)进行进一步处理:设定一定时间窗口,计算该时间窗口内起始点到终点实发功率数据的斜率与方差,当实发功率(有功功率)数据的斜率与方差不超过一定阈值时认为工况稳定,选择该类工况稳定的时间段作为数据区间;
步骤2.2、基于已确定的数据区间,经过滞后消除处理后对供电煤耗进行补算,以消除数据滞后对煤耗机理计算结果的影响;
步骤3、基于凝聚层次聚类(HAC)算法构建工况划分模型,利用工况识别参数进行工况划分:
步骤3.1、将工况识别参数作为聚类的依据,将每一条数据样本作为一类;
步骤3.2、利用凝聚层次聚类(HAC)算法对数据样本进行聚类,形成工况划分模型,得到机组运行工况库;
步骤4、基于随机森林回归算法(RF)和遗传算法(GA)构建RF-GA供电煤耗优化模型,对供电煤耗值进行优化,得到不同工况下供电煤耗最优值的可调参数数值:
步骤4.1、采用随机森林回归算法构建基于全参数的供电煤耗预测模型,建立运行参数与供电煤耗之间的对应关系;
步骤4.2、将可调参数作为遗传算法的优化参数,供电煤耗预测模型作为遗传算法的优化函数,利用遗传算法对供电煤耗值进行优化,并利用小生境技术避免遗传算法陷入局部最优解;
步骤4.3、用步骤4.1和步骤4.2构建的供电煤耗优化模型分别对各工况供电煤耗进行优化后,得到各工况下供电煤耗最优值的数据库;
步骤5、对于实时数据进行供电煤耗优化,并定期更新工况划分模型和RF-GA供电煤耗优化模型:
步骤5.1、首先利用步骤3所建立的工况划分模型对实时数据进行工况划分,确定当前数据所属工况;
步骤5.2、从供电煤耗最优值的数据库中取出相同工况下的最优煤耗值对应的可调参数数值;
步骤5.3、根据步骤5.2中返回的最优煤耗值对应的可调参数数值,得到预期优化供电煤耗值;
步骤5.4、随着数据的更新定期更新工况划分模型和RF-GA供电煤耗优化模型,以得到更好的优化结果。
作为优选,所述步骤1中全参数是计算供电煤耗相关的所有参数,工况识别参数是用于工况划分的相关参数;可调参数是在火电机组运行中可调节的参数。
作为优选,所述步骤4中不同工况下最优供电煤耗值的可调参数数值的优化取值范围分别由该工况下可调参数数值历史最高值和最低值确定。
本发明的有益效果是:本发明可用于燃煤机组供电煤耗优化。本发明针对煤质化验数据滞后导致的实时供电煤耗计算不准确的问题,采用随机森林回归算法构建供电煤耗预测模型。在此基础上,采用遗传优化算法建立基于供电煤耗优化模型。同时,基于凝聚层次聚类算法方法建立工况划分模型,对各工况通过随机森林-遗传算法进行供电煤耗值优化后,建立各工况最优可调参数数据库。对于实时数据,通过工况划分模型匹配工况后在最优可调参数数据库中获得优化目标,对供电煤耗值进行优化。本发明可为发电企业提供优化建议,实现对发电成本的优化控制。
附图说明
图1为实施例中随机森林回归模型预测值与真实值对比图;
图2为实施例中遗传算法100代内优化结果图;
图3为实施例中实测数据供电煤耗优化结果图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出,对于本技术领域的普通人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
针对现有技术的现状,本发明的目的是针对煤质化验数据滞后导致的实时供电煤耗计算不准确以及供电煤耗优化问题,提出一种基于HAC和RF-GA的火电机组供电煤耗优化方法,构造供电煤耗优化模型以及最优可调参数数据库,对供电煤耗值进行优化。
本发明首先基于工况识别参数建立基于凝聚层次聚类算法的工况划分模型,随后采用随机森林回归算法构建基于运行参数的供电煤耗预测模型。在此基础上,建立基于遗传优化算法的供电煤耗优化模型。结合工况划分模型,建立各工况最优可调参数数据库。对于实时数据,匹配工况后在最优可调参数数据库中取得最可调参数后用以优化煤耗值。
下面结合附图及某1000MW火电机组具体实例,对本发明作进一步详细说明。
实验根据机组特征以及供电煤耗机理计算必要参数,模型训练的自变量选取由DCS原始测点和二次计算测点构成的54个参数,对于表征相同部位的多个测点进行平均值处理,具体变量测点表和处理方式如下表1所示:
表1变量测点表
基于HAC和RF-GA的火电机组供电煤耗优化方法的具体过程如下:
步骤1、将火电机组中计算供电煤耗的相关参数分为三类:全参数、工况识别参数、可调参数。其中工况识别参数为有功功率(测点表中的实发功率)以及处理后获得的平均真空(低压侧凝汽器压力)和循环水进口平均温度;可调参数为主蒸汽压力、主蒸汽温度、再热蒸汽温度、再热器减温水流量、凝汽器压力、排烟温度、凝汽器端差、凝汽器过冷度、厂用电率。
步骤2、数据预处理。本步骤具体包含以下子步骤:
步骤2.1、首先在确认目标机组三年内未进行过大的技改项目的前提下,选取电厂SIS系统存储的3年历史数据中机组负荷率30%以上的工况作为候选数据区间,随后针对候选数据区间,采用滑动窗口方法对有功功率数据进行进一步处理,设定20分钟为时间窗口大小,计算时间窗口内起始点到终点功率数据的斜率与方差,当斜率与方差不超过一定阈值时则认为是稳定工况,选择此类工况稳定的时间段作为数据区间;
步骤2.2、基于已确定的数据区间,利用电厂SIS系统进行数据抽取,获得包含36万条历史运行数据和化验数据的样本集合,进行供电煤耗补算,以消除数据滞后对煤耗机理计算结果的影响。
步骤3、基于凝聚层次聚类(HAC)算法构建工况划分模型,利用工况识别参数进行工况划分,本步骤具体包含以下子步骤:
步骤3.1、将工况识别参数作为聚类的依据,将每一条数据样本作为一类;
步骤3.2、利用凝聚层次聚类算法对数据样本进行聚类,形成工况划分模型,得到共计1600种工况组成的工况库。
步骤4、基于随机森林(RF)和遗传算法(GA)构建RF-GA供电煤耗优化模型,对供电煤耗值进行优化,得到不同工况下最优供电煤耗值的可调参数数值,本步骤具体包含以下子步骤:
步骤4.1、采用随机森林回归算法构建基于全参数的供电煤耗预测模型,建立运行参数与供电煤耗之间的对应关系;其模型部分预测值与历史供电煤耗真实值如图1所示,其预测准确率为99.5%,即模型对于煤耗值的预测值与历史真实值基本吻合;
步骤4.2、将可调参数作为遗传算法优化参数,供电煤耗预测模型作为遗传算法的优化函数,利用遗传算法对供电煤耗值进行优化,并利用小生境技术避免遗传算法陷入局部最优解。其中不同工况下可调参数优化取值范围分别由各工况下该参数历史最高值和最小值来确定;遗传算法优化结果如图2所示;
步骤4.3、采用步骤4.1和步骤4.2所构建的供电煤耗优化模型对各工况供电煤耗均进行优化后,得到各工况下供电煤耗最优值的数据库。
步骤5、对于实时数据进行供电煤耗优化,并定期更新工况划分模型和RF-GA供电煤耗优化模型,本步骤具体包含以下子步骤:
步骤5.1、对于实时数据,首先利用步骤3所建立的工况划分模型进行工况划分,确定当前数据所属工况;
步骤5.2、从根据历史数据建立的各个工况下最优值的数据库中取出相同工况下的最优煤耗值对应的可调参数数值;
步骤5.3、根据步骤5.2中返回的最优策略进行调参,得到预期优化供电煤耗值。
图3为实测数据在本发明所提出的方法下得到的优化曲线图,在各工况下均对供电煤耗值进行了优化。
Claims (3)
1.一种基于HAC和RF-GA的火电机组供电煤耗优化方法,其特征在于,包括以下步骤:
步骤1、将火电机组中计算供电煤耗的相关参数分为三类:全参数、工况识别参数、可调参数;所述工况识别参数包括实发功率、低压侧凝汽器压力和循环水进口平均温度;可调参数包括主蒸汽压力、主蒸汽温度、再热蒸汽温度、再热器减温水流量、凝汽器压力、排烟温度、凝汽器端差、凝汽器过冷度和厂用电率;
步骤2、数据预处理:
步骤2.1、首先选取历史数据中机组负荷率在30%以上的工况作为候选数据区间,随后针对候选数据区间,采用滑动窗口方法对实发功率进行进一步处理:设定一定时间窗口,计算该时间窗口内起始点到终点实发功率数据的斜率与方差,当实发功率数据的斜率与方差不超过一定阈值时认为工况稳定,选择历史数据中机组负荷率在30%以上的工况稳定的时间段作为数据区间;
步骤2.2、基于已确定的数据区间,经过滞后消除处理后对供电煤耗进行补算;
步骤3、基于凝聚层次聚类算法构建工况划分模型,利用工况识别参数进行工况划分:
步骤3.1、将工况识别参数作为聚类的依据,将每一条数据样本作为一类;
步骤3.2、利用凝聚层次聚类算法对数据样本进行聚类,形成工况划分模型,得到机组运行工况库;
步骤4、基于随机森林回归算法和遗传算法构建RF-GA供电煤耗优化模型,对供电煤耗值进行优化,得到不同工况下供电煤耗最优值的可调参数数值:
步骤4.1、采用随机森林回归算法构建基于全参数的供电煤耗预测模型,建立运行参数与供电煤耗之间的对应关系;
步骤4.2、将可调参数作为遗传算法的优化参数,供电煤耗预测模型作为遗传算法的优化函数,利用遗传算法对供电煤耗值进行优化,并利用小生境技术;
步骤4.3、用步骤4.1和步骤4.2构建的供电煤耗优化模型分别对各工况供电煤耗进行优化后,得到各工况下供电煤耗最优值的数据库;
步骤5、对于实时数据进行供电煤耗优化,并定期更新工况划分模型和RF-GA供电煤耗优化模型:
步骤5.1、首先利用步骤3所建立的工况划分模型对实时数据进行工况划分,确定当前数据所属工况;
步骤5.2、从供电煤耗最优值的数据库中取出相同工况下的最优煤耗值对应的可调参数数值;
步骤5.3、根据步骤5.2中返回的最优煤耗值对应的可调参数数值,得到预期优化供电煤耗值;
步骤5.4、随着数据的更新定期更新工况划分模型和RF-GA供电煤耗优化模型。
2.根据权利要求1所述基于HAC和RF-GA的火电机组供电煤耗优化方法,其特征在于:所述步骤1中全参数是计算供电煤耗相关的所有参数,工况识别参数是用于工况划分的相关参数。
3.根据权利要求1所述基于HAC和RF-GA的火电机组供电煤耗优化方法,其特征在于:所述步骤4中不同工况下最优供电煤耗值的可调参数数值的优化取值范围分别由该工况下可调参数数值历史最高值和最低值确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010527009.3A CN111754030B (zh) | 2020-06-11 | 2020-06-11 | 一种基于hac和rf-ga的火电机组供电煤耗优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010527009.3A CN111754030B (zh) | 2020-06-11 | 2020-06-11 | 一种基于hac和rf-ga的火电机组供电煤耗优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111754030A CN111754030A (zh) | 2020-10-09 |
CN111754030B true CN111754030B (zh) | 2022-04-12 |
Family
ID=72676524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010527009.3A Active CN111754030B (zh) | 2020-06-11 | 2020-06-11 | 一种基于hac和rf-ga的火电机组供电煤耗优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111754030B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734158B (zh) * | 2020-12-01 | 2023-12-29 | 北方联合电力有限责任公司乌拉特发电厂 | 发电机组的热电负荷分配方法、装置及电子设备 |
CN112964988A (zh) * | 2021-03-24 | 2021-06-15 | 河南中烟工业有限责任公司 | 电机工况的切分方法及系统 |
CN113507447B (zh) * | 2021-06-17 | 2022-09-13 | 北京邮电大学 | 网络流量数据的自适应增强方法及装置 |
CN114626309B (zh) * | 2022-05-12 | 2022-09-13 | 江苏未来智慧信息科技有限公司 | 一种高压加热器系统端差煤耗优化调节方法 |
CN117150419B (zh) * | 2023-10-31 | 2024-02-02 | 东莞市茂腾电子科技有限公司 | 基于数据分析的储能电源运行环境检测系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102636991A (zh) * | 2012-04-18 | 2012-08-15 | 国电科学技术研究院 | 一种基于模糊集关联规则的火电机组运行参数优化方法 |
CN109872012A (zh) * | 2019-03-18 | 2019-06-11 | 上海大学 | 基于工况划分的火电厂运行多目标优化的确定方法 |
CN110263988A (zh) * | 2019-06-06 | 2019-09-20 | 东南大学 | 一种基于电厂脱硫系统的数据运行优化方法 |
CN110442038A (zh) * | 2019-07-25 | 2019-11-12 | 南京邮电大学 | 基于FP-Growth算法的火电机组运行优化目标值确定方法 |
CN110764468A (zh) * | 2018-07-26 | 2020-02-07 | 国家能源投资集团有限责任公司 | 一种确定火电机组运行参数基准值的方法及装置 |
-
2020
- 2020-06-11 CN CN202010527009.3A patent/CN111754030B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102636991A (zh) * | 2012-04-18 | 2012-08-15 | 国电科学技术研究院 | 一种基于模糊集关联规则的火电机组运行参数优化方法 |
CN110764468A (zh) * | 2018-07-26 | 2020-02-07 | 国家能源投资集团有限责任公司 | 一种确定火电机组运行参数基准值的方法及装置 |
CN109872012A (zh) * | 2019-03-18 | 2019-06-11 | 上海大学 | 基于工况划分的火电厂运行多目标优化的确定方法 |
CN110263988A (zh) * | 2019-06-06 | 2019-09-20 | 东南大学 | 一种基于电厂脱硫系统的数据运行优化方法 |
CN110442038A (zh) * | 2019-07-25 | 2019-11-12 | 南京邮电大学 | 基于FP-Growth算法的火电机组运行优化目标值确定方法 |
Non-Patent Citations (4)
Title |
---|
Exergy analysis and optimization of multi-effect distillation with thermal vapor compression system of bandar abbas thermal power plant using genetic algorithm;Jamshid Khorshidi;《Transactions of Mechanical Engineering Iranian Journal of Science and Technology》;20191231;第43卷(第1期);全文 * |
城镇化下我国北方省份集中供热耗煤预测及节能潜力分析;韩梦;《中国优秀硕士学位论文全文数据库(工程科技Ⅱ辑)》;20150315(第03期);全文 * |
百万超超临界机组制粉系统能效评价与诊断的研究;陈义端;《中国优秀硕士学位论文全文数据库(工程科技Ⅱ辑)》;20180315(第03期);全文 * |
间歇式造气炉节能减耗方案的研究与实施;吕玲;《中国优秀硕士学位论文全文数据库(工程科技Ⅰ辑)》;20140315(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111754030A (zh) | 2020-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111754030B (zh) | 一种基于hac和rf-ga的火电机组供电煤耗优化方法 | |
CN102566551B (zh) | 一种基于数据挖掘的火电厂运行指标最优目标值的分析方法 | |
CN112749840B (zh) | 一种火电机组能效特征指标基准值的获取方法 | |
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 | |
CN105259758A (zh) | 基于海量历史数据火电机组运行参数智能在线寻优方法 | |
CN112365045A (zh) | 一种基于大数据的主蒸汽温度智能预测方法 | |
CN112377985B (zh) | 基于反馈神经网络的供热机组调峰下限评估方法及系统 | |
CN112700085A (zh) | 基于关联规则的复杂系统稳态运行参数优化方法、系统和介质 | |
CN110717610A (zh) | 一种基于数据挖掘的风电功率预测方法 | |
CN115077640A (zh) | 一种城市固废焚烧过程主蒸汽流量实时预测方法 | |
CN110207094A (zh) | 基于主成分分析的iqga-svr锅炉受热面沾污特性辨识方法 | |
CN116522795A (zh) | 基于数字孪生模型的综合能源系统仿真方法及系统 | |
CN114881347A (zh) | 一种采用加权残差聚类的天然气负荷预测区间估计方法 | |
CN114186476A (zh) | 基于历史工况的锅炉燃烧在线优化方法 | |
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 | |
CN111199304A (zh) | 基于数据驱动融合策略的多目标燃烧优化方法 | |
CN115730228A (zh) | 基于bp神经网络的中央空调能耗分析方法 | |
CN115186754A (zh) | 基于信息熵及自联想回归模型的机组能效监测诊断方法 | |
CN112348696A (zh) | 基于bp神经网络的供热机组调峰上限评估方法及系统 | |
CN113837459B (zh) | 一种基于rf-dtw的智能电厂燃煤发电机组短期负荷预测方法 | |
Zhou et al. | Prediction Model of Coal Consumption Based on Random Forest Variable Selection and Random-Grid Hyperparametric Optimization Algorithm | |
CN115081899A (zh) | 一种电站机组运行参数基准值的在线自适应获取方法 | |
CN111852596B (zh) | 一种锅炉汽轮发电机组运行参数及相对发电煤耗率预测方法 | |
CN113822496B (zh) | 一种多机组热电厂供热模式及参数在线寻优方法 | |
Sun et al. | The Foreign Exchange Asset Pricing Model Deeply Integrating ARIMA with Decision tree and LSTM |
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 |