CN114488798B - 基于数据协调的二次再热机组性能监测与运行优化方法 - Google Patents
基于数据协调的二次再热机组性能监测与运行优化方法 Download PDFInfo
- Publication number
- CN114488798B CN114488798B CN202210020038.XA CN202210020038A CN114488798B CN 114488798 B CN114488798 B CN 114488798B CN 202210020038 A CN202210020038 A CN 202210020038A CN 114488798 B CN114488798 B CN 114488798B
- Authority
- CN
- China
- Prior art keywords
- monitoring
- data
- unit
- component
- sub
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003303 reheating Methods 0.000 title claims abstract description 46
- 238000005457 optimization Methods 0.000 claims abstract description 67
- 238000013178 mathematical model Methods 0.000 claims abstract description 52
- 238000005259 measurement Methods 0.000 claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 22
- 230000007246 mechanism Effects 0.000 claims abstract description 18
- 230000010354 integration Effects 0.000 claims abstract description 16
- 230000004044 response Effects 0.000 claims abstract description 16
- 230000009471 action Effects 0.000 claims abstract description 15
- 230000036541 health Effects 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims description 17
- 230000005856 abnormality Effects 0.000 claims description 8
- 238000003745 diagnosis Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000013461 design Methods 0.000 description 10
- 238000011160 research Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 238000005293 physical law Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000010977 unit operation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000003672 processing method Methods 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F22—STEAM GENERATION
- F22B—METHODS OF STEAM GENERATION; STEAM BOILERS
- F22B35/00—Control systems for steam boilers
- F22B35/18—Applications of computers to steam boiler control
Abstract
本发明公开了基于数据协调的二次再热机组性能监测与运行优化方法,其中,该方法包括:研究影响热力系统主要部件特性的主导因素及作用机制,获得全工况范围内的部件特性曲线,建立热力系统关键部件的全工况高精度数学模型;利用机组热力参数的测量冗余信息,采用数据协调算法降低关键数据的测量不确定度;为部件的健康状况监测提供准确应达值,并通过监测值和应达值的比较实现多种性能监测功能;在全工况高精度数学模型基础上,通过整体集成获得系统优化模型,通过情景假设计算获得机组的优化潜力以及参数调整以实现机组实时运行优化。本发明利用运行数据的测量冗余信息,采用数据协调的方法,有效降低了关键测量数据的不确定度,提高了监测精度。
Description
技术领域
本发明涉及火力发电设备性能监测和运行优化领域,尤其涉及一种基于数据协调的二次再热机组性能监测与运行优化方法和装置。
背景技术
电厂各个热力设备在运行一段时间后,由于设备老化、内部结垢、运行参数偏离等原因,会发生与设计状态性能不一致的问题,因此针对热力设备的性能监测和运行优化是相当必要的。
数据协调是利用系统的测量冗余处理测量误差的数学方法,其核心思想是对测量数据进行校正,有效降低数据的不确定度,使得校正后的测量数据既满足质量平衡、能量平衡等物理定律,又与原始测量值偏差的加权平方和最小,权重为测量数据的准确程度。
二次再热机组的热力系统存在大量的测量冗余,测量冗余的存在使得可以在不更换测量仪表的情况下减小测量数据的不确定度。在电厂的热力系统中,有学者利用数据协调减小了机组运行数据的不确定度。尽管已经有前人研究过数据协调在火电机组热力系统中的应用,但大都为局部热力系统,且都是一次再热机组,尚未开展过二次再热机组热力系统的数据协调研究。二次再热机组的热力系统相比一次再热有较大的变化,复杂程度有较大的提升,这给热力系统数据协调的构建及求解带来了新的挑战,需要进一步研究。
目前现有的技术方案多是笼统地从整体运行性能的角度出发,采用相关的性能指标计算公式,进行整体性能估算。由于实时测量数据存在误差的影响,以及一些需要的数据无法直接测量的原因,计算处理过程中采用了较多的经验公式、拟合系数等折中办法,计算精确度不高,且难以实现分部件监测。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的目的在于解决二次再热机组热力系统的性能监测和运行优化问题,提出了基于数据协调的二次再热机组性能监测和运行优化方法。该方法通过研究影响热力系统主要部件特性的主导因素及作用机制,获得全工况范围内基于精确数学模型的部件特性曲线。针对二次再热机组的实际热力系统,利用机组的测量冗余信息建立数据协调算法,降低测量数据的误差,保证数据的正确性和一致性。对象数学模型和实际热力系统同步运行,计算相应的性能参数应达值,根据测量值与应达值偏差定量诊断部件及系统性能变化,实现异常甄别、越界报警、状态诊断、性能渐变和运行优化。
本发明的另一个目的在于提出基于数据协调的二次再热机组性能监测和运行优化装置。
为达上述目的,本发明一方面提出了基于数据协调的二次再热机组性能监测和运行优化方法,包括以下步骤:
S1,研究影响热力系统主要部件特性的主导因素及作用机制,获得全工况范围内的部件特性曲线,建立热力系统关键部件的全工况高精度数学模型;S2,利用机组热力参数的测量冗余信息,采用数据协调算法降低关键数据的测量不确定度;其中,所述关键数据至少包括主给水流量和凝结水流量;S3,基于所述全工况精确数学模型,为每个部件的健康状况监测提供准确应达值,并通过监测值和所述应达值的比较实现多种性能监测功能;S4,在所述全工况高精度数学模型基础上,通过整体集成获得系统优化模型,通过情景假设计算获得机组的优化潜力以及参数调整,以实现机组实时运行优化。
另外,根据本发明上述实施例的基于数据协调的二次再热机组性能优化方法还可以具有以下技术特征:
进一步地,所述建立热力系统关键部件的全工况高精度数学模型,包括:通过分析影响二次再热机组的热力系统关键部件特性的主导因素及作用机制,获得全工况范围内基于所述各个子部件的部件特性曲线,以建立各个子部件的精确数学模型。
进一步地,利用机组监测数据之间由热力函数关系约束所产生的测量冗余,采用数据协调最优求解算法,降低关键变量的不确定度。
进一步地,所述S3,包括:基于所述各个子部件的精确数学模型,监测所述各个子部件的应达值,通过监测值与所述应达值的比较,实现异常甄别和越界报警;通过比对各个子部件的基于机组实时运行数据的部件特性和基于所述全工况高精度数学模型的部件特性,定量计算部件内在特性是否发生偏移和变化,实现状态诊断;以及,基于所述各个子部件的精确数学模型,通过历史运行数据的基于实时运行数据的部件特性的分析比较,实现部件性能渐变分析和监测。
进一步地,所述S4,包括:在热力系统部件级性能监测的基础上,将所述各个子部件的精确数学模型有机整合;基于所述有机整合得到热力系统整体计算模型,并计算出所述热力系统整体性能指标;基于机组当前运行工况下的各可调节参数,采用情景假设算法,定量计算所述二次再热机组的热力系统全工况运行优化策略,获得机组的优化潜力和数据调整,实现全工况运行优化。
本发明实施例的基于数据协调的二次再热机组性能监测与运行优化方法,利用电厂的测量冗余,采用数据协调的方法,有效降低了测量数据的不确定度,提高了监测精度。
为达到上述目的,本发明另一方面提出了一种基于数据协调的二次再热机组性能优化装置,包括:
本发明实施例的基于数据协调的二次再热机组性能优化装置,有利用电厂的测量冗余,采用数据协调的方法,有效降低了测量数据的不确定度,提高了监测精度。
模型建立模块,用于研究影响热力系统主要部件特性的主导因素及作用机制,获得全工况范围内的部件特性曲线,建立热力系统关键部件的全工况高精度数学模型;
数据协调模块,用于利用机组热力参数的测量冗余信息,采用数据协调算法降低关键数据的测量不确定度;其中,所述关键数据至少包括主给水流量和凝结水流量;
性能监测模块,用于基于所述全工况精确数学模型,为每个部件的健康状况监测提供准确应达值,并通过监测值和所述应达值的比较实现多种性能监测功能;
运行优化模块,用于在所述全工况高精度数学模型基础上,通过整体集成获得系统优化模型,通过情景假设计算获得机组的优化潜力以及参数调整,以实现机组实时运行优化。
本发明实施例的基于数据协调的二次再热机组性能监测与运行优化装置,有利用电厂的测量冗余,采用数据协调的方法,有效降低了测量数据的不确定度,提高了监测精度。
本发明的有益效果:
本发明通过分部件建模,解决了各个热力设备分别监测和故障定位的问题;通过基于实时性能的滚动优化,采用基于当前部件性能而非标定时模型的健康状态下的性能的优化方法,通过软件不断的在线数据收集和在线校正,建立热力设备当前性能状态下的准确模型;通过数据协调算法,有效降低了测量数据的不确定度,使得模型计算精确度进一步提高;通过各个热力部件的整体集成,建立系统模型,采用情景假设算法,给出运行参数的优化调整方案。相比于同类方法,本方法监测更加全面、运算精度更高。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明实施例的基于数据协调的二次再热机组性能优化方法的流程图;
图2为根据本发明实施例的性能监测系统内部功能关系的示意图;
图3为根据本发明实施例的基于数据协调的二次再热机组性能优化装置的结构示意图。
具体实施方式
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。下面将参考附图并结合实施例来详细说明本发明。
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
下面参照附图描述根据本发明实施例提出的基于数据协调的二次再热机组性能优化方法及装置,首先将参照附图描述根据本发明实施例提出的基于数据协调的二次再热机组性能优化方法。
图1是本发明一个实施例的基于数据协调的二次再热机组性能优化方法的流程图。
如图1所示,该基于数据协调的二次再热机组性能优化方法包括以下步骤:
步骤S1,研究影响热力系统主要部件特性的主导因素及作用机制,获得全工况范围内的部件特性曲线,建立热力系统关键部件的全工况高精度数学模型。
具体的,区别于传统整体性能笼统计算的方法,本发明采用了热力系统关键部件分部件建模的方法,分别建立各个子部件的数学模型。通过研究影响热力系统主要部件特性的主导因素及作用机制,获得全工况范围内基于精确数学模型的部件特性曲线。
可以理解地是,主导因素建模方法是一种通过对设备物理机理的分析确定反映该设备运行特性的特性参数,并结合历史运行数据规律进行归纳,从众多影响特性参数的变量中提取出决定该设备特性参数的主导因素,从而建立设备的特性参数与主导因素之间关系的建模方法。主导因素建模方法结合了通用机理建模和基于统计的方法建模这两种方法的优点,既反映了设备的物理机理,同时又将设备变工况运行过程实时变化的特性考虑进来。
步骤S2,利用机组热力参数的测量冗余信息,采用数据协调算法降低关键数据的测量不确定度;其中,关键数据至少包括主给水流量和凝结水流量。
可以理解的是,火电机组的运行数据普遍存在测量误差,给准确的热力计算带来了挑战。由于电厂实际测量仪表的精度通常不高,测量得到的运行数据存在随机误差,部分测量数据存在显著误差,甚至出现仪表故障。处理运行数据的测量误差是准确进行二次再热机组热力计算的前提。行业内对于测量误差一般的处理方法是采用加权平均,并通过科研人员人工识别,剔除粗大误差。本发明改进了数据协调在实时性能监测中的应用方法。
并且,二次再热机组的热力系统存在大量的测量冗余,测量冗余的存在使得可以在不更换测量仪表的情况下减小测量误差。在电厂的热力系统中,有学者利用数据协调减小了机组运行数据的误差。尽管已经有前人研究过数据协调在火电机组热力系统中的应用,但大都为局部热力系统,且都是一次再热机组,尚未开展过二次再热机组热力系统的数据协调研究。二次再热机组的热力系统相比一次再热有较大的变化,复杂程度有较大的提升,这给热力系统数据协调的构建及求解带来了新的挑战,需要进一步研究。
具体的,数据协调是利用系统的测量冗余处理测量误差的数学方法,其核心思想是对测量数据进行校正,使得校正后的测量数据既满足质量平衡、能量平衡等物理定律,又与原始测量值偏差的加权平方和最小,权重为测量数据的准确程度。数据协调能够在校正机组运行数据的同时,求解机组没有测点的热力参数。从目标函数可以看出,若某测量值的不确定度越大,即仪表的精度越低,则该测量值的偏差在目标函数中的权重越低,协调后的值与原始测量值的偏差越大。反之,仪表精度越高的测量值,协调后的值与原始测量值的偏差越小。
具体的,本发明采用数据协调算法降低关键数据的测量不确定度,关键数据包括但不限于主给水流量和凝结水流量。
本发明采用数据协调的方法,根据机组的测量冗余信息,建立合适的数据协调算法,剔除数据中的异常点、错误点,并修正数据整体偏移的情况,使得算法处理后数据的正确性、一致性得到了保证。
步骤S3,基于全工况精确数学模型,为每个部件的健康状况监测提供准确应达值,并通过监测值和应达值的比较实现多种性能监测功能。
具体的,以热力设备全工况精确数学模型为基础,为每个部件的健康状况监测提供准确应达值,通过监测值与应达值的比较,准确判别故障发生的部位,避免因部件间相互影响不易判断故障部位的难题。基于高精度模型,通过比对基于机组实时运行数据的部件特性和基于精确数学模型的部件特性,定量计算部件内在特性是否发生偏移和变化,实现部件状态诊断和性能渐变功能。基于高精度模型,通过监测值与应达值的比较,实现异常甄别和越界报警功能。
步骤S4,在全工况高精度数学模型基础上,通过整体集成获得系统优化模型,通过情景假设计算获得机组的优化潜力以及参数调整,以实现机组实时运行优化。
具体的,在热力设备部件级高精度全工况数学模型的基础上,通过整体集成,获得系统优化模型,通过情景假设计算获得机组的优化潜力以及参数调整方案。针对电厂各个热力设备在运行一段时间后,由于设备老化、内部结垢、运行参数偏离等原因,发生与设计状态性能不一致的问题,基于所建立的各部件数学模型和特性曲线,在建模时充分考虑该因素的影响,建立基于当前部件性能而不是标定时模型的健康状态下的性能的优化方法。在部件性能监测的基础上开展机组实时性能运行优化,结合各部件的当前性能曲线,给出基于机组当前性能和当前运行工况下的各调节参数应达值,根据测量值与应达值偏差定量诊断部件及系统性能变化,通过与设计状态的标定模型进行比较,综合评估设备的健康状态,并对运行参数的优化提出建议,定量计算机组热力系统全工况运行优化策略,实现汽轮机部分的全工况运行优化。以上热力系统全工况运行优化策略能够适用于优化软件长期运行期间热力系统部件可能会出现的不同程度性能渐变。基于当前性能的优化结果对于发电厂更有现实意义。
通过上述步骤,能够实现对二次加热机组热力系统的分部件数学建模,通过研究影响热力系统主要部件特性的主导因素及作用机制,获得全工况范围内基于精确数学模型的部件特性曲线,结合经过数据协调的机组实时性能参数,实现异常甄别、越界报警和运行优化功能。
需要说明的是,针对二次再热机组性能监测和优化方法实现方式有多种,但无论具体的实现方法如何,只要方法实现了二次再热机组的性能监测和运行优化功能,都是针对现有技术问题的解决,并具有相应的效果。
下面结合附图对本发明实施例做进一步阐述。
图2是根据本发明实施例的性能监测系统内部功能关系的示意图。如图2所示,包括数据结构、程序处理和功能实现三部分。
数据结构部分,基于运行参数设计数据协调模块,基于设计参数获得部件模型特性,然后综合得到模型设计模块,进一步得到模型参数;
程序处理部分,基于获得的模型参数,设计性能渐变模块、状态诊断模块和异常甄别模块,并结合运行参数、设计参数和状态诊断模块设计性能优化模块,得出优化参数,并输出到DCS(Distributed Control System,分布式控制系统);
功能实现模块,基于底层数据结构和程序处理,设计Web窗体展示界面,包括:监测主界面、各局部展示界面、性能优化界面和数据展示界面,以展示实现的各功能。
综上,本发明通过分部件建模,解决了各个热力设备分别监测和故障定位的问题;通过基于实时性能的滚动优化,采用基于当前部件性能而非标定时模型的健康状态下的性能的优化方法,通过软件不断的在线数据收集和在线校正,建立热力设备当前性能状态下的准确模型;通过数据协调算法,有效降低了测量数据的不确定度,使得模型计算精确度进一步提高;通过各个热力部件的整体集成,建立系统模型,采用情景假设算法,给出运行参数的优化调整方案。相比于同类型产品,软件平台运行可靠性大幅提高、监测更加全面、运算精度更高,程序运算过程更加稳定。
为了实现上述实施例,如图3所示,本实施例中还提供了一种基于数据协调的二次再热机组性能优化装置10,该装置10包括:模型建立模块100、数据协调模块200、性能监测模块300和运行优化模块400。
模型建立模块100,用于研究影响热力系统主要部件特性的主导因素及作用机制,获得全工况范围内的部件特性曲线,建立热力系统关键部件的全工况高精度数学模型;
数据协调模块200,用于利用机组热力参数的测量冗余信息,采用数据协调算法降低关键数据的测量不确定度;其中,关键数据至少包括主给水流量和凝结水流量;
性能监测模块300,用于基于全工况精确数学模型,为每个部件的健康状况监测提供准确应达值,并通过监测值和应达值的比较实现多种性能监测功能;
运行优化模块400,用于在全工况高精度数学模型基础上,通过整体集成获得系统优化模型,通过情景假设计算获得机组的优化潜力以及参数调整,以实现机组实时运行优化。
进一步地,上述模型建立模块100,还用于:
通过分析影响二次再热机组的热力系统关键部件特性的主导因素及作用机制,获得全工况范围内基于所述各个子部件的部件特性曲线,以建立各个子部件的精确数学模型。
进一步地,利用机组监测数据之间由热力函数关系约束所产生的测量冗余,采用数据协调最优求解算法,降低关键变量的不确定度。
进一步地,上述性能监测模块300,包括:
第一监测子模块,用于基于各个子部件的精确数学模型,监测各个子部件的应达值,通过监测值与应达值的比较,实现异常甄别和越界报警;
第二监测子模块,用于通过比对各个子部件的基于机组实时运行数据的部件特性和基于全工况高精度数学模型的部件特性,定量计算部件内在特性是否发生偏移和变化,实现状态诊断;以及,
第三监测子模块,用于基于各个子部件的精确数学模型,通过历史运行数据的基于实时运行数据的部件特性的分析比较,实现部件性能渐变分析和监测。
进一步地,上述运行优化模块400,包括:
模型整合模块,用于在热力系统部件级性能监测的基础上,将各个子部件的精确数学模型有机整合;
指标计算模块,用于基于有机整合得到热力系统整体计算模型,并计算出热力系统整体性能指标;
策略优化模块,用于基于机组当前运行工况下的各可调节参数,采用情景假设算法,定量计算二次再热机组的热力系统全工况运行优化策略,获得机组的优化潜力和数据调整,实现全工况运行优化。
根据本发明实施例的基于数据协调的二次再热机组性能监测与运行优化装置,能够实现对二次加热机组热力系统的分部件数学建模,通过研究影响热力系统主要部件特性的主导因素及作用机制,获得全工况范围内基于精确数学模型的部件特性曲线,结合经过数据协调的机组实时性能参数,实现异常甄别、越界报警和运行优化功能。
需要说明的是,前述对基于数据协调的二次再热机组性能监测与运行优化方法实施例的解释说明也适用于该实施例的基于数据协调的二次再热机组性能监测与运行优化装置,此处不再赘述。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (6)
1.一种基于数据协调的二次再热机组性能监测与运行优化方法,其特征在于,包括以下步骤:
S1,研究影响热力系统关键部件特性的主导因素及作用机制,获得全工况范围内的部件特性曲线,建立热力系统关键部件的全工况高精度数学模型;
S2,利用机组热力参数的测量冗余信息,采用数据协调算法降低关键数据的测量不确定度;其中,所述关键数据至少包括主给水流量和凝结水流量;
S3,基于所述全工况高精度数学模型,为各个子部件的健康状况监测提供准确应达值,并通过监测值和所述应达值的比较实现多种性能监测功能;
S4,在所述全工况高精度数学模型基础上,通过整体集成获得系统优化模型,通过情景假设计算获得机组的优化潜力以及参数调整,以实现机组实时运行优化;
所述S3,包括:
基于所述各个子部件的精确数学模型,监测所述各个子部件的应达值,通过监测值与所述应达值的比较,实现异常甄别和越界报警;
通过比对各个子部件的基于机组实时运行数据的部件特性和基于所述全工况高精度数学模型的部件特性,定量计算部件内在特性是否发生偏移和变化,实现状态诊断;以及,
基于所述各个子部件的精确数学模型,通过历史运行数据的基于实时运行数据的部件特性的分析比较,实现部件性能渐变分析和监测;
所述S4,包括:
在热力系统部件级性能监测的基础上,将所述各个子部件的精确数学模型有机整合;
基于所述有机整合得到热力系统整体计算模型,并计算出所述热力系统整体性能指标;
基于机组当前运行工况下的各可调节参数,采用情景假设算法,定量计算所述二次再热机组的热力系统全工况运行优化策略,获得机组的优化潜力和数据调整,实现全工况运行优化。
2.根据权利要求1所述的方法,其特征在于,所述建立热力系统关键部件的全工况高精度数学模型,包括:
通过分析影响二次再热机组的热力系统关键部件特性的主导因素及作用机制,获得全工况范围内基于所述各个子部件的部件特性曲线,以建立各个子部件的精确数学模型。
3.根据权利要求2所述的方法,其特征在于,利用机组监测数据之间由热力函数关系约束所产生的测量冗余,采用数据协调最优求解算法,降低关键变量的不确定度。
4.一种基于数据协调的二次再热机组性能监测与运行优化装置,其特征在于,包括以下步骤:
模型建立模块,用于研究影响热力系统关键部件特性的主导因素及作用机制,获得全工况范围内的部件特性曲线,建立热力系统关键部件的全工况高精度数学模型;
数据协调模块,用于利用机组热力参数的测量冗余信息,采用数据协调算法降低关键数据的测量不确定度;其中,所述关键数据至少包括主给水流量和凝结水流量;
性能监测模块,用于基于所述全工况高精度数学模型,为各个子部件的健康状况监测提供准确应达值,并通过监测值和所述应达值的比较实现多种性能监测功能;
运行优化模块,用于在所述全工况高精度数学模型基础上,通过整体集成获得系统优化模型,通过情景假设计算获得机组的优化潜力以及参数调整,以实现机组实时运行优化;
所述性能监测模块,包括:
第一监测子模块,用于基于所述各个子部件的精确数学模型,监测各个子部件的应达值,通过监测值与所述应达值的比较,实现异常甄别和越界报警;
第二监测子模块,用于通过比对各个子部件的基于机组实时运行数据的部件特性和基于所述全工况高精度数学模型的部件特性,定量计算部件内在特性是否发生偏移和变化,实现状态诊断;以及,
第三监测子模块,用于基于所述各个子部件的精确数学模型,通过历史运行数据的基于实时运行数据的部件特性的分析比较,实现部件性能渐变分析和监测;
所述运行优化模块,包括:
模型整合模块,用于在热力系统部件级性能监测的基础上,将所述各个子部件的精确数学模型有机整合;
指标计算模块,用于基于所述有机整合得到热力系统整体计算模型,并计算出所述热力系统整体性能指标;
策略优化模块,用于基于机组当前运行工况下的各可调节参数,采用情景假设算法,定量计算所述二次再热机组的热力系统全工况运行优化策略,获得机组的优化潜力和数据调整,实现全工况运行优化。
5.根据权利要求4所述的装置,其特征在于,所述模型建立模块,还用于:
通过分析影响二次再热机组的热力系统关键部件特性的主导因素及作用机制,获得全工况范围内基于所述各个子部件的部件特性曲线,以建立各个子部件的精确数学模型。
6.根据权利要求5所述的装置,其特征在于,利用机组监测数据之间由热力函数关系约束所产生的测量冗余,采用数据协调最优求解算法,降低关键变量的不确定度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210020038.XA CN114488798B (zh) | 2022-01-10 | 2022-01-10 | 基于数据协调的二次再热机组性能监测与运行优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210020038.XA CN114488798B (zh) | 2022-01-10 | 2022-01-10 | 基于数据协调的二次再热机组性能监测与运行优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114488798A CN114488798A (zh) | 2022-05-13 |
CN114488798B true CN114488798B (zh) | 2024-01-12 |
Family
ID=81510415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210020038.XA Active CN114488798B (zh) | 2022-01-10 | 2022-01-10 | 基于数据协调的二次再热机组性能监测与运行优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114488798B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104536290A (zh) * | 2014-11-05 | 2015-04-22 | 浙江大学 | 基于核主元分析与径向基神经网络的软测量方法及系统 |
CN105700380A (zh) * | 2016-01-24 | 2016-06-22 | 浙江大学 | 二次再热机组汽轮机调速系统仿真模型及其建模方法 |
CN106097151A (zh) * | 2016-06-24 | 2016-11-09 | 清华大学 | 一种基于数据协调的降低电厂数据不确定度的方法 |
CN111123704A (zh) * | 2019-12-09 | 2020-05-08 | 国家能源集团泰州发电有限公司 | 一种二次再热机组再热汽温的节能型预测控制方法 |
CN111158239A (zh) * | 2020-01-09 | 2020-05-15 | 上海电力大学 | 基于关联规则算法与神经网络的制粉系统性能优化方法 |
CN112000012A (zh) * | 2020-08-14 | 2020-11-27 | 浙江浙能绍兴滨海热电有限责任公司 | 基于热电负荷条件的机组滑压控制优化方法及系统 |
CN112162484A (zh) * | 2020-09-24 | 2021-01-01 | 华北电力大学(保定) | 一种适用于深调峰运行的火电机组柔性协调控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102096558B1 (ko) * | 2018-11-26 | 2020-04-02 | 두산중공업 주식회사 | 연소 최적화를 위한 장치 및 이를 위한 방법 |
-
2022
- 2022-01-10 CN CN202210020038.XA patent/CN114488798B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104536290A (zh) * | 2014-11-05 | 2015-04-22 | 浙江大学 | 基于核主元分析与径向基神经网络的软测量方法及系统 |
CN105700380A (zh) * | 2016-01-24 | 2016-06-22 | 浙江大学 | 二次再热机组汽轮机调速系统仿真模型及其建模方法 |
CN106097151A (zh) * | 2016-06-24 | 2016-11-09 | 清华大学 | 一种基于数据协调的降低电厂数据不确定度的方法 |
CN111123704A (zh) * | 2019-12-09 | 2020-05-08 | 国家能源集团泰州发电有限公司 | 一种二次再热机组再热汽温的节能型预测控制方法 |
CN111158239A (zh) * | 2020-01-09 | 2020-05-15 | 上海电力大学 | 基于关联规则算法与神经网络的制粉系统性能优化方法 |
CN112000012A (zh) * | 2020-08-14 | 2020-11-27 | 浙江浙能绍兴滨海热电有限责任公司 | 基于热电负荷条件的机组滑压控制优化方法及系统 |
CN112162484A (zh) * | 2020-09-24 | 2021-01-01 | 华北电力大学(保定) | 一种适用于深调峰运行的火电机组柔性协调控制方法 |
Non-Patent Citations (1)
Title |
---|
Jianxi Yu,PeiLiu,ZhengLi.Data reconciliation of the thermal system of a double reheat power plant for thermal calculation.Renewable and Sustainable Energy Reviews.2021,第148卷6-13页. * |
Also Published As
Publication number | Publication date |
---|---|
CN114488798A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240061385A1 (en) | Method for constructing digital twin by combining reduced order models, measurement data and machine learning techniques for multiphysical equipment system | |
Garvey et al. | Validation of on-line monitoring techniques to nuclear plant data | |
CN112904266B (zh) | 一种电能表寿命预测方法及装置 | |
CN110346012B (zh) | 一种高水头船闸水位计自动校准方法 | |
CN111998919A (zh) | 燃气表校准方法及装置 | |
CN115549187A (zh) | 一种风电并网的稳定性评估方法 | |
CN113837604A (zh) | 一种多源异构数据融合与多维度数据相关性分析系统 | |
CN114488798B (zh) | 基于数据协调的二次再热机组性能监测与运行优化方法 | |
CN114997566A (zh) | 考虑节点连通度损失的电网阻塞风险评估方法及系统 | |
CN112821420B (zh) | 一种基于XGBoost的ASFR模型中动态阻尼因子、多维频率指标的预测方法及系统 | |
CN114330773A (zh) | 一种电力电缆时变故障概率的评估方法和系统 | |
US10852335B2 (en) | Estimation of electrical grid parameters | |
CN106598026A (zh) | 输变电设备状态检修时间检测方法和装置 | |
US11920562B2 (en) | Temperature estimation in a wind turbine | |
CN113836794B (zh) | 一种软硬结合的飞灰含碳量在线监测方法 | |
CN109973159A (zh) | 确定汽轮机低压缸流量的方法和装置及机器可读存储介质 | |
CN110943485B (zh) | 双馈风电场等值模型仿真可信度的指标评价方法 | |
CN112084661B (zh) | 一种风电机组变流器水冷系统冷却状态评估预警方法 | |
CN113936823A (zh) | 获取堆外探测器刻度系数的方法、系统、装置及存储介质 | |
CN106296461B (zh) | 基于粒子群优化算法及局部状态估计的电网参数辨识方法 | |
Yang et al. | On-Line Component Map Adaptive Procedure Based on Sensor Data | |
Lei et al. | Early Warning of Gas Turbine Based on Bayesian Optimized Dynamic Neural Network | |
CN116775635A (zh) | 一种能源系统设备数据修正方法及系统 | |
Chen et al. | Neural Network-Based Control Parameter Identification Method for DFIG | |
CN118013468A (zh) | 一种风电机组部件健康度监测方法、装置、设备及介质 |
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 |