CN113868953A - 工业系统中多机组运行优化方法、装置、系统及存储介质 - Google Patents
工业系统中多机组运行优化方法、装置、系统及存储介质 Download PDFInfo
- Publication number
- CN113868953A CN113868953A CN202111154209.XA CN202111154209A CN113868953A CN 113868953 A CN113868953 A CN 113868953A CN 202111154209 A CN202111154209 A CN 202111154209A CN 113868953 A CN113868953 A CN 113868953A
- Authority
- CN
- China
- Prior art keywords
- current
- optimal operation
- boundary conditions
- condition information
- working 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000010977 unit operation Methods 0.000 title claims description 21
- 230000008569 process Effects 0.000 claims abstract description 19
- 230000001105 regulatory effect Effects 0.000 claims abstract description 8
- 238000003062 neural network model Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 8
- 230000000875 corresponding effect Effects 0.000 description 53
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000008186 active pharmaceutical agent Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000000977 Dickey–Fuller test Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种工业系统多机组运行优化方法、装置、系统及计算机可读存储介质，该方法包括：采集工业系统中各机组的当前工况信息；从当前工况信息中提取出当前边界条件；依据当前边界条件以及预先建立优化结果数据集，确定出与当前边界条件对应的当前最优运行参数；其中，优化结果数据集包括多个边界条件及各自对应的最优运行参数；本发明中能够实时根据工艺系统内各机组的实际工况确定出最优运行参数，以便根据该最优运行参数对各机组的运行状况进行调控，有利于实现整体辅助服务效益最大化。
Description
技术领域
本发明涉及工业技术领域，特别是涉及一种工业系统多机组运行优化方法、装置、系统及计算机可读存储介质。
背景技术
目前，以动力、化工、航天和环境工程为代表的工业系统是现代社会的重要基础，设法改善、提高其运行性能是进一步提高现有能源利用效率的有效途径，具有重要的经济与社会意义。然而，工业场景下设备/机组通常受外界负荷、大气环境和燃料变化等因素的影响，其实际运行状态时常偏离设计工况，机组未必总能达到最优状态，因此，寻求变工况下实时经济性的最优运行点是工业界的共同关注点。现有技术中针对多设备或多机组间的协同运行，通常采用人工经验控制的方式对机组工况进行调控，难以实现整体辅助服务效益最大化。
鉴于此，如何提供一种解决上述技术问题的工业系统多机组运行优化方法、装置、系统及计算机可读存储介质成为本领域技术人员需要解决的问题。
发明内容
本发明实施例的目的是提供一种工业系统多机组运行优化方法、装置、系统及计算机可读存储介质，在使用过程中有利于实现整体辅助服务效益最大化。
为解决上述技术问题，本发明实施例提供了一种工业系统多机组运行优化方法，包括：
采集工业系统中各机组的当前工况信息；
从所述当前工况信息中提取出当前边界条件；
依据所述当前边界条件以及预先建立优化结果数据集，确定出与所述当前边界条件对应的当前最优运行参数；其中，所述优化结果数据集包括多个边界条件及各自对应的最优运行参数。
可选的，所述优化结果数据集的建立过程为：
获取各所述机组的历史工况信息；
基于各个所述历史工况信息建立优化神经网络模型；
采用所述优化神经网络模型预设的各个边界条件进行预测，得到与每个所述边界条件各自对应的最优运行参数；
基于每个所述边界条件及各自对应的最优运行参数建立优化结果数据集。
可选的，所述基于各个所述历史工况信息建立优化神经网络模型的过程为：
对每个所述历史工况信息进行清洗处理，得到清洗后的各个稳态历史工况信息；
对每个所述稳态历史工况信息进行辨识处理，得到每个所述机组的特征参数；
基于每个所述机组的特征参数对每个所述稳态历史工况信息进行优化处理，得到与每个所述稳态历史工况信息各自对应的优化结果；
将每个所述优化结果作为数据集训练神经网络，得到优化神经网络模型。
可选的，所述依据所述当前边界条件以及预先建立优化结果数据集，确定出与所述当前边界条件对应的当前最优运行参数的过程为：
判断所述优化结果数据集中是否存在与所述当前边界条件对应的目标最优运行参数，若存在，则将所述目标最优运行参数作为所述当前边界条件的当前最优运行参数；若不存在，则从所述优化结果数据集中筛选出与所述当前边界条件相邻的多组目标边界条件及对应的目标最优运行参数；
对各组所述目标边界条件及对应的目标最优运行参数进行N维线性插值处理，得到与所述当前边界条件对应的当前最优运行参数；其中，所述N为边界条件的维度。
可选的，当所述优化结果数据集中不存在与所述当前边界条件对应的目标最优运行参数时，还包括：
根据与所述当前边界条件对应的当前最优运行参数对每组所述目标边界条件对应的目标最优运行参数进行修正，得到与每个所述目标边界条件各自对应的、修正后的最优运行参数；
采用所述修正后的最优运行参数对所述优化结果数据集中相应的目标边界条件的最优运行参数进行更新存储。
可选的，所述从所述当前工况信息中提取出当前边界条件的过程为：
对所述当前工况信息进行清洗处理，得到当前稳态工况信息；
从所述当前稳态工况信息中提取出当前边界条件。
可选的，还包括：
依据当前最优运行参数对各个所述机组的运行参数进行调控。
本发明实施例还提供了一种工业系统多机组运行优化装置，包括：
采集模块，用于采集工业系统中各机组的当前工况信息；
提取模块，用于从所述当前工况信息中提取出当前边界条件；
匹配模块，用于依据所述当前边界条件以及预先建立优化结果数据集，确定出与所述当前边界条件对应的当前最优运行参数；其中，所述优化结果数据集包括多个边界条件及各自对应的最优运行参数。
本发明实施例还提供了一种工业系统多机组运行优化系统，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述所述工业系统多机组运行优化方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述所述工业系统多机组运行优化方法的步骤。
本发明实施例提供了一种工业系统多机组运行优化方法、装置、系统及计算机可读存储介质，该方法包括：采集工业系统中各机组的当前工况信息；从当前工况信息中提取出当前边界条件；依据当前边界条件以及预先建立优化结果数据集，确定出与当前边界条件对应的当前最优运行参数；其中，优化结果数据集包括多个边界条件及各自对应的最优运行参数。
可见，本发明中预先建立包括多个边界条件与各自对应的最优运行参数的优化结果数据集，然后在采集到工业系统各机组的当前工况信息后，从当前工况信息中提取出当前边界条件，然后从优化结果数据集中确定出与该当前边界条件对应的当前最优运行参数，本发明中能够实时根据工艺系统内各机组的实际工况确定出最优运行参数，以便根据该最优运行参数对各机组的运行状况进行调控，有利于实现整体辅助服务效益最大化。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种工业系统多机组运行优化方法的流程示意图；
图2为本发明实施例提供的一种优化结果数据集的建立流程示意图；
图3为本发明实施例提供的一种优化神经网络模型的建立过程示意图；
图4为本发明实施例提供的一种工业系统多机组运行优化装置的结构示意图。
具体实施方式
本发明实施例提供了一种工业系统多机组运行优化方法、装置、系统及计算机可读存储介质，在使用过程中有利于实现整体辅助服务效益最大化。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参照图1，图1为本发明实施例提供的一种工业系统多机组运行优化方法的流程示意图。该方法包括：
S110：采集工业系统中各机组的当前工况信息；
需要说明的是，本发明实施例中可以预先建立优化结果数据集，具体可以根据工业系统中各机组的历史工况信息进行建立，通过对各机组的历史工况信息进行分析，得到多个边界条件各自的最优运行参数，其中，多个边界条件可以根据预设规则得到。具体的，可以利用机组现有信息系统(例如DCS(Distributed Control System，分布式控制系统)、SIS(Safety Instrumented System安全仪表系统)、NCS(电力网络计算机监控系统)等)各组件设计厂家提供的API，基于标准通讯协议(例如OPC、MODBUS、CAN、IEC104等)单向读取各个机组中各关联数据库的历史工况信息，然后基于这些历史工况信息建立优化结果数据集。
具体的，在实际应用中可以实时获取各个机组的当前工况信息，具体可以根据各个机组厂家提供的API、基于标准通讯协议单向读取各个机组的当前工况信息。
S120：从当前工况信息中提取出当前边界条件；
具体的，在获取当前工况信息后，从该当前工况信息中提取出当前边界条件，具体是哪种边界条件可以根据实际需要进行确定。
其中，可以先对当前工况信息进行清洗处理，得到当前稳态工况信息，然后再从当前稳态工况信息中提取出当前边界条件。
S130：依据当前边界条件以及预先建立优化结果数据集，确定出与当前边界条件对应的当前最优运行参数；其中，优化结果数据集包括多个边界条件及各自对应的最优运行参数。
可以理解的是，在提取出当前边界条件后，根据当前边界条件从预先建立的优化结果数据集的各个边界条件与最优运行参数的对应关系中匹配出对应的最优运行参数，将该最优运行参数作为与当前边界条件对应的当前最优运行参数。具体的，在得到当前最优运行参数后，可以直接根据该当前最优运行参数对各个机组的运行情况进行调控，也可以将该当前最优运行参数展示给管理人员，使管理人员根据当前最优运行参数选择性的确定是否对各个机组的当前运行状况进行调控，具体如何对各机组的运行状况进行调控可以根据实际情况进行确定，本发明对此不做特殊限定。
进一步的，请参照图2和图3，在实际应用中可以通过以下方式进行优化结果数据集的建立，具体可以为：
S210：获取各机组的历史工况信息；
具体的，可以利用机组现有信息系统各组件设计厂家提供的API，基于标准通讯协议单向读取各个机组中各关联数据库的历史工况信息。
S220：基于各个历史工况信息建立优化神经网络模型；
具体的，上述S220中基于各个历史工况信息建立优化神经网络模型的过程，具体可以为：
S310：对每个历史工况信息进行清洗处理，得到清洗后的各个稳态历史工况信息；
具体的，由于工业场景下历史工况信息(具体为机组时序运行数据)存在如下特点：1)、测点数据相互关联，信息冗余；2)、数据精度不一且夹杂大量随机噪声；3)、各状态变量的动态响应特性差异显著，因此需借助信号处理技术和统计方法，有针对性地对运行数据进行清洗，筛选获得适用元件特征参数感知的平滑、独立、稳态的工况数据。具体可以采用直接删除相应工况点的方式处理停机和长期仪表故障造成的数据缺失，采用线性插补的方式处理短时仪表故障造成的数据缺失，采取3σ准则对粗大误差进行检测、剔除和校正,采用基于滑动窗口的高斯滤波法进行噪声数据的校正，采用Dickey-Fuller Test方法进行稳态工况的筛选，使得筛选后的数据更加平滑稳定，从而使经清洗后的稳态历史工况信息符合后续参数感知需求。
需要说明的是，工业系统受到扰动后，不同状态参数达到稳态的过渡时间不尽相同，因此最终满足要求的稳态工况信息为各状态变量稳态工况数据集的交集，并且可以将经数据清洗后获得的稳态历史工况信息传递至稳态工况数据集进行存储。另外，由于不同工业场景下运行时序数据的特征不同，因此在实际应用中可以根据实际需要对定制化数据进行清洗，以此降低平台数据流程的时延。
S320：对每个稳态历史工况信息进行辨识处理，得到每个机组的特征参数；
需要说明的是，在工业设备/机组变工况运行中，元件特征参数随运行状态的改变而变化，此外，随着机组长期运行，设备临时故障或设备老化亦会引起元件特征参数的改变，因此在得到稳态历史工况信息后，可以对这些稳态历史工况信息进行辨识处理，具体可以周期性计算出表征各设备/机组运行状态特征参数的变工况模型，得到特征参数。其中，该特征参数可以包括换热系数、效率、制冷系数等性能参数和弗留格尔系数、阻力系数等通流参数。在具体的辨识计算中，为消除机组测点相互关联而造成的数据冗余，可以采用序贯模块法进行系统设计计算的框架进行特征参数求解，根据测点重要度以及准确度剔除冗余变量，提取可以全面反映部件特性的最少量关键数据信息，保证选取测点的绝对独立性。另外，为验证感知效果，在实际应用中还可以使平台自动呈现k折交叉验证结果，以说明对参数变工况模型选取的合理性和准确性。
S330：基于每个机组的特征参数对每个稳态历史工况信息进行优化处理，得到与每个稳态历史工况信息各自对应的优化结果；
具体的，在经过辨识处理得到每个机组的特征参数后，可以基于每个机组的特征参数对各个稳定历史工况信息进行优化计算，具体可以基于启发式优化算法对每个稳态历史工况信息进行优化计算，获得设备可控运行参数的最优值，也即，针对每个稳态历史工况信息得到对应的优化结果，该优化结果可以为设备可控运行参数最优值。其中，启发式优化算法包括遗传算法、模拟退火算法、爬山搜索算法和序列二次规划算法等，上述优化计算的优化目标包括净功量、热效率、煤耗率等运行性能表征函数，以及制造成本、运行成本、效益等经济学函数，根据具工业应用场景的实际设计需求进行选择即可。
S340：将每个优化结果作为数据集训练神经网络，得到优化神经网络模型。
具体的，在实际应用中可以以负荷边界条件和环境变量为特征变量，以设备可控运行参数为回归目标，以上述得到的各个优化结果作为数据集训练神经网络，得到优化神经网络模型。
S230：采用优化神经网络模型预设的各个边界条件进行预测，得到与每个边界条件各自对应的最优运行参数；
S240：基于每个边界条件及各自对应的最优运行参数建立优化结果数据集。
需要说明的是，在考虑到基于本发明提供的方法建立的工业系统多机组运行优化平台将长期运行，为解决由此带来的优化神经网络模型的预测精度下降问题，本发明实施例中可以通过优化神经网络模型预测更精细化的等间距边界条件(负荷条件/环境条件)下的优化运行结果，具体的可以设置边界条件范围(包括边界条件最大值和边界条件最小值)以及粒度，从而通过优化神经网络模型对各个等间距边界条件进行预测，得到与每个边界条件各自对应的预测结果，该预测结果即为最优运行参数，然后将各个边界条件及各自对应的最优运行参数对应存储至数据库中，从而得到优化结果数据集，以供后续实时分析使用。
进一步的，上述S130中依据当前边界条件以及预先建立优化结果数据集，确定出与当前边界条件对应的当前最优运行参数的过程为：
判断优化结果数据集中是否存在与当前边界条件对应的目标最优运行参数，若存在，则将目标最优运行参数作为当前边界条件的当前最优运行参数；若不存在，则从优化结果数据集中筛选出与当前边界条件相邻的多组目标边界条件及对应的目标最优运行参数；
对各组目标边界条件及对应的目标最优运行参数进行N维线性插值处理，得到与当前边界条件对应的当前最优运行参数；其中，N为边界条件的维度。
具体的，本发明实施例中当预先建立优化结果数据集中存在与当前边界条件对应的目标最优运行参数时，将该目标最优运行参数作为当前最优运行参数，若不存在时，则从优化结果数据集中筛选出与当前边界条件相邻的多组目标边界条件及对应的目标最优运行参数，具体可以筛选出2N组目标边界条件及对应的目标最优运行参数，然后对2N组目标边界条件及对应的目标最优运行参数进行N维线性插值，即可得到与当前边界条件对应的当前最优运行参数。
更进一步的，当优化结果数据集中不存在与当前边界条件对应的目标最优运行参数时，该方法还可以包括：
根据与当前边界条件对应的当前最优运行参数对每组目标边界条件对应的目标最优运行参数进行修正，得到与每个目标边界条件各自对应的、修正后的最优运行参数；
采用修正后的最优运行参数对优化结果数据集中相应的目标边界条件的最优运行参数进行更新存储。
具体的，为了使优化结果数据集更加准确，可以采用梯度下降法根据当前边界条件及对应的当前最优运行参数对2N组目标边界条件对应的目标最优运行参数进行修正，得到修正后的目标最优运行参数，并对相应的目标边界条件的最优运行参数进行更新，从而起到增量学习作用，保证优化结果数据集中数据的长期可靠性。
另外，还需要说明的是，在实际应用中还可以通过用户界面对当前最优运行参数进行展示，还可以对辨识结果是否成功的结果以及数据通信是否成功的结果进行展示，以及与相关运行参数实时优化数值和历史优化数值等进行展示，还可以提供可视化界面用于调整在实现过程中各模块的运行配置。
另外，还可以从所述当前工况信息中提取出当前实际运行参数，并将所述当前优化运行参数与当前实际运行参数进行比较，当差值大于预设阈值时，进行告警，以便提醒管理人员需要对机组的运行状况进行调控。
可见，本发明中预先建立包括多个边界条件与各自对应的最优运行参数的优化结果数据集，然后在采集到工业系统各机组的当前工况信息后，从当前工况信息中提取出当前边界条件，然后从优化结果数据集中确定出与该当前边界条件对应的当前最优运行参数，本发明中能够实时根据工艺系统内各机组的实际工况确定出最优运行参数，以便根据该最优运行参数对各机组的运行状况进行调控，有利于实现整体辅助服务效益最大化。
在上述实施例的基础上，本发明实施例还提供了一种工业系统多机组运行优化装置，请参照图4，该装置包括：
采集模块21，用于采集工业系统中各机组的当前工况信息；
提取模块22，用于从当前工况信息中提取出当前边界条件；
匹配模块23，用于依据当前边界条件以及预先建立优化结果数据集，确定出与当前边界条件对应的当前最优运行参数；其中，优化结果数据集包括多个边界条件及各自对应的最优运行参数。
需要说明的是，本发明实施例中工业系统多机组运行优化装置具有与上述实施例提供的工业系统多机组运行优化方法相同的有益效果，并且对于本发明实施例中所涉及到的工业系统多机组运行优化方法的具体接收请参照上述实施例，本发明在此不再赘述。
在上述实施例的基础上，本发明实施例还提供了一种工业系统多机组运行优化系统，该系统包括：
存储器，用于存储计算机程序；
处理器，用于执行计算机程序时实现如上述工业系统多机组运行优化方法的步骤。
例如，本发明实施例中的处理器具体可以用于实现采集工业系统中各机组的当前工况信息；从当前工况信息中提取出当前边界条件；依据当前边界条件以及预先建立优化结果数据集，确定出与当前边界条件对应的当前最优运行参数；其中，优化结果数据集包括多个边界条件及各自对应的最优运行参数。
在上述实施例的基础上，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述工业系统多机组运行优化方法的步骤。
该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种工业系统多机组运行优化方法，其特征在于，包括：
采集工业系统中各机组的当前工况信息；
从所述当前工况信息中提取出当前边界条件；
依据所述当前边界条件以及预先建立优化结果数据集，确定出与所述当前边界条件对应的当前最优运行参数；其中，所述优化结果数据集包括多个边界条件及各自对应的最优运行参数。
2.根据权利要求1所述的工业系统多机组运行优化方法，其特征在于，所述优化结果数据集的建立过程为：
获取各所述机组的历史工况信息；
基于各个所述历史工况信息建立优化神经网络模型；
采用所述优化神经网络模型预设的各个边界条件进行预测，得到与每个所述边界条件各自对应的最优运行参数；
基于每个所述边界条件及各自对应的最优运行参数建立优化结果数据集。
3.根据权利要求2所述的工业系统多机组运行优化方法，其特征在于，所述基于各个所述历史工况信息建立优化神经网络模型的过程为：
对每个所述历史工况信息进行清洗处理，得到清洗后的各个稳态历史工况信息；
对每个所述稳态历史工况信息进行辨识处理，得到每个所述机组的特征参数；
基于每个所述机组的特征参数对每个所述稳态历史工况信息进行优化处理，得到与每个所述稳态历史工况信息各自对应的优化结果；
将每个所述优化结果作为数据集训练神经网络，得到优化神经网络模型。
4.根据权利要求2或3所述的工业系统多机组运行优化方法，其特征在于，所述依据所述当前边界条件以及预先建立优化结果数据集，确定出与所述当前边界条件对应的当前最优运行参数的过程为：
判断所述优化结果数据集中是否存在与所述当前边界条件对应的目标最优运行参数，若存在，则将所述目标最优运行参数作为所述当前边界条件的当前最优运行参数；若不存在，则从所述优化结果数据集中筛选出与所述当前边界条件相邻的多组目标边界条件及对应的目标最优运行参数；
对各组所述目标边界条件及对应的目标最优运行参数进行N维线性插值处理，得到与所述当前边界条件对应的当前最优运行参数；其中，所述N为边界条件的维度。
5.根据权利要求4所述的工业系统多机组运行优化方法，其特征在于，当所述优化结果数据集中不存在与所述当前边界条件对应的目标最优运行参数时，还包括：
根据与所述当前边界条件对应的当前最优运行参数对每组所述目标边界条件对应的目标最优运行参数进行修正，得到与每个所述目标边界条件各自对应的、修正后的最优运行参数；
采用所述修正后的最优运行参数对所述优化结果数据集中相应的目标边界条件的最优运行参数进行更新存储。
6.根据权利要求4所述的工业系统多机组运行优化方法，其特征在于，所述从所述当前工况信息中提取出当前边界条件的过程为：
对所述当前工况信息进行清洗处理，得到当前稳态工况信息；
从所述当前稳态工况信息中提取出当前边界条件。
7.根据权利要求1所述的工业系统多机组运行优化方法，其特征在于，还包括：
依据当前最优运行参数对各个所述机组的运行参数进行调控。
8.一种工业系统多机组运行优化装置，其特征在于，包括：
采集模块，用于采集工业系统中各机组的当前工况信息；
提取模块，用于从所述当前工况信息中提取出当前边界条件；
匹配模块，用于依据所述当前边界条件以及预先建立优化结果数据集，确定出与所述当前边界条件对应的当前最优运行参数；其中，所述优化结果数据集包括多个边界条件及各自对应的最优运行参数。
9.一种工业系统多机组运行优化系统，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述工业系统多机组运行优化方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述工业系统多机组运行优化方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111154209.XA CN113868953B (zh) | 2021-09-29 | 2021-09-29 | 工业系统中多机组运行优化方法、装置、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111154209.XA CN113868953B (zh) | 2021-09-29 | 2021-09-29 | 工业系统中多机组运行优化方法、装置、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113868953A true CN113868953A (zh) | 2021-12-31 |
| CN113868953B CN113868953B (zh) | 2024-01-19 |
Family
ID=79000715
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111154209.XA Active CN113868953B (zh) | 2021-09-29 | 2021-09-29 | 工业系统中多机组运行优化方法、装置、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113868953B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113343391A (zh) * | 2021-07-02 | 2021-09-03 | 华电电力科学研究院有限公司 | 一种刮板取料系统控制方法、装置及设备 |
| CN115079654A (zh) * | 2022-07-01 | 2022-09-20 | 西安热工研究院有限公司 | 火电厂控制过程分析方法、装置、设备及介质 |
| CN117434911A (zh) * | 2023-12-20 | 2024-01-23 | 北京东方国信科技股份有限公司 | 设备运行状态监控方法、装置及电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108052007A (zh) * | 2017-12-18 | 2018-05-18 | 华润电力湖北有限公司 | 火电机组运行优化方法、装置、设备及计算机存储介质 |
| CN110865538A (zh) * | 2019-10-31 | 2020-03-06 | 中国神华能源股份有限公司国华电力分公司 | 机组工况优化方法、装置及电子设备 |
| CN112288170A (zh) * | 2020-10-30 | 2021-01-29 | 北方魏家峁煤电有限责任公司 | 基于大数据分析的电厂机组工况寻优分析方法 |
| CN112712204A (zh) * | 2020-12-29 | 2021-04-27 | 华润电力技术研究院有限公司 | 火电企业电热负荷优化分配方法、装置、设备及存储介质 |
| CN112987666A (zh) * | 2021-02-09 | 2021-06-18 | 浙大城市学院 | 电厂机组运行优化调控方法及系统 |
-
2021
- 2021-09-29 CN CN202111154209.XA patent/CN113868953B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108052007A (zh) * | 2017-12-18 | 2018-05-18 | 华润电力湖北有限公司 | 火电机组运行优化方法、装置、设备及计算机存储介质 |
| CN110865538A (zh) * | 2019-10-31 | 2020-03-06 | 中国神华能源股份有限公司国华电力分公司 | 机组工况优化方法、装置及电子设备 |
| CN112288170A (zh) * | 2020-10-30 | 2021-01-29 | 北方魏家峁煤电有限责任公司 | 基于大数据分析的电厂机组工况寻优分析方法 |
| CN112712204A (zh) * | 2020-12-29 | 2021-04-27 | 华润电力技术研究院有限公司 | 火电企业电热负荷优化分配方法、装置、设备及存储介质 |
| CN112987666A (zh) * | 2021-02-09 | 2021-06-18 | 浙大城市学院 | 电厂机组运行优化调控方法及系统 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113343391A (zh) * | 2021-07-02 | 2021-09-03 | 华电电力科学研究院有限公司 | 一种刮板取料系统控制方法、装置及设备 |
| CN113343391B (zh) * | 2021-07-02 | 2024-01-09 | 华电电力科学研究院有限公司 | 一种刮板取料系统控制方法、装置及设备 |
| CN115079654A (zh) * | 2022-07-01 | 2022-09-20 | 西安热工研究院有限公司 | 火电厂控制过程分析方法、装置、设备及介质 |
| CN117434911A (zh) * | 2023-12-20 | 2024-01-23 | 北京东方国信科技股份有限公司 | 设备运行状态监控方法、装置及电子设备 |
| CN117434911B (zh) * | 2023-12-20 | 2024-04-16 | 北京东方国信科技股份有限公司 | 设备运行状态监控方法、装置及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113868953B (zh) | 2024-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113868953B (zh) | 工业系统中多机组运行优化方法、装置、系统及存储介质 | |
| CN109543295B (zh) | 数值天气预报的气象要素数据处理方法及装置 | |
| JP7082461B2 (ja) | 故障予知方法、故障予知装置および故障予知プログラム | |
| CN112800116B (zh) | 一种业务数据的异常检测方法及装置 | |
| CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| KR101941854B1 (ko) | 미취득 데이터 보정을 통한 부하 예측 시스템 및 방법 | |
| CN109840671B (zh) | 运行改进效果计算设备、运行改进效果计算方法和记录介质 | |
| CN111624986A (zh) | 基于案例库的故障诊断方法和系统 | |
| CN116739829B (zh) | 一种基于大数据的电力数据分析方法、系统及介质 | |
| CN113988723A (zh) | 一种基于用电数据异常分析的用户行为锁定方法和系统 | |
| JP2018528511A (ja) | 生産システムにおける出力効率の最適化 | |
| WO2016147298A1 (ja) | 推薦装置、推薦決定方法、およびコンピュータプログラム | |
| CN110766236A (zh) | 基于统计分析和深度学习的电力设备状态趋势预测方法 | |
| US11197175B2 (en) | Forcasting time series data | |
| CN111367747A (zh) | 基于时间标注的指标异动检测预警的装置 | |
| CN111222553B (zh) | 机器学习模型的训练数据处理方法、装置和计算机设备 | |
| KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
| CN109523077B (zh) | 一种风电功率预测方法 | |
| CN111340287A (zh) | 配电柜运行状态预测方法及装置 | |
| CN114924203A (zh) | 一种电池soh预测分析方法及电动汽车 | |
| CN113123955B (zh) | 柱塞泵异常检测方法、装置、存储介质及电子设备 | |
| CN113959477A (zh) | 基于物联网的环境防治监测提醒方法及系统 | |
| Kazemi et al. | Estimating the drift time for processes subject to linear trend disturbance using fuzzy statistical clustering | |
| CN111476400A (zh) | 电路故障预测方法、装置、设备及计算机可读介质 | |
| CN115204487A (zh) | 一种设备状态监控方法、装置、设备及存储介质 |
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 |