CN115563819A - 一种基于温度变化的火电站炉管损耗评估方法及系统 - Google Patents
一种基于温度变化的火电站炉管损耗评估方法及系统 Download PDFInfo
- Publication number
- CN115563819A CN115563819A CN202211552799.6A CN202211552799A CN115563819A CN 115563819 A CN115563819 A CN 115563819A CN 202211552799 A CN202211552799 A CN 202211552799A CN 115563819 A CN115563819 A CN 115563819A
- Authority
- CN
- China
- Prior art keywords
- temperature
- furnace tube
- temperature parameter
- loss
- abnormal
- 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.)
- Granted
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
-
- 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
- G06F2119/06—Power analysis or power 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
- G06F2119/08—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
- G06F2119/12—Timing analysis or timing optimisation
-
- 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)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及数据处理技术领域,提供了一种基于温度变化的火电站炉管损耗评估方法及系统,所述方法包括:对目标炉管进行划分,获得多个炉管区段;获取预设时间范围,结合多个时间节点,获得多个温度参数集合,进行异常温度参数的识别和去除,获得多个筛选温度参数集合,构建时空温度场,构建炉管损耗预测模型,获得输入数据,输入炉管损耗预测模型,获得目标炉管损耗预测结果,达到阈值时进行预警,解决了火电站炉管温度检测与场景适配度低,无法准确评估炉管损耗的技术问题,实现了基于火电站炉管应用场景,搭建时间和空间关联的炉管温度场,提高炉管损耗评估与炉管损耗场景适配度,进行炉管损耗预测,全方位提升损耗评估准确度的技术效果。
Description
技术领域
本发明涉及数据处理相关技术领域,具体涉及一种基于温度变化的火电站炉管损耗评估方法及系统。
背景技术
火电站的三大主要设备是锅炉、汽轮机和发电机,发电离不开锅炉,锅炉内包括省煤器、水冷壁、过热器、再热器,火电站炉管连通锅炉内部的省煤器、水冷壁、过热器、再热器等相关设备,火电站炉管只要有一根管发生泄漏,电力生产就无法正常进行。
由此,需要对火电站炉管进行炉管泄露事故的预警,常见的,专业检验人员采用定期维检的方式,进行火电站炉管泄露检测,但火电站炉管的排管分布之间的距离存在限制,专业检验人员难以对火电站炉管进行全方位彻底的维检,维检质量不高,容易发生炉管泄露安全隐患。
综上可知,亟需构建基于构建温度场,且符合火电站炉管场景的损耗评估方法,进行火电站炉管损耗精准评估,为提前进行泄露事故预警,及时排除泄露存在泄露风险提供支持。
综上所述,现有技术中存在火电站炉管温度检测与场景适配度低,无法准确评估炉管损耗的技术问题。
发明内容
本申请通过提供了一种基于温度变化的火电站炉管损耗评估方法及系统,旨在解决现有技术中火电站炉管温度检测与场景适配度低,无法准确评估炉管损耗的技术问题。
鉴于上述问题,本申请实施例提供了一种基于温度变化的火电站炉管损耗评估方法及系统。
本申请公开的第一个方面,提供了一种基于温度变化的火电站炉管损耗评估方法,其中,所述方法包括:对目标火电站内的目标炉管进行划分,获得多个炉管区段;获取预设时间范围,其中,所述预设时间范围包括多个时间节点;基于所述预设时间范围和所述多个时间节点,采集所述多个炉管区段的温度参数,获得多个温度参数集合;在所述多个温度参数集合内,进行异常温度参数的识别和去除,获得多个筛选温度参数集合;采用所述多个筛选温度参数集合,构建所述目标炉管在所述预设时间范围内的时空温度场;基于所述时空温度场,构建用于预测所述多个炉管区段使用损耗的炉管损耗预测模型,其中,所述炉管损耗预测模型包括温度持续时间预测模块和冷热循环次数预测模块;根据所述时空温度场,获得输入数据,将所述输入数据输入所述炉管损耗预测模型,获得目标炉管损耗预测结果,在所述目标炉管损耗预测结果达到阈值时进行预警。
本申请公开的另一个方面,提供了一种基于温度变化的火电站炉管损耗评估系统,其中,所述方法包括:炉管区段获得模块,用于对目标火电站内的目标炉管进行划分,获得多个炉管区段;时间范围获取模块,用于获取预设时间范围,其中,所述预设时间范围包括多个时间节点;温度参数采集模块,用于基于所述预设时间范围和所述多个时间节点,采集所述多个炉管区段的温度参数,获得多个温度参数集合;识别与去除模块,用于在所述多个温度参数集合内,进行异常温度参数的识别和去除,获得多个筛选温度参数集合;温度场构建模块,用于采用所述多个筛选温度参数集合,构建所述目标炉管在所述预设时间范围内的时空温度场;预测模型构建模块,用于基于所述时空温度场,构建用于预测所述多个炉管区段使用损耗的炉管损耗预测模型,其中,所述炉管损耗预测模型包括温度持续时间预测模块和冷热循环次数预测模块;预测结果获得模块,用于根据所述时空温度场,获得输入数据,将所述输入数据输入所述炉管损耗预测模型,获得目标炉管损耗预测结果,在所述目标炉管损耗预测结果达到阈值时进行预警。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了对目标火电站内的目标炉管进行划分,获得多个炉管区段;获取预设时间范围,结合多个时间节点,采集多个炉管区段的温度参数,获得多个温度参数集合,进行异常温度参数的识别和去除,获得多个筛选温度参数集合,构建目标炉管在预设时间范围内的时空温度场,构建用于预测多个炉管区段使用损耗的炉管损耗预测模型;获得输入数据,输入炉管损耗预测模型,获得目标炉管损耗预测结果,达到阈值时进行预警的技术方案,实现了基于火电站炉管应用场景,搭建时间和空间关联的炉管温度场,提高炉管损耗评估与炉管损耗场景适配度,进行炉管损耗预测,全方位提升损耗评估准确度的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种基于温度变化的火电站炉管损耗评估方法可能的流程示意图;
图2为本申请实施例提供了一种基于温度变化的火电站炉管损耗评估方法中获得多个筛选温度参数集合可能的流程示意图;
图3为本申请实施例提供了一种基于温度变化的火电站炉管损耗评估方法中构建时空温度场可能的流程示意图;
图4为本申请实施例提供了一种基于温度变化的火电站炉管损耗评估系统可能的结构示意图。
附图标记说明:炉管区段获得模块100,时间范围获取模块200,温度参数采集模块300,识别与去除模块400,温度场构建模块500,预测模型构建模块600,预测结果获得模块700。
具体实施方式
本申请提供的技术方案总体思路如下:
本申请实施例提供了针对火电厂炉管泄漏事故等其他风险事故,构建火电站炉管时空温度场(火电站炉管运行过程,炉管温度场在时间和空间存在一定规律),对检测所得异常温度参数剔除,通过电站炉管时空温度场,进行预测预警管理,维护火电站炉管的运行稳定性。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种基于温度变化的火电站炉管损耗评估方法,其中,所述方法包括:
S10:对目标火电站内的目标炉管进行划分,获得多个炉管区段;
步骤S10包括步骤:
S11:获取所述目标火电站内的多个炉管功能;
S12:按照所述多个炉管功能,对所述目标炉管进行划分,获得多个炉管区段。
具体而言,所述目标火电站中包括多路炉管,所述目标炉管为时空温度场所对应的炉管,所述目标火电站内不同区域的目标炉管与炉管的功能(炉管功能例如加热炉管、连接炉管等)相对应;
按照所述多个炉管功能,对所述目标炉管进行划分,获取多个炉管区段,所述炉管区段包括但不限于加热炉管区段、连接炉管区段,对所述目标火电站内的目标炉管进行划分,为后续进行数据处理提供基础。
S20:获取预设时间范围,其中,所述预设时间范围包括多个时间节点;
S30:基于所述预设时间范围和所述多个时间节点,采集所述多个炉管区段的温度参数,获得多个温度参数集合;
S40:在所述多个温度参数集合内,进行异常温度参数的识别和去除,获得多个筛选温度参数集合;
具体而言,所述预设时间范围为一预设参数,预设时间范围为一时间段,所述预设时间范围包括多个时间节点,所述多个时间节点两两一组,每一组时间节点对应的节点时间范围均包含于所述预设时间范围,所述多个时间节点为随机设定(现有技术),所述温度参数包括但不限于温度数据、时间数据、空间点位数据,所述异常温度参数可以是外界发热源靠近导致,也可以是其他外界温度干扰导致,所述异常温度参数需要识别和去除。
设定预设时间范围,在所述预设时间范围内,随机设定多个时间节点,将所述多个时间节点进行两两组合,获取多组节点时间范围,在所述多组节点时间范围内,通过实时温度采集装置(实时温度采集装置如红外温度检测装置),采集所述多个炉管区段的温度参数,采集获得多个温度参数集合,所述获得多个温度参数集合与所述多个炉管区段一一对应,在所述多个温度参数集合内,识别所述异常温度参数,从所述多个温度参数集合中剔除异常温度参数,剔除完成获取多个筛选温度参数集合,为保证时空温度场的精确性提供基础。
如图2所示,步骤S40包括步骤:
S41:基于第一炉管区段对应的第一温度参数集合,构建第一异常温度参数识别模型,其中,所述第一炉管区段和第一温度参数集合分别属于所述多个炉管区段和所述多个温度参数集合内;
S42:将所述第一温度参数集合输入所述第一异常温度参数识别模型,获得第一异常温度参数集合;
S43:将所述第一异常温度参数集合从所述第一温度参数集合内去除,获得第一筛选温度参数集合;
S44:构建其他多个炉管区段的多个异常温度参数识别模型,进行异常温度参数的识别和去除,获得所述多个筛选温度参数集合。
具体而言,所述第一炉管区段和第一温度参数集合分别属于所述多个炉管区段和所述多个温度参数集合内,所述第一炉管区段和第一温度参数集合对应,所述多个筛选温度参数集合包括第一筛选温度参数集合、第二筛选温度参数集合等多个筛选温度参数集合;
对所述多个炉管区段和所述多个温度参数集合进行编号整理,获取第一炉管区段、第二炉管区段等多个炉管区段以及第一温度参数集合、第二温度参数集合等多个温度参数集合,基于第一炉管区段对应的第一温度参数集合,构建第一异常温度参数识别模型,遍历上述异常温度参数识别模型构建过程,获取第二异常温度参数识别模型等多个异常温度参数识别模型;将所述第一温度参数集合输入所述第一异常温度参数识别模型,所述第一异常温度参数识别模型输出第一异常温度参数集合,在所述第一温度参数集合内,将所述第一异常温度参数集合去除,获得第一筛选温度参数集合;遍历上述异常温度参数集合识别与去除过程,对第二温度参数集合等多个温度参数集合分别进行异常温度参数的识别和去除,获得所述多个筛选温度参数集合,为彻底去除异常温度参数提供支持。
步骤S41包括步骤:
S411:采集所述第一炉管区段在历史时间内多个时间节点的温度参数,获得第一历史温度参数集合;
S412:对所述历史温度参数集合内的异常温度参数进行识别和标记,获得第一历史异常温度参数集合;
S413:从所述第一历史温度参数集合内随机选择一历史温度参数,构建所述第一异常温度参数识别模型的一层划分节点;
S414:再次从所述第一历史温度参数集合内随机选择一历史温度参数,构建所述第一异常温度参数识别模型的二层划分节点;
S415:继续构建所述第一异常温度参数识别模型的多层划分节点;
S416:根据所述第一历史温度参数集合和所述第一历史异常温度参数集合,计算获得异常比例信息;
S417:根据所述异常比例信息,在所述多层划分节点内设置获得异常温度参数输出节点;
S418:根据所述异常温度参数输出节点和所述多层划分节点,获得所述第一异常温度参数识别模型。
具体而言,历史时间为预设时间参数,所述历史温度参数包括但不限于历史温度数据、历史时间数据、空间点位数据,所述异常比例信息为所述第一历史异常温度参数与所述第一历史温度参数集合之比;
通过数据检索装置,在所述目标火电站的数据存储日志中,检索采集所述第一炉管区段在历史时间内多个时间节点的温度参数,获得第一历史温度参数集合;通过历史异常标记信息(历史异常标记信息用于对所述历史温度参数集合内的异常温度参数进行标识,可以是颜色突出标识或其他标识方式),对所述历史温度参数集合内的异常温度参数进行识别和标记,异常温度参数的识别可通过炉管管理人员的经验进行识别,获得第一历史异常温度参数集合;从所述第一历史温度参数集合内随机选择一历史温度参数(所述历史温度参数属于所述第一历史温度参数集合,随机选择为现有技术),将第一次随机选择的历史温度参数设定为所述第一异常温度参数识别模型的一层划分节点;再次从所述第一历史温度参数集合内随机选择一历史温度参数,将第二次随机选择的异常温度参数设定为所述第一异常温度参数识别模型的二层划分节点;重复上述步骤,继续构建所述第一异常温度参数识别模型的多层划分节点;
同步的,根据所述第一历史温度参数集合和所述第一历史异常温度参数集合,计算获得异常比例信息,即第一历史异常温度参数集合内温度参数的数量与第一历史温度参数集合内温度参数的数量的比值,例如可能为5%。根据该异常比例信息,在所述多层划分节点内设置异常温度参数输出节点,具体地,根据多层划分节点的数量乘以该异常比例信息,获得异常温度参数输出节点为层数,将该层数的划分节点设置为异常温度参数输出节点。将第一历史温度参数集合内温度参数输入该多层划分节点,经过多层的二分类划分,在异常温度参数输出节点及以下节点划分获得的单个温度参数,可认为与其他温度参数的差距较大,形成孤立的数据点,为异常数据,而未被划分为单个数据的温度参数,可认为与其他温度数据的差距较小,形成密集的数据簇,为正常的温度参数数据。
所述输出节点用于进行异常温度参数输出(第一异常温度参数识别模型的异常温度参数输出包括第一历史异常温度参数集合),根据所述异常温度参数输出节点和所述多层划分节点,确定属于第一历史温度参数集合的异常识别方案,获得所述第一异常温度参数识别模型,重复上述步骤,构建第二异常温度参数识别模型等多个异常温度参数识别模型,为精确识别异常温度参数提供支持。
本申请实施例通过根据此前异常温度参数的采集和识别情况,计算获得异常比例信息,基于孤立森林算法的思想,构建第一异常温度参数识别模型,并按照异常比例信息设置异常温度参数输出节点,能够输出更为准确的异常温度参数。
S50:采用所述多个筛选温度参数集合,构建所述目标炉管在所述预设时间范围内的时空温度场;
如图3所示,步骤S50包括步骤:
S51:基于知识网络,根据所述多个炉管区段,获得多个索引信息;
S52:根据所述多个时间节点,获得第一属性和多个第一属性值;
S53:根据所述多个筛选温度参数集合,获得第二属性和多个第二属性值;
S54:基于所述多个索引信息、第一属性、多个第一属性值、第二属性和多个第二属性值,构建所述时空温度场。
具体而言,所述时空温度场即包括时间信息和空间信息的炉管温度场,所述知识网络是信息属性之间的数据网络,所述索引信息为时空温度场的快速定位跳转信息,所述第一属性可以是时间,对应的所述多个第一属性值可以是多个特定时间区间,第二属性可以是空间,对应的所述多个第二属性值可以是多个特定空间区间;
以所述知识网络为构建逻辑,基于所述多个炉管区段,根据知识网络的信息属性分布特征,进行炉管区段分布设定,获得多个索引信息;根据所述多个时间节点,设定第一属性,通过所述第一属性与所述多个时间节点分布,获得多个第一属性值;根据所述多个筛选温度参数集合,设定第二属性,通过所述第二属性与所述多个筛选温度参数集合分布,获得和多个第二属性值;以所述知识网络为构建逻辑,基于所述多个索引信息、第一属性、多个第一属性值、第二属性和多个第二属性值,进行目标炉管的知识网络搭建,将所述目标炉管的知识网络设置为所述时空温度场,为保证时空温度场的合理性提供基础。
S60:基于所述时空温度场,构建用于预测所述多个炉管区段使用损耗的炉管损耗预测模型,其中,所述炉管损耗预测模型包括温度持续时间预测模块和冷热循环次数预测模块;
S70:根据所述时空温度场,获得输入数据,将所述输入数据输入所述炉管损耗预测模型,获得目标炉管损耗预测结果,在所述目标炉管损耗预测结果达到阈值时进行预警。
具体而言,所述炉管损耗预测模型包括温度持续时间预测模块和冷热循环次数预测模块,所述温度持续时间预测模块用于基于温度持续时间预测炉管损耗,冷热循环次数预测模块用于基于冷热循环次数预测炉管损耗,每经历过一次冷热循环,冷热循环次数加1,所述目标炉管损耗预测结果可以是目标炉管的冷热循环次数累计结果,所述目标炉管损耗预测结果达到阈值中的“阈值”特指使用目标炉管损耗对应的冷热循环次数达到使用寿命对应的冷热循环次数阈值;
步骤S60包括步骤:
S61:基于所述时空温度场,获取多个温度区间;
S62:获取目标炉管同型号炉管在所述多个温度区间持续不同时间的多个样本温度持续数据;
S63:根据所述多个样本温度持续数据,进行使用损耗评估,获得多个样本第一使用损耗消耗参数;
S64:采用所述多个样本温度持续数据和多个样本第一使用损耗消耗参数,基于前馈神经网络,构建所述温度持续时间预测模块;
S65:获取冷热循环温度阈值;
S66:根据所述冷热循环温度阈值,获取目标炉管同型号炉管在重复不同的多次冷热循环的多个样本冷热循环次数数据;
S67:根据所述多个样本冷热循环次数数据,进行使用损耗评估,获得多个样本第二使用损耗消耗参数;
S68:采用所述多个样本冷热循环次数数据和多个样本第二使用损耗消耗参数,基于前馈神经网络,构建所述冷热循环次数预测模块。
具体而言,基于所述时空温度场,构建用于预测所述多个炉管区段使用损耗的炉管损耗预测模型,具体包括:通过时空温度场分温度上限与温度下限,对应确定多个温度区间,所述多个温度区间满足均匀分布,所述样本温度持续数据为温度处于某一温度区间的累计时长;
通过自动计时设备(自动计时器),在目标炉管同型号炉管的温度达到某一温度区间的第一时间点(第一时间点即最早的时间点)开始计时,某一温度区间的第N时间点(第N时间点即最晚的时间点)结束计时,获取样本温度持续数据为温度处于某一温度区间的累计时长,遍历上述步骤,获取目标炉管同型号炉管在所述多个温度区间持续不同时间的多个样本温度持续数据;
根据所述多个样本温度持续数据,进行使用损耗评估(损耗性评估不等于使用年限,验证可知,20-50℃持续使用8年炉管报废处理,50-70℃持续使用4年炉管报废处理,70-85℃持续使用2年炉管报废处理),获得多个样本第一使用损耗消耗参数(若目标炉管同型号炉管20-50℃持续使用2年,50-70℃持续使用1年,70-85℃持续使用3个月,对应的第一使用损耗消耗参数为2/8+1/4+3/(2×12)=5/8);
以所述前馈神经网络为模型基础,将所述多个样本温度持续数据和多个样本第一使用损耗消耗参数作为训练数据,将所述训练数据分组输入前馈神经网络,将上一时间点的模型输出作为反馈信息,输入前馈神经网络的反馈输入端,进行反馈式训练,在模型输出趋于稳定后,确定所述温度持续时间预测模块;
获取冷热循环温度阈值(所述冷热循环温度阈值可以设置为100℃);根据所述冷热循环温度阈值,获取目标炉管同型号炉管在重复不同的多次冷热循环的多个样本冷热循环次数数据(示例性说明,冷热循环温度阈值为100℃,炉管在预设时间区间内温度变化超过该阈值,为一冷热循环);
根据所述多个样本冷热循环次数数据,进行使用损耗评估(使用损耗评估还包括冷热循环次数累计判定,某一炉管区段的冷热循环次数累计次数与炉管区段使用损耗对应的冷热循环次数阈值之比),获得多个样本第二使用损耗消耗参数(若目标炉管同型号炉管使用损耗对应的冷热循环次数阈值10000次,炉管区段的冷热循环次数累计次数为100次,对应的第二使用损耗消耗参数为1%);
以所述前馈神经网络为模型基础,将所述多个样本冷热循环次数数据和多个样本第二使用损耗消耗参数作为训练数据,构建所述冷热循环次数预测模块(构建过程与温度持续时间预测模块的构建过程一致),以目标炉管同型号炉管的数据信息,扩充模型训练数据,保证模型的稳定性,同时,为后续代入运算提供模型基础;
步骤S70包括步骤:
S71:根据所述时空温度场,获得所述多个炉管区段在不同的所述多个温度区间持续的时间,获得多个温度持续数据;
S72:将所述多个温度持续数据分别输入所述温度持续时间预测模块,获得多个第一使用损耗消耗参数;
S73:根据所述时空温度场和所述冷热循环温度阈值,获得所述多个炉管区段重复所述冷热循环温度阈值的冷热循环次数,获得多个冷热循环次数数据;
S74:将所述多个冷热循环次数数据分别输入所述冷热循环次数预测模块,获得多个第二使用损耗消耗参数;
S75:根据所述多个第一使用损耗消耗参数、多个第二使用损耗消耗参数,结合所述多个炉管区段在所述预设时间范围前的使用损耗,计算获得所述多个炉管区段的多个当前使用损耗预测结果,作为所述目标炉管损耗预测结果。
具体而言,根据所述时空温度场,获得输入数据,将所述输入数据输入所述炉管损耗预测模型,获得目标炉管损耗预测结果,具体包括:根据所述目标炉管在所述预设时间范围内的时空温度场,统计所述多个炉管区段在不同的所述多个温度区间持续的时间,获得多个温度持续数据,所述多个温度持续数据与所述多个温度区间对应;将所述多个温度持续数据作为输入数据,分别输入所述温度持续时间预测模块,通过温度持续时间预测模块进行持续时间预测,获得多个第一使用损耗消耗参数;
根据所述时空温度场和所述冷热循环温度阈值,统计所述多个炉管区段重复所述冷热循环温度阈值的冷热循环次数,获得多个冷热循环次数数据,所述多个冷热循环次数数据与所述冷热循环温度阈值对应;将所述多个冷热循环次数数据作为输入数据,分别输入所述冷热循环次数预测模块,通过所述冷热循环次数预测模块进行循环次数预测,获得多个第二使用损耗消耗参数;
根据所述多个第一使用损耗消耗参数、多个第二使用损耗消耗参数,基于所述多个炉管区段在所述预设时间范围前的使用损耗(所述预设时间范围前的使用损耗包括初始化第一使用损耗消耗参数、初始化第二使用损耗消耗参数,在基于温度变化的火电站炉管损耗评估系统初始化结束后,根据所述目标炉管的多个初始温度持续数据与多个初始冷热循环次数数据,进行使用损耗评估,获取初始化第一使用损耗消耗参数、初始化第二使用损耗消耗参数),对所述多个当前使用损耗预测结果为初始化第一使用损耗消耗参数、初始化第二使用损耗消耗参数与所述多个第一使用损耗消耗参数、多个第二使用损耗消耗参数进行累加计算,获得所述多个炉管区段的多个当前使用损耗预测结果,将所述多个炉管区段的多个当前使用损耗预测结果作为所述目标炉管损耗预测结果,在所述目标炉管损耗预测结果达到阈值(阈值可以结合用户自定义进行调整设置)时进行预警,为及时对火电站炉管进行更换维护提供便利,同时有效避免因火电站炉管引发的事故。
综上所述,本申请实施例所提供的一种基于温度变化的火电站炉管损耗评估方法及系统具有如下技术效果:
1.由于采用了对目标火电站内的目标炉管进行划分,获得多个炉管区段;获取预设时间范围;基于预设时间范围和多个时间节点,采集多个炉管区段的温度参数,获得多个温度参数集合,进行异常温度参数的识别和去除,获得多个筛选温度参数集合,构建目标炉管在预设时间范围内的时空温度场,构建炉管损耗预测模型;根据时空温度场,获得输入数据,输入炉管损耗预测模型,获得目标炉管损耗预测结果,达到阈值时进行预警,本申请通过提供了一种基于温度变化的火电站炉管损耗评估方法及系统,,实现了基于火电站炉管应用场景,搭建时间和空间关联的炉管温度场,提高炉管损耗评估与炉管损耗场景适配度,进行炉管损耗预测,全方位提升损耗评估准确度的技术效果。
2.由于采用了基于知识网络,根据多个炉管区段,获得多个索引信息;根据多个时间节点,获得第一属性和多个第一属性值;根据多个筛选温度参数集合,获得第二属性和多个第二属性值;基于多个索引信息、第一属性、多个第一属性值、第二属性和多个第二属性值,构建时空温度场,为保证时空温度场的合理性提供基础。
实施例二
基于与前述实施例中一种基于温度变化的火电站炉管损耗评估方法相同的发明构思,如图4所示,本申请实施例提供了一种基于温度变化的火电站炉管损耗评估系统,其中,所述系统包括:
炉管区段获得模块100,用于对目标火电站内的目标炉管进行划分,获得多个炉管区段;
时间范围获取模块200,用于获取预设时间范围,其中,所述预设时间范围包括多个时间节点;
温度参数采集模块300,用于基于所述预设时间范围和所述多个时间节点,采集所述多个炉管区段的温度参数,获得多个温度参数集合;
识别与去除模块400,用于在所述多个温度参数集合内,进行异常温度参数的识别和去除,获得多个筛选温度参数集合;
温度场构建模块500,用于采用所述多个筛选温度参数集合,构建所述目标炉管在所述预设时间范围内的时空温度场;
预测模型构建模块600,用于基于所述时空温度场,构建用于预测所述多个炉管区段使用损耗的炉管损耗预测模型,其中,所述炉管损耗预测模型包括温度持续时间预测模块和冷热循环次数预测模块;
预测结果获得模块700,用于根据所述时空温度场,获得输入数据,将所述输入数据输入所述炉管损耗预测模型,获得目标炉管损耗预测结果,在所述目标炉管损耗预测结果达到阈值时进行预警。
进一步的,所述系统包括:
炉管功能获取模块,用于获取所述目标火电站内的多个炉管功能;
目标炉管划分模块,用于按照所述多个炉管功能,对所述目标炉管进行划分,获得多个炉管区段。
进一步的,所述系统包括:
异常温度参数识别模型构建模块,用于基于第一炉管区段对应的第一温度参数集合,构建第一异常温度参数识别模型,其中,所述第一炉管区段和第一温度参数集合分别属于所述多个炉管区段和所述多个温度参数集合内;
温度参数集合输入模块,用于将所述第一温度参数集合输入所述第一异常温度参数识别模型,获得第一异常温度参数集合;
异常温度参数集合去除模块,用于将所述第一异常温度参数集合从所述第一温度参数集合内去除,获得第一筛选温度参数集合;
筛选温度参数集合获得模块,用于构建其他多个炉管区段的多个异常温度参数识别模型,进行异常温度参数的识别和去除,获得所述多个筛选温度参数集合。
进一步的,所述系统包括:
第一历史温度参数集合获得模块,用于采集所述第一炉管区段在历史时间内多个时间节点的温度参数,获得第一历史温度参数集合;
异常温度参数进行识别和标记模块,用于对所述历史温度参数集合内的异常温度参数进行识别和标记,获得第一历史异常温度参数集合;
第一随机选择模块,用于从所述第一历史温度参数集合内随机选择一历史温度参数,构建所述第一异常温度参数识别模型的一层划分节点;
第二随机选择模块,用于再次从所述第一历史温度参数集合内随机选择一历史温度参数,构建所述第一异常温度参数识别模型的二层划分节点;
第N随机选择模块,用于继续构建所述第一异常温度参数识别模型的多层划分节点;
异常比例信息获取模块,用于根据所述第一历史温度参数集合和所述第一历史异常温度参数集合,计算获得异常比例信息;
异常温度参数输出节点设置模块,用于根据所述异常比例信息,在所述多层划分节点内设置获得异常温度参数输出节点;
第一异常温度参数识别模型获得模块,用于根据所述异常温度参数输出节点和所述多层划分节点,获得所述第一异常温度参数识别模型。
进一步的,所述系统包括:
索引信息获得模块,用于基于知识网络,根据所述多个炉管区段,获得多个索引信息;
第一属性获取模块,用于根据所述多个时间节点,获得第一属性和多个第一属性值;
第二属性获取模块,用于根据所述多个筛选温度参数集合,获得第二属性和多个第二属性值;
时空温度场构建模块,用于基于所述多个索引信息、第一属性、多个第一属性值、第二属性和多个第二属性值,构建所述时空温度场。
进一步的,所述系统包括:
多个温度区间获取模块,用于基于所述时空温度场,获取多个温度区间;
样本温度持续数据获取模块,用于获取目标炉管同型号炉管在所述多个温度区间持续不同时间的多个样本温度持续数据;
第一使用损耗评估模块,用于根据所述多个样本温度持续数据,进行使用损耗评估,获得多个样本第一使用损耗消耗参数;
温度持续时间预测模块构建模块,用于采用所述多个样本温度持续数据和多个样本第一使用损耗消耗参数,基于前馈神经网络,构建所述温度持续时间预测模块;
冷热循环温度阈值获取模块,用于获取冷热循环温度阈值;
样本冷热循环次数数据获取模块,用于根据所述冷热循环温度阈值,获取目标炉管同型号炉管在重复不同的多次冷热循环的多个样本冷热循环次数数据;
第二使用损耗评估模块,用于根据所述多个样本冷热循环次数数据,进行使用损耗评估,获得多个样本第二使用损耗消耗参数;
冷热循环次数预测模块构建模块,用于采用所述多个样本冷热循环次数数据和多个样本第二使用损耗消耗参数,基于前馈神经网络,构建所述冷热循环次数预测模块。
进一步的,所述系统包括:
温度持续数据获得模块,用于根据所述时空温度场,获得所述多个炉管区段在不同的所述多个温度区间持续的时间,获得多个温度持续数据;
第一使用损耗消耗参数获取模块,用于将所述多个温度持续数据分别输入所述温度持续时间预测模块,获得多个第一使用损耗消耗参数;
冷热循环次数数据获得模块,用于根据所述时空温度场和所述冷热循环温度阈值,获得所述多个炉管区段重复所述冷热循环温度阈值的冷热循环次数,获得多个冷热循环次数数据;
第二使用损耗消耗参数获取模块,用于将所述多个冷热循环次数数据分别输入所述冷热循环次数预测模块,获得多个第二使用损耗消耗参数;
当前使用损耗预测结果计算模块,用于根据所述多个第一使用损耗消耗参数、多个第二使用损耗消耗参数,结合所述多个炉管区段在所述预设时间范围前的使用损耗,计算获得所述多个炉管区段的多个当前使用损耗预测结果,作为所述目标炉管损耗预测结果。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中,并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法,在此不做多余限制。
进一步的,综上所述的第一或第二可能不止代表次序关系,也可能代表某项特指概念,和/或指的是多个元素之间可单独或全部选择。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (8)
1.一种基于温度变化的火电站炉管损耗评估方法,其特征在于,所述方法包括:
对目标火电站内的目标炉管进行划分,获得多个炉管区段;
获取预设时间范围,其中,所述预设时间范围包括多个时间节点;
基于所述预设时间范围和所述多个时间节点,采集所述多个炉管区段的温度参数,获得多个温度参数集合;
在所述多个温度参数集合内,进行异常温度参数的识别和去除,获得多个筛选温度参数集合;
采用所述多个筛选温度参数集合,构建所述目标炉管在所述预设时间范围内的时空温度场;
基于所述时空温度场,构建用于预测所述多个炉管区段使用损耗的炉管损耗预测模型,其中,所述炉管损耗预测模型包括温度持续时间预测模块和冷热循环次数预测模块;
根据所述时空温度场,获得输入数据,将所述输入数据输入所述炉管损耗预测模型,获得目标炉管损耗预测结果,在所述目标炉管损耗预测结果达到阈值时进行预警。
2.根据权利要求1所述的方法,其特征在于,对目标火电站内的目标炉管进行划分,获得多个炉管区段,包括:
获取所述目标火电站内的多个炉管功能;
按照所述多个炉管功能,对所述目标炉管进行划分,获得多个炉管区段。
3.根据权利要求1所述的方法,其特征在于,在所述多个温度参数集合内,进行异常温度参数的识别和去除,包括:
基于第一炉管区段对应的第一温度参数集合,构建第一异常温度参数识别模型,其中,所述第一炉管区段和第一温度参数集合分别属于所述多个炉管区段和所述多个温度参数集合内;
将所述第一温度参数集合输入所述第一异常温度参数识别模型,获得第一异常温度参数集合;
将所述第一异常温度参数集合从所述第一温度参数集合内去除,获得第一筛选温度参数集合;
构建其他多个炉管区段的多个异常温度参数识别模型,进行异常温度参数的识别和去除,获得所述多个筛选温度参数集合。
4.根据权利要求3所述的方法,其特征在于,基于第一炉管区段对应的第一温度参数集合,构建第一异常温度参数识别模型,包括:
采集所述第一炉管区段在历史时间内多个时间节点的温度参数,获得第一历史温度参数集合;
对所述历史温度参数集合内的异常温度参数进行识别和标记,获得第一历史异常温度参数集合;
从所述第一历史温度参数集合内随机选择一历史温度参数,构建所述第一异常温度参数识别模型的一层划分节点;
再次从所述第一历史温度参数集合内随机选择一历史温度参数,构建所述第一异常温度参数识别模型的二层划分节点;
继续构建所述第一异常温度参数识别模型的多层划分节点;
根据所述第一历史温度参数集合和所述第一历史异常温度参数集合,计算获得异常比例信息;
根据所述异常比例信息,在所述多层划分节点内设置获得异常温度参数输出节点;
根据所述异常温度参数输出节点和所述多层划分节点,获得所述第一异常温度参数识别模型。
5.根据权利要求1所述的方法,其特征在于,采用所述多个筛选温度参数集合,构建所述目标炉管在所述预设时间范围内的时空温度场,包括:
基于知识网络,根据所述多个炉管区段,获得多个索引信息;
根据所述多个时间节点,获得第一属性和多个第一属性值;
根据所述多个筛选温度参数集合,获得第二属性和多个第二属性值;
基于所述多个索引信息、第一属性、多个第一属性值、第二属性和多个第二属性值,构建所述时空温度场。
6.根据权利要求1所述的方法,其特征在于,基于所述时空温度场,构建用于预测所述多个炉管区段使用损耗的炉管损耗预测模型,包括:
基于所述时空温度场,获取多个温度区间;
获取目标炉管同型号炉管在所述多个温度区间持续不同时间的多个样本温度持续数据;
根据所述多个样本温度持续数据,进行使用损耗评估,获得多个样本第一使用损耗消耗参数;
采用所述多个样本温度持续数据和多个样本第一使用损耗消耗参数,基于前馈神经网络,构建所述温度持续时间预测模块;
获取冷热循环温度阈值;
根据所述冷热循环温度阈值,获取目标炉管同型号炉管在重复不同的多次冷热循环的多个样本冷热循环次数数据;
根据所述多个样本冷热循环次数数据,进行使用损耗评估,获得多个样本第二使用损耗消耗参数;
采用所述多个样本冷热循环次数数据和多个样本第二使用损耗消耗参数,基于前馈神经网络,构建所述冷热循环次数预测模块。
7.根据权利要求6所述的方法,其特征在于,根据所述时空温度场,获得输入数据,将所述输入数据输入所述炉管损耗预测模型,获得目标炉管损耗预测结果,包括:
根据所述时空温度场,获得所述多个炉管区段在不同的所述多个温度区间持续的时间,获得多个温度持续数据;
将所述多个温度持续数据分别输入所述温度持续时间预测模块,获得多个第一使用损耗消耗参数;
根据所述时空温度场和所述冷热循环温度阈值,获得所述多个炉管区段重复所述冷热循环温度阈值的冷热循环次数,获得多个冷热循环次数数据;
将所述多个冷热循环次数数据分别输入所述冷热循环次数预测模块,获得多个第二使用损耗消耗参数;
根据所述多个第一使用损耗消耗参数、多个第二使用损耗消耗参数,结合所述多个炉管区段在所述预设时间范围前的使用损耗,计算获得所述多个炉管区段的多个当前使用损耗预测结果,作为所述目标炉管损耗预测结果。
8.一种基于温度变化的火电站炉管损耗评估系统,其特征在于,用于实施权利要求1-7任一项所述的一种基于温度变化的火电站炉管损耗评估方法,包括:
炉管区段获得模块,用于对目标火电站内的目标炉管进行划分,获得多个炉管区段;
时间范围获取模块,用于获取预设时间范围,其中,所述预设时间范围包括多个时间节点;
温度参数采集模块,用于基于所述预设时间范围和所述多个时间节点,采集所述多个炉管区段的温度参数,获得多个温度参数集合;
识别与去除模块,用于在所述多个温度参数集合内,进行异常温度参数的识别和去除,获得多个筛选温度参数集合;
温度场构建模块,用于采用所述多个筛选温度参数集合,构建所述目标炉管在所述预设时间范围内的时空温度场;
预测模型构建模块,用于基于所述时空温度场,构建用于预测所述多个炉管区段使用损耗的炉管损耗预测模型,其中,所述炉管损耗预测模型包括温度持续时间预测模块和冷热循环次数预测模块;
预测结果获得模块,用于根据所述时空温度场,获得输入数据,将所述输入数据输入所述炉管损耗预测模型,获得目标炉管损耗预测结果,在所述目标炉管损耗预测结果达到阈值时进行预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211552799.6A CN115563819B (zh) | 2022-12-06 | 2022-12-06 | 一种基于温度变化的火电站炉管损耗评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211552799.6A CN115563819B (zh) | 2022-12-06 | 2022-12-06 | 一种基于温度变化的火电站炉管损耗评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115563819A true CN115563819A (zh) | 2023-01-03 |
CN115563819B CN115563819B (zh) | 2023-04-07 |
Family
ID=84770815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211552799.6A Active CN115563819B (zh) | 2022-12-06 | 2022-12-06 | 一种基于温度变化的火电站炉管损耗评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115563819B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116398868A (zh) * | 2023-01-09 | 2023-07-07 | 北京博数智源人工智能科技有限公司 | 一种基于火电站炉管虚拟分区的壁温异常识别方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103267684A (zh) * | 2013-05-08 | 2013-08-28 | 广东电网公司电力科学研究院 | 一种电站锅炉承压元件寿命损耗获取方法及系统 |
WO2020106018A1 (ko) * | 2018-11-20 | 2020-05-28 | 부산대학교 산학협력단 | 가열로 모니터링 시스템 및 방법 |
CN112430727A (zh) * | 2020-10-15 | 2021-03-02 | 宝钢日铁汽车板有限公司 | 一种连续退火炉炉温预警方法及系统 |
CN114429003A (zh) * | 2021-12-15 | 2022-05-03 | 国家能源集团新能源技术研究院有限公司 | 锅炉四管寿命预测方法的系统 |
CN114484409A (zh) * | 2022-02-22 | 2022-05-13 | 北京博数智源人工智能科技有限公司 | 一种火电厂炉管泄漏事故的预警方法及装置 |
-
2022
- 2022-12-06 CN CN202211552799.6A patent/CN115563819B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103267684A (zh) * | 2013-05-08 | 2013-08-28 | 广东电网公司电力科学研究院 | 一种电站锅炉承压元件寿命损耗获取方法及系统 |
WO2020106018A1 (ko) * | 2018-11-20 | 2020-05-28 | 부산대학교 산학협력단 | 가열로 모니터링 시스템 및 방법 |
CN112430727A (zh) * | 2020-10-15 | 2021-03-02 | 宝钢日铁汽车板有限公司 | 一种连续退火炉炉温预警方法及系统 |
CN114429003A (zh) * | 2021-12-15 | 2022-05-03 | 国家能源集团新能源技术研究院有限公司 | 锅炉四管寿命预测方法的系统 |
CN114484409A (zh) * | 2022-02-22 | 2022-05-13 | 北京博数智源人工智能科技有限公司 | 一种火电厂炉管泄漏事故的预警方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116398868A (zh) * | 2023-01-09 | 2023-07-07 | 北京博数智源人工智能科技有限公司 | 一种基于火电站炉管虚拟分区的壁温异常识别方法及系统 |
CN116398868B (zh) * | 2023-01-09 | 2023-08-29 | 北京博数智源人工智能科技有限公司 | 一种基于火电站炉管虚拟分区的壁温异常识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115563819B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115578015B (zh) | 基于物联网的污水处理全过程监管方法、系统及存储介质 | |
CN104103005B (zh) | 一种有限条件下突发性水环境事件污染源的溯源方法 | |
CN115563819B (zh) | 一种基于温度变化的火电站炉管损耗评估方法及系统 | |
CN112836758B (zh) | 基于双层循环神经网络的独立计量区域管网漏损检测方法 | |
EP2035903A2 (en) | Method to analyze economics of asset management solutions for nuclear steam generators | |
CN108399486A (zh) | 一种基于最小二乘向量机的电力设备故障检测方法 | |
CN113591215B (zh) | 基于不确定性的异常卫星组件布局检测方法 | |
CN114492675B (zh) | 一种电容式电压互感器故障原因智能诊断方法 | |
CN102339347A (zh) | 用于技术系统的计算机辅助分析的方法 | |
CN107679089A (zh) | 一种用于电力传感数据的清洗方法、装置和系统 | |
CN116595327A (zh) | 水闸变形监测数据预处理系统及方法 | |
JP6200076B2 (ja) | システムから取得される測定値を評価する方法及びシステム | |
CN113036913A (zh) | 一种综合能源设备状态监测方法及装置 | |
CN117057644A (zh) | 一种基于特性匹配的设备生产质量检测方法及系统 | |
Muravyov et al. | Multisensor accuracy enhancement on the base of interval voting in form of preference aggregation in WSN for ecological monitoring | |
CN116727462B (zh) | 一种热轧无缝钢管的冷却控制方法及系统 | |
CN110909774B (zh) | 一种基于贝叶斯分类的变电设备发热缺陷原因判别方法 | |
CN116720983A (zh) | 一种基于大数据分析的供电设备异常检测方法及系统 | |
CN115983684B (zh) | 一种制冷用铜管生产缺陷管理方法及系统 | |
CN116777861A (zh) | 一种激光雕刻机打标质量检测方法及系统 | |
CN116429269A (zh) | 一种乙烯裂解炉炉管红外智能分析系统 | |
CN113111911B (zh) | 基于主成分分析与门控循环单元网络的缺陷深度检测方法 | |
CN111143774B (zh) | 一种基于影响因素多状态模型的电力负荷预测方法和装置 | |
CN112819053A (zh) | 模型库的建立方法及装置、诊断方法及装置、预测方法 | |
CN112652167A (zh) | 一种基于多图卷积神经网络的交通速度预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |