CN114167730B - 一种火电机组送风机整体健康状态评价方法、计算机及存储介质 - Google Patents
一种火电机组送风机整体健康状态评价方法、计算机及存储介质 Download PDFInfo
- Publication number
- CN114167730B CN114167730B CN202111497722.9A CN202111497722A CN114167730B CN 114167730 B CN114167730 B CN 114167730B CN 202111497722 A CN202111497722 A CN 202111497722A CN 114167730 B CN114167730 B CN 114167730B
- Authority
- CN
- China
- Prior art keywords
- blower
- data
- clustering
- value
- points
- 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 81
- 230000036541 health Effects 0.000 title claims abstract description 76
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000001914 filtration Methods 0.000 claims abstract description 23
- 238000011156 evaluation Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000013507 mapping Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000003064 k means clustering Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 24
- 238000010586 diagram Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 14
- 230000002776 aggregation Effects 0.000 claims description 13
- 238000004220 aggregation Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 9
- 238000007619 statistical method Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000013210 evaluation model Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 abstract description 4
- 229910052799 carbon Inorganic materials 0.000 abstract description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000010902 straw Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2137—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on criteria of topology preservation, e.g. multidimensional scaling or self-organising maps
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Probability & Statistics with Applications (AREA)
- Control Of Positive-Displacement Air Blowers (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提出一种火电机组送风机整体健康状态评价方法、计算机及存储介质,属于送风机健康状态评价技术领域。本发明利用送风机工艺结构与运行机理,结合送风机运行全工况的历史无故障数据和当前运行数据滤波、基于送风机运行工况特征参数对送风机运行工况利用K均值聚类算法方法进行送风机运行工况进行辨识划分、不同工况下的送风机状态特征参数采用等距特征映射算法进行降维特征提取、SOM神经网络等大数据智能分析算法,通过定义送风机整体健康评价指标,即整体健康因子来表征送风机运行过程中整体健康状态。解决现有技术中存在的无法及时消除机组安全隐患的技术问题。保证火电机组安全高效、清洁低碳、灵活智能的运行。
Description
技术领域
本申请涉及一种健康状态评价方法,尤其涉及一种火电机组送风机整体健康状态评价方法、计算机及存储介质,属于送风机健康状态评价技术领域。
背景技术
不论是生物质热电联产机组,还是煤电机组,送风机都是及其重要的辅机设备,一方面影响到锅炉炉膛的安全稳定燃烧,另一方面影响秸秆或煤等燃料的清洁高效利用。若送风机发生严重故障意外跳闸,容易引发锅炉MFT,造成非计划停机等严重后果。因此,开展火电机组送风机整体健康状态评价研究,对实现整个机组安全高效、灵活智能运行,降低运维费用具有重要意义。
运行中随着季节、机组负荷的变化,一方面会引起进入送风机空气参数的变化,另一方面也要求送风机不断调整动叶开度以满足机组对二次风量的要求.频繁的空气参数和动叶开度变化使得送风机具有运行工况复杂、多变的特点。电厂传统的根据预先设定的单一状态特征参数固定阈值进行送风机健康状态评价的方法已不能满足智能化机组运行的要求,无法及时消除安全隐患。
发明内容
在下文中给出了关于本发明的简要概述,以便提供关于本发明的某些方面的基本理解。应当理解,这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分,也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念,以此作为稍后论述的更详细描述的前序。
鉴于此,为解决现有技术中存在的无法及时消除机组安全隐患的技术问题,本发明提供一种火电机组送风机整体健康状态评价方法、计算机及存储介质。
方案一:本发明提供了一种火电机组送风机整体健康状态评价方法,具体包括以下步骤:
步骤一、采集送风机运行全工况的历史无故障数据和当前运行数据,并对数据进行滤波处理;
步骤二、对步骤一所述的处理后的数据进行归一化处理;
步骤三、基于送风机运行工况特征参数对送风机运行工况进行辨识划分;
步骤四、对步骤三所述的不同工况下的送风机状态特征参数进行降维特征提取;
步骤五、建立不同工况下基于SOM神经网络的送风机整体健康评价模型,并利用步骤四中对应工况下的降维特征数据进行SOM神经网络模型训练;
步骤六、定义送风机整体健康评价指标——整体健康因子;
步骤七、对送风机整体健康因子的时间序列进行统计分析,确定报警限值;
步骤八、在DCS中搭建送风机健康报警逻辑组态,当送风机整体健康因子低于报警限值时,DCS发出报警,完成对送风机在线整体健康状态分析。
优选的,步骤一所述采集送风机运行全工况的历史无故障数据和当前运行数据,并对数据进行滤波处理的具体方法,数据采集频率为10s~2min,采用卡尔曼滤波法对数据进行
滤波处理,处理过程如下:
X(k)=A*X(k-1)+B*U(k)+W(k)
Z(k)=H*X(k)+V(k)
式中,X(k)是k时刻的系统状态,U(k)是k时刻对系统的控制量;A和B是系统参数,对于多模型系统,A和B为矩阵;Z(k)是k时刻的测量值,H是测量系统的参数,对于多测量系统H为矩阵;W(k)和V(k)分别表示过程和测量的噪声;通过系统输入输出观测数据,对系统状态进行最优估计;由于观测数据中包括系统中的噪声和干扰的影响,所以最优估计看作是滤波过程。
优选的,步骤二所述对步骤一所述的处理后的数据进行归一化处理的具体方法是,采用最大最小归一化,通过下述公式实现:
其中x*为归一化后的数据,xmin为原始数据x的最小值,xmax为原始数据x的最大值。
优选的,步骤三所述基于送风机运行工况特征参数对送风机运行工况进行辨识划分的具体方法是,利用K均值聚类算法方法进行送风机运行工况辨识划分。
优选的,步骤四所述对不同工况下的送风机状态特征参数进行降维特征提取的具体方法是,采用等距特征映射算法。
优选的,步骤五所述对应工况下的降维特征数据进行SOM神经网络模型训练的具体方法是,包括以下步骤:
步骤五一、将权重Weighs初始化为很小的随机数;
步骤五二、随机取一个输入样本Xi;
步骤五三、遍历竞争层中每一个节点:计算Xi与节点之间的相似度,选取距离最小的节点作为优胜节点;
步骤五四、根据邻域半径确定优胜邻域包含的节点;并通过近邻关系函数计算它们各自更新的幅度;
步骤五五、更新优胜邻域内节点的权重;
步骤五六、完成一轮迭代,返回步骤五二,直到满足设定的迭代次数。
优选的,步骤六所述定义送风机整体健康评价指标——整体健康因子的具体方法是,通过下述公式实现:
式中:Xt为t时刻SOM模型输入变量;BMUt为t时刻SOM模型优胜节点;||Xt-BMUt||表示SOM模型输入变量与优胜节点之间的欧式距离;SFHIt为t时刻送风机整体健康因子,取值范围是[0,1],越接近1说明健康状态越好。
优选的,步骤七所述对送风机整体健康因子的时间序列进行统计分析,确定报警限值的具体方法是,采用核密度估计分析法,核密度表达式如下:
式中:为估计的概率密度值,n为样本数,h为窗宽,K为核函数;考虑到现场信号测量、传输过程的干扰等不确定性因素也可能会引起送风机整体健康因子下降,选定置信度为99.5%,采用高斯核函数,得到报警阈值。
方案二:一种计算机,包括存储器和处理器,存储器存储有计算机程序,所述的处理器执行所述计算机程序时实现方案一所述一种火电机组送风机整体健康状态评价方法的步骤。
方案三:一种计算机可读存储介质,其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方案一所述一种火电机组送风机整体健康状态评价方法。
本发明的有益效果如下:本发明利用送风机工艺结构与运行机理,结合数据滤波、工况辨识、特征降维、SOM神经网络等大数据智能分析算法,通过定义送风机整体健康评价指标,即整体健康因子来表征送风机运行过程中整体健康状态。本发明充分兼顾了送风机运行工况的多变性和状态信息的复杂性,避开了状态特征参数阈值设定的不确定性。并与DCS系统深度融合,可以提前分析出送风机运行异常状况,通过DCS报警提醒电厂运行人员重点关注,从而对送风机进行智能诊断和故障根源回溯,保证火电机组在“双碳”目标下安全高效、清洁低碳、灵活智能运行。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明的流程示意图;
图2为送风机出口风量卡尔曼滤波示意图;
图3为送风机不同工况聚类数目下簇内误方差示意图;
图4为送风机不同工况聚类数目下轮廓系数示意图;
图5为送风机运行工况划分示意图;
图6为送风机整体健康因子核密度估计示意图;
图7为送风机健康报警DCS组态示意图;
图8为送风机在线整体健康状态评价示意图;
图9为送风机在线整体健康状态评价DCS输出示意图。
具体实施方式
为了使本申请实施例中的技术方案及优点更加清楚明白,以下结合附图对本申请的示例性实施例进行进一步详细的说明,显然,所描述的实施例仅是本申请的一部分实施例,而不是所有实施例的穷举。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
实施例1、参照图1-图9说明本实施方式,一种火电机组送风机整体健康状态评价方法,首先根据送风机工艺结构与运行机理,结合电厂DCS系统,挑选与送风机相关的状态特征参数,包含热力性能参数和振动类参数;其中热力性能参数为:送风机入口风温、送风机电动调节挡板位置反馈、送风机电机回路电流、送风机出口风量、送风机出口压力、送风机前轴承温度、送风机后轴承温度;振动类参数为:送风机前轴承X向振动、送风机前轴承Y向振动、送风机后轴承X向振动、送风机后轴承Y向振动。具体包括以下步骤:
步骤一、采集送风机运行全工况的历史无故障数据和当前运行数据,并对数据进行滤波处理;
具体的,采集送风机运行全工况的历史无故障数据和当前运行数据的采集频率为10s~2min;
具体的,对数据进行滤波处理采用的是卡尔曼滤波法对数据进行滤波处理,卡尔曼滤波(Kalman filtering)是一种利用线性系统状态方程,处理过程如下:
X(k)=A*X(k-1)+B*U(k)+W(k)
Z(k)=H*X(k)+V(k)
式中,X(k)是k时刻的系统状态,U(k)是k时刻对系统的控制量;A和B是系统参数,对于多模型系统,A和B为矩阵;Z(k)是k时刻的测量值,H是测量系统的参数,对于多测量系统H为矩阵;W(k)和V(k)分别表示过程和测量的噪声;通过系统输入输出观测数据,对系统状态进行最优估计;由于观测数据中包括系统中的噪声和干扰的影响,所以最优估计看作是滤波过程。
步骤二、对步骤一所述的处理后的数据进行归一化处理;
具体的,采用最大最小归一化,通过下述公式实现:
其中x*为归一化后的数据,xmin为原始数据x的最小值,xmax为原始数据x的最大值。
步骤三、基于送风机运行工况特征参数对送风机运行工况利用K均值聚类算法方法进行送风机运行工况进行辨识划分;
具体的,送风机运行工况特征参数为送风机入口风温和送风机电动调节挡板位置反馈。
K-means算法采用距离作为相似性评价指标进行划分。首先从数据样本中随机选用k个点作为初始的聚类中心,其次计算并比较样本点到k个聚类中心点的距离,把样本点划分到距离最近的聚类中心所在的簇。计算每一次分类后形成的簇中样本数据的平均值作为新的聚类中心,不断重复这个过程,直至准则函数收敛。
式中:SSE是数据库中所有对象的平方误差的总和,Si是第i类工况,xj是第i类的样本点,mi为各类聚类子集的聚类中心。在K-means聚类中,采用“手肘法”与轮廓系数法两种方法确定最佳聚类数k。
1)手肘法:随着聚类数k的增大,样本划分会更加精细,每个簇的聚合程度会逐渐提高,那么误差平方和SSE自然会逐渐变小。并且当k小于真实聚类数时,由于k的增大会大幅增加每个簇的聚合程度,故SSE的下降幅度会很大,而当k到达真实聚类数时,再增加k所得到的聚合程度回报会迅速变小,所以SSE的下降幅度会骤减,然后随着k值的继续增大而趋于平缓,也就是说SSE和k的关系图是一个手肘的形状,而这个肘部对应的k值就是送风机运行工况空间的最佳聚类数。
2)轮廓系数法:轮廓系数(Silhouette Coefficient)作为聚类效果好坏的一种评价方式,其表达式如下:
式中,i代表一个向量,a(i)代表i向量到同一簇内其他点不相似程度的平均值,b(i)代表i向量到其他簇的平均不相似程度的最小值。所有样本的S(i)的均值称为聚类结果的轮廓系数,定义为S,是该聚类是否合理、有效的度量。轮廓系数的取值在[-1,1]之间,值越大,聚类效果越好。
步骤四、对步骤三所述的不同工况下的送风机状态特征参数采用等距特征映射算法进行降维特征提取;
等距特征映射算法(Isometric Feature Mapping,ISOMAP)。ISOMAP是一种非线性的全局优化降维算法,能够保持数据的全局特性,用测地线距离代替欧式距离,在将高维数据映射到低维空间时保持测地线距离不变。设原始高维数据为X=[x1,x2,…xm]T∈Rm×n,降维后的数据为Y=[y1,y2,…ym]T∈Rm×d;其中m为样本数,n为原始变量维度,d为降维后的变量维度。主要包括以下核心处理过程:
1)构建领域图:在高维空间中将每个数据点与邻居点(预先确定邻域范围或邻居个数)相连,进而构造领域图G,两点间的输入空间距离为dx(i,j)。
2)计算流形中两点间的最短距离dx(i,j):在邻域图G上,对任意两点之间计算其最短距离,若两点之间连接时dG(i,j)=dx(i,j),否则dG(i,j)=∞。
使用Floyd算法,对k=1,2,…N,轮流以min{dG(i,j),dG(i,k)+dG(k,j)}来替代dx(i,j),最终得到的矩阵DG={dG(i,j)}包含G中所有点两两之间的最短距离,此时dx(i,j)近似地线距离。
3)构建d维嵌入:在测地线距离矩阵DG上使用MDS算法,计算m个数据点的d维映射。
步骤五、建立不同工况下基于SOM神经网络的送风机整体健康评价模型,并利用步骤四中对应工况下的降维特征数据进行SOM神经网络模型训练;
其中SOM神经网络即自组织映射神经网络(Self-organizing map,SOM),是一种无监督的人工神经网络。不同于一般神经网络基于损失函数的反向传递来训练,它运用竞争学习策略,依靠神经元之间互相竞争逐步优化网络。且使用近邻关系函数来维持输入空间的拓扑结构。其训练计算过程如下:
步骤五一、将权重weighs初始化为很小的随机数;
步骤五二、随机取一个输入样本Xi;
步骤五三、遍历竞争层中每一个节点:计算Xi与节点之间的相似度,选取距离最小的节点作为优胜节点;
步骤五四、根据邻域半径确定优胜邻域包含的节点;并通过近邻关系函数计算它们各自更新的幅度,主要基本思想是:越靠近优胜节点,更新幅度越大;越远离优胜节点,更新幅度越小;
步骤五五、更新优胜邻域内节点的权重;
步骤五六、完成一轮迭代,返回步骤五二,直到满足设定的迭代次数。
步骤六、定义送风机整体健康评价指标——整体健康因子;通过下述公式实现:
式中:Xt为t时刻SOM模型输入变量;BMUt为t时刻SOM模型优胜节点;||Xt-BMUt||表示SOM模型输入变量与优胜节点之间的欧式距离;SFHIt为t时刻送风机整体健康因子,取值范围是[0,1],越接近1说明健康状态越好。
步骤七、对送风机整体健康因子的时间序列采用核密度估计分析法进行统计分析,确定报警限值;核密度估计分析法的核密度表达式如下:
式中:为估计的概率密度值,n为样本数,h为窗宽,K为核函数;考虑到现场信号测量、传输过程的干扰等不确定性因素也可能会引起送风机整体健康因子下降,选定置信度为99.5%,采用高斯核函数,得到报警阈值。
步骤八、在DCS中搭建送风机健康报警逻辑组态,当送风机整体健康因子低于报警限值时,DCS发出报警,完成对送风机在线整体健康状态分析。
具体的,报警组态如图7所示,低限值为步骤七中得到的报警阈值。当送风机整体健康因子实时值超限时DCS发出报警(正常运行条件下DCS输出为0,当DCS报警时输出为1),并可以通过KEYBOARD块消除报警信号。即当PKl按下时,消除报警信号,报警模块不起作用;当PK2按下时,恢复报警模块的作用。
实施例2、以某电厂350MW超临界火电机组A送风机为具体实施例,并结合附图对本发明作进一步的详细说明。
首先根据送风机工艺结构与运行机理,结合电厂DCS系统,挑选与送风机相关的状态特征参数,包含热力性能参数和振动类参数。
步骤一、从机组数据库中采集筛选包含送风机运行全工况的历史无故障数据和当前运行数据,考虑到采集的测量数据会存在失真异常点及高频噪声,故对采集数据进行滤波处理。本实施例中,以送风机出口风量为例,滤波前后数据对比如图2所示。
步骤二、对步骤一中所有滤波后的数据进行归一化处理,来消除送风机状态特征参数之间的量纲影响。
步骤三、考虑到送风机工况多变,基于送风机运行工况特征参数对送风机运行工况进行辨识划分,以提高后续步骤模型分析精度。本实施例中送风机运行工况划分为3类,具体辨识划分结果如图5所示。
步骤四、由于送风机原始状态特征参数维度高且具有非线性特点,故对步骤三中不同工况下的送风机状态特征参数进行降维特征提取。本实施例中,降维后的状态特征为5个。
步骤五、建立不同工况下基于SOM神经网络的送风机整体健康评价模型,并利用步骤四中对应工况下的降维特征数据进行SOM神经网络模型训练。
步骤六、定义合理的送风机整体健康评价指标——整体健康因子,来表征送风机运行过程中整体健康状态。
步骤七、对送风机整体健康因子的时间序列进行统计分析,从而确定报警限值。本实施例中报警阈值为0.493。
步骤八、在DCS中搭建送风机健康报警逻辑组态,当送风机整体健康因子低于报警限值时,DCS发出报警。
步骤九、利用送风机的实测运行数据,计算送风机运行实时的整体健康因子,通过与DCS的深度融合,从而完成对于送风机在线整体健康状态分析。某次送风机运行故障,整体健康状态评价示例如图8所示,DCS输出如图9所示。
具体的:与送风机相关的热力性能参数和振动类参数,其中热力性能参数为:机组功率、送风机入口风温、送风机电动调节挡板位置反馈、送风机电机回路电流、送风机出口风量、送风机出口压力、送风机前轴承温度、送风机后轴承温度;振动类参数为:送风机前轴承X向振动、送风机前轴承Y向振动、送风机后轴承X向振动、送风机后轴承Y向振动。
具体的:在步骤一中所述的从机组数据库中采集筛选包含送风机运行全工况的历史无故障数据和当前运行数据,数据采集频率可以为10s~2min,本实施例中采集频率为1min。对采集数据进行滤波处理,采用的是卡尔曼滤波法,卡尔曼滤波(Kalman filtering)是一种利用线性系统状态方程,常见的模型如下式所示:
X(k)=A*X(k-1)+B*U(k)+W(k)
Z(k)=H*X(k)+V(k)
式中,X(k)是k时刻的系统状态,U(k)是k时刻对系统的控制量。A和B是系统参数,对于多模型系统,A和B为矩阵。Z(k)是k时刻的测量值,H是测量系统的参数,对于多测量系统H为矩阵。W(k)和V(k)分别表示过程和测量的噪声。通过系统输入输出观测数据,对系统状态进行最优估计。由于观测数据中包括系统中的噪声和干扰的影响,所以最优估计看作是滤波过程。
具体的:在步骤二中所述的归一化处理采用最大最小归一化,具体公式为:
其中x*为归一化后的数据,xmin为原始数据x的最小值,xmax为原始数据x的最大值。
具体的:在步骤三中所述的基于送风机运行工况特征参数对送风机运行工况进行辨识划分,送风机运行工况特征参数为送风机入口风温和送风机电动调节挡板位置反馈。并利用K均值聚类算法方法进行送风机运行工况辨识划分。K-means算法采用距离作为相似性评价指标进行划分。首先从数据样本中随机选用k个点作为初始的聚类中心,其次计算并比较样本点到k个聚类中心点的距离,把样本点划分到距离最近的聚类中心所在的簇。计算每一次分类后形成的簇中样本数据的平均值作为新的聚类中心,不断重复这个过程,直至准则函数收敛。
式中:SSE是数据库中所有对象的平方误差的总和,Si是第i类工况,xj是第i类的样本点,mi为各类聚类子集的聚类中心。在K-means聚类中,采用“手肘法”与轮廓系数法两种方法确定最佳聚类数k。
1)手肘法:随着聚类数k的增大,样本划分会更加精细,每个簇的聚合程度会逐渐提高,那么误差平方和SSE自然会逐渐变小。并且当k小于真实聚类数时,由于k的增大会大幅增加每个簇的聚合程度,故SSE的下降幅度会很大,而当k到达真实聚类数时,再增加k所得到的聚合程度回报会迅速变小,所以SSE的下降幅度会骤减,然后随着k值的继续增大而趋于平缓,也就是说SSE和k的关系图是一个手肘的形状,而这个肘部对应的k值就是送风机运行工况空间的最佳聚类数。本实施例中,手肘处工况聚类数k=3,具体如图3所示。
2)轮廓系数法:轮廓系数(Silhouette Coefficient)作为聚类效果好坏的一种评价方式,其表达式如下:
式中,i代表一个向量,a(i)代表i向量到同一簇内其他点不相似程度的平均值,b(i)代表i向量到其他簇的平均不相似程度的最小值。所有样本的S(i)的均值称为聚类结果的轮廓系数,定义为S,是该聚类是否合理、有效的度量。轮廓系数的取值在[-1,1]之间,值越大,聚类效果越好。本实施例中,工况聚类数k=3时,轮廓系数S最大,S=0.4795,具体如图4所示。
具体的:在步骤四中所述的归一化后出的送风机状态特征参数进行降维特征提取,采用的是等距特征映射算法(Isometric Feature Mapping,ISOMAP)。。ISOMAP是一种非线性的全局优化降维算法,能够保持数据的全局特性,用测地线距离代替欧式距离,在将高维数据映射到低维空间时保持测地线距离不变。设原始高维数据为X=[x1,x2,…xm]T∈Rm ×n,降维后的数据为Y=[y1,y2,…ym]T∈Rm×d;其中m为样本数,n为原始变量维度,d为降维后的变量维度。主要包括以下核心环节:
1)构建领域图:在高维空间中将每个数据点与邻居点(预先确定邻域范围或邻居个数)相连,进而构造领域图G,两点间的输入空间距离为dx(i,j)。
2)计算流形中两点间的最短距离dx(i,j):在邻域图G上,对任意两点之间计算其最短距离,若两点之间连接时dG(i,j)=dx(i,j),否则dG(i,j)=∞。
使用Floyd算法,对k=1,2,…N,轮流以min{dG(i,j),dG(i,k)+dG(k,j)}来替代dx(i,j),最终得到的矩阵DG={dG(i,j)}包含G中所有点两两之间的最短距离,此时dx(i,j)近似地线距离。
3)构建d维嵌入:在测地线距离矩阵DG上使用MDS算法,计算m个数据点的d维映射。
具体的:在步骤五中所述的建立不同工况下基于SOM神经网络的送风机整体健康评价模型,其中SOM神经网络即自组织映射神经网络(Self-organizing map,SOM),是一种无监督的人工神经网络。不同于一般神经网络基于损失函数的反向传递来训练,它运用竞争学习策略,依靠神经元之间互相竞争逐步优化网络。且使用近邻关系函数来维持输入空间的拓扑结构。其训练计算过程如下:
1)与其他神经网络相同,需要将权重Weighs初始化为很小的随机数;
2)随机取一个输入样本Xi;
3)遍历竞争层中每一个节点:计算Xi与节点之间的相似度(可选择欧式距离),选取距离最小的节点作为优胜节点,也叫最佳匹配节点(best matching unit,BMU);
4)根据邻域半径确定优胜邻域包含的节点;并通过近邻关系函数计算它们各自更新的幅度,主要基本思想是:越靠近优胜节点,更新幅度越大;越远离优胜节点,更新幅度越小;
5)更新优胜邻域内节点的权重;
6)完成一轮迭代,返回2)步,直到满足设定的迭代次数。
具体的:在步骤六中所述的定义合理的送风机整体健康评价指标——整体健康因子,其表达式为:
式中:Xt为t时刻SOM模型输入变量;BMUt为t时刻SOM模型优胜节点;||Xt-BMUt||表示SOM模型输入变量与优胜节点之间的欧式距离。SFHIt为t时刻送风机整体健康因子,取值范围是[0,1],越接近1说明健康状态越好。
具体的:在步骤七中所述的对送风机整体健康因子的时间序列进行统计分析,从而确定报警阈值。采用的是核密度估计分析法,核密度表达式如下:
式中:为估计的概率密度值,n为样本数,h为窗宽,K为核函数。
考虑到现场信号测量、传输过程的干扰等不确定性因素也可能会引起送风机整体健康因子下降,本实施例中选定置信度为99.5%,采用高斯核函数,具体核密度估计如图6所示,得到报警阈值为0.493。
具体的:在步骤八中所述的在DCS中搭建送风机健康报警逻辑组态,当送风机整体健康因子低于报警限值时,DCS发出报警。报警组态如图7所示,低限值为步骤七中得到的报警阈值。当送风机整体健康因子实时值超限时DCS发出报警(正常运行条件下DCS输出为0,当DCS报警时输出为1),并可以通过KEYBOARD块消除报警信号。即当PK1按下时,消除报警信号,报警模块不起作用;当PK2按下时,恢复报警模块的作用。
实施例3、本发明的计算机装置可以是包括有处理器以及存储器等装置,例如包含中央处理器的单片机等。并且,处理器用于执行存储器中存储的计算机程序时实现上述的基于CREO软件的可修改由关系驱动的推荐数据的推荐方法的步骤。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
实施例4、计算机可读存储介质实施例
本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质,包括但不限于非易失性存储器、易失性存储器、铁电存储器等,计算机可读存储介质上存储有计算机程序,当计算机装置的处理器读取并执行存储器中所存储的计算机程序时,可以实现上述的基于CREO软件的可修改由关系驱动的建模数据的建模方法的步骤。
所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
尽管根据有限数量的实施例描述了本发明,但是受益于上面的描述,本技术领域内的技术人员明白,在由此描述的本发明的范围内,可以设想其它实施例。此外,应当注意,本说明书中使用的语言主要是为了可读性和教导的目的而选择的,而不是为了解释或者限定本发明的主题而选择的。因此,在不偏离所附权利要求书的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围,对本发明所做的公开是说明性的,而非限制性的,本发明的范围由所附权利要求书限定。
Claims (6)
1.一种火电机组送风机整体健康状态评价方法,其特征在于,具体包括以下步骤:
步骤一、采集送风机运行全工况的历史无故障数据和当前运行数据,并对数据进行滤波处理;
步骤二、对步骤一中处理后的数据进行归一化处理;
步骤三、基于送风机运行工况特征参数对送风机运行工况进行辨识划分,具体方法是,利用K均值聚类算法方法进行送风机运行工况辨识划分,包括:设置送风机运行工况特征参数为送风机入口风温和送风机电动调节挡板位置反馈,基于送风机运行工况特征参数对送风机运行工况进行辨识划分,将送风机运行工况划分为3类;
采用K-means算法首先从数据样本中随机选用k个点作为初始的聚类中心,其次计算并比较样本点到k个聚类中心点的距离,把样本点划分到距离最近的聚类中心所在的簇,计算每一次分类后形成的簇中样本数据的平均值作为新的聚类中心,不断重复这个过程,直至准则函数收敛,采用公式计算:
;
式中:SSE是数据库中所有对象的平方误差的总和,Si是第i类工况,xj是第j类的样本点,mi为各类聚类子集的聚类中心,在K-means聚类中,采用“手肘法”或轮廓系数法确定最佳聚类数k;
手肘法:随着聚类数k的增大,样本划分会更加精细,每个簇的聚合程度会逐渐提高,那么误差平方和SSE自然会逐渐变小,并且当k小于真实聚类数时,由于k的增大会大幅增加每个簇的聚合程度,故SSE的下降幅度会很大,而当k到达真实聚类数时,再增加k所得到的聚合程度回报会迅速变小,所以SSE的下降幅度会骤减,然后随着k值的继续增大而趋于平缓,也就是说SSE和k的关系图是一个手肘的形状,而这个肘部对应的k值就是送风机运行工况空间的最佳聚类数;
轮廓系数法:轮廓系数作为聚类效果好坏的一种评价方式,其表达式如下:
;
式中,ii代表一个向量,a(ii)代表ii向量到同一簇内其他点不相似程度的平均值,b(ii)代表ii向量到其他簇的平均不相似程度的最小值,所有样本的S(ii)的均值称为聚类结果的轮廓系数,定义为S,是该聚类是否合理、有效的度量,轮廓系数的取值在[-1,1]之间,值越大,聚类效果越好;
步骤四、对步骤三中不同工况下的送风机状态特征参数进行降维特征提取,具体方法是,采用等距特征映射算法,等距特征映射算法核心处理过程包括:
1)构建领域图:在高维空间中将每个数据点与邻居点相连,进而构造领域图G,两点间的输入空间距离为dx(i1,j1);
2)计算流形中两点间的最短距离dG(i1,j1):在邻域图G上,对任意两点之间计算其最短距离,若两点之间连接时dG(i1,j1)=dx(i1,j1),否则dG(i1,j1)=∞;使用Floyd算法,对k1=1,2,…N,轮流以min{dG(i1,j1),dG(i1,k1)+dG(k1,j1)}来替代dx(i1,j1),最终得到的矩阵DG={dG(i1,j1)}包含G中所有点两两之间的最短距离,此时dx(i1,j1)近似地线距离;
3)构建d维嵌入:在测地线距离矩阵DG上使用MDS算法,计算m个数据点的d维映射;
步骤五、建立不同工况下基于SOM神经网络的送风机整体健康评价模型,并利用步骤四中对应工况下的降维特征数据进行SOM神经网络模型训练,具体方法是,包括以下步骤:
步骤五一、将权重Weighs初始化为很小的随机数;
步骤五二、随机取一个输入样本Xi;
步骤五三、遍历竞争层中每一个节点:计算Xi与节点之间的相似度,选取距离最小的节点作为优胜节点;
步骤五四、根据邻域半径确定优胜邻域包含的节点;并通过近邻关系函数计算它们各自更新的幅度;
步骤五五、更新优胜邻域内节点的权重;
步骤五六、完成一轮迭代,返回步骤五二,直到满足设定的迭代次数;
步骤六、定义送风机整体健康评价指标——整体健康因子,具体方法是,通过下述公式实现:
;
式中:Xt为t时刻SOM模型输入变量;BMUt为t时刻SOM模型优胜节点;||Xt-BMUt||表示SOM模型输入变量与优胜节点之间的欧式距离;OHFt为t时刻送风机整体健康因子,取值范围是[0,1],越接近1健康状态越好;
步骤七、对送风机整体健康因子的时间序列进行统计分析,确定报警限值;
步骤八、在DCS中搭建送风机健康报警逻辑组态,当送风机整体健康因子低于报警限值时,DCS发出报警,完成对送风机在线整体健康状态分析。
2.根据权利要求1所述的方法,其特征在于,步骤一所述采集送风机运行全工况的历史无故障数据和当前运行数据,并对数据进行滤波处理的具体方法,数据采集频率为10s~2min,采用卡尔曼滤波法对数据进行滤波处理,处理过程如下:
X(p)=A*X(p-1)+B*U(p)+W(p)
Z(k)=H*X(p)+V(p)
式中,X(p)是p时刻的系统状态,U(p)是p时刻对系统的控制量;A和B是系统参数,对于多模型系统,A和B为矩阵;Z(p)是p时刻的测量值,H是测量系统的参数,对于多测量系统H为矩阵;W(p)和V(p)分别表示过程和测量的噪声。
3.根据权利要求2所述的方法,其特征在于,步骤二所述对步骤一中处理后的数据进行归一化处理的具体方法是,采用最大最小归一化,通过下述公式实现:
;
其中x*为归一化后的数据,xmin为原始数据x的最小值,xmax为原始数据x的最大值。
4.根据权利要求3所述的方法,其特征在于,步骤七所述对送风机整体健康因子的时间序列进行统计分析,确定报警限值的具体方法是,采用核密度估计分析法,核密度表达式如下:
;
式中:为估计的概率密度值,n为样本数,h为窗宽,K为核函数;选定置信度为99.5%,采用高斯核函数,得到报警阈值。
5.一种计算机,其特征在于,包括存储器和处理器,存储器存储有计算机程序,所述的处理器执行所述计算机程序时实现权利要求1至4任一项所述的方法的步骤。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111497722.9A CN114167730B (zh) | 2021-12-09 | 2021-12-09 | 一种火电机组送风机整体健康状态评价方法、计算机及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111497722.9A CN114167730B (zh) | 2021-12-09 | 2021-12-09 | 一种火电机组送风机整体健康状态评价方法、计算机及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114167730A CN114167730A (zh) | 2022-03-11 |
CN114167730B true CN114167730B (zh) | 2024-05-03 |
Family
ID=80484877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111497722.9A Active CN114167730B (zh) | 2021-12-09 | 2021-12-09 | 一种火电机组送风机整体健康状态评价方法、计算机及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114167730B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117193123A (zh) * | 2023-10-07 | 2023-12-08 | 中煤能源研究院有限责任公司 | 一种煤矸石活化监控系统及其控制方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103887815A (zh) * | 2014-02-21 | 2014-06-25 | 华南理工大学 | 基于运行数据的风电场参数辨识及动态等值方法 |
EP3026510A1 (en) * | 2014-11-26 | 2016-06-01 | General Electric Company | Methods and systems for enhancing control of power plant generating units |
US9904659B1 (en) * | 2012-10-11 | 2018-02-27 | Trigeminal Solutions, Inc. | Technique for identifying association variables |
CN109118384A (zh) * | 2018-07-16 | 2019-01-01 | 湖南优利泰克自动化系统有限公司 | 一种风电机组健康预警方法 |
CN110410282A (zh) * | 2019-07-24 | 2019-11-05 | 河北工业大学 | 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法 |
CN111709490A (zh) * | 2020-06-24 | 2020-09-25 | 河北工业大学 | 一种基于gru神经网络的风机健康状态评估方法 |
CN112067335A (zh) * | 2020-09-03 | 2020-12-11 | 华能国际电力股份有限公司玉环电厂 | 一种基于多元状态估计的电厂送风机故障预警方法 |
CN112633331A (zh) * | 2020-12-07 | 2021-04-09 | 东南大学 | 一种基于自编码器的火电厂辅机健康状态评估方法 |
CN112700162A (zh) * | 2021-01-12 | 2021-04-23 | 上海电气集团股份有限公司 | 轨道交通空调运行状态的评估方法及装置 |
CN112836941A (zh) * | 2021-01-14 | 2021-05-25 | 哈电发电设备国家工程研究中心有限公司 | 一种煤电机组汽轮机高加系统在线健康状况评估方法 |
CN113420509A (zh) * | 2021-07-07 | 2021-09-21 | 华能(浙江)能源开发有限公司清洁能源分公司 | 一种风电机组状态评价方法、装置及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8954365B2 (en) * | 2012-06-21 | 2015-02-10 | Microsoft Corporation | Density estimation and/or manifold learning |
US10902368B2 (en) * | 2014-03-12 | 2021-01-26 | Dt360 Inc. | Intelligent decision synchronization in real time for both discrete and continuous process industries |
-
2021
- 2021-12-09 CN CN202111497722.9A patent/CN114167730B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9904659B1 (en) * | 2012-10-11 | 2018-02-27 | Trigeminal Solutions, Inc. | Technique for identifying association variables |
CN103887815A (zh) * | 2014-02-21 | 2014-06-25 | 华南理工大学 | 基于运行数据的风电场参数辨识及动态等值方法 |
EP3026510A1 (en) * | 2014-11-26 | 2016-06-01 | General Electric Company | Methods and systems for enhancing control of power plant generating units |
CN109118384A (zh) * | 2018-07-16 | 2019-01-01 | 湖南优利泰克自动化系统有限公司 | 一种风电机组健康预警方法 |
CN110410282A (zh) * | 2019-07-24 | 2019-11-05 | 河北工业大学 | 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法 |
CN111709490A (zh) * | 2020-06-24 | 2020-09-25 | 河北工业大学 | 一种基于gru神经网络的风机健康状态评估方法 |
CN112067335A (zh) * | 2020-09-03 | 2020-12-11 | 华能国际电力股份有限公司玉环电厂 | 一种基于多元状态估计的电厂送风机故障预警方法 |
CN112633331A (zh) * | 2020-12-07 | 2021-04-09 | 东南大学 | 一种基于自编码器的火电厂辅机健康状态评估方法 |
CN112700162A (zh) * | 2021-01-12 | 2021-04-23 | 上海电气集团股份有限公司 | 轨道交通空调运行状态的评估方法及装置 |
CN112836941A (zh) * | 2021-01-14 | 2021-05-25 | 哈电发电设备国家工程研究中心有限公司 | 一种煤电机组汽轮机高加系统在线健康状况评估方法 |
CN113420509A (zh) * | 2021-07-07 | 2021-09-21 | 华能(浙江)能源开发有限公司清洁能源分公司 | 一种风电机组状态评价方法、装置及存储介质 |
Non-Patent Citations (2)
Title |
---|
基于PSO优化核主元分析的海上风电机组运行工况分类;郑小霞;李美娜;王靖;任浩翰;符杨;;电力系统保护与控制;20160815(第16期);第28-35页 * |
电站风机故障智能预警技术的应用研究;王博等;热能动力工程;20171031(第10期);第74-78、150-151页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114167730A (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Balakrishnan et al. | A study of the classification capabilities of neural networks using unsupervised learning: A comparison with K-means clustering | |
CN110795690A (zh) | 风电场运行异常数据检测方法 | |
KR102215690B1 (ko) | 시계열의 데이터를 모니터링 하는 방법 및 그 장치 | |
CN110674120A (zh) | 一种风电场数据清洗方法及装置 | |
CN111525587B (zh) | 一种基于无功负荷态势的电网无功电压控制方法及系统 | |
CN114167730B (zh) | 一种火电机组送风机整体健康状态评价方法、计算机及存储介质 | |
Shi et al. | Dynamic barycenter averaging kernel in RBF networks for time series classification | |
CN114066071A (zh) | 一种基于能耗的电力参数优化方法、终端设备及存储介质 | |
CN115423013A (zh) | 电力系统运行方式分类方法、装置、设备及介质 | |
CN110427019B (zh) | 一种基于多变量判别分析的工业过程故障分类方法及控制装置 | |
CN114781520A (zh) | 基于改进lof模型的天然气行为异常检测方法及系统 | |
CN113221442A (zh) | 一种电厂设备健康评估模型的构建方法及装置 | |
Chi et al. | Integration of ant colony SOM and k-means for clustering analysis | |
CN114662624B (zh) | 基于可再训练孪生网络的非侵入式负荷识别方法及系统 | |
CN112949954A (zh) | 基于识别学习建立财务欺诈识别模型的方法 | |
CN112711913B (zh) | 基于粒度支持向量机的冷热电短期负荷预测系统及方法 | |
Pan et al. | Multi-agent evolutionary clustering algorithm based on manifold distance | |
CN112270364A (zh) | 基于滤波的图聚类方法 | |
Martín-Merino et al. | A new SOM algorithm for electricity load forecasting | |
KR102398986B1 (ko) | 고로쇠 수액 출수량 예측 시스템 | |
CN112465253A (zh) | 一种城市路网中的链路预测方法及装置 | |
Tambouratzis | Counter-clustering for training pattern selection | |
CN111291808A (zh) | 数据处理方法、数据处理装置、空调系统和存储介质 | |
CN115423148B (zh) | 一种基于克里金法和决策树的农机作业性能预测方法与装置 | |
Zorin | Stock price prediction: Kohonen versus backpropagation |
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 |