CN112749840A - 一种火电机组能效特征指标基准值的获取方法 - Google Patents
一种火电机组能效特征指标基准值的获取方法 Download PDFInfo
- Publication number
- CN112749840A CN112749840A CN202011598899.3A CN202011598899A CN112749840A CN 112749840 A CN112749840 A CN 112749840A CN 202011598899 A CN202011598899 A CN 202011598899A CN 112749840 A CN112749840 A CN 112749840A
- Authority
- CN
- China
- Prior art keywords
- energy efficiency
- reference value
- characteristic index
- efficiency characteristic
- carbon emission
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 55
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 55
- 230000006870 function Effects 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 239000003245 coal Substances 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 230000001360 synchronised effect Effects 0.000 claims abstract description 8
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000013459 approach Methods 0.000 claims description 5
- 238000007418 data mining Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000006872 improvement Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 238000004134 energy conservation Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000010977 unit operation Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012360 testing method 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
- 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
- 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
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- 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)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明公开了一种火电机组能效特征指标基准值的获取方法，通过获取火电厂机组实测运行数据，对数据进行稳态筛选获取机组稳定工况下的数据；在此基础上，依据机组负荷、环境温度、煤质三个边界条件进行工况划分；利用主特征提取方法选取与供电碳排放强度相关的能效特征指标；利用聚类算法结合聚类评价函数对能效特征指标的历史数据进行多参数同步聚类，确定各工况下的能效特征指标基准值；利用深度学习网络建立能效特征指标与供电碳排放之间的回归模型，预测能效特征指标以基准值运行时供电碳排放的目标值。
Description
专利领域
本发明涉及一种能效特征指标基准值的获取方法，具体涉及一种火电机组能效特征指标基准值的获取方法。
背景技术
近年来随着节能减排工作的进一步深入，火电机组提效运行面临更大的压力，加强火电机组节能降耗的任务迫在眉睫。因此，优化运行研究对火电机组的节能工作至关重要。
能效特征指标基准值的确定是节能诊断优化的基础和核心问题。基准值是衡量实际或实验样本值偏差而选取的一组参照值。能效指标的基准值是指机组在当前运行边界条件下，实际可达到的最低供电煤耗和碳排放强度对应下的参数值。只有在正确确定能效特征指标的基准值后，才能计算机组实际运行参数偏离基准值时所造成的各项经济损失，从而有效定位机组运行能耗的薄弱环节。但由于机组的能效指标具有高度非线性以及强耦合性的特点，通过建立特征指标的优化运行过程函数确定其基准值是非常困难的。此外，当机组边界条件发生改变时，需要对函数模型不断修正，很难实现机组能效运行的实时优化。此外，现阶段电厂对运行参数调整往往凭借运行人员的经验或者直接取机组运行的设定值，或采用优化实验值等。对于变负荷运行的机组，不适合取其设计值作为基准值；而通过实验的方法，需要通过对多个典型工况进行反复试验和调整，获取各运行工况下的基准值，但实验成本高昂且获得到的目标工况点有限，难以确定能效指标的基准值。
发明目的
本发明的目的在于针对现有技术中存在的问题与缺陷，提供一种基于数据挖掘的火电机组能效特征指标基准值的获取方法。
通过获取火电厂机组实测运行数据，通过对数据进行稳态筛选获取机组稳定工况下的数据。在此基础上，依据机组负荷、环境温度、煤质三个边界条件进行工况划分。利用主特征提取的方法选取与供电碳排放强度相关的能效特征指标。利用聚类算法结合聚类评价函数对能效特征指标的历史数据进行多参数同步聚类，确定各工况下的能效特征指标基准值。利用深度学习网络建立能效特征指标与供电碳排放之间的回归模型，预测能效特征指标以基准值运行时供电碳排放的目标值。在机组实际运行中，随着能效水平的不断提高，其能效特征指标的实际运行值与基准值的偏差逐渐缩小。根据新的采集数据来定期调整基准值工况库，以期接近机组当前运行状态下的理论目标值，从而对机组的优化运行进行指导。通过采用本发明对火电机组能效特征指标基准值的确定，为火电机组的节能和优化运行奠定了基础。
发明内容
本发明提供了一种火电机组能效特征指标基准值的获取方法,包括如下步骤:
步骤1、获取火电机组实测运行数据，按照一定采样时间完成数据采集及存储；
步骤2、基于火电运行过程特性，对采集的数据进行稳态筛选，获取机组稳定工况的数据；依据征火电机组外部约束条件的负荷、环境温度和煤质情况的三个边界条件对所述稳定工况进行划分，获取不同稳定工况下的分组数据；
步骤3、对每一稳定工况下的分组数据，分别采用主特征提取方法，选取与火电厂供电碳排放相关的能效特征指标；
步骤4、利用聚类方法，对能效特征指标的历史数据进行多参数同步聚类，确定各工况分组下的特征指标基准值；
步骤5、利用深度学习神经网络建立能效特征指标与供电碳排放的回归模型，预测能效特征指标以基准值运行时供电碳排放的目标值；
步骤6、计算供电碳排放与其基准值的差值，利用系数K对能效特征指标基准值进行调整，指导机组优化运行，所述K表示如下：
其中Δb代表供电碳排放强度与基准值的偏差，b为供电碳排放强度的实际运行值，p为供电碳排放强度在某一时刻对应的功率；K的值大于0时，表示采用数据挖掘确定能效指标基准值指导机组优化运行，可降低机组的供电碳排放强度。
优选地，所述步骤1中，采样周期为10s。
优选地，所述步骤3中，针对高维输入数据，采用近邻成分分析NCA算法，对每一工况分组下的特征变量分组数据进行提取，统计每一工况分组的特征权重值，将所有工况分组的测点按出现次数多少排序，进行测点筛选，选取与供电碳排放相关的能效特征指标，得到能效特征指标表。
优选地，所述步骤4中，根据工况分组的不同组分别进行K-means多参数同步聚类，采用Silhouette聚类评价函数确定最佳聚类数；根据聚类后的结果，选择对应供电碳排放最低的聚类中心作为能效特征指标的基准值，所述能效特征指标的基准值是指机组在当前运行边界条件下，实际可达到的最低供电碳排放对应下的参数值。
优选地，所述步骤5中，在计算好供电碳排放的基准值后，带入已经训练好的碳排放回归模型中，得到碳排放在各负荷基准状态下的目标值；在火电机组运行的状态下，保证供电碳排放值低于基准值，即实现了火电机组的优化运行目标。
优选地，所述步骤6中，在火电机组的实际运行中，随着能效水平的不断提高，其能效特征指标的实际运行值与基准值的偏差逐渐缩小，根据新的采集数据来定期调整基准值的工况库，以期接近机组当前运行状态下的理论目标值，从而对机组的优化运行进行指导。
附图说明
图1为本发明所述火电机组能效特征指标基准值的获取方法的流程图。
图2为火电机组负荷随时间的变化图。
图3为环境温度随时间的变化图。
图4为煤质随时间的变化图。
图5为M1特征权重图。
图6为M3特征权重图。
图7为M5特征权重图。
图8为M1轮廓系数图。
图9为M1最佳聚类数确定。
具体实施方式
以下结合附图及本发明的优选实施例，进一步阐述本发明。
实施例
本发明选取宁夏灵武某电厂运行数据进行仿真，采样周期为10秒钟/点，示例数据为2020/1/1 0:00:00-2020/5/1 0:00:00。图1为本发明所述火电机组能效特征指标基准值的获取方法的流程图。本实施例中，机组能效特征指标基准值的获取方法包括以下步骤：
步骤一:获取数据样本，具体为火电厂某机组实测运行数据。
步骤二:基于火电运行过程特性，对采集的数据进行稳态筛选，获取机组稳定工况的数据。依据负荷、环境温度、和煤质情况等边界条件对工况进行划分，确定不同工况下的分组情况。对2号机组进行工况划分。
图2、3、4分别为机组负荷、环境温度和煤质随时间的变化图，表1为2 号机组工况分组表。
表1 2号机组工况分组
表2为2号机组运行测点表:
表2 2号机组运行测点表
步骤三:利用主特征提取方法，选取与供电碳排放密切相关的能效特征指标，得到2号机组能效特征指标表。
表3为经特征提取后确定的2号机组能效特征指标表。
表3 2号机组能效特征指标表
对采用的NCA主特征提取方法做如下介绍，其特征在于:
近邻元分析(Neighborhood Component Analysis,NCA)是一种与KNN相关联的距离测度学习算法，在原始数据集上进行NCA距离测度学习，在这个过程中完成降维，最后使用KNN算法在低维空间对数据进行分类回归。
设有N个输入样本{x1,x2,x3,…xN}分布于D维空间，并分别具有类标签 {c1,c2,c3,…cN}。定义样本点的马氏距离为
式中:A为d×D维矩阵；ATA为马氏距离变换矩阵。
近邻元分析即通过优化留一法交叉验证结果，找到变换矩阵A，优化近邻效果，并在过程中约减维数，减少计算复杂度。
定义样本xi选择近邻点xj并继承xj的类标签概率为：
pij＝0(j＝i) (2)
样本xi被正确分类的概率为:
NCA维数约简目标使正确分类点数最大，即保证目标函数最大为
该目标函数满足关系为:
式中:xij＝xi-xj
NCA算法流程如下:
Step1:初始化变换矩阵A；
Step2:利用式(2)、(3)分别计算pij,pi；
Step3:利用式(5)更新矩阵A；
如果f(A)小于给定误差则迭代结束；否则,重复Step2、Step3,直至迭代结束。
对每组工况分别进行NCA特征提取算法，以M1、M3、M5为例，得到输入测点的特征权重如图5-7所示。统计每一组的特征权重值大于0.01的输入测点并记录，将所有组的测点按出现次数多少排序进行测点筛选，最终确定的能效特征指标如表3所示。
步骤四:利用聚类方法，对能效特征指标的历史数据进行多参数同步聚类，确定各典型工况分组下的特征指标基准值。根据工况分组的不同组分别进行 K-means聚类，采用Silhouette聚类评价函数确定最佳聚类数。根据聚类后的结果，选择对应供电碳排放最低的聚类中心作为能效特征指标的基准值。
以工况M1为例，首先从指标的数据样本中随机选用k个点作为聚类中心，再计算各个样本点到k个聚类中心的欧拉距离，把样本点划分到距离最短的聚类中心所属于的类别中。根据所选的聚类算法更新聚类中心，不断重复这个过程，直到准则函数收敛，规定以下准则函数：
其中，E为数据库中所有对象的平方误差的总和，xj是第i类的样本点，mi 为各聚类子集的聚类中心,k为类别数，通常为人为指定，N为样本点的个数，由于事先不知道具体的聚类数目，因此可采用聚类评价函数来确定最佳聚类数。
式中：a为第i个点与同类其他点之间的平均距离，b代表一个向量，其元素是第 i个点与不同类之间的类内各点之间的距离。轮廓值S(i)的取值范围是 [-1,1],S(i)值越大，说明第i个点的分类越合理。
依据绘制好的不同聚类数下的评价函数的轮廓图，选择轮廓图最优时对应的k值为最佳聚类数。根据聚类后的结果，选择对应供电碳排放最低的聚类中心点作为能效特征指标的基准值。图8为M1轮廓系数图，图9为M1最佳聚类数确定。以此类推，得到全部工况下的能效特征指标基准值。
步骤五:利用深度学习神经网络建立能效特征指标与供电碳排放的回归模型，深度学习网络适用于解决大规模数据的回归问题，并且其网络结构有自动获取特征表达的能力，从而去掉了繁杂的人工特征工程，大大加快了建模时间，并且提高了模型的精度与泛化能力。其结构类似于传统神经网络的输入层，隐含层和输出层，因为隐含层具有门限信号，可以从大量的历史数据中舍弃不必要的信息，留下有用的信息，因此可以称其有记忆功能，从而具有更高的建模精度。将能效特征指标作为输入层的神经元，供电碳排放。对应于网络结构的输出层。在建模时候可利用k折交叉验证确保模型的稳定性。
将能效特征指标的基准值带入已经训练好的供电碳排放回归模型中，得到供电煤耗的碳排放在各负荷基准状态下的目标值。保证机组运行碳排放值低于基准值，便可实现优化运行目的。
步骤六:计算每一分钟的供电碳排放与其基准值的差值，利用公式统计机组按照数据挖掘后确定的能效特征指标的基准值进行运行调整。
其中Δb可代表供电碳排放强度分别与基准值的偏差，b为供电碳排放强度实际运行值，p为供电碳排放强度在某一时刻对应的功率，K的数值大小可衡量机组优化运行的效果，其值大于0时表示采用数据挖掘确定能效指标基准值指导机组优化运行，可以有效降低机组的供电碳排放强度。
在机组实际运行中，随着能效水平的不断提高，其能效特征指标的实际运行值与基准值的偏差逐渐缩小。根据新的采集数据来定期调整基准值工况库，以期接近机组当前运行状态下的理论目标值，从而对机组的优化运行进行指导。
本发明具有以下有益效果：
1)本发明提供的数据稳态处理和工况划分方法，采用表征机组外部约束条件的负荷、煤质、环境温度。能够对机组稳定运行工况进行划分，有助于机组在不同工况下的运行优化研究。
2)在此基础上，本发明对每组工况下分别采用近邻元分析算法，统计各输入变量的特征权重。完成对输入变量的降维，选取与供电碳排放密切相关的变量作为能效特征指标。对能效特征指标的历史数据进行多参数同步聚类，有助于实现对各典型工况分组下的能效特征指标基准值的确定。
3)在此基础上，利用深度学习神经网络建立能效特征指标与供电碳排放的回归模型，将能效特征指标的基准值带入已经训练好的供电碳排放回归模型中，得到供电碳排放在各负荷基准状态下的目标值。随着能效水平的不断提高，机组能效特征指标的实际运行值与基准值的偏差逐渐缩小。根据新的采集数据来定期调整基准值工况库，以期接近机组当前运行状态下的理论目标值，有助于机组优化运行的实现。
4)最终，通过采用本发明对火电机组能效特征指标基准值的确定，为火电机组的节能和优化运行奠定了基础。
Claims (6)
1.一种火电机组能效特征指标基准值的获取方法,其特征在于，包括如下步骤:
步骤1、获取火电机组实测运行数据，按照一定采样时间完成数据采集及存储；
步骤2、基于火电运行过程特性，对采集的数据进行稳态筛选，获取机组稳定工况的数据；依据征火电机组外部约束条件的负荷、环境温度和煤质情况的三个边界条件对所述稳定工况进行划分，获取不同稳定工况下的分组数据；
步骤3、对每一稳定工况下的分组数据，分别采用主特征提取方法，选取与火电厂供电碳排放相关的能效特征指标；
步骤4、利用聚类方法，对能效特征指标的历史数据进行多参数同步聚类，确定各工况分组下的特征指标基准值；
步骤5、利用深度学习神经网络建立能效特征指标与供电碳排放的回归模型，预测能效特征指标以基准值运行时供电碳排放的目标值；
步骤6、计算供电碳排放与其基准值的差值，利用系数K对能效特征指标基准值进行调整，指导机组优化运行，所述K表示如下：
其中Δb代表供电碳排放强度与基准值的偏差，b为供电碳排放强度的实际运行值，p为供电碳排放强度在某一时刻对应的功率；K的值大于0时，表示采用数据挖掘确定能效指标基准值指导机组优化运行，可降低机组的供电碳排放强度。
2.根据权利要求1所述的一种火电机组能效特征指标基准值的获取方法,其特征在于，所述步骤1中，采样周期为10s。
3.根据权利要求1所述的一种火电机组能效特征指标基准值的获取方法,其特征在于，所述步骤3中，针对高维输入数据，采用近邻成分分析NCA算法，对每一工况分组下的特征变量分组数据进行提取，统计每一工况分组的特征权重值，将所有工况分组的测点按出现次数多少排序，进行测点筛选，选取与供电碳排放相关的能效特征指标，得到能效特征指标表。
4.根据权利要求1所述的一种火电机组能效特征指标基准值的获取方法,其特征在于，所述步骤4中，根据工况分组的不同组分别进行K-means多参数同步聚类，采用Silhouette聚类评价函数确定最佳聚类数；根据聚类后的结果，选择对应供电碳排放最低的聚类中心作为能效特征指标的基准值，所述能效特征指标的基准值是指机组在当前运行边界条件下，实际可达到的最低供电碳排放对应下的参数值。
5.根据权利要求1所述的一种火电机组能效特征指标基准值的获取方法,其特征在于，所述步骤5中，在计算好供电碳排放的基准值后，带入已经训练好的碳排放回归模型中，得到碳排放在各负荷基准状态下的目标值；在火电机组运行的状态下，保证供电碳排放值低于基准值，即实现了火电机组的优化运行目标。
6.根据权利要求1所述的一种火电机组能效特征指标基准值的获取方法,其特征在于，所述步骤6中，在火电机组的实际运行中，随着能效水平的不断提高，其能效特征指标的实际运行值与基准值的偏差逐渐缩小，根据新的采集数据来定期调整基准值的工况库，以期接近机组当前运行状态下的理论目标值，从而对机组的优化运行进行指导。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011598899.3A CN112749840B (zh) | 2020-12-29 | 2020-12-29 | 一种火电机组能效特征指标基准值的获取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011598899.3A CN112749840B (zh) | 2020-12-29 | 2020-12-29 | 一种火电机组能效特征指标基准值的获取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112749840A true CN112749840A (zh) | 2021-05-04 |
| CN112749840B CN112749840B (zh) | 2023-10-20 |
Family
ID=75646938
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011598899.3A Active CN112749840B (zh) | 2020-12-29 | 2020-12-29 | 一种火电机组能效特征指标基准值的获取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112749840B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113281466A (zh) * | 2021-05-17 | 2021-08-20 | 吴迅海 | 碳排放量检测的校准方法、装置及计算机存储介质 |
| CN113359435A (zh) * | 2021-05-12 | 2021-09-07 | 东南大学 | 用于火电机组动态工况数据的修正方法 |
| CN115130900A (zh) * | 2022-07-19 | 2022-09-30 | 东南大学溧阳研究院 | 一种基于lstm的燃气机组变工况下碳排放在线计算方法 |
| CN116402411A (zh) * | 2023-06-09 | 2023-07-07 | 济南作为科技有限公司 | 耗差分析方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011055820A1 (ja) * | 2009-11-09 | 2011-05-12 | 大日本住友製薬株式会社 | 支援装置、支援方法、及びコンピュータプログラム |
| CN102566551A (zh) * | 2012-02-03 | 2012-07-11 | 北京华电天仁电力控制技术有限公司 | 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 |
| CN108574317A (zh) * | 2017-03-08 | 2018-09-25 | 株式会社东芝 | 充放电控制装置以及蓄电系统 |
| 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 |
-
2020
- 2020-12-29 CN CN202011598899.3A patent/CN112749840B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011055820A1 (ja) * | 2009-11-09 | 2011-05-12 | 大日本住友製薬株式会社 | 支援装置、支援方法、及びコンピュータプログラム |
| CN102566551A (zh) * | 2012-02-03 | 2012-07-11 | 北京华电天仁电力控制技术有限公司 | 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 |
| CN108574317A (zh) * | 2017-03-08 | 2018-09-25 | 株式会社东芝 | 充放电控制装置以及蓄电系统 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 徐婧等: "基于数据挖掘的煤电机组能效特征指标及其基准值的研究", 《中国电机工程学报》, vol. 37, no. 7, pages 2009 - 2015 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113359435A (zh) * | 2021-05-12 | 2021-09-07 | 东南大学 | 用于火电机组动态工况数据的修正方法 |
| CN113359435B (zh) * | 2021-05-12 | 2022-08-12 | 东南大学 | 用于火电机组动态工况数据的修正方法 |
| CN113281466A (zh) * | 2021-05-17 | 2021-08-20 | 吴迅海 | 碳排放量检测的校准方法、装置及计算机存储介质 |
| CN115130900A (zh) * | 2022-07-19 | 2022-09-30 | 东南大学溧阳研究院 | 一种基于lstm的燃气机组变工况下碳排放在线计算方法 |
| CN115130900B (zh) * | 2022-07-19 | 2023-04-18 | 东南大学溧阳研究院 | 一种基于lstm的燃气机组变工况下碳排放在线计算方法 |
| CN116402411A (zh) * | 2023-06-09 | 2023-07-07 | 济南作为科技有限公司 | 耗差分析方法、装置、设备及存储介质 |
| CN116402411B (zh) * | 2023-06-09 | 2024-05-14 | 济南作为科技有限公司 | 耗差分析方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112749840B (zh) | 2023-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112749840B (zh) | 一种火电机组能效特征指标基准值的获取方法 | |
| CN111401755B (zh) | 基于马尔科夫链的多新能源出力场景生成方法、装置及系统 | |
| CN108595803B (zh) | 基于递归神经网络的页岩气井生产压力预测方法 | |
| CN109145948A (zh) | 一种基于集成学习的注塑机堵料异常检测方法 | |
| CN110717610A (zh) | 一种基于数据挖掘的风电功率预测方法 | |
| CN112364560B (zh) | 矿山凿岩装备作业工时智能预测方法 | |
| CN114169434A (zh) | 一种负荷预测方法 | |
| CN104865827B (zh) | 一种基于多工况模型的抽油机采油优化方法 | |
| CN110020680B (zh) | 一种基于随机矩阵理论和模糊c均值聚类算法的pmu数据分类方法 | |
| CN113515512A (zh) | 一种工业互联网平台数据的质量治理及提升方法 | |
| CN112801388A (zh) | 一种基于非线性时间序列算法的电力负荷预测方法及系统 | |
| CN114218872A (zh) | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 | |
| CN114881429B (zh) | 基于数据驱动的台区线损量化方法及系统 | |
| CN111882114B (zh) | 一种短时交通流量预测模型构建方法及预测方法 | |
| CN109921426A (zh) | 基于cv-kde的风电并网系统概率潮流计算方法 | |
| CN113344288A (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
| CN116520772A (zh) | 基于多任务迁移学习的薄板零件数控加工质量预测方法 | |
| CN116821832A (zh) | 针对高压工商业用户用电负荷的异常数据辨识与修正方法 | |
| CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
| CN111858672A (zh) | 一种改进的knn案例推理检索算法 | |
| CN117458480A (zh) | 基于改进lof的光伏发电功率短期预测方法及系统 | |
| CN116245259B (zh) | 基于深度特征选择的光伏发电预测方法、装置和电子设备 | |
| CN110826718B (zh) | 一种基于朴素贝叶斯的大段不等长缺失数据填补方法 | |
| CN117312885A (zh) | 工作面瓦斯涌出的动态阈值划分及多因素预警算法模型 | |
| CN110276478B (zh) | 基于分段蚁群算法优化svm的短期风电功率预测方法 |
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 |