CN112987666A - 电厂机组运行优化调控方法及系统 - Google Patents
电厂机组运行优化调控方法及系统 Download PDFInfo
- Publication number
- CN112987666A CN112987666A CN202110178514.6A CN202110178514A CN112987666A CN 112987666 A CN112987666 A CN 112987666A CN 202110178514 A CN202110178514 A CN 202110178514A CN 112987666 A CN112987666 A CN 112987666A
- Authority
- CN
- China
- Prior art keywords
- power plant
- plant unit
- time
- parameters
- unit
- 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 47
- 238000005457 optimization Methods 0.000 title claims description 38
- 238000010977 unit operation Methods 0.000 title claims description 28
- 230000001105 regulatory effect Effects 0.000 claims abstract description 10
- 230000001276 controlling effect Effects 0.000 claims abstract description 6
- 230000000875 corresponding effect Effects 0.000 claims description 50
- 238000012216 screening Methods 0.000 claims description 49
- 238000012545 processing Methods 0.000 claims description 35
- 230000002159 abnormal effect Effects 0.000 claims description 23
- 230000002596 correlated effect Effects 0.000 claims description 13
- 238000005065 mining Methods 0.000 claims description 13
- 238000013139 quantization Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 230000036541 health Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000013501 data transformation Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 230000007812 deficiency Effects 0.000 claims 1
- 238000007418 data mining Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000005192 partition Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种电厂燃气蒸汽联合循环机组运行优化调控方法及系统。方法包括:S1)获电厂机组中的正常运行参数,建立电厂机组对应的稳定模式工况库;S2)在固定采集时刻获取电厂机组的实时运行参数,根据每一采集时刻获取的实时运行参数对下一采集时刻的运行状态进行预测;每一采集时刻之间的时间间隔相等;S3)根据下一采集时刻的运行状态预测值判断电厂机组是否在下一采集时刻存在异常运行,若是,根据稳定模式工况库和当前采集时刻的实时运行参数生成对应的调整目标;S4)根据调整目标生成对应的调整方案,并根据调整方案生成对应的调整指令;S5)在下一采集时刻之前执行调整指令,对电厂机组中各对应可控变量进行调整。本发明提高了电厂机组运行优化的效率。
Description
技术领域
本发明涉及电厂机组技术领域,具体地涉及一种电厂机组运行优化调控方法及系统。
背景技术
随着人工智能的迅速发展,数据挖掘作为大数据领域一项重要方法,其在电力系统的故障诊断、参数优化等方面的应用愈发广泛。伴随国内电厂信息化建设的不断完善,越来越多的电力生产数据被电厂中的信息化系统存储到实时数据库中,电力生产企业因此积累了海量的历史数据。这些数据背后往往隐藏着巨大的价值,从机组运行的海量数据中找到改善系统运行的知识和手段,具有很强的可行性和必要性。
目前,传统的电厂机组运行优化方法主要基于遗传算法和模糊神经网络。前者在面对海量的电厂机组运行参数的处理需建立精确的数学求解模型,耗时较多,难度大,运算效率低并且容易出现提前收敛等现象;后者通过模糊处理,建立初级不完全准确的算法模型,构建简单模糊神经网络应用于实际循环发电系统,获取实际运行数据后,利用新数据逐步修正训练规则,进而获得较为准确的模糊神经网络系统模型,该方法同样存在应对海量复杂动态数据时的效率低、精度差等问题。因此,亟待提出一种新的数据挖掘算法,并将其应用到电厂机组的优化调控中,以提升参数优化效率。
发明内容
本发明实施方式的目的是提供一种电厂机组运行优化调控方法及一种电厂机组运行优化调控系统,以至少解决现有电厂机组运行优化方法效率低和精度差的问题。
为了实现上述目的,本发明第一方面提供一种电厂机组运行优化调控方法,所述方法包括:S1)获取所述电厂机组的历史运行数据,根据预设筛选规则对所述历史运行数据进行正常运行参数筛选,并根据筛选出的正常运行参数建立所述电厂机组对应的稳定模式工况库;S2)在固定采集时刻获取所述电厂机组的实时运行参数,根据每一采集时刻获取的实时运行参数对所述电厂机组下一采集时刻的运行状态进行预测;其中每一采集时刻之间的时间间隔相等;S3)根据下一采集时刻的运行状态预测值判断所述电厂机组是否在下一采集时刻存在异常运行,若判断结果为是,根据所述稳定模式工况库和当前采集时刻的实时运行参数生成对应的调整目标;S4)根据所述调整目标生成对应的调整方案,并根据所述调整方案生成对应的调整指令;S5)在下一采集时刻之前,执行所述调整指令,对所述电厂机组中各对应可控变量进行调整。
可选的,步骤S1)中,所述根据预设筛选规则对所述历史运行数据进行正常运行参数筛选,并根据筛选出的正常运行参数建立所述电厂机组对应的稳定模式工况库,包括:对所述历史运行数据进行预处理,所述预处理至少包括异常值处理、缺失值处理、离散化处理和归一化处理;根据预设关联规则挖掘算法对预处理后的历史运行数据进行筛选,以筛选出影响所述电厂机组运行的历史运行参数;将筛选出的影响电厂机组运行的历史运行参数作为所述电厂机组健康状态的评估指标,并根据所述评估指标对所述电厂机组的工况进行聚类筛选,获得正常运行参数;根据所述正常运行参数对应的稳定运行工况建立稳定模式工况库。
可选的,所述异常值处理和所述缺失值处理基于Python数据库的数据筛选清洗功能实现;所述离散化处理和所述归一化处理基于特征简约和数据变换实现。
可选的,所述根据预设关联规则挖掘算法对预处理后的历史运行数据进行筛选,以筛选出影响所述电厂机组运行的历史运行参数,包括:将所述电厂机组的联合循环功率作为优化目标,建立优化问题;将所述预处理后的历史运行数据作为变量进行所述优化问题求解,并将计算结果与预设阈值进行对比,将大于预设阈值的求解结果对应的预处理后的历史运行数据构成为影响电厂机组运行的历史运行参数候选集;根据可视化工具和相关性分析方法进行所述联合循环功率与影响电厂机组运行的历史运行参数候选集中各历史运行参数之间的相关性分析,以筛选出与所述联合循环功率呈正相关的历史运行参数,并分别计算各个与所述联合循环功率呈正相关的历史运行参数的皮尔森相关系数;基于预设筛选规则,根据各个与所述联合循环功率呈正相关的历史运行参数的皮尔森相关系数筛选出影响电厂机组运行的历史运行参数;所述预设筛选规则包括:稳定性判断、极值标准化处理、设置隶属度、划分量化区间、调整最小支持度和最小置信度的值。
可选的,根据所述正常运行参数对应的稳定运行工况建立稳定模式工况库,包括:根据所述评估指标预估导致所述电厂机组运行异常的临界值的稳定判断指标;根据K近邻算法过滤掉所述预处理后的历史运行数据中满足所述电厂机组运行异常的临界值的稳定判断指标的运行参数,获得聚类输入数据;对所述聚类输入数据中各工况进行稳态或非稳态定义,筛选出稳态工况,根据筛选出的稳态工况建立稳定模式工况库。
可选的,步骤S2)中,所述根据每一采集时刻获取的实时运行参数对所述电厂机组下一采集时刻的运行状态进行预测,包括:从当前采集时刻获取的电厂机组的实时运行参数中确定用于运行状态判断的特征参数,根据预设训练规则获得所述特征参数的特征变量,并根据所述特征变量对所述电厂机组下一采集时刻的运行状态进行预测;
所述从当前采集时刻获取的电厂机组的实时运行参数中确定用于运行状态判断的特征参数,包括:根据与所述联合循环功率呈正相关的历史运行参数筛选结果,获取与筛选结果中历史运行参数对应的实时运行参数;分别计算各实时运行参数的均值、方差和异常值的出现次数;将出现次数计算结果作为用于进行所述电厂机组下一采集时刻的运行状态判断的特征参数。
可选的,所述根据训练预设规则获得所述特征参数的特征变量,并根据所述特征变量对所述电厂机组下一采集时刻的运行状态进行预测,包括:根据LSTM神经网络模型对所述特征参数进行训练,获得所述特征参数随时间变化趋势的预测结果;根据所述预测结果获得所述电厂机组下一采集时刻的运行状态预测值。
可选的,步骤S3)中,根据下一采集时刻的运行状态预测值判断所述电厂机组是否在下一采集时刻存在异常运行,若判断结果为是,根据所述稳定模式工况库和当前采集时刻的实时运行参数生成对应的调整目标,包括:若下一采集时刻的运行状态预测值超出预设状态阈值范围,判定所述电厂机组在下一采集时刻存在异常运行;响应于所述电厂机组在下一采集时刻存在异常运行的判定结果,从所述稳定模式工况库中搜索与下一采集时刻的运行状态预测值差值最小的稳定工况值,并将与下一采集时刻的运行状态预测值差值最小的稳定工况值作为调整目标。
本发明第二方面提供一种电厂机组运行优化调控系统,所述系统包括:采集单元,用于获取电厂机组的历史运行数据,以及在固定采集时刻获取所述电厂机组的实时运行参数,其中每一采集时刻之间的时间间隔相等;
数据筛选单元,用于根据预设筛选规则对所述历史运行数据进行正常运行参数筛选,并根据筛选出的正常运行参数建立所述电厂机组对应的稳定模式工况库;
处理单元,用于根据每一采集时刻获取的实时运行参数对所述电厂机组下一采集时刻的运行状态进行预测;所述处理单元还用于根据下一采集时刻的运行状态预测值判断所述电厂机组是否在下一采集时刻存在异常运行,若判断结果为是,根据所述稳定模式工况库和当前采集时刻的实时运行参数生成对应的调整目标,根据所述调整目标生成对应的调整方案,以及根据所述调整方案生成对应的调整指令;
执行单元,用于在下一采集时刻之前,执行所述调整指令,对所述电厂机组中各对应可控变量进行调整。
另一方面,本发明提供一种计算机可读储存介质,该计算机可读存储介质上储存有指令,其在计算机上运行时使得计算机执行上述的电厂机组运行优化调控方法。
通过上述技术方案,通过改进传统关联规则挖掘算法,根据确定的运行优化的目标,对获取的数据进行深度挖掘,找到机组运行参数的优化调控区间和对应的性能指标的正常运行值。然后对电厂机组实时运行参数进行分析,获得电厂机组实时的状态预测值,并将状态预测值与正常运行值进行对比,不仅可以判断当前电厂机组运行状态是否正常,还能根据对比结果确定电厂机组的最优调整方案,提高电厂机组运行优化的效率。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施方式,但并不构成对本发明实施方式的限制。在附图中:
图1是本发明一种实施方式提供的电厂机组运行优化调控方法的步骤流程图;
图2是本发明一种实施方式提供的建立稳定模式工况库的步骤流程图;
图3是本发明一种实施方式提供的获取下一采集时刻的运行状态预测值的步骤流程图;
图4是本发明一种实施方式提供的电厂机组运行优化调控系统的系统结构图。
附图标记说明
10-采集单元;20-数据筛选单元;30-处理单元;40-执行单元。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
图4是本发明一种实施方式提供的电厂机组运行优化调控系统的系统结构图。如图4所示,本发明实施方式提供一种电厂机组运行优化调控系统,所述系统包括:采集单元10,用于获取电厂机组的历史运行数据和所述电厂机组的实时运行数据;数据筛选单元20,根据预设筛选规则对所述历史运行数据进行正常运行参数筛选,并根据所述正常运行参数获得所述电厂机组对应的稳定模式工况库;处理单元30,用于根据所述电厂机组的实时运行参数进行所述电厂机组状态预测,获得电厂机组的运行状态预测值;还用于根据所述预测值判断所述电厂机组是否存在异常运行,并在所述电厂机组存在异常运行时根据所述稳定模式工况库和所述实时运行参数生成对应的调整目标,并根据所述调整目标生成对应的调整方案,并根据所述调整方案生成对应的调整指令;执行单元40,用于执行所述调整指令,进行所述电厂机组中各对应可控变量进行的调整。
图1是本发明一种实施方式提供的电厂机组运行优化调控方法的方法流程图。如图1所示,本发明实施方式提供一种电厂机组运行优化调控方法,所述方法包括:
步骤S10:获取所述电厂机组的历史运行数据,根据预设筛选规则对所述历史运行数据进行正常运行参数筛选,并根据筛选出的正常运行参数建立所述电厂机组对应的稳定模式工况库。
具体的,随着电厂信息化建设,如今很多电厂数据库中都存储有大量的对应电厂机组的运行数据,这些运行数据对于电厂稳态运行研究有着巨大的价值。但这些数据量是非常庞大的,若想直接通过海量的数据进行电厂稳态规律总结,对于计算设备的算力要求将会非常巨大,且进行数据分析的时间也将十分漫长。基于此,需要先对这些数据进行价值数据筛选,即过滤掉无用信息,对有价值的信息进行筛选和整理,极大缩小数据量,提高数据的归类性,便于进行数据分析。具体的,如图2,包括以下步骤:
步骤S101:进行历史运行数据预处理。
具体的,随着电厂机组使用寿命逐渐缩短,稳态运行的运行参数与刚投产使用的电厂机组的运行参数有着很大的区别,所以对于投产使用时间很长的电厂机组来说,最原始的数据对于现在电厂机组的参考价值是很小的,为了减轻运算设备的工作量,提高运算效率,尽可能缩小数据量,则优选地选定一个预设时间阈值,处于该时间阈值之外的历史运行数据直接过滤掉,仅保留对电厂机组现状态参考价值大的历史运行数据。优选为5-10年内历史运行参数作为有价值的历史运行数据。采集单元10根据预设时间阈值进行电厂机组数据库数据筛查,提取出有价值的历史运行数据,然后将这些历史运行数据发送到数据挖掘单元。为便于后续进行数据处理的高效性,优选先进行历史运行数据预处理,基于Python数据库的数据筛选清洗功能,进行历史运行数据的异常值处理和缺失值处理,然后再根据特征简约和数据变换进行历史运行数据离散化处理和归一化处理,获得预处理完成的历史运行数据。
步骤S102:根据预设关联规则挖掘算法对预处理后的历史运行数据进行筛选,筛选出其中影响电厂机组运行的历史运行参数。
具体的,将电厂机组的联合循环功率作为优化目标建立优化问题,基于概率统计理论关联规则挖掘算法进行优化问题求解;将预处理后的历史运行数据作为变量进行优化问题求解,并将计算结果与预设阈值进行对比,将其中大于预设阈值的求解结果对应的预处理后的历史运行数据构成为影响电厂机组运行的历史运行参数候选集;根据可视化工具和经典的相关性分析方法进行联合循环功率和影响电厂机组运行的历史运行参数候选集中各历史运行参数之间的相关性分析,筛选出与联合循环功率呈正相关的历史运行参数,并分别计算这些历史运行参数的皮尔森相关系数;根据各历史运行参数的皮尔森相关系数和预设规则挖掘出影响电厂机组运行的历史运行参数;其中,所述预设规则包括:稳定性判断、极值标准化处理、设置隶属度、划分量化区间、调整最小支持度和最小置信度的值。
对于预设关联规则挖掘算法,预设又n中运行工况构成为运行工况库D,每一个运行工况均包括m个子项目,即各运行工况的各种状态参数。则隶属度函数集合i(i=1,2,3…,n)个工况数据中第j(j=1,2,3…,m)个项目可用第k个隶属函数ui(Ris)(s=1,2,3,...,k)来描述。设定最小支持度阈值为mins和最小置信度阈值为minc。根据上述规则,将运行工况库D中的每一个工况数据Ti(i=1,2,…,n)的每个项目用给定的隶属函数表示为量化区间。设所对应的量化区间集合为所,则描述为量化区间集合的形式,关系式为:
其中,其中Rjk为项目的第k个量化区间分区,μi(Rjk)为分区Rjk上的隶属度值。然后计算n个工况数据Ti(1,2,...,n)中每个项目在对应的量化区间集合Rjs(s=1,2,...,k)中隶属度的权值,计算公式为:
对于每一个分区Rjs(1≤j≤m,1≤s≤k),验证各个事物集权值weightjs能否满足不小于预先设置的mins。如果分区Rjs满足以上条件,则将其放入频繁一项集L1中,即:
L1={Rjs|weightxjs≥mins,1≤j≤m,1≤s≤k}
设r=1,用来计算筛选后仍在留在项目中事务的总数。然后用类似于Apriori算法从频繁项集Lr中产生候选项集Cr+1,其中Lr在两个项目集中有r-1个项目是相同的,而其它的项目不同,且属于同一项目的两个分区不能同时出现在候选项集Cr+1同一项中。对候选项集Cr+1中每个新生成r+1项集t=(t1,t2,...,tr+1)作如下处理:
第一步,对每一事务数据Ti,计算候选大项集中项目t在总事务项集中的隶属度值,计算公式为:
μit=Minμi(Rti)
第二步,求解各个子项目中的权值大小,计算公式为:
如果weightt不小于之前设定的最小支持度阀值mins,则将项目t=(t1,t2,...,tr+1)放入Lr+1中;如果Lr+1不为空,则使得r=r+1,且重复执行上述步骤。若Lr+1为空,则为所有的具有项目(t1,t2,...,tq)的大q(q≥2)项集t建立求解规则,计算获得兴趣度值,并输出最小兴趣度的有效工况集。规则的兴趣度函数为:
兴趣度I的值越大,说明这条关联规则越有价值。I最低值设置的越大,挖掘出的结果越少,相反I阀值设置的越低,挖掘出的结果就越多。基于上述规则,分别对预处理后的历史运行参数进行性能指标分析、数据可视化分析、相关性分析和运行参数确定。通过性能指标和运行参数之间的可视化分析,可筛选出与联合循环功率呈明显正相关的运行参数,并计算对应的皮尔森相关系数,呈显著相关关系的参数最终进行数据挖掘的机组运行参数。
在本发明实施例中,通过量化区间关联规则挖掘算法,挖掘出的具有量化区间属性的有效关联规则,对最终运行参数的设置具有很高的参考价值。根据量化区间化后的求解方法,无法完全得出具体的参数值,需通过实际电力生产过程中的具体情况确定最终的参数值。
在一种可能的实施方式中,对某电厂机组的历史运行数据进行预处理后,筛选出了与联合循环功率呈正相关的历史运行参数,通过计算的各运行参数的皮尔森相关系数挖掘出了对联合功率表存在影响和参数信息,具体参数项目如表一:
表一 与联合循环功率正相关参数挖掘结果
步骤S103:将所述影响电厂机组运行的历史运行参数作为机组健康状态评估的指标,并根据所述机组健康状态评估的指标进行所述电厂机组的工况状态进行聚类挖掘,根据挖掘结果建立稳定模式工况库。
具体的,根据健康状态评估的指标确定会导致电厂机组运行异常的临界值的稳定判断指标;过滤掉预处理后的历史运行数据中满足电厂机组运行异常的临界值的稳定判断指标运行参数,获得聚类输入数据;根据K近邻算法识别出聚类输入数据中包括的工况簇数量;对工况簇中各工况进行稳态或非稳态定义,筛选出其中的稳态工况,建立稳定模式工况库。将关系数据库中经过数据挖掘提取后的待聚类的数据进行K近邻聚类分析时,需要设定簇的个数K和最大迭代次数n,然后随机选取K个数据点作为起始质心,通过计算每个数据点到质心的距离,将数据点分配至距离值最小的簇,在通过均值不断重复更新每个簇的质心,直至数据点的簇不发生改变或达到最大迭代次数n时,结束聚类,输出结果。实际应用过程中,技术人员可根据电厂机组确定的优化特征参数,设定若干类别,定义每个类别的特征,将经过特征挖掘后的数据进行分类,并标定稳定状态与非稳定状态。按照对聚类分群中数据状态的定义,完成对已有的运行工况记录的类别标注,把稳定工况类别标签设置为0,非稳定工况标签设置为1,并从中提取稳定工况,建立稳定模式工况库。一条工况中包含可控变量作为x,稳定表征变量y以及类别标签,对每条工况计算x中的参数与工况库中已有工况之间的距离,若距离为零,则认为工况库中已存在该工况,不再重复记录。否则,将该工况加上时间标签,以向量形式存入稳定工况库。
步骤S20:在固定采集时刻获取所述电厂机组的实时运行参数,根据每一采集时刻获取的实时运行参数对所述电厂机组下一采集时刻的运行状态进行预测;其中每一采集时刻之间的时间间隔相等。具体的,如图3,包括以下步骤:
步骤S201:在固定采集时刻获取所述电厂机组的实时运行参数,从所述实时运行参数中确定用于运行状态判断的特征参数。
具体的,根据与联合循环功率呈正相关的历史运行参数筛选结果,获取与筛选结果中历史运行参数对应的实时电厂机组运行参数;分别计算获得的实时电厂机组运行参数的均值、方差和异常值的出现次数;将计算结果作为用于进行所述电厂机组实时运行状态判断的特征参数。首先,根据步骤S102中筛选出的与电厂机组联合循环功率呈正相关的参数类型,然后根据这些参数类型进行针对性的实时运行参数筛选。例如,在步骤S102中,筛选出来的运行参数类型如表一所示,则获取电厂机组各部位的运行参数后,针对性的对照表一将这些类型数据的实时参数信息筛选出来。因为这些参数与电厂机组的联合循环功率呈正相关关系,也就表示这些数据可以评判机组运行性能优劣性能。至于其余类型的运行参数,对于电厂机组联合循环功率影响不大,则将这些数据过滤掉,可以缩小数据体量,提高运算效率。
步骤S202:根据预设训练规则获得所述特征参数的特征变量,并根据所述特征变量进行所述电厂机组下一采集时刻的运行状态进行预测。
具体的,本发明采用LSTM神经网络对机组优化参数的时间序列进行预测。经由数据挖掘后的待优化参数的时间序列输入LSTM神经网络模型,经过输入门,遗忘门,输出门的选择性保留,最终预测下一个时间点该运行参数所可能存在的状态。LSTM神经网络的原理即,将时间序列按时间顺序依次输入,定义Xt为当前时刻的输入数据,其输出结果Ht是上一时刻输入Xt-1经过遗忘门选择性遗忘后的结果与Xt共同作用的结果,同时该时刻输入Xt通过遗忘门过滤也将作为下一时刻输入的一部分,即上一时刻数据特征会影响下一时刻输出,从而提取随时间的变化,某一时刻输出的规律性,进而预测未来某一时刻的结果。通过上述可知,预设固定间隔时间后,系统能够根据当前时刻的运行参数,进行下一个采集时刻运行参数预测,即判断系统在下一个时刻时是否能够继续正常运行。若预测发现异常运行时,能够进行提前干预调整,避免异常运行结果的产生。
步骤S30:根据下一采集时刻的运行状态预测值判断所述电厂机组是否在下一采集时刻存在异常运行,若判断结果为是,根据所述稳定模式工况库和当前采集时刻的实时运行参数生成对应的调整目标。
具体的,对比预测值和预设状态阈值范围,当预测值超出所述预设状态阈值范围时,判定电厂机组存在异常运行;响应于电厂机组存在异常运行的判定结果,从稳定模式工况库中搜索距离当前预测值最近的稳定工况,并将距离当前预测值最近的稳定工况作为调整目标。当稳定指标中的参数出现异常,启动调控程序后,程序会从稳定模式库中搜索调控目标,返回距离当前状态最近的点作为待选工况。
步骤S40:根据所述调整目标生成对应的调整方案,并根据所述调整方案生成对应的调整指令。
具体的,获取的调整目标后,后续便要生成将当前电厂运行状态调整到调整目标的方案。比较当前状态与待选工况的差异,统计当前状态调至待选目标时需要调控的参数、需要调控的幅度以及调控参数个数,从这三个维度考虑,从待选工况中确定一个调控目标。调控目标的选取原则是调控个数尽可能少,调节幅度尽可能小。
步骤S50:在下一采集时刻之前,执行所述调整指令,对所述电厂机组中各对应可控变量进行调整。
具体的,处理单元30将调整指令发送到各执行单元40,执行单元40根据调整指令中显示的调整方向和调整幅度进行对应参数调整。按照设定的调节幅度进行参数的调整对可控变量进行调整,在下一个采集时刻之前,使得参数达到目标值。即在预测为发生异常运行的下一个时刻到来之前,将系统的运行参数调整到正常范围中来,避免运行异常情况出现,使得异常运行的可预见性,提高系统的智能性。在调控过程中会监测稳定指标的变化走势,优选的,如果指标没有回归正常,可以随时切断调控进程,进入人工调控环节。
本发明实施方式还提供一种计算机可读储存介质,该计算机可读存储介质上储存有指令,其在计算机上运行时使得计算机执行上述的电厂机组运行优化调控方法。
本领域技术人员可以理解实现上述实施方式的方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得单片机、芯片或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上结合附图详细描述了本发明的可选实施方式,但是,本发明实施方式并不限于上述实施方式中的具体细节,在本发明实施方式的技术构思范围内,可以对本发明实施方式的技术方案进行多种简单变型,这些简单变型均属于本发明实施方式的保护范围。另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施方式对各种可能的组合方式不再另行说明。
此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施方式的思想,其同样应当视为本发明实施方式所公开的内容。
Claims (10)
1.一种电厂机组运行优化调控方法,应用于电厂燃气蒸汽联合循环机组,其特征在于,所述方法包括:
S1)获取所述电厂机组的历史运行数据,根据预设筛选规则对所述历史运行数据进行正常运行参数筛选,并根据筛选出的正常运行参数建立所述电厂机组对应的稳定模式工况库;
S2)在固定采集时刻获取所述电厂机组的实时运行参数,根据每一采集时刻获取的实时运行参数对所述电厂机组下一采集时刻的运行状态进行预测;其中每一采集时刻之间的时间间隔相等;
S3)根据下一采集时刻的运行状态预测值判断所述电厂机组是否在下一采集时刻存在异常运行,若判断结果为是,根据所述稳定模式工况库和当前采集时刻的实时运行参数生成对应的调整目标;
S4)根据所述调整目标生成对应的调整方案,并根据所述调整方案生成对应的调整指令;
S5)在下一采集时刻之前,执行所述调整指令,对所述电厂机组中各对应可控变量进行调整。
2.根据权利要求1所述的电厂机组运行优化调控方法,其特征在于,步骤S1)中,所述根据预设筛选规则对所述历史运行数据进行正常运行参数筛选,并根据筛选出的正常运行参数建立所述电厂机组对应的稳定模式工况库,包括:
对所述历史运行数据进行预处理,所述预处理至少包括异常值处理、缺失值处理、离散化处理和归一化处理;
根据预设关联规则挖掘算法对预处理后的历史运行数据进行筛选,以筛选出影响所述电厂机组运行的历史运行参数;
将筛选出的影响电厂机组运行的历史运行参数作为所述电厂机组健康状态的评估指标,并根据所述评估指标对所述电厂机组的工况进行聚类筛选,获得正常运行参数;
根据所述正常运行参数对应的稳定运行工况建立稳定模式工况库。
3.根据权利要求2所述的电厂机组运行优化调控方法,其特征在于,所述异常值处理和所述缺失值处理基于Python数据库的数据筛选清洗功能实现;
所述离散化处理和所述归一化处理基于特征简约和数据变换实现。
4.根据权利要求2所述的电厂机组运行优化调控方法,其特征在于,所述根据预设关联规则挖掘算法对预处理后的历史运行数据进行筛选,以筛选出影响所述电厂机组运行的历史运行参数,包括:
将所述电厂机组的联合循环功率作为优化目标,建立优化问题;
将所述预处理后的历史运行数据作为变量进行所述优化问题求解,并将计算结果与预设阈值进行对比,将大于预设阈值的求解结果对应的预处理后的历史运行数据构成为影响电厂机组运行的历史运行参数候选集;
根据可视化工具和相关性分析方法进行所述联合循环功率与影响电厂机组运行的历史运行参数候选集中各历史运行参数之间的相关性分析,以筛选出与所述联合循环功率呈正相关的历史运行参数,并分别计算各个与所述联合循环功率呈正相关的历史运行参数的皮尔森相关系数;
基于预设筛选规则,根据各个与所述联合循环功率呈正相关的历史运行参数的皮尔森相关系数筛选出影响电厂机组运行的历史运行参数;所述预设筛选规则包括:
稳定性判断、极值标准化处理、设置隶属度、划分量化区间、调整最小支持度和最小置信度的值。
5.根据权利要求4所述的电厂机组运行优化调控方法,其特征在于,所述根据所述正常运行参数对应的稳定运行工况建立稳定模式工况库,包括:
根据所述评估指标预估导致所述电厂机组运行异常的临界值的稳定判断指标;
根据K近邻算法过滤掉所述预处理后的历史运行数据中满足所述电厂机组运行异常的临界值的稳定判断指标的运行参数,获得聚类输入数据;
对所述聚类输入数据中各工况进行稳态或非稳态定义,筛选出稳态工况,根据筛选出的稳态工况建立稳定模式工况库。
6.根据权利要求4所述的电厂机组运行优化调控方法,其特征在于,步骤S2)中,所述根据每一采集时刻获取的实时运行参数对所述电厂机组下一采集时刻的运行状态进行预测,包括:
从当前采集时刻获取的电厂机组的实时运行参数中确定用于运行状态判断的特征参数,根据预设训练规则获得所述特征参数的特征变量,并根据所述特征变量对所述电厂机组下一采集时刻的运行状态进行预测;
所述从当前采集时刻获取的电厂机组的实时运行参数中确定用于运行状态判断的特征参数,包括:
根据与所述联合循环功率呈正相关的历史运行参数筛选结果,获取与筛选结果中历史运行参数对应的实时运行参数;
分别计算各实时运行参数的均值、方差和异常值的出现次数;
将出现次数计算结果作为用于进行所述电厂机组下一采集时刻的运行状态判断的特征参数。
7.根据权利要求6所述的电厂机组运行优化调控方法,其特征在于,所述根据训练预设规则获得所述特征参数的特征变量,并根据所述特征变量对所述电厂机组下一采集时刻的运行状态进行预测,包括:
根据LSTM神经网络模型对所述特征参数进行训练,获得所述特征参数随时间变化趋势的预测结果;
根据所述预测结果获得所述电厂机组下一采集时刻的运行状态预测值。
8.根据权利要求7所述的电厂机组运行优化调控方法,其特征在于,步骤S3)中,根据下一采集时刻的运行状态预测值判断所述电厂机组是否在下一采集时刻存在异常运行,若判断结果为是,根据所述稳定模式工况库和当前采集时刻的实时运行参数生成对应的调整目标,包括:
若下一采集时刻的运行状态预测值超出预设状态阈值范围,判定所述电厂机组在下一采集时刻存在异常运行;
响应于所述电厂机组在下一采集时刻存在异常运行的判定结果,从所述稳定模式工况库中搜索与下一采集时刻的运行状态预测值差值最小的稳定工况值,并将与下一采集时刻的运行状态预测值差值最小的稳定工况值作为调整目标。
9.一种电厂机组运行优化调控系统,应用于电厂燃气蒸汽联合循环机组,其特征在于,所述系统包括:
采集单元,用于获取电厂机组的历史运行数据,以及在固定采集时刻获取所述电厂机组的实时运行参数,其中每一采集时刻之间的时间间隔相等;
数据筛选单元,用于根据预设筛选规则对所述历史运行数据进行正常运行参数筛选,并根据筛选出的正常运行参数建立所述电厂机组对应的稳定模式工况库;
处理单元,用于根据每一采集时刻获取的实时运行参数对所述电厂机组下一采集时刻的运行状态进行预测;所述处理单元还用于根据下一采集时刻的运行状态预测值判断所述电厂机组是否在下一采集时刻存在异常运行,若判断结果为是,根据所述稳定模式工况库和当前采集时刻的实时运行参数生成对应的调整目标,根据所述调整目标生成对应的调整方案,以及根据所述调整方案生成对应的调整指令;
执行单元,用于在下一采集时刻之前,执行所述调整指令,对所述电厂机组中各对应可控变量进行调整。
10.一种计算机可读储存介质,该计算机可读存储介质上储存有指令,其在计算机上运行时使得计算机执行权利要求1至8中任一项权利要求所述的电厂机组运行优化调控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110178514.6A CN112987666B (zh) | 2021-02-09 | 2021-02-09 | 电厂机组运行优化调控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110178514.6A CN112987666B (zh) | 2021-02-09 | 2021-02-09 | 电厂机组运行优化调控方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112987666A true CN112987666A (zh) | 2021-06-18 |
CN112987666B CN112987666B (zh) | 2022-05-20 |
Family
ID=76392741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110178514.6A Active CN112987666B (zh) | 2021-02-09 | 2021-02-09 | 电厂机组运行优化调控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112987666B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113868953A (zh) * | 2021-09-29 | 2021-12-31 | 苏州浪潮智能科技有限公司 | 工业系统中多机组运行优化方法、装置、系统及存储介质 |
CN113901939A (zh) * | 2021-10-21 | 2022-01-07 | 黑龙江科技大学 | 基于模糊修正的冲击地压危险等级预测方法、存储介质及设备 |
WO2023024433A1 (zh) * | 2021-08-27 | 2023-03-02 | 浙大城市学院 | 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 |
CN116414096A (zh) * | 2023-04-26 | 2023-07-11 | 武汉慧友佳华电子有限公司 | 智慧化工厂生产管控系统 |
CN116679627A (zh) * | 2023-05-04 | 2023-09-01 | 安徽机电职业技术学院 | 一种用于控制多个电气设备的联动控制方法 |
CN117332236A (zh) * | 2023-10-30 | 2024-01-02 | 国网浙江省电力有限公司乐清市供电公司 | 一种虚拟电厂的数据跟踪检测方法、装置及存储介质 |
CN117387056A (zh) * | 2023-12-13 | 2024-01-12 | 华能济南黄台发电有限公司 | 一种火电厂深度调峰状态监测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106094744A (zh) * | 2016-06-04 | 2016-11-09 | 上海大学 | 基于关联规则挖掘的火电厂主运行参数目标值的确定方法 |
CN106990763A (zh) * | 2017-04-20 | 2017-07-28 | 浙江大学 | 一种基于数据挖掘的立磨运行调控系统及方法 |
CN108288111A (zh) * | 2018-01-26 | 2018-07-17 | 广东电网有限责任公司电力科学研究院 | 基于关联规则的火电厂排烟温度基准值确定方法及装置 |
CN109396576A (zh) * | 2018-09-29 | 2019-03-01 | 郑州轻工业学院 | 基于深度学习的电火花加工稳定性与能耗状态优化决策系统及决策方法 |
US20190347590A1 (en) * | 2014-03-12 | 2019-11-14 | Bahwan CyberTek Private Limited | Intelligent Decision Synchronization in Real Time for both Discrete and Continuous Process Industries |
CN111691932A (zh) * | 2020-05-29 | 2020-09-22 | 国网天津市电力公司电力科学研究院 | 一种燃气蒸汽联合循环机组最大发电负荷监测装置及方法 |
-
2021
- 2021-02-09 CN CN202110178514.6A patent/CN112987666B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190347590A1 (en) * | 2014-03-12 | 2019-11-14 | Bahwan CyberTek Private Limited | Intelligent Decision Synchronization in Real Time for both Discrete and Continuous Process Industries |
CN106094744A (zh) * | 2016-06-04 | 2016-11-09 | 上海大学 | 基于关联规则挖掘的火电厂主运行参数目标值的确定方法 |
CN106990763A (zh) * | 2017-04-20 | 2017-07-28 | 浙江大学 | 一种基于数据挖掘的立磨运行调控系统及方法 |
CN108288111A (zh) * | 2018-01-26 | 2018-07-17 | 广东电网有限责任公司电力科学研究院 | 基于关联规则的火电厂排烟温度基准值确定方法及装置 |
CN109396576A (zh) * | 2018-09-29 | 2019-03-01 | 郑州轻工业学院 | 基于深度学习的电火花加工稳定性与能耗状态优化决策系统及决策方法 |
CN111691932A (zh) * | 2020-05-29 | 2020-09-22 | 国网天津市电力公司电力科学研究院 | 一种燃气蒸汽联合循环机组最大发电负荷监测装置及方法 |
Non-Patent Citations (2)
Title |
---|
何怀昌 等: "基于大数据的燃气-蒸汽联合循环机组性能分析及诊断系统", 《热力发电》 * |
王丽洋 等: "数据挖掘在火电厂运行优化目标值确定中的应用", 《科技风》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023024433A1 (zh) * | 2021-08-27 | 2023-03-02 | 浙大城市学院 | 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 |
CN113868953A (zh) * | 2021-09-29 | 2021-12-31 | 苏州浪潮智能科技有限公司 | 工业系统中多机组运行优化方法、装置、系统及存储介质 |
CN113868953B (zh) * | 2021-09-29 | 2024-01-19 | 苏州浪潮智能科技有限公司 | 工业系统中多机组运行优化方法、装置、系统及存储介质 |
CN113901939A (zh) * | 2021-10-21 | 2022-01-07 | 黑龙江科技大学 | 基于模糊修正的冲击地压危险等级预测方法、存储介质及设备 |
CN116414096A (zh) * | 2023-04-26 | 2023-07-11 | 武汉慧友佳华电子有限公司 | 智慧化工厂生产管控系统 |
CN116679627A (zh) * | 2023-05-04 | 2023-09-01 | 安徽机电职业技术学院 | 一种用于控制多个电气设备的联动控制方法 |
CN117332236A (zh) * | 2023-10-30 | 2024-01-02 | 国网浙江省电力有限公司乐清市供电公司 | 一种虚拟电厂的数据跟踪检测方法、装置及存储介质 |
CN117332236B (zh) * | 2023-10-30 | 2024-05-07 | 国网浙江省电力有限公司乐清市供电公司 | 一种虚拟电厂的数据跟踪检测方法、装置及存储介质 |
CN117387056A (zh) * | 2023-12-13 | 2024-01-12 | 华能济南黄台发电有限公司 | 一种火电厂深度调峰状态监测方法及系统 |
CN117387056B (zh) * | 2023-12-13 | 2024-03-08 | 华能济南黄台发电有限公司 | 一种火电厂深度调峰状态监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112987666B (zh) | 2022-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112987666B (zh) | 电厂机组运行优化调控方法及系统 | |
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 | |
CN103745273A (zh) | 一种半导体制造过程的多性能预测方法 | |
CN109726228A (zh) | 一种大数据背景下的切削数据综合应用方法 | |
CN111815054A (zh) | 基于大数据的工业蒸汽热网短期负荷预测方法 | |
CN116723034B (zh) | 一种用于互联网信息安全的智能数据监测系统及方法 | |
CN104050547A (zh) | 一种油田开发规划方案非线性优选决策方法 | |
CN117349782B (zh) | 智能数据预警决策树分析方法及系统 | |
CN111476274B (zh) | 一种大数据预测分析的方法、系统、装置及存储介质 | |
CN112529053A (zh) | 一种服务器中时序数据短期预测方法及系统 | |
CN116245019A (zh) | 一种基于Bagging抽样及改进随机森林算法的负荷预测方法、系统、装置及存储介质 | |
CN113918727B (zh) | 一种基于知识图谱和迁移学习的施工项目知识转移方法 | |
CN112184412A (zh) | 一种信用评分卡模型的建模方法、装置、介质及电子设备 | |
Pena et al. | Application of rough sets algorithms to prediction of aircraft component failure | |
CN114219096A (zh) | 一种机器学习算法模型的训练方法、装置及存储介质 | |
CN115600102B (zh) | 基于船舶数据的异常点检测方法及装置、电子设备、介质 | |
CN116578858A (zh) | 基于图神经网络的空压机故障预测与健康度评价方法及系统 | |
Salleh | A fuzzy modelling of decision support system for crop selection | |
Sadi-Nezhad et al. | A new fuzzy clustering algorithm based on multi-objective mathematical programming | |
CN112531741B (zh) | 一种柔性负荷参与调频的决策方法及装置 | |
CN117539520B (zh) | 固件自适应升级方法、系统以及设备 | |
CN112801388B (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 | |
CN117094478B (zh) | 能量调度管理方法、装置、设备及存储介质 | |
Zhouhuo | [Retracted] Parallel Classification Algorithm Design of Human Resource Big Data Based on Spark Platform | |
CN117290405A (zh) | 一种大规模设备数据快速查询的物联网系统 |
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 |