CN112328590A - 一种热力设备运行数据深度清洗方法 - Google Patents
一种热力设备运行数据深度清洗方法 Download PDFInfo
- Publication number
- CN112328590A CN112328590A CN202011380881.6A CN202011380881A CN112328590A CN 112328590 A CN112328590 A CN 112328590A CN 202011380881 A CN202011380881 A CN 202011380881A CN 112328590 A CN112328590 A CN 112328590A
- Authority
- CN
- China
- Prior art keywords
- data
- parameters
- equipment
- parameter
- health
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种热力设备运行数据深度清洗方法,包括:利用热力设备机理模型、基于机理模型和健康运行数据机器学习的伴随仿真模型和热力系统质热平衡方程,通过关键参数相似性分析、不同参数的关联性分析这些方法,实现仪表评估与在线校正、数据健康状态评估和缺失测点参数辨识这些功能。本发明的方法思路新颖、可行性高,具有显著的应用前景。
Description
技术领域
本发明涉及节能技术,具体涉及一种热力设备运行数据深度清洗系统及方法。
背景技术
目前,在电力、化工、钢铁、冶金、水泥等工业领域,热力设备的安全、高效运行是关乎企业经济效益和生存空间的核心问题。随着自动化程度的提高,许多大型设备都配置了在线监测控制系统,如DCS、MIS、SIS等,通过大量的高精度传感器和数据采集、分析系统为设备的安全运行提供实时数据。理论上,基于这些测量数据还可以确定设备的实时运行状态和性能,为运行和管理提供决策依据。事实上,很多设备上已集成了设备运行状态和性能监测系统,但成功应用的少之又少,其主要原因是设备运行数据的可靠性达不到要求。
热力设备的测量数据主要包括压力、温度、流量等参数。在运行过程中,由于各种因素的影响,比如,一次元件积水或结垢、引压管液位变化、环境参数变化等等,都将导致仪表测量数据偏离实际值,但由于缺少有效的手段及时发现、消除这些偏差,设备运行状态和性能监测系统只能“带病”运行,显然无法得到可靠的结果。对于设备自动控制来说,只需要用到部分关键参数,而且控制信号都预留了一定的安全裕量,且各个信号都是独立的,发现问题时可对仪表进行人工检测和处理,所以监测数据的可靠性问题并不突出。然而,对于设备运行状态评估和性能分析来说,所需参数具有全面性和关联性,任何一个参数出现问题都会对最终结果产生影响,因此其对数据可靠性的要求比自动控制要高得多。
数据清洗是目前解决数据可靠性的最有效途径,其主要目的是检测和修复脏数据,主要包括冗余数据、冲突数据、异常数据和缺失数据等。常用的数据清洗方法是:通过预先设定数据域值过滤掉异常数据;通过挖掘同一数据源的时间相关性为缺失数据填补合理的数值并通过时间性判别异常值;通过挖掘同一数据源的空间相关性填补缺失数据并通过空间相关性判断异常值;通过汇聚其他节点数据挖掘节点间的相关性,判断异常数据;通过不同属性间的关联性,判断数据正确性,即扩展多种关联属性的数据清洗。这些方法大多是纯数学的,较少涉及设备自身特性,主要用于解决冗余和明显异常的数据,比如,剔除重复数据、通过阈值筛选数据、删除明显不符合物理规律和常理的数据、通过插值方法填补采集过程中丢失的数据等。然而,对于热力系统及设备来说,由于不同参数的关联性非常强,面临的数据问题可能更加复杂,例如,有些参数是热力分析必需的但没有安装测量仪表或者无法测量,设备下游参数随上游参数变化导致误判数据异常等等,利用上述数据清洗仍然无法解决数据可靠性问题。为此,必须探索更有效的数据清洗方法。
作为具有完整功能且强关联性的独立系统来说,任何数据异常必然引起相关特性参数的连锁反应,而要发现这些异常变化,必须理清设备各参数的关联性。本发明正是基于上述思路,提出了基于设备机理模型和系统质热平衡分析的数据深度清洗方法,为提高热力系统及设备在线监测数据的可靠性提供了有效的解决方案。
发明内容
本发明的主要目的在于提供一种热力设备运行数据深度清洗方法,利用设备机理模型、基于机理模型和健康运行数据机器学习的伴随仿真模型和热力系统质热平衡方程,通过关键参数相似性分析、不同参数的关联性分析等方法,实现仪表评估与在线校正、数据健康状态评估和缺失测点参数辨识等数据深度清洗功能,为热力设备智能运维分析提供可靠的数据源。
本发明采用的技术方案为:一种热力设备运行数据深度清洗方法,包括:
利用热力设备机理模型、基于机理模型和健康运行数据机器学习的伴随仿真模型和热力系统质热平衡方程,通过关键参数相似性分析、不同参数的关联性分析这些方法,实现仪表评估与在线校正、数据健康状态评估和缺失测点参数辨识这些功能。
进一步地,所述运行数据主要包括工质压力、温度、流量、液位以及设备转速、功率这些可利用仪表直接测量的数据。
更进一步地,所述仪表评估与在线校正包括:
假定仪表灵敏度绝对值或相对值短期内不发生变化,通过对不同参数多工况测量数据的机器学习和参数辨识,确定仪表零漂和灵敏度等参数,在线修正仪表零位,分析灵敏度变化的主要原因,消除测量系统故障。
更进一步地,所述数据健康状态评估包括:
基于设备高精度机理模型或伴随仿真模型,通过工作参数参数相似性分析与工作参数参数关联性分析完成;
所述工作参数相似性分析包括,采用数学方法计算设备运行数据与对应工况仿真模型参数的相似程度,直接评估健康程度;
所述工作参数关联性分析包括,针对相似性分析认定的亚健康数据或健康数据,分别计算由运行数据和仿真模型得到的设备特性参数,根据特性参数的相似度进一步评估健康数据。
更进一步地,所述工作参数相似性分析采用支持向量机、超球模型、人工神经网络、回归分析这些方法。
更进一步地,所述缺失测点参数辨识包括:
基于设备伴随仿真模型和热力系统质热平衡方程,以关联参数和系统质热平衡核心参数的总体误差最小为目标,通过优化算法与参数辨识确定各缺失测点参数的最佳值;所述关联参数是指热力系统中对缺失测点参数最敏感的参数组,可通过人工指定或通过数学方法自动筛选。
更进一步地,所述缺失测点参数是指热力系统质热平衡分析需要但未安装测点或测量仪表出现故障或测点数据病态且难以校正的参数,不保证所有缺失测点参数都能得到有效辨识。
更进一步地,所述伴随仿真模型是以高精度机理模型为骨架,通过对深度清洗筛选出的健康数据进行机器学习,形成接近实际运行设备性能的仿真模型。
本发明的优点:
本发明的一种热力设备运行数据深度清洗及方法,利用设备机理模型、基于机理模型和健康运行数据机器学习的伴随仿真模型和热力系统质热平衡方程,通过关键参数相似性分析、不同参数的关联性分析等方法,实现仪表评估与在线校正、数据健康状态评估和缺失测点参数辨识等数据深度清洗功能,为热力设备智能运维分析提供可靠的数据源。
本发明的方法思路新颖、可行性高,具有显著的应用前景。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明的热力设备运行数据深度清洗方法流程框图;
图2是本发明的实施例1的流程示意图;
图3是本发明的实施例2的流程示意图;
图4是本发明的实施例3的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参考图1,一种热力设备运行数据深度清洗方法,利用热力设备机理模型、基于机理模型和健康运行数据机器学习的伴随仿真模型(简称仿真模型,下同)和热力系统质热平衡方程,通过关键参数相似性分析、不同参数的关联性分析等方法,实现仪表评估与在线校正、数据健康状态评估和缺失测点参数辨识等功能。
本发明的一种热力设备运行数据深度清洗及方法,利用设备机理模型、基于机理模型和健康运行数据机器学习的伴随仿真模型和热力系统质热平衡方程,通过关键参数相似性分析、不同参数的关联性分析等方法,实现仪表评估与在线校正、数据健康状态评估和缺失测点参数辨识等数据深度清洗功能,为热力设备智能运维分析提供可靠的数据源。
本发明的方法思路新颖、可行性高,具有显著的应用前景。
运行数据深度清洗系统及方法主要适用于火力发电与多联产、分布式多联供、新能源系统、石油化工、钢铁与有色金属冶炼等工业领域的热力设备及其热力系统,包括锅炉、透平、燃烧器或燃烧室、磨煤机、泵、风机、热泵、制冷机、各类换热器、气化炉、分离器、空分装置、脱硫装置、脱销装置、空冷岛、凝汽器、冷却塔、光伏发电、光热发电、风力发电等。
运行数据主要包括工质压力、温度、流量、液位以及设备转速、功率(或电压与电流)等可利用仪表直接测量的数据。
仪表评估与在线校正的主要目的是减少或消除一次元件积水或结垢、引压管液位变化、环境参数变化等引起的仪表测量误差;解决方案是:假定仪表灵敏度绝对值或相对值短期内不发生变化,通过对不同参数多工况测量数据的机器学习和参数辨识,确定仪表零漂和灵敏度等参数,在线修正仪表零位,分析灵敏度变化的主要原因,消除测量系统故障。
数据健康程度评估是基于设备高精度机理模型或伴随仿真模型,通过工作参数参数相似性与关联性分析完成的;相似性分析是采用数学方法计算设备运行数据与对应工况仿真模型参数的相似程度,直接评估健康程度;关联性分析是针对相似性分析认定的亚健康数据或健康数据,分别计算由运行数据和仿真模型得到的设备特性参数,如热力性能、换热系数等,根据特性参数的相似度进一步评估健康数据。
相似性分析可采用支持向量机、超球模型、人工神经网络、回归分析等方法。
缺失测点的参数辨识是基于设备伴随仿真模型和热力系统质热平衡方程,以关联参数和系统质热平衡核心参数的总体误差最小为目标,通过优化算法与参数辨识确定各缺失测点参数的最佳值;关联参数是指热力系统中对缺失测点参数最敏感的参数组,可通过人工指定或通过数学方法自动筛选。
缺失测点参数是指热力系统质热平衡分析需要但未安装测点或测量仪表出现故障或测点数据病态且难以校正的参数,不保证所有缺失测点参数都能得到有效辨识。
设备伴随仿真模型是以高精度机理模型为骨架,通过对深度清洗筛选出的健康数据进行机器学习,形成接近实际运行设备性能的仿真模型。
数据深度清洗的3个功能模块(仪表评估与在线校正、数据健康状态评估和缺失测点参数辨识)具有独立性,任一个功能模块的独立应用或多个功能模块的组合应用均属于本发明专利的权利要求范围。
本发明主要技术特征如下:
1)考虑到大型热力设备的重要性,参数测量通常采用高可靠性的传感器,仪表灵敏度的稳定性好,额外误差主要来源于测量系统,如一次元件积水或结垢、引压管液位变化、环境参数变化等引起的仪表测量系统性误差。可先假定仪表灵敏度绝对值或相对值短期内不发生变化,通过对不同参数多工况测量数据的机器学习和参数辨识,确定仪表零漂和灵敏度等参数,在线修正仪表零位,分析灵敏度变化的主要原因,消除测量系统故障。上述方法可消除90%以上的仪表问题,在线校正后的仪表数据称为“绿色数据”。
2)利用传统的数据清洗方法检测和修复“绿色数据”,解决冗余数据、冲突数据、异常数据和缺失数据等问题,得到“清洁数据”。
3)根据各热力设备的设计理论建立对应的高精度机理模型,并以机理模型为骨架,通过对深度清洗筛选出的健康数据进行机器学习,形成接近实际运行设备性能的伴随仿真模型。初始健康数据可以来自于设计数据或热力性能试验数据,也可以来自于运行数据的迭代计算修正。
4)基于设备高精度机理模型或伴随仿真模型,通过参数相似性与关联性分析对“清洁数据”进行健康程度评估。所述工作参数相似性分析是采用数学方法计算设备运行数据与对应工况仿真模型参数的相似程度,直接评估数据健康程度,根据相似度阈值将“清洁数据”区分为“健康数据”、“亚健康数据”和“病态数据”。所述关联性分析是针对工作参数相似性分析认定的“亚健康数据”和“健康数据”,分别计算由运行数据和仿真模型得到的设备特性参数,如热力性能、换热系数等,若特性参数的相似度较高,则说明测量参数与仿真参数相似性低是关联性参数引起的,不是测量参数自身的问题,仍然可以判定该数据为“健康数据”;若特性参数相似度低于阈值时则可认为相关数据中存在“病态数据”,再由相邻的关联设备进一步评估、确认 “病态数据”。“病态数据”代表仪表需要更换或维修,无法及时处理时也可归入缺失测点参数。
5)对于缺失测点参数,可以基于设备伴随仿真模型和热力系统质热平衡方程,以关联参数和系统质热平衡核心参数的总体误差最小为目标,通过优化算法与参数辨识确定各缺失测点参数的最佳值;所述关联参数是指热力系统中对缺失测点参数最敏感的参数组,可通过人工指定或通过数学方法自动筛选。
6)利用上述系统和方法可显著减少或消除仪表测量的系统性误差,提高健康数据和病态数据筛选的可靠性,解决未测或难测参数值的合理评估难题,为建立可靠的热力设备运行状态在线监测和分析系统,实现设备智能运维提供条件。
实施例1
一种热力设备运行数据深度清洗方法。该实施例以蒸汽管道压力测量为例,说明仪表评估与在线校正方法。
附图2展示的是用于热力设备工质压力测量的典型测量系统,其工作原理是:在蒸汽管道上开设测压孔,利用引压管将待测工质与压力变送器感压传感器直接连通,将工质压力信号转换为4-20mA或1-5V的电信号,经数据采集系统进入计算机,进行数据储存和分析处理。
压力测量过程中可能存在的故障有两类:第一类是不需要大数据分析就可以判断的“显性”故障,如同工况下压力测量值波动大、不同工况下压力测量值无变化、压力测量值严重偏离设计参数等,通过人工检查、维修、更换等方式都能得到及时解决;第二类是需要大量数据分析才能发现的“隐性”故障,如引压管漏汽、引压管液位差H变化等。本发明主要处理第二类故障。
测量系统的机理模型是:
当测压管漏汽时,若待测蒸汽压力高于仪表环境压力,则减小,否则增大。当引压管液位差H增大时,增大,否则减小。根据上述规律可利用本发明提出的多工况测量数据机器学习方法实现仪表评估与在线校正。具体实施方案如下:
需要说明的是,无论是引压管漏汽还是液位变化都是缓变过程,仅在系统热平衡分析或设备伴随仿真中不同仪表数据出现无法忽略的不谐调时才需要进行仪表评估与在线校正,所以并不存在伴随仿真模型与仪表参数辨识相互验证的问题。
另外,上述方法的核心思想是:由不同工况的仪表测量值、可靠的仿真值构成数据集,根据测量系统机理模型,通过回归分析或其它机器学习方法,辨识仪表系数和零位等参数。对于温度测量、流量测量等其它参数测量,都可以按照上述思路进行处理,此处不再赘述。
实施例2
一种热力设备运行数据深度清洗方法。该实施例以过热蒸汽汽轮机组运行数据为例,说明数据健康程度评估方法。
附图3展示的是1台典型汽轮机系统,共有3个机组组成,过热蒸汽依次进入1号、2号和3号机组,膨胀做功用于驱动发电机4。每个汽轮机机组前、后均布置有压力和温度测点,机组效率可由压力和温度测量值直接计算确定。数据健康程度评估的实施方案如下:
1)按照相关设计理论建立汽轮机高精度机理模型,可用于各机组的变工况计算。
2)将专门的试验数据调入高精度机理模型,修正模型中的关联系数,建立初步的伴随仿真模型,或直接将机理模型作为初步的伴随仿真模型。
3)根据经验设定工作参数相似性分析阈值,包括病态阈值和亚健康阈值。从数据库调入经传统数据清洗方法清洗后的“清洁数据”,包括各压力、温度测点数据,并与利用伴随仿真模型计算得到的对应测量工况的压力和温度数据进行对比,相似度低于病态阈值的测量数据归入“病态数据”,相似度介于病态阈值与亚健康阈值之间的测量数据归入“亚健康数据”,其余测量数据为“健康数据”。若设备的所有数据均为“健康数据”,可终止该设备的数据健康状态评估,测量数据用于伴随仿真。
4)根据经验设定特性参数相似性分析阈值,即病态阈值。针对工作参数相似性分析认定的“亚健康数据”和“健康数据”,分别由运行数据和伴随仿真模型计算得到的设备特性参数;对于汽轮机,可选择机组效率、压比等为特性参数。然后计算对应模块测量值和仿真模型特性参数的相似性,相似度超过病态阈值时,将特性参数计算相关的所有参数归入“健康数据”,用于伴随仿真;相似度低于病态阈值时,仅将没有判定为“健康数据”的相关参数归入“病态数据”。
5)无论是工作参数相似性分析还是特性参数相似性分析确定的“病态数据”,都需要手动校验、修复仪表;为了不影响设备后续的热力分析,对应数据可暂时用仿真数据代替,但应做好标记。
上述方法的核心思想是:针对经传统数据清洗方法清洗后的“清洁数据”,利用设备高精度机理模型或伴随仿真模型,选择合理的特性参数,通过参数相似性与关联性分析评估数据健康程度。本实施例仅列举了上述方法在过热蒸汽汽轮机中的应用,对于其它热力设备,上述方法是通用的,都可以按照上述思路进行处理,此处不再赘述。
实施例3
一种热力设备运行数据深度清洗方法。该实施例以工业锅炉热电联产系统为例,说明缺失测点参数的辨识方法。
典型工业锅炉热电联产系统如附图4所示,工业锅炉1产生的高温高压蒸汽经调节阀2进入汽轮机,依次在汽轮机机组3、4、5、6内膨胀做功,驱动发电机7发电;汽轮机排汽进入供热站8,回水经加压泵9以及回热器10、11、12加热后回到锅炉,完成热力循环;回热器加热蒸汽均来自于汽轮机中间抽汽。
对于上述热力系统,假定阀门2和回热器11疏水存在泄漏,未安装泄漏流量检测点,但缺失测点影响系统热平衡计算。针对上述问题,本发明提出如下解决方案:
1)按照相关设计理论建立工业锅炉、汽轮机、回热器等的机理模型。
2)将专门的试验数据调入高精度机理模型,修正模型中的关联系数,建立初步的伴随仿真模型,或直接将机理模型作为初步的伴随仿真模型。
3)根据缺失测点的特性,确定热力系统中对缺失测点参数最敏感的参数组,即关联参数;对于本实施例,发电机7的发电量、机组5的抽汽量等都是关联参数。
4)基于设备伴随仿真模型和热力系统质热平衡方程,以关联参数和系统质热电平衡参数的总体误差最小为目标,通过优化算法与参数辨识确定阀门2泄漏量和回热器11疏水泄漏量的最佳值,实现缺失测点数据的合理补充。
5)上述参数辨识的基本原理是:阀门2泄漏量直接影响汽轮机进汽量和做功量,回热器11疏水泄漏量影响机组5的抽汽量、机组6的蒸汽量和做功量;可在合理范围内任意给定阀门2泄漏量和回热器11疏水泄漏量,若给定值恰好使系统做功量与发电量、各回热器换热等取得平衡,则给定值就是最佳值,否则通过优化算法继续选择给定值,直到达到最佳。
上述方法的核心思想是:基于设备伴随仿真模型和热力系统质热平衡方程,以关联参数和系统质热平衡核心参数的总体误差最小为目标,通过优化算法与参数辨识确定各缺失测点参数的最佳值。本实施例仅列举了上述方法在解决典型热电联产阀门及回热器泄漏问题中的应用,对于其它热力系统及其各种类型的缺失数据,上述方法是通用的,都可以按照上述思路进行处理,此处不再赘述。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种热力设备运行数据深度清洗方法,其特征在于,包括:
利用热力设备机理模型、基于机理模型和健康运行数据机器学习的伴随仿真模型和热力系统质热平衡方程,通过关键参数相似性分析、不同参数的关联性分析这些方法,实现仪表评估与在线校正、数据健康状态评估和缺失测点参数辨识这些功能。
2.根据权利要求1所述的热力设备运行数据深度清洗方法,其特征在于,所述运行数据主要包括工质压力、温度、流量、液位以及设备转速、功率这些可利用仪表直接测量的数据。
3.根据权利要求1所述的热力设备运行数据深度清洗方法,其特征在于,所述仪表评估与在线校正包括:
假定仪表灵敏度绝对值或相对值短期内不发生变化,通过对不同参数多工况测量数据的机器学习和参数辨识,确定仪表零漂和灵敏度等参数,在线修正仪表零位,分析灵敏度变化的主要原因,消除测量系统故障。
4.根据权利要求1所述的热力设备运行数据深度清洗方法,其特征在于,所述数据健康状态评估包括:
基于设备高精度机理模型或伴随仿真模型,通过工作参数参数相似性分析与工作参数参数关联性分析完成;
所述工作参数相似性分析包括,采用数学方法计算设备运行数据与对应工况仿真模型参数的相似程度,直接评估健康程度;
所述工作参数关联性分析包括,针对相似性分析认定的亚健康数据或健康数据,分别计算由运行数据和仿真模型得到的设备特性参数,根据特性参数的相似度进一步评估健康数据。
5.根据权利要求4所述的热力设备运行数据深度清洗方法,其特征在于,所述工作参数相似性分析采用支持向量机、超球模型、人工神经网络、回归分析这些方法。
6.根据权利要求1所述的热力设备运行数据深度清洗方法,其特征在于,所述缺失测点参数辨识包括:
基于设备伴随仿真模型和热力系统质热平衡方程,以关联参数和系统质热平衡核心参数的总体误差最小为目标,通过优化算法与参数辨识确定各缺失测点参数的最佳值;所述关联参数是指热力系统中对缺失测点参数最敏感的参数组,可通过人工指定或通过数学方法自动筛选。
7.根据权利要求6所述的热力设备运行数据深度清洗方法,其特征在于,所述缺失测点参数是指热力系统质热平衡分析需要但未安装测点或测量仪表出现故障或测点数据病态且难以校正的参数,不保证所有缺失测点参数都能得到有效辨识。
8.根据权利要求1所述的热力设备运行数据深度清洗方法,其特征在于,所述伴随仿真模型是以高精度机理模型为骨架,通过对深度清洗筛选出的健康数据进行机器学习,形成接近实际运行设备性能的仿真模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011380881.6A CN112328590B (zh) | 2020-12-01 | 2020-12-01 | 一种热力设备运行数据深度清洗方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011380881.6A CN112328590B (zh) | 2020-12-01 | 2020-12-01 | 一种热力设备运行数据深度清洗方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112328590A true CN112328590A (zh) | 2021-02-05 |
CN112328590B CN112328590B (zh) | 2023-04-07 |
Family
ID=74308265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011380881.6A Active CN112328590B (zh) | 2020-12-01 | 2020-12-01 | 一种热力设备运行数据深度清洗方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112328590B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114104666A (zh) * | 2021-11-23 | 2022-03-01 | 西安华创马科智能控制系统有限公司 | 煤矸识别方法及煤矿运送系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016029590A1 (zh) * | 2014-08-28 | 2016-03-03 | 北京交通大学 | 一种城轨列车转向架的故障预测与视情维修方法 |
CN105631578A (zh) * | 2015-12-10 | 2016-06-01 | 浙江大学 | 一种面向风险评估的输变电设备故障概率模型的建模方法 |
CN107697107A (zh) * | 2017-09-12 | 2018-02-16 | 中国中车股份有限公司 | 一种列车组故障预测与健康管理地面智能处理系统及方法 |
CN109492777A (zh) * | 2018-09-14 | 2019-03-19 | 国电电力宁夏新能源开发有限公司 | 一种基于机器学习算法平台的风电机组健康管理方法 |
CN110579368A (zh) * | 2019-09-26 | 2019-12-17 | 上海电气电站设备有限公司 | 基于仿真计算的旋转机械振动故障智能诊断系统及方法 |
CN110851957A (zh) * | 2019-10-15 | 2020-02-28 | 南京航空航天大学 | 一种基于深度学习的大气数据传感系统解算方法 |
US20200225655A1 (en) * | 2016-05-09 | 2020-07-16 | Strong Force Iot Portfolio 2016, Llc | Methods, systems, kits and apparatuses for monitoring and managing industrial settings in an industrial internet of things data collection environment |
-
2020
- 2020-12-01 CN CN202011380881.6A patent/CN112328590B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016029590A1 (zh) * | 2014-08-28 | 2016-03-03 | 北京交通大学 | 一种城轨列车转向架的故障预测与视情维修方法 |
CN105631578A (zh) * | 2015-12-10 | 2016-06-01 | 浙江大学 | 一种面向风险评估的输变电设备故障概率模型的建模方法 |
US20200225655A1 (en) * | 2016-05-09 | 2020-07-16 | Strong Force Iot Portfolio 2016, Llc | Methods, systems, kits and apparatuses for monitoring and managing industrial settings in an industrial internet of things data collection environment |
CN107697107A (zh) * | 2017-09-12 | 2018-02-16 | 中国中车股份有限公司 | 一种列车组故障预测与健康管理地面智能处理系统及方法 |
CN109492777A (zh) * | 2018-09-14 | 2019-03-19 | 国电电力宁夏新能源开发有限公司 | 一种基于机器学习算法平台的风电机组健康管理方法 |
CN110579368A (zh) * | 2019-09-26 | 2019-12-17 | 上海电气电站设备有限公司 | 基于仿真计算的旋转机械振动故障智能诊断系统及方法 |
CN110851957A (zh) * | 2019-10-15 | 2020-02-28 | 南京航空航天大学 | 一种基于深度学习的大气数据传感系统解算方法 |
Non-Patent Citations (3)
Title |
---|
TEBOGO MAKABA: "A Comparison of Strategies for Missing Values in Data on Machine Learning Classification Algorithms", 《IEEE》 * |
周维正等: "基于参数辨识的电动舵机系统健康仿真和评估", 《国防科技大学学报》 * |
黄葆华等: "基于相似性建模和模糊概率有向图的热力设备故障诊断", 《热力发电》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114104666A (zh) * | 2021-11-23 | 2022-03-01 | 西安华创马科智能控制系统有限公司 | 煤矸识别方法及煤矿运送系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112328590B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6529849B2 (en) | Thermal efficiency diagnostic method and apparatus of a combined power generation plant | |
CN112906787B (zh) | 一种工业锅炉故障识别方法及系统 | |
CN100437015C (zh) | 汽轮机通流间隙变化在线监测方法 | |
WO2021174749A1 (zh) | 一种蒸汽动力系统的运行操作优化方法及系统 | |
CN109388844B (zh) | 低压省煤器节能效果的修正计算方法 | |
CA2479238A1 (en) | Method for detecting heat exchanger tube failures and their location when using input/loss performance monitoring of a power plant | |
CN105956370A (zh) | 一种用于燃煤电厂实时计算煤耗等经济指标的方法 | |
CN111537257A (zh) | 一种在线检测水轮发电机空气冷却器异常方法 | |
Blanco et al. | New investigation on diagnosing steam production systems from multivariate time series applied to thermal power plants | |
CN105527113A (zh) | 一种核电站热能效率监测与诊断系统和方法 | |
CN112328590B (zh) | 一种热力设备运行数据深度清洗方法 | |
CN110032155A (zh) | 一种火电厂海水直流冷却水系统运行优化指导系统 | |
KR101839274B1 (ko) | 발전용 보일러 튜브의 마모 예측 시스템 및 방법 | |
CN113836794B (zh) | 一种软硬结合的飞灰含碳量在线监测方法 | |
Xu | Power station abnormal data cleaning method based on big data mining | |
Murmanskii et al. | Features of steam turbines diagnostics | |
CN117436153B (zh) | 一种应用于电厂供热的实体特征参数化实现方法 | |
Al Koussa et al. | Fault detection in district heating substations: A cluster-based and an instance-based approach | |
Parisini | Physically accurate nonlinear models for fault detection and diagnosis: the case of a power plant | |
CN103968879A (zh) | 一种供电系统区域环保监测方法 | |
Tadić et al. | Fault diagnosis for steam separators based on parameter identification and CUSUM classification | |
CN117968431B (zh) | 燃煤电厂烟气余热回收控制方法及装置 | |
RU2783863C1 (ru) | Способ комплексной оптимизации параметров энергоблока | |
Murmanskii et al. | Turbine diagnostics: Algorithms adaptation problems | |
Hou et al. | Thermal Performance Monitoring and Analysis of Nuclear Power Plant |
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 |