CN113919224A - 一种主蒸汽流量预测方法及其系统 - Google Patents

一种主蒸汽流量预测方法及其系统 Download PDF

Info

Publication number
CN113919224A
CN113919224A CN202111183543.8A CN202111183543A CN113919224A CN 113919224 A CN113919224 A CN 113919224A CN 202111183543 A CN202111183543 A CN 202111183543A CN 113919224 A CN113919224 A CN 113919224A
Authority
CN
China
Prior art keywords
steam flow
prediction model
target
main steam
thermal operation
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.)
Pending
Application number
CN202111183543.8A
Other languages
English (en)
Inventor
曾祥浩
张含智
马成龙
袁雪峰
陈世和
聂怀志
刘道明
卫平宝
陈建华
周严伟
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.)
Shenzhen Goes Out New Knowledge Property Right Management Co ltd
Original Assignee
China Resource Power Technology Research Institute
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 China Resource Power Technology Research Institute filed Critical China Resource Power Technology Research Institute
Priority to CN202111183543.8A priority Critical patent/CN113919224A/zh
Publication of CN113919224A publication Critical patent/CN113919224A/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Geometry (AREA)
  • Algebra (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请实施例公开了一种主蒸汽流量预测方法及其系统，用于预测电厂在实际运行时的主蒸汽流量，提高主蒸汽流量值的准确性。本申请实施例方法包括：获取目标预测模型，所述目标预测模型由热力运行参数的历史值对初始预测模型进行机器学习训练得到，所述热力运行参数包括主蒸汽流量和除所述主蒸汽流量之外的其他热力运行参数，所述目标预测模型中保存有所述主蒸汽流量和所述其他热力运行参数之间的目标对应关系；获取所述其他热力运行参数的实时值；将所述其他热力参数的实时值输入所述目标预测模型，得到所述目标预测模型依据所述目标对应关系输出主蒸汽流量的预测值。

Description

一种主蒸汽流量预测方法及其系统
技术领域
本申请实施例涉及电厂运行监测领域，尤其涉及一种主蒸汽流量预测方法及其系统。
背景技术
软测量技术是一种把生产过程有机结合起来，应用计算机技术对难以测量或者暂时不能测量的重要变量，通过与另外一些容易测量的变量构成某种数学关系进行推断或者估算的技术。例如：气体的流量难以通过技术手段直接测量获取，所以气体的流量测量一般通过软测量技术实现。电厂的主蒸汽流量的测量应用的就是软测量技术。
现有技术中，由于主蒸汽流量不可通过测量直接获得，需要先测得其他热力运行参数再进行计算得到，其他热力运行参数通过热力传感器测量得到。
但在实际生产过程中，由于设备使用时长的增加等原因会导致热力传感器发生漂移现象，从而导致测得的其他热力运行参数的误差较大，使得依据其计算得到的主蒸汽流量与实际生产过程中的主蒸汽流量的偏移量较大。
发明内容
本申请实施例提供了一种主蒸汽流量预测方法及其系统，用于预测电厂在实际运行时的主蒸汽流量，提高主蒸汽流量值的准确性。
本申请实施例提供的一种主蒸汽流量预测方法，包括：
获取目标预测模型，所述目标预测模型由热力运行参数的历史值对初始预测模型进行机器学习训练得到，所述热力运行参数包括主蒸汽流量和除所述主蒸汽流量之外的其他热力运行参数，所述目标预测模型中保存有所述主蒸汽流量和所述其他热力运行参数之间的目标对应关系；
获取所述其他热力运行参数的实时值；
将所述其他热力参数的实时值输入所述目标预测模型，得到所述目标预测模型依据所述目标对应关系输出主蒸汽流量的预测值。
可选的，在所述获取目标预测模型之前，所述方法还包括：
获取所述热力运行参数的历史值，所述热力运行参数包括主蒸汽流量和除所述主蒸汽流量之外的其他热力运行参数；
将所述热力运行参数的历史值作为训练样本输入初始预测模型，使用所述训练样本对所述初始预测模型进行机器学习训练得到所述目标预测模型，所述目标预测模型中保存有所述所述主蒸汽流量和所述其他热力运行参数之间的目标对应关系。
可选的，所述获取所述热力运行参数的历史值包括：
按照秒级或者分钟级的采样区间对所述热力运行参数的历史值进行取样。
可选的，所述将所述热力运行参数的历史值作为训练样本输入初始预测模型包括：
对所述热力运行参数的历史值进行除杂，得到所述热力运行参数的初始样本值；
将所述热力运行参数的初始样本值作为训练样本输入到所述初始预测模型。
可选的，所述将所述热力运行参数的初始样本值作为训练样本输入到所述初始预测模型包括：
对所述热力运行参数的初始样本值进行关联性分析得到热力运行参数的中间样本值，所述热力运行参数的初始样本值包括主蒸汽流量的第一样本值和其他热力运行参数的第一样本值，所述热力运行参数的中间样本值包括主蒸汽流量的第一样本值和其他热力运行参数的第二样本值，所述其他热力运行参数的第二样本值通过对所述其他热力运行参数的第一样本值与所述主蒸汽流量的第一样本值进行关联性分析得到；
将所述热力运行参数的中间样本值作为训练样本输入到所述初始预测模型。
可选的，所述将所述热力运行参数的中间样本值作为训练样本输入到所述初始预测模型包括：
将所述热力运行参数的中间样本值输入到高斯混合模型中进行聚类分析，得到至少一类的目标样本值集合，所述目标样本值集合是通过对所述热力运行参数的中间样本值按照预设的聚类标准进行聚类得到的，所述目标样本值集合包括所述主蒸汽流量的第一样本值和所述其他热力运行参数的第二样本值，且同一所述目标样本值集合中的所述主蒸汽流量的第一样本值和所述其他热力运行参数的第二样本值在取样时刻上具有对应性；
将所述目标样本值集合作为训练样本输入到所述初始预测模型。
可选的，所述使用所述训练样本对所述初始预测模型进行机器学习训练得到所述目标预测模型包括：
使用所述目标样本值集合对所述初始预测模型进行机器学习训练，得到所述目标预测模型，所述目标预测模型中保存有所述目标对应关系，所述目标对应关系包括至少一种的分组对应关系，所述分组对应关系由所述目标样本值集合对所述初始预测模型进行机器学习训练得到，所述分组对应关系为每一个所述目标样本值集合中的所述第一主蒸汽流量值和所述第二热力运行参数值之间的对应关系；
所述将所述其他热力参数的实时值输入所述目标预测模型，得到所述目标预测模型依据所述目标对应关系输出主蒸汽流量的预测值包括：
将所述其他热力参数的实时值输入所述目标预测模型，所述目标预测模型根据预设的聚类标准选择所述目标对应关系中的第一分组对应关系，所述第一分组对应关系为所述分组对应关系中的一种；
根据所述第一分组对应关系输出所述其他热力参数的实时值对应的所述主蒸汽流量的预测值。
本申请实施例提供的一种主蒸汽流量预测系统，包括：
获取单元，用于获取目标预测模型，所述目标预测模型由热力运行参数的历史值对初始预测模型进行机器学习训练得到，所述热力运行参数包括主蒸汽流量和除所述主蒸汽流量之外的其他热力运行参数，所述目标预测模型中保存有所述主蒸汽流量和所述其他热力运行参数之间的目标对应关系；
所述获取单元，还用于获取所述其他热力运行参数的实时值；
输出单元，用于将所述其他热力参数的实时值输入所述目标预测模型，得到所述目标预测模型依据所述目标对应关系输出主蒸汽流量的预测值。
本申请实施例提供的一种主蒸汽流量预测系统，包括：中央处理器，存储器以及输入输出接口；
所述存储器为短暂存储存储器或持久存储存储器；
所述中央处理器配置为与所述存储器通信，并执行所述存储器中的指令操作以执行前述方法。
本申请实施例提供的一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使得计算机执行上述任意一种主蒸汽流量预测方法。
从以上技术方案可以看出，本申请实施例具有以下优点：
通过对热力运行参数的历史值进行机器学习训练得到目标预测模型，目标预测模型中保存有主蒸汽流量与其他热力运行参数的目标对应关系，从而实现当在目标预测模型中输入其他热力运行参数的实时值时，输出主蒸汽流量的预测值。
附图说明
图1为本申请实施例提供的主蒸汽流量预测方法的一个示意图；
图2为本申请实施例提供的主蒸汽流量预测方法的另一个示意图；
图3为本申请实施例提供的主蒸汽流量预测系统的一个示意图；
图4为本申请实施例提供的主蒸汽流量预测系统的另一个示意图。
具体实施方式
本申请实施例提供了一种主蒸汽流量预测方法及其系统，用于预测电厂在实际运行时的主蒸汽流量，提高主蒸汽流量值的准确性。
软测量技术是一种把生产过程有机结合起来，应用计算机技术对难以测量或者暂时不能测量的重要变量，通过与另外一些容易测量的变量构成某种数学关系进行推断或者估算的技术。例如：气体的流量难以通过技术手段直接测量获取，所以气体的流量测量一般通过软测量技术实现。电厂的主蒸汽流量的测量应用的就是软测量技术。
由于主蒸汽流量不可通过测量直接获得，需要先测得其他热力运行参数再进行计算得到，其他热力运行参数通过热力传感器测量得到。但在实际生产过程中，由于设备使用时长的增加等原因会导致热力传感器发生故障或漂移现象，从而导致测得的其他热力运行参数的误差较大，使得依据其计算得到的主蒸汽流量与实际生产过程中的主蒸汽流量的偏移量较大。因此需要一种能够根据电厂实际生产运行状况来预测主蒸汽流量的方法。
请参阅图1，本申请实施例提供的一种主蒸汽流量预测方法的一种实施方式包括步骤101至步骤103。
101、获取目标预测模型。
目标预测模型是预先建立的，具体是由热力运行参数的历史值对初始预测模型进行机器学习训练得到，热力运行参数包括主蒸汽流量和除主蒸汽流量之外的其他热力运行参数，目标预测模型中保存有主蒸汽流量和其他热力运行参数之间的目标对应关系。
具体地，其他热力运行参数包括：给水流量、给水温度、给水压力、调节级温度、调节级压力、调节级流量、再热蒸汽温度、再热蒸汽压力、再热蒸汽流量、主蒸汽温度、主蒸汽压力以及主蒸汽流量，实际生产中，影响主蒸汽流量的相关参数有多种，本实施例中仅以前述列举的参数种类为例，也可以使用其他参数达到同样的计算主蒸汽流量的效果，具体此处不做限定。
102、获取其他热力运行参数的实时值。
在电厂运行的过程中，实时获取其他热力运行参数的实时值，具体包括给水流量、给水温度、给水压力、调节级温度、调节级压力、调节级流量、再热蒸汽温度、再热蒸汽压力、再热蒸汽流量、主蒸汽温度以及主蒸汽压力的实时值。
103、将其他热力运行参数的实时值输入目标预测模型，得到目标预测模型依据目标对应关系输出主蒸汽流量的预测值。
把步骤102中获得的实时值输入到目标预测模型中，目标预测模型依据目标对应关系确定主蒸汽流量的预测值并将其输出。
本实施例中，根据目标预测模型中的目标对应关系确定出了主蒸汽流量的预测值，相较通过热力传感器测得的其他热力运行参数去计算主蒸汽流量，具有更高的准确性。
请查阅图2，本申请实施例提供的一种主蒸汽流量预测方法的另一种实施方式包括步骤201至步骤206。
201、获取热力运行参数的历史值。
先获取电厂的热力运行参数的历史值，热力运行参数包括主蒸汽流量和除主蒸汽流量之外的其他热力运行参数。
具体地，按照秒级或者分钟级的采样区间对热力运行参数的历史值进行取样，其他热力运行参数包括：一级抽汽温度、一级抽汽压力、一级抽汽流量、二级抽汽压力、二级抽汽温度、二级抽汽流量、疏水温度、疏水压力、给水流量、给水温度、给水压力、调节级温度、调节级压力、调节级流量、再热蒸汽温度、再热蒸汽压力、再热蒸汽流量、主蒸汽温度、主蒸汽压力以及主蒸汽流量，实际生产中，影响主蒸汽流量的相关参数有多种，本实施例中仅以前述列举的参数种类为例，也可以使用其他参数达到同样的计算主蒸汽流量的效果，具体此处不做限定。
之后，对热力运行参数的历史值进行除杂，得到热力运行参数的初始样本值。
具体地，将获取到的热力运行参数的历史值剔除死值、越限值、突变值等，其中任意一个运行参数的历史值被去除，则对于该时刻的所有热力运行参数的历史值均被去除，以保持各运行参数的历史值在时刻上的对应性。
202、对热力运行参数的初始样本值进行关联性分析得到热力运行参数的中间样本值。
运用灰色关联分析方法对热力运行参数的初始样本值进行关联性分析，得到对预测主蒸汽流量值关联性较强的参数种类，将这些与主蒸汽流量值关联性较强的参数值作为热力运行参数的中间样本值，也可采用其他的关联性分析方法达到相同的分析效果，具体此处不做限定。
具体地，热力运行参数的初始样本值包括主蒸汽流量的第一样本值和其他热力运行参数的第一样本值，具体参数种类上述步骤201中已进行描述，此处不再赘述，经过灰色关联分析方法分析之后，得到与主蒸汽流量相关性较强的热力运行参数的中间样本值，热力运行参数的中间样本值包括主蒸汽流量的第一样本值和其他热力运行参数的第二样本值，其他热力运行参数的第二样本值通过对其他热力运行参数的第一样本值与主蒸汽流量的第一样本值进行关联性分析得到，其他热力运行参数的第二样本值具体包括：给水流量、给水温度、给水压力、调节级温度、调节级压力、调节级流量、再热蒸汽温度、再热蒸汽压力、再热蒸汽流量、主蒸汽温度以及主蒸汽压力。同样地，在实际生产中，与主蒸汽流量相关性较强的参数有多种，本实施例中仅以前述列举的参数种类为例，也可以使用其他参数达到同样的计算主蒸汽流量的效果，具体此处不做限定。
203、将热力运行参数的中间样本值输入到高斯混合模型中进行聚类分析。
将热力运行参数的中间样本值输入到高斯混合模型中，进行聚类分析，得到至少一类的目标样本值集合，目标样本值集合是通过对热力运行参数的中间样本值按照预设的聚类标准进行聚类得到的，目标样本值集合包括一类主蒸汽流量的第一样本值和一类其他热力运行参数的第二样本值，且同一目标样本值集合中的主蒸汽流量的第一样本值和一类其他热力运行参数的第二样本值在取样时刻上具有对应性。
具体地，预先在高斯混合模型中预设聚类标准，如：通过预设的不同参数的不同阈值区间对参数进行聚类，相同阈值区间的同种类参数构成一个目标样本集合的一个参数组，参数种类数与每一个目标样本集合中的参数组数保持一致，同一目标样本集合中的参数组中的参数之间具有时刻上的对应性。聚类分析后得到至少一类的目标样本集合，每一个目标样本集合中都包含一个主蒸汽流量的第一样本值的参数组和至少一个其他热力运行参数的第二样本值的参数组。
204、将目标样本值集合作为训练样本输入到初始预测模型，使用训练样本对初始预测模型进行机器学习训练得到目标预测模型，目标预测模型中保存有目标对应关系。
使用目标样本值集合对初始预测模型进行机器学习训练，得到目标预测模型，目标预测模型中保存有目标对应关系，目标对应关系包括至少一种的分组对应关系，分组对应关系由目标样本值集合对初始预测模型进行机器学习训练得到，分组对应关系为每一个目标样本值集合中的第一主蒸汽流量值和第二热力运行参数值之间的对应关系。
具体地，本申请实施例中的初始预测模型和目标预测模型可以是长短期记忆网络(LSTM，long short-term memory)模型，当然也可以是其他可以实现相同或相似技术效果的神经网络模型，具体此处不做限定。
将其他热力参数的实时值输入目标预测模型，得到目标预测模型依据目标对应关系输出主蒸汽流量的预测值包括：
将其他热力参数的实时值输入目标预测模型，目标预测模型根据预设的聚类标准选择目标对应关系中的第一分组对应关系，第一分组对应关系为分组对应关系中的一种，根据第一分组对应关系输出其他热力参数的实时值对应的主蒸汽流量的预测值。
205、获取其他热力运行参数的实时值。
目标预测模型建立好之后，实时获取目标预测模型需要输入的参数的实时值，经过上述建立目标预测模型的相关步骤，需要获取实时值的热力运行参数的种类为：给水流量、给水温度、给水压力、调节级温度、调节级压力、调节级流量、再热蒸汽温度、再热蒸汽压力、再热蒸汽流量、主蒸汽温度、主蒸汽压力以及主蒸汽流量。
206、将其他热力参数的实时值输入目标预测模型，得到目标预测模型依据目标对应关系输出主蒸汽流量的预测值。
将步骤205中获取的其他热力运行参数的实时值输入到目标预测模型中，目标预测模型根据目标对应关系确定主蒸汽流量的预测值并将其输出。
本实施例中，通过预先建立目标预测模型，对热力运行参数的历史值进行训练，得到目标对应关系并将其保存在目标预测模型中，使得当在目标预测模型中输入其他热力参数的实时值时，输出主蒸汽流量的预测值，提高了主蒸汽流量值的准确性。
下面对本申请实施例的主蒸汽流量预测系统进行描述，请参阅图3，本申请实施例提供的主蒸汽流量预测系统的一种实施方式包括：
获取单元301，用于获取目标预测模型，目标预测模型由热力运行参数的历史值对初始预测模型进行机器学习训练得到，热力运行参数包括主蒸汽流量和除主蒸汽流量之外的其他热力运行参数，目标预测模型中保存有主蒸汽流量和其他热力运行参数之间的目标对应关系；
获取单元301，还用于获取其他热力运行参数的实时值；
输出单元302，用于将其他热力参数的实时值输入目标预测模型，得到目标预测模型依据目标对应关系输出主蒸汽流量的预测值。
本实施例主蒸汽流量预测系统中各单元所执行的功能以及流程与前述图1至图2中主蒸汽流量预测系统所执行的功能和流程类似，此处不再赘述。
图4是本申请提供的锅炉最优氧量预测系统的结构示意图，该主蒸汽流量预测系统400可以包括一个或一个以上中央处理器(central processing units，CPU)401和存储器405，该存储器405中存储有一个或一个以上的应用程序或数据。
其中，存储器405可以是易失性存储或持久存储。存储在存储器405的程序可以包括一个或一个以上模块，每个模块可以包括对业务服务器中的一系列指令操作。更进一步地，中央处理器401可以设置为与存储器405通信，在主蒸汽流量预测系统400上执行存储器405中的一系列指令操作。
主蒸汽流量预测系统400还可以包括一个或一个以上电源402，一个或一个以上有线或无线网络接口403，一个或一个以上输入输出接口404，和/或，一个或一个以上操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等。
该中央处理器401可以执行前述图1至图2所示实施例中主蒸汽流量预测系统所执行的操作，具体此处不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例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-onlymemory)、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。

Claims (10)

1.一种主蒸汽流量预测方法，其特征在于，包括：
获取目标预测模型，所述目标预测模型由热力运行参数的历史值对初始预测模型进行机器学习训练得到，所述热力运行参数包括主蒸汽流量和除所述主蒸汽流量之外的其他热力运行参数，所述目标预测模型中保存有所述主蒸汽流量和所述其他热力运行参数之间的目标对应关系；
获取所述其他热力运行参数的实时值；
将所述其他热力参数的实时值输入所述目标预测模型，得到所述目标预测模型依据所述目标对应关系输出主蒸汽流量的预测值。
2.根据权利要求1所述的主蒸汽流量预测方法，其特征在于，在所述获取目标预测模型之前，所述方法还包括：
获取所述热力运行参数的历史值，所述热力运行参数包括主蒸汽流量和除所述主蒸汽流量之外的其他热力运行参数；
将所述热力运行参数的历史值作为训练样本输入初始预测模型，使用所述训练样本对所述初始预测模型进行机器学习训练得到所述目标预测模型，所述目标预测模型中保存有所述所述主蒸汽流量和所述其他热力运行参数之间的目标对应关系。
3.根据权利要求2所述的主蒸汽流量预测方法，其特征在于，所述获取所述热力运行参数的历史值包括：
按照秒级或者分钟级的采样区间对所述热力运行参数的历史值进行取样。
4.根据权利要求2所述的主蒸汽流量预测方法，其特征在于，所述将所述热力运行参数的历史值作为训练样本输入初始预测模型包括：
对所述热力运行参数的历史值进行除杂，得到所述热力运行参数的初始样本值；
将所述热力运行参数的初始样本值作为训练样本输入到所述初始预测模型。
5.根据权利要求4所述的主蒸汽流量预测方法，其特征在于，所述将所述热力运行参数的初始样本值作为训练样本输入到所述初始预测模型包括：
对所述热力运行参数的初始样本值进行关联性分析得到热力运行参数的中间样本值，所述热力运行参数的初始样本值包括主蒸汽流量的第一样本值和其他热力运行参数的第一样本值，所述热力运行参数的中间样本值包括主蒸汽流量的第一样本值和其他热力运行参数的第二样本值，所述其他热力运行参数的第二样本值通过对所述其他热力运行参数的第一样本值与所述主蒸汽流量的第一样本值进行关联性分析得到；
将所述热力运行参数的中间样本值作为训练样本输入到所述初始预测模型。
6.根据权利要求5所述的主蒸汽流量预测方法，其特征在于，所述将所述热力运行参数的中间样本值作为训练样本输入到所述初始预测模型包括：
将所述热力运行参数的中间样本值输入到高斯混合模型中进行聚类分析，得到至少一类的目标样本值集合，所述目标样本值集合是通过对所述热力运行参数的中间样本值按照预设的聚类标准进行聚类得到的，所述目标样本值集合包括所述主蒸汽流量的第一样本值和所述其他热力运行参数的第二样本值，且同一所述目标样本值集合中的所述主蒸汽流量的第一样本值和所述其他热力运行参数的第二样本值在取样时刻上具有对应性；
将所述目标样本值集合作为训练样本输入到所述初始预测模型。
7.根据权利要求6所述的主蒸汽流量预测方法，其特征在于，所述使用所述训练样本对所述初始预测模型进行机器学习训练得到所述目标预测模型包括：
使用所述目标样本值集合对所述初始预测模型进行机器学习训练，得到所述目标预测模型，所述目标预测模型中保存有所述目标对应关系，所述目标对应关系包括至少一种的分组对应关系，所述分组对应关系由所述目标样本值集合对所述初始预测模型进行机器学习训练得到，所述分组对应关系为每一个所述目标样本值集合中的所述第一主蒸汽流量值和所述第二热力运行参数值之间的对应关系；
所述将所述其他热力参数的实时值输入所述目标预测模型，得到所述目标预测模型依据所述目标对应关系输出主蒸汽流量的预测值包括：
将所述其他热力参数的实时值输入所述目标预测模型，所述目标预测模型根据预设的聚类标准选择所述目标对应关系中的第一分组对应关系，所述第一分组对应关系为所述分组对应关系中的一种；
根据所述第一分组对应关系输出所述其他热力参数的实时值对应的所述主蒸汽流量的预测值。
8.一种主蒸汽流量预测系统，其特征在于，包括：
获取单元，用于获取目标预测模型，所述目标预测模型由热力运行参数的历史值对初始预测模型进行机器学习训练得到，所述热力运行参数包括主蒸汽流量和除所述主蒸汽流量之外的其他热力运行参数，所述目标预测模型中保存有所述主蒸汽流量和所述其他热力运行参数之间的目标对应关系；
所述获取单元，还用于获取所述其他热力运行参数的实时值；
输出单元，用于将所述其他热力参数的实时值输入所述目标预测模型，得到所述目标预测模型依据所述目标对应关系输出主蒸汽流量的预测值。
9.一种主蒸汽流量预测系统，其特征在于，包括：
中央处理器，存储器以及输入输出接口；
所述存储器为短暂存储存储器或持久存储存储器；
所述中央处理器配置为与所述存储器通信，并执行所述存储器中的指令操作以执行权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1至7中任意一项所述的方法。
CN202111183543.8A 2021-10-11 2021-10-11 一种主蒸汽流量预测方法及其系统 Pending CN113919224A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111183543.8A CN113919224A (zh) 2021-10-11 2021-10-11 一种主蒸汽流量预测方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111183543.8A CN113919224A (zh) 2021-10-11 2021-10-11 一种主蒸汽流量预测方法及其系统

Publications (1)

Publication Number Publication Date
CN113919224A true CN113919224A (zh) 2022-01-11

Family

ID=79239256

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111183543.8A Pending CN113919224A (zh) 2021-10-11 2021-10-11 一种主蒸汽流量预测方法及其系统

Country Status (1)

Country Link
CN (1) CN113919224A (zh)

Similar Documents

Publication Publication Date Title
Yu et al. Recursive exponential slow feature analysis for fine-scale adaptive processes monitoring with comprehensive operation status identification
CN108803520B (zh) 一种基于变量非线性自相关性剔除的动态过程监测方法
CN109992921B (zh) 一种燃煤电厂锅炉热效率的在线软测量方法及系统
WO2016155241A1 (zh) 基于Kalman滤波器的容量预测方法、系统和计算机设备
US11003738B2 (en) Dynamically non-gaussian anomaly identification method for structural monitoring data
CN109143995B (zh) 质量相关慢特征分解的闭环系统精细运行状态监测方法
Jiang et al. Weighted kernel principal component analysis based on probability density estimation and moving window and its application in nonlinear chemical process monitoring
CN110245460B (zh) 一种基于多阶段oica的间歇过程故障监测方法
US10943174B2 (en) Anomaly identification method for structural monitoring data considering spatial-temporal correlation
CN105607631B (zh) 间歇过程弱故障模型控制限建立方法及弱故障监测方法
CN108664009A (zh) 基于相关分析的阶段划分和故障检测方法
Wang et al. Fault detection and identification using a Kullback-Leibler divergence based multi-block principal component analysis and Bayesian inference
CN113743531A (zh) 一种设备工况预警方法及相关装置
CN111445105A (zh) 基于目标值分析的电厂在线性能诊断方法及系统
CN110119579B (zh) 一种基于oica的复杂工业过程故障监测方法
CN113110961B (zh) 设备异常检测方法、装置、计算机设备及可读存储介质
CN111445132B (zh) 数据处理方法、数据处理系统及计算机存储介质
Wang et al. Orthogonal nonnegative matrix factorization based local hidden Markov model for multimode process monitoring
CN111188761B (zh) 一种基于Fourier-CVA模型面向机泵设备的监测方法
CN113919224A (zh) 一种主蒸汽流量预测方法及其系统
CN110956308A (zh) 基于时间序列的化工设备健康状态预测方法
CN113253682B (zh) 非线性化工过程故障检测方法
CN110288724B (zh) 一种基于小波函数主元分析的批次过程监测方法
CN114819743B (zh) 一种化工企业能耗诊断分析方法
CN111695300A (zh) 一种汽轮机阀门流量拟合方法及系统

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
TA01 Transfer of patent application right

Effective date of registration: 20240402

Address after: 518066 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.)

Applicant after: Shenzhen goes out new knowledge property right management Co.,Ltd.

Country or region after: China

Address before: 523000 Room 308, unit 1, building 18, no.6, Libin Road, Songshanhu Park, Dongguan City, Guangdong Province

Applicant before: CR POWER TECHNOLOGY INSTITUTE Co.,Ltd.

Country or region before: China

TA01 Transfer of patent application right