CN115081899A - 一种电站机组运行参数基准值的在线自适应获取方法 - Google Patents
一种电站机组运行参数基准值的在线自适应获取方法 Download PDFInfo
- Publication number
- CN115081899A CN115081899A CN202210758722.8A CN202210758722A CN115081899A CN 115081899 A CN115081899 A CN 115081899A CN 202210758722 A CN202210758722 A CN 202210758722A CN 115081899 A CN115081899 A CN 115081899A
- Authority
- CN
- China
- Prior art keywords
- data
- clustering
- power station
- station unit
- steady
- 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 39
- 238000010977 unit operation Methods 0.000 title claims abstract description 10
- 238000012216 screening Methods 0.000 claims description 23
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 238000003064 k means clustering Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000009826 distribution Methods 0.000 abstract description 6
- 230000008859 change Effects 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000005265 energy consumption Methods 0.000 abstract description 2
- 238000005065 mining Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009776 industrial production 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
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06Q10/0633—Workflow 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Water Supply & Treatment (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电站机组运行参数基准值的在线自适应获取方法,属于燃煤发电机组能耗分析技术领域,该方法包括:获取电站机组的历史运行数据;将历史运行数据划分为多个工况;实时获取电站机组的实际运行数据;并将实际运行数据中的稳态数据对应至划分的工况中,利用在线聚类算法更新电站机组不同工况下的聚类模型,生成至少一组聚类数据簇及至少一个聚类中心;在至少一组聚类数据簇中,根据预设条件与聚类中心的相符程度选取最优的聚类数据簇;并将最优的聚类簇对应的聚类中位数作为每个工况的运行参数基准值。本发明通过在线聚类的方式更新简单、易于实现,且模型可以自动地适应输入分布的改变,使得电站机组基准挖掘算法更具有灵活性。
Description
技术领域
本发明涉及燃煤发电机组能耗分析技术领域,特别涉及一种电站机组运行参数基准值的在线自适应获取方法、装置和计算机设备。
背景技术
在电站机组生成运行过程中,为了提高机组的高效性和节能性,电站机组运行优化研究工作至关重要。运行参数基准值能够在生产运行中为机组提供可靠的指导作用,也是提高机组能效的关键手段。在工业生产运行中,以往都是根据机组设计值或者行业标准来优化生产目标,而在实际生产中可能会对设备进行部分改造,或者随着设备的磨损,导致设计值难以达到优化目标,只有在正确确定运行参数基准值后,才能以此为目标减少机组运行的各项经济损失,从而提高机组运行经济型。
随着大数据分析的发展,使用机组历史数据通过数据挖掘的方法来提取运行参数基准值也成为了主要方式,但随着使用模型的时间拉长,机组输入数据分布会随着时间而改变,从而导致精确度降低。
发明内容
基于此,有必要针对上述技术问题,提供一种电站机组运行参数基准值的在线自适应获取方法、装置和计算机设备。
本发明实施例提供一种电站机组运行参数基准值的在线自适应获取方法,包括:
获取电站机组的历史运行数据;
将历史运行数据划分为多个工况;
实时获取电站机组的实际运行数据,将实际运行数据中的稳态数据对应至划分的工况中;并利用在线聚类算法更新电站机组不同工况下的聚类模型,生成至少一组聚类数据簇及至少一个聚类中心;
在至少一组聚类数据簇中,根据预设条件与聚类中心的相符程度选取最优的聚类数据簇;并将最优的聚类簇对应的聚类中位数作为每个工况的运行参数基准值。
进一步地,所述实际运行数据中的稳态数据的确定,具体包括:
对历史运行数据进行稳态工况筛选,确定稳态筛选规则;
根据稳态筛选规则,确定实际运行数据中的稳态数据。
进一步地,所述对历史运行数据进行稳态工况筛选,确定稳态筛选规则,其包括:
对历史运行数据中的特征参数,根据多参数阈值进行基于方差的稳态筛选,获得稳态工况筛选规则。
进一步地,所述稳态筛选规则对应的判定公式如下所示:
进一步地,所述历史运行数据中的特征参数,包括:
主蒸汽温度、主蒸汽压力、再热蒸汽温度、再热蒸汽压力、给水流量。
进一步地,所述将历史运行数据划分为多个工况,具体包括:
使用热值区间将历史运行数据划分为至少两个初级工况;
使用主蒸汽流量区间将每个初级工况对应的历史运行数据划分为至少两个次级工况。
进一步地,所述在线聚类算法采用在线K-Means聚类算法。
进一步地,所述在线K-Means聚类算法,包括:
输入警戒值p和移动因子;
将输入的第1个数据X1,记为一个聚类中心C1;
对每一个输入数据Xi计算其与每个聚类中心的距离:
其中,l≤k;如果bi>p,则更新聚类中心ΔCi=η(Xi-Ci),如果bi>p,则把Xi添加为新的聚类中心Ck+1。
本发明实施例提供的一种电站机组运行参数基准值的在线自适应获取装置,包括:
历史数据获取模块,用于获取电站机组的历史运行数据;
工况划分模块,用于将历史运行数据划分为多个工况;
模型更新模块,用于实时获取电站机组的实际运行数据;并将实际运行数据中的稳态数据对应至划分的工况中,利用在线聚类算法更新电站机组不同工况下的聚类模型,生成至少一组聚类数据簇及至少一个聚类中心;
基准值确定模块,用于在至少一组聚类数据簇中,根据预设条件与聚类中心的相符程度选取最优的聚类数据簇;并将最优的聚类簇对应的聚类中位数作为每个工况的运行参数基准值。
本发明实施例提供的一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现的步骤,包括:
获取电站机组的历史运行数据;
将历史运行数据划分为多个工况;
实时获取电站机组的实际运行数据;并将实际运行数据中的稳态数据对应至划分的工况中,利用在线聚类算法更新电站机组不同工况下的聚类模型,生成至少一组聚类数据簇及至少一个聚类中心;
在至少一组聚类数据簇中,根据预设条件与聚类中心的相符程度选取最优的聚类数据簇;并将最优的聚类簇对应的聚类中位数作为每个工况的运行参数基准值。
本发明实施例提供的上述电站机组运行参数基准值的在线自适应获取方法、装置和计算机,与现有技术相比,其有益效果如下:
本发明通过在线自适应的聚类方法对不同工况下的数据进行聚类,通过不断地输入样本,模型可以自动地适应这些改变,从而使基准提取算法更贴近于实际,避免了由于时间地推迟,输入数据变化导致模型精确度降低。具体地,本发明通过获取电站机组一定时间长度内的实际运行历史数据,对数据进行稳态筛选,获取稳态筛选规则,在此基础上,依据历史机组主蒸汽流量、入炉煤热值两个特征区间确定工况划分区间;实时接收电站机组实际运行数据,并判断其是否属于稳态数据,在此基础上,将稳态数据添加到工况中,利用在线聚类算法更新机组不同工况下的聚类模型,在每个工况内,生成至少一组聚类数据簇,并根据预设条件选取最优聚类簇,确定最优聚类簇对应的聚类中位数作为各工况下的运行指标基准值;通过在线聚类的方式更新简单、易于实现,且模型可以自动地适应输入分布的改变,使得电站机组基准挖掘算法更具有灵活性,应用于电力系统,采用此方法能够自适应地解决对电站机组实时输入数据分布改变的问题,同时为机组调优提供了一种指导方向,便于下一步分析和实际应用。
附图说明
图1为一个实施例中提供的一种电站机组运行参数基准值的在线自适应获取方法流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
一个实施例中提供的一种电站机组运行参数基准值的在线自适应获取方法,参见图1,该方法具体包括:
S1、选取国内某电厂运行数据进行仿真,采样周期为1min,选取最近3-5个月的电站机组历史运行数据,得到原始样本数据;并采用箱型图法和机组启停信号删除其中的异常数据和未正常运行的数据。
S2、将历史数据进行稳态筛选,获取稳态筛选规则。
其具体为:将原始样本数据中的主蒸汽温度、主蒸汽压力、再热蒸汽温度、再热蒸汽压力、给水流量五个特征参数根据阈值进行基于方差的稳态筛选,判定公式如下所示。
本实施例依次对上述的五个特征参数进行稳态筛选,获取稳态筛选规则。
S3、将稳定工况下的数据进行工况划分,确定工况划分区间。
其具体为:使用热值区间将所述历史运行数据划分为至少两个大工况(初级工况),再使用主蒸汽流量区间将每个大工况的历史运行数据划分为至少两个小工况(次级工况)。
本实施例中热值区间取值范围为3000-4000,故将其划分成5个大工况,分别是热值3000-3200、热值3200-3400、热值3400-3600、热值3600-3800、热值3800-4000。对于主蒸汽流量来说,其取值范围是219-449,由于其稳定时的波动较大,故将其划分成有部分重合的工况,共计37个。
S4、实时接收电站机组实际运行数据,并判断其是否属于稳态数据,在此基础上,将稳态数据添加到工况中,利用在线聚类算法更新机组不同工况下的聚类模型,生成至少一组聚类数据簇及至少一个聚类中心。
使用S2获取的稳态筛选规则对实时数据进行稳态判断,如果其为稳态数据,则将其输入到所在工况并使用在线K-Means聚类算法进行聚类,生成至少一组聚类数据簇及至少一个聚类中心。具体流程如下表1:
S5、在至少一组聚类簇中根据预设条件选取最优的聚类数据簇,并将最优聚类簇对应的聚类中位数作为每个工况的运行参数基准值。
首先在每个工况下至少一组聚类簇中,根据预设条件与聚类中心的相符程度,选取最优的聚类数据簇。再在最优聚类数据簇中,对应的聚类中位数作为每个工况的运行参数基准值。本发明中的运行参数基准值是指机组当前运行条件下,实际可达到的最优预设条件对应下的参数值。
S6、重复S4-S5,逐个接收实时电站机组运行数据,自适应地更新聚类模型,并通过更新后的聚类模型获取运行参数基准值。在电站机组运行的状态下,实时获取当前工况下的基准值,并更新聚类模型,为机组运行优化提供自适应的指导意见。
本发明实施例提供的一种电站机组运行参数基准值的在线自适应获取方法,其具有以下优势:
本发明提供的在线自适应聚类算法,不需要额外的保存整个训练集,且更新简单、易于实现。在此基础上,本发明通过实时接收电站机组实际运行数据对聚类模型进行更新,避免了由于输入数据分布的改变而影响模型的精确性。通过采用本发明提供的方法对电站机组运行基准值进行在线更新,能够实时为电站机组提供负荷整体数据分布的当前工况下的基准值,为机组运行人员提供了较为准确的优化目标,并为电站机组的节能优化运行奠定了基础。
一个实施例中,提供的一种电站机组运行参数基准值的在线自适应获取装置,该装置包括:
历史数据获取模块,用于获取电站机组的历史运行数据。
工况划分模块,用于将历史运行数据划分为多个工况。
模型更新模块,用于实时获取电站机组的实际运行数据;并将实际运行数据中的稳态数据对应至划分的工况中,利用在线聚类算法更新电站机组不同工况下的聚类模型,生成至少一组聚类数据簇及至少一个聚类中心。
基准值确定模块,用于在至少一组聚类数据簇中,根据预设条件与聚类中心的相符程度选取最优的聚类数据簇;并将最优的聚类簇对应的聚类中位数作为每个工况的运行参数基准值。
关于电站机组运行参数基准值的在线自适应获取装置的具体限定可以参见上文中对于电站机组运行参数基准值的在线自适应获取方法的限定,在此不再赘述。上述电站机组运行参数基准值的在线自适应获取装置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。
一个实施例中,提供的一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取电站机组的历史运行数据;
将历史运行数据划分为多个工况;
实时获取电站机组的实际运行数据;并将实际运行数据中的稳态数据对应至划分的工况中,利用在线聚类算法更新电站机组不同工况下的聚类模型,生成至少一组聚类数据簇及至少一个聚类中心;
在至少一组聚类数据簇中,根据预设条件与聚类中心的相符程度选取最优的聚类数据簇;并将最优的聚类簇对应的聚类中位数作为每个工况的运行参数基准值。
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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。还有,以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种电站机组运行参数基准值的在线自适应获取方法,其特征在于,包括:
获取电站机组的历史运行数据;
将历史运行数据划分为多个工况;
实时获取电站机组的实际运行数据,将实际运行数据中的稳态数据对应至划分的工况中;并利用在线聚类算法,更新电站机组不同工况下的聚类模型,生成至少一组聚类数据簇及至少一个聚类中心;
在至少一组聚类数据簇中,根据预设条件与聚类中心的相符程度选取最优的聚类数据簇;并将最优的聚类簇对应的聚类中位数作为每个工况的运行参数基准值。
2.如权利要求1所述的电站机组运行参数基准值的在线自适应获取方法,其特征在于,所述实际运行数据中的稳态数据的确定,具体包括:
对历史运行数据进行稳态工况筛选,确定稳态筛选规则;
根据稳态筛选规则,确定实际运行数据中的稳态数据。
3.如权利要求2所述的电站机组运行参数基准值的在线自适应获取方法,其特征在于,所述对历史运行数据进行稳态工况筛选,确定稳态筛选规则,其包括:
对历史运行数据中的特征参数,根据多参数阈值进行基于方差的稳态工况筛选,获得稳态筛选规则。
5.如权利要求3所述的电站机组运行参数基准值的在线自适应获取方法,其特征在于,所述特征参数,包括:
主蒸汽温度、主蒸汽压力、再热蒸汽温度、再热蒸汽压力、给水流量。
6.如权利要求1所述的电站机组运行参数基准值的在线自适应获取方法,其特征在于,所述将历史运行数据划分为多个工况,具体包括:
使用热值区间将历史运行数据划分为至少两个初级工况;
使用主蒸汽流量区间将每个初级工况对应的历史运行数据划分为至少两个次级工况。
7.如权利要求1所述的电站机组运行参数基准值的在线自适应获取方法,其特征在于,所述在线聚类算法采用在线K-Means聚类算法。
9.一种电站机组运行参数基准值的在线自适应获取装置,其特征在于,包括:
历史数据获取模块,用于获取电站机组的历史运行数据;
工况划分模块,用于将历史运行数据划分为多个工况;
模型更新模块,用于实时获取电站机组的实际运行数据;并将实际运行数据中的稳态数据对应至划分的工况中,利用在线聚类算法更新电站机组不同工况下的聚类模型,生成至少一组聚类数据簇及至少一个聚类中心;
基准值确定模块,用于在至少一组聚类数据簇中,根据预设条件与聚类中心的相符程度选取最优的聚类数据簇;并将最优的聚类簇对应的聚类中位数作为每个工况的运行参数基准值。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1~8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210758722.8A CN115081899A (zh) | 2022-06-30 | 2022-06-30 | 一种电站机组运行参数基准值的在线自适应获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210758722.8A CN115081899A (zh) | 2022-06-30 | 2022-06-30 | 一种电站机组运行参数基准值的在线自适应获取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115081899A true CN115081899A (zh) | 2022-09-20 |
Family
ID=83254953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210758722.8A Pending CN115081899A (zh) | 2022-06-30 | 2022-06-30 | 一种电站机组运行参数基准值的在线自适应获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115081899A (zh) |
-
2022
- 2022-06-30 CN CN202210758722.8A patent/CN115081899A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
CN101893877A (zh) | 一种发电厂基于能耗分析的优化运行方法及其系统 | |
CN110764468A (zh) | 一种确定火电机组运行参数基准值的方法及装置 | |
CN112861379B (zh) | 基于稀疏大数据挖掘的火电机组汽轮机优化方法及系统 | |
CN104534507A (zh) | 一种锅炉燃烧优化控制方法 | |
CN111460001B (zh) | 一种配电网理论线损率评估方法及系统 | |
Shi et al. | Genetic algorithm-piecewise support vector machine model for short term wind power prediction | |
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 | |
CN115587433A (zh) | 一种基于状态工况的机组耗差分析优化方法及系统 | |
CN105573123A (zh) | 一种基于改进的t-s模糊预测建模的火电机组机炉协调控制方法 | |
CN112417764A (zh) | 一种面向锅炉特种设备蒸汽量预测的k近邻回归预测方法 | |
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 | |
CN112651576A (zh) | 长期风电功率预测方法及装置 | |
CN112529053A (zh) | 一种服务器中时序数据短期预测方法及系统 | |
CN115146718A (zh) | 基于深度表示的风电机组异常检测方法 | |
CN109214610B (zh) | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 | |
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 | |
CN114418169A (zh) | 一种基于大数据挖掘的在线运行优化系统 | |
CN113504765A (zh) | 一种电厂循环流化床锅炉操作优化方法 | |
CN111585277B (zh) | 一种基于混合集成模型的电力系统动态安全评估方法 | |
CN115081899A (zh) | 一种电站机组运行参数基准值的在线自适应获取方法 | |
CN109506248B (zh) | 一种基于可在线寻优的案例推理锅炉燃烧优化方法 | |
Lu et al. | A Genetic Algorithm Regression Model for the Mid-long Term of China's Electricity Consumption | |
CN105447598A (zh) | 一种基于误差修正模型的电力系统中负荷预测装置及方法 | |
Garbea et al. | Clustering-Using Data Mining-based Application to Identify the Hourly Loading Patterns of the Generation Units from the Hydropower Plants |
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 |