CN112288120A - 一种热电联产机组生产调度实时优化系统及方法 - Google Patents
一种热电联产机组生产调度实时优化系统及方法 Download PDFInfo
- Publication number
- CN112288120A CN112288120A CN201910680647.6A CN201910680647A CN112288120A CN 112288120 A CN112288120 A CN 112288120A CN 201910680647 A CN201910680647 A CN 201910680647A CN 112288120 A CN112288120 A CN 112288120A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- unit
- optimization
- production scheduling
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 73
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000010977 unit operation Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000012800 visualization Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000002485 combustion reaction Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000007635 classification algorithm Methods 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract description 3
- 239000007789 gas Substances 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002918 waste heat Substances 0.000 description 1
- 239000002699 waste material Substances 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
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明揭示了一种热电联产机组生产调度实时优化系统及方法,涉及热电联产机组生产调度技术领域。热电联产机组生产调度实时优化系统,由包括数据采集模块、聚类模块、分类模块、优化目标选择模块、可视化模块组成,每个模块定期执行自动更新,不需要人工操作;热电联产机组生产调度实时优化方法,使用机器学习聚类算法和分类算法,优化当前运行状态下机组生产运行方式,通过系统展示为技术人员调整生产方式提供指导,提升机组运行效率;本发明不需要人员干预,不仅节省了大量人力和时间,而且有效地提高了预估需求准确性,为机组运行人员根据当前状态调整优化生产调度提供数据支撑。
Description
技术领域
本发明涉及热电联产机组生产调度技术领域,更具体地指一种基于数据驱动的热电联产机组生产调度实时优化系统及方法。
背景技术
热电联产电厂是指同时向用户供给电能和热能的火力发电厂,其热能来自燃气轮机排出的余热及汽轮机抽汽。热电联产发电厂的生产最主要由供热需求驱动,若热蒸汽的供应量过小,则无法保障热蒸汽需求单位的正常生产运行,若热蒸汽的供应量过大,则会造成资源浪费。
如图1所示,经过余热锅炉后产生的高温高压蒸汽可以直接进行减温减压提供给热蒸汽需求单位,也可以经过汽轮机做功经第3级叶片抽汽后提供给热蒸汽需求单位。前者可提供的热蒸汽量大,但是能量利用率相对偏低,后者能量利用率高,但热蒸汽供应量有限。因此,在满足供汽需求的前提下,合理分配高压减温减压和高压抽气的蒸汽量对于提高机组的经济性至关重要。现有热电联产电厂采用经验丰富的技术人员根据运行状态和需求状态调整运行方式,然而这种方式不仅会消耗大量人力和时间,而且准确性难以保证。
发明内容
(一)解决的技术问题
针对现有热电联产电厂采用经验丰富的技术人员根据运行状态和需求状态调整运行方式,这种方式不仅会消耗大量人力和时间,而且准确性难以保证缺陷问题,本发明提出一种热电联产机组生产调度实时优化系统及方法,使用机器学习聚类算法和分类算法,优化当前运行状态下机组生产运行方式,通过系统展示为技术人员调整生产方式提供指导,提升机组运行效率。
(二)技术方案
一种热电联产机组生产调度实时优化系统,包括数据采集模块、聚类模块、分类模块、优化目标选择模块、可视化模块;所述数据采集模块与聚类模块的输入相连,所述聚类模块的输出与分类模块的输入相连,所述分类模块的输出与优化目标选择模块的输入相连,所述优化目标选择模块的输出与可视化模块输入相连;
所述数据采集模块获取历史机组运行数据、高抽高减蒸汽数据、外部供汽数据、总供汽需求数据,每一时刻的数据即为一个样本;
所述聚类模块根据外部供汽数据、总供汽需求数据和机组运行状态数据,对样本进行聚类,形成K个聚类,并选取每个类别中机组效率较高的N个样本,形成优化目标集;
所述分类模块获取当前机组运行数据、高抽高减蒸汽数据、外部供汽数据、总供汽需求数据,使用KNN算法从优化目标集中计算距离当前状态最近的M个样本,形成优化目标子集;
所述优化目标选择模块优化目标子集中机组燃机有功功率最高的D个样本即是优化参考对;
所述可视化模块展示优化结果,为机组运行人员提供生产调度优化方案指导。
一种热电联产机组生产调度实时优化方法,包括以下步骤:
S1、数据采集:获取历史机组运行数据、高抽高减蒸汽数据、外部供汽数据、总供汽需求数据,每一时刻的数据即为一个样本;
S2、聚类分群:根据外部供汽数据、总供汽需求数据和机组运行状态数据,对样本进行聚类,形成K个聚类,并选取每个类别中机组效率较高的N个样本,形成优化目标集;
S3、分类选择:获取当前机组运行数据、高抽高减蒸汽数据、外部供汽数据、总供汽需求数据,使用KNN算法从优化目标集中计算距离当前状态最近的M个样本,形成优化目标子集;
S4、优化目标选择:根据优化目标的个数、需要满足的条件配置,选择优化目标;
S5、可视化:可视化展示优化结果,为机组运行人员提供生产调度优化方案指导。
根据本发明的一实施例,所述步骤S2聚类分群采用K-means算法,K-means算法中K代表类簇个数,means代表类簇内数据对象的均值。
根据本发明的一实施例,所述K-means算法包括以下步骤:
S2.1、随机选择K作为初始质心点;
S2.2、对于所剩下的对象,则根据它们与这些聚类中心距离,分别将它们分配给与其最相似的聚类;
S2.3、计算每个所获新聚类的聚类中心;
S2.4、如果满足了标准,就停止步骤,否则转回步骤S2.2,直到条件满足。
根据本发明的一实施例,所述步骤S2.4停止条件如下:没有需要分配的任务到不同的簇,质心不再发生变化,或者均方误差值下降幅度很小,其计算式:
其中,ck是第k个簇,mk是簇ck的质心,d(x,mk)是x和质心mk之间的距离。
根据本发明的一实施例,所述每个目标点到簇中心的距离d(x,mk):
根据本发明的一实施例,所述步骤S3分类选择KNN算法包括以下步骤:
S3.1、计算测试数据与各个训练数据之间的距离;
S3.2、按照距离的递增关系进行排序;
S3.3、选取距离最小的K个点;
S3.4、确定前K个点所在类别的出现频率;
S3.5、返回前K个点中出现频率最高的类别作为测试数据的预测分类。
(三)有益效果
采用了本发明的上述热电联产机组生产调度实时优化系统,由包括数据采集模块、聚类模块、分类模块、优化目标选择模块、可视化模块组成,每个模块定期执行自动更新,不需要人工操作;热电联产机组生产调度实时优化方法,使用机器学习聚类算法和分类算法,优化当前运行状态下机组生产运行方式,通过系统展示为技术人员调整生产方式提供指导,提升机组运行效率;本发明不需要人员干预,不仅节省了大量人力和时间,而且有效地提高了预估需求准确性,为机组运行人员根据当前状态调整优化生产调度提供数据支撑。
附图说明
在本发明中,相同的附图标记始终表示相同的特征,其中:
图1是热电联产机组生产流程图;
图2是本发明优化系统原理框图;
图3是本发明优化方法流程图。
具体实施方式
下面结合附图和实施例进一步说明本发明的技术方案。
结合图2,一种热电联产机组生产调度实时优化系统,包括数据采集模块、聚类模块、分类模块、优化目标选择模块、可视化模块;所述数据采集模块与聚类模块的输入相连,所述聚类模块的输出与分类模块的输入相连,所述分类模块的输出与优化目标选择模块的输入相连,所述优化目标选择模块的输出与可视化模块输入相连。每个模块定期执行自动更新,不需要人工操作。
所述数据采集模块获取历史机组运行数据、高抽高减蒸汽数据、外部供汽数据、总供汽需求数据等,每一时刻的数据即为一个样本;
所述聚类模块根据外部供汽数据、总供汽需求数据和机组运行状态数据,对样本进行聚类,形成K个聚类,并选取每个类别中机组效率较高的N个样本,形成优化目标集;
所述分类模块获取当前机组运行数据、高抽高减蒸汽数据、外部供汽数据、总供汽需求数据等,使用KNN算法从优化目标集中计算距离当前状态最近的M个样本,形成优化目标子集;
实施例:
以上是历史数据,在机组运行状态相似的前提下,不同的高压抽气和高压减温减压调度方式下,汽机有功功率不同。
例如当前天然气流速为96325m3/h,燃气轮机有功功率为492Mwh,外部供气量为140t/h,总供气需求量为580t/h时,使用KNN算法,计算得出序号1~3的机组运行方式与当前状态比较接近。在满足供汽需求的前提下,为提高燃气轮机和汽机整体有功功率,选择序号2的调度方式为参考,从而获得比序号1和3高的总功率。
又如当机组以低功率运行时,天然气流速为48034m3/h,燃气轮机有功功率为241Mwh,外部供气量为280t/h,总供气需求量为540t/h,使用KNN算法得到序号12、13和15的运行方式与当前状态比较接近。依据以上原则,则推荐序号15的调度方式作为参考。
所述优化目标选择模块优化目标子集中机组燃机有功功率最高的D个样本即是优化参考对象;
所述可视化模块展示优化结果,为机组运行人员提供生产调度优化方案指导。
结合图3,一种热电联产机组生产调度实时优化方法,包括以下步骤:
S1、数据采集:获取历史机组运行数据、高抽高减蒸汽数据、外部供汽数据、总供汽需求数据,每一时刻的数据即为一个样本;
S2、聚类分群:根据外部供汽数据、总供汽需求数据和机组运行状态数据,对样本进行聚类,形成K个聚类,并选取每个类别中机组效率较高的N个样本,形成优化目标集;
聚类分群采用K-means算法,K-means算法中K代表类簇个数,means代表类簇内数据对象的均值。
K-means算法包括以下步骤:
S2.1、随机选择K作为初始质心点;
S2.2、对于所剩下的对象,则根据它们与这些聚类中心距离,分别将它们分配给与其最相似的聚类;
S2.3、计算每个所获新聚类的聚类中心;
S2.4、如果满足了标准,就停止步骤,否则转回步骤S2.2,直到条件满足。
停止条件如下:没有需要分配的任务到不同的簇,质心不再发生变化,或者均方误差值下降幅度很小,其计算式:
其中,ck是第k个簇,mk是簇ck的质心,d(x,mk)是x和质心mk之间的距离。每个目标点到簇中心的距离d(x,mk):
S3、分类选择:获取当前机组运行数据、高抽高减蒸汽数据、外部供汽数据、总供汽需求数据,使用KNN算法从优化目标集中计算距离当前状态最近的M个样本,形成优化目标子集;
KNN算法包括以下步骤:
S3.1、计算测试数据与各个训练数据之间的距离;
S3.2、按照距离的递增关系进行排序;
S3.3、选取距离最小的K个点;
S3.4、确定前K个点所在类别的出现频率;
S3.5、返回前K个点中出现频率最高的类别作为测试数据的预测分类。
S4、优化目标选择:根据优化目标的个数、需要满足的条件配置,选择优化目标;
S5、可视化:可视化展示优化结果,为机组运行人员提供生产调度优化方案指导。
综上所述,采用了本发明的技术方案,热电联产机组生产调度实时优化系统,由包括数据采集模块、聚类模块、分类模块、优化目标选择模块、可视化模块组成,每个模块定期执行自动更新,不需要人工操作;热电联产机组生产调度实时优化方法,使用机器学习聚类算法和分类算法,优化当前运行状态下机组生产运行方式,通过系统展示为技术人员调整生产方式提供指导,提升机组运行效率;本发明不需要人员干预,不仅节省了大量人力和时间,而且有效地提高了预估需求准确性,为机组运行人员根据当前状态调整优化生产调度提供数据支撑。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种热电联产机组生产调度实时优化系统,其特征在于:
包括数据采集模块、聚类模块、分类模块、优化目标选择模块、可视化模块;所述数据采集模块与聚类模块的输入相连,所述聚类模块的输出与分类模块的输入相连,所述分类模块的输出与优化目标选择模块的输入相连,所述优化目标选择模块的输出与可视化模块输入相连;
所述数据采集模块获取历史机组运行数据、高抽高减蒸汽数据、外部供汽数据、总供汽需求数据,每一时刻的数据即为一个样本;
所述聚类模块根据外部供汽数据、总供汽需求数据和机组运行状态数据,对样本进行聚类,形成K个聚类,并选取每个类别中机组效率较高的N个样本,形成优化目标集;
所述分类模块获取当前机组运行数据、高抽高减蒸汽数据、外部供汽数据、总供汽需求数据,使用KNN算法从优化目标集中计算距离当前状态最近的M个样本,形成优化目标子集;
所述优化目标选择模块优化目标子集中机组燃机有功功率最高的D个样本即是优化参考对;
所述可视化模块展示优化结果,为机组运行人员提供生产调度优化方案指导。
2.如权利要求1所述的一种热电联产机组生产调度实时优化方法,其特征在于,包括以下步骤:
S1、数据采集:获取历史机组运行数据、高抽高减蒸汽数据、外部供汽数据、总供汽需求数据,每一时刻的数据即为一个样本;
S2、聚类分群:根据外部供汽数据、总供汽需求数据和机组运行状态数据,对样本进行聚类,形成K个聚类,并选取每个类别中机组效率较高的N个样本,形成优化目标集;
S3、分类选择:获取当前机组运行数据、高抽高减蒸汽数据、外部供汽数据、总供汽需求数据,使用KNN算法从优化目标集中计算距离当前状态最近的M个样本,形成优化目标子集;
S4、优化目标选择:根据优化目标的个数、需要满足的条件配置,选择优化目标;
S5、可视化:可视化展示优化结果,为机组运行人员提供生产调度优化方案指导。
3.如权利要求2所述的一种热电联产机组生产调度实时优化方法,其特征在于,所述步骤S2聚类分群采用K-means算法,K-means算法中K代表类簇个数,means代表类簇内数据对象的均值。
4.如权利要求3所述的一种热电联产机组生产调度实时优化方法,其特征在于,所述K-means算法包括以下步骤:
S2.1、随机选择K作为初始质心点;
S2.2、对于所剩下的对象,则根据它们与这些聚类中心距离,分别将它们分配给与其最相似的聚类;
S2.3、计算每个所获新聚类的聚类中心;
S2.4、如果满足了标准,就停止步骤,否则转回步骤S2.2,直到条件满足。
7.如权利要求2所述的一种热电联产机组生产调度实时优化方法,其特征在于,所述步骤S3分类选择KNN算法包括以下步骤:
S3.1、计算测试数据与各个训练数据之间的距离;
S3.2、按照距离的递增关系进行排序;
S3.3、选取距离最小的K个点;
S3.4、确定前K个点所在类别的出现频率;
S3.5、返回前K个点中出现频率最高的类别作为测试数据的预测分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910680647.6A CN112288120A (zh) | 2019-07-26 | 2019-07-26 | 一种热电联产机组生产调度实时优化系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910680647.6A CN112288120A (zh) | 2019-07-26 | 2019-07-26 | 一种热电联产机组生产调度实时优化系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112288120A true CN112288120A (zh) | 2021-01-29 |
Family
ID=74419244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910680647.6A Pending CN112288120A (zh) | 2019-07-26 | 2019-07-26 | 一种热电联产机组生产调度实时优化系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112288120A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530504A (zh) * | 2013-09-27 | 2014-01-22 | 广东电网公司电力科学研究院 | 热电联产机组以热定电下可行运行区间的计算系统及方法 |
CN106056168A (zh) * | 2016-08-13 | 2016-10-26 | 上海电力学院 | 燃气‑蒸汽联合循环发电机组运行工况优化值的确定方法 |
CN108734355A (zh) * | 2018-05-24 | 2018-11-02 | 国网福建省电力有限公司 | 一种应用于电能质量综合治理场景的短期电力负荷并行预测方法及系统 |
US20180356774A1 (en) * | 2017-02-22 | 2018-12-13 | Tsinghua University | Dispatch method and apparatus for combined heat and power system |
CN109185110A (zh) * | 2018-08-18 | 2019-01-11 | 天津绿动未来能源管理有限公司 | 一种发电厂循环水寻优优化运行方法 |
-
2019
- 2019-07-26 CN CN201910680647.6A patent/CN112288120A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530504A (zh) * | 2013-09-27 | 2014-01-22 | 广东电网公司电力科学研究院 | 热电联产机组以热定电下可行运行区间的计算系统及方法 |
CN106056168A (zh) * | 2016-08-13 | 2016-10-26 | 上海电力学院 | 燃气‑蒸汽联合循环发电机组运行工况优化值的确定方法 |
US20180356774A1 (en) * | 2017-02-22 | 2018-12-13 | Tsinghua University | Dispatch method and apparatus for combined heat and power system |
CN108734355A (zh) * | 2018-05-24 | 2018-11-02 | 国网福建省电力有限公司 | 一种应用于电能质量综合治理场景的短期电力负荷并行预测方法及系统 |
CN109185110A (zh) * | 2018-08-18 | 2019-01-11 | 天津绿动未来能源管理有限公司 | 一种发电厂循环水寻优优化运行方法 |
Non-Patent Citations (1)
Title |
---|
朱明, 中国科学技术大学出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9200591B2 (en) | Automatic identification of operating parameters for power plants | |
CN101893877A (zh) | 一种发电厂基于能耗分析的优化运行方法及其系统 | |
CN104035331B (zh) | 机组运行优化指导系统及其设备 | |
CN109185917B (zh) | 一种基于火焰强度信号的锅炉燃烧状态在线诊断方法及系统 | |
CN102809928B (zh) | 一种工业企业热力设备能耗的控制优化方法 | |
CN105787271B (zh) | 基于大数据分析技术的供热机组可调出力区间评估方法 | |
CN107918368B (zh) | 钢铁企业煤气产生量与消耗量的动态预测方法及设备 | |
WO2023024433A1 (zh) | 一种燃气蒸汽联合循环发电机组运行调控系统及调控方法 | |
CN113837464A (zh) | 一种基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法 | |
CN105320114A (zh) | 基于数据挖掘的火力发电站锅炉燃烧调整模型获取方法 | |
CN111507520A (zh) | 一种换热机组负荷的动态预测方法及系统 | |
CN108695898B (zh) | 一种热电机组调峰能力的在线监测方法 | |
CN111950118B (zh) | 一种燃气-蒸汽联合发电机组操作优化方法及设备 | |
CN112288120A (zh) | 一种热电联产机组生产调度实时优化系统及方法 | |
EP2597543A2 (en) | Method and system for managing plant operation | |
CN116720709A (zh) | 一种建立用于自来水厂选配泵组及高效运行系统的方法 | |
CN201540482U (zh) | 燃气-蒸汽联合循环热电联供系统的热流图显示仪 | |
CN106056168A (zh) | 燃气‑蒸汽联合循环发电机组运行工况优化值的确定方法 | |
CN100366876C (zh) | 燃气-蒸汽联合循环发电站运行效率在线解析方法和系统 | |
CN116335893A (zh) | 一种风力发电机组运行状态的分类方法和系统 | |
CN115102164A (zh) | 多机组协同优化负荷分配方法、系统、设备及存储介质 | |
CN112749205B (zh) | 一种燃煤发电机组功率与供电煤耗关系曲线获取系统及方法 | |
CN113538170A (zh) | 一种基于生命周期的燃气供应系统经济性能分析方法 | |
CN113868836A (zh) | 基于大数据的智慧热力系统在线专家分析平台 | |
CN117152355B (zh) | 一种基于工厂数据的可视化监管系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210129 |
|
RJ01 | Rejection of invention patent application after publication |