CN113065766B - 一种基于历史数据挖掘分析的汽机运行工况寻优方法 - Google Patents

一种基于历史数据挖掘分析的汽机运行工况寻优方法 Download PDF

Info

Publication number
CN113065766B
CN113065766B CN202110357544.3A CN202110357544A CN113065766B CN 113065766 B CN113065766 B CN 113065766B CN 202110357544 A CN202110357544 A CN 202110357544A CN 113065766 B CN113065766 B CN 113065766B
Authority
CN
China
Prior art keywords
data
working condition
value
parameter
deviation
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.)
Active
Application number
CN202110357544.3A
Other languages
English (en)
Other versions
CN113065766A (zh
Inventor
李建春
姜向平
闵凡
曾春
刘健
岳春生
吴舜华
雷青松
李小泉
杨鸿翔
李志龙
王岩
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.)
CNNC Nuclear Power Operation Management Co Ltd
Original Assignee
CNNC Nuclear Power Operation Management 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 CNNC Nuclear Power Operation Management Co Ltd filed Critical CNNC Nuclear Power Operation Management Co Ltd
Priority to CN202110357544.3A priority Critical patent/CN113065766B/zh
Publication of CN113065766A publication Critical patent/CN113065766A/zh
Application granted granted Critical
Publication of CN113065766B publication Critical patent/CN113065766B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • 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

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于历史数据挖掘分析的汽机运行工况寻优方法，包括如下步骤：步骤1：根据核电厂运行设备的状态特点，选取关键参数，并对这些关键参数历史在正常运行的时间范围进行确定，完成关键参数建模时间段的配置；步骤2：提取训练数据T当中的工况识别参数数据WP，并用基于概率分布相似性聚类方法对工况识别数据WP的每个测点分别进行聚类操作WPi；步骤3：训练数据T的所有数据进行工况类型标注；步骤4：总偏差计算；步骤5：计算测点偏差分解值。有益效果在于：通过监测关键性能参数的实时值，系统自动建模计算出符合当前工况的历史最优值，以此来评估当前状态是否出现偏离，并对这种偏离以偏差的方式进行展示。

Description

一种基于历史数据挖掘分析的汽机运行工况寻优方法
技术领域
本发明属于核电机组设备可靠性监测技术领域，具体涉及一种基于历史数据挖掘分析的汽机运行工况寻优方法。
背景技术
核电机组汽轮机组系统是将热能转变为电能的动力转换系统。蒸汽发生器产生的蒸汽输送到汽轮机做功，将蒸汽的热能转变为机械能；汽轮机带动发电机，使机械能转变为电能。做功后的蒸汽排入凝汽器，由循环水冷凝成凝结水。凝结水经回热加热、除氧，由给水泵升压送回蒸汽发生器，如此构成封闭的热力循环。由此可见整个汽轮机组系统的主要热力性能的优劣直接影响了发电厂的发电功率，影响电厂的效益。当前各电厂仅有定期试验对汽机运行工况进行整体性的监测，缺乏在线监督的手段。现有技术不能及时发现汽机偏离最佳运行工况，也不能对偏离最佳运行工况进行预警。
发明内容
本发明的目的在于提供一种基于历史数据挖掘分析的汽机运行工况寻优方法，实现机组历史最优值工况的挖掘，然后与当前数据相互关联和分析，找出差距。本方法通过监测关键性能参数的实时值与系统自动计算出符合当前工况的历史最优值的对比偏差，以此来评估当前状态是否出现偏离。偏差分解到具体性能优化参数，以单位百分比进行量化偏离程度。并长期持续的为机组运行后的故障诊断提供详实的基础数据。
本发明的技术方案如下：一种基于历史数据挖掘分析的汽机运行工况寻优方法，包括如下步骤：
步骤1：根据核电厂运行设备的状态特点，选取关键参数，并对这些关键参数历史在正常运行的时间范围进行确定，完成关键参数建模时间段的配置；
步骤2：提取训练数据T当中的工况识别参数数据WP，并用基于概率分布相似性聚类方法对工况识别数据WP的每个测点分别进行聚类操作WPi；
步骤3：训练数据T的所有数据进行工况类型标注；
步骤4：总偏差计算；
步骤5：计算测点偏差分解值。
所述的步骤1针对选出的需要监测的关键参数，在历年的运行状态数据中，观察测点数据曲线，截取最近两年的数据作为建模数据；读取机组选定的各个测点的训练数据T。
所述的步骤2包括，
对WPi训练数据进行箱线图算法判断，将数据分成3种：
a)位于箱线图以内的数据DATAin；
b)位于箱线图上端以外的数DATAupper；
c)位于箱线图下端以外的数据DATAlower。
所述的步骤2包括，
位于箱线图以内的数据DATAin利用数山头的方式进行聚类分析：
a)计算DATAin的核密度曲线；
b)并斜率法找出曲线的波谷与波峰，作为数值分割点；
c)合并间隔距离小的数值分割点；
d)最后根据数值分割点之间的数据占比进行2次分割，获取最值分割点。
所述的步骤2包括，位于箱线图以外的数据DATAupper、DATAlower以及利用等数值间隔的方式进行聚类分析；合并上述两个步骤的聚类结果。
所述的步骤3对训练数据T的所有数据进行工况类型标注，根据每个工况识别测点的类型情况，对每条训练数据进行工况分类，确定每类工况的工况识别参数数据WP的上下限值WPmaxmin；根据目标参数TP最优判定规则的情况，对每类工况数据进行最优工况的优化参数OPbest的确定；目标参数TP最优判定规则有如下3种：1是数值越大越优；2是数值越小越优；3是数值越趋近于某值越优。
所述的步骤4读取机组各个测点的实时数据R，依据工况识别参数实时数据WP的情况，判断实时工况类型；对比该工况类型的最佳目标参数TPbest，判断实时目标参数RTP是否优于TPbest，是否需要更新最优工况；计算实时工况的优化参数OPrt跟对应工况下的最优优化参数OPbest的偏差距离ROPD；计算实时优化参数偏差距离ROPD归一化数值NROPD；NROPD＝(ROPD–min(ROPD))/(max(ROPD)–min(ROPD))计算实时工况数据的历史总偏差值TRhis；TRhis＝NROPD1+NROPD2+NROPD3+…+NROPDn。
所述的步骤5当总偏差值超过阈值后，系统将总偏差值分解至各实时监督参数与最优值的差值，显示出哪个测点的偏差较大。
本发明的有益效果在于：本发明通过监测关键性能参数的实时值，系统自动建模计算出符合当前工况的历史最优值，以此来评估当前状态是否出现偏离，并对这种偏离以偏差的方式进行展示。
附图说明
图1为计算DATAin的核密度曲线；
图2为并斜率法找出曲线的波谷与波峰，作为数值分割点；
图3为合并间隔距离小的数值分割点；
图4为根据数值分割点之间的数据占比进行2次分割，获取最值分割点。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细说明。
本发明通过核电机组汽轮机组运行状态历史数据的挖掘，实现机组历史最优值工况的挖掘，然后与当前数据相互关联和分析，找出差距。本方法通过监测关键性能参数的实时值与系统自动计算出符合当前工况的历史最优值的对比偏差，以此来评估当前状态是否出现偏离，并将偏差分解到具体性能优化参数。
一种基于历史数据挖掘分析的汽机运行工况寻优方法，具体包括如下步骤：
步骤1：根据核电厂运行设备的状态特点，选取关键参数海水温度、发电机功率，并对这些关键参数历史在正常运行的时间范围进行确定，完成关键参数建模时间段的配置；
针对选出的需要监测的关键参数，在历年的运行状态数据中，观察测点数据曲线，由于近两年的历史数据包含反应堆一个运行周期内全部工况的状态参数，具有典型性，故截取最近两年的数据作为建模数据；读取机组选定的各个测点的训练数据T。
步骤2：提取训练数据T当中的工况识别参数数据WP，并用基于概率分布相似性聚类方法对工况识别数据WP的每个测点分别进行聚类操作WPi；
对WPi训练数据进行箱线图算法判断，将数据分成3种：
a)位于箱线图以内的数据DATAin；
b)位于箱线图上端以外的数DATAupper；
c)位于箱线图下端以外的数据DATAlower；
位于箱线图以内的数据DATAin利用数山头的方式进行聚类分析：
a)计算DATAin的核密度曲线；
b)并斜率法找出曲线的波谷与波峰，作为数值分割点；
c)合并间隔距离小的数值分割点；
d)最后根据数值分割点之间的数据占比进行2次分割，获取最值分割点。
位于箱线图以外的数据DATAupper、DATAlower以及利用等数值间隔的方式进行聚类分析；合并上述两个步骤的聚类结果。
步骤3：训练数据T的所有数据进行工况类型标注；
对训练数据T的所有数据进行工况类型标注，根据每个工况识别测点的类型情况，对每条训练数据进行工况分类,确定每类工况的工况识别参数数据WP的上下限值WPmaxmin；根据目标参数TP最优判定规则的情况，对每类工况数据进行最优工况的优化参数OPbest的确定；目标参数TP最优判定规则有如下3种：1是数值越大越优；2是数值越小越优；3是数值越趋近于某值越优。
步骤4：总偏差计算
读取机组各个测点的实时数据R；依据工况识别参数实时数据WP的情况，判断实时工况类型；对比该工况类型的最佳目标参数TPbest，判断实时目标参数RTP是否优于TPbest，是否需要更新最优工况；计算实时工况的优化参数OPrt跟对应工况下的最优优化参数OPbest的偏差距离ROPD；计算实时优化参数偏差距离ROPD归一化数值NROPD；NROPD＝(ROPD–min(ROPD))/(max(ROPD)–min(ROPD))计算实时工况数据的历史总偏差值TRhis；TRhis＝NROPD1+NROPD2+NROPD3+…+NROPDn。
步骤5：计算测点偏差分解值
当总偏差值超过阈值后，系统将总偏差值分解至各实时监督参数与最优值(目标值)的差值，直观的显示出哪个测点的偏差较大。
本方法通过关键参数当前监测值与历史最优值进行对比实现故障预警及机组性能监测分析，可以及时发现隐性异常。针对异常可分解到具体参数，指明具体参数异常值与历史最优值之间的差距。使得方家山核电热力系统性能运行趋势变化一目了然。

Claims (1)

1.一种基于历史数据挖掘分析的汽机运行工况寻优方法，其特征在于，包括如下步骤：
步骤1：根据核电厂运行设备的状态特点，选取关键参数，并对这些关键参数历史在正常运行的时间范围进行确定，完成关键参数建模时间段的配置；
所述的步骤1针对选出的需要监测的关键参数，在历年的运行状态数据中，观察测点数据曲线，截取最近两年的数据作为建模数据；读取机组选定的各个测点的训练数据T；
步骤2：提取训练数据T当中的工况识别参数数据WP，并用基于概率分布相似性聚类方法对工况识别参数数据WP的每个测点分别进行聚类操作；
所述的步骤2包括，
对训练数据进行箱线图算法判断，将数据分成3种：
a) 位于箱线图以内的数据DATAin；
b) 位于箱线图上端以外的数DATAupper；
c) 位于箱线图下端以外的数据DATAlower；
所述的步骤2包括，
位于箱线图以内的数据DATAin利用数山头的方式进行聚类分析：
a）计算DATAin的核密度曲线；
b）并斜率法找出曲线的波谷与波峰，作为数值分割点；
c）合并间隔距离小的数值分割点；
d）最后根据数值分割点之间的数据占比进行2次分割，获取最值分割点；
所述的步骤2包括，位于箱线图以外的数据DATAupper、DATAlower利用等数值间隔的方式进行聚类分析；合并步骤1和2的聚类结果；
步骤3：训练数据T的所有数据进行工况类型标注；
所述的步骤3对训练数据T的所有数据进行工况类型标注，根据每个工况识别测点的类型情况，对每条训练数据进行工况分类，确定每类工况的工况识别参数数据WP的上下限值；根据目标参数TP最优判定规则的情况，对每类工况数据进行最优工况的优化参数OPbest的确定；目标参数TP最优判定规则有如下3种：1是数值越大越优；2是数值越小越优；3是数值越趋近于某值越优；
步骤4：总偏差计算；
所述的步骤4读取机组各个测点的实时数据R，依据工况识别参数数据WP的情况，判断实时工况类型；对比该工况类型的最佳目标参数TPbest，判断实时目标参数RTP是否优于TPbest，是否需要更新最优工况；计算实时工况的优化参数OPrt 跟对应工况下的优化参数OPbest的参数偏差距离ROPD；计算实时优化参数偏差距离ROPD归一化数值NROPD；NROPD =(ROPD – min(ROPD)) / (max(ROPD) –min(ROPD))，计算实时工况数据的历史总偏差值TRhis；TRhis = NROPD1 + NROPD2 + NROPD3 +… + NROPDn；
步骤5：计算测点偏差分解值；
所述的步骤5当总偏差值超过阈值后，系统将总偏差值分解至各实时监督参数与最优值的差值，显示出哪个测点的偏差较大。
CN202110357544.3A 2021-04-01 2021-04-01 一种基于历史数据挖掘分析的汽机运行工况寻优方法 Active CN113065766B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110357544.3A CN113065766B (zh) 2021-04-01 2021-04-01 一种基于历史数据挖掘分析的汽机运行工况寻优方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110357544.3A CN113065766B (zh) 2021-04-01 2021-04-01 一种基于历史数据挖掘分析的汽机运行工况寻优方法

Publications (2)

Publication Number Publication Date
CN113065766A CN113065766A (zh) 2021-07-02
CN113065766B true CN113065766B (zh) 2024-05-14

Family

ID=76565482

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110357544.3A Active CN113065766B (zh) 2021-04-01 2021-04-01 一种基于历史数据挖掘分析的汽机运行工况寻优方法

Country Status (1)

Country Link
CN (1) CN113065766B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101893877A (zh) * 2009-05-20 2010-11-24 中国国电集团公司九江发电厂 一种发电厂基于能耗分析的优化运行方法及其系统
CN102708180A (zh) * 2012-05-09 2012-10-03 北京华电天仁电力控制技术有限公司 基于实时历史库的机组运行模式数据挖掘方法
CN104035331A (zh) * 2014-01-10 2014-09-10 上海白丁电子科技有限公司 机组运行优化指导系统及其设备
CN106709662A (zh) * 2016-12-30 2017-05-24 山东鲁能软件技术有限公司 一种电力设备运行工况划分方法
CN107662601A (zh) * 2016-07-29 2018-02-06 长城汽车股份有限公司 车辆的控制方法、装置及车辆
CN109990090A (zh) * 2019-03-29 2019-07-09 长安大学 一种装载机用发动机与液力变矩器的功率匹配方法
WO2019136944A1 (zh) * 2018-01-12 2019-07-18 清华大学 网侧次同步阻尼控制器全工况优化方法及装置
CN111199246A (zh) * 2019-12-24 2020-05-26 泉州装备制造研究所 一种工况分类方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9200591B2 (en) * 2011-07-06 2015-12-01 Honeywell International Inc. Automatic identification of operating parameters for power plants
CN107633309B (zh) * 2017-09-22 2018-08-31 合肥工业大学 一种复杂成形设备的维修策略确定方法及系统
CN111401573B (zh) * 2018-12-17 2023-10-27 中国科学院沈阳自动化研究所 一种工况状态建模与修正模型方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101893877A (zh) * 2009-05-20 2010-11-24 中国国电集团公司九江发电厂 一种发电厂基于能耗分析的优化运行方法及其系统
CN102708180A (zh) * 2012-05-09 2012-10-03 北京华电天仁电力控制技术有限公司 基于实时历史库的机组运行模式数据挖掘方法
CN104035331A (zh) * 2014-01-10 2014-09-10 上海白丁电子科技有限公司 机组运行优化指导系统及其设备
CN107662601A (zh) * 2016-07-29 2018-02-06 长城汽车股份有限公司 车辆的控制方法、装置及车辆
CN106709662A (zh) * 2016-12-30 2017-05-24 山东鲁能软件技术有限公司 一种电力设备运行工况划分方法
WO2019136944A1 (zh) * 2018-01-12 2019-07-18 清华大学 网侧次同步阻尼控制器全工况优化方法及装置
CN109990090A (zh) * 2019-03-29 2019-07-09 长安大学 一种装载机用发动机与液力变矩器的功率匹配方法
CN111199246A (zh) * 2019-12-24 2020-05-26 泉州装备制造研究所 一种工况分类方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
基于轨迹数据的多工况典型驾驶行为能耗评估;惠飞;吴丽宁;景首才;魏诚;李敬;;计算机应用与软件;20200512(05);56-62 *
复杂过程的多模型建模方法研究;孙建平;苑一方;;仪器仪表学报(01);132-137 *
机组在线运行优化系统及实时目标工况的确定;洪军;崔彦锋;毕小龙;司风琪;徐治皋;;电力系统自动化(06);86-90 *
面向统计数据多维时空特征探索的可视分析方法研究;余佳珺;中国优秀硕士学位论文全文数据库 社会科学Ⅱ辑;30-34 *

Also Published As

Publication number Publication date
CN113065766A (zh) 2021-07-02

Similar Documents

Publication Publication Date Title
Yang et al. Wind turbine gearbox failure detection based on SCADA data: A deep learning-based approach
CN109933905B (zh) 一种基于多维预警分析的机械设备健康状态评估方法
CN112462736B (zh) 一种基于数据分析的风电机组故障诊断方法
CN116976707B (zh) 基于用电信息采集的用户用电数据异常分析方法及系统
CN111931834B (zh) 基于孤立森林算法的铝型材挤压过程流数据异常检测方法、设备及存储介质
Luo et al. A novel fault prediction method of wind turbine gearbox based on pair-copula construction and BP neural network
CN111415070A (zh) 一种基于scada数据的风电机组齿轮箱油温过温故障预警方法
CN115423158A (zh) 一种水轮发电机组数据趋势的预测分析方法及系统
Bao et al. Wind turbine condition monitoring based on improved active learning strategy and KNN algorithm
CN118016202B (zh) 一种基于汽水质量的化学设备运行分析方法及系统
CN117151684A (zh) 风电风机数据分析预警方法、系统、装置及可读存储介质
CN116110203A (zh) 一种基于智能监测技术的天然气发电预警管理方法及系统
CN118462500A (zh) 一种智慧风电场综合效能评估方法
Surjandari et al. Fault detection system using machine learning on geothermal power plant
CN113065766B (zh) 一种基于历史数据挖掘分析的汽机运行工况寻优方法
CN115270069A (zh) 一种汽轮发电机组功率异常变化的监测和预警方法
Elijorde et al. A wind turbine fault detection approach based on cluster analysis and frequent pattern mining
CN117009741A (zh) 基于发电量的异常分析方法及系统
CN115146703A (zh) 基于多模型的燃煤机组宽负荷下炉膛壁温在线监测方法
CN108071562B (zh) 一种基于能量流的风电机组能效状态诊断方法
CN114841534A (zh) 顶盖排水系统的智能诊断与实时故障预警分析方法及系统
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
CN118504794B (zh) 电火花成型机智能故障诊断系统
CN117390496B (zh) 面向工业燃气发电机组系统的运行信息识别方法及系统
CN117930815B (zh) 一种基于云平台的风电机组远程故障诊断方法及系统

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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20210702

Assignee: NUCLEAR POWER QINSHAN JOINT VENTURE Co.,Ltd.

Assignor: CNNC NUCLEAR POWER OPERATION MANAGEMENT Co.,Ltd.

Contract record no.: X2024330000725

Denomination of invention: A method for optimizing the operating conditions of steam turbines based on historical data mining and analysis

Granted publication date: 20240514

License type: Common License

Record date: 20241010