CN114626309A - 一种高压加热器系统端差煤耗优化调节方法 - Google Patents

一种高压加热器系统端差煤耗优化调节方法 Download PDF

Info

Publication number
CN114626309A
CN114626309A CN202210514446.0A CN202210514446A CN114626309A CN 114626309 A CN114626309 A CN 114626309A CN 202210514446 A CN202210514446 A CN 202210514446A CN 114626309 A CN114626309 A CN 114626309A
Authority
CN
China
Prior art keywords
coal consumption
data
pressure heater
heater system
scheme
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
Application number
CN202210514446.0A
Other languages
English (en)
Other versions
CN114626309B (zh
Inventor
项敏
宫照海
王凤雷
时春
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.)
Cpi Xinjiang Energy & Chemical Group Wucaiwan Power Generation Co ltd
Jiangsu Future Wisdom Information Technology Co ltd
Original Assignee
Jiangsu Future Wisdom Information Technology Co ltd
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 Jiangsu Future Wisdom Information Technology Co ltd filed Critical Jiangsu Future Wisdom Information Technology Co ltd
Priority to CN202210514446.0A priority Critical patent/CN114626309B/zh
Publication of CN114626309A publication Critical patent/CN114626309A/zh
Application granted granted Critical
Publication of CN114626309B publication Critical patent/CN114626309B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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
    • G06F2119/06—Power analysis or power optimisation
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本发明公开了一种高压加热器系统端差煤耗优化调节方法，涉及热电设备技术领域，通过两个角度来改善高压加热器系统运行环境，一是通过人工智能算法自动避免高压加热器系统的非计划停运，从而间接的降低了煤耗量，提高整个机组的热经济性；二是通过人工智能算法自动化搜索最优的高压加热器系统调节方案，有效降低了整个高压加热器系统运行的煤耗，同时在高压加热器系统系统上实现自主调节，减少了不必要的专业人员配置，最大限度的提高了整个系统的热经济性，极大的满足了目前市场提倡的低碳经济。

Description

一种高压加热器系统端差煤耗优化调节方法
技术领域
本发明涉及热电设备技术领域，特别是涉及一种高压加热器系统端差煤耗优化调节方法。
背景技术
当前高压加热器系统领域内，高压加热器非计划停运时，汽轮发电机组发电出力将降低8%-12%，发电煤耗将上升3%-5%，锅炉的水冷壁管也容易因超温而受到损伤，这将直接影响到发电机组出力以及整个发电厂的热经济性。
另外目前高压加热器系统主要通过系统经验来调节各项可控指标，以此来尽量保证系统安全、稳定的运行环境，但是在系统实际运行过程中，要想通过经验调节来最大限度提高系统热经济性，势必对高加系统管理配置人员的业务水平要求极高，耗费大量人力物力，且通过经验调节指标也不能真实保证较优的热经济性，针对目前全国提倡低碳经济现状，设计更有效控制系统和调节方案来打造真实的低碳经济势在必行。
发明内容
为了解决以上技术问题，本发明提供一种高压加热器系统端差煤耗优化调节方法，其特征在于：包括直接降低煤耗方法和间接降低煤耗方法，间接降低煤耗方法设置为智能化避免机组非计划停运方法，直接降低煤耗方法设置为智能化自动搜索最优调解方案方法，
智能化避免机组非计划停运方法包括以下步骤
A1、对工况数据进行采集，采用异常检测算法对工况数据进行多变量异常检测，将异常比例设置为5%，根据异常比例将工况数据筛分为正常数据集和异常数据集；
A2、对正常数据和异常数据建立二分类模型，并针对异常数据建立异常数据关系模型；
A3、结合工程师确定的经常故障点和异常数据关系模型，确定故障原因；
A4、针对故障原因进行对应检修；
智能化自动搜索最优调解方案方法包括以下步骤
B1、针对步骤A2中的正常数据建立正常数据关系模型；
B2、针对高压加热器各级上下端差与各输入指标建立关系模型；
B3、针对高压加热器煤耗与各级上下端差建立关系模型；
B4、针对高压加热器煤耗与各输入指标建立关系模型；
B5、上述步骤B2、B3、B4同时进行，对步骤B2、B3、B4中建立的关系模型进行训练测试，直至高压加热器各级上下端差和高压加热器煤耗的均方误差均在固定范围内；
B6、将上述步骤B2、B3、B4中建立的关系模型作为代理函数，建立多目标优化模型，确定需要调节的一组工况数据，对该组工况数据进行异常检测，采用遗传算法寻优，自动生成一系列调节方案；
B7、针对煤耗变化量与各输入指标变化量建立关系模型，利用随机森林算法实现二分类，分为降低煤耗和增加煤耗，从上一步骤中生成的一系列调节方案中筛选出降低煤耗的调节方案；
B8、采用步骤A1中所述的异常检测算法对步骤B7中筛选出的调节方案进行异常检测；判断是否有近似的历史工况数据与该调节方案对应，预先设定最大距离间隔，将该调节方案与需要调节的工况数据附近几轮训练模型中的训练数据集进行欧式距离比对，判断其是否在最大距离间隔内；对该方案进行仿真机测试，测试该方案能否正常运行以及运行后的结果是否减少了煤耗；当调节方案同时被检测为正常数据、在最大距离间隔内以及通过仿真机测试时，则此调节方案为最优调节方案。
本发明进一步限定的技术方案是：
进一步的，步骤A1中，异常检测算法设置为孤立森林异常检测算法。
前所述的一种高压加热器系统端差煤耗优化调节方法，步骤B2、B3、B4中，均采用岭回归、滑动窗口以及数据加权方法进行建模。
前所述的一种高压加热器系统端差煤耗优化调节方法，步骤B5中，输入指标设置为38个，且包括可控指标和不可控指标，关系模型的训练测试方法设置为：每30000个样本数据训练一个模型，相邻的100个样本数据作为测试集，与输入数据越靠近则权重越大，训练测试时每次滑动100个样本数据重新训练测试模型，直到训练测试完所有数据集。
前所述的一种高压加热器系统端差煤耗优化调节方法，步骤B5中，在对步骤B2、B3、B4中建立的关系模型进行训练测试前，先对三者的关系模型进行降维，根据三组关系模型中参数的重要性排名，将输入指标设置为14个，且输入指标仅包括可控指标，相应的，关系模型的训练测试方法设置为：每2000个样本数据训练一个模型，相邻的20个样本作为测试集，与输入数据越靠近则权重越大，训练测试时每次滑动20个样本数据重新训练测试模型，直到训练测试完所有数据集。
前所述的一种高压加热器系统端差煤耗优化调节方法，步骤B6中，采用步骤A1中所述的异常检测算法对多目标优化模型进行异常检测，预设有一高压加热器系统调动频率，根据此频率和历史数据在此调动间隔内，将最大调节上下限设置为输入指标的最大上下波动范围。
本发明的有益效果是：
（1）本发明中，通过两个角度来改善高压加热器系统运行环境，一是通过人工智能算法自动避免高压加热器系统的非计划停运，从而间接的降低了煤耗量，提高整个机组的热经济性；二是通过人工智能算法自动化搜索最优的高压加热器系统调节方案，有效降低了整个高压加热器系统运行的煤耗，同时在高压加热器系统系统上实现自主调节，减少了不必要的专业人员配置，最大限度的提高了整个系统的热经济性，极大的满足了目前市场提倡的低碳经济；
（2）本发明中，三组关系模型的训练测试方法中，样本数据的数量设置，一方面使得整个算法的运行速度更加快速，另一发面也不会影响其训练测试效果，提高了整个算法的及时性和准确性；
（3）本发明中，岭回归、滑动窗口以及数据加权的建模方法可以进一步的消除高压加热器系统本身的连贯性、时间以及外界环境等设备的影响；三组关系模型的降维操作，使得调节方案的实施更加顺利；
（4）本发明中，将调节方案与训练数据集进行欧氏距离比对，由于两者处于同一时期，所以具有相同的环境温度等相同必要环境特征，从而可以有效的避免由于需要比较的数据量巨大而造成运行速度变慢的不利影响。
附图说明
图1为本发明的算法具体实施流程图。
具体实施方式
本实施例提供的一种高压加热器系统端差煤耗优化调节方法，结构如图1所示，包括直接降低煤耗方法和间接降低煤耗方法，间接降低煤耗方法设置为智能化避免机组非计划停运方法，直接降低煤耗方法设置为智能化自动搜索最优调解方案方法。
智能化避免机组非计划停运方法包括以下步骤
A1、对工况数据进行采集，每一组工况数据包含45个指标特征，每间隔30s一次取数产生一组工况数据，取数时间为2020年3月初至12月底，总共数据集有700000条样本数据，采用异常检测算法对工况数据进行多变量异常检测，异常检测算法设置为孤立森林异常检测算法，异常比例设置为5%，将工况数据筛分为正常数据集和异常数据集；异常数据出现的时刻与高压加热器的停运时刻进行对比，由于异常数据（95%）出现在机组停运前后，所以基本可以确认异常数据的真实性。
A2、对正常数据和异常数据（95%）建立二分类模型，并针对异常数据建立异常数据关系模型。
A3、结合工程师确定的经常故障点和异常数据关系模型，确定故障原因。
A4、针对故障原因进行对应检修。
智能化自动搜索最优调解方案方法包括以下步骤
B1、针对步骤A2中的正常数据建立正常数据关系模型，由于孤立森林异常检测算法确定的异常值（95%）与高压加热器系统的停运与否高度相关，所以直接剔除异常值，选择正常数据进行模型建立。
B2、针对高压加热器各级上下端差与各输入指标建立关系模型。
B3、针对高压加热器煤耗与各级上下端差建立关系模型。
B4、针对高压加热器煤耗与各输入指标建立关系模型。
B5、上述步骤B2、B3、B4同时进行，且均采用岭回归、滑动窗口以及数据加权方法进行建模，对步骤B2、B3、B4中建立的关系模型进行训练测试，直至高压加热器各级上下端差和高压加热器煤耗的均方误差均在固定范围内；
步骤B5中，输入指标设置为38个，且包括可控指标和不可控指标，关系模型的训练测试方法设置为：每30000（可变动）个样本数据训练一个模型，相邻的100（可变动）个样本数据作为测试集，与输入数据越靠近则权重越大，训练测试时每次滑动100（可变动）个样本数据重新训练测试模型，直到训练测试完所有数据集；
截止目前上述三组关系是利用数据集中所有指标（38个）（包括可控指标和不可控指标）建立的模型，另外后期调节模型是建立在上述三组关系之上，但是为了利于调节方案顺利实施，现在需要对上述三组关系模型进行降维，利用三组关系模型中参数重要性排名，并结合业务组给出可控指标标注，顺利将38个指标降至14个指标（全部为可控指标），利用14个可控指标重新训练上述三组关系模型，通过调参，变成每2000个样本数据训练一个模型，紧挨的20个样本作为测试集，训练测试模型；每次滑动20个样本数据重新训练测试模型，直到训练测试完所有数据集。
B6、将上述步骤B2、B3、B4中建立的关系模型作为代理函数，建立多目标优化模型，确定需要调节的一组工况数据，采用步骤A1中所述的异常检测算法对多目标优化模型进行异常检测，预设有一高压加热器系统调动频率，根据此频率和历史数据在此调动间隔内，将最大调节上下限设置为输入指标的最大上下波动范围，采用遗传算法寻优，自动生成一系列调节方案。
B7、针对煤耗变化量与各输入指标变化量建立关系模型，利用随机森林算法实现二分类，分为降低煤耗和增加煤耗，从上一步骤中生成的一系列调节方案中筛选出降低煤耗的调节方案。
B8、采用步骤A1中所述的异常检测算法对步骤B7中筛选出的调节方案进行异常检测；判断是否有近似的历史工况数据与该调节方案对应，预先设定最大距离间隔，将该调节方案与需要调节的工况数据附近几轮训练模型中的训练数据集进行欧式距离比对，判断其是否在最大距离间隔内，也可以是其他距离度量方式，最大距离间隔可以根据工作情况进行调节，最大距离间隔较大时会显示更多的调节方案，最大距离间隔较小时则显示更少的调节方案；对该方案进行仿真机测试，测试该方案能否正常运行以及运行后的结果是否减少了煤耗；当调节方案同时被检测为正常数据、在最大距离间隔内以及通过仿真机测试时，则此调节方案为最优调节方案。
三组关系模型的训练测试方法中，样本数据的数量设置，一方面使得整个算法的运行速度更加快速，另一发面也不会影响其训练测试效果，提高了整个算法的及时性和准确性。
岭回归、滑动窗口以及数据加权的建模方法可以进一步的消除高压加热器系统本身的连贯性、时间以及外界环境等设备的影响；三组关系模型的降维操作，使得调节方案的实施更加顺利。
将调节方案与训练数据集进行欧氏距离比对，由于两者处于同一时期，所以具有相同的环境温度等相同必要环境特征，从而可以有效的避免由于需要比较的数据量巨大而造成运行速度变慢的不利影响。
整个优化调节方法通过两个角度来改善高压加热器系统运行环境，一是通过人工智能算法自动避免高压加热器系统的非计划停运，从而间接的降低了煤耗量，提高整个机组的热经济性；二是通过人工智能算法自动化搜索最优的高压加热器系统调节方案，有效降低了整个高压加热器系统运行的煤耗，同时在高压加热器系统系统上实现自主调节，减少了不必要的专业人员配置，最大限度的提高了整个系统的热经济性，极大的满足了目前市场提倡的低碳经济。
除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。

Claims (6)

1.一种高压加热器系统端差煤耗优化调节方法，其特征在于：包括直接降低煤耗方法和间接降低煤耗方法，间接降低煤耗方法设置为智能化避免机组非计划停运方法，直接降低煤耗方法设置为智能化自动搜索最优调解方案方法，
智能化避免机组非计划停运方法包括以下步骤
A1、对工况数据进行采集，采用异常检测算法对工况数据进行多变量异常检测，将异常比例设置为5%，根据异常比例将工况数据筛分为正常数据集和异常数据集；
A2、对正常数据和异常数据建立二分类模型，并针对异常数据建立异常数据关系模型；
A3、结合工程师确定的经常故障点和异常数据关系模型，确定故障原因；
A4、针对故障原因进行对应检修；
智能化自动搜索最优调解方案方法包括以下步骤
B1、针对步骤A2中的正常数据建立正常数据关系模型；
B2、针对高压加热器各级上下端差与各输入指标建立关系模型；
B3、针对高压加热器煤耗与各级上下端差建立关系模型；
B4、针对高压加热器煤耗与各输入指标建立关系模型；
B5、上述步骤B2、B3、B4同时进行，对步骤B2、B3、B4中建立的关系模型进行训练测试，直至高压加热器各级上下端差和高压加热器煤耗的均方误差均在固定范围内；
B6、将上述步骤B2、B3、B4中建立的关系模型作为代理函数，建立多目标优化模型，确定需要调节的一组工况数据，对该组工况数据进行异常检测，采用遗传算法寻优，自动生成一系列调节方案；
B7、针对煤耗变化量与各输入指标变化量建立关系模型，利用随机森林算法实现二分类，分为降低煤耗和增加煤耗，从上一步骤中生成的一系列调节方案中筛选出降低煤耗的调节方案；
B8、采用步骤A1中所述的异常检测算法对步骤B7中筛选出的调节方案进行异常检测；判断是否有近似的历史工况数据与该调节方案对应，预先设定最大距离间隔，将该调节方案与需要调节的工况数据附近几轮训练模型中的训练数据集进行欧式距离比对，判断其是否在最大距离间隔内；对该方案进行仿真机测试，测试该方案能否正常运行以及运行后的结果是否减少了煤耗；当调节方案同时被检测为正常数据、在最大距离间隔内以及通过仿真机测试时，则此调节方案为最优调节方案。
2.根据权利要求1所述的一种高压加热器系统端差煤耗优化调节方法，其特征在于：所述步骤A1中，异常检测算法设置为孤立森林异常检测算法。
3.根据权利要求1所述的一种高压加热器系统端差煤耗优化调节方法，其特征在于：所述步骤B2、B3、B4中，均采用岭回归、滑动窗口以及数据加权方法进行建模。
4.根据权利要求1所述的一种高压加热器系统端差煤耗优化调节方法，其特征在于：所述步骤B5中，输入指标设置为38个，且包括可控指标和不可控指标，关系模型的训练测试方法设置为：每30000个样本数据训练一个模型，相邻的100个样本数据作为测试集，与输入数据越靠近则权重越大，训练测试时每次滑动100个样本数据重新训练测试模型，直到训练测试完所有数据集。
5.根据权利要求1所述的一种高压加热器系统端差煤耗优化调节方法，其特征在于：所述步骤B5中，在对步骤B2、B3、B4中建立的关系模型进行训练测试前，先对三者的关系模型进行降维，根据三组关系模型中参数的重要性排名，将输入指标设置为14个，且输入指标仅包括可控指标，相应的，关系模型的训练测试方法设置为：每2000个样本数据训练一个模型，相邻的20个样本作为测试集，与输入数据越靠近则权重越大，训练测试时每次滑动20个样本数据重新训练测试模型，直到训练测试完所有数据集。
6.根据权利要求1所述的一种高压加热器系统端差煤耗优化调节方法，其特征在于：所述步骤B6中，采用步骤A1中所述的异常检测算法对多目标优化模型进行异常检测，预设有一高压加热器系统调动频率，根据此频率和历史数据在此调动间隔内，将最大调节上下限设置为输入指标的最大上下波动范围。
CN202210514446.0A 2022-05-12 2022-05-12 一种高压加热器系统端差煤耗优化调节方法 Active CN114626309B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210514446.0A CN114626309B (zh) 2022-05-12 2022-05-12 一种高压加热器系统端差煤耗优化调节方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210514446.0A CN114626309B (zh) 2022-05-12 2022-05-12 一种高压加热器系统端差煤耗优化调节方法

Publications (2)

Publication Number Publication Date
CN114626309A true CN114626309A (zh) 2022-06-14
CN114626309B CN114626309B (zh) 2022-09-13

Family

ID=81906947

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210514446.0A Active CN114626309B (zh) 2022-05-12 2022-05-12 一种高压加热器系统端差煤耗优化调节方法

Country Status (1)

Country Link
CN (1) CN114626309B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140096504A1 (en) * 2012-10-04 2014-04-10 Lightsail Energy Inc. Compressed air energy system integrated with gas turbine
CN104571022A (zh) * 2014-12-16 2015-04-29 华润电力湖北有限公司 基于煤耗与可控因子关系的耗差分析模型实验系统及方法
CN106295203A (zh) * 2016-08-15 2017-01-04 上海交通大学 基于上端差应达值实时计算的机组热经济性在线评估方法
US20180187648A1 (en) * 2015-06-30 2018-07-05 Vestas Wind Systems A/S Wind turbine control based on forecasts
CN111754030A (zh) * 2020-06-11 2020-10-09 浙江浙能技术研究院有限公司 一种基于hac和rf-ga的火电机组供电煤耗优化方法
CN112001096A (zh) * 2020-10-29 2020-11-27 江苏未来智慧信息科技有限公司 一种基于实时仿真的电力生产运行推演方法
CN113095591A (zh) * 2021-04-29 2021-07-09 中国大唐集团科学技术研究院有限公司中南电力试验研究院 一种用于火电机组运行参数自寻优的耗差分析方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140096504A1 (en) * 2012-10-04 2014-04-10 Lightsail Energy Inc. Compressed air energy system integrated with gas turbine
CN104571022A (zh) * 2014-12-16 2015-04-29 华润电力湖北有限公司 基于煤耗与可控因子关系的耗差分析模型实验系统及方法
US20180187648A1 (en) * 2015-06-30 2018-07-05 Vestas Wind Systems A/S Wind turbine control based on forecasts
CN106295203A (zh) * 2016-08-15 2017-01-04 上海交通大学 基于上端差应达值实时计算的机组热经济性在线评估方法
CN111754030A (zh) * 2020-06-11 2020-10-09 浙江浙能技术研究院有限公司 一种基于hac和rf-ga的火电机组供电煤耗优化方法
CN112001096A (zh) * 2020-10-29 2020-11-27 江苏未来智慧信息科技有限公司 一种基于实时仿真的电力生产运行推演方法
CN113095591A (zh) * 2021-04-29 2021-07-09 中国大唐集团科学技术研究院有限公司中南电力试验研究院 一种用于火电机组运行参数自寻优的耗差分析方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
朱国栋 等: "加热器端差对机组热经济性的影响", 《浙江电力》 *
杨志平等: "1000MW机组加热器端差能耗敏度分析", 《华北电力大学学报(自然科学版)》 *
闫顺林等: "加热器上端差变化对机组煤耗影响的改进计算模型", 《电力科学与工程》 *

Also Published As

Publication number Publication date
CN114626309B (zh) 2022-09-13

Similar Documents

Publication Publication Date Title
CN109185917B (zh) 一种基于火焰强度信号的锅炉燃烧状态在线诊断方法及系统
CN110400018B (zh) 用于燃煤火力电厂制粉系统的运行控制方法、系统和装置
CN112859780B (zh) 一种基于云数据、云计算的火电厂智慧燃烧控制方法
CN113837464A (zh) 一种基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法
CN108876163A (zh) 综合因果分析与机器学习的暂态功角稳定快速评估方法
WO2020258826A1 (zh) 基于复杂网络模型的工业设备运维与优化方法及系统
CN105320114A (zh) 基于数据挖掘的火力发电站锅炉燃烧调整模型获取方法
CN113515049A (zh) 一种燃气蒸汽联合循环发电机组运行调控系统及调控方法
CN114037194B (zh) 基于机器学习的水电厂发电负荷预测系统及方法
CN109858125B (zh) 一种基于径向基神经网络的火电机组供电煤耗计算方法
CN114418169A (zh) 一种基于大数据挖掘的在线运行优化系统
CN111027258A (zh) 一种用于超临界机组的发电负荷与供热量的智能预测方法
CN108988347B (zh) 一种电网暂态电压稳定样本集类别失衡的调节方法及系统
CN114626309B (zh) 一种高压加热器系统端差煤耗优化调节方法
CN107742000B (zh) 锅炉燃烧含氧量建模方法
CN111931436A (zh) 一种基于数值模拟与神经网络的燃烧器喷口风量预测方法
Kaewprapha et al. Machine Learning Approaches for Estimating the Efficiency of Combined Cycle Power Plant
CN116401948A (zh) 基于lstm的电站锅炉灰渣生成量在线预测方法及系统
han Kim et al. Detection of boiler tube leakage fault in a thermal power plant using machine learning based data mining technique
CN115526433A (zh) 一种基于集成混合模型的电厂再热烟气挡板操作预测方法
CN115102164A (zh) 多机组协同优化负荷分配方法、系统、设备及存储介质
CN111428906B (zh) 一种基于图像变换的工业锅炉蒸汽量预测方法
Wang et al. Data mining-based operation optimization of large coal-fired power plants
CN112348696A (zh) 基于bp神经网络的供热机组调峰上限评估方法及系统
CN111091251A (zh) 一种基于大数据技术的锅炉操作优化方法及系统

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
TA01 Transfer of patent application right

Effective date of registration: 20220802

Address after: 211000 No.12, mozhou East Road, moling street, Jiangning District, Nanjing City, Jiangsu Province

Applicant after: Jiangsu Future Wisdom Information Technology Co.,Ltd.

Applicant after: CPI XINJIANG ENERGY & CHEMICAL GROUP WUCAIWAN POWER GENERATION CO.,LTD.

Address before: 211000 No.12, mozhou East Road, moling street, Jiangning District, Nanjing City, Jiangsu Province

Applicant before: Jiangsu Future Wisdom Information Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant