CN115290218A - 一种火力发电机组锅炉水冷壁壁温的软测量方法与系统 - Google Patents
一种火力发电机组锅炉水冷壁壁温的软测量方法与系统 Download PDFInfo
- Publication number
- CN115290218A CN115290218A CN202210961014.4A CN202210961014A CN115290218A CN 115290218 A CN115290218 A CN 115290218A CN 202210961014 A CN202210961014 A CN 202210961014A CN 115290218 A CN115290218 A CN 115290218A
- Authority
- CN
- China
- Prior art keywords
- wall
- boiler
- wall temperature
- temperature
- water
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- 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
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
本发明公开了一种火力发电机组锅炉水冷壁壁温的软测量方法与系统,属于锅炉安全技术领域,包括:建立锅炉水冷壁壁温的数学机理模型,基于上述数学机理模型对锅炉水冷壁壁温进行实时计算得到计算值;根据实测数据,基于机器学习算法对锅炉水冷壁壁温进行实时预测得到预测值;基于所述计算值和所述预测值构建综合预测函数,其中所述计算值实时更新,当时间大于第一阈值时或者当实测数据的变动量大于第二阈值时,对所述预测值进行更新,得到此时的锅炉水冷壁壁温,解决了原有锅炉水冷壁壁温测量不准确、测量速度较慢的问题,使得锅炉的水冷壁壁温的监测变得更加的合理和稳定可靠。
Description
技术领域
本发明属于锅炉安全技术领域,具体涉及一种火力发电机组锅炉水冷壁壁温的软测量方法与系统。
背景技术
锅炉的主汽压力、主汽温度的不断的提高,工质的汽化过程更不明显,汽包的作用越来越小,所以取消了汽包,缺少了汽包的中间缓冲作用,工质一次通过水冷壁、过热器、再热器等受热面,蒸发中水汽化的固定分界线消失,整个蒸发过程蓄热能力较小,蒸发受热面的壁温和工质的温度随给水与燃煤的延迟变小,若水煤比失调,蒸发受热面内工质环境会急速恶化,锅炉出口工质的温度急速上升,过高的蒸汽温度,影响着水冷壁、过热器和再热器的壁温,甚至整个炉膛安全,引起“四管漏泄”事故。所以对于火电机组,精准的测量炉膛内各点温度或通过建模的方式预测炉膛内温度变化,来预防上述事故的发生就显得尤为重要。
国内外对于发电机组的水冷壁壁温的研究与预防,其中对于水冷壁壁温测量研究主要分为以下几个方面:其一是实际通过测量技术来计算水冷壁的温度,包括炉膛热量的测量和管壁温度的测量,存在测量误差大、无法准确反映整个水冷壁的真实温度;其二是通过数值模拟或依据测量数据,计算炉膛内负荷和工质水力的变化,建造炉膛数值模型,误差较大,且算法的精度较低;其三是通过人工智能的方式对锅炉壁温的曲线进行拟合,存在速度较慢,无法满足对于锅炉水冷壁壁温实时监测的需要。
基于上述技术问题,需要设计一种火力发电机组锅炉水冷壁壁温的软测量方法与系统。
发明内容
本发明的目的是提供一种火力发电机组锅炉水冷壁壁温的软测量方法与系统。
为了解决上述技术问题,本发明第一方面提供了一种火力发电机组锅炉水冷壁壁温的软测量方法,包括:
步骤S1、建立锅炉水冷壁壁温的数学机理模型,基于上述数学机理模型对锅炉水冷壁壁温进行实时计算得到计算值;
步骤S2、根据实测数据,基于机器学习算法对锅炉水冷壁壁温进行实时预测得到预测值;
步骤S3、基于所述计算值和所述预测值构建综合预测函数,其中所述计算值实时更新,当时间大于第一阈值时或者当实测数据的变动量大于第二阈值时,对所述预测值进行更新,得到此时的锅炉水冷壁壁温。
通过建立锅炉水冷壁壁温的数学机理模型,基于上述数学机理模型对锅炉水冷壁壁温进行实时计算得到计算值,根据实测数据,基于机器学习算法对锅炉水冷壁壁温进行实时预测得到预测值,得到计算值和预测值后,通过对计算值和预测值更新速度的控制,可以实现对锅炉水冷壁壁温在实现精准预测的同时,也使得此时的预测速度大大加快,解决了原有精度差、速度慢的问题。
通过建立锅炉水冷壁壁温的数学机理模型,基于上述数学机理模型对锅炉水冷壁壁温进行实时计算得到计算值,可以实现对锅炉水冷壁壁温的快速计算,同时通过机器学习算法对锅炉水冷壁壁温进行预测,可以实现对锅炉水冷壁壁温的精准预测,基于所述计算值和所述预测值构建综合预测函数,其中所述计算值实时更新,当时间大于第一阈值时或者当实测数据的变动量大于第二阈值时,对所述预测值进行更新,得到此时的锅炉水冷壁壁温,由于通过机器学习算法对锅炉水冷壁壁温进行预测其速度较慢,通过将综合预测函数中的预测值进行定时或者超量更新,使得此时经综合预测函数得到的锅炉水冷壁壁温不仅具有较好的精度,而且其动态速度也得到了极大的改善,使得此时的算法能够更好的满足对于锅炉水冷壁壁温的预测变得更加的准确。
进一步的技术方案在于,所述基于数学机理模型对锅炉水冷壁壁温进行实时计算得到计算值的具体步骤为:
S1 基于炉膛的结构参数,采用PCA主成分分析法对所述结构参数进行主成分分析,并提取影响锅炉水冷壁壁温的特征量;
S2 基于所述特征量,搭建锅炉水冷壁壁温的数学机理模型;
S3 将实时测点温度送入锅炉水冷壁壁温的数学机理模型中,计算得到此时的锅炉水冷壁壁温的计算值。
通过采用主成分分析法,降低搭建锅炉水冷壁壁温的数学机理模型的特征量的数量,可以在对于锅炉水冷壁壁温的预测精度下降不大或者不下降时,进一步的加快对于锅炉水冷壁壁温的计算速度。
进一步的技术方案在于,所述锅炉水冷壁壁温的数学机理模型,对对烟气温度、燃烧温度、工质压力、焓值、工质温度进行分段计算。
进一步的技术方案在于,根据实测数据,基于机器学习算法对锅炉水冷壁壁温进行实时预测得到预测值之前,需要对所述实测数据进行基于PCA主成分分析法的主成分分析,提取特征值。
通过特征值的提取,降低此时的实测数据的维度,从而进一步提升基于机器学习算法的预测速度。
进一步的技术方案在于,对所述特征值进行基于Canopy聚类算法的去噪处理。
采用基于Canopy聚类算法对特征值进行去噪处理,避免了传统的聚类去噪算法对噪声抗干扰较弱的缺点,具有聚类点准确、减少聚类的计算数量的优点,使得整体的处理速度变得更加准确,效率也得到进一步的提升。
进一步的技术方案在于,所述机器学习算法采用基于Attention-GRU的机器学习算法。
通过采用注意力机制对GRU算法进行进一步的优化,与传统的LSTM算法相比,将遗忘门和输入门合成为一个更新门,然后将细胞状态信息流和隐层状态信息流合并为一个信息流,它的结构相对于标准的LSTM来说要简单,而且收敛速度有进一步的提升,从而进一步提升预测算法的灵敏度。
进一步的技术方案在于,所述基于Attention-GRU的机器学习算法的预测步骤为:
S1 提取实际运行数据,并通过降维算法进一步降低输入数据的维度,得到此时的输入向量,包括多组输入量;
S2 基于输入向量对数据进行归一化处理,并基于Attention为归一化后的输入向量中的不同输入量按照其特性为其赋予不同的权值,得到修正后的输入向量;
S3将修正后的输入向量输入到基于GRU的预测算法中,得到此时的锅炉水冷壁壁温的预测值。
进一步的技术方案在于,所述第一阈值和第二阈值根据锅炉的容量和类型进行确定。
进一步的技术方案在于,还包括第三阈值,当实测数据的变动量大于第三阈值时,提升综合预测函数中计算值的比例,所述第三阈值大于第二阈值。
当锅炉处于启动和熄火状态时,此时采用预测值对锅炉水冷壁壁温进行预测,由于锅炉的状态不属于正常运行状态,其预测精度较低,因此提升计算值的占比,在不提升计算量的基础上,进一步提高预测的精度。
本发明另一方面提供了一种火力发电机组锅炉水冷壁壁温的软测量系统,采用上述一种火力发电机组锅炉水冷壁壁温的软测量方法,包括:
数学机理模型计算模块,机器学习算法预测模块,结果输出模块,其中数学机理模型计算模块负责建立锅炉水冷壁壁温的数学机理模型,基于上述数学机理模型对锅炉水冷壁壁温进行实时计算得到计算值;机器学习算法预测模块负责根据实测数据,基于机器学习算法对锅炉水冷壁壁温进行实时预测得到预测值;结果输出模块负责基于所述计算值和所述预测值构建综合预测函数,其中所述计算值实时更新,当时间大于第一阈值时或者当实测数据的变动量大于第二阈值时,对所述预测值进行更新,得到此时的锅炉水冷壁壁温。
其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为实施例1中的一种火力发电机组锅炉水冷壁壁温的软测量方法流程图;
图2为实施例1中的基于数学机理模型对锅炉水冷壁壁温进行实时计算的流程图;
图3为实施例1中的基于Attention-GRU的机器学习算法预测步骤流程图;
图4为实施例2中的一种火力发电机组锅炉水冷壁壁温的软测量系统的构成图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明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发明一部分实施例,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,都属于本发明保护的范围。
锅炉的主汽压力、主汽温度的不断的提高,工质的汽化过程更不明显,汽包的作用越来越小,所以取消了汽包,缺少了汽包的中间缓冲作用,工质一次通过水冷壁、过热器、再热器等受热面,蒸发中水汽化的固定分界线消失,整个蒸发过程蓄热能力较小,蒸发受热面的壁温和工质的温度随给水与燃煤的延迟变小,若水煤比失调,蒸发受热面内工质环境会急速恶化,锅炉出口工质的温度急速上升,过高的蒸汽温度,影响着水冷壁、过热器和再热器的壁温,甚至整个炉膛安全,引起“四管漏泄”事故。所以对于火电机组,精准的测量炉膛内各点温度或通过建模的方式预测炉膛内温度变化,来预防上述事故的发生就显得尤为重要。
国内外对于发电机组的水冷壁壁温的研究与预防,其中对于水冷壁壁温测量研究主要分为以下几个方面:其一是实际通过测量技术来计算水冷壁的温度,包括炉膛热量的测量和管壁温度的测量,存在测量误差大、无法准确反映整个水冷壁的真实温度;其二是通过数值模拟或依据测量数据,计算炉膛内负荷和工质水力的变化,建造炉膛数值模型,误差较大,且算法的精度较低;其三是通过人工智能的方式对锅炉壁温的曲线进行拟合,存在速度较慢,无法满足对于锅炉水冷壁壁温实时监测的需要。
实施例1
图1是本发明所涉及的一种火力发电机组锅炉水冷壁壁温的软测量方法,包括:
步骤S1、建立锅炉水冷壁壁温的数学机理模型,基于上述数学机理模型对锅炉水冷壁壁温进行实时计算得到计算值;
步骤S2、根据实测数据,基于机器学习算法对锅炉水冷壁壁温进行实时预测得到预测值;
步骤S3、基于所述计算值和所述预测值构建综合预测函数,其中所述计算值实时更新,当时间大于第一阈值时或者当实测数据的变动量大于第二阈值时,对所述预测值进行更新,得到此时的锅炉水冷壁壁温。
通过建立锅炉水冷壁壁温的数学机理模型,基于上述数学机理模型对锅炉水冷壁壁温进行实时计算得到计算值,根据实测数据,基于机器学习算法对锅炉水冷壁壁温进行实时预测得到预测值,得到计算值和预测值后,通过对计算值和预测值更新速度的控制,可以实现对锅炉水冷壁壁温在实现精准预测的同时,也使得此时的预测速度大大加快,解决了原有精度差、速度慢的问题。
通过建立锅炉水冷壁壁温的数学机理模型,基于上述数学机理模型对锅炉水冷壁壁温进行实时计算得到计算值,可以实现对锅炉水冷壁壁温的快速计算,同时通过机器学习算法对锅炉水冷壁壁温进行预测,可以实现对锅炉水冷壁壁温的精准预测,基于所述计算值和所述预测值构建综合预测函数,其中所述计算值实时更新,当时间大于第一阈值时或者当实测数据的变动量大于第二阈值时,对所述预测值进行更新,得到此时的锅炉水冷壁壁温,由于通过机器学习算法对锅炉水冷壁壁温进行预测其速度较慢,通过将综合预测函数中的预测值进行定时或者超量更新,使得此时经综合预测函数得到的锅炉水冷壁壁温不仅具有较好的精度,而且其动态速度也得到了极大的改善,使得此时的算法能够更好的满足对于锅炉水冷壁壁温的预测变得更加的准确。
在另外的一种可能的实施例中,如图2所示,所述基于数学机理模型对锅炉水冷壁壁温进行实时计算得到计算值的具体步骤为:
S1 基于炉膛的结构参数,采用PCA主成分分析法对所述结构参数进行主成分分析,并提取影响锅炉水冷壁壁温的特征量;
S2 基于所述特征量,搭建锅炉水冷壁壁温的数学机理模型;
S3 将实时测点温度送入锅炉水冷壁壁温的数学机理模型中,计算得到此时的锅炉水冷壁壁温的计算值。
通过采用主成分分析法,降低搭建锅炉水冷壁壁温的数学机理模型的特征量的数量,可以在对于锅炉水冷壁壁温的预测精度下降不大或者不下降时,进一步的加快对于锅炉水冷壁壁温的计算速度。
在另外的一种可能的实施例中,所述锅炉水冷壁壁温的数学机理模型,对对烟气温度、燃烧温度、工质压力、焓值、工质温度进行分段计算。
在另外的一种可能的实施例中,根据实测数据,基于机器学习算法对锅炉水冷壁壁温进行实时预测得到预测值之前,需要对所述实测数据进行基于PCA主成分分析法的主成分分析,提取特征值。
通过特征值的提取,降低此时的实测数据的维度,从而进一步提升基于机器学习算法的预测速度。
在另外的一种可能的实施例中,对所述特征值进行基于Canopy聚类算法的去噪处理。
采用基于Canopy聚类算法对特征值进行去噪处理,避免了传统的聚类去噪算法对噪声抗干扰较弱的缺点,具有聚类点准确、减少聚类的计算数量的优点,使得整体的处理速度变得更加准确,效率也得到进一步的提升。
在另外的一种可能的实施例中,所述机器学习算法采用基于Attention-GRU的机器学习算法。
通过采用注意力机制对GRU算法进行进一步的优化,与传统的LSTM算法相比,将遗忘门和输入门合成为一个更新门,然后将细胞状态信息流和隐层状态信息流合并为一个信息流,它的结构相对于标准的LSTM来说要简单,而且收敛速度有进一步的提升,从而进一步提升预测算法的灵敏度。
在另外的一种可能的实施例中,如图3所示,所述基于Attention-GRU的机器学习算法的预测步骤为:
S1 提取实际运行数据,并通过降维算法进一步降低输入数据的维度,得到此时的输入向量,包括多组输入量;
S2 基于输入向量对数据进行归一化处理,并基于Attention为归一化后的输入向量中的不同输入量按照其特性为其赋予不同的权值,得到修正后的输入向量;
S3将修正后的输入向量输入到基于GRU的预测算法中,得到此时的锅炉水冷壁壁温的预测值。
在另外的一种可能的实施例中,所述第一阈值和第二阈值根据锅炉的容量和类型进行确定。
在另外的一种可能的实施例中,还包括第三阈值,当实测数据的变动量大于第三阈值时,提升综合预测函数中计算值的比例,所述第三阈值大于第二阈值。
当锅炉处于启动和熄火状态时,此时采用预测值对锅炉水冷壁壁温进行预测,由于锅炉的状态不属于正常运行状态,其预测精度较低,因此提升计算值的占比,在不提升计算量的基础上,进一步提高预测的精度。
如图4所示,本实施例2提供了提供了一种火力发电机组锅炉水冷壁壁温的软测量系统,采用上述一种火力发电机组锅炉水冷壁壁温的软测量方法,包括:
数学机理模型计算模块,机器学习算法预测模块,结果输出模块,其中数学机理模型计算模块负责建立锅炉水冷壁壁温的数学机理模型,基于上述数学机理模型对锅炉水冷壁壁温进行实时计算得到计算值;机器学习算法预测模块负责根据实测数据,基于机器学习算法对锅炉水冷壁壁温进行实时预测得到预测值;结果输出模块负责基于所述计算值和所述预测值构建综合预测函数,其中所述计算值实时更新,当时间大于第一阈值时或者当实测数据的变动量大于第二阈值时,对所述预测值进行更新,得到此时的锅炉水冷壁壁温。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (10)
1.一种火力发电机组锅炉水冷壁壁温的软测量方法,其特征在于,包括:
步骤S1、建立锅炉水冷壁壁温的数学机理模型,基于上述数学机理模型对锅炉水冷壁壁温进行实时计算得到计算值;
步骤S2、根据实测数据,基于机器学习算法对锅炉水冷壁壁温进行实时预测得到预测值;
步骤S3、基于所述计算值和所述预测值构建综合预测函数,其中所述计算值实时更新,当时间大于第一阈值时或者当实测数据的变动量大于第二阈值时,对所述预测值进行更新,得到此时的锅炉水冷壁壁温。
2.根据权利要求1所述的软测量方法,其特征在于,所述基于数学机理模型对锅炉水冷壁壁温进行实时计算得到计算值的具体步骤为:
S1 基于炉膛的结构参数,采用PCA主成分分析法对所述结构参数进行主成分分析,并提取影响锅炉水冷壁壁温的特征量;
S2 基于所述特征量,搭建锅炉水冷壁壁温的数学机理模型;
S3 将实时测点温度送入锅炉水冷壁壁温的数学机理模型中,计算得到此时的锅炉水冷壁壁温的计算值。
3.根据权利要求2所述的软测量方法,其特征在于,所述锅炉水冷壁壁温的数学机理模型,对烟气温度、燃烧温度、工质压力、焓值、工质温度进行分段计算。
4.根据权利要求2所述的软测量方法,其特征在于,根据实测数据,基于机器学习算法对锅炉水冷壁壁温进行实时预测得到预测值之前,需要对所述实测数据进行基于PCA主成分分析法的主成分分析,提取特征值。
5.根据权利要求4所述的软测量方法,其特征在于,对所述特征值进行基于Canopy聚类算法的去噪处理。
6.根据权利要求1所述的软测量方法,其特征在于,所述机器学习算法采用基于Attention-GRU的机器学习算法。
7.根据权利要求6所述的软测量方法,其特征在于,所述基于Attention-GRU的机器学习算法的预测步骤为:
S1 提取实际运行数据,并通过降维算法进一步降低输入数据的维度,得到此时的输入向量,包括多组输入量;
S2 基于输入向量对数据进行归一化处理,并基于Attention为归一化后的输入向量中的不同输入量按照其特性为其赋予不同的权值,得到修正后的输入向量;
S3将修正后的输入向量输入到基于GRU的预测算法中,得到此时的锅炉水冷壁壁温的预测值。
8.根据权利要求1所述的软测量方法,其特征在于,所述第一阈值和第二阈值根据锅炉的容量和类型进行确定。
9.根据权利要求1所述的软测量方法,其特征在于,还包括第三阈值,当实测数据的变动量大于第三阈值时,提升综合预测函数中计算值的比例,所述第三阈值大于第二阈值。
10.一种火力发电机组锅炉水冷壁壁温的软测量系统,采用权利要求1-9任一项所述的火力发电机组锅炉水冷壁壁温的软测量方法,包括:
数学机理模型计算模块,机器学习算法预测模块,结果输出模块,其中数学机理模型计算模块负责建立锅炉水冷壁壁温的数学机理模型,基于上述数学机理模型对锅炉水冷壁壁温进行实时计算得到计算值;机器学习算法预测模块负责根据实测数据,基于机器学习算法对锅炉水冷壁壁温进行实时预测得到预测值;结果输出模块负责基于所述计算值和所述预测值构建综合预测函数,其中所述计算值实时更新,当时间大于第一阈值时或者当实测数据的变动量大于第二阈值时,对所述预测值进行更新,得到此时的锅炉水冷壁壁温。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210961014.4A CN115290218A (zh) | 2022-08-11 | 2022-08-11 | 一种火力发电机组锅炉水冷壁壁温的软测量方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210961014.4A CN115290218A (zh) | 2022-08-11 | 2022-08-11 | 一种火力发电机组锅炉水冷壁壁温的软测量方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115290218A true CN115290218A (zh) | 2022-11-04 |
Family
ID=83828098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210961014.4A Pending CN115290218A (zh) | 2022-08-11 | 2022-08-11 | 一种火力发电机组锅炉水冷壁壁温的软测量方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115290218A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117313537A (zh) * | 2023-09-28 | 2023-12-29 | 国网吉林省电力有限公司松原供电公司 | 数据驱动的覆冰预测方法及系统 |
-
2022
- 2022-08-11 CN CN202210961014.4A patent/CN115290218A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117313537A (zh) * | 2023-09-28 | 2023-12-29 | 国网吉林省电力有限公司松原供电公司 | 数据驱动的覆冰预测方法及系统 |
CN117313537B (zh) * | 2023-09-28 | 2024-03-08 | 国网吉林省电力有限公司松原供电公司 | 数据驱动的覆冰预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sindareh-Esfahani et al. | Thermodynamic modeling based optimization for thermal systems in heat recovery steam generator during cold start-up operation | |
WO2020015466A1 (zh) | 锅炉节煤控制方法 | |
CN113011010A (zh) | 基于结构机理和运行数据的锅炉故障诊断方法及诊断系统 | |
CN110207094B (zh) | 基于主成分分析的iqga-svr锅炉受热面沾污特性辨识方法 | |
CN108073145B (zh) | 运转支援装置以及记录介质 | |
CN115510904B (zh) | 基于时序预测的锅炉受热面积灰监测方法 | |
CN115290218A (zh) | 一种火力发电机组锅炉水冷壁壁温的软测量方法与系统 | |
CN111006240A (zh) | 一种生物质锅炉炉膛温度和负荷预测方法 | |
Wang et al. | Prediction of superheated steam temperature for thermal power plants using a novel integrated method based on the hybrid model and attention mechanism | |
Xu et al. | Data based online operational performance optimization with varying work conditions for steam-turbine system | |
CN103676822A (zh) | 火力发电厂的控制装置以及控制方法 | |
Blanco et al. | New investigation on diagnosing steam production systems from multivariate time series applied to thermal power plants | |
CN115077640A (zh) | 一种城市固废焚烧过程主蒸汽流量实时预测方法 | |
Cui et al. | Data-driven modeling-based digital twin of supercritical coal-fired boiler for metal temperature anomaly detection | |
Wang et al. | Deep-learning modeling and control optimization framework for intelligent thermal power plants: A practice on superheated steam temperature | |
Zhang et al. | An attention-based temporal convolutional network method for predicting remaining useful life of aero-engine | |
Xu et al. | A new online optimization method for boiler combustion system based on the data-driven technique and the case-based reasoning principle | |
Wang et al. | A steady-state detection method based on Gaussian discriminant analysis for the on-line gas turbine process | |
Xin et al. | Thermal stress deformation prediction for rotary air-preheater rotor using deep learning approach | |
Wang et al. | A two-tier approach to the data-driven modeling on thermal efficiency of a BFG/coal co-firing boiler | |
Tang et al. | Artificial neural networks model for predicting oxygen content in flue gas of power plant | |
CN117574780B (zh) | 一种智能火电厂负荷在线建模方法及系统 | |
CN111860923A (zh) | 基于多模型聚类集成的锅炉烟气NOx排放量预测算法 | |
Okwabi et al. | Towards the estimation of quantity of fuel consumed in steam generation through predictive modelling of feedwater temperature | |
Sharma et al. | Data Ensemble Model for Prediction of Oxygen Content in Gas fired Boiler for Efficient Combustion |
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 |