CN113624025B - 基于运行参数相关性的凝汽器真空低跳机征兆捕捉方法 - Google Patents
基于运行参数相关性的凝汽器真空低跳机征兆捕捉方法 Download PDFInfo
- Publication number
- CN113624025B CN113624025B CN202110951245.2A CN202110951245A CN113624025B CN 113624025 B CN113624025 B CN 113624025B CN 202110951245 A CN202110951245 A CN 202110951245A CN 113624025 B CN113624025 B CN 113624025B
- Authority
- CN
- China
- Prior art keywords
- condenser
- correlation
- circulating water
- characteristic
- water outlet
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 208000024891 symptom Diseases 0.000 title claims description 11
- 230000002159 abnormal effect Effects 0.000 claims abstract description 22
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 116
- 238000005070 sampling Methods 0.000 claims description 44
- 230000005856 abnormality Effects 0.000 claims description 16
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000010977 unit operation Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F28—HEAT EXCHANGE IN GENERAL
- F28B—STEAM OR VAPOUR CONDENSERS
- F28B1/00—Condensers in which the steam or vapour is separate from the cooling medium by walls, e.g. surface condenser
- F28B1/02—Condensers in which the steam or vapour is separate from the cooling medium by walls, e.g. surface condenser using water or other liquid as the cooling medium
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F28—HEAT EXCHANGE IN GENERAL
- F28B—STEAM OR VAPOUR CONDENSERS
- F28B11/00—Controlling arrangements with features specially adapted for condensers
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F28—HEAT EXCHANGE IN GENERAL
- F28B—STEAM OR VAPOUR CONDENSERS
- F28B9/00—Auxiliary systems, arrangements, or devices
- F28B9/04—Auxiliary systems, arrangements, or devices for feeding, collecting, and storing cooling water or other cooling liquid
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Control Of Turbines (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于运行参数相关性的凝汽器真空低跳机征兆捕捉方法，该方法可以根据运行参数的相关关系是否发生异常变化来进行跳机前异常征兆捕捉，具有计算简单、容易实现、泛化能力强等优点。而且这种基于相关性系数的方法不需要增加额外的检测设备，也不需要针对汽轮机凝汽器系统建立复杂的物理模型，只需要凝汽器真空和与凝汽器真空相关的机组运行参数的历史数据就能完成跳机前异常征兆捕捉模型的建立，方便推广，且所提出的方法能够较早的检测出可能发生的跳机异常，大大提高首次检测到凝汽器真空低跳机异常的时间。
Description
技术领域
本发明涉及大型火力发电机组凝汽器真空低跳机前异常检测技术领域，更确切地说涉及一种基于运行参数相关性的凝汽器真空低跳机征兆捕捉方法。
背景技术
凝汽器系统是火电机组的重要系统之一，它位于汽轮机之后，从汽轮机中排出的蒸汽在凝汽器中遇冷液化成凝结水，从而促成了凝汽器中真空的形成，凝汽器通过凝结水泵将凝结水重新送回锅炉进行循环，循环水泵将循环水注入到表面式凝汽器的铜管中，吸收蒸汽中的热量。一旦其发生异常跳机，不仅会造成安全事故，而且对电厂将造成巨大的经济损失。然而由于其特殊的工作条件，凝汽器系统极易产生异常甚至发生故障，因此，如果能够提前检测出可能发生的跳机故障，就可以做好准备，甚至能够阻止故障的发生。目前，越来越多的研究将目光投向火电机组的异常检测，方法主要分为基于模型和基于数据两大类。基于模型的方法需要我们能够充分理解火电机组的机理，并建立准确的模型，这在复杂的工况下是十分困难的。基于数据的方法有如基于机器学习的方法，通过大量的案例数据，训练出一个合适的模型用于异常的检测。但是大量的用于训练模型的异常案例数据一般是难以获得的。
发明内容
本发明要解决的技术问题是，提出一种基于运行参数相关性的凝汽器真空低跳机征兆捕捉方法，根据凝汽器真空及与其相关的运行参数历史数据，在线捕捉到可能发生的跳机异常。
本发明的技术解决方案如下：
一种基于运行参数相关性的凝汽器真空低跳机征兆捕捉方法，其包括如下步骤：
S1、获取待监测汽轮机在未出现跳机异常的正常时刻从凝汽器系统中采集的特征参数的历史采样数据，其中所述特征参数包括由凝汽器甲侧循环水出口压力和凝汽器乙侧循环水出口压力组成的第一特征参数组合、由第一凝汽器甲侧循环水出口温度和第一凝汽器乙侧循环水出口温度组成的第二特征参数组合、由第二凝汽器甲侧循环水出口温度和第二凝汽器乙侧循环水出口温度组成的第三特征参数组合，第一凝汽器甲侧循环水出口温度和第二凝汽器甲侧循环水出口温度由布置在凝汽器甲侧循环水出口的不同温度传感器获取，第一凝汽器乙侧循环水出口温度第二凝汽器乙侧循环水出口温度由布置在凝汽器乙侧循环水出口的不同温度传感器获取；所述历史采样数据所涵盖的时段包含多个时间窗；
S2、基于所述历史采样数据，针对每一个特征参数组合，分别计算每个时间窗内两个特征参数的相关性系数并作为线性相关特征，从而得到每一个特征参数组合在正常时刻的线性相关特征范围；
S3、对待监测凝汽器系统中的所述特征参数进行实时线上采样，并基于最近一个时间窗内的线上采样数据，计算每一个特征参数组合中两个特征参数的相关性系数并作为实时线性相关特征；针对第一特征参数组合、第二特征参数组合和第三特征参数组合分别判断其实时线性相关特征是否超出各自在正常时刻的线性相关特征范围，若第一特征参数组合被判断超出，或者第二特征参数组合和第三特征参数组合同时被判断超出，则判定为会有凝汽器真空低跳机异常发生。
作为优选，所述相关性系数为皮尔逊相关性系数。
作为优选，所述的历史采样数据预先经过数据清洗，剔除凝汽器系统非正常运行状态下的采样数据和其他异常值。
作为优选，所述第一特征参数组合在正常时刻的线性相关特征范围为[0.8,1]。
作为优选，所述第二特征参数组合在正常时刻的线性相关特征范围为[0.8,1]。
作为优选，所述第三特征参数组合在正常时刻的线性相关特征范围为[0.8,1]。
作为优选，所述历史采样数据的采样间隔为1秒。
作为优选，所述历史采样数据中相邻时间窗的间隔步长为1。
相对于现有技术而言，本发明的有益效果如下：
由于本发明的基于运行参数相关性的凝汽器真空低跳机征兆捕捉方法是根据运行参数的相关关系是否发生异常变化来进行跳机前异常征兆捕捉的，计算简单，容易实现，泛化能力强。基于相关性系数的方法不需要增加额外的检测设备，也不需要针对汽轮机凝汽器系统建立复杂的物理模型，只需要凝汽器真空和与凝汽器真空相关的机组运行参数的历史数据就能完成跳机前异常征兆捕捉模型的建立，方便推广，且所提出的方法能够较早的检测出可能发生的跳机异常。
附图说明
图1为本发明实施例中的凝汽器真空原始曲线图。
图2为本发明实施例中的凝汽器甲侧循环水出口压力曲线图。
图3为本发明实施例中的凝汽器乙侧循环水出口压力曲线图。
图4为本发明实施例中的凝汽器甲侧循环水出口压力与凝汽器乙侧循环水出口压力的相关性系数曲线图。
图5为本发明实施例中的凝汽器甲侧循环水出口温度1和凝汽器乙侧循环水出口温度1的相关性系数曲线图。
图6为本发明实施例中的凝汽器甲侧循环水出口温度2和凝汽器乙侧循环水出口温度2的相关性系数曲线图。
图7为本发明实施例中的归一化后的凝汽器真空与异常指示时间段对照图。
具体实施方式
为了更好得理解本申请，将参考附图对本申请的各个方面做出更详细的说明。应理解，这些详细说明只是对本申请的示例性实施方式的描述，而非以任何方式限制本申请的范围。
下面本具体实施例用一个火力发电厂凝汽器真空低的真实案例来阐述具体操作步骤以及验证所提出方法的有效性。
在该实施例中，提供了一种基于运行参数相关性的凝汽器真空低跳机征兆捕捉方法，，其具体实现步骤如下：
S1、采集凝汽器系统运行参数的历史采样数据
本步骤主要是获取待监测机组在未出现跳机异常的正常时刻的多种系统运行参数，然后分析参数间的相关性关系，进而构建历史采样数据集，具体步骤如下：
S101、挑选与凝汽器真空相关的机组运行参数变量作为特征参数，特征参数一共6个，包括：凝汽器甲侧循环水出口压力、凝汽器乙侧循环水出口压力、凝汽器甲侧循环水出口温度1、凝汽器乙侧循环水出口温度1、凝汽器甲侧循环水出口温度2、凝汽器乙侧循环水出口温度2。其中，凝汽器甲侧循环水出口温度 1和凝汽器甲侧循环水出口温度2由布置在凝汽器甲侧循环水出口的不同温度传感器获取，凝汽器乙侧循环水出口温度1凝汽器乙侧循环水出口温度2由布置在凝汽器乙侧循环水出口的不同温度传感器获取。
S102、不断从凝汽器系统中采样上述6个特征参数的数据，采样的频率为1 秒钟，建立历史采样数据库。
S103、识别凝汽器系统在上述采样时段内的运行状态，从历史采样数据中剔除凝汽器系统非正常运行状态下的采样数据和其他异常值。
S104、对历史采样数据中各特征参数之间的相关关系进行分析，最终形成三组具有线性相关关系的特征参数组合，具体为：由凝汽器甲侧循环水出口压力和凝汽器乙侧循环水出口压力组成的第一特征参数组合、由凝汽器甲侧循环水出口温度1和凝汽器乙侧循环水出口温度1组成的第二特征参数组合、由凝汽器甲侧循环水出口温度2和凝汽器乙侧循环水出口温度2组成的第三特征参数组合。
本实施例中，根据步骤S1，历史采样数据库一共包含了3组特征参数组合的。其中对应的凝汽器真空如图1所示，图中灰色阴影部分表示凝汽器的异常时段。通过图1可以看出，仅通过凝汽器真空曲线并不能及时有效的发现可能的异常，即使后面出现凝汽器真空低的现象，但此时已经太晚了。因此还需选取与凝汽器真空相关的上述三组特征参数组合进行辅助判断。凝汽器甲乙侧循环水出口压力曲线如图2、图3所示。
上述第二特征参数组合和第三特征参数组合实际上都是凝汽器甲乙侧的循环水出口温度。设置两组同指标参数的目的在于，可以通过不同的温度传感器来获取凝汽器甲侧循环水出口温度和凝汽器乙侧循环水出口温度消除凝汽器内温度检测过程中不可避免的偶然性，降低因温度误检导致的跳机误报率。不同温度传感器在相应循环水出口侧的具体布置位点不限，保持一定空间间距即可。
另外，为了满足后续的统计分析的要求，历史采样数据所涵盖的时段应当足够长，这些时段的历史采样数据按照设定步长用时间窗进行数据提取，每一个时间窗内的数据作为单个时段样本进行统计分析，用于计算一组线性相关特征。由于这些历史采样数据中已经剔除了凝汽器系统非正常时刻运行时刻的数据，因此剩余的数据均为正常运行时刻的数据。
S2、计算每一个特征参数组合在正常时刻的线性相关特征范围
本步骤中主要对上述三组特征参数组合，基于前述历史采样数据，计算每个时间窗内两个特征参数之间的相关性系数并作为线性相关特征，第一特征参数组合、第二特征参数组合、第三特征参数组合的线性相关特征可分别命名为特征1、特征2、特征3。由此，根据大量的正常时刻历史数据得出正常情况下线性相关系数的取值范围，即得到每一个特征参数组合在正常时刻的线性相关特征范围。具体包括以下步骤：
S201、针对历史采样数据中的每一个时间窗，计算凝汽器甲侧循环水出口压力与凝汽器乙侧循环水出口压力之间的相关性系数，相关性系数采用皮尔逊相关性系数，计算公式为
该式中X,Y分别为当前时间窗内凝汽器甲侧循环水出口压力与凝汽器乙侧循环水出口压力运行参数时间序列，E表示期望，ρ1 X,Y为X,Y之间的相关性系数即特征1，范围为-1至1，负数表示负相关，0表示不相关，相关性系数绝对值越大，相关性越强。
S202、针对历史采样数据中的每一个时间窗，计算凝汽器甲侧循环水出口温度1和凝汽器乙侧循环水出口温度1之间的相关性系数，相关性系数采用皮尔逊相关性系数，计算公式为
该式中 X,Y分别为当前时间窗内凝汽器甲侧循环水出口温度1和凝汽器乙侧循环水出口温度1运行参数时间序列，E表示期望，ρ2 X,Y为X,Y之间的相关性系数即特征2，范围为-1至1，负数表示负相关，0表示不相关，相关性系数绝对值越大，相关性越强。
S203、针对历史采样数据中的每一个时间窗，计算凝汽器甲侧循环水出口温度2和凝汽器乙侧循环水出口温度2之间的相关性系数，相关性系数采用皮尔逊相关性系数，计算公式为
该式中 X,Y分别为当前时间窗内凝汽器甲侧循环水出口温度2和凝汽器乙侧循环水出口温度2运行参数时间序列，E表示期望，ρ3 X,Y为X,Y之间的相关性系数即特征3，范围为-1至1，负数表示负相关，0表示不相关，相关性系数绝对值越大，相关性越强。
S204、历史采样数据中每一个时间窗均获得一个正常时刻的特征1、特征2、特征3后，即可根据这些正常时刻的特征值确定在没有跳机异常发生时的正常时刻的三个线性相关特征范围。
在本实施例中，如图4所示凝汽器甲侧循环水出口压力与凝汽器乙侧循环水出口压力的相关性系数曲线，可以看出，在正常时段，凝汽器甲侧循环水出口压力与凝汽器乙侧循环水出口压力之间的相关性系数约为1，在发生异常前，二者的相关性系数突然出现一个向下的波峰，下降到0.8以下后，一段时间后回升。在这期间，相关性系数发生了突变，而在正常的时段内，相关性系数变化平缓且在一个较小的范围内，因此满足S204提出的作为指示变量的要求。然后再根据大量的历史数据，取正常时段凝汽器甲侧循环水出口压力与凝汽器乙侧循环水出口压力的相关性系数取值范围为1至0.8。根据S202、S203，分别计算凝汽器甲侧循环水出口温度1和凝汽器乙侧循环水出口温度1、凝汽器甲侧循环水出口温度2和凝汽器乙侧循环水出口温度2的相关性系数曲线，如图5、图6所示。从图5、图6中可以看出，在正常时段，凝汽器甲侧循环水出口温度1和凝汽器乙侧循环水出口温度1、凝汽器甲侧循环水出口温度2和凝汽器乙侧循环水出口温度2的相关性几乎为1，出现小的波动也在0.9以上，而在异常前，二者的相关性突然减弱，表现在相关性系数上为从1突变成0.7和0.6，均出现一个向下的波峰，并在较短的时间内出现回升。异常前后，相关性系数有明显的变化，符合 S204中指示变量的要求。然后再根据大量的历史数据，取正常时段凝汽器甲侧循环水出口温度1和凝汽器乙侧循环水出口温度1、凝汽器甲侧循环水出口温度 2和凝汽器乙侧循环水出口温度2相关性系数取值范围为1至0.8。
因此，最终确定的三个正常时刻的线性相关特征范围如下：特征1为1至 0.8，即当相关性系数小于0.8的时候判定为凝汽器甲侧循环水出口压力与凝汽器乙侧循环水出口压力相关关系发生了异常，特征2、特征3的阈值范围也为1至 0.8，即当相关性系数小于0.8的时候判定为凝汽器甲侧循环水出口温度1和凝汽器乙侧循环水出口温度1、凝汽器甲侧循环水出口温度2和凝汽器乙侧循环水出口温度2相关关系发生了异常。
S3、基于线上采样数据的跳机异常征兆捕捉
本步骤主要对对待监测凝汽器系统中的上述6个特征参数进行实时线上采样，并基于最近一个时间窗内的线上采样数据，计算每一个特征参数组合中两个特征参数的相关性系数并作为实时线性相关特征。针对第一特征参数组合、第二特征参数组合和第三特征参数组合分别判断其实时线性相关特征是否超出各自在正常时刻的线性相关特征范围，若第一特征参数组合被判断超出，或者第二特征参数组合和第三特征参数组合同时被判断超出，则判定为会有凝汽器真空低跳机异常发生。具体包括以下步骤：
S301、对待监测凝汽器系统中的上述6个特征参数进行实时线上采样，然后基于最近一个时间窗内的线上采样数据(所谓最近一个时间窗是指以当前时刻为基准的最近一段采样时间，该时段内的数据可以代表待监测凝汽器系统最新的运行状态，时间窗大小可以根据实际进行调整)，分别按照S201、S202、S203中的公式计算凝汽器甲侧循环水出口压力与凝汽器乙侧循环水出口压力之间、凝汽器甲侧循环水出口温度1和凝汽器乙侧循环水出口温度1之间、凝汽器甲侧循环水出口温度2和凝汽器乙侧循环水出口温度2之间的皮尔逊相关性系数，依次记为实时特征1、实时特征2、实时特征3，分别判断实时特征1、实时特征2、实时特征3是否小于阈值0.8，如果小于记为1，不小于记为0；
S302、根据S301的结果，如果实时特征1的判断结果为1，或者实时特征 2和实时特征3的判断结果同时为1，则最终输出的判断结果为1，表示有异常即会有凝汽器真空低跳机异常发生，否则为0，表示没有异常及没有凝汽器真空低跳机异常发生。
本实施例中，根据S302，对之前的三种相关性特征进行综合，即在实时特征1超过阈值范围，或者实时特征2与实时特征3二者同时超过阈值范围(防止温度波动导致误检)的时候才判定为有异常发生。为了便于实现逻辑运算，用1 表示此时为异常状态，0表示为正常状态，检测出异常的曲线如图7所示，为了便于观察，本实施例将归一化后的凝汽器真空曲线也绘制在图中，归一化的公式为
其中ynew为归一化后的值，ymax为原始一段凝汽器真空最大值，ymin为原始一段凝汽器真空最小值，y为需要归一化的凝汽器真空。通过图 4可以看出，凝汽器甲侧循环水出口压力与凝汽器乙侧循环水出口压力相关性特征在第1378秒至第1480秒之间超出了阈值，通过图5可以看出，凝汽器甲侧循环水出口温度1和凝汽器乙侧循环水出口温度1相关性特征在第1416秒至第 1476秒之间超出了阈值，通过图6可以看出，凝汽器甲侧循环水出口温度2和凝汽器乙侧循环水出口温度2相关性特征在第1475秒至第1556秒之间超出了阈值。最终结论可以通过图7读出，首次检测到异常的时间约在第1378秒的时候。而通过电厂的现场记录报警的时间在第1593秒，提前了215秒，相较于最终的跳机时间第1623秒提前了245秒。
由此可见，本发明基于皮尔逊相关性系数的方法，利用凝汽器真空和与凝汽器真空相关的参数历史运行数据。在数据预处理阶段，本发明将历史运行参数中的异常数据进行剔除。根据相关性关系，将参数之间的相关性分为线性相关和非线性相关，对于线性相关的参数，使用皮尔逊相关性系数计算公式求得线性相关特征，最终选取的特征为凝汽器甲侧循环水出口压力与凝汽器乙侧循环水出口压力相关性特征、凝汽器甲侧循环水出口温度1和凝汽器乙侧循环水出口温度1 相关性特征、凝汽器甲侧循环水出口温度2和凝汽器乙侧循环水出口温度2相关性特征，记为特征1、特征2、特征3。最后结合三种特征作为最终的异常判断结果，即只有实时特征1超过阈值或者实时特征2、实时特征3同时超过阈值发生异常的时候，才可以判断为有跳机异常发生。
需注意的是，上述实施例中两个特征参数之间的相关性系数均采用皮尔逊相关性系数，但事实上也可以采用其他的相关性系数代替。
以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。
Claims (7)
1.一种基于运行参数相关性的凝汽器真空低跳机征兆捕捉方法，其特征在于，包括如下步骤：
S1、获取待监测汽轮机在未出现跳机异常的正常时刻从凝汽器系统中采集的特征参数的历史采样数据，其中所述特征参数包括由凝汽器甲侧循环水出口压力和凝汽器乙侧循环水出口压力组成的第一特征参数组合、由第一凝汽器甲侧循环水出口温度和第一凝汽器乙侧循环水出口温度组成的第二特征参数组合、由第二凝汽器甲侧循环水出口温度和第二凝汽器乙侧循环水出口温度组成的第三特征参数组合，第一凝汽器甲侧循环水出口温度和第二凝汽器甲侧循环水出口温度由布置在凝汽器甲侧循环水出口的不同温度传感器获取，第一凝汽器乙侧循环水出口温度和第二凝汽器乙侧循环水出口温度由布置在凝汽器乙侧循环水出口的不同温度传感器获取；所述历史采样数据所涵盖的时段包含多个时间窗；
S2、基于所述历史采样数据，针对每一个特征参数组合，分别计算每个时间窗内两个特征参数的相关性系数并作为线性相关特征，从而得到每一个特征参数组合在正常时刻的线性相关特征范围；所述相关性系数为皮尔逊相关性系数；
S3、对待监测凝汽器系统中的所述特征参数进行实时线上采样，并基于最近一个时间窗内的线上采样数据，计算每一个特征参数组合中两个特征参数的相关性系数并作为实时线性相关特征；针对第一特征参数组合、第二特征参数组合和第三特征参数组合分别判断其实时线性相关特征是否超出各自在正常时刻的线性相关特征范围，若第一特征参数组合被判断超出，或者第二特征参数组合和第三特征参数组合同时被判断超出，则判定为会有凝汽器真空低跳机异常发生。
2.如权利要求1所述的基于运行参数相关性的凝汽器真空低跳机征兆捕捉方法，其特征在于，所述的历史采样数据预先经过数据清洗，剔除凝汽器系统非正常运行状态下的采样数据和其他异常值。
3.如权利要求1所述的基于运行参数相关性的凝汽器真空低跳机征兆捕捉方法，其特征在于，所述第一特征参数组合在正常时刻的线性相关特征范围为[0.8,1]。
4.如权利要求1所述的基于运行参数相关性的凝汽器真空低跳机征兆捕捉方法，其特征在于，所述第二特征参数组合在正常时刻的线性相关特征范围为[0.8,1]。
5.如权利要求1所述的基于运行参数相关性的凝汽器真空低跳机征兆捕捉方法，其特征在于，所述第三特征参数组合在正常时刻的线性相关特征范围为[0.8,1]。
6.如权利要求1所述的基于运行参数相关性的凝汽器真空低跳机征兆捕捉方法，其特征在于，所述历史采样数据的采样间隔为1秒。
7.如权利要求1所述的基于运行参数相关性的凝汽器真空低跳机征兆捕捉方法，其特征在于，所述历史采样数据中相邻时间窗的间隔步长为1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110951245.2A CN113624025B (zh) | 2021-08-18 | 2021-08-18 | 基于运行参数相关性的凝汽器真空低跳机征兆捕捉方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110951245.2A CN113624025B (zh) | 2021-08-18 | 2021-08-18 | 基于运行参数相关性的凝汽器真空低跳机征兆捕捉方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113624025A CN113624025A (zh) | 2021-11-09 |
| CN113624025B true CN113624025B (zh) | 2022-04-22 |
Family
ID=78386515
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110951245.2A Active CN113624025B (zh) | 2021-08-18 | 2021-08-18 | 基于运行参数相关性的凝汽器真空低跳机征兆捕捉方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113624025B (zh) |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11142068A (ja) * | 1997-11-10 | 1999-05-28 | Toshiba Eng Co Ltd | 復水器の真空監視装置 |
| CN204116064U (zh) * | 2014-09-15 | 2015-01-21 | 江苏大唐国际吕四港发电有限责任公司 | 凝汽器真空测量管路 |
| CN108549220A (zh) * | 2018-03-29 | 2018-09-18 | 广东电网有限责任公司电力调度控制中心 | 燃煤机组运行状态实时评估方法及其系统 |
| CN110008565B (zh) * | 2019-03-28 | 2020-12-11 | 浙江大学 | 基于运行参数关联性分析的工业过程异常工况预测方法 |
| CN112733420A (zh) * | 2020-12-01 | 2021-04-30 | 北方联合电力有限责任公司乌拉特发电厂 | 火电机组冷端系统故障诊断方法、装置及电子设备 |
| CN113240151B (zh) * | 2021-03-29 | 2024-06-14 | 神华神东电力有限责任公司 | 直接空冷机组凝汽器性能参数的预测方法和装置 |
| CN113268921B (zh) * | 2021-05-13 | 2022-12-09 | 西安交通大学 | 凝汽器清洁系数预估方法、系统、电子设备及可读存储介质 |
-
2021
- 2021-08-18 CN CN202110951245.2A patent/CN113624025B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113624025A (zh) | 2021-11-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112861350B (zh) | 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法 | |
| US11120350B2 (en) | Multilevel pattern monitoring method for industry processes | |
| CN112949181A (zh) | 一种多源关联数据的预警预测方法、存储介质及电子设备 | |
| CN112633614B (zh) | 一种基于特征提取的实时故障程度诊断系统及方法 | |
| CN112836941B (zh) | 一种煤电机组汽轮机高加系统在线健康状况评估方法 | |
| CN108506171B (zh) | 一种大型半直驱机组齿轮箱冷却系统故障预警方法 | |
| CN103306893A (zh) | 一种风力发电机故障预警及报警方法 | |
| CN106971027B (zh) | 一种基于dr-bn模型的冷水机组故障特征选择方法 | |
| CN114923287B (zh) | 一种高压加热器故障预警方法、系统和介质 | |
| CN114758483A (zh) | 一种基于余弦相似性的电力设备动态智能预警方法 | |
| 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 | |
| CN114519382A (zh) | 一种核动力装置关键运行参数提取与异常监测方法 | |
| CN118112415A (zh) | 一种电机绝缘性能的智能测试方法及系统 | |
| CN113624025B (zh) | 基于运行参数相关性的凝汽器真空低跳机征兆捕捉方法 | |
| CN117195136B (zh) | 一种电网新能源异常数据监测方法 | |
| CN113313365A (zh) | 一种一次风机的劣化预警方法及设备 | |
| CN116050613B (zh) | 水电机组顶盖排水泵剩余使用寿命预测方法 | |
| CN117076873A (zh) | 一种水轮机组异常运行行为预测预警方法 | |
| CN109886538B (zh) | 基于动态监测数据的铁路信号设备质量评价方法及装置 | |
| CN113530619A (zh) | 基于润滑油系统参数相关性分析的汽机跳机征兆捕捉方法 | |
| CN114841061A (zh) | 一种融合时序信息的风电齿轮箱健康评估方法及系统 | |
| CN113756886A (zh) | 一种汽轮机加热器的故障判断方法和系统 | |
| 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 | |
| CN114372096B (zh) | 一种针对污泥膨胀的特征提取典型相关分析在线监测方法 | |
| CN111794813B (zh) | 汽轮机运行性能监测方法、装置及电子设备 |
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 |