CN115587433A - 一种基于状态工况的机组耗差分析优化方法及系统 - Google Patents
一种基于状态工况的机组耗差分析优化方法及系统 Download PDFInfo
- Publication number
- CN115587433A CN115587433A CN202211177900.4A CN202211177900A CN115587433A CN 115587433 A CN115587433 A CN 115587433A CN 202211177900 A CN202211177900 A CN 202211177900A CN 115587433 A CN115587433 A CN 115587433A
- Authority
- CN
- China
- Prior art keywords
- parameter
- state
- optimal
- historical
- difference
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于状态工况的机组耗差分析优化方法及系统,通过获取的机组的历史能效参数集,计算并筛选出机组的第一耗差参数和第一运行参数;对历史能效参数集进行稳态工况检测,得到历史稳态数据及其对应的历史稳态时间段;基于历史稳态数据及其对应的历史稳态时间段,对第一耗差参数和所述第一运行参数进行状态工况划分,得到多个状态工况划分结果,基于预设目标参数,获取所有状态工况下的最优状态工况,并构建状态工况最优模型;以使所述状态工况最优模型输出实时最优状态工况及其对应的最优耗差参数和最优运行参数,并基于最优耗差参数和最优运行参数对机组系统进行调优;与现有技术相比,本发明能提高机组耗差分析优化的准确性。
Description
技术领域
本发明涉及电厂设备运行优化的技术领域,特别是涉及一种基于状态工况的机组耗差分析优化方法及系统。
背景技术
火电机组多以煤为燃料,其生产流程复杂,生产工艺涉及的设备众多,主要包括锅炉(汽包、过热器、再热器、减温器),汽轮机(加热器、给水泵、汽轮机、凝汽器),发电机系统(发电机、励磁系统)和环保系统(脱硫设备、脱硝设备、除尘设备)等。在生产中,各系统之间相互影响、相互关联。为评判各系统运行参数对机组经济性能的影响,更有针对性地进行优化调整,普遍采用耗差分析法定量分析各参数变化对供电煤耗的影响程度。耗差分析法是一种对机组进行运行优化的重要方法,其原理为通过分析运行参数的实际值与基准优化值的差值,定量计算该差值对于机组热耗率、供电煤耗率的影响,使运行人员有的放矢,直观、能动地调整优化机组状态。当前耗差分析法具有明确的计算标准与公式,该方法的关键是基准优化值的确定。
传统方法中,机组能效计算中耗差分析相关参数的基准优化值采用设计值、试验值、经验值,这一方法在实际应用中存在较大问题,一是设计值、试验值、经验值相对固化,而基准优化值为动态数据,因为随时间推移,机组设备状态会发生变化,基准优化值也会逐渐发生偏移;二是设计值、试验值、经验值的数据组数较少,不能覆盖全部运行工况,提供全工况范围的基准优化值。
随着大数据技术的发展,越来越多的方法集中于基于数据分析确定基准优化值,但相关研究过于粗略,未进行细致的状态工况分析,得到的基准优化值往往不精准。在这一方法领域中,存在的普遍问题是,一是以固定历史事件段工况数据处理产生基准优化值,未能随着机组运行自动更新,新的数据涌入后,所产生的新工况数据无法参与到基准优化值的产生,不能体现最新的机组最优水平;二是常以瞬时工况数据作为基准优化值,但瞬时数据并不能作为机组优化的指导工况。
发明内容
本发明要解决的技术问题是:提供一种基于状态工况的机组耗差分析优化方法及系统,提高机组耗差分析优化的准确性。
为了解决上述技术问题,本发明提供了一种基于状态工况的机组耗差分析优化方法,包括:
获取并基于机组的历史能效参数集,计算机组的耗差参数和运行参数,对所述耗差参数和所述运行参数进行筛选,得到筛选后的第一耗差参数和第一运行参数,其中,所述历史能效参数集包括历史运行参数和历史耗差计算参数;
对所述历史能效参数集进行稳态工况检测,得到历史稳态数据及其对应的历史稳态时间段;
基于历史稳态数据及其对应的历史稳态时间段,对所述第一耗差参数和所述第一运行参数进行状态工况划分,得到多个状态工况划分结果,其中,所述状态工况划分结果包括工况参数、工况区间和持续时间阈值;
基于预设目标参数,获取所有状态工况下的最优状态工况,记录并基于所述最优状态工况及其对应的所述第一耗差参数和所述第一运行参数,并构建状态工况最优模型;
获取机组的实时能效参数集,将所述实时能效参数集输入到所述状态工况最优模型中,以使所述状态工况最优模型输出实时最优状态工况及其对应的最优耗差参数和最优运行参数,并基于所述最优耗差参数和所述最优运行参数对机组系统进行调优。
在一种可能的实现方式中,获取并基于机组的历史能效参数集,计算机组的耗差参数和运行参数,具体包括:
获取机组的历史能效参数集,其中,所述历史能效参数集包括历史运行参数和历史耗差计算参数;
对所述历史能效参数集进行数据清洗处理,得到历史清理能效参数集;其中,所述数据清洗处理包括过滤采集中断数据、过滤采集异常数据和过滤停机状态数据;
基于所述历史清理能效参数集,建立耗差参数模型,以使所述耗差参数模型输出耗差参数和运行参数。
在一种可能的实现方式中,对所述耗差参数和所述运行参数进行筛选,得到筛选后的第一耗差参数和第一运行参数,具体包括:
分别计算所述耗差参数和所述运行参数中各个参数对应的方差值,将所述方差值与预设方差阈值进行对比,若所述方差值大于所述预设方差阈值,则保留所述方差值对应的参数,得到第一参数集;
对所述第一参数集中每个参数对应的方差进行排序,根据预设数量或预设比例,从所述第一参数集中提取出第二参数集,其中,所述第二参数集包括第一耗差参数和第一运行参数。
在一种可能的实现方式中,对所述耗差参数和所述运行参数进行筛选,得到筛选后的第一耗差参数和第一运行参数,具体包括:
分别计算所述耗差参数和所述运行参数中两两参数之间的皮尔森相关系数值,并获取所述皮尔森相关系数值对应的相关系数绝对值;
将所述相关系数绝对值与预设系数阈值进行对比,若所述相关系数绝对值大于所述预设系数阈值,则保留所述相关系数绝对值对应的参数,得到第三参数集;
对所述第三参数集中每个参数对应的相关系数绝对值进行排序,根据预设数量或预设比例,从所述第三参数集中提取出第四参数集,其中,所述第四参数集包括第一耗差参数和第一运行参数。
在一种可能的实现方式中,对所述历史能效参数集进行稳态工况检测,得到历史稳态数据及其对应的历史稳态时间段,具体包括:
对所述历史能效参数集进行多项式滤波处理,得到滤波数据集,对所述历史能效参数集进行方差计算,得到方差数据集,对所述滤波数据集进行一阶线性拟合,得到斜率数据集,对所述方差数据集和所述斜率数据集进行筛选,得到历史稳态数据及其对应的历史稳态时间段。
在一种可能的实现方式中,对所述第一耗差参数和所述第一运行参数进行状态工况划分,具体包括:
设置状态工况划分方式,基于所述状态工况划分方式对所述第一耗差参数和所述第一运行参数进行状态工况划分,其中,所述状态工况划分方式包括等比状态工况划分、模糊工况划分、边界条件工况划分。
在一种可能的实现方式中,基于所述最优状态工况及其对应的所述第一耗差参数和所述第一运行参数,并构建状态工况最优模型,具体包括:
将所述最优状态工况对应的所述第一耗差参数和所述第一运行参数设置为最优运行参数,并获取所述最优状态工况对应的最优工况参数;
基于RBF回归网络,建立所述最优运行参数和所述最优工况参数对应的优化模型;
对所述优化模型的神经元中心参数、宽度参数和权重参数进行迭代训练,直至将所述神经元中心参数、所述宽度参数和所述权重参数更新到最优值,得到状态工况最优模型。
本发明还提供了一种基于状态工况的机组耗差分析优化系统包括:耗差计算模块、特征子集筛选模块、稳态工况检测模块、状态工况划分模块、最优工况中枢模块和实时优化模块;
其中,所述耗差计算模块,用于获取并基于机组的历史能效参数集,计算机组的耗差参数和运行参数,其中,所述历史能效参数集包括历史运行参数和历史耗差计算参数;
所述特征子集筛选模块,用于对所述耗差参数和所述运行参数进行筛选,得到筛选后的第一耗差参数和第一运行参数;
所述稳态工况检测模块,用于对所述历史能效参数集进行稳态工况检测,得到历史稳态数据及其对应的历史稳态时间段;
所述状态工况划分模块,用于基于历史稳态数据及其对应的历史稳态时间段,对所述第一耗差参数和所述第一运行参数进行状态工况划分,得到多个状态工况划分结果,其中,所述状态工况划分结果包括工况参数、工况区间和持续时间阈值;
所述最优工况中枢模块,用于基于预设目标参数,获取所有状态工况下的最优状态工况,记录并基于所述最优状态工况及其对应的所述第一耗差参数和所述第一运行参数,并构建状态工况最优模型;
所述实时优化模块,用于获取机组的实时能效参数集,将所述实时能效参数集输入到所述状态工况最优模型中,以使所述状态工况最优模型输出实时最优状态工况及其对应的最优耗差参数和最优运行参数,并基于所述最优耗差参数和所述最优运行参数对机组系统进行调优。
在一种可能的实现方式中,所述耗差计算模块,用于获取并基于机组的历史能效参数集,计算机组的耗差参数和运行参数,具体包括:
获取机组的历史能效参数集,其中,所述历史能效参数集包括历史运行参数和历史耗差计算参数;
对所述历史能效参数集进行数据清洗处理,得到历史清理能效参数集;其中,所述数据清洗处理包括过滤采集中断数据、过滤采集异常数据和过滤停机状态数据;
基于所述历史清理能效参数集,建立耗差参数模型,以使所述耗差参数模型输出耗差参数和运行参数。
在一种可能的实现方式中,所述特征子集筛选模块,用于对所述耗差参数和所述运行参数进行筛选,得到筛选后的第一耗差参数和第一运行参数,具体包括:
分别计算所述耗差参数和所述运行参数中各个参数对应的方差值,将所述方差值与预设方差阈值进行对比,若所述方差值大于所述预设方差阈值,则保留所述方差值对应的参数,得到第一参数集;
对所述第一参数集中每个参数对应的方差进行排序,根据预设数量或预设比例,从所述第一参数集中提取出第二参数集,其中,所述第二参数集包括第一耗差参数和第一运行参数。
在一种可能的实现方式中,所述特征子集筛选模块,用于对所述耗差参数和所述运行参数进行筛选,得到筛选后的第一耗差参数和第一运行参数,具体包括:
分别计算所述耗差参数和所述运行参数中两两参数之间的皮尔森相关系数值,并获取所述皮尔森相关系数值对应的相关系数绝对值;
将所述相关系数绝对值与预设系数阈值进行对比,若所述相关系数绝对值大于所述预设系数阈值,则保留所述相关系数绝对值对应的参数,得到第三参数集;
对所述第三参数集中每个参数对应的相关系数绝对值进行排序,根据预设数量或预设比例,从所述第三参数集中提取出第四参数集,其中,所述第四参数集包括第一耗差参数和第一运行参数。
在一种可能的实现方式中,所述稳态工况检测模块,对所述历史能效参数集进行稳态工况检测,得到历史稳态数据及其对应的历史稳态时间段,具体包括:
对所述历史能效参数集进行多项式滤波处理,得到滤波数据集,对所述历史能效参数集进行方差计算,得到方差数据集,对所述滤波数据集进行一阶线性拟合,得到斜率数据集,对所述方差数据集和所述斜率数据集进行筛选,得到历史稳态数据及其对应的历史稳态时间段。
在一种可能的实现方式中,所述状态工况划分模块,用于对所述第一耗差参数和所述第一运行参数进行状态工况划分,具体包括:
设置状态工况划分方式,基于所述状态工况划分方式对所述第一耗差参数和所述第一运行参数进行状态工况划分,其中,所述状态工况划分方式包括等比状态工况划分、模糊工况划分、边界条件工况划分。
在一种可能的实现方式中,所述最优工况中枢模块,用于基于所述最优状态工况及其对应的所述第一耗差参数和所述第一运行参数,并构建状态工况最优模型,具体包括:
将所述最优状态工况对应的所述第一耗差参数和所述第一运行参数设置为最优运行参数,并获取所述最优状态工况对应的最优工况参数;
基于RBF回归网络,建立所述最优运行参数和所述最优工况参数对应的优化模型;
对所述优化模型的神经元中心参数、宽度参数和权重参数进行迭代训练,直至将所述神经元中心参数、所述宽度参数和所述权重参数更新到最优值,得到状态工况最优模型。
本发明还提供了一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述任意一项所述的基于状态工况的机组耗差分析优化方法。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任意一项所述的基于状态工况的机组耗差分析优化方法。
本发明实施例一种基于状态工况的机组耗差分析优化方法及系统,与现有技术相比,具有如下有益效果:
通过获取机组的历史能效参数集,计算并筛选出机组的第一耗差参数和第一运行参数;对历史能效参数集进行稳态工况检测,得到历史稳态数据及其对应的历史稳态时间段;基于历史稳态数据及其对应的历史稳态时间段,对第一耗差参数和所述第一运行参数进行状态工况划分,得到多个状态工况划分结果,基于预设目标参数,获取所有状态工况下的最优状态工况,并构建状态工况最优模型;以使所述状态工况最优模型输出实时最优状态工况及其对应的最优耗差参数和最优运行参数,并基于最优耗差参数和最优运行参数对机组系统进行调优;与现有技术相比,本发明的技术方案能基于机组的实时能效参数通过状态工况最优模型输出优化值,能基于机组运行自动更新,能进一步提高机组耗差分析优化的准确性。
附图说明
图1是本发明提供的一种基于状态工况的机组耗差分析优化方法的一种实施例的流程示意图;
图2是本发明提供的一种基于状态工况的机组耗差分析优化系统的一种实施例的结构示意图;
图3是本发明提供的一种实施例的工况定义示意图;
图4是本发明提供的一种实施例的最优状态工况示意图。
具体实施方式
下面将结合本发明中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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作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。
实施例1
参见图1,图1是本发明提供的一种基于状态工况的机组耗差分析优化方法的一种实施例的流程示意图,如图1所示,该方法包括步骤101-步骤105,具体如下:
步骤101:获取并基于机组的历史能效参数集,计算机组的耗差参数和运行参数,对所述耗差参数和所述运行参数进行筛选,得到筛选后的第一耗差参数和第一运行参数,其中,所述历史能效参数集包括历史运行参数和历史耗差计算参数。
一实施例中,获取机组的历史能效参数集,其中,所述历史能效参数集包括历史运行参数和历史耗差计算参数。
优选的,历史运行参数包括发电机有功功率、主给水流量、主给水温度、给煤量、主蒸汽温度、主蒸汽压力、再热蒸汽压力、凝汽器真空等。
优选的,历史耗差计算参数包括:主蒸汽温度、主蒸汽压力、再热蒸汽温度、给水温度、凝汽器真空、凝汽器端差、凝结水过冷却度、排烟温度、送风温度、飞灰可燃物、过量空气系数、主蒸汽减温水量、再热器减温水量、主要辅机(如送风机、引风机、磨煤机、循环水泵、给水泵等)单耗、补水率等。
优选的,第一耗差参数包括供电煤耗率、发电煤耗率、供热煤耗、汽轮机发电热耗率、一次风机电耗率、主蒸汽温度耗差、主蒸汽压力耗差、再热蒸汽温度耗差、给水温度耗差、凝汽器真空耗差、凝汽器端差耗差、凝结水过冷度耗差、排烟温度耗差、送风温度耗差、飞灰可燃物耗差、过量空气系数耗差、主蒸汽减温水量耗差、再热器减温水量耗差、主要辅机(如送风机、引风机、磨煤机、循环水泵、给水泵等)耗差、补水率耗差。
一实施例中,对所述历史能效参数集进行数据清洗处理,得到历史清理能效参数集;其中,所述数据清洗处理包括过滤采集中断数据、过滤采集异常数据和过滤停机状态数据。
具体的,异常数据为数据采集后显示为NaN的数据,并用数据均值填充异常数据,其中所述异常数据为空数据;中断数据为由于信号中断等造成的数据一直保持不动,长时间呈现直线形式数据。
一实施例中,基于所述历史清理能效参数集,建立耗差参数模型,以使所述耗差参数模型输出耗差参数和运行参数。
一实施例中,可以基于方差选择规则的对所述耗差参数和所述运行参数进行筛选,得到筛选后的第一耗差参数和第一运行参数。
具体的,方差选择规则通过分别计算所述耗差参数和所述运行参数中各个参数对应的方差值,将所述方差值与预设方差阈值进行对比,若所述方差值大于所述预设方差阈值,则保留所述方差值对应的参数,若所述方差值小于或等于所述预设方差阈值,则过滤所述方差值对应的参数,得到第一参数集;对所述第一参数集中每个参数对应的方差按从大到小的顺序进行排序,根据预设数量或预设比例,从所述第一参数集中提取出第二参数集,其中,所述第二参数集包括第一耗差参数和第一运行参数。
作为本实施例中方差选择规则的一种举例说明:计算各个参数的方差值,首先删除方差为0的参数,采用预设比例的方法筛选,将比例设置为50%,将方差值从大到小排列,保留前50%的特征子集,作为第二参数集。
一实施例中,还可以基于皮尔森相关系数规则的对所述耗差参数和所述运行参数进行筛选,得到筛选后的第一耗差参数和第一运行参数。
具体的,皮尔森相关系数度量两个变量之间的相关程度。通过估算样本的协方差和标准差,可得到样本相关系数;皮尔森系数的绝对值小于或等于1,其绝对值越大,变量相关性越强,x及y分别代表长度为n的向量,具体计算如下:
具体的,皮尔森相关系数规则通过分别计算所述耗差参数和所述运行参数中两两参数之间的皮尔森相关系数值,并获取所述皮尔森相关系数值对应的相关系数绝对值;将所述相关系数绝对值与预设系数阈值进行对比,若所述相关系数绝对值大于所述预设系数阈值,则保留所述相关系数绝对值对应的参数,若所述相关系数绝对值小于或等于所述预设系数阈值,则保留所述相关系数绝对值对应的参数得到第三参数集;对所述第三参数集中每个参数对应的相关系数绝对值按从大到小的顺序进行排序,根据预设数量或预设比例,从所述第三参数集中提取出第四参数集,其中,所述第四参数集包括第一耗差参数和第一运行参数。
作为本实施例中皮尔森相关系数规则的一种举例说明:对所述耗差参数和所述运行参数,计算两两参数之间的皮尔森相关系数并对系数值取绝对值,通过设定保留的特征子集比例的方法筛选,将比例设置为50%,将相关系数绝对值从大到小排列,保留前50%的特征子集,作为第四参数集。
作为本实施例中的一种优选方案,基于皮尔森相关系数规则和方差选择规则同时对所述耗差参数和所述运行参数进行筛选,得到第二参数集和第四参数集;通过“与”运算,对第二参数集和第四参数集取交集,得到第五参数集,将所述第五参数集作为筛选后的第一耗差参数和第一运行参数;或通过“或”运算,对第二参数集和第四参数集并集得到第六参数集,将所述第六参数集作为筛选后的第一耗差参数和第一运行参数。
作为本实施例中优选方案的一种举例说明:使用“或”运算,对方差选择规则、皮尔森相关系数规则过滤后的第二参数集和第四参数集取并集,最后输出过滤后的参数集合。
步骤102:对所述历史能效参数集进行稳态工况检测,得到历史稳态数据及其对应的历史稳态时间段。
一实施例中,对所述历史能效参数集进行多项式滤波处理,得到滤波数据集,对所述历史能效参数集进行方差计算,得到方差数据集,对所述滤波数据集进行一阶线性拟合,得到斜率数据集,对所述方差数据集和所述斜率数据集进行筛选,得到历史稳态数据及其对应的历史稳态时间段。
具体的,从所述历史能效参数集中获取稳态工况判断相关数据,通过设置合适的第一时间窗口,并滑动第一时间窗口分别计算各个第一时间窗口内的历史能效参数集中各个数据的方差并存储为方差数据集。
具体的,使用SG滤波法对历史能效参数集设置合适的时间窗口长度进行滤波,获得能反映历史能效参数集的历史总体发展趋势的滤波后的滤波数据集;
具体的,对滤波数据集设置合适的第二时间窗口,再通过滑动第二时间窗口对第二时间窗口内滤波数据集进行一阶线性拟合,存储拟合后所得函数的斜率数据为斜率数据集。
具体的,分别绘制方差数据集与斜率数据集对应的频次分布直方图,最终根据数据特征生成合适的方差与斜率阈值,基于生成的方差阈值与斜率阈值,在方差数据集与斜率数据集中筛选同时处于方差与斜率阈值内时间段的稳态数据,并得出稳态数据对应的时间段。
作为本实施例中稳态工况检测的一种举例说明:
历史能效参数集中抽取出机组负荷与主蒸汽压力,并分别对机组负荷与主蒸汽压力进行多项式滤波,通过选取某点前后各30条数据进行该点数据的2阶多项式拟合计算,最终得到新扩维参数机组负荷滤波值与主蒸汽压力滤波值。
由于在负荷与主蒸汽温度稳定的情况下缸效在短时间内即可以稳定,不会有很强的滞后性,故这里分别对机组负荷滤波值与主蒸汽压力滤波值通过滑动第二时间窗口10分钟,步长为5秒的方式逐段进行一阶线性拟合,将一阶线性拟合出的斜率作为该段滤波后数据的斜率,得到新扩维参数机组负荷斜率与主蒸汽压力斜率。
分别对机组负荷与主蒸汽压力进行原始参数的方差计算,选取与上一步滑动相同时间窗口10分钟与步长5秒的方式逐段计算方差,得到新扩维参数机组负荷方差与主蒸汽压力方差。
通过设定合适的斜率与方差阈值,这里通过分别计算两个测点的斜率与方差频次分布直方图。在斜率频次分布直方图获取其拐点附近合适的数值作为斜率阈值设定值;在方差频次分布直方图获取其双峰结构中的波谷点附近合适的数值作为方差阈值设定值(前峰为稳态数据集中分布峰,后峰为非稳态数据分布峰);最终斜率阈值选定0.035,方差阈值选定7.5;通过所得阈值对数据进行筛选,阈值内的作为其稳态数据段,阈值外的作为非稳态数据段;并获取稳态数据段对应的时间段。
本实施例中,通过对机组工况进行稳定状态检测,提高了能耗分析数据的质量,然后进一步使用稳定工况下的数据,对衡量了机组经济性有着非常重要的参考价值。
步骤103:基于历史稳态数据及其对应的历史稳态时间段,对所述第一耗差参数和所述第一运行参数进行状态工况划分,得到多个状态工况划分结果,其中,所述状态工况划分结果包括工况参数、工况区间和持续时间阈值。
一实施例中,设置状态工况划分方式,基于所述状态工况划分方式对所述第一耗差参数和所述第一运行参数进行状态工况划分,其中,所述状态工况划分方式包括等比状态工况划分、模糊工况划分、边界条件工况划分。
一实施例中,将所述历史稳态数据及其对应的历史稳态时间段设置为工况参数数据集。
一实施例中,等比状态工况划分是根据工况参数等百分比进行状态工况划。
具体的,对工况参数数据集中的各个工况参数设置百分比,设置持续时间阈值t,划分工况后子工况都不是瞬时值,而是不等长的(长度大于t)工况序列。
k个工况参数为G1、G2,…Gk,分别对多个工况参数设置等百分比区间,工况划分后某子工况如下所示:
…
取多个工况参数的开始时间及结束时间的交集,作为该工况的持续时间,并判断时间长度是否大于时间阈值,若大于时间阈值则记录保留该子工况。该工况序列对应的p个运行参数矩阵集如下所示,运行参数包括第一耗差参数和所述第一运行参数。
一实施例中,对于模糊工况:
具体的,模糊聚类为使用软边界聚类,进行工况参数数据集聚类及工况划分,假设k个工况参数为G1、G2,…Gk,本实施例中主要研究过程、状态工况的划分及优化,因此将一段状态的数据集作为一个样本,作为优选取长度为m的一段数据集作为一个样本,假设样本有k个工况参数,则一条样本可表示为以下矩阵样式:
将该条矩阵样本转化为一维向量,则该样本可表示为:
G={g11,g12,…g1m,g21,g22,…g2m,…gk1,gk2,…gkm};
样本选取策略,以一定时间间隔取时间窗口大小为m的滑动窗口,从而组成多条样本。
设定工况样本集的工况数目为z,则将工况样本划分为z类,Ci(i=1…z)为某个类中心,pij(j=1…n,i=1…z)为某工况样本j属于某类i的隶属程度,f定义为模糊程度,假设工况样本有dim个工况参数,则某个工况样本Gj可由向量表示:Gj={gj1,gj2,…gjdim}。使用模糊聚类算法进行状态工况划分的过程如下:
第一步:初始化每个工况样本的隶属度pij,初始值采用随机方法,对于n个工况样本,目标为划分为z类,则形成n*z大小的隶属度矩阵。
第二步:计算最新的z个聚类中心,某类中心Ci的计算方法如下所示:
第三步:计算最新的隶属度矩阵,首先计算工况样本与类中心的距离,然后计算样本隶属度。
某工况样本j与某类i中心的距离dij计算方法如下所示:
某工况样本j属于某类i的隶属程度pij计算方法如下所示:
第四步:设置一定的条件,判断聚类算法是否结束,若符合条件则结束糊聚类工况划分过程,输出状态工况划分结果,若不符合条件则进行第二步继续进行聚类。
具体的,对于边界条件工况划分。
输入各个工况参数的边界,输入持续时间阈值,启用查询,根据参数边界及持续时间阈值,自动查询符合工况边界的工况段。根据查询条件的设置,自动生成工况编号,启用保存自动保存工况。
一实施例中,在对所述第一耗差参数和所述第一运行参数进行状态工况划分时,还设置工况定义,其中所述工况定义即工况划分标准的内容以及工况划分结果内容;
具体的,等比状态工况划分工况定义:工况参数,工况区间,持续时间阈值。工况参数为划分工况所使用的参数,工况区间为各个工况参数的区间,持续时间阈值为定义的状态工况的时间长度阈值。
工况划分结果:工况编号,工况参数,工况子集,持续时间。工况编号为根据定义不同工况,生成工况类型编号,例如定义工况参数1区间有m个,工况参数2区间有n个,则工况类型编号依次为1,2,…m*n。工况子集为符合某工况条件的所有工况集合,持续时间为各个工况子集的持续时间。
具体的,模糊工况划分工况定义:工况参数,划分数目,持续时间工况参数为划分工况用得参数,划分数目为工况类型数目即模糊工况划分的工况数,持续时间为状态工况的窗口大小,为定值。
工况划分结果:工况编号,工况参数,工况区间,工况类中心。工况编号为模糊聚类生成工况类型的类标号,工况区间为聚类结束后各个类各个参数的区间,对某类工况,具体为取该类下样本各个参数的最小值、最大值作为区间,工况类中心为聚类结束后各个类的类中心。
具体的,边界条件工况划分工况定义:工况参数,工况区间,持续时间阈值。工况参数为划分工况用得参数,工况区间为输入得各个工况参数的边界,持续时间阈值为定义的状态工况的时间长度阈值。
工况划分结果:工况编号,工况参数,工况子集,持续时间。工况编号根据查询次数自动生成得工况编号,工况子集为符合某工况条件的所有工况集合。
对于本实施例中等比状态工况划分的一种举例说明:
根据各个工况参数的百分比划分状态工况,本实施例中选择的工况参数包括有功功率、外界环境温度,采用等比状态工况划分,根据工况参数等百分比工况划分。
对有功功率设定数值范围,100-340MW(本实施例以330MW机组为参考),每20MW为一个区间,共计12个区间。外界环境温度,数值范围-20-50度,每10%一个区间,即每隔10度一个区间,共计7个区间。工况区间总数为12*7=84个区间。
工况划分工况定义:工况参数,工况区间,持续时间阈值。工况参数为划分工况用得参数:有功功率、外界环境温度,工况区间为各个工况参数的区间,持续时间阈值为定义的状态工况的时间长度阈值,t=30分钟,部分工况定义如图3所示,图3为工况定义示意图;其中工况编号非真实编号,只做区别不同工况展示用。
本实施例中,通过提供多种状态工况划分的工具,可实现不同方式的工况划分并提供对应的耗差参数及重要运行参数的优化建议,可根据机组实际运行情况,有效管理和分析能效数据,对辅助机组节能优化具有实际指导意义;且在进行耗差分析优化时,定义的工况为工况序列、过程工况,表征机组的状态工况,而非瞬时工况,结合能效分析优化,可得到连续工况下可调参数,更加符合实际生产运行。
步骤104:基于预设目标参数,获取所有状态工况下的最优状态工况,记录并基于所述最优状态工况及其对应的所述第一耗差参数和所述第一运行参数,并构建状态工况最优模型。
一实施例中,通过设置目标参数,根据目标参数寻找各个状态工况下的最优状态工况,并自动保存最优状态工况及最优运行参数到最优工况中枢,其中,所述最优运行参数为最优状态工况对应的所述第一耗差参数和所述第一运行参数,且所述最优状态工况的内容包括工况编号,最优工况参数,最优运行参数,持续时间。
优选的,在等比状态工况划分方法及边界条件工况划分方法中,最优工况参数取最优状态工况参数的均值,最优运行参数取最优状态工况对应的运行参数的均值,运行参数包括耗差参数及主要运行参数。
作为优选,模糊工况划分方法其中最优工况参数取某类下最优状态工况参数的均值,最优运行参数取某类下最优状态工况对应的运行参数的均值,运行参数包括耗差参数及主要运行参数,持续时间每个最优状态工况相同取滑动窗的窗口大小。
一实施例中,基于RBF回归网络,建立所述最优运行参数和所述最优工况参数对应的优化模型;对所述优化模型的神经元中心参数、宽度参数和权重参数进行迭代训练,直至将所述神经元中心参数、所述宽度参数和所述权重参数更新到最优值,得到状态工况最优模型。
具体的,采用一个回归模型建立最优工况参数与最优运行参数的映射关系,通常回归模型有:支持回归机模型,前馈映射神经网络、自组织神经网络、BP神经网络等模型,作为优选,采用RBF回归网络建立最优工况参数与最优运行参数的优化模型,通过单模型学习最优工况参数与最优运行参数之间的映射关系。
RBF径向基神经网络包括输入层、隐层、输出层,输入空间到隐层变换为非线性变换,从隐层到输出层为线性变化。径向基函数作为隐层神经元激活函数,输出层线性组合后输出到隐层神经元。
径向基函数取值只依赖于离原点距离的实值函数,作为优选本发明使用高斯核函数作为径向基函数,如下所示:
k(||x-c||)=exp{-||x-c||^2/(2*σ)^2)};
其中,c为核函数中心,σ为函数的宽度参数,控制了函数的径向作用范围。
RBF径向基神经网络,输入为某个工况的最优工况参数[G1、G2,…Gk],输出向量为该工况对应的最优运行参数,Y=[Y1,Y2…Yn]。假设模型输入层k个单元,h为隐含层单元个数,输出层n个单元。具体步骤如下:
1)初始化权重矩阵W,隐含层至输出层之间神经元的连接权值:
隐含层第j个单元到输出层第u个单元,初始权重值计算公式如下所示:
min和max为第p个输出神经元所有期望输出值的最小值以及最大值;Q为系数值,默认情况数值为1。
2)初始化神经元的中心,该神经元为隐含层神经元,初始中心的计算公式如下所示:
其中min p,max p为输入样本数据的第i(i<=k)个工况参数的最小值、最大值。
3)初始化宽度参数σ。
4)训练样本,计算更新各个神经元的输出值,隐含层第j神经元的输出,计算公式如下所示:
输出层第u个单元的输出,如下所示:
5)迭代训练,中心、宽度和调节权重调节更新到最优值,输出状态工况最优模型。
作为本实施例中的一种举例说明:
设置目标参数为供电煤耗,寻找所述状态工况下供电煤耗最低的状态工况作为最优状态工况,并自动保存最优状态工况及最优运行参数到最优工况中枢。最优状态工况的部分内容如图4所示,图4为最优状态工况示意图。
步骤105:获取机组的实时能效参数集,将所述实时能效参数集输入到所述状态工况最优模型中,以使所述状态工况最优模型输出实时最优状态工况及其对应的最优耗差参数和最优运行参数,并基于所述最优耗差参数和所述最优运行参数对机组系统进行调优。
一实施例中,获取机组每日对应的实时能效参数集,对实时能效参数集进行稳态检测、状态工况划分并记录状态工况划分结果,并基于每日的实时能效参数集对应的状态工况划分结果,使用工况更新机制,更新并记录最优状态工况。通过增设更新功能,随机组持续运行,出现新的工况数据时,最优状态工况发生联动。
具体的,对最优状态工况进行更新包括手动更新方法和自动更新方法,其中,手动更新方法,通过接收每日实时能效参数集,并对每日能效数据集划分出的状态工况划分结果对应的划分好的工况编号,手动挑选最优状态工况,加入最优工况中枢;对于自动更新方法,通过自动接收每日对应的实时能效参数集,对每日能效数据集划分出的状态工况划分结果对应的划分好的工况编号,自动挑选最优状态工况,加入最优工况中枢。
实施例2
参见图2,图2是本发明提供的一种基于状态工况的机组耗差分析优化系统的一种实施例的结构示意图,如图2所示,该系统包括耗差计算模块201、特征子集筛选模块202、稳态工况检测模块203、状态工况划分模块204、最优工况中枢模块205和实时优化模块206,具体如下:
所述耗差计算模块201,用于获取并基于机组的历史能效参数集,计算机组的耗差参数和运行参数,其中,所述历史能效参数集包括历史运行参数和历史耗差计算参数;
所述特征子集筛选模块202,用于对所述耗差参数和所述运行参数进行筛选,得到筛选后的第一耗差参数和第一运行参数;
所述稳态工况检测模块203,用于对所述历史能效参数集进行稳态工况检测,得到历史稳态数据及其对应的历史稳态时间段;
所述状态工况划分模块204,用于基于历史稳态数据及其对应的历史稳态时间段,对所述第一耗差参数和所述第一运行参数进行状态工况划分,得到多个状态工况划分结果,其中,所述状态工况划分结果包括工况参数、工况区间和持续时间阈值;
所述最优工况中枢模块205,用于基于预设目标参数,获取所有状态工况下的最优状态工况,记录并基于所述最优状态工况及其对应的所述第一耗差参数和所述第一运行参数,并构建状态工况最优模型;
所述实时优化模块206,用于获取机组的实时能效参数集,将所述实时能效参数集输入到所述状态工况最优模型中,以使所述状态工况最优模型输出实时最优状态工况及其对应的最优耗差参数和最优运行参数,并基于所述最优耗差参数和所述最优运行参数对机组系统进行调优。
一实施例中,所述耗差计算模块201包括数据获取单元、数据清洗处理单元、耗差模型单元;其中,所述数据获取单元用于获取机组的历史能效参数集,其中,所述历史能效参数集包括历史运行参数和历史耗差计算参数;所述数据清洗处理单元用于对所述历史能效参数集进行数据清洗处理,得到历史清理能效参数集;其中,所述数据清洗处理包括过滤采集中断数据、过滤采集异常数据和过滤停机状态数据;所述耗差模型单元用于基于所述历史清理能效参数集,建立耗差参数模型,以使所述耗差参数模型输出耗差参数和运行参数。
一实施例中,所述特征子集筛选模块202包括方差选择规则单元、皮尔森相关系数规则单元、筛选逻辑控制单元;
其中,所述方差选择规则单元,用于分别计算所述耗差参数和所述运行参数中各个参数对应的方差值,将所述方差值与预设方差阈值进行对比,若所述方差值大于所述预设方差阈值,则保留所述方差值对应的参数,得到第一参数集;对所述第一参数集中每个参数对应的方差进行排序,根据预设数量或预设比例,从所述第一参数集中提取出第二参数集,其中,所述第二参数集包括第一耗差参数和第一运行参数。
所述皮尔森相关系数规则单元,用于分别计算所述耗差参数和所述运行参数中两两参数之间的皮尔森相关系数值,并获取所述皮尔森相关系数值对应的相关系数绝对值;将所述相关系数绝对值与预设系数阈值进行对比,若所述相关系数绝对值大于所述预设系数阈值,则保留所述相关系数绝对值对应的参数,得到第三参数集;对所述第三参数集中每个参数对应的相关系数绝对值进行排序,根据预设数量或预设比例,从所述第三参数集中提取出第四参数集,其中,所述第四参数集包括第一耗差参数和第一运行参数。
所述筛选逻辑控制单元用于接收方差选择规则及皮尔森相关系数规则处理的特征子集,可选择逻辑规则“与”“或”以及设置特征子集数目阈值方法,最终实现子集的筛选,即参数的筛选。具体的,筛选逻辑控制单元的逻辑规则(1)“与”运算为方差选择规则单元、皮尔森相关系数规则单元过滤保留后的参数交集;(2)“或”运算为方差选择规则单元、皮尔森相关系数规则单元过滤保留后的参数并集;(3)根据方差选择规则或皮尔森相关系数规则,根据特征子集数目阈值设置最终实现子集的筛选,优选的,使用方差选择规则。
一实施例中,所述稳态工况检测模块203,用于对所述历史能效参数集进行稳态工况检测,得到历史稳态数据及其对应的历史稳态时间段,具体包括:对所述历史能效参数集进行多项式滤波处理,得到滤波数据集,对所述历史能效参数集进行方差计算,得到方差数据集,对所述滤波数据集进行一阶线性拟合,得到斜率数据集,对所述方差数据集和所述斜率数据集进行筛选,得到历史稳态数据及其对应的历史稳态时间段。
一实施例中,所述状态工况划分模块204包括等比状态工况划分单元、模糊工况划分单元、边界条件工况划分单元,所述等比状态工况划分单元用于根据各个工况参数的百分比划分状态工况,所述模糊工况划分单元将一段状态的数据集作为一条样本,并对所有样本进行模糊聚类,实现划分状态工况,所述边界条件工况划分单元根据输入的各个参数范围实现划分状态工况,若不选择工况划分单元,默认情况下使用模糊工况划分单元进行工况划分。具体的,所述状态工况划分模块,用于设置状态工况划分方式,基于所述状态工况划分方式对所述第一耗差参数和所述第一运行参数进行状态工况划分,其中,所述状态工况划分方式包括等比状态工况划分、模糊工况划分、边界条件工况划分。
一实施例中,所述最优工况中枢模块205包括最优工况单元、优化模型单元;其中,所述最优工况单元用于根据最优目标参数寻找各个状态工况的最优状态工况并形成记录,所述优化模型单元用于建立最优工况参数与运行优化参数的状态工况最优模型运行优化参数为耗差参数及重要运行参数的优化值。
具体的,所述最优工况中枢模块205,用于基于所述最优状态工况及其对应的所述第一耗差参数和所述第一运行参数,并构建状态工况最优模型,具体包括:将所述最优状态工况对应的所述第一耗差参数和所述第一运行参数设置为最优运行参数,并获取所述最优状态工况对应的最优工况参数;基于RBF回归网络,建立所述最优运行参数和所述最优工况参数对应的优化模型;对所述优化模型的神经元中心参数、宽度参数和权重参数进行迭代训练,直至将所述神经元中心参数、所述宽度参数和所述权重参数更新到最优值,得到状态工况最优模型。
一实施例中,所述实时优化模块206,包括状态工况增量单元、工况更新单元和实时优化单元;其中所述状态工况增量单元捕捉获取机组每日对应的实时能效参数集,并对所述实时能效参数集进行状态工况划分并记录状态工况类型;所述述工况更新单元用于处理机组每日对应的实时能效参数集,根据工况更新机制,更新并记录最优状态工况记录;所述实时优化单元,用于基于状态工况最优模型,预测实时状态工况的运行优化值,输出优化值作为机组系统运行的调优优化值。
所属领域的技术人员可以清楚的了解到,为描述的方便和简洁,上述描述的系统的具体工作过程,可以参考前述方法实施例中的对应过程,在此不在赘述。
需要说明的是,上述基于状态工况的机组耗差分析优化系统的实施例仅仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
在上述的基于状态工况的机组耗差分析优化方法的实施例的基础上,本发明另一实施例提供了一种基于状态工况的机组耗差分析优化终端设备,该基于状态工况的机组耗差分析优化终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时,实现本发明任意一实施例的基于状态工况的机组耗差分析优化方法。
示例性的,在这一实施例中所述计算机程序可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述基于状态工况的机组耗差分析优化终端设备中的执行过程。
所述基于状态工况的机组耗差分析优化终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述基于状态工况的机组耗差分析优化终端设备可包括,但不仅限于,处理器、存储器。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述基于状态工况的机组耗差分析优化终端设备的控制中心,利用各种接口和线路连接整个基于状态工况的机组耗差分析优化终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述基于状态工况的机组耗差分析优化终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据手机的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart MediaCard,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在上述基于状态工况的机组耗差分析优化方法的实施例的基础上,本发明另一实施例提供了一种存储介质,所述存储介质包括存储的计算机程序,其中,在所述计算机程序运行时,控制所述存储介质所在的设备执行本发明任意一实施例的基于状态工况的机组耗差分析优化方法。
在这一实施例中,上述存储介质为计算机可读存储介质,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
综上,本发明提供了一种基于状态工况的机组耗差分析优化方法及系统,本发明公开了一种基于状态工况的机组耗差分析优化方法及系统,通过获取的机组的历史能效参数集,计算并筛选出机组的第一耗差参数和第一运行参数;对历史能效参数集进行稳态工况检测,得到历史稳态数据及其对应的历史稳态时间段;基于历史稳态数据及其对应的历史稳态时间段,对第一耗差参数和所述第一运行参数进行状态工况划分,得到多个状态工况划分结果,基于预设目标参数,获取所有状态工况下的最优状态工况,并构建状态工况最优模型;以使所述状态工况最优模型输出实时最优状态工况及其对应的最优耗差参数和最优运行参数,并基于最优耗差参数和最优运行参数对机组系统进行调优。与现有技术相比,本发明的技术方案能提高机组耗差分析优化的准确性。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本发明的保护范围。
Claims (10)
1.一种基于状态工况的机组耗差分析优化方法,其特征在于,包括:
获取并基于机组的历史能效参数集,计算机组的耗差参数和运行参数,对所述耗差参数和所述运行参数进行筛选,得到筛选后的第一耗差参数和第一运行参数,其中,所述历史能效参数集包括历史运行参数和历史耗差计算参数;
对所述历史能效参数集进行稳态工况检测,得到历史稳态数据及其对应的历史稳态时间段;
基于历史稳态数据及其对应的历史稳态时间段,对所述第一耗差参数和所述第一运行参数进行状态工况划分,得到多个状态工况划分结果,其中,所述状态工况划分结果包括工况参数、工况区间和持续时间阈值;
基于预设目标参数,获取所有状态工况下的最优状态工况,记录并基于所述最优状态工况及其对应的所述第一耗差参数和所述第一运行参数,并构建状态工况最优模型;
获取机组的实时能效参数集,将所述实时能效参数集输入到所述状态工况最优模型中,以使所述状态工况最优模型输出实时最优状态工况及其对应的最优耗差参数和最优运行参数,并基于所述最优耗差参数和所述最优运行参数对机组系统进行调优。
2.如权利要求1所述的一种基于状态工况的机组耗差分析优化方法,其特征在于,获取并基于机组的历史能效参数集,计算机组的耗差参数和运行参数,具体包括:
获取机组的历史能效参数集,其中,所述历史能效参数集包括历史运行参数和历史耗差计算参数;
对所述历史能效参数集进行数据清洗处理,得到历史清理能效参数集;其中,所述数据清洗处理包括过滤采集中断数据、过滤采集异常数据和过滤停机状态数据;
基于所述历史清理能效参数集,建立耗差参数模型,以使所述耗差参数模型输出耗差参数和运行参数。
3.如权利要求1所述的一种基于状态工况的机组耗差分析优化方法,其特征在于,对所述耗差参数和所述运行参数进行筛选,得到筛选后的第一耗差参数和第一运行参数,具体包括:
分别计算所述耗差参数和所述运行参数中各个参数对应的方差值,将所述方差值与预设方差阈值进行对比,若所述方差值大于所述预设方差阈值,则保留所述方差值对应的参数,得到第一参数集;
对所述第一参数集中每个参数对应的方差进行排序,根据预设数量或预设比例,从所述第一参数集中提取出第二参数集,其中,所述第二参数集包括第一耗差参数和第一运行参数。
4.如权利要求1所述的一种基于状态工况的机组耗差分析优化方法,其特征在于,对所述耗差参数和所述运行参数进行筛选,得到筛选后的第一耗差参数和第一运行参数,具体包括:
分别计算所述耗差参数和所述运行参数中两两参数之间的皮尔森相关系数值,并获取所述皮尔森相关系数值对应的相关系数绝对值;
将所述相关系数绝对值与预设系数阈值进行对比,若所述相关系数绝对值大于所述预设系数阈值,则保留所述相关系数绝对值对应的参数,得到第三参数集;
对所述第三参数集中每个参数对应的相关系数绝对值进行排序,根据预设数量或预设比例,从所述第三参数集中提取出第四参数集,其中,所述第四参数集包括第一耗差参数和第一运行参数。
5.如权利要求1所述的一种基于状态工况的机组耗差分析优化方法,其特征在于,对所述历史能效参数集进行稳态工况检测,得到历史稳态数据及其对应的历史稳态时间段,具体包括:
对所述历史能效参数集进行多项式滤波处理,得到滤波数据集,对所述历史能效参数集进行方差计算,得到方差数据集,对所述滤波数据集进行一阶线性拟合,得到斜率数据集,对所述方差数据集和所述斜率数据集进行筛选,得到历史稳态数据及其对应的历史稳态时间段。
6.如权利要求1所述的一种基于状态工况的机组耗差分析优化方法,其特征在于,对所述第一耗差参数和所述第一运行参数进行状态工况划分,具体包括:
设置状态工况划分方式,基于所述状态工况划分方式对所述第一耗差参数和所述第一运行参数进行状态工况划分,其中,所述状态工况划分方式包括等比状态工况划分、模糊工况划分、边界条件工况划分。
7.如权利要求1所述的一种基于状态工况的机组耗差分析优化方法,其特征在于,基于所述最优状态工况及其对应的所述第一耗差参数和所述第一运行参数,并构建状态工况最优模型,具体包括:
将所述最优状态工况对应的所述第一耗差参数和所述第一运行参数设置为最优运行参数,并获取所述最优状态工况对应的最优工况参数;
基于RBF回归网络,建立所述最优运行参数和所述最优工况参数对应的优化模型;
对所述优化模型的神经元中心参数、宽度参数和权重参数进行迭代训练,直至将所述神经元中心参数、所述宽度参数和所述权重参数更新到最优值,得到状态工况最优模型。
8.一种基于状态工况的机组耗差分析优化系统,其特征在于,包括:耗差计算模块、特征子集筛选模块、稳态工况检测模块、状态工况划分模块、最优工况中枢模块和实时优化模块;
其中,所述耗差计算模块,用于获取并基于机组的历史能效参数集,计算机组的耗差参数和运行参数,其中,所述历史能效参数集包括历史运行参数和历史耗差计算参数;
所述特征子集筛选模块,用于对所述耗差参数和所述运行参数进行筛选,得到筛选后的第一耗差参数和第一运行参数;
所述稳态工况检测模块,用于对所述历史能效参数集进行稳态工况检测,得到历史稳态数据及其对应的历史稳态时间段;
所述状态工况划分模块,用于基于历史稳态数据及其对应的历史稳态时间段,对所述第一耗差参数和所述第一运行参数进行状态工况划分,得到多个状态工况划分结果,其中,所述状态工况划分结果包括工况参数、工况区间和持续时间阈值;
所述最优工况中枢模块,用于基于预设目标参数,获取所有状态工况下的最优状态工况,记录并基于所述最优状态工况及其对应的所述第一耗差参数和所述第一运行参数,并构建状态工况最优模型;
所述实时优化模块,用于获取机组的实时能效参数集,将所述实时能效参数集输入到所述状态工况最优模型中,以使所述状态工况最优模型输出实时最优状态工况及其对应的最优耗差参数和最优运行参数,并基于所述最优耗差参数和所述最优运行参数对机组系统进行调优。
9.一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述的基于状态工况的机组耗差分析优化方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的基于状态工况的机组耗差分析优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211177900.4A CN115587433A (zh) | 2022-09-23 | 2022-09-23 | 一种基于状态工况的机组耗差分析优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211177900.4A CN115587433A (zh) | 2022-09-23 | 2022-09-23 | 一种基于状态工况的机组耗差分析优化方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115587433A true CN115587433A (zh) | 2023-01-10 |
Family
ID=84772949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211177900.4A Pending CN115587433A (zh) | 2022-09-23 | 2022-09-23 | 一种基于状态工况的机组耗差分析优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115587433A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116125930A (zh) * | 2023-03-03 | 2023-05-16 | 中冶赛迪信息技术(重庆)有限公司 | 一种饱和蒸汽动态调度方法、装置、电子设备及介质 |
CN116381302A (zh) * | 2023-04-14 | 2023-07-04 | 杭州中凯通信设备有限公司 | 一种嵌入式防水电能计量箱 |
CN117434911A (zh) * | 2023-12-20 | 2024-01-23 | 北京东方国信科技股份有限公司 | 设备运行状态监控方法、装置及电子设备 |
CN117454326A (zh) * | 2023-11-27 | 2024-01-26 | 无锡雪浪数制科技有限公司 | 气化炉稳态分析方法、装置、平台及存储介质 |
CN118094232A (zh) * | 2024-04-25 | 2024-05-28 | 广东欢联电子科技有限公司 | 一种动态监测的生产能耗控制系统及方法 |
-
2022
- 2022-09-23 CN CN202211177900.4A patent/CN115587433A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116125930A (zh) * | 2023-03-03 | 2023-05-16 | 中冶赛迪信息技术(重庆)有限公司 | 一种饱和蒸汽动态调度方法、装置、电子设备及介质 |
CN116381302A (zh) * | 2023-04-14 | 2023-07-04 | 杭州中凯通信设备有限公司 | 一种嵌入式防水电能计量箱 |
CN116381302B (zh) * | 2023-04-14 | 2023-11-07 | 杭州中凯通信设备有限公司 | 一种嵌入式防水电能计量箱 |
CN117454326A (zh) * | 2023-11-27 | 2024-01-26 | 无锡雪浪数制科技有限公司 | 气化炉稳态分析方法、装置、平台及存储介质 |
CN117434911A (zh) * | 2023-12-20 | 2024-01-23 | 北京东方国信科技股份有限公司 | 设备运行状态监控方法、装置及电子设备 |
CN117434911B (zh) * | 2023-12-20 | 2024-04-16 | 北京东方国信科技股份有限公司 | 设备运行状态监控方法、装置及电子设备 |
CN118094232A (zh) * | 2024-04-25 | 2024-05-28 | 广东欢联电子科技有限公司 | 一种动态监测的生产能耗控制系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115587433A (zh) | 一种基于状态工况的机组耗差分析优化方法及系统 | |
Hu et al. | A hybrid technique for short-term wind speed prediction | |
CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
CN108647808B (zh) | 一种生产参数优化预测方法、装置、设备及存储介质 | |
CN112987666B (zh) | 电厂机组运行优化调控方法及系统 | |
CN110764468A (zh) | 一种确定火电机组运行参数基准值的方法及装置 | |
CN110717610A (zh) | 一种基于数据挖掘的风电功率预测方法 | |
WO2023024433A1 (zh) | 一种燃气蒸汽联合循环发电机组运行调控系统及调控方法 | |
CN112801388B (zh) | 一种基于非线性时间序列算法的电力负荷预测方法及系统 | |
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 | |
CN109446184B (zh) | 基于大数据分析平台的发电大数据预处理方法及系统 | |
CN109921426A (zh) | 基于cv-kde的风电并网系统概率潮流计算方法 | |
CN110705099B (zh) | 一种检定风电场出力相关性的方法 | |
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 | |
CN112651576A (zh) | 长期风电功率预测方法及装置 | |
CN117094478B (zh) | 能量调度管理方法、装置、设备及存储介质 | |
CN114118401A (zh) | 基于神经网络的配电网络流量预测方法、系统、装置及存储介质 | |
CN111199304A (zh) | 基于数据驱动融合策略的多目标燃烧优化方法 | |
CN116029433A (zh) | 基于灰色预测的能效基准值判定方法、系统、设备和介质 | |
CN115630561A (zh) | 一种神经网络热负荷预测模型自动优化方法及装置 | |
CN113595242B (zh) | 一种基于深度cnn-hmm的非侵入式负荷辨识方法 | |
CN113111588B (zh) | 一种燃气轮机nox排放浓度预测方法及装置 | |
CN113742989B (zh) | 燃烧优化控制方法、装置、存储介质及电子设备 | |
Tan et al. | Research on a novel wind power prediction method based on VMD-IMPA-BiLSTM | |
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 |
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 |