CN112836941A - 一种煤电机组汽轮机高加系统在线健康状况评估方法 - Google Patents

一种煤电机组汽轮机高加系统在线健康状况评估方法 Download PDF

Info

Publication number
CN112836941A
CN112836941A CN202110049284.3A CN202110049284A CN112836941A CN 112836941 A CN112836941 A CN 112836941A CN 202110049284 A CN202110049284 A CN 202110049284A CN 112836941 A CN112836941 A CN 112836941A
Authority
CN
China
Prior art keywords
steam turbine
coal
high pressure
model
health condition
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
Application number
CN202110049284.3A
Other languages
English (en)
Other versions
CN112836941B (zh
Inventor
杨永明
曲晓峰
苗东旭
赵明
毛静轩
王达梦
翟俊鹏
姜漫利
宋为平
王克剑
李梧桐
傅磊
周常彪
崔明
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.)
Hadian Power Equipment National Engineering Research Center Co Ltd
Original Assignee
Hadian Power Equipment National Engineering Research Center Co Ltd
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 Hadian Power Equipment National Engineering Research Center Co Ltd filed Critical Hadian Power Equipment National Engineering Research Center Co Ltd
Priority to CN202110049284.3A priority Critical patent/CN112836941B/zh
Publication of CN112836941A publication Critical patent/CN112836941A/zh
Application granted granted Critical
Publication of CN112836941B publication Critical patent/CN112836941B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06—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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • 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"
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Control Of Turbines (AREA)

Abstract

一种煤电机组汽轮机高加系统在线健康状况评估方法，属于煤电机组汽轮机高加系统健康监测与诊断技术领域。本发明包括S1.建立煤电机组汽轮机高加系统预测模型；S2.从机组数据库中采集筛选包含机组运行全工况的历史无故障数据和当前运行数据；S3.利用历史无故障数据进行预测模型的训练和测试；S4.计算步骤3中得到的模型预测值与实际运行值间的方向距离；S5.建立高加系统健康状况评价指标；S6.得出汽轮机高加系统运行实时的健康指数。本发明实现了对高压加热器整体运行健康状况作出实时在线评估，对早期具有衰退趋势和异常的高加系统重点关注，从而第一时间对高加系统进行诊断和检修。

Description

一种煤电机组汽轮机高加系统在线健康状况评估方法
技术领域
本发明涉及煤电机组汽轮机高加系统健康监测与诊断领域，特别涉及一种煤电机组汽轮机高加系统在线健康状况评估方法。
背景技术
随着风电、光伏等可再生能源高速增长，煤电区域性功能定位将从电量型电源向电力电量型电源转变，充分发挥自身基础电源的优势，通过提供灵活性、深度调峰等服务来提升新能源消纳，煤电机组低负荷变工况运行将成为常态。汽轮机高加系统作为煤电机组的核心装置之一，其性能影响着整个机组的安全性和经济性，根据火力发电厂热力设备的故障数据统计，高压加热器故障的发生率是30％，因此对煤电机组高压加热器的健康评估要格外重视，高压加热器一旦出现故障停止运行后，还会导致流水倒灌入汽轮机中，进一步引发更严重的恶性事故。
当前，煤电机组在实际运行中，现有汽轮机高加系统需电厂运行人员实时监测众多参数，但电厂运行人员仅能实时监测高压加热器进汽参数、出入口给水参数以及疏水参数、高加水位等，无法对高压加热器整体运行健康状况作出评估。当高加系统健康状况存在早期衰退趋势和异常时，更是没有办法及时察觉、进而重点关注去对高加系统进行诊断和检修。若高加系统健康状况持续处于这种衰退和异常情况，非常容易导致高加发生严重故障，进而造成高加解列等事故，对整个机组运行的经济性、安全性造成巨大影响。
发明内容
本发明研发目的是为了解决上述技术问题，在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。
本发明的技术方案：
一种煤电机组汽轮机高加系统在线健康状况评估方法，它包括以下步骤：
S1.建立煤电机组汽轮机高加系统预测模型；
S2.从机组数据库中采集筛选包含机组运行全工况的历史无故障数据和当前运行数据，并将历史无故障数据分为训练数据和测试数据；
S3.利用历史无故障数据进行预测模型的训练和测试；
S4.步骤S3模型训练好之后，计算步骤3中得到的模型预测值与实际运行值间的方向距离。
S5.对步骤S4模型预测值与实际运行值间的方向距离概率密度分布状态进行高斯混合模型建模，建立高加系统健康状况评价指标；
S6.利用汽轮机高加系统的实测运行数据，得出汽轮机高加系统运行实时的健康指数。
优选的，步骤S1所述的建立煤电机组汽轮机高加系统预测模型具体为建立煤电机组汽轮机高加系统输入-输出预测模型，高加系统输入预测模型输入为高压加热器进汽压力、高压加热器进汽温度、上一级高压加热器出口给水温度、给水流量、高压加热器疏水气动调节阀阀位、下一级高压加热器疏水气动调节阀阀位、下一级高压加热器疏水温度，模型输出为高压加热器出口给水温度、高压加热器疏水温度。
优选的，步骤S2所述的从机组数据库中采集的数据包括高压加热器进汽压力、高压加热器进汽温度、上一级高压加热器出口给水温度、给水流量、高压加热器疏水气动调节阀阀位、下一级高压加热器疏水气动调节阀阀位、下一级高压加热器疏水温度，输出预测模型输出为高压加热器出口给水温度、高压加热器疏水温度。
优选的，数据采集频率为10s～5min。
优选的，步骤S3中所述的预测模型，采用多元非线性回归模型、BP神经网络模型、LSTM神经网络模型或自编码器模型。
优选的，步骤S4中所述的方向距离为欧式距离与夹角余弦之间的乘积，方向距离的计算式如下：
Figure BDA0002898635110000021
其中，
Figure BDA0002898635110000022
为方向距离，
Figure BDA0002898635110000023
为模型预测向量，x为实际运行向量，
Figure BDA0002898635110000024
为欧式距离，
Figure BDA0002898635110000025
为夹角余弦，
Figure BDA0002898635110000026
表示预测向量与实际运行向量的内积，||||表示向量的二范数。
优选的，步骤S5中所述的高斯混合模型，具有如下概率分布形式：
Figure BDA0002898635110000027
其中，ωk是权重系数，且
Figure BDA0002898635110000028
φ(x|θk)是第k个分模型的单一高斯概率密度函数，其中
Figure BDA0002898635110000029
μk即均值，
Figure BDA00028986351100000210
为高斯概率密度的方差，按下式计算：
Figure BDA00028986351100000211
优选的，步骤S5中所述建立高加系统健康状况评价指标，用健康指数表示，其定义为：
Figure BDA0002898635110000031
HIt＝(1-α)HIt-1+GPDt
式中：为t时GPDt刻高斯混合模型计算得到的似然概率；HIt为t时刻汽轮机高加系统健康指数；α为平衡系数，取值范围为0.05～0.30。
优选的，在步骤S6中所述的煤电机组汽轮机高加系统在线健康状况评估中需要确定报警阈值，通过选定置信度为99.9％，从而得到报警阈值。
本发明具有以下有益效果：本发明提供一种煤电机组汽轮机高加系统在线健康状况评估方法，利用汽轮机高加系统运行机理，结合多元非线性、神经网络等大数据智能分析算法，提出汽轮机高加系统输入—输出预测模型，可确定出汽轮机高加系统在不同运行工况下的基准输出(即预测输出)。提出方向距离的思想来衡量预测输出与实际运行值之间的将距离信息和趋势信息，并利用高斯混合模型进行相应的概率密度分析。最终本发明提出高加系统健康指数的概念，来在线衡量煤电机组汽轮机高加系统健康状况，可以提前分析出高加系统性能衰退和异常状况，提醒电厂运行人员重点关注，从而第一时间对高加系统进行智能诊断和仔细检查检修，避免严重的高加系统故障发生，保证煤电机组在深度调峰的大背景下的安全性与经济性。
附图说明
图1是在线健康评估方法流程图；
图2是1号高加系统输入—输出预测模型示意图；
图3是1号高压加热器疏水温度、出口给水温度模型预测值与实际值对比示意图；
图4是1号高压加热器疏水温度、出口给水温度模型预测值与实际值方向距离示意图；
图5是不同高斯子模型数k的BIC准则示意图；
图6是方向距离高斯混合模型概率密度分布示意图；
图7是1号高加系统在线健康状况评估示意图；
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面通过附图中示出的具体实施例来描述本发明。但是应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
具体实施方式：参照图1-7说明本实施方式，本实施方式的一种煤电机组汽轮机高加系统在线健康状况评估方法，步骤1、根据1号高加系统运行机理，建立煤电机组汽轮机1号高加系统输入—输出预测模型；在本实施例中，由于1号高加作为给水进入锅炉省煤器前最后一级高压加热器，故模型输入为1号高压加热器进汽压力、1号高压加热器进汽温度、2号高压加热器出口给水温度、给水流量、1号高压加热器疏水气动调节阀阀位，模型输出为1号高压加热器出口给水温度、1号高压加热器疏水温度，参照图2。
步骤2、从机组数据库中采集筛选包含机组运行全工况的历史无故障数据和当前运行数据，并将历史无故障数据分为训练数据和测试数据。采集的数据包括1号高压加热器进汽压力、1号高压加热器进汽温度、2号高压加热器出口给水温度、给水流量、1号高压加热器疏水气动调节阀阀位、1号高压加热器出口给水温度以及1号高压加热器疏水温度。数据采集频率可以为10s～5min,本实施例中采集频率为1min；所述的历史无故障数据分为训练数据和测试数据，比例按照7:3划分。采集的部分数据如表1所示。
Figure BDA0002898635110000041
步骤3、利用历史无故障数据进行预测模型的训练和测试，数据实例预测结果如图3所示。预测模型，可以采用多元非线性回归模型、BP神经网络模型、LSTM神经网络模型或自编码器模型。本实施例中采用多元非线性回归模型。其表达形式如下：
Figure BDA0002898635110000051
式中：y为1号高压加热器出口给水温度、1号高压加热器疏水温度实际观察值；i表示第i组数据；f(x1,x2,…,xj,k1,k2,…,kp)为多元非线性函数，表示确定性部分；x1,x2,…,xj为自变量(1号高压加热器进汽压力、1号高压加热器进汽温度、2号高压加热器出口给水温度、给水流量、1号高压加热器疏水气动调节阀阀位)；k1,k2,…,kp为多元非线性函数的未知模型参数；εσi为随机性部分，ε为服从N(0,1)分布的随机变量；σi为第i组数据随机分布标准差。
步骤4、步骤3模型训练好之后，计算步骤3中得到的模型预测值与实际运行值间的方向距离，数据实例如图4所示。
方向距离为欧式距离与夹角余弦之间的乘积，将距离信息和趋势信息充分结合起来。方向距离的计算式如下：
Figure BDA0002898635110000052
其中，
Figure BDA0002898635110000053
为方向距离，
Figure BDA0002898635110000054
为模型预测向量(向量参数为1号高压加热器出口给水温度预测值，1号高压加热器疏水温度预测值)，x为实际运行向量(向量参数为1号高压加热器出口给水温度实际运行值，1号高压加热器疏水温度实际运行值)，
Figure BDA0002898635110000055
为欧式距离，
Figure BDA0002898635110000056
为夹角余弦，
Figure BDA0002898635110000057
表示预测向量与实际运行向量的内积，||||表示向量的二范数。
步骤5、对步骤4中模型预测值与实际运行值之间方向距离的概率密度分布状态进行高斯混合模型建模，数据实例如图6所示。并定义高加系统健康状况评价指标，这里用健康指数来表示。
所述的高斯混合模型，具有如下概率分布形式：
Figure BDA0002898635110000058
其中，ωk是权重系数，且
Figure BDA0002898635110000061
φ(x|θk)是第k个分模型的单一高斯概率密度函数，其中
Figure BDA0002898635110000062
μk即均值，
Figure BDA0002898635110000063
为高斯概率密度的方差，按下式计算。
Figure BDA0002898635110000064
通过BIC(Bayesian Information Criterion)贝叶斯信息准则，用于高斯混合模型分模型个数选择，定义为：
BIC＝kln(n)-2ln(L)
其中，k为模型参数个数，n为样本数量，L为似然函数，从一组可供选择的模型中选择最佳模型时，目标选择BIC最小的模型，数据实例如图5所示。当k＝5时，BIC最小，是-15810.1962，所以，分模型数量取5。
所述的高加系统健康状况评价指标，这里用健康指数来表示。健康指数越小，说明健康衰退越严重，运行状况差。其定义为
Figure BDA0002898635110000065
HIt＝(1-α)HIt-1+GPDt
式中：GPDt为t时刻高斯混合模型计算得到的似然概率；HIt为t时刻汽轮机高加系统健康指数；α为平衡系数，α取值范围为0.05～0.30，本实施例中取α＝0.1。
步骤6、利用汽轮机高加系统的实测运行数据，得出汽轮机高加系统运行实时的健康指数，从而完成对于煤电机组汽轮机高加系统在线健康状况评估。某次1号高加运行故障，在线健康状况评估示例如图7所示。
所述的煤电机组汽轮机高加系统在线健康状况评估中需要确定报警阈值，通过选定置信度为99.9％，依据核密度估计方法，从而得到报警阈值，本实施例中报警阈值为2.9603。核密度估计的表达式为：
Figure BDA0002898635110000066
式中：
Figure BDA0002898635110000067
为估计的概率密度值，n为样本数，h为窗宽，K(·)为核函数。
需要说明的是，在以上实施例中，只要不矛盾的技术方案都能够进行排列组合，本领域技术人员能够根据排列组合的数学知识穷尽所有可能，因此本发明不再对排列组合后的技术方案进行一一说明，但应该理解为排列组合后的技术方案已经被本发明所公开。
本实施方式只是对本专利的示例性说明，并不限定它的保护范围，本领域技术人员还可以对其局部进行改变，只要没有超出本专利的精神实质，都在本专利的保护范围内。

Claims (10)

1.一种煤电机组汽轮机高加系统在线健康状况评估方法，其特征在于：它包括以下步骤：
S1.建立煤电机组汽轮机高加系统预测模型；
S2.从机组数据库中采集筛选包含机组运行全工况的历史无故障数据和当前运行数据，并将历史无故障数据分为训练数据和测试数据；
S3.利用历史无故障数据进行预测模型的训练和测试；
S4.步骤S3模型训练好之后，计算步骤3中得到的模型预测值与实际运行值间的方向距离；
S5.对步骤S4模型预测值与实际运行值间的方向距离概率密度分布状态进行高斯混合模型建模，建立高加系统健康状况评价指标；
S6.利用汽轮机高加系统的实测运行数据，得出汽轮机高加系统运行实时的健康指数。
2.根据权利要求1所述的一种煤电机组汽轮机高加系统在线健康状况评估方法，其特征在于：步骤S1所述的建立煤电机组汽轮机高加系统预测模型具体为建立煤电机组汽轮机高加系统输入-输出预测模型，高加系统输入预测模型输入为高压加热器进汽压力、高压加热器进汽温度、上一级高压加热器出口给水温度、给水流量、高压加热器疏水气动调节阀阀位、下一级高压加热器疏水气动调节阀阀位、下一级高压加热器疏水温度，模型输出为高压加热器出口给水温度、高压加热器疏水温度。
3.根据权利要求1所述的一种煤电机组汽轮机高加系统在线健康状况评估方法，其特征在于：步骤S2所述的从机组数据库中采集的数据包括高压加热器进汽压力、高压加热器进汽温度、上一级高压加热器出口给水温度、给水流量、高压加热器疏水气动调节阀阀位、下一级高压加热器疏水气动调节阀阀位、下一级高压加热器疏水温度，输出预测模型输出为高压加热器出口给水温度、高压加热器疏水温度。
4.根据权利要求3所述的一种煤电机组汽轮机高加系统在线健康状况评估方法，其特征在于：数据采集频率为10s～5min。
5.根据权利要求1所述的一种煤电机组汽轮机高加系统在线健康状况评估方法，其特征在于：步骤S3中所述的预测模型，采用多元非线性回归模型、BP神经网络模型、LSTM神经网络模型或自编码器模型。
6.根据权利要求1所述的一种煤电机组汽轮机高加系统在线健康状况评估方法，其特征在于：步骤S4中所述的方向距离为欧式距离与夹角余弦之间的乘积，方向距离的计算式如下：
Figure FDA0002898635100000021
其中，
Figure FDA0002898635100000022
为方向距离，
Figure FDA0002898635100000023
为模型预测向量，x为实际运行向量，
Figure FDA0002898635100000024
为欧式距离，
Figure FDA0002898635100000025
为夹角余弦，
Figure FDA0002898635100000026
表示预测向量与实际运行向量的内积，|| ||表示向量的二范数。
7.根据权利要求1所述的一种煤电机组汽轮机高加系统在线健康状况评估方法，其特征在于：步骤S5中所述的高斯混合模型，具有如下概率分布形式：
Figure FDA0002898635100000027
其中，ωk是权重系数，且ωk≥0,
Figure FDA0002898635100000028
φ(x|θk)是第k个分模型的单一高斯概率密度函数，其中
Figure FDA0002898635100000029
μk即均值，
Figure FDA00028986351000000210
为高斯概率密度的方差，按下式计算：
Figure FDA00028986351000000211
8.根据权利要求1所述的一种煤电机组汽轮机高加系统在线健康状况评估方法，其特征在于：步骤S5中所述建立高加系统健康状况评价指标，用健康指数表示，其定义为：
Figure FDA00028986351000000212
HIt＝(1-α)HIt-1+GPDt
式中：GPDt为t时刻高斯混合模型计算得到的似然概率；HIt为t时刻汽轮机高加系统健康指数；α为平衡系数，α取值范围为0.05～0.30。
9.根据权利要求1所述的一种煤电机组汽轮机高加系统在线健康状况评估方法，其特征在于：在步骤S6中所述的煤电机组汽轮机高加系统在线健康状况评估中需要确定报警阈值，通过选定置信度为99.9％，依据核密度估计方法，从而得到报警阈值。
10.根据权利要求9所述的一种煤电机组汽轮机高加系统在线健康状况评估方法，其特征在于：所述核密度估计表达式为：
Figure FDA00028986351000000213
式中：
Figure FDA00028986351000000214
为估计的概率密度值，n为样本数，h为窗宽，K(·)为核函数。
CN202110049284.3A 2021-01-14 2021-01-14 一种煤电机组汽轮机高加系统在线健康状况评估方法 Active CN112836941B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110049284.3A CN112836941B (zh) 2021-01-14 2021-01-14 一种煤电机组汽轮机高加系统在线健康状况评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110049284.3A CN112836941B (zh) 2021-01-14 2021-01-14 一种煤电机组汽轮机高加系统在线健康状况评估方法

Publications (2)

Publication Number Publication Date
CN112836941A true CN112836941A (zh) 2021-05-25
CN112836941B CN112836941B (zh) 2024-01-09

Family

ID=75928084

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110049284.3A Active CN112836941B (zh) 2021-01-14 2021-01-14 一种煤电机组汽轮机高加系统在线健康状况评估方法

Country Status (1)

Country Link
CN (1) CN112836941B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113380338A (zh) * 2021-06-16 2021-09-10 哈电发电设备国家工程研究中心有限公司 一种循环流化床机组旋风分离器进口处NOx浓度测量修正及预测方法
CN114167730A (zh) * 2021-12-09 2022-03-11 哈电发电设备国家工程研究中心有限公司 一种火电机组送风机整体健康状态评价方法、计算机及存储介质
CN114742115A (zh) * 2022-06-13 2022-07-12 西南交通大学 基于温振特征融合的滚动轴承故障诊断模型及诊断方法
CN114818127A (zh) * 2022-04-18 2022-07-29 中节能工业节能有限公司 一种汽轮机劣化程度的量化方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107341349A (zh) * 2017-06-30 2017-11-10 上海交通大学 风机健康评估的方法、系统、存储器及控制器
CN108009730A (zh) * 2017-12-05 2018-05-08 河海大学常州校区 一种光伏电站系统健康状态分析方法
CN110222980A (zh) * 2019-06-05 2019-09-10 上海电气集团股份有限公司 轨道交通轴承的健康评估方法及系统
CN110498314A (zh) * 2019-08-28 2019-11-26 上海电气集团股份有限公司 电梯门系统的健康评估方法、系统、电子设备及存储介质
CN110689171A (zh) * 2019-09-05 2020-01-14 哈尔滨工程大学 一种基于e-lstm的汽轮机健康状态预测方法
US20200116553A1 (en) * 2018-10-12 2020-04-16 Industrial Technology Research Institute Health monitor method for an equipment and system thereof
CN111222549A (zh) * 2019-12-30 2020-06-02 航天时代飞鸿技术有限公司 一种基于深度神经网络的无人机故障预测方法
CN111680407A (zh) * 2019-06-03 2020-09-18 北京航空航天大学 一种基于高斯混合模型的卫星健康评估方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107341349A (zh) * 2017-06-30 2017-11-10 上海交通大学 风机健康评估的方法、系统、存储器及控制器
CN108009730A (zh) * 2017-12-05 2018-05-08 河海大学常州校区 一种光伏电站系统健康状态分析方法
US20200116553A1 (en) * 2018-10-12 2020-04-16 Industrial Technology Research Institute Health monitor method for an equipment and system thereof
CN111680407A (zh) * 2019-06-03 2020-09-18 北京航空航天大学 一种基于高斯混合模型的卫星健康评估方法
CN110222980A (zh) * 2019-06-05 2019-09-10 上海电气集团股份有限公司 轨道交通轴承的健康评估方法及系统
CN110498314A (zh) * 2019-08-28 2019-11-26 上海电气集团股份有限公司 电梯门系统的健康评估方法、系统、电子设备及存储介质
CN110689171A (zh) * 2019-09-05 2020-01-14 哈尔滨工程大学 一种基于e-lstm的汽轮机健康状态预测方法
CN111222549A (zh) * 2019-12-30 2020-06-02 航天时代飞鸿技术有限公司 一种基于深度神经网络的无人机故障预测方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113380338A (zh) * 2021-06-16 2021-09-10 哈电发电设备国家工程研究中心有限公司 一种循环流化床机组旋风分离器进口处NOx浓度测量修正及预测方法
CN114167730A (zh) * 2021-12-09 2022-03-11 哈电发电设备国家工程研究中心有限公司 一种火电机组送风机整体健康状态评价方法、计算机及存储介质
CN114167730B (zh) * 2021-12-09 2024-05-03 哈电发电设备国家工程研究中心有限公司 一种火电机组送风机整体健康状态评价方法、计算机及存储介质
CN114818127A (zh) * 2022-04-18 2022-07-29 中节能工业节能有限公司 一种汽轮机劣化程度的量化方法
CN114742115A (zh) * 2022-06-13 2022-07-12 西南交通大学 基于温振特征融合的滚动轴承故障诊断模型及诊断方法
CN114742115B (zh) * 2022-06-13 2022-08-19 西南交通大学 滚动轴承故障诊断模型的构建方法及诊断方法

Also Published As

Publication number Publication date
CN112836941B (zh) 2024-01-09

Similar Documents

Publication Publication Date Title
CN112836941A (zh) 一种煤电机组汽轮机高加系统在线健康状况评估方法
CN109491358B (zh) 一种面向百万千瓦超超临界机组锅炉动态信息的控制性能监测方法
CN112834211A (zh) 一种风电机组传动系统故障预警方法
CN111401529B (zh) 一种基于遥感技术的河流生态流量监管方法
CN111780933B (zh) 基于神经网络及热力学建模诊断高压加热器泄漏故障的方法及系统
CN109538311B (zh) 面向高端发电装备中汽轮机的控制性能实时监测方法
CN108319131A (zh) 基于数据挖掘的机组调峰能力评估方法
CN112149877B (zh) 多元复杂城市电网多源数据驱动的故障预测方法及其系统
Li et al. An LSTM based method for stage performance degradation early warning with consideration of time-series information
CN114519923A (zh) 一种电厂智能诊断预警方法和系统
CN103207567B (zh) 一种低误报率的改进主元分析过程监测方法及其监测系统
CN116609055A (zh) 一种运用图卷积神经网络诊断风电齿轮箱故障的方法
CN115496188A (zh) 一种基于深度学习卷积神经网络的磨煤机故障预警方法
CN114997309A (zh) 给水泵故障预警方法及装置
CN112240267B (zh) 基于风速相关性与风功率曲线的风机监测方法
CN105512761A (zh) 一种电力变压器的经济寿命确定方法及装置
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
CN113756886A (zh) 一种汽轮机加热器的故障判断方法和系统
Tripathy et al. Production costing and economic analysis of power systems containing wind energy conversion systems
Qian et al. Research on deterioration evolution trend of primary loop piping in nuclear power plant based on fusion health index
Zhang et al. Spatio-temporal fusion model of natural gas pipeline condition monitoring based on convolutional neural network and long short-term memory neural network
Yang et al. Running State Assessment for Induced Draft Fans Using Auto Encoder Model Combined With Fuzzy Synthetic
Gao et al. A physical performance degradation-based approach for optimizing dynamic maintenance strategy of power equipment
Liu et al. Residual Analysis Based Fault Detection Method for Regulating Valves
CN117034157B (zh) 一种结合多模态运行数据的水电设备故障识别方法与系统

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
GR01 Patent grant
GR01 Patent grant