CN114880927A - 一种智慧电厂监控方法、系统、设备及存储介质 - Google Patents
一种智慧电厂监控方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN114880927A CN114880927A CN202210468184.9A CN202210468184A CN114880927A CN 114880927 A CN114880927 A CN 114880927A CN 202210468184 A CN202210468184 A CN 202210468184A CN 114880927 A CN114880927 A CN 114880927A
- Authority
- CN
- China
- Prior art keywords
- boiler
- characteristic parameters
- historical data
- power plant
- preset
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000012544 monitoring process Methods 0.000 title claims abstract description 55
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000002485 combustion reaction Methods 0.000 claims abstract description 99
- 239000003245 coal Substances 0.000 claims abstract description 47
- 238000012706 support-vector machine Methods 0.000 claims abstract description 44
- 230000006870 function Effects 0.000 claims description 122
- 239000013598 vector Substances 0.000 claims description 82
- 238000005457 optimization Methods 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 230000010152 pollination Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000009977 dual effect Effects 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000000137 annealing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000009827 uniform distribution Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004171 remote diagnosis Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 238000012800 visualization Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Control Of Steam Boilers And Waste-Gas Boilers (AREA)
Abstract
本申请涉及电厂监控技术领域,公开了一种智慧电厂监控方法、系统、设备及存储介质,其方法包括获取锅炉特征参量的历史数据;判断锅炉特征参量的历史数据是否满足稳定工况要求;基于预设的给煤机进煤量,结合满足稳定工况要求的锅炉特征参量的历史数据,采用核心支持向量机构建锅炉燃烧模型;基于预设的多目标函数和锅炉燃烧模型,结合切比雪芙法,对锅炉运行可调参数进行寻优,获得锅炉运行参数的最优解;将最优解与锅炉特征参量的实时数据进行对比,计算优化偏置量;根据优化偏置量调整锅炉的运行工况。本申请具有根据锅炉的燃烧状态及时调整锅炉的运行工况,使电厂能够稳定运行的效果。
Description
技术领域
本申请涉及电厂监控技术领域,尤其是涉及一种智慧电厂监控方法、系统、设备及存储介质。
背景技术
燃料是电厂的动力来源,燃料变化影响电厂锅炉及其辅助系统的运行稳定性和效率,电厂的锅炉燃烧监控对电厂的安全和经济运行具有重要作用。因此,电厂监控主要是对锅炉燃烧的监控。
现有的锅炉燃烧监控方法主要依靠工作人员的工程经验进行监控,分析耗时,无法根据锅炉的燃烧状态及时调整锅炉的运行工况。随着锅炉机组负荷的变化,锅炉运行效率的变化也非常大,若无法控制锅炉的运行工况,则不能保证机组保持在最佳的运行曲线上,电厂难以稳定运行。
针对上述中的相关技术,发明人发现现有的电厂监控方式存在有难以根据锅炉的燃烧状态及时调整锅炉的运行工况的问题。
发明内容
为了根据锅炉的燃烧状态及时调整锅炉的运行工况,本申请提供了一种智慧电厂监控方法、系统、设备及存储介质。
第一方面,本申请提供一种智慧电厂监控方法,具有根据锅炉的燃烧状态及时调整锅炉运行工况的特点。
本申请是通过以下技术方案得以实现的:
一种智慧电厂监控方法,包括以下步骤,
获取锅炉特征参量的历史数据;
判断所述锅炉特征参量的历史数据是否满足稳定工况要求;
基于预设的给煤机进煤量,结合满足稳定工况要求的所述锅炉特征参量的历史数据,采用核心支持向量机构建锅炉燃烧模型;
基于预设的多目标函数和所述锅炉燃烧模型,结合切比雪芙法,对锅炉运行可调参数进行寻优,获得锅炉运行参数的最优解;
将所述最优解与锅炉特征参量的实时数据进行对比,计算优化偏置量;
根据所述优化偏置量调整锅炉的运行工况。
本申请在一较佳示例中可以进一步配置为:所述判断所述锅炉特征参量的历史数据是否满足稳定工况要求的步骤包括,
获取任一种所述锅炉特征参量的历史数据,分别计算标准差和平均值;
判断所述标准差和所述平均值的比值是否小于预设阈值;
当所述标准差和所述平均值的比值小于预设阈值时,则对应的锅炉特征参量的历史数据满足稳定工况要求;
当所有的所述锅炉特征参量的历史数据对应的所述标准差和所述平均值的比值均小于预设阈值时,所述锅炉特征参量的历史数据满足稳定工况要求。
本申请在一较佳示例中可以进一步配置为:所述基于预设的给煤机进煤量,结合满足稳定工况要求的所述锅炉特征参量的历史数据,采用核心支持向量机构建锅炉燃烧模型的步骤包括,
采用预设的核函数处理所述给煤机进煤量和满足稳定工况要求的所述锅炉特征参量的历史数据,得到锅炉燃烧的线性拟合方程;
根据预设的敏感损失函数,构造包含敏感损失函数参数的锅炉燃烧模型;
将包含敏感损失函数参数的锅炉燃烧模型转换为对偶的矩阵形式;
为对偶的矩阵形式的包含敏感损失函数参数的锅炉燃烧模型的每一个由核函数诱导的特征映射函数增加一个实数项,同时约束球心的最后一维,将对偶的矩阵形式的包含敏感损失函数参数的锅炉燃烧模型简化为由所述给煤机进煤量和满足稳定工况要求的所述锅炉特征参量的历史数据形成的包含所有数据点的最小球的表达式,作为锅炉燃烧模型。
本申请在一较佳示例中可以进一步配置为:所述基于预设的多目标函数和所述锅炉燃烧模型,结合切比雪芙法,对锅炉运行可调参数进行寻优,获得锅炉运行参数的最优解的步骤包括,
根据所述锅炉特征参量的历史数据,设置所述锅炉燃烧模型的约束条件;
基于所述约束条件和所述多目标函数,将所述锅炉燃烧模型的多目标表达式分解为单目标表达式;
求解所述单目标表达式,并将求解结果乘以所述锅炉燃烧模型的多目标表达式所对应映射的权向量,获得锅炉运行参数的最优解。
本申请在一较佳示例中可以进一步配置为:还包括以下步骤,
采用网格参数寻优函数对所述核心支持向量机的的惩罚参数C和核函数系数g进行寻优,确定惩罚参数C和核函数系数g的值,所述网格参数寻优函数表达式如下:
[best C,best g]=SVMcgForRegress(output,input,Cmin,Cmax,gmin'gmax);
式中,best C为核心支持向量机的最优惩罚参数;best g为核心支持向量机的最优核函数系数;output指样本的输出;input指样本的输入;Cmin指惩罚参数的下限;Cmax指惩罚参数的上限;gmin指核函数系数的下限;gmax指核函数系数的上限。
本申请在一较佳示例中可以进一步配置为:还包括以下步骤,
采用改进的花授粉算法对所述核心支持向量机的核函数系数g、惩罚系数C与不敏感损失函数ε进行寻优,包括,
初始化核函数系数g、惩罚系数C与不敏感损失函数ε的取值范围;
获取N个花朵种群作为当前解向量,且每个当前解向量对应一个三维的向量(C,g,ε),并找到当前情况下的最优解与最小误差;
确定当前温度下各个当前解向量的误差值,具体公式如下:
式中,TFit()用于确定当前温度下的各个当前解向量的误差值;Sol(i)为第i个当前解向量的值,best为全局中的最优值;
根据轮盘赌策略从所有的当前解向量中找到全局最优值的替代值,并记为best_plus;
当转换概率>预设值时,使用以下公式更新当前解向量,并进行当前解向量的越界处理:
对更新的所述当前解向量的误差进行判断,若小于预设误差值,则对当前解向量进行保留,否则则保留当前解向量的未更新值;
判断更新的所述当前解向量所对应的最小误差是否小于全局最小误差,是则以当前解向量更新全局最优解,以新的当前解向量所对应的最小误差更新全局最小误差;
进行退温操作;
判断预设误差值是否满足所述锅炉燃烧模型的预测精度,是则输出此时最优的一组解(C,g,ε)与全局最小误差,否则则继续确定当前温度下各个Sol(i)的误差值,并重复后续步骤。
本申请在一较佳示例中可以进一步配置为:还包括以下步骤,
当转换概率<预设值时,则使用以下公式更新当前解向量,并进行当前解向量的越界处理:
Xi t+1=Xi t+δ(Xj t-Xk t);
式中,δ是在0至1之间服从均匀分布的随机数,Xj t与Xk t是相同种类的不同花朵的花粉。
本申请在一较佳示例中可以进一步配置为:所述锅炉特征参量包括二次左风量、二次右风量、空预出口一次风温、空预出口二次风温、再热器温度、给水温度、主蒸汽压力和锅炉负荷。
第二方面,本申请提供一种智慧电厂监控系统,具有根据锅炉的燃烧状态及时调整锅炉运行工况的特点。
本申请是通过以下技术方案得以实现的:
一种智慧电厂监控系统,包括,
数据获取模块,用于获取燃煤锅炉由冷态启动到机组稳定运行至预设电功率过程中的锅炉特征参量的历史数据;
筛选模块,用于判断所述锅炉特征参量的历史数据是否满足稳定工况要求;
锅炉燃烧模型模块,用于基于预设的给煤机进煤量,结合满足稳定工况要求的所述锅炉特征参量的历史数据,采用核心支持向量机构建锅炉燃烧模型;
寻优模块,用于基于预设的多目标函数和所述锅炉燃烧模型,结合切比雪芙法,对锅炉运行可调参数进行寻优,获得锅炉运行参数的最优解;
计算模块,用于将所述最优解与锅炉特征参量的实时数据进行对比,计算优化偏置量;
调整模块,用于根据所述优化偏置量调整锅炉的运行工况。
本申请在一较佳示例中可以进一步配置为:还包括,
第一优化模块,用于采用网格参数寻优函数对所述核心支持向量机的的惩罚参数C和核函数系数g进行寻优。
本申请在一较佳示例中可以进一步配置为:还包括,
第二优化模块,用于采用改进的花授粉算法对所述核心支持向量机的核函数系数g、惩罚系数C与不敏感损失函数ε进行寻优。
第三方面,本申请提供一种计算机设备,具有根据锅炉的燃烧状态及时调整锅炉运行工况的特点。
本申请是通过以下技术方案得以实现的:
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一种智慧电厂监控方法的步骤。
第四方面,本申请提供一种计算机可读存储介质,具有根据锅炉的燃烧状态及时调整锅炉运行工况的特点。
本申请是通过以下技术方案得以实现的:
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一种智慧电厂监控方法的步骤。
综上所述,与现有技术相比,本申请提供的技术方案带来的有益效果至少包括:
1、获取燃煤锅炉由冷态启动到机组稳定运行至预设电功率过程中的锅炉特征参量的历史数据,并筛选得到满足稳定工况要求的锅炉特征参量的历史数据,再基于预设的给煤机进煤量,采用核心支持向量机构建锅炉燃烧模型,实现锅炉燃烧监控的自动化,使得建立的锅炉燃烧模型更简单,节约了大量的建模预测的计算时间,预测速度更快;基于预设的多目标函数和锅炉燃烧模型,结合切比雪芙法,对锅炉运行可调参数进行寻优,获得锅炉运行参数的最优解,简化锅炉燃烧模型的预测过程,预测速度更快;同时,通过预设的多目标函数对锅炉运行可调参数进行寻优,为电厂锅炉实际运行过程中的不同需求提供了决策支持,提高了优化性能与优化效果,可以适应实际工程中的多种优化要求;将最优解与锅炉特征参量的实时数据进行对比,计算优化偏置量,根据优化偏置量调整锅炉的运行工况,以根据锅炉的燃烧状态及时调整锅炉的运行工况,保证锅炉机组具有最佳的运行曲线,进而电厂能够稳定运行;
2、筛选满足稳定工况要求的锅炉特征参量的历史数据作为锅炉燃烧模型的数据样本,对建模数据进行预处理,有利于提高锅炉燃烧模型的预测精度;
3、采用网格参数寻优函数对核心支持向量机的的惩罚参数C和核函数系数g进行寻优,优化核心支持向量机,优化过程较简单,优化速度更快,同时,使得采用核心支持向量机构建的锅炉燃烧模型的精度更高;
4、采用改进的花授粉算法对核心支持向量机的核函数系数g、惩罚系数C与不敏感损失函数ε进行寻优,使建立的锅炉燃烧模型精度更高,预测效果更好;
5、采用二次左风量、二次右风量、空预出口一次风温、空预出口二次风温、再热器温度、给水温度、主蒸汽压力和锅炉负荷作为锅炉燃烧模型的输入变量,以更全面地反映锅炉燃烧的特性,使得构造的锅炉燃烧模型精度更高,预测效果更好。
附图说明
图1为本申请一个示例性实施例提供的一种智慧电厂监控方法的流程示意图。
图2为本申请又一个示例性实施例提供的一种智慧电厂监控方法的构建锅炉燃烧模型的流程示意图。
图3为本申请另一个示例性实施例提供的一种智慧电厂监控方法的对锅炉运行可调参数进行寻优的流程示意图。
图4为本申请一个示例性实施例提供的一种智慧电厂监控系统的结构框图。
具体实施方式
本具体实施例仅仅是对本申请的解释,其并不是对本申请的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本申请的权利要求范围内都受到专利法的保护。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,如无特殊说明,一般表示前后关联对象是一种“或”的关系。
下面结合说明书附图对本申请实施例作进一步详细描述。
参照图1,本申请实施例提供一种智慧电厂监控方法,该一种智慧电厂监控方法的主要步骤描述如下。
S1:获取锅炉特征参量的历史数据;
S2:判断所述锅炉特征参量的历史数据是否满足稳定工况要求;
S3:基于预设的给煤机进煤量,结合满足稳定工况要求的所述锅炉特征参量的历史数据,采用核心支持向量机构建锅炉燃烧模型;
S4:基于预设的多目标函数和所述锅炉燃烧模型,结合切比雪芙法,对锅炉运行可调参数进行寻优,获得锅炉运行参数的最优解;
S5:将所述最优解与锅炉特征参量的实时数据进行对比,计算优化偏置量;
S6:根据所述优化偏置量调整锅炉的运行工况。
进一步地,所述锅炉特征参量包括二次左风量、二次右风量、空预出口一次风温、空预出口二次风温、再热器温度、给水温度、主蒸汽压力和锅炉负荷。
进一步地,所述判断所述锅炉特征参量的历史数据是否满足稳定工况要求的步骤包括,
获取任一种所述锅炉特征参量的历史数据,分别计算标准差和平均值;
判断所述标准差和所述平均值的比值是否小于预设阈值;
当所述标准差和所述平均值的比值小于预设阈值时,则对应的锅炉特征参量的历史数据满足稳定工况要求;
当所有的所述锅炉特征参量的历史数据对应的所述标准差和所述平均值的比值均小于预设阈值时,所述锅炉特征参量的历史数据满足稳定工况要求。
参照图2,进一步地,S3:所述基于预设的给煤机进煤量,结合满足稳定工况要求的所述锅炉特征参量的历史数据,采用核心支持向量机构建锅炉燃烧模型的步骤包括,
S31:采用预设的核函数处理所述给煤机进煤量和满足稳定工况要求的所述锅炉特征参量的历史数据,得到锅炉燃烧的线性拟合方程;
S32:根据预设的敏感损失函数,构造包含敏感损失函数参数的锅炉燃烧模型;
S33:将包含敏感损失函数参数的锅炉燃烧模型转换为对偶的矩阵形式;
S34:为对偶的矩阵形式的包含敏感损失函数参数的锅炉燃烧模型的每一个由核函数诱导的特征映射函数增加一个实数项,同时约束球心的最后一维,将对偶的矩阵形式的包含敏感损失函数参数的锅炉燃烧模型简化为由所述给煤机进煤量和满足稳定工况要求的所述锅炉特征参量的历史数据形成的包含所有数据点的最小球的表达式,作为锅炉燃烧模型。
参照图3,进一步地,S4:所述基于预设的多目标函数和所述锅炉燃烧模型,结合切比雪芙法,对锅炉运行可调参数进行寻优,获得锅炉运行参数的最优解的步骤包括,
S41:根据所述锅炉特征参量的历史数据,设置所述锅炉燃烧模型的约束条件;
S42:基于所述约束条件和所述多目标函数,将所述锅炉燃烧模型的多目标表达式分解为单目标表达式;
S43:求解所述单目标表达式,并将求解结果乘以所述锅炉燃烧模型的多目标表达式所对应映射的权向量,获得锅炉运行参数的最优解。
进一步地,一种智慧电厂监控方法还包括以下步骤,
采用网格参数寻优函数对所述核心支持向量机的的惩罚参数C和核函数系数g进行寻优,确定惩罚参数C和核函数系数g的值,所述网格参数寻优函数表达式如下:
[best C,best g]=SVMcgForRegress(output,input,Cmin,Cmax,gmin'gmax);
式中,best C为核心支持向量机的最优惩罚参数;best g为核心支持向量机的最优核函数系数;output指样本的输出;input指样本的输入;Cmin指惩罚参数的下限;Cmax指惩罚参数的上限;gmin指核函数系数的下限;gmax指核函数系数的上限。
进一步地,一种智慧电厂监控方法还包括以下步骤,
采用改进的花授粉算法对所述核心支持向量机的核函数系数g、惩罚系数C与不敏感损失函数ε进行寻优,包括,
初始化核函数系数g、惩罚系数C与不敏感损失函数ε的取值范围;
获取N个花朵种群作为当前解向量,且每个当前解向量对应一个三维的向量(C,g,ε),并找到当前情况下的最优解与最小误差;
确定当前温度下各个当前解向量的误差值,具体公式如下:
式中,TFit()用于确定当前温度下的各个当前解向量的误差值;Sol(i)为第i个当前解向量的值,best为全局中的最优值;
根据轮盘赌策略从所有的当前解向量中找到全局最优值的替代值,并记为best_plus;
当转换概率>预设值时,使用以下公式更新当前解向量,并进行当前解向量的越界处理:
当转换概率<预设值时,则使用以下公式更新当前解向量,并进行当前解向量的越界处理:
Xi t+1=Xi t+δ(Xj t-Xk t);
式中,δ是在0至1之间服从均匀分布的随机数,Xj t与Xk t是相同种类的不同花朵的花粉;
对更新的所述当前解向量的误差进行判断,若小于预设误差值,则对当前解向量进行保留,否则则保留当前解向量的未更新值;
判断更新的所述当前解向量所对应的最小误差是否小于全局最小误差,是则以当前解向量更新全局最优解,以新的当前解向量所对应的最小误差更新全局最小误差;
进行退温操作;
判断预设误差值是否满足所述锅炉燃烧模型的预测精度,是则输出此时最优的一组解(C,g,ε)与全局最小误差,否则则继续确定当前温度下各个Sol(i)的误差值,并重复后续步骤。
具体地,上述实施例的详细介绍如下。
获取锅炉特征参量的历史数据,例如,3月1日至3月19日共计19天中,掺煤燃烧的300MW汽包锅炉的二次左风量、二次右风量、空预出口一次风温、空预出口二次风温、再热器温度、给水温度、主蒸汽压力和锅炉负荷的历史数据。
判断历史数据中的二次左风量、二次右风量、空预出口一次风温、空预出口二次风温、再热器温度、给水温度、主蒸汽压力和锅炉负荷八个维度的参数是否满足稳定工况要求。当上述参数均满足公式(3-1)要求时,则判定数据满足稳定工况,判断公式(3-1)如下所示:
式中,yi表示第i时间段待判断参数;std指标准差;average指平均值。
例如,从3月1日至3月19日的锅炉特征参量的历史数据中选取3月15-3月16日的二次左风量、二次右风量、空预出口一次风温、空预出口二次风温、再热器温度、给水温度、主蒸汽压力和锅炉负荷分别进行判断,若均满足条件,则判定锅炉特征参量的3月15-3月16的历史数据满足稳定工况,否则重新获取锅炉特征参量的历史数据进行判断。
基于煤质报告中的煤量作为给煤机进煤量,结合满足稳定工况要求的二次左风量、二次右风量、空预出口一次风温、空预出口二次风温、再热器温度、给水温度、主蒸汽压力和锅炉负荷的历史数据,采用核心支持向量机对锅炉燃烧特性进行建模,利用中心约束最小闭包球,将核心支持向量机对锅炉燃烧特性进行建模问题转化为最小闭包球问题的求解。
具体地,基于给煤机进煤量、满足稳定工况要求的二次左风量、二次右风量、空预出口一次风温、空预出口二次风温、再热器温度、给水温度、主蒸汽压力和锅炉负荷的历史数据获得集合S={x1,x2,…,xi},xi∈Rd,d是维数,本实施例中,d=8,集合S的最小闭包球是指包含集合S中所有数据点的最小球,表示为MEB(S),最小球的半径为R。
对于集合S的最小闭包球,可以得到如公式(3-2)所示:
本实施例中,选择具有较强非线性映射能力的高斯核函数作为支持向量机的核函数,如RBF高斯核函数。RBF高斯核函数只需调节其自带的系数g,g表征的是模型受个体样本的影响大小,g值越大,表示模型越容易受到个体样本的影响,同时容易导致模型对测试样本的预测精度下降,即出现过拟合问题;而g值越小,模型复杂度会越低,容易导致模型对训练样本的预测精度不足,即出现欠拟合问题。
惩罚参数C表征模型的仿真预测值与真实值之间的误差的可接受范围,C值太大,容易带来过拟合现象;C值太小,则会带来欠拟合现象,导致样本的预测精度过低。
构造拉格朗日函数如公式(3-3)所示:
对C、R求偏导并令其为零,代入公式(3-2),得到上式的对偶形式如公式(3-4)所示:
max α diga(K)-αTKα;
s.t.α≥O,αTI=1;
在支持核心向量机对锅炉燃烧特性进行建模中,将给煤机进煤量、满足稳定工况要求的二次左风量、二次右风量、空预出口一次风温、空预出口二次风温、再热器温度、给水温度、主蒸汽压力和锅炉负荷分别作为输入变量xi,形成训练集合{Si=(xi,yi)},其中yi为输出变量,经过RBF高斯核函数处理后得到锅炉燃烧的线性拟合方程为结合敏感损失函数ε,得到如公式(3-5)所示:
为了控制损失函数参数,得到对应的对偶的矩阵形式如公式(3-6)所示:
s.t.[γTγ*T]I=1,γ,γ*≥0;
式中y=[y1,…,ym]′;γ=[γ1,…,γm]′;γ*=γ* 1,…,γ* m]′;
δi=[δ1 2,…,δm2];
进而公式(3-4)转换为:
max α′(diga(K)+δ)-α′Kα;
s.t.α≥O,α′I=1;
又因为αTΙ=1,任意η∈R加入不会影响α的结果,故得到公式(3-5):
max α'(diga(K)+δ-η1)-α'Kα;
s.t.α≥0,α'I=1;
即公式(3-6)与公式(3-4)形式相同,因此,利用中心约束最小闭包球的问题,将对锅炉燃烧特性进行建模问题转化为最小闭包球问题的求解,节约了大量的建模预测的计算时间,预测速度更快。核心集中的向量为核心向量,通过核心向量可以得到原SVM问题的解。
进一步地,预设的多目标函数可以为使NOx生成浓度尽可能低的同时提高锅炉热效率作为锅炉燃烧多目标优化的多目标函数,以利用建立的锅炉燃烧模型,求解使NOx生成浓度尽可能低的同时提高锅炉热效率的一系列折中解的集合,以所需优化的多目标函数NOx生成浓度和锅炉热效率作为模型的输出。
具体地,结合电厂历史运行数据及实际运行经验,设置锅炉燃烧模型的约束条件,具体如表1所示:
表1
结合切比雪芙法,对多目标问题进行转化为单目标的数学表达式(3-7):
式中,Z*=(Z1 *,Z2 *,…,Zm *)T为单目标初始化的参考点,
Zi *=min{fi(x)|x∈Ω},i=1,2,…,m为转化后的系列单目标子问题。
因对于多目标优化问题中的每一个帕累托最优解,都会有一个权向量与其对应,使得每一个帕累托最优解对应(3-7)的一个最优解。单目标子问题的最优解也与多目标问题中帕累托最优解一一对应。求解单目标表达式,并将求解结果乘以锅炉燃烧模型的多目标表达式所对应映射的权向量,获得锅炉运行参数的最优解。即采用切比雪芙法实现了对锅炉燃烧的NOx生成浓度和锅炉热效率的基于分解的多目标优化,有利于实现锅炉燃烧模型的快速预测。
将最优解与锅炉特征参量的实时数据进行对比,本实施例中,将最优解与锅炉特征参量中的运行时可调参数进行对比,计算优化偏置量,并根据优化偏置量调整锅炉的运行工况。
经过优化后,NOx最低生成浓度由132mg/m3下降至98mg/m3,降幅比例达到25.4%;锅炉热效率最大值由94.5%增加至95.3%,效率提高0.8个百分点。
进一步地,使用网格参数寻优函数SVMcgForRegress对核心支持向量机的惩罚参数C和核函数系数g进行寻优,网格参数寻优函数SVMcgForRegress的表达式如下;
[best C,best g]=SVMcgForRegress(output,input,Cmin,Cmax,gmin'gmax);
式中,output指样本的输出;input指样本的输入;Cmin指惩罚参数的下限;Cmax指惩罚参数的上限;gmin指核函数系数的下限;gmax指核函数系数的上限。
或者,采用交叉验证的方法得到在某组C和g下训练集结果的最小均方差,则选取该组C和g作为最优的参数。
进一步地,采用改进的花授粉算法SFPA优化核心支持向量机。
具体地,首先利用模拟退火算法与花授粉算法相结合,以提高花授粉算法的全局搜索能力与收敛速度,形成一种改进的花授粉算法SFPA;然后利用SFPA优化算法来对核心支持向量机SVM的核函数系数g、惩罚系数C与不敏感损失函数ε进行参数寻优,优化的具体步骤包括:
初始化SFPA优化算法,确定C、g、ε三个参数的取值范围,设花朵种群数量为N,最大的迭代次数为itermax,转换概率为P,退火的初始温度为T,退温常数为θ;
随机产生N个当前解向量,每个当前解向量对应一个三维的向量(C,g,ε),并找到当前情况下的最优解与最小误差fmin;
确定当前温度下各个Sol(i)的误差值,具体公式如下:
式中,Sol(i)为第i个当前解向量的值,best为全局中的最优值;
根据轮盘赌策略从所有的Sol(i)中找到全局最优值的替代值,并记为best_plus;
当P>rand时,使用以下公式更新当前解向量,并进行当前解向量的越界处理:
当P<rand时,则使用以下公式更新当前解向量,并进行当前解向量的越界处理:
Xi t+1=Xi t+δ(Xj t-Xk t);
式中,δ是在0至1之间服从均匀分布的随机数,Xj t与Xk t是相同种类的不同花朵的花粉;
对形成的新的当前解向量的误差进行判断,若小于预设误差值,则对当前解向量进行保留,否则则保留当前解向量的未更新值;
判断形成的新的当前解向量所对应的最小误差是否小于全局最小误差,是则以当前解向量更新全局最优解,以新的当前解向量所对应的最小误差更新全局最小误差;
进行退温操作;
判断预设误差值是否满足锅炉燃烧模型的预测精度,如果达到,则输出此时最优的一组解(C,g,ε)与全局最小误差fmin,否则则跳转到确定当前温度下各个Sol(i)的误差值的步骤进行继续搜索,并重复后续步骤。
一种智慧电厂监控方法通过获取燃煤锅炉由冷态启动到机组稳定运行至预设电功率过程中的锅炉特征参量的历史数据,并筛选得到满足稳定工况要求的锅炉特征参量的历史数据,再基于预设的给煤机进煤量,采用核心支持向量机构建锅炉燃烧模型,实现锅炉燃烧监控的自动化,使得建立的锅炉燃烧模型更简单,节约了大量的建模预测的计算时间,预测速度更快。
采用网格参数寻优函数对核心支持向量机的的惩罚参数C和核函数系数g进行寻优,或改进的花授粉算法对核心支持向量机的核函数系数g、惩罚系数C与不敏感损失函数ε进行寻优,优化核心支持向量机,使建立的锅炉燃烧模型精度更高,预测效果更好。
基于预设的多目标函数和锅炉燃烧模型,结合切比雪芙法,对锅炉运行可调参数进行寻优,获得锅炉运行参数的最优解,简化锅炉燃烧模型的预测过程,预测速度更快;同时,通过预设的多目标函数对锅炉运行可调参数进行寻优,为电厂锅炉实际运行过程中的不同需求提供了决策支持,提高了优化性能与优化效果,可以适应实际工程中的多种优化要求。
将最优解与锅炉特征参量的实时数据进行对比,计算优化偏置量,根据优化偏置量调整锅炉的运行工况,以根据锅炉的燃烧状态及时调整锅炉的运行工况,保证锅炉机组具有最佳的运行曲线,进而电厂能够稳定运行。
一种智慧电厂监控方法通过快速建立一个精确的锅炉燃烧模型,并以此模型为基础,通过智能算法优化锅炉运行时的可调参数,给出可调参数的最佳值,实现了电厂锅炉的清洁高效运行。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
参照图4,本申请实施例还提供一种智慧电厂监控系统,包括,
数据获取模块,用于获取燃煤锅炉由冷态启动到机组稳定运行至预设电功率过程中的锅炉特征参量的历史数据;
筛选模块,用于判断所述锅炉特征参量的历史数据是否满足稳定工况要求;
锅炉燃烧模型模块,用于基于预设的给煤机进煤量,结合满足稳定工况要求的所述锅炉特征参量的历史数据,采用核心支持向量机构建锅炉燃烧模型;
寻优模块,用于基于预设的多目标函数和所述锅炉燃烧模型,结合切比雪芙法,对锅炉运行可调参数进行寻优,获得锅炉运行参数的最优解;
计算模块,用于将所述最优解与锅炉特征参量的实时数据进行对比,计算优化偏置量;
调整模块,用于根据所述优化偏置量调整锅炉的运行工况。
一种智慧电厂监控系统还包括,
第一优化模块,用于采用网格参数寻优函数对所述核心支持向量机的的惩罚参数C和核函数系数g进行寻优;
第二优化模块,用于采用改进的花授粉算法对所述核心支持向量机的核函数系数g、惩罚系数C与不敏感损失函数ε进行寻优。
同时,一种智慧电厂监控系统集数据采集、治理、存储、分析、可视化为一体,赋能电厂数字化转型,可有效解决数据孤岛、提升数据质量、落地数据标准、实现电厂数据灵活分发共享、并进行大数据挖掘,为生产设备、流程工艺远程诊断,同时也可通过大数据可视化形成对生产经营辅助分析决策提供有力的支撑。
关于一种智慧电厂监控系统的具体限定可以参见上文中对于一种智慧电厂监控方法的限定,在此不再赘述。上述一种智慧电厂监控系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述任意一种智慧电厂监控系统。
在一个实施例中,提供了一种计算机可读存储介质,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
S1:获取锅炉特征参量的历史数据;
S2:判断所述锅炉特征参量的历史数据是否满足稳定工况要求;
S3:基于预设的给煤机进煤量,结合满足稳定工况要求的所述锅炉特征参量的历史数据,采用核心支持向量机构建锅炉燃烧模型;
S4:基于预设的多目标函数和所述锅炉燃烧模型,结合切比雪芙法,对锅炉运行可调参数进行寻优,获得锅炉运行参数的最优解;
S5:将所述最优解与锅炉特征参量的实时数据进行对比,计算优化偏置量;
S6:根据所述优化偏置量调整锅炉的运行工况。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述系统的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
Claims (13)
1.一种智慧电厂监控方法,其特征在于,包括以下步骤,
获取锅炉特征参量的历史数据;
判断所述锅炉特征参量的历史数据是否满足稳定工况要求;
基于预设的给煤机进煤量,结合满足稳定工况要求的所述锅炉特征参量的历史数据,采用核心支持向量机构建锅炉燃烧模型;
基于预设的多目标函数和所述锅炉燃烧模型,结合切比雪芙法,对锅炉运行可调参数进行寻优,获得锅炉运行参数的最优解;
将所述最优解与锅炉特征参量的实时数据进行对比,计算优化偏置量;
根据所述优化偏置量调整锅炉的运行工况。
2.根据权利要求1所述的智慧电厂监控方法,其特征在于,所述判断所述锅炉特征参量的历史数据是否满足稳定工况要求的步骤包括,
获取任一种所述锅炉特征参量的历史数据,分别计算标准差和平均值;
判断所述标准差和所述平均值的比值是否小于预设阈值;
当所述标准差和所述平均值的比值小于预设阈值时,则对应的锅炉特征参量的历史数据满足稳定工况要求;
当所有的所述锅炉特征参量的历史数据对应的所述标准差和所述平均值的比值均小于预设阈值时,所述锅炉特征参量的历史数据满足稳定工况要求。
3.根据权利要求1所述的智慧电厂监控方法,其特征在于,所述基于预设的给煤机进煤量,结合满足稳定工况要求的所述锅炉特征参量的历史数据,采用核心支持向量机构建锅炉燃烧模型的步骤包括,
采用预设的核函数处理所述给煤机进煤量和满足稳定工况要求的所述锅炉特征参量的历史数据,得到锅炉燃烧的线性拟合方程;
根据预设的敏感损失函数,构造包含敏感损失函数参数的锅炉燃烧模型;
将包含敏感损失函数参数的锅炉燃烧模型转换为对偶的矩阵形式;
为对偶的矩阵形式的包含敏感损失函数参数的锅炉燃烧模型的每一个由核函数诱导的特征映射函数增加一个实数项,同时约束球心的最后一维,将对偶的矩阵形式的包含敏感损失函数参数的锅炉燃烧模型简化为由所述给煤机进煤量和满足稳定工况要求的所述锅炉特征参量的历史数据形成的包含所有数据点的最小球的表达式,作为锅炉燃烧模型。
4.根据权利要求1所述的智慧电厂监控方法,其特征在于,所述基于预设的多目标函数和所述锅炉燃烧模型,结合切比雪芙法,对锅炉运行可调参数进行寻优,获得锅炉运行参数的最优解的步骤包括,
根据所述锅炉特征参量的历史数据,设置所述锅炉燃烧模型的约束条件;
基于所述约束条件和所述多目标函数,将所述锅炉燃烧模型的多目标表达式分解为单目标表达式;
求解所述单目标表达式,并将求解结果乘以所述锅炉燃烧模型的多目标表达式所对应映射的权向量,获得锅炉运行参数的最优解。
5.根据权利要求1-4任意一项所述的智慧电厂监控方法,其特征在于,还包括以下步骤,
采用网格参数寻优函数对所述核心支持向量机的的惩罚参数C和核函数系数g进行寻优,确定惩罚参数C和核函数系数g的值,所述网格参数寻优函数表达式如下:
[best C,best g]=SVMcgForRegress(output,input,Cmin,Cmax,gmin,gmax);
式中,best C为核心支持向量机的最优惩罚参数;best g为核心支持向量机的最优核函数系数;output指样本的输出;input指样本的输入;Cmin指惩罚参数的下限;Cmax指惩罚参数的上限;gmin指核函数系数的下限;gmax指核函数系数的上限。
6.根据权利要求1-4任意一项所述的智慧电厂监控方法,其特征在于,还包括以下步骤,
采用改进的花授粉算法对所述核心支持向量机的核函数系数g、惩罚系数C与不敏感损失函数ε进行寻优,包括,
初始化核函数系数g、惩罚系数C与不敏感损失函数ε的取值范围;
获取N个花朵种群作为当前解向量,且每个当前解向量对应一个三维的向量(C,g,ε),并找到当前情况下的最优解与最小误差;
确定当前温度下各个当前解向量的误差值,具体公式如下:
式中,TFit()用于确定当前温度下的各个当前解向量的误差值;Sol(i)为第i个当前解向量的值,best为全局中的最优值;
根据轮盘赌策略从所有的当前解向量中找到全局最优值的替代值,并记为best_plus;
当转换概率>预设值时,使用以下公式更新当前解向量,并进行当前解向量的越界处理:
对更新的所述当前解向量的误差进行判断,若小于预设误差值,则对当前解向量进行保留,否则则保留当前解向量的未更新值;
判断更新的所述当前解向量所对应的最小误差是否小于全局最小误差,是则以当前解向量更新全局最优解,以新的当前解向量所对应的最小误差更新全局最小误差;
进行退温操作;
判断预设误差值是否满足所述锅炉燃烧模型的预测精度,是则输出此时最优的一组解(C,g,ε)与全局最小误差,否则则继续确定当前温度下各个Sol(i)的误差值,并重复后续步骤。
7.根据权利要求6所述的智慧电厂监控方法,其特征在于,还包括以下步骤,
当转换概率<预设值时,则使用以下公式更新当前解向量,并进行当前解向量的越界处理:
Xi t+1=Xi t+δ(Xj t-Xk t);
式中,δ是在0至1之间服从均匀分布的随机数,Xj t与Xk t是相同种类的不同花朵的花粉。
8.根据权利要求1所述的智慧电厂监控方法,其特征在于,所述锅炉特征参量包括二次左风量、二次右风量、空预出口一次风温、空预出口二次风温、再热器温度、给水温度、主蒸汽压力和锅炉负荷。
9.一种智慧电厂监控系统,其特征在于,包括,
数据获取模块,用于获取燃煤锅炉由冷态启动到机组稳定运行至预设电功率过程中的锅炉特征参量的历史数据;
筛选模块,用于判断所述锅炉特征参量的历史数据是否满足稳定工况要求;
锅炉燃烧模型模块,用于基于预设的给煤机进煤量,结合满足稳定工况要求的所述锅炉特征参量的历史数据,采用核心支持向量机构建锅炉燃烧模型;
寻优模块,用于基于预设的多目标函数和所述锅炉燃烧模型,结合切比雪芙法,对锅炉运行可调参数进行寻优,获得锅炉运行参数的最优解;
计算模块,用于将所述最优解与锅炉特征参量的实时数据进行对比,计算优化偏置量;
调整模块,用于根据所述优化偏置量调整锅炉的运行工况。
10.根据权利要求9所述的智慧电厂监控系统,其特征在于,还包括,
第一优化模块,用于采用网格参数寻优函数对所述核心支持向量机的的惩罚参数C和核函数系数g进行寻优。
11.根据权利要求9所述的智慧电厂监控系统,其特征在于,还包括,
第二优化模块,用于采用改进的花授粉算法对所述核心支持向量机的核函数系数g、惩罚系数C与不敏感损失函数ε进行寻优。
12.一种计算机设备,其特征在于,包括存储器、处理器及存储在存储器上的计算机程序,所述处理器执行所述计算机程序以实现权利要求1至8任意一项所述方法的步骤。
13.一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存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至8任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210468184.9A CN114880927A (zh) | 2022-04-29 | 2022-04-29 | 一种智慧电厂监控方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210468184.9A CN114880927A (zh) | 2022-04-29 | 2022-04-29 | 一种智慧电厂监控方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114880927A true CN114880927A (zh) | 2022-08-09 |
Family
ID=82673469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210468184.9A Pending CN114880927A (zh) | 2022-04-29 | 2022-04-29 | 一种智慧电厂监控方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114880927A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115455866A (zh) * | 2022-10-31 | 2022-12-09 | 北京寄云鼎城科技有限公司 | 稳定工况识别方法及系统、设备及介质 |
CN117356590A (zh) * | 2023-09-20 | 2024-01-09 | 广州市赛思达机械设备有限公司 | 一种隧道炉供热控制方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101498458A (zh) * | 2009-03-02 | 2009-08-05 | 杭州电子科技大学 | 一种锅炉在线燃烧优化的模型更新方法 |
CN102252342A (zh) * | 2011-05-05 | 2011-11-23 | 衢州远景资源再生科技有限公司 | 一种多孔介质燃烧器在线燃烧优化的模型更新方法 |
CN108038306A (zh) * | 2017-12-11 | 2018-05-15 | 太原理工大学 | 一种面向海量高维数据的电站锅炉燃烧建模及优化的方法 |
CN111765445A (zh) * | 2020-07-01 | 2020-10-13 | 河北工业大学 | 一种锅炉在线燃烧优化控制方法、系统及计算机设备 |
CN113609663A (zh) * | 2021-07-29 | 2021-11-05 | 大唐南京发电厂 | 一种基于物理模型与历史数据分析的燃烧优化方法 |
-
2022
- 2022-04-29 CN CN202210468184.9A patent/CN114880927A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101498458A (zh) * | 2009-03-02 | 2009-08-05 | 杭州电子科技大学 | 一种锅炉在线燃烧优化的模型更新方法 |
CN102252342A (zh) * | 2011-05-05 | 2011-11-23 | 衢州远景资源再生科技有限公司 | 一种多孔介质燃烧器在线燃烧优化的模型更新方法 |
CN108038306A (zh) * | 2017-12-11 | 2018-05-15 | 太原理工大学 | 一种面向海量高维数据的电站锅炉燃烧建模及优化的方法 |
CN111765445A (zh) * | 2020-07-01 | 2020-10-13 | 河北工业大学 | 一种锅炉在线燃烧优化控制方法、系统及计算机设备 |
CN113609663A (zh) * | 2021-07-29 | 2021-11-05 | 大唐南京发电厂 | 一种基于物理模型与历史数据分析的燃烧优化方法 |
Non-Patent Citations (2)
Title |
---|
孙秀峰: "《中国商业银行规模扩张下的风险管理问题研究》", 31 December 2013, 知识产权出版社 * |
胡忠义: "《基于计算智能技术的电力负荷预测理论及应用》", 31 January 2019, 武汉大学出版社 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115455866A (zh) * | 2022-10-31 | 2022-12-09 | 北京寄云鼎城科技有限公司 | 稳定工况识别方法及系统、设备及介质 |
CN115455866B (zh) * | 2022-10-31 | 2023-02-24 | 北京寄云鼎城科技有限公司 | 稳定工况识别方法及系统、设备及介质 |
CN117356590A (zh) * | 2023-09-20 | 2024-01-09 | 广州市赛思达机械设备有限公司 | 一种隧道炉供热控制方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114880927A (zh) | 一种智慧电厂监控方法、系统、设备及存储介质 | |
CN107203687B (zh) | 吸收塔脱硫过程多目标协同智能优化控制方法 | |
CN110285403A (zh) | 基于被控参数预估的主蒸汽温度控制方法 | |
CN106991539B (zh) | 一种能源系统优化调度方法及装置 | |
Chen et al. | Multi-objective mean–variance–skewness model for nonconvex and stochastic optimal power flow considering wind power and load uncertainties | |
CN112130538B (zh) | 磨煤机的控制优化及模型训练的方法、装置、设备和介质 | |
CN108490790A (zh) | 一种基于多目标优化的过热汽温自抗扰串级控制方法 | |
Lu et al. | A hybrid deep learning-based online energy management scheme for industrial microgrid | |
Donyaii et al. | Water reservoir multiobjective optimal operation using Grey Wolf optimizer | |
CN115795992A (zh) | 一种基于运行态势虚拟推演的园区能源互联网在线调度方法 | |
CN111600309B (zh) | 电压控制方法、装置、设备、计算机设备和存储介质 | |
CN111126707B (zh) | 能耗方程构建、能耗预测方法与装置 | |
CN112039058A (zh) | 基于风功率预测区间的机组组合方法、系统、介质及设备 | |
CN117031950A (zh) | 深度调峰火电机组控制系统建模的方法及装置 | |
Pourghasem et al. | Reliable economic dispatch of microgrids by exchange market algorithm | |
CN110888401B (zh) | 火力发电机组燃烧控制优化方法、装置及可读存储介质 | |
CN114970766A (zh) | 一种基于线性拟合的电站机组运行参数基准值获取方法 | |
CN112394640B (zh) | 参数整定方法、装置、存储介质及参数整定单元 | |
CN115622056A (zh) | 一种基于线性加权和选解法的储能优化配置方法及系统 | |
Khalili et al. | Combined Heat and Power Economic Dispatch using Improved Shuffled Frog Leaping Algorithm | |
CN115495862A (zh) | 考虑可再生能源极端场景的输电网扩展规划方法及系统 | |
CN112488224B (zh) | 模型训练方法、装置、计算机设备及存储介质 | |
CN114547983A (zh) | 一种基于改进的多种群遗传算法的反应堆运行优化方法 | |
CN113759709A (zh) | 策略模型的训练方法、装置、电子设备和存储介质 | |
Gao et al. | A review of different methodologies for solving the problem of wind power's fluctuation |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220809 |