CN113220753B - 一种基于电厂历史数据自动生成运行参数目标曲线的方法 - Google Patents

一种基于电厂历史数据自动生成运行参数目标曲线的方法 Download PDF

Info

Publication number
CN113220753B
CN113220753B CN202110503752.XA CN202110503752A CN113220753B CN 113220753 B CN113220753 B CN 113220753B CN 202110503752 A CN202110503752 A CN 202110503752A CN 113220753 B CN113220753 B CN 113220753B
Authority
CN
China
Prior art keywords
working condition
parameter
target curve
target
opt
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
CN202110503752.XA
Other languages
English (en)
Other versions
CN113220753A (zh
Inventor
罗睿
李郁
王毅
何新
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.)
Xian Thermal Power Research Institute Co Ltd
Original Assignee
Xian Thermal Power Research Institute 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 Xian Thermal Power Research Institute Co Ltd filed Critical Xian Thermal Power Research Institute Co Ltd
Priority to CN202110503752.XA priority Critical patent/CN113220753B/zh
Publication of CN113220753A publication Critical patent/CN113220753A/zh
Application granted granted Critical
Publication of CN113220753B publication Critical patent/CN113220753B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/24—Querying
    • G06F16/248—Presentation of query results
    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于电厂历史数据自动生成运行参数目标曲线的方法，该方法首先需要确定目标曲线函数的自变量参数与因变量参数，根据所选参数变量特征，进行历史工况采集、工况特征计算、工况聚类和聚类组寻优，形成参数目标曲线拟合所需的最优离散工况点坐标，通过自由配置的数学函数形式进行数学拟合，得到平滑连续的参数目标曲线；并且可以通过不断积累的最新运行历史数据，定期更新工况数据和目标曲线离散工况点坐标，进而更新参数目标曲线。本发明方法能够有效利用电厂运行历史数据，从工况角度和寻优判定角度找到该参数的最优目标值，为电厂运行优化指导和运行绩效考核等生产管理工作提供重要的数据支持和决策参考。

Description

一种基于电厂历史数据自动生成运行参数目标曲线的方法
技术领域
本发明涉及能源动力行业大数据应用技术领域，特别涉及一种基于电厂历史数据自动生成运行参数目标曲线的方法。
背景技术
随着电厂数字化建设进程的推进，智能电厂的许多生产业务需求都将基于电厂的大数据平台上实现自动分析、计算和决策。电厂机组运行优化是生产业务的一大需求，是在现有的热力系统及设备条件下进行机组运行调整和优化，提升机组经济性的重要手段。电厂运行优化需要相关运行参数的目标曲线，进而计算得到实时目标值。
运行参数目标曲线的获取一般通过以下几种方法：(1)通过系统的相关设计资料录入；(2)通过现场运行经验录入；(3)通过同类机组的运行经验录入；(4)通过定期的性能试验得到目标曲线；(5)建立相应的机理模型进行目标预测；(6)通过历史数据分析得到。
其中方法(1)～(3)受人为主观因素影响，方法(4)的参数目标获取成本较高，并且随着机组运行的衰减和现场技改变化，目标曲线很难及时更新；方法(5)对物理建模要求较高，且现场采集的数据不能保证满足模型的要求，不同运行参数对应的机理模型也不一样，需要重新构建。方法(6)能够充分利用现场历史运行特征，从历史数据分析挖掘得到目标曲线，有效避免人为主观因素，充分利用实际运行数据的价值，避开复杂多变的机理建模过程，逐渐成为值得关注的一种方法途径。
发明内容
为了满足电厂运行优化对参数目标曲线实时性和准确性的要求，本发明的目的在于提供一种基于电厂历史数据自动生成运行参数目标曲线的方法，该方法能有效利用电厂实时监控大数据平台，从历史工况角度，提供一整套的数据分析、处理及目标曲线生成的解决方案，为电厂运行优化和决策提供重要的参数目标值信息。
为了实现上述目的，本发明采用的技术方案是：
一种基于电厂历史数据自动生成运行参数目标曲线的方法，包括如下步骤：
步骤1：确定目标运行参数y的目标曲线函数y＝f(x)中的自变量x：
自变量选取主要影响该目标运行参数y的运行特征参数；
步骤2：根据目标曲线函数中的自变量从历史数据采集工况：
根据目标曲线函数选择的自变量x，从历史数据中自动采集稳定工况，稳定工况的判据之一为目标曲线函数的自变量x在工况时间段内保持稳定或波动范围限制在一定区间内；通过历史工况采集任务，最终得到若干个稳定工况时间段(t1s,t1e),(t2s,t2e),(t3s,t3e),…(tis,tie)；其中，tis为工况i的开始时间，tie为工况i的结束时间；
步骤3：对采集到的历史工况分别进行参数计算：
参数计算包括目标曲线函数中的自变量x统计计算和目标运行参数y的统计计算，对每个工况i计算参数各时刻样本值的平均值，得到工况i的自变量参数特征xi和目标运行参数特征yi，如下公式所示。
Figure BDA0003057472410000031
Figure BDA0003057472410000032
其中，xi,j为工况i时间段内自变量x的实时样本值，n为工况i时间段内的自变量x的样本数量；yi,j为工况i时间段内目标运行参数y的实时样本值，m为工况i时间段内的目标运行参数y的样本数量；
步骤4：对采集到的历史工况进行聚类：
以自变量参数特征xi划分工况节点，根据实际情况选择目标曲线函数自变量x节点的上下限(Ls,Le)、节点间隔Δx和工况节点数Num，得到工况节点(Ls,Ls+Δx,Ls+2Δx,…,Ls+λΔx,…,Le)，同时设置工况节点的允许波动范围(-ε，+ε)；其中，工况节点数由下式计算得到。
Figure BDA0003057472410000033
将采集到的历史工况按照自变量参数特征xi数值大小归类，当xi∈[Ls+(λ-1)Δx-ε，Ls+(λ-1)Δx+ε]时，归类到工况节点Ls+(λ-1)Δx对应的工况组λ中，λ＝1～Num；
步骤5：对聚类的工况进行优选：
根据实际业务需求确定评优判据指标k，该评优判据指标是某运行参数，或是通过多个运行参数计算得到的指标；对每个工况i计算评优判据指标各时刻样本值的平均值，得到工况i的评优参数特征ki，如下公式所示：
Figure BDA0003057472410000041
其中，ki,j为工况i时间段内评优判据指标k的实时样本值，N为工况i时间段内的指标k的样本数量；
根据每个工况组λ的各工况评优参数特征ki，以及评优的规则即评优参数特征ki越大越好或越小越好，得到每个工况组λ的最优工况，作为每个工况节点中的最优工况Optλ；
步骤6：形成参数目标曲线所需的离散点坐标：
根据步骤1～步骤5，得到了工况节点(Ls,Ls+Δx,Ls+2Δx,…,Ls+λΔx,…,Le)对应的最优工况(Opt1,Opt2,…,Optλ,…OptNum)，也就得到了对应最优工况的目标运行参数y的集合(yopt,1,yopt,2,…,yopt,λ,…yopt,Num)，其中yopt,λ是Optλ工况时间段内目标运行参数y的样本平均值；
最终形成目标曲线拟合所需的若干组点坐标(Xi,Yi),点坐标表达式对应关系如下所示。
Xi＝Ls+(i-1)Δx
Yi＝yopt,i
步骤7：拟合生成参数目标曲线函数：
根据步骤6的离散点坐标，以及设定的函数形式，拟合出该目标运行参数即因变量y关于特征参数即自变量x的目标曲线函数函数y＝f(x)；根据该目标曲线函数函数能够方便展示出连续平滑的目标曲线，并且根据自变量x直接代入计算得到目标运行参数y的目标值。
所述步骤2中从历史数据中采集稳定工况，采用计算机自动采集，或人工维护录入历史工况。
所述步骤3中对历史工况进行参数计算，参数的范围不限于现场实时监控的参数，还支持通过一次测量的实时参数进行计算分析后得到的实时指标。
所述步骤7中对工况离散点坐标进行数学拟合的函数支持多种函数形式，根据用户实际需要和物理规律选择。
该方法支持任务执行的周期，能够根据用户设置定期自动执行，每次执行更新目标曲线函数；支持用户手动触发自动生成目标曲线的任务。
支持对执行时间段的选择，即选择最近3个月或最近半年的历史数据，进行目标曲线的自动生成。
和现有技术相比，本发明具备如下优点：
本发明基于电厂历史数据自动生成运行参数目标曲线的方法，相比现有的人工经验维护、出厂设计值或性能试验手段，本发明充分利用电厂大数据平台，本发明方法的目标曲线更加客观，符合现场实际情况，并且借助计算机软件工具自动生成，能够及时跟踪现场运行系统或设备的变化情况，避免了人员主观意志对目标曲线的影响，同时能够避免针对不同参数的目标曲线建立不同的机理模型的复杂度及不可控性；本发明方法得到的目标曲线作为数据形式存储在数据库中，提高了目标曲线的可追溯性和分析依据，为电厂的生产运行优化、人员奖惩考核等应用功能场景提供重要的决策依据。
附图说明
图1为本发明基于电厂历史数据自动生成运行参数目标曲线的方法的流程图。
具体实施方式
下面结合附图及具体实施方式对本发明作进一步详细说明。
如图1所示，本发明一种基于电厂历史数据自动生成运行参数目标曲线的方法，包括确定目标曲线的自变量参数，根据自变量参数进行工况采集，根据自变量参数设置工况节点并对历史工况进行聚类、确定工况的评优参数指标并在各聚类组寻优，形成每个工况聚类组的目标工况点，最终拟合成目标曲线函数。具体包括以下步骤：
步骤一：确定目标运行参数y的目标曲线函数y＝f(x)中的自变量x。
自变量一般选取主要影响该目标运行参数y的其他运行特征参数。比如确定机组主汽压力的目标曲线，可以选择自变量为机组负荷或锅炉蒸发量作为自变量x。
步骤二：根据目标曲线函数中的自变量从历史数据采集工况。
根据目标曲线函数选择的自变量x，从历史数据中自动采集稳定工况，稳定工况的判据之一为目标曲线函数的自变量x在工况时间段内保持稳定或波动范围限制在一定区间内。通过历史工况采集任务，最终得到若干个稳定工况时间段(t1s,t1e),(t2s,t2e),(t3s,t3e),…(tis,tie)。其中，tis为工况i的开始时间，tie为工况i的结束时间。
比如以机组负荷稳定作为工况的采集条件从历史运行数据中采集到历史工况，得到若干个历史工况的起止时间段。
步骤三：对采集到的历史工况分别进行参数计算。
参数计算包括目标曲线函数中的自变量x统计计算和目标运行参数y的统计计算，对每个工况i计算参数各时刻样本值的平均值，得到工况i的自变量参数特征xi和目标运行参数特征yi，如下公式所示。
Figure BDA0003057472410000071
Figure BDA0003057472410000072
其中，xi,j为工况i时间段内自变量x的实时样本值，n为工况i时间段内的自变量x的样本数量；yi,j为工况i时间段内目标运行参数y的实时样本值，m为工况i时间段内的目标运行参数y的样本数量。
比如，采集到的历史工况中，计算各个工况时间段内的多个机组负荷实时值取平均，作为各个工况的负荷参数特征xi；计算各个工况时间段内的多个主汽压力实时值取平均，作为各个工况的主汽压力参数特征yi。
步骤四：对采集到的历史工况进行聚类。
以自变量参数特征xi划分工况节点，根据实际情况选择目标曲线函数自变量x节点的上下限(Ls,Le)、节点间隔Δx和工况节点数Num，得到工况节点(Ls,Ls+Δx,Ls+2Δx,…,Ls+λΔx,…,Le)，同时设置工况节点的允许波动范围(-ε，+ε)。其中，工况节点数由下式计算得到。
Figure BDA0003057472410000081
将采集到的历史工况按照自变量参数特征xi数值大小归类，当xi∈[Ls+(λ-1)Δx-ε，Ls+(λ-1)Δx+ε]时，归类到工况节点Ls+(λ-1)Δx对应的工况组λ中，λ＝1～Num。
比如，将采集的历史工况的机组负荷特征xi划分节点，设置上下限为(300,1000)，节点间隔为100，工况节点数为8，得到工况节点(300,400,500,600,700,800,900,1000)，设置工况节点的允许波动范围为(-10，+10)。将采集到的历史工况按照工况的负荷参数特征大小，归类到各个工况节点组中，比如某历史工况的负荷特征为506，则划分到工况节点为500的工况组中。
步骤五：对聚类的工况进行优选。
根据实际业务需求确定评优判据指标k。该判据指标可能是某运行参数，也可能是通过多个运行参数计算得到的指标。对每个工况i计算评优判据指标各时刻样本值的平均值，得到工况i的评优参数特征ki，如下公式所示。
Figure BDA0003057472410000082
其中，ki,j为工况i时间段内评优判据指标k的实时样本值，N为工况i时间段内的指标k的样本数量。
根据每个工况组λ的各工况评优参数特征ki，以及评优的规则(越大越优或越小越优)，得到每个工况组λ的最优工况，作为每个工况节点中的最优工况Optλ。
以主汽压力关于机组负荷的目标曲线为例，对每个工况节点组进行工况的优选，优选判据可以选择汽机热耗或高压缸效率。针对每个工况节点组的各工况参数特征中汽机热耗最低或高压缸效率最高，选择最优的工况，将该工况的主汽压力参数特征作为机组负荷节点的数据。
步骤六：形成参数目标曲线所需的离散点坐标。
根据步骤1～步骤5，得到了工况节点(Ls,Ls+Δx,Ls+2Δx,…,Ls+λΔx,…,Le)对应的最优工况(Opt1,Opt2,…,Optλ,…OptNum)，也就得到了对应最优工况的目标运行参数y的集合(yopt,1,yopt,2,…,yopt,λ,…yopt,Num)，其中yopt,λ是Optλ工况时间段内目标运行参数y的样本平均值。
最终形成目标曲线拟合所需的若干组点坐标(Xi,Yi),点坐标表达式对应关系如下所示。
Xi＝Ls+(i-1)Δx
Yi＝yopt,i
以主汽压力关于机组负荷的目标曲线为例，经过对各工况节点组内最优工况的选择，最终得到以各负荷工况节点对应的最优工况下的主汽压力特征参数的离散点坐标集合。
步骤七：拟合生成参数目标曲线函数。
根据步骤六的离散点坐标，以及设定的函数形式，拟合出该目标运行参数(因变量y)关于特征参数(自变量x)的数学目标曲线函数y＝f(x)。根据该目标曲线函数可以方便展示出连续平滑的目标曲线，并且可以根据自变量x直接代入计算得到目标运行参数y的目标值。比如，根据当前机组负荷，可以代入目标曲线函数，得到当前工况下的主汽压力目标值。

Claims (6)

1.一种基于电厂历史数据自动生成运行参数目标曲线的方法，其特征在于：包括如下步骤：
步骤1：确定目标运行参数y的目标曲线函数y＝f(x)中的自变量x：
自变量选取主要影响该目标运行参数y的运行特征参数；步骤2：根据目标曲线函数中的自变量从历史数据采集工况：
根据目标曲线函数选择的自变量x，从历史数据中自动采集稳定工况，稳定工况的判据之一为目标曲线函数的自变量x在工况时间段内保持稳定或波动范围限制在一定区间内；通过历史工况采集任务，最终得到若干个稳定工况时间段(t1s,t1e),(t2s,t2e),(t3s,t3e),…(tis,tie)；其中，tis为工况i的开始时间，tie为工况i的结束时间；
步骤3：对采集到的历史工况分别进行参数计算：
参数计算包括目标曲线函数中的自变量x统计计算和目标运行参数y的统计计算，对每个工况i计算参数各时刻样本值的平均值，得到工况i的自变量参数特征xi和目标运行参数特征yi，如下公式所示：
Figure FDA0003962550680000011
Figure FDA0003962550680000012
其中，xi,j为工况i时间段内自变量x的实时样本值，n为工况i时间段内的自变量x的样本数量；yi,j为工况i时间段内目标运行参数y的实时样本值，m为工况i时间段内的目标运行参数y的样本数量；
步骤4：对采集到的历史工况进行聚类：
以自变量参数特征xi划分工况节点，根据实际情况选择目标曲线函数自变量x节点的上下限(Ls,Le)、节点间隔Δx和工况节点数Num，得到工况节点(Ls,Ls+Δx,Ls+2Δx,…,Ls+λΔx,…,Le)，同时设置工况节点的允许波动范围(-ε，+ε)；其中，工况节点数由下式计算得到；
Figure FDA0003962550680000021
将采集到的历史工况按照自变量参数特征xi数值大小归类，当xi∈[Ls+(λ-1)Δx-ε，Ls+(λ-1)Δx+ε]时，归类到工况节点Ls+(λ-1)Δx对应的工况组λ中，λ＝1～Num；
步骤5：对聚类的工况进行优选：
根据实际业务需求确定评优判据指标k，该评优判据指标是某运行参数，或是通过多个运行参数计算得到的指标；对每个工况i计算评优判据指标各时刻样本值的平均值，得到工况i的评优参数特征ki，如下公式所示：
Figure FDA0003962550680000022
其中，ki,j为工况i时间段内评优判据指标k的实时样本值，N为工况i时间段内的指标k的样本数量；
根据每个工况组λ的各工况评优参数特征ki，以及评优的规则即评优参数特征ki越大越好或越小越好，得到每个工况组λ即每个工况节点中的最优工况Optλ；
步骤6：形成参数目标曲线所需的离散点坐标：
根据步骤1～步骤5，得到了工况节点(Ls,Ls+Δx,Ls+2Δx,…,Ls+λΔx,…,Le)对应的最优工况(Opt1,Opt2,…,Optλ,…OptNum)，也就得到了对应最优工况的目标运行参数y的集合(yopt,1,yopt,2,…,yopt,λ,…yopt,Num)，其中yopt,λ是Optλ工况时间段内目标运行参数y的样本平均值；
最终形成目标曲线拟合所需的若干组点坐标(Xi,Yi),点坐标表达式对应关系如下所示：
Xi＝Ls+(i-1)Δx
Yi＝yopt,i
步骤7：拟合生成参数目标曲线函数：
根据步骤6的离散点坐标，以及设定的函数形式，拟合出该目标运行参数即因变量y关于特征参数即自变量x的目标曲线函数y＝f(x)；根据该目标曲线函数能够方便展示出连续平滑的目标曲线，并且根据自变量x直接代入计算得到目标运行参数y的目标值。
2.根据权利要求1所述的一种基于电厂历史数据自动生成运行参数目标曲线的方法，其特征在于，所述步骤2中从历史数据中采集稳定工况，采用计算机自动采集，或人工维护录入历史工况。
3.根据权利要求1所述的一种基于电厂历史数据自动生成运行参数目标曲线的方法，其特征在于，所述步骤3和步骤5中对历史工况进行参数计算，参数的范围不限于现场实时监控的参数，还支持通过一次测量的实时参数进行计算分析后得到的实时指标。
4.根据权利要求1所述的一种基于电厂历史数据自动生成运行参数目标曲线的方法，其特征在于，所述步骤7中对工况离散点坐标进行数学拟合的函数支持多种函数形式，根据用户实际需要和物理规律选择。
5.根据权利要求1所述的一种基于电厂历史数据自动生成运行参数目标曲线的方法，其特征在于，该方法支持任务执行的周期，能够根据用户设置定期自动执行，每次执行更新目标曲线函数；支持用户手动触发自动生成目标曲线的任务。
6.根据权利要求1所述的一种基于电厂历史数据自动生成运行参数目标曲线的方法，其特征在于，支持对执行时间段的选择，即选择最近3个月或最近半年的历史数据，进行目标曲线的自动生成。
CN202110503752.XA 2021-05-10 2021-05-10 一种基于电厂历史数据自动生成运行参数目标曲线的方法 Active CN113220753B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110503752.XA CN113220753B (zh) 2021-05-10 2021-05-10 一种基于电厂历史数据自动生成运行参数目标曲线的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110503752.XA CN113220753B (zh) 2021-05-10 2021-05-10 一种基于电厂历史数据自动生成运行参数目标曲线的方法

Publications (2)

Publication Number Publication Date
CN113220753A CN113220753A (zh) 2021-08-06
CN113220753B true CN113220753B (zh) 2023-01-20

Family

ID=77093926

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110503752.XA Active CN113220753B (zh) 2021-05-10 2021-05-10 一种基于电厂历史数据自动生成运行参数目标曲线的方法

Country Status (1)

Country Link
CN (1) CN113220753B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101187804A (zh) * 2006-11-15 2008-05-28 北京华电天仁电力控制技术有限公司 基于数据挖掘的火电机组运行优化规则提取方法
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
CN102636991A (zh) * 2012-04-18 2012-08-15 国电科学技术研究院 一种基于模糊集关联规则的火电机组运行参数优化方法
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
CN109407506A (zh) * 2018-11-28 2019-03-01 深圳圣缘节能科技有限公司 一种基于数据挖掘的火电厂机组动态最优值的获取方法
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
CN110764468A (zh) * 2018-07-26 2020-02-07 国家能源投资集团有限责任公司 一种确定火电机组运行参数基准值的方法及装置
CN110989360A (zh) * 2019-12-23 2020-04-10 武汉博晟信息科技有限公司 一种基于全量数据的火电机组稳态历史寻优方法
CN111046018A (zh) * 2019-11-06 2020-04-21 华北电力科学研究院有限责任公司 基于多目标优化的发电设备运行工况库构建方法和装置
CN112288277A (zh) * 2020-10-30 2021-01-29 西安热工研究院有限公司 基于电厂生产实时绩效指标考核的自诊断运行优化方法
CN112328707A (zh) * 2020-11-05 2021-02-05 西安西热电站信息技术有限公司 基于电厂实时数据的运行操作动作识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090125155A1 (en) * 2007-11-08 2009-05-14 Thomas Hill Method and System for Optimizing Industrial Furnaces (Boilers) through the Application of Recursive Partitioning (Decision Tree) and Similar Algorithms Applied to Historical Operational and Performance Data
US9200591B2 (en) * 2011-07-06 2015-12-01 Honeywell International Inc. Automatic identification of operating parameters for power plants

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101187804A (zh) * 2006-11-15 2008-05-28 北京华电天仁电力控制技术有限公司 基于数据挖掘的火电机组运行优化规则提取方法
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
CN102636991A (zh) * 2012-04-18 2012-08-15 国电科学技术研究院 一种基于模糊集关联规则的火电机组运行参数优化方法
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
CN110764468A (zh) * 2018-07-26 2020-02-07 国家能源投资集团有限责任公司 一种确定火电机组运行参数基准值的方法及装置
CN109407506A (zh) * 2018-11-28 2019-03-01 深圳圣缘节能科技有限公司 一种基于数据挖掘的火电厂机组动态最优值的获取方法
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
CN111046018A (zh) * 2019-11-06 2020-04-21 华北电力科学研究院有限责任公司 基于多目标优化的发电设备运行工况库构建方法和装置
CN110989360A (zh) * 2019-12-23 2020-04-10 武汉博晟信息科技有限公司 一种基于全量数据的火电机组稳态历史寻优方法
CN112288277A (zh) * 2020-10-30 2021-01-29 西安热工研究院有限公司 基于电厂生产实时绩效指标考核的自诊断运行优化方法
CN112328707A (zh) * 2020-11-05 2021-02-05 西安西热电站信息技术有限公司 基于电厂实时数据的运行操作动作识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于数据挖掘的电站运行优化应用研究;李建强等;《中国电机工程学报》;20061030;第26卷(第20期);第119-123页 *
数据挖掘在火电厂运行参数优化目标值确定中的应用;李建强等;《华北电力大学学报(自然科学版)》;20080730;第35卷(第04期);第53-56页 *

Also Published As

Publication number Publication date
CN113220753A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
CN102566551B (zh) 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
Reder et al. Data-driven learning framework for associating weather conditions and wind turbine failures
CN109886430A (zh) 一种基于工业大数据的设备健康状态评估与预测方法
CN107977527B (zh) 一种确定火电机组标杆值数据的方法与装置
CN110070282B (zh) 一种基于综合关联度的低压台区线损影响因素分析方法
CN109948858B (zh) 基于数据驱动的工况识别方法
CN101187803B (zh) 基于数据挖掘技术的氨合成装置生产优化方法
CN117008479B (zh) 基于生物质气化炉的负碳排放优化控制方法及系统
CN113036913B (zh) 一种综合能源设备状态监测方法及装置
CN115759488A (zh) 一种基于边缘计算的碳排放监测预警分析系统及其方法
CN116186624A (zh) 一种基于人工智能的锅炉评估方法及系统
CN115496286A (zh) 基于大数据环境下神经网络碳排放预测方法及应用
CN113220753B (zh) 一种基于电厂历史数据自动生成运行参数目标曲线的方法
CN114036452A (zh) 一种应用于离散型生产线的产能评估方法
JP2016537729A (ja) プラントにおける生成プロセスおよび／またはプロセスエンジニアリングプロセスおよび／またはプロセスステップを分析するための方法、システム、およびコンピュータプログラム製品
CN116048023B (zh) 一种精细化能源管控方法、系统、物联网云管控服务器及其存储介质
CN117217553A (zh) 一种热电联产系统低碳运行方法
CN111142488A (zh) 基于工况比对驱动的流程工业优化方法
CN116483042A (zh) 一种精益生产管控平台数字化精益诊断方法
CN110105974A (zh) 炼焦配煤智能控制系统
CN109101683A (zh) 燃煤分质利用与清洁预处理系统热解釜的模型更新方法
CN111428780B (zh) 基于数据驱动的电网异常运行状态识别方法
CN114580712A (zh) 一种冶金副产煤气产耗量的在线预测方法及系统
CN114764741A (zh) 一种风力发电机运行风功率预测的方法和系统
CN115795740B (zh) 一种复杂工况下的工程机械液压油缸失效模式分析方法

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