CN115329590A - 一种火电机组压缩空气流量建模与预测方法 - Google Patents
一种火电机组压缩空气流量建模与预测方法 Download PDFInfo
- Publication number
- CN115329590A CN115329590A CN202211040480.5A CN202211040480A CN115329590A CN 115329590 A CN115329590 A CN 115329590A CN 202211040480 A CN202211040480 A CN 202211040480A CN 115329590 A CN115329590 A CN 115329590A
- Authority
- CN
- China
- Prior art keywords
- air compressor
- flow
- compressed air
- data
- air flow
- 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 29
- 238000004519 manufacturing process Methods 0.000 claims abstract description 20
- 238000003860 storage Methods 0.000 claims abstract description 17
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000005311 autocorrelation function Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 238000009529 body temperature measurement Methods 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 6
- 238000004134 energy conservation Methods 0.000 abstract description 4
- 239000007789 gas Substances 0.000 description 29
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000004075 alteration Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000004887 air purification Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 102220047090 rs6152 Human genes 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000013112 stability test Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000002912 waste gas Substances 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
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
-
- 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
- G06F2119/22—Yield analysis or yield optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本发明公开了一种火电机组压缩空气流量建模与预测方法，包括以下步骤：建立定频空压机产气流量模型，建立储气罐进气出气模型；采集空压机系统实际运行数据作为样本数据；将实际运行数据进行预处理后，作为模型的输入，得到模型的输出，即用气流量数据；将用气流量数据按压缩空气的用途进行归类，相同用途的压缩空气流量数据实时相加；建立ARIMA流量预测模型，对压缩空气总用气流量进行预测；用评价指标对预测结果进行分析。本发明解决了火电机组内压缩空气流量测点安装不全，无法掌握用气流量数据的问题，对压缩空气总用气流量进行预测，为火电机组空压机系统节能优化提供数据支撑。
Description
技术领域
本发明属于空压机流量预测技术领域，特别涉及一种火电机组压缩空气流量建模与预测方法。
背景技术
近年来，由于压缩空气用途广泛且廉价，空压机行业取得了长足的发展。但是空压机的功耗较大，如一台出气量50Nm3/min的空压机，工作功率一般在200～300kW，满负荷运行1小时要消耗掉200～300度电。加卸载控制方式是空压机常见的控制方式之一，通过加载时打开进气阀，卸载时关闭进气阀，能够避免频繁的启停，对空压机性能、电网的冲击影响都比较小。但空压机处于卸载状态时，仍要消耗正常运行时30％～40％的电能，同时会产生大量废气，严重污染环境。受火电机组运行年份较长的影响，空压机相关设备老化，压缩空气流量测点安装不全，无法对空压机系统进行数据分析和节能优化，电能浪费情况比较严重。在能源日益紧张、成本压力升高、环保要求严格的情况下，研究压缩空气用气流量预测对节约能源、保护环境有着重要意义。
发明内容
有鉴于此，本发明针对火电机组系统建模运用的问题，提出了一种火电机组系统模型参数的辨识方法，使得建模后的传递函数和参数与火电机组系统实际运行相符合，机组能够得到精确的控制。
本发明公开的一种火电机组压缩空气流量建模与预测方法，具体包括以下步骤：
S1：建立定频空压机产气流量模型，建立储气罐进气出气模型；
S2：采集空压机系统实际运行数据作为样本数据；
S3：将步骤S2中实际运行数据进行预处理后，作为步骤S1模型的输入，得到模型的输出，即用气流量数据；
S4：将所述用气流量数据按压缩空气的用途进行归类，相同用途的压缩空气流量数据实时相加；
S5：建立ARIMA流量预测模型，对步骤S4得到的压缩空气总用气流量进行预测；
S6：用平均绝对误差MAE、均方根误差RMSE、R方评价指标对预测结果进行分析。
进一步的，所述定频空压机产气流量模型计算公式为：
式中，qv表示空压机实际产气流量，Pout表示空压机产气压力，Tin表示空压机吸气温度，Pin表示空压机吸气压力，Tout表示空压机产气温度，qvt表示空压机的额定容积流量。
进一步的，对于部分定频空压机存在温度测点不全或数据不准的问题，定频空压机产气流量估算公式为：
式中，qv表示空压机实际产气流量，ie表示空压机实际运行电流，in表示空压机额定电流，Pout表示空压机产气压力，Pin表示空压机吸气压力，qvt表示空压机的额定容积流量。
进一步的，所述储气罐进气出气模型计算公式为：
式中，Qout表示储气罐出气流量，Qin表示储气罐进气流量，V表示储气罐体积，ρ表示压缩空气密度，R表示气体常数，Tout表示空压机产气温度。
进一步的，所述实际运行数据进行预处理步骤为：
S31：对实际运行数据进行数据清洗，包括：对空压机电流数值较小或为负数的数据进行归0处理，对缺失值进行回归插补法处理，对异常值进行平均值修正处理；
S32：通过空压机电流数值大小判断空压机运行状态，包括：当空压机电流数值为0时，判断其为停机状态，运行状态记为“0”，当空压机电流数值大于0但小于额定电流的70％时，判断其为卸载状态，运行状态记为“1”，当空压机电流数值大于额定电流的70％但小于额定电流时，判断其为加载状态，运行状态记为“2”；
S33：根据运行状态判断使用的计算公式，包括：运行状态为“1”和“2”对应的电流数据均进行能耗计算，运行状态为“2”对应的电流数据进行流量计算，运行状态为“1”对应的电流数据不进行流量计算。
进一步的，所述ARIMA流量预测模型预测流量步骤为：
S51：对原始数据采用ADF和KPSS方法进行平稳性检验；若没有通过检验，则取d阶差分再进行检验，直到通过检验；
S52：根据自相关函数ACF图和偏自相关函数PACF图初步判断参数p，q的数值，并结合赤池信息准则AIC和贝叶斯信息准则BIC定阶准则，确定预测模型参数；
S53：对残差序列进行检验；若残差序列是随机正态分布的、不自相关的，这说明残差是一段白噪声信号，进一步说明时间序列中的有用信息已经被提取完毕，剩下的全是随机扰动，是无法预测和使用的；
S54：用建立的ARIMA流量模型完成对压缩空气流量的预测。
本发明的有益效果在于：
通过分析定频空气压缩机的工作过程，建立空压机、储气罐的压缩空气流量模型，解决了火电机组内压缩空气流量测点安装不全，无法掌握用气流量数据的问题，并根据火电机组内对压缩空气的用途划分，将相同用途的空压机系统通过输送母管相互连接集中控制，对压缩空气流量数据实时相加，利用ARIMA流量预测模型，对压缩空气总用气流量进行预测，为火电机组空压机系统节能优化提供数据支撑。本发明所提方法工艺流程简化，仿真误差较小，预测模型准确，具有较好的分析研究价值。
附图说明
图1为火电机组压缩空气流量建模与预测流程图；
图2为火电机组空压机系统示意图；
图3为自相关函数图和偏自相关函数图；
图4为残差序列图；
图5为残差自相关函数和残差偏自相关函数；
图6为预测值与真实值对比图。
具体实施方式
下面结合附图对本发明作进一步的说明，但不以任何方式对本发明加以限制，基于本发明教导所作的任何变换或替换，均属于本发明的保护范围。
如图2所示，某火电机组空压机系统由空压机、储气罐、过滤器、干燥机、冷却循环水系统(水泵、风机)、输气管道以及用气设备组成。其工作流程为：大气压下的空气被空气压缩机吸入，然后进行压缩以较高的压力输出；输出后的压缩空气会经过储气罐进行缓冲，将里面的水和油进行初步的除掉后，进入到干燥机中；在空气净化设备中进行进一步的除水、除油等净化措施；全部处理过后的洁净的压缩空气会通过管道输送到喷枪或气缸等末端用气设备中。但由于火电机组内压缩空气流量测点安装不全，无法对空压机系统进行数据分析和节能优化，电能浪费情况比较严重。
本实施例提供了一种火电机组压缩空气流量建模与预测方法，以应用范围广、操作性好的螺杆式空压机为对象，建立以螺杆机为气源的压缩空气流量模型，预测压缩用气用气流量，为实现空压机系统节能和优化提供数据分析。如图1所示，具体步骤如下：
S1：建立定频空压机产气流量模型，建立储气罐进气出气模型；
定频空压机产气流量模型计算公式为：
式中，qv表示空压机实际产气流量，单位为立方米每分钟(m3/min)；Pout表示空压机产气压力，单位为兆帕(MPa)；Tin表示空压机吸气温度，单位为开氏温度(K)；Pin表示空压机吸气压力，单位为兆帕(MPa)；Tout表示空压机产气温度，单位为开氏温度(K)；qvt表示空压机的额定容积流量，单位为立方米每分钟(m3/min)。
本实施例部分定频空压机存在温度测点不全或数据不准等问题，定频空压机产气流量估算公式为：
式中，qv表示空压机实际产气流量，单位为立方米每分钟(m3/min)；ie表示空压机实际运行电流，单位为安培(A)；in表示空压机额定电流，单位为安培(A)；Pout表示空压机产气压力，单位为兆帕(MPa)；Pin表示空压机吸气压力，单位为兆帕(MPa)；qvt表示空压机的额定容积流量，单位为立方米每分钟(m3/min)。
储气罐进气出气模型计算公式为：
式中，Qout表示储气罐出气流量，单位为立方米每分钟(m3/min)；Qin表示储气罐进气流量，单位为立方米每分钟(m3/min)；V表示储气罐体积，单位为立方米(m3)；ρ表示压缩空气密度，单位为千克每立方米(kg/m3)；R表示气体常数，对于空气，R＝287J/(kg·K)；Tout表示空压机产气温度，单位为开氏温度(K)。
S2：采集空压机系统实际运行数据作为样本数据；
本实施例主要采集空压机实际运行电流、排气温度、排气压力，环境温度等测点的历史数据。
S3：将步骤S2中实际运行数据进行预处理后，作为步骤S1模型的输入，得到模型的输出，即用气流量数据，数据预处理具体步骤如下：
S31：对实际运行数据进行数据清洗。对空压机电流数值较小或为负数的数据进行归0处理，对缺失值进行回归插补法处理，对异常值进行平均值修正处理；
S32：过空压机电流数值大小判断空压机运行状态。当空压机电流数值为0时，判断其为停机状态，运行状态记为“0”，当空压机电流数值大于0但小于额定电流的70％时，判断其为卸载状态，运行状态记为“1”，当空压机电流数值大于额定电流的70％但小于额定电流时，判断其为加载状态，运行状态记为“2”；
S33：根据运行状态判断使用的计算公式。运行状态为“1”和“2”对应的电流数据均进行能耗计算，运行状态为“2”对应的电流数据进行流量计算，运行状态为“1”对应的电流数据不进行流量计算。
S4：将步骤S3得到的用气流量数据按压缩空气的用途进行归类，相同用途的压缩空气流量数据实时相加；
在本实施例中，压缩空气按其用途，划分为热工仪表和控制用、检修和杂用、物料输送用等三种，将相同用途的空压机系统通过输送母管相互连接集中控制，将步骤S3得到的压缩空气流量数据实时相加；
S5：建立ARIMA流量预测模型，对步骤S4得到的压缩空气总用气流量进行预测，ARIMA流量预测模型建立具体步骤如下：
S51：对原始数据采用ADF和KPSS方法进行平稳性检验。原始数据得到ADF＝0，KPSS＝1，没有通过检验。取一阶差分再进行检验，得到ADF＝1，KPSS＝0，通过检验，说明一阶差分可以实现数据序列的平稳性，此时d＝1；
S52：通过观察自相关函数ACF图和偏自相关函数PACF图，发现最后一个在阈值外的Lag值大于10，数值偏大，结合赤池信息准则AIC＝-2ln(L)+2k和贝叶斯信息准则BIC＝-2ln(L)+Ln(n)*k定阶准则，确定AR＝3，MA＝2，即参数p＝3，q＝2。
S53：对残差序列进行检验。图4为残差序列图，比较接近随机正态分布，图5为残差自相关函数和残差偏自相关函数图，图中基本不存在超出蓝线的点，以上说明残差序列接近正态分布，且相互独立，ARIMA(3，1，2)模型符合要求。
S54：用建立的ARIMA模型完成对压缩空气流量的预测，图6为预测值与真实值对比图，通过观察预测值与真实值对比图，可以直观看出该预测模型较好。
S6：本实施例预测模型的评价指标为：
所述平均绝对误差MAE计算公式为：
均方根误差RMSE计算公式为：
R方计算公式为：
本发明的实验结果表明，平均绝对误差MAE＝0.66456，均方根误差RMSE＝0.89741，R方＝0.96785。MAE和RMSE较小，R方较为接近1，说明该模型能较准确地预测压缩空气流量的变化趋势。
本发明的有益效果在于：
通过分析定频空气压缩机的工作过程，建立空压机、储气罐的压缩空气流量模型，解决了火电机组内压缩空气流量测点安装不全，无法掌握用气流量数据的问题，并根据火电机组内对压缩空气的用途划分，将相同用途的空压机系统通过输送母管相互连接集中控制，对压缩空气流量数据实时相加，利用ARIMA流量预测模型，对压缩空气总用气流量进行预测，为火电机组空压机系统节能优化提供数据支撑。本发明所提方法工艺流程简化，仿真误差较小，预测模型准确，具有较好的分析研究价值。
本文所使用的词语“优选的”意指用作实例、示例或例证。本文描述为“优选的”任意方面或设计不必被解释为比其他方面或设计更有利。相反，词语“优选的”的使用旨在以具体方式提出概念。如本申请中所使用的术语“或”旨在意指包含的“或”而非排除的“或”。即，除非另外指定或从上下文中清楚，“X使用A或B”意指自然包括排列的任意一个。即，如果X使用A；X使用B；或X使用A和B二者，则“X使用A或B”在前述任一示例中得到满足。
而且，尽管已经相对于一个或实现方式示出并描述了本公开，但是本领域技术人员基于对本说明书和附图的阅读和理解将会想到等价变型和修改。本公开包括所有这样的修改和变型，并且仅由所附权利要求的范围限制。特别地关于由上述组件(例如元件等)执行的各种功能，用于描述这样的组件的术语旨在对应于执行所述组件的指定功能(例如其在功能上是等价的)的任意组件(除非另外指示)，即使在结构上与执行本文所示的本公开的示范性实现方式中的功能的公开结构不等同。此外，尽管本公开的特定特征已经相对于若干实现方式中的仅一个被公开，但是这种特征可以与如可以对给定或特定应用而言是期望和有利的其他实现方式的一个或其他特征组合。而且，就术语“包括”、“具有”、“含有”或其变形被用在具体实施方式或权利要求中而言，这样的术语旨在以与术语“包含”相似的方式包括。
本发明实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以多个或多个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块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，也可以存储在一个计算机可读取存储介质中。上述提到的存储介质可以是只读存储器，磁盘或光盘等。上述的各装置或系统，可以执行相应方法实施例中的存储方法。
综上所述，上述实施例为本发明的一种实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何背离本发明的精神实质与原理下所做的改变、修饰、代替、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (6)
1.一种火电机组压缩空气流量建模与预测方法，其特征在于，具体包括以下步骤：
S1：建立定频空压机产气流量模型，建立储气罐进气出气模型；
S2：采集空压机系统实际运行数据作为样本数据；
S3：将步骤S2中实际运行数据进行预处理后，作为步骤S1模型的输入，得到模型的输出，即用气流量数据；
S4：将所述用气流量数据按压缩空气的用途进行归类，相同用途的压缩空气流量数据实时相加；
S5：建立ARIMA流量预测模型，对步骤S4得到的压缩空气总用气流量进行预测；
S6：用平均绝对误差MAE、均方根误差RMSE、R方评价指标对预测结果进行分析。
2.根据权利要求1所述的一种火电机组压缩空气流量建模与预测方法，其特征在于，所述定频空压机产气流量模型计算公式为：
式中，qv表示空压机实际产气流量，Pout表示空压机产气压力，Tin表示空压机吸气温度，Pin表示空压机吸气压力，Tout表示空压机产气温度，qvt表示空压机的额定容积流量。
3.根据权利要求1所述的一种火电机组压缩空气流量建模与预测方法，其特征在于，对于部分定频空压机存在温度测点不全或数据不准的问题，定频空压机产气流量估算公式为：
式中，qv表示空压机实际产气流量，ie表示空压机实际运行电流，in表示空压机额定电流，Pout表示空压机产气压力，Pin表示空压机吸气压力，qvt表示空压机的额定容积流量。
4.根据权利要求1所述的一种火电机组压缩空气流量建模与预测方法，其特征在于，所述储气罐进气出气模型计算公式为：
式中，Qout表示储气罐出气流量，Qin表示储气罐进气流量，V表示储气罐体积，ρ表示压缩空气密度，R表示气体常数，Tout表示空压机产气温度。
5.根据权利要求1所述火电机组压缩空气流量建模与预测方法，其特征在于，所述实际运行数据进行预处理步骤为：
S31：对实际运行数据进行数据清洗，包括：对空压机电流数值较小或为负数的数据进行归0处理，对缺失值进行回归插补法处理，对异常值进行平均值修正处理；
S32：通过空压机电流数值大小判断空压机运行状态，包括：当空压机电流数值为0时，判断其为停机状态，运行状态记为“0”，当空压机电流数值大于0但小于额定电流的70％时，判断其为卸载状态，运行状态记为“1”，当空压机电流数值大于额定电流的70％但小于额定电流时，判断其为加载状态，运行状态记为“2”；
S33：根据运行状态判断使用的计算公式，包括：运行状态为“1”和“2”对应的电流数据均进行能耗计算，运行状态为“2”对应的电流数据进行流量计算，运行状态为“1”对应的电流数据不进行流量计算。
6.根据权利要求1所述火电机组压缩空气流量建模与预测方法，其特征在于，所述ARIMA流量预测模型预测流量步骤为：
S51：对原始数据采用ADF和KPSS方法进行平稳性检验；若没有通过检验，则取d阶差分再进行检验，直到通过检验；
S52：根据自相关函数ACF图和偏自相关函数PACF图初步判断参数p，q的数值，并结合赤池信息准则AIC和贝叶斯信息准则BIC定阶准则，确定预测模型参数；
S53：对残差序列进行检验；若残差序列是随机正态分布的、不自相关的，这说明残差是一段白噪声信号，进一步说明时间序列中的有用信息已经被提取完毕，剩下的全是随机扰动，是无法预测和使用的；
S54：用建立的ARIMA流量模型完成对压缩空气流量的预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211040480.5A CN115329590A (zh) | 2022-08-29 | 2022-08-29 | 一种火电机组压缩空气流量建模与预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211040480.5A CN115329590A (zh) | 2022-08-29 | 2022-08-29 | 一种火电机组压缩空气流量建模与预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115329590A true CN115329590A (zh) | 2022-11-11 |
Family
ID=83928261
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211040480.5A Pending CN115329590A (zh) | 2022-08-29 | 2022-08-29 | 一种火电机组压缩空气流量建模与预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115329590A (zh) |
-
2022
- 2022-08-29 CN CN202211040480.5A patent/CN115329590A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111365158B (zh) | 水轮机转轮实时状态评估和生命周期管理预测系统 | |
| CN106404403B (zh) | 用于涡轮机的分析的方法和系统 | |
| US8116990B2 (en) | Method and system for real-time prognosis analysis and usage based residual life assessment of turbine engine components and display | |
| Hanachi et al. | A physics-based modeling approach for performance monitoring in gas turbine engines | |
| CN112901449B (zh) | 一种基于机器学习的空气压缩机系统能耗优化方法 | |
| CN111648992B (zh) | 燃气轮机压气机故障识别预警方法 | |
| CN110513336B (zh) | 一种电站燃气轮机离线水洗时间的确定方法 | |
| CN109740977A (zh) | 基于灰色关联分析的燃气机组碳排放影响因素的评价方法 | |
| CN112035970A (zh) | 一种基于船用柴油机关键性能的参数优化方法 | |
| JP2006057595A (ja) | ガスタービンの性能診断システム及び性能診断方法 | |
| CN114235108B (zh) | 基于数据分析燃气流量计异常状态检测方法和装置 | |
| CN110533247B (zh) | 一种采用气温数据异常点补偿的月度用电量预测方法 | |
| CN110928248B (zh) | 一种确定燃气轮机性能劣化程度的方法 | |
| CN115329590A (zh) | 一种火电机组压缩空气流量建模与预测方法 | |
| CN112131780B (zh) | 一种基于数据挖掘的火电厂循环水系统控制方法 | |
| JP2020177571A (ja) | 異常予兆診断装置、異常予兆診断方法及び異常予兆診断プログラム | |
| Raghavan et al. | Artificial neural networks based parametric curve generation for health assessment of industrial gas turbine systems | |
| Zanoli et al. | A Comparison Between Supervised Learning Techniques for Predictive Maintenance in Twin Screw Air Compressors | |
| CN113110981B (zh) | 一种用于数据中心的空调机房健康能效检测方法 | |
| CN118096443B (zh) | 一种基于逐级计算的多节电泵评价方法和系统 | |
| CN117972361B (zh) | 一种航空发动机关键件寿命预测方法及装置 | |
| CN115456115B (zh) | 基于实测分项计量数据的冷站运维多层节能潜力诊断方法 | |
| KR102599802B1 (ko) | 산업 공정 및 유틸리티 에너지효율향상을 위한 에너지솔루션 | |
| Xenos et al. | Preprocessing of raw data for developing steady-state data-driven models for optimizing compressor stations | |
| CN114969017B (zh) | 风功率数据清洗方法、清洗装置及预测方法 |
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 |