CN115455866B - 稳定工况识别方法及系统、设备及介质 - Google Patents

稳定工况识别方法及系统、设备及介质 Download PDF

Info

Publication number
CN115455866B
CN115455866B CN202211341207.6A CN202211341207A CN115455866B CN 115455866 B CN115455866 B CN 115455866B CN 202211341207 A CN202211341207 A CN 202211341207A CN 115455866 B CN115455866 B CN 115455866B
Authority
CN
China
Prior art keywords
working condition
variable point
index
data
variable
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.)
Active
Application number
CN202211341207.6A
Other languages
English (en)
Other versions
CN115455866A (zh
Inventor
时培昕
付炳瑞
傅若玮
刘艳林
赵逸凡
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.)
Beijing Neucloud Dingcheng Technology Co ltd
Original Assignee
Beijing Neucloud Dingcheng 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 Beijing Neucloud Dingcheng Technology Co ltd filed Critical Beijing Neucloud Dingcheng Technology Co ltd
Priority to CN202211341207.6A priority Critical patent/CN115455866B/zh
Publication of CN115455866A publication Critical patent/CN115455866A/zh
Application granted granted Critical
Publication of CN115455866B publication Critical patent/CN115455866B/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
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Regulation And Control Of Combustion (AREA)

Abstract

本发明实施例公开了一种基于ruptures算法的稳定工况识别方法及系统、设备及介质，在一个具体示例中，所述稳定工况识别方法包括获取锅炉的历史工况数据，对所述历史工况数据进行预处理；采用ruptures算法识别所述历史工况数据的变点；根据所述历史工况数据的变点得到持续时间并根据持续时间对稳定工况和非稳定工况进行标记。通过ruptures算法识别观测数据中的变点，并根据所述变点集合进行工况划分，能够保证观测数据稳定工况划分准确。

Description

稳定工况识别方法及系统、设备及介质
技术领域
本发明涉及人工智能领域，具体而言，涉及一种稳定工况识别方法及系统、设备及介质。
背景技术
热电厂锅炉在燃烧过程中燃烧效率和NOx排放量会受到一些操作变量的影响，如一次风门开度、二次风门开度等，使得这两个锅炉性能指标无法保证当前工况下是较优的，为了能够提升锅炉的燃烧效率，同时尽可能降低NOx排放量，可以采用案例推理的方法通过比对实时数据从历史工况中找到较优的操作参数，为现场运维人员操作提供参考，从而使得锅炉性能指标达到较优的水平。
目前，通过变点检测进行稳定工况的划分，变点检测常用的算法包括标准偏差方法和贝叶斯在线变点检测。其中标准偏差方法是最简单的一种变点检测方法，其原理是通过设定一个阈值，采用滑动窗口方式计算窗口时间内数据的标准偏差，如果计算值低于给定阈值，则认为该时间内数据处于稳定状态，否则判定为非稳定状态，该算法优点是简单便捷，缺点是受限于给定阈值，无法精准找到变点位置；贝叶斯在线变点检测方法是一种经典的概率统计方法，其原理是假设观测数据均满足某种先验概率分布，对于新观测的数据根据该概率分布可以计算其概率值，然后计算出每个点的行程长度值，检验当前行程长度与上一次是否一致，如果不一致则认为是变点，再更新概率分布参数，作为下一次的先验概率参数，该算法优点是计算相对精准，缺点是需要假设先验概率分布和风险函数，迭代计算时间长。
发明内容
本发明的目的在于提供一种基于ruptures算法的稳定工况识别方法及系统、设备及介质，以解决现有技术的缺陷中的至少之一。
为此，本发明一方面提供一种基于ruptures算法的稳定工况识别方法，包括
获取锅炉的历史工况数据，对所述历史工况数据进行预处理；
采用ruptures算法识别所述历史工况数据的变点；
根据所述历史工况数据的变点得到持续时间并根据持续时间对稳定工况和非稳定工况进行标记。
可选地，所述历史工况数据为与燃烧效率和氮氧化合物相关的状态变量，所述历史工况数据包括主蒸汽流量、主蒸汽压力、主蒸汽温度、再热蒸汽温度、再热蒸汽压力、燃烧器摆角、风箱炉膛差压、给煤量、氮氧化合物排放量和锅炉效率。
可选地，对所述历史工况数据进行预处理包括按照预定的时间分辨率对所述状态变量进行重采样。
可选地，所述采用ruptures算法识别所述历史工况数据的变点包括：
构建基于高斯函数的目标函数obj
Figure 19035DEST_PATH_IMAGE001
其中，
Figure 387700DEST_PATH_IMAGE002
，T为变点数索引集合，
Figure 29509DEST_PATH_IMAGE003
为变点总数，
Figure 800019DEST_PATH_IMAGE004
为观测数据，
Figure 363855DEST_PATH_IMAGE005
为惩罚项，
Figure 829603DEST_PATH_IMAGE006
为第k个变点的索引，
Figure 668246DEST_PATH_IMAGE007
为第k+1个变点的索引，
Figure 762104DEST_PATH_IMAGE008
为第k个变点的索引处的观测数据，
Figure 906296DEST_PATH_IMAGE009
为第k+1个变点的索引处的观测数据，
Figure 718394DEST_PATH_IMAGE010
为高 斯损失核函数，
Figure 236094DEST_PATH_IMAGE011
其中，
Figure 715617DEST_PATH_IMAGE012
为宽带系数，
Figure 27781DEST_PATH_IMAGE013
表示从索引
Figure 592755DEST_PATH_IMAGE014
到
Figure 911216DEST_PATH_IMAGE015
的观测数据，
Figure 245245DEST_PATH_IMAGE016
为观测数据；
采用递归的方法计算所述目标函数的解得到变点集合C。
可选地，所述采用递归的方法计算所述目标函数obj的解得到变点集合包括
S10：设定最小长度min_size和滑动值slid，观测数据总长度为n；
S20：构造一组初始的变点索引集合A，其中，以最小长度min_size为第一个变点索引，n为最后一个变点索引，中间的变点索引是以滑动值slid为间隔的等差序列；设定i=2；
S30：构造一个从第一个变点索引值开始到A的第i个元素索引值Ai- min_size为止,以滑动值slid为间隔的等差序列变点索引集合Bi；将索引集合Bi中的任一元素跟元素Ai组合形成一组变点区间，将索引集合Bi与元素Ai组合形成的多种变点区间组合代入所述高斯损失核函数进行计算，将其中损失值最小的组合添加到变点集合C中；
S40：判断i是否小于n，若小于，则令i=i+1，跳转至步骤S30；若不小于，则流程结束。
可选地，所述采用ruptures算法识别所述历史工况数据的变点还包括：
根据剪枝原则对变点集合C进行修剪以剔除变点集合C中的无效变点，得到最优组合变点集合。
可选地，根据所述历史工况数据的变点得到持续时间并根据持续时间对稳定工况和非稳定工况进行标记包括：若所述持续时间小于预设阈值则该段时间内的工况标记为非稳定工况，若持续时间大于等于预设阈值则该段时间内的标记为稳定工况。
本发明第二方面提供了一种基于ruptures算法的稳定工况识别系统，包括
预处理模块，用于对采集到的历史工况数据进行预处理；
变点识别模块，用于根据ruptures算法识别所述历史工况数据的变点；
工况划分模块，用于根据所述历史工况数据的变点得到持续时间并根据所述持续时间对稳定工况和非稳定工况进行标记。
本发明第三方面提供了一种计算机设备，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，所述处理器执行所述程序时实现本发明第一方面提供的基于ruptures算法的稳定工况识别发膜护发。
本发明第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明第一方面提供的基于ruptures算法的稳定工况识别方法。
本发明的有益效果如下：
本发明提供方案，通过ruptures算法识别观测数据中的变点，并根据所述变点集合进行工况划分，能够保证观测数据稳定工况划分准确。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1示出本发明的一个实施例提供的一种基于ruptures算法的稳定工况识别方法的流程图。
图2示出本发明的一个实施例提供的24小时内主蒸汽流量随时间变化的散点图。
图3示出本发明的一个实施例提供的稳定工况划分图。
图4示出本发明的一个实施例提供的采用递归方法计算最优变点组合的流程图。
图5示出本发明的一个实施例提供的一种基于ruptures算法的稳定工况识别系统的结构示意图。
图6示出本发明的一个实施例提供的一种计算机设备的结构示意图。
具体实施方式
为了更清楚地说明本发明，下面结合实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
目前，锅炉燃烧工况寻优采用案例推理方法从历史案例数据库中查找与当前实时工况满足一定相似度的稳定工况集合，再从该集合中找出锅炉燃烧效率最高或NOx排放量最低的工况作为最优工况。这就需要对锅炉燃烧的历史数据中的稳定工况和非稳定工况进行精准划分。
为了提高稳定工况识别的效率和精准度，本发明的一个实施例提供了一种基于ruptures算法的稳定工况识别方法，如图1所示，包括
S101：获取锅炉的历史工况数据，对所述历史工况数据进行预处理；
S102：采用ruptures算法识别所述历史工况数据的变点；
S103：根据所述历史工况数据的变点得到持续时间并根据持续时间对稳定工况和非稳定工况进行标记。
本实施例通过ruptures算法识别观测数据中的变点，也可称为拐点，并根据所述变点集合进行工况划分，能够保证观测数据稳定工况划分准确。
在一个具体的实施例中，通过锅炉DCS系统获取所述历史工况数据。
在一个具体的实施例中，所述历史工况数据为与燃烧效率和氮氧化合物相关的状态变量，所述历史工况数据包括主蒸汽流量、主蒸汽压力、主蒸汽温度、再热蒸汽温度、再热蒸汽压力、燃烧器摆角、风箱炉膛差压、给煤量、氮氧化合物排放量和锅炉效率。
应当说明的是，对所述历史工况数据进行预处理包括按照预定的时间分辨率对所述状态变量进行重采样以将数据平滑消除噪声。
在一个具体的实施例中，参数数据按照时间分辨率为1min进行重采样，即将1分钟内的秒级数据取均值处理，将数据平滑，消除噪声，分别对上述历史工况数据进行重采样。
如图2所示，为预处理得到的一天内锅炉燃烧过程中主蒸汽流量随时间变化散点图，每分钟1个点，共计1440个点。
应当说明的是，对于变点数目未知的一组观测数据
Figure 462731DEST_PATH_IMAGE017
，假设
Figure 515001DEST_PATH_IMAGE018
其中
Figure 967979DEST_PATH_IMAGE019
为变点总数，
Figure 288671DEST_PATH_IMAGE020
为累计概率密度函数，
Figure 801692DEST_PATH_IMAGE021
为第k个变点的索引，观测数据
Figure 216624DEST_PATH_IMAGE022
即一组历史工况数据取均值处理后得到的函数，有式（1）可知，其由
Figure 738872DEST_PATH_IMAGE019
个边界
Figure 922860DEST_PATH_IMAGE023
界定的区间组成，将观测数据
Figure 872362DEST_PATH_IMAGE024
映射到希尔伯特空间，而希尔伯特空间跟自定义的核函数 相关，即
Figure 771660DEST_PATH_IMAGE025
，其中
Figure 832020DEST_PATH_IMAGE026
为映射函数，H为希尔伯特空间，k()为核函数，映 射函数的内积性质：
Figure 870514DEST_PATH_IMAGE027
Figure 990917DEST_PATH_IMAGE028
将在a-b之间的观测数据
Figure 239496DEST_PATH_IMAGE029
定义基于核函数的损失函数，
Figure 247422DEST_PATH_IMAGE030
其中
Figure 999477DEST_PATH_IMAGE031
表示从索引a到b的观测数据，
Figure 431726DEST_PATH_IMAGE032
表示
Figure 902022DEST_PATH_IMAGE033
在索引a+1到b的平均值， 上式经过推导损失函数可变为
Figure 304184DEST_PATH_IMAGE034
本专利采用的是高斯核函数，所述高斯核函数
Figure 51692DEST_PATH_IMAGE035
的表达式为：
Figure 510967DEST_PATH_IMAGE036
其中，
Figure 468559DEST_PATH_IMAGE037
为宽带系数，则原损失函数
Figure 549779DEST_PATH_IMAGE038
可转换为
Figure 276426DEST_PATH_IMAGE039
其中，a、b表示观测函数y的索引，
Figure 909533DEST_PATH_IMAGE040
、
Figure 229787DEST_PATH_IMAGE041
表示观测函数在索引s、t处的值，
Figure 988400DEST_PATH_IMAGE042
为宽 带系数。
通过式(1)-(7)的推导将变点检测问题转化为找出一组变点使得
Figure 835134DEST_PATH_IMAGE043
损失最小的问题。
定义函数
Figure 248929DEST_PATH_IMAGE044
，其表达式为：
Figure 181113DEST_PATH_IMAGE045
应当说明的是，对于变点数目未知的观测数据，需要在目标函数基础上添加惩罚项使得能找出最佳变点数，惩罚项是变点总数的线性函数，即目标函数转换为
Figure 728769DEST_PATH_IMAGE046
在一种可能的实现方式中，所述采用ruptures算法识别所述历史工况数据的变点包括：
构建基于高斯函数的目标函数obj，其表达式为如公式（9）所示，
其中，
Figure 164429DEST_PATH_IMAGE047
，T为变点数索引集合，
Figure 11775DEST_PATH_IMAGE048
为变点总 数，
Figure 431255DEST_PATH_IMAGE049
为观测数据，
Figure 517023DEST_PATH_IMAGE050
为惩罚项，所述惩罚项在简化后可直接取常数，
Figure 948135DEST_PATH_IMAGE051
为第k个变点 的索引，
Figure 359525DEST_PATH_IMAGE052
所有的观测数据是由
Figure 141667DEST_PATH_IMAGE053
个边界
Figure 34055DEST_PATH_IMAGE054
界定的区间组成的，
Figure 850833DEST_PATH_IMAGE055
为高斯损失 核函数，其计算公式如下所示：
Figure 167545DEST_PATH_IMAGE056
其中，
Figure 968142DEST_PATH_IMAGE057
为宽带系数，
Figure 395712DEST_PATH_IMAGE058
表示从索引
Figure 64066DEST_PATH_IMAGE059
到
Figure 817258DEST_PATH_IMAGE060
的观测数据，
Figure 105151DEST_PATH_IMAGE061
为第k个变点 的索引，
Figure 211779DEST_PATH_IMAGE060
为第k+1个变点的索引，
Figure 596624DEST_PATH_IMAGE062
为第k个变点的索引处的观测数据，
Figure 652874DEST_PATH_IMAGE063
为第k+ 1个变点的索引处的观测数据，
Figure 21538DEST_PATH_IMAGE064
、
Figure 197436DEST_PATH_IMAGE065
为观测数据；
采用递归的方法计算所述目标函数obj的解得到变点集合C。
在一种可能的实现方式中，所述采用ruptures算法识别所述历史工况数据的变点还包括：
根据剪枝原则对变点集合C进行修剪以剔除变点集合C中的无效变点，得到最优组合变点集合。
在一个具体的实施例中，所述根据所述历史工况数据的变点得到持续时间并根据持续时间对稳定工况和非稳定工况进行标记包括：若所述持续时间小于预设阈值则该段时间内的工况标记为非稳定工况，若持续时间大于等于预设阈值则该段时间内的标记为稳定工况，其中，所述预设阈值例如为30分钟。
在一个具体的实施例中，如图3所示，所述采用递归的方法计算所述目标函数obj的解得到变点集合C包括，设定最小长度min_size，滑动值slid，观测数据总长度为n，构造一组初始的变点索引集合A，即以min_size为第一个变点索引，n为最后一个变点索引，中间的变点索引是以slid为间隔的等差序列；构造一个从第一个变点索引值开始到A的第i个元素索引值Ai - min_size为止，以slid为间隔的等差序列变点索引集合Bi，可以了解的是，对于Bi中的任一个元素总可以跟元素Ai组合成一组变点区间，假设Bi中包含m个元素，则可有m种变点区间组合；将索引集合Bi中的任一元素跟元素Ai组合形成一组变点区间，将索引集合Bi与元素Ai组合形成的多种变点区间组合代入所述高斯损失核函数进行计算，将其中损失值最小的组合添加到变点集合C中，最后根据剪枝原则对变点集合C进行修剪，直到集合A中所有元素遍历一遍执行上述过程后输出的变点集合C即为最优组合。
应当说明的是，集合A中有多个元素，每个元素构造的Bi集合中的各元素与Ai组成多组变点区间，将所述多组变点区间代入高斯损失函数计算，最后对集合进行裁剪所述上述过程即指构造Bi、计算损失函数和裁剪。其中，所述每个元素构造的Bi集合即从0开始到Ai - min_size为止，以slid为间隔的等差序列变点索引集合Bi。
本方案在求解变点集合的过程中参数设置少，仅需设置最小长度和滑动值，计算方法简单便捷。
在一个具体的实施例中，设置所述剪枝原则如下
Figure 577733DEST_PATH_IMAGE066
……（11）
其中，t<s<L，t、s和L均为观测数据的索引，L为最后一个索引，且满足t<L-1，根据所述剪枝原则对变点集合C进行修剪，通过修剪过滤掉明显不是最优解的解，提高了计算速度，若不使用剪枝原则进行修剪，则能够得出多个局部最优解，使得在不断递归过程中计算效率低。
在一个具体的实施例中，对于给定的观测数据采用ruptures算法得到最终的变点组合，再根据稳态持续最短时间时间差判断工况是否稳定，对于每个变点，以该点为中心左右各设定一个补偿值作为过渡段，该过渡段也被认为是非稳定状态，其中，
所述稳态持续最短时间例如为30min，最终得到的稳定工况划分效果图如图4所示。
在一个具体的实施例中，所述稳定工况识别方法还包括，从锅炉DCS系统中获取工人操作数据，根据所述工人操作数据对划分得到的稳定工况的准确性进行验证。
应当说明的是，操作数据中认为进行调整的时段即非稳定工况。
应当说明的是，上述基于ruptures算法的稳定工况识别方法的应用并不仅仅限于锅炉燃烧工况，对于其他生产工况的划分同样适用。
本发明的一个实施例提供了一种基于ruptures算法的稳定工况识别系统，如图5所示，所述系统包括
预处理模块201，用于对采集到的历史工况数据进行预处理；
变点识别模块202，用于根据ruptures算法识别所述历史工况数据的变点；
工况划分模块203，用于根据所述历史工况数据的变点得到持续时间并根据所述持续时间对稳定工况和非稳定工况进行标记。
需要说明的是，本实施例提供的基于ruptures算法的稳定工况识别系统的原理及工作流程与上述基于ruptures算法的稳定工况识别方法相似，相关之处可以参照上述说明，在此不再赘述。
本申请的第三个实施例提供了一种计算机设备，如图6所示，适于用来实现上述实施例提供的基于ruptures算法的稳定工况识别方法的计算机设备，包括中央处理模块（CPU），其可以根据存储在只读存储器（ROM）中的程序或者从存储部分加载到随机访问存储器（RAM）中的程序而执行各种适当的动作和处理。在RAM 中，还存储有计算机系统操作所需的各种程序和数据。CPU 、ROM以及RAM通过总线被此相连。输入/输入（I/O）接口也连接至总线。
以下部件连接至I/O接口：包括键盘、鼠标等的输入部分；包括诸如液晶显示器（LCD）等以及扬声器等的输出部分；包括硬盘等的存储部分；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至I/O接口。可拆卸介质，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器上，以便于从其上读出的计算机程序根据需要被安装入存储部分。
本申请的第四个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现：
S101：获取锅炉的历史工况数据，对所述历史工况数据进行预处理；
S102：采用ruptures算法识别所述历史工况数据的变点；
S103：根据所述历史工况数据的变点得到持续时间并根据持续时间对稳定工况和非稳定工况进行标记。
在实际应用中，所述计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
在本发明的描述中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于本领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (7)

1.一种稳定工况识别方法，其特征在于，包括
获取锅炉的历史工况数据，对所述历史工况数据进行预处理；
采用ruptures算法识别所述历史工况数据的变点；
根据所述历史工况数据的变点得到持续时间并根据持续时间对稳定工况和非稳定工况进行标记；
其中，所述历史工况数据为与燃烧效率和氮氧化合物相关的状态变量；
对所述历史工况数据进行预处理包括按照预定的时间分辨率对所述状态变量进行重采样；
所述采用ruptures算法识别所述历史工况数据的变点包括：
构建基于高斯函数的目标函数obj，其表达式为
Obj＝minT(V(T,yt))+β(T)
其中，
Figure FDA0004036599400000011
T为变点数索引集合，K*为变点总数，yt为观测数据，β(T)为惩罚项，
Figure FDA0004036599400000012
为第k个变点的索引，
Figure FDA0004036599400000013
为第k+1个变点的索引，cgauss为高斯损失核函数，
Figure FDA0004036599400000014
其中，γ为宽带系数，
Figure FDA0004036599400000015
表示从索引
Figure FDA0004036599400000016
到
Figure FDA0004036599400000017
的观测数据，ys、yt为观测数据；
采用递归的方法计算所述目标函数obj的解得到变点集合C；
所述采用递归的方法计算所述目标函数obj的解得到变点集合包括
S10：设定最小长度min_size和滑动值slid，观测数据总长度为n；
S20：构造一组初始的变点索引集合A，其中，以最小长度min_size为第一个变点索引，n为最后一个变点索引，中间的变点索引是以滑动值slid为间隔的等差序列；设定i＝2；
S30：构造一个从第一个变点索引值开始到A的第i个元素索引值Ai-min_size为止,以滑动值slid为间隔的等差序列变点索引集合Bi；将索引集合Bi中的任一元素跟元素Ai组合形成一组变点区间，将索引集合Bi与元素Ai组合形成的多种变点区间组合代入所述高斯损失核函数进行计算，将其中损失值最小的组合添加到变点集合C中；
S40：判断i是否小于n，若小于，则令i＝i+1，跳转至步骤S30；若不小于，则流程结束。
2.根据权利要求1所述的稳定工况识别方法，其特征在于，
所述历史工况数据包括主蒸汽流量、主蒸汽压力、主蒸汽温度、再热蒸汽温度、再热蒸汽压力、燃烧器摆角、风箱炉膛差压、给煤量、氮氧化合物排放量和锅炉效率。
3.根据权利要求1所述的稳定工况识别方法，其特征在于，在步骤S40之前还包括
根据剪枝原则对变点集合C进行修剪以剔除变点集合C中的无效变点，得到最优组合变点集合。
4.根据权利要求3所述的稳定工况识别方法，其特征在于，
根据所述历史工况数据的变点得到持续时间并根据持续时间对稳定工况和非稳定工况进行标记包括若所述持续时间小于预设阈值则所述持续时间内的工况标记为非稳定工况，若持续时间大于等于预设阈值则所述持续时间内的标记为稳定工况。
5.一种稳定工况识别系统，其特征在于，包括
预处理模块，用于对采集到的历史工况数据进行预处理；
其中，所述历史工况数据为与燃烧效率和氮氧化合物相关的状态变量；
变点识别模块，用于根据ruptures算法识别所述历史工况数据的变点；
工况划分模块，用于根据所述历史工况数据的变点得到持续时间并根据所述持续时间对稳定工况和非稳定工况进行标记；
其中
对采集到的历史工况数据进行预处理包括按照预定的时间分辨率对所述状态变量进行重采样；
所述根据ruptures算法识别所述历史工况数据的变点包括：
构建基于高斯函数的目标函数obj，其表达式为
Obj＝minT(V(T,yt))+β(T)
其中，
Figure FDA0004036599400000021
T为变点数索引集合，K*为变点总数，yt为观测数据，β(T)为惩罚项，
Figure FDA0004036599400000031
为第k个变点的索引，
Figure FDA0004036599400000032
为第k+1个变点的索引，cgauss为高斯损失核函数，
Figure FDA0004036599400000033
其中，γ为宽带系数，
Figure FDA0004036599400000034
表示从索引
Figure FDA0004036599400000035
到
Figure FDA0004036599400000036
的观测数据，ys、yt为观测数据；
采用递归的方法计算所述目标函数obj的解得到变点集合C；
所述采用递归的方法计算所述目标函数obj的解得到变点集合C包括
S10：设定最小长度min_size和滑动值slid，观测数据总长度为n；
S20：构造一组初始的变点索引集合A，其中，以最小长度min_size为第一个变点索引，n为最后一个变点索引，中间的变点索引是以滑动值slid为间隔的等差序列；设定i＝2；
S30：构造一个从第一个变点索引值开始到A的第i个元素索引值Ai-min_size为止,以滑动值slid为间隔的等差序列变点索引集合Bi；将索引集合Bi中的任一元素跟元素Ai组合形成一组变点区间，将索引集合Bi与元素Ai组合形成的多种变点区间组合代入所述高斯损失核函数进行计算，将其中损失值最小的组合添加到变点集合C中；
S40：判断i是否小于n，若小于，则令i＝i+1，跳转至步骤S30；若不小于，则流程结束。
6.一种电子设备，包括处理器和存储有程序的存储介质，其特征在于，
所述程序执行时实现权利要求1-4中任一项所述的方法。
7.一种存储介质，存储有程序，其特征在于，
所述程序执行时实现权利要求1-4中任一项所述的方法。
CN202211341207.6A 2022-10-31 2022-10-31 稳定工况识别方法及系统、设备及介质 Active CN115455866B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211341207.6A CN115455866B (zh) 2022-10-31 2022-10-31 稳定工况识别方法及系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211341207.6A CN115455866B (zh) 2022-10-31 2022-10-31 稳定工况识别方法及系统、设备及介质

Publications (2)

Publication Number Publication Date
CN115455866A CN115455866A (zh) 2022-12-09
CN115455866B true CN115455866B (zh) 2023-02-24

Family

ID=84310119

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211341207.6A Active CN115455866B (zh) 2022-10-31 2022-10-31 稳定工况识别方法及系统、设备及介质

Country Status (1)

Country Link
CN (1) CN115455866B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111639802A (zh) * 2020-05-28 2020-09-08 中电投珠海横琴热电有限公司 一种燃机机组运行优化指导方法
CN112381272A (zh) * 2020-10-30 2021-02-19 国网山东省电力公司滨州市沾化区供电公司 一种电网负荷预测方法、系统、终端及存储介质
CN114482989A (zh) * 2021-12-30 2022-05-13 中国石油天然气集团有限公司 钻井溢流工况的识别方法及装置
CN114880927A (zh) * 2022-04-29 2022-08-09 广东大唐国际雷州发电有限责任公司 一种智慧电厂监控方法、系统、设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9200591B2 (en) * 2011-07-06 2015-12-01 Honeywell International Inc. Automatic identification of operating parameters for power plants

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111639802A (zh) * 2020-05-28 2020-09-08 中电投珠海横琴热电有限公司 一种燃机机组运行优化指导方法
CN112381272A (zh) * 2020-10-30 2021-02-19 国网山东省电力公司滨州市沾化区供电公司 一种电网负荷预测方法、系统、终端及存储介质
CN114482989A (zh) * 2021-12-30 2022-05-13 中国石油天然气集团有限公司 钻井溢流工况的识别方法及装置
CN114880927A (zh) * 2022-04-29 2022-08-09 广东大唐国际雷州发电有限责任公司 一种智慧电厂监控方法、系统、设备及存储介质

Also Published As

Publication number Publication date
CN115455866A (zh) 2022-12-09

Similar Documents

Publication Publication Date Title
CN109727446B (zh) 一种用电数据异常值的识别与处理方法
CN115861011B (zh) 一种基于多源数据融合的智慧城市优化管理方法和系统
CN111382906A (zh) 一种电力负荷预测方法、系统、设备和计算机可读存储介质
CN109934386A (zh) 热电联供系统热负荷预测方法
CN112667613B (zh) 基于多延时特性多变量校正的烟气NOx预测方法及系统
CN112547807A (zh) 一种基于决策树算法的热轧带钢质量精准判定方法
CN113536696A (zh) Sto-tcn热误差预测模型建模方法及其迁移学习方法
CN110647647B (zh) 一种基于时间序列复杂度差异性的封闭图形相似性搜索方法
CN115455866B (zh) 稳定工况识别方法及系统、设备及介质
CN115719106A (zh) 基于多气象要素的电力负荷预测方法
CN111522808A (zh) 一种风电机组异常运行数据处理方法
CN115587433A (zh) 一种基于状态工况的机组耗差分析优化方法及系统
CN114818925A (zh) 一种风电场出力数据缺失值填补方法及系统
CN111401652A (zh) 一种基于co在线检测的锅炉优化方法及系统
CN109523077B (zh) 一种风电功率预测方法
CN105654053B (zh) 基于改进约束ekf算法的动态振荡信号参数辨识方法
CN110298767B (zh) 一种火力发电厂时间序列变量异常监测方法及系统
Li et al. Uncertain support vector regression with imprecise observations
Zhao et al. Interval prediction method for solar radiation based on kernel density estimation and machine learning
CN114066212A (zh) 一种基于历史工况的机组升降负荷工况寻优方法
CN114038513A (zh) 燃煤锅炉内硫化氢的质量浓度预测方法、装置及终端
CN109376957B (zh) 一种火电厂负荷的预测方法
Guan et al. Forecasting model based on heuristic learning of high-order fuzzy-trend and jump rules
Li et al. A novel fuzzy time series model based on fuzzy logical relationships tree
CN117520869B (zh) 一种基于动态贝叶斯网络的中压配电网参数区间辨识方法和系统

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
GR01 Patent grant
GR01 Patent grant