CN115875091B - 汽轮机阀门流量特性的监测方法、装置和可读存储介质 - Google Patents
汽轮机阀门流量特性的监测方法、装置和可读存储介质 Download PDFInfo
- Publication number
- CN115875091B CN115875091B CN202111131507.7A CN202111131507A CN115875091B CN 115875091 B CN115875091 B CN 115875091B CN 202111131507 A CN202111131507 A CN 202111131507A CN 115875091 B CN115875091 B CN 115875091B
- Authority
- CN
- China
- Prior art keywords
- valve
- data
- flow
- valve position
- comprehensive
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000010586 diagram Methods 0.000 claims abstract description 100
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 44
- 230000006870 function Effects 0.000 claims description 33
- 230000001105 regulatory effect Effects 0.000 claims description 32
- 238000012216 screening Methods 0.000 claims description 15
- 238000012952 Resampling Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000000750 progressive effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 claims 1
- 238000012937 correction Methods 0.000 abstract description 17
- 238000005457 optimization Methods 0.000 abstract description 15
- 238000012360 testing method Methods 0.000 abstract description 8
- 238000012545 processing Methods 0.000 description 15
- 230000008859 change Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000005065 mining Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000013501 data transformation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Classifications
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本发明实施例公开了一种汽轮机阀门流量特性的监测方法、装置和可读存储介质,该方法包括:通过火力发电机组分散控制系统获取历史运行数据;基于历史运行数据生成综合阀位指令‑流量的散点图,并可视化展示散点图;根据散点图,采用预设算法对综合阀位指令‑高调阀开度指令之间对应折线函数进行校正,以得到综合阀位指令‑流量的线性关系图。本发明实施例公开的汽轮机阀门流量特性的监测方法、装置和可读存储介质,可以基于火力发电机组的历史运行数据对汽轮机阀门流量特性进行分析,完成线性度优化校正,不需要做试验。
Description
技术领域
本发明涉及但不仅限于自动控制技术,尤指一种汽轮机阀门流量特性的监测方法、装置和可读存储介质。
背景技术
汽轮机是现代火力发电厂的主要设备,汽轮机高调阀流量特性是汽轮机阀门的流量特性监测的重要参数。其中,汽轮机高调阀流量特性是指汽轮机进汽高调阀开度与通过高调阀的蒸汽流量之间的关系。
在生产过程中,汽轮机长期运行或高调阀解体检修后,高调阀的流量特性将发生改变,在机组自动发电控制(Automatic Generation Control,简称AGC)变负荷和一次调频时,如不及时监测、修正可能出现以下情况:(1)负荷突变而调节缓慢;(2)导致一次调频调节性能变差,影响一次调频指标;(3)导致汽轮机转子系统剧烈振荡,严重影响机组运行的安全性和稳定性。实时监测获取汽轮机高调阀的实际流量特性,校正优化流量特性函数,使汽轮机调门的综合阀位开度与蒸汽流量呈线性关系,从而实现机组的精确控制与优化运行,是汽轮机控制的重要环节。
目前,对阀门流量函数的优化主要还是以阀门流量特性试验为依据实现的,其基本原理可大致归纳为以下步骤:(1)试验前,将汽轮机控制方式设置为手动控制并维持主蒸汽压力稳定在额定压力附近;(2)逐级改变总阀位指令,高调阀门开度按阀门流量函数设定相应调整,待参数稳定后得到对应总阀位指令下的机组负荷(蒸汽流量)数据;(3)根据试验数据可以作出总阀位指令与机组负荷(蒸汽流量)之间的函数关系曲线。
然而,试验方法存在如下劣势:(1)试验条件苛刻、耗时长;(2)数据少,难以体现阀门流量特性的局部特征;(3)试验过程中,实际主蒸汽压力的波动仍在一定程度上影响了试验精度;(4)实时性差,往往是机组已经出现明显的控制恶化,如一次调频、AGC性能下降或是机组出现功率振荡等问题时才安排进行试验校正,无法实时监测。
发明内容
第一方面,本申请实施例提供了一种汽轮机阀门流量特性的监测方法,包括:
通过火力发电机组分散控制系统获取历史运行数据;
基于所述历史运行数据生成综合阀位指令-流量的散点图,并可视化展示所述散点图;
根据所述散点图,采用预设算法对综合阀位指令-高调阀开度指令之间对应折线函数进行校正,以得到综合阀位指令-流量的线性关系图;
其中,高调阀开度指令与所述散点图中的流量为一一对应关系。
第二方面,本申请实施例提供了一种汽轮机阀门流量特性的监测装置,包括存储器和处理器,所述存储器用于存储计算机程序;所述计算机程序被所述处理器执行时实现如第一方面任一实施例所述的汽轮机阀门流量特性的监测方法。
第三方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机指令,所述指令被处理器执行时实现第一方面任一实施例所述的方法的步骤。
本申请至少一个实施例提供的汽轮机阀门流量特性的监测方法、装置和可读存储介质,与现有技术相比,具有以下有益效果:可以基于火力发电机组的历史运行数据对汽轮机阀门流量特性进行分析,完成线性度优化校正,不需要做试验,具有耗时短、花费少、实时性强、分析较为全面的优势。以及,通过可视化展示综合阀位指令-流量的散点图,能及时监测发现汽轮机阀门流量特性发生的变化,并完成线性化校正,避免发电机组出现因汽轮机阀门流量特性变化而引发的问题,防患于未然。
本申请的其它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,或者通过实施本申请而了解。本申请的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。
附图说明
附图用来提供对本申请技术方案的理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本申请的技术方案,并不构成对本申请技术方案的限制。
图1为本发明实施例提供的汽轮机阀门流量特性的监测方法的流程图;
图2为本发明一示例实施例提供的综合阀位指令-压比散点图的示意图;
图3为本发明另一示例实施例提供的综合阀位指令-压比散点图的示意图;
图4为本发明实施例提供的综合阀位指令-高调阀1的开度图;
图5为本发明实施例提供的综合阀位指令-高调阀2的开度图;
图6为本发明实施例提供的校正后的综合阀位指令-压比以及综合阀位指令对应高调阀1、高调阀2开度关系图;
图7为本发明实施例提供的汽轮机阀门流量特性的监测装置的结构框图。
具体实施方式
本申请描述了多个实施例,但是该描述是示例性的,而不是限制性的,并且对于本领域的普通技术人员来说显而易见的是,在本申请所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合,并在具体实施方式中进行了讨论,但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外,任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用,或可以替代任何其它实施例中的任何其他特征或元件。
本申请包括并设想了与本领域普通技术人员已知的特征和元件的组合。本申请已经公开的实施例、特征和元件也可以与任何常规特征或元件组合,以形成由权利要求限定的独特的发明方案。任何实施例的任何特征或元件也可以与来自其它发明方案的特征或元件组合,以形成另一个由权利要求限定的独特的发明方案。因此,应当理解,在本申请中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此,除了根据所附权利要求及其等同替换所做的限制以外,实施例不受其它限制。此外,可以在所附权利要求的保护范围内进行各种修改和改变。
此外,在描述具有代表性的实施例时,说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而,在该方法或过程不依赖于本文所述步骤的特定顺序的程度上,该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的,其它的步骤顺序也是可能的。因此,说明书中阐述的步骤的特定顺序不应被解释为对权利要求的限制。此外,针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤,本领域技术人员可以容易地理解,这些顺序可以变化,并且仍然保持在本申请实施例的精神和范围内。
图1为本发明实施例提供的汽轮机阀门流量特性的监测方法的流程图,如图1所示,本发明实施例提供的汽轮机阀门流量特性的监测方法可以包括:
S101:通过火力发电机组分散控制系统(Distributed Control System,简称DCS)获取历史运行数据。
火力发电机组(可简称火电机组)在运行的过程中会形成大量的历史运行数据,且该些历史运行数据存储在DCS中。本实施例中,可直接基于DCS中的历史运行数据对阀门流量特性进行分析,完成汽轮机阀门流量特性的监测,而不需要做试验。
在一示例中,可以基于工业大数据离线处理平台实现本实施例中汽轮机阀门流量特性的监测方法的软件算法,实现软件算法与DCS控制系统的融合,通过历史数据挖掘处理、智能优化算法等实现汽轮机阀门流量特性的实时监测优化。其中,工业大数据离线处理平台可为智能算法和智能策略提供有效的资源与运行环境,提高数据处理和功能集成方面的综合能力;以及工业大数据离线处理平台可以与DCS实时对接,方便的提取DCS中的历史运行数据,同时可提供组态式开发及并行计算环境,提高算法开发及应用效率。
本实施例中,可在工业大数据离线处理平台中实现软件算法采用组态算法,将所需的如图7所示的智能算法进行组态
S102:基于历史运行数据生成综合阀位指令-流量的散点图,并可视化展示散点图。
本实施例中,可采用历史运行数据完成综合阀位指令-流量散点图的绘制,并将绘制的进行可视化展示,能及时监测发现汽轮机阀门流量特性发生的变化,并完成线性化校正,避免发电机组出现因汽轮机阀门流量特性变化而引发的问题。
在一示例中,可定时获取历史运行数据,不断根据新的历史运行数据更新综合阀位指令-流量的散点图,以实时监测优化流量特性曲线。
S103:根据散点图,采用预设算法对综合阀位指令-高调阀开度指令之间对应折线函数进行校正,以得到综合阀位指令-流量的线性关系图。
其中,高调阀开度指令与散点图中的流量为一一对应关系。
本实施例中,针对可视化展示的综合阀位指令-流量的散点图,通过对综合阀位指令-高调阀开度指令之间对应折线函数进行校正,以改变综合阀位指令-流量散点图中的散点位置完成整个监测优化过程,能及时监测发现阀门流量特性发生的变化,并完成线性化校正;以及可使整个寻优过程可控可见,便于操作人员理解评判。
本发明实施例提供的汽轮机阀门流量特性的监测方法,可以基于火力发电机组的历史运行数据对汽轮机阀门流量特性进行分析,完成线性度优化校正,不需要做试验,具有耗时短、花费少、实时性强、分析较为全面的优势。以及,通过可视化展示综合阀位指令-流量的散点图,能及时监测发现汽轮机阀门流量特性发生的变化,并完成线性化校正,避免发电机组出现因汽轮机阀门流量特性变化而引发的问题,防患于未然。
在本发明一示例实施例中,历史运行数据可以包括:综合阀位指令、阀门的主汽压力和阀门的调节级压力。图2为本发明一示例实施例提供的综合阀位指令-压比散点图的示意图,图3为本发明另一示例实施例提供的综合阀位指令-压比散点图的示意图,如图2和图3所示,流量可以用压比表示,压比=阀门的调节级压力除以阀门的主汽压力。图3中L1表示综合阀位指令-压比散点图,L2表示校正后的综合阀位指令-流量的线性关系图。
本实施例中,综合阀位指令-流量的散点图中的流量可采用相对流量进行表示,即采用压比来表示流量。图2和图3中横坐标(x轴)为综合阀位指令,综合阀位指令可采用数值范围表示。纵坐标(y轴)为调节级压力除以主汽压力,这个参数表征着阀门的有效通流面积,可以简称压比。
在一示例中,综合阀位指令可以用于指示打开或关闭哪个高调阀,和/或,综合阀位指令可以用于指示打开高调阀的开度。
在一示例中,图4为本发明实施例提供的综合阀位指令-高调阀1的开度图,图5为本发明实施例提供的综合阀位指令-高调阀2的开度图,图6为本发明实施例提供的校正后的综合阀位指令-压比以及综合阀位指令对应高调阀1、高调阀2开度关系图,如图4至图6所示,流量(比如压比)可以对应每一个高调阀(即阀门)的开度。其中,图4中A1和A2分别表示校正前和较正后的综合阀位指令-高调阀1的开度图,图5中B1和B2分别表示校正前和较正后的综合阀位指令-高调阀2的开度图,图6中E1、E2和E2分别表示综合阀位指令-压比的线性关系图、综合阀位指令-高调阀1的开度图和综合阀位指令-高调阀2的开度图。
在本发明一示例实施例中,汽轮机可以包括至少两个高调阀,至少两个高调阀按预设顺序依次开启。
在实际应用中,汽轮机可以设置有多个高调阀,多个高调阀按预设顺序依次开启。由于多个高调阀按预设顺序依次开启,存在两个高调阀两个高调阀中前一个高调阀未开满而后一个高调阀已开启的部分。举例来说,高调阀1先打开,在高调阀开度为45度时,高调阀2就打开了,此时,高调阀1和高调阀2均开启。其中阀门的开度指的是百分比,一般情况下开度为0度表示全关,开度为90度表示全开,即高调阀开满。高调阀开度未达到90度即可认为高调阀未开满。
采用预设算法对综合阀位指令-高调阀开度指令之间对应折线函数进行校正,以得到综合阀位指令-流量的线性关系图,可以包括:
对所述散点图中的数据进行筛选预处理,得到适合用于寻优的数据;通过分治算法计算综合阀位指令-高调阀开度指令之间对应折线函数的最优折点,以得到综合阀位指令-流量的线性关系图,最优折点是指使得预定的损失函数最小的数据在折线函数中对应的点。
其中,适合用于寻优的数据可以包括以下至少一种:去除缺失值后的数据,去除异常值后的数据、重采样后的数据或稳态数据筛选后的数据。
本实施例中,由于综合阀位指令-流量的散点图中存在两个高调阀的重叠度部位和非重叠度部分,综合阀位指令-流量的线性度修正可以分为两个部分进行处理:重叠度部分和非重叠度部分的线性度修正,非重叠度部分为散点图中重叠度部分之外的其他部分。
本实施例中,对散点图中的数据进行筛选预处理,得到适合用于寻优的数据;采用智能寻优算法(如分治算法)计算综合阀位指令-高调阀开度指令之间对应折线函数的最优折点,以对综合阀位指令-流量的散点图进行线性修正。
本实施例中,可先通过操作人员选取好损失函数(即预定的损失函数),通过分治算法、粒子群寻优算法等优化算法计算综合阀位指令-高调阀开度指令之间对应折线函数的最优折点,使得预定的损失函数最小,完成阀门流量特性曲线的线性优化。其中,通过分治算法计算综合阀位指令-高调阀开度指令之间对应折线函数的最优折点与现有方案通过分治计算曲线的最优折点的实现原理相同,本实施例在此不进行限定和赘述。
在一示例中,还可以包括:确定散点图中两个高调阀的重叠度部位,重叠度部分是指散点图中两个高调阀均开启期间的部分;根据散点图中重叠度部位的数据,采用预设渐进寻优算法修正至少两个高调阀的重叠度。
本实施例中,由于重叠度部分涉及两个阀门的流量特性,所以属于处理的黑箱部分,因此,基于历史运行数据挖掘的综合阀位指令-流量的线性度修正是一个实时渐进多次校正的过程。
本实施例中,对于综合阀位指令-流量的散点图中非重叠度部位的数据,可根据重叠度部位的数据特征,采用渐进寻优算法微调修正重叠度的设置。渐进寻优算法是指在约束优化方法中,不在当前寻优方向寻得极值点即改变寻优方向,也可以指间接解法的序列极值点逼近于优化问题的极值点,其具体实现原理与现有技术相同,本实施例在此不进行限定和赘述。
在本发明一示例实施例中,采用预设算法对综合阀位指令-高调阀开度指令之间对应折线函数进行校正,以得到综合阀位指令-流量的线性关系图之后,还可以包括:
按照预设规则对综合阀位指令-流量的线性关系图进行评分,得到综合阀位指令-流量的线性度分数,线性度分数用于表示汽轮机阀门流量特性;线性度分数采用数值或数值范围表示,其中,数值或数值范围越大,汽轮机阀门流量特性越好。
本实施例中,结合散点图,基于深度学习、机器学习等智能算法实现阀门流量特性的线性修正的基础上,可基于校正后的综合阀位指令-流量的线性关系图,对汽轮机阀门流量特性实现打分机制,从而实时监测汽机阀门流量特性状态。
在一示例中,按照预设规则对综合阀位指令-流量的线性关系图进行评分,可以包括:
将综合阀位指令-流量的线性关系图与预设标准线性图采用样本均值算法或样本方差算法进行计算,以对综合阀位指令-流量的线性关系图进行评分。
本实施例中,可将综合阀位指令-流量的线性关系图与预设标准线性图的样本数据进行比较,比如进行均值计算或方差计算,以评价综合阀位指令-流量的线性关系图的线性度程度(即线性度分数),通过线性度分数表示汽轮机阀门流量特性。
其中,预设标准线性图可以是综合阀位指令-流量的散点图,也可以是综合阀位指令-流量的理想线性关系图。
在本发明一示例实施例中,基于历史运行数据生成综合阀位指令-流量的散点图可以包括:
对历史运行数据进行预处理,基于预处理后的历史运行数据生成综合阀位指令-流量的散点图。
本实施例中,可对历史运行数据进行预处理,提高数据的质量,以及让数据更好的适应特定的挖掘技术或工具。
在一示例中,预处理可以包括以下至少一种:
第一种:对历史运行数据进行数据质量分析,数据质量分析是指检测缺失值和/或异常值。
本实施例中,数据质量分析是指检测缺失值和异常值情况,并进行相关处理,其目的一方面是要提高数据的质量,另一方面是要让数据更好的适应特定的挖掘技术或工具。缺失值处理相关算法可以但不仅限于包括:自动删除相关记录、均值/中位数/众数插补、固定值插补、最近邻插补、回归方法插补、插值法插补(拉格朗日、牛顿法、hermite插值、分段插值、样条插值)、不处理等。异常值处理相关算法可以但不仅限于包括:异常值删除、视为缺失值、平均值修正、不处理。
在一示例中,数据质量分析还用于检测数据噪声值,数据噪声处理相关算法可以但不仅限于包括:参数平滑相关算法。
第二种:对历史运行数据进行重采样,数据重采样是对数据进行重新采样处理,新的采样周期是之前的采样周期的整数倍。
本实施例中,数据重采样是对数据进行重新采样处理,新的采样周期较之前做整数倍处理,目的是去除部分噪声、适应相应算法的要求、减小数据量以提高算法速度。
第三种:对历史运行数据进行稳态数据筛选,稳态数据筛选是指建立数据分布概率密度直方图,去除非稳态数据。
本实施例中,稳态数据筛选是指建立数据分布概率密度直方图,去除非稳态数据。比如,确定一个主汽压力的小范围、去除一次调频触发时段的数据且筛选主汽压力变化速率小于某一限值的数据、选择总阀位指令变化平缓的数据。其中,连续n秒钟变化速率小于某值,选取最后一组值,n大于零。
本实施例中,对于历史运行数据可从质量分析、重采样、数据变换和稳态数据筛选等方面进行预处理提高数据的质量,以及让数据更好的适应特定的挖掘技术或工具。其中,数据变换主要是对数据进行规范化处理,达到适用于挖掘的目的。
图7为本发明实施例提供的汽轮机阀门流量特性的监测装置的结构框图,如图7所示,本发明实施例提供的汽轮机阀门流量特性的监测装置可以包括存储器71和处理器72。
处理器可以是一个中央处理器(Central Processing Unit,简称CPU),或者是特定集成电路(Application Specific Integrated Circuit,简称ASIC),或者完成实施本发明实施例的一个或多个集成电路。存储器用于存储计算机程序,计算机程序被处理器执行时,处理器用于执行以下操作:
通过火力发电机组分散控制系统DCS获取历史运行数据;
基于所述历史运行数据生成综合阀位指令-流量的散点图,并可视化展示所述散点图;
根据所述散点图,采用预设算法对综合阀位指令-高调阀开度指令之间对应折线函数进行校正,以得到综合阀位指令-流量的线性关系图;
其中,高调阀开度指令与所述散点图中的流量为一一对应关系。
在一示例中,所述历史运行数据可以包括:综合阀位指令、阀门的主汽压力和阀门的调节级压力;
所述流量用压比表示,所述压比=阀门的调节级压力除以阀门的主汽压力。
在一示例中,所述采用预设算法对综合阀位指令-高调阀开度指令之间对应折线函数进行校正,以得到综合阀位指令-流量的线性关系图,可以包括:
对所述散点图中的数据进行筛选预处理,得到适合用于寻优的数据;通过分治算法计算综合阀位指令-高调阀开度指令之间对应折线函数的最优折点,以得到综合阀位指令-流量的线性关系图,所述最优折点是指使得预定的损失函数最小的数据在折线函数中对应的点;
所述适合用于寻优的数据可以包括以下至少一种:去除缺失值后的数据,去除异常值后的数据、重采样后的数据或稳态数据筛选后的数据。
在一示例中,所述汽轮机可以包括至少两个高调阀,至少两个高调阀按预设顺序依次开启;
处理器还用于:
确定所述散点图中两个高调阀的重叠度部位,所述重叠度部分是指所述散点图中两个高调阀中前一个高调阀未开满而后一个高调阀已开启的部分;
根据所述散点图中重叠度部位的数据,采用预设渐进寻优算法修正至少两个高调阀的重叠度。
在一示例中,所述采用预设算法对综合阀位指令-高调阀开度指令之间对应折线函数进行校正,以得到综合阀位指令-流量的线性关系图之后,处理器还用于:
按照预设规则对所述综合阀位指令-流量的线性关系图进行评分,得到综合阀位指令-流量的线性度分数,所述线性度分数用于表示汽轮机阀门流量特性;
所述线性度分数采用数值或数值范围表示,其中,所述数值或数值范围越大,所述汽轮机阀门流量特性越好。
在一示例中,所述按照预设规则对所述综合阀位指令-流量的线性关系图进行评分,可以包括:
将所述综合阀位指令-流量的线性关系图与预设标准线性图采用样本均值算法或样本方差算法进行计算,以对所述综合阀位指令-流量的线性关系图进行评分。
在一示例中,所述基于所述历史运行数据生成综合阀位指令-流量的散点图可以包括:
对所述历史运行数据进行预处理,基于预处理后的历史运行数据生成综合阀位指令-流量的散点图。
在一示例中,所述预处理可以包括以下至少一种:
对所述历史运行数据进行数据质量分析,所述数据质量分析是指检测缺失值和/或异常值;
对所述历史运行数据进行重采样,数据重采样是对数据进行重新采样处理,新的采样周期是之前的采样周期的整数倍;
对所述历史运行数据进行稳态数据筛选,稳态数据筛选是指建立数据分布概率密度直方图,去除非稳态数据。
本发明实施例还可以提供一种计算机可读存储介质,其上存储有计算机指令,所述指令被处理器执行时实现上述任一实施例所示的方法的步骤。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器,如数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
Claims (9)
1.一种汽轮机阀门流量特性的监测方法,其特征在于,包括:
通过火力发电机组分散控制系统DCS获取历史运行数据;
基于所述历史运行数据生成综合阀位指令-流量的散点图,并可视化展示所述散点图;
根据所述散点图,采用预设算法对综合阀位指令-高调阀开度指令之间对应折线函数进行校正,以得到综合阀位指令-流量的线性关系图;
其中,高调阀开度指令与所述散点图中的流量为一一对应关系;
所述采用预设算法对综合阀位指令-高调阀开度指令之间对应折线函数进行校正,以得到综合阀位指令-流量的线性关系图,包括:
对所述散点图中的数据进行筛选预处理,得到适合用于寻优的数据;通过分治算法计算综合阀位指令-高调阀开度指令之间对应折线函数的最优折点,以得到综合阀位指令-流量的线性关系图,所述最优折点是指使得预定的损失函数最小的数据在折线函数中对应的点;
所述适合用于寻优的数据包括以下至少一种:去除缺失值后的数据,去除异常值后的数据、重采样后的数据或稳态数据筛选后的数据。
2.根据权利要求1所述的方法,其特征在于,所述历史运行数据包括:综合阀位指令、阀门的主汽压力和阀门的调节级压力;
所述流量用压比表示,所述压比=阀门的调节级压力除以阀门的主汽压力。
3.根据权利要求1所述的方法,其特征在于,所述汽轮机包括至少两个高调阀,至少两个高调阀按预设顺序依次开启;
所述方法还包括:
确定所述散点图中两个高调阀的重叠度部位,所述重叠度部分是指所述散点图中两个高调阀中前一个高调阀未开满而后一个高调阀已开启的部分;
根据所述散点图中重叠度部位的数据,采用预设渐进寻优算法修正至少两个高调阀的重叠度。
4.根据权利要求1所述的方法,其特征在于,所述采用预设算法对综合阀位指令-高调阀开度指令之间对应折线函数进行校正,以得到综合阀位指令-流量的线性关系图之后,所述方法还包括:
按照预设规则对所述综合阀位指令-流量的线性关系图进行评分,得到综合阀位指令-流量的线性度分数,所述线性度分数用于表示汽轮机阀门流量特性;
所述线性度分数采用数值或数值范围表示,其中,所述数值或数值范围越大,所述汽轮机阀门流量特性越好。
5.根据权利要求4所述的方法,其特征在于,所述按照预设规则对所述综合阀位指令-流量的线性关系图进行评分,包括:
将所述综合阀位指令-流量的线性关系图与预设标准线性图采用样本均值算法或样本方差算法进行计算,以对所述综合阀位指令-流量的线性关系图进行评分。
6.根据权利要求1所述的方法,其特征在于,所述基于所述历史运行数据生成综合阀位指令-流量的散点图包括:
对所述历史运行数据进行预处理,基于预处理后的历史运行数据生成综合阀位指令-流量的散点图。
7.根据权利要求6所述的方法,其特征在于,所述预处理包括以下至少一种:
对所述历史运行数据进行数据质量分析,所述数据质量分析是指检测缺失值和/或异常值;
对所述历史运行数据进行重采样,数据重采样是对数据进行重新采样处理,新的采样周期是之前的采样周期的整数倍;
对所述历史运行数据进行稳态数据筛选,稳态数据筛选是指建立数据分布概率密度直方图,去除非稳态数据。
8.一种汽轮机阀门流量特性的监测装置,其特征在于,包括存储器和处理器,所述存储器用于存储计算机程序;所述计算机程序被所述处理器执行时实现如权利要求1-7任一项所述的汽轮机阀门流量特性的监测方法。
9.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,所述指令被处理器执行时实现权利要求1-7任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111131507.7A CN115875091B (zh) | 2021-09-26 | 2021-09-26 | 汽轮机阀门流量特性的监测方法、装置和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111131507.7A CN115875091B (zh) | 2021-09-26 | 2021-09-26 | 汽轮机阀门流量特性的监测方法、装置和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115875091A CN115875091A (zh) | 2023-03-31 |
CN115875091B true CN115875091B (zh) | 2024-01-09 |
Family
ID=85762714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111131507.7A Active CN115875091B (zh) | 2021-09-26 | 2021-09-26 | 汽轮机阀门流量特性的监测方法、装置和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115875091B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116658672B (zh) * | 2023-07-28 | 2023-10-31 | 华能济南黄台发电有限公司 | 一种电厂用汽轮机疏水阀门流量特性辨识系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106089328A (zh) * | 2016-08-10 | 2016-11-09 | 西安热工研究院有限公司 | 基于dcs数据挖掘的汽轮机调门流量特性曲线辨识方法 |
WO2018098797A1 (zh) * | 2016-12-02 | 2018-06-07 | 华为技术有限公司 | Q学习中调整状态空间边界的方法和装置 |
KR101902472B1 (ko) * | 2018-02-08 | 2018-11-13 | 주식회사 프라임제이이앤씨 | 빅데이터 기반 인공지능형 밸브 자동제어 방법 및 이를 실행하는 기록매체에 저장된 프로그램 |
CN109359725A (zh) * | 2018-10-24 | 2019-02-19 | 北京周同科技有限公司 | 卷积神经网络模型的训练方法、装置、设备及计算机可读存储介质 |
CN109827004A (zh) * | 2019-02-14 | 2019-05-31 | 华润电力技术研究院有限公司 | 对调节阀特性分析的方法及装置 |
CN111212472A (zh) * | 2020-01-02 | 2020-05-29 | 腾讯科技(深圳)有限公司 | 一种误差的控制方法、装置及计算机可读存储介质 |
CN113158536A (zh) * | 2020-12-31 | 2021-07-23 | 江苏方天电力技术有限公司 | 一种一次调频能力计算监视方法及系统 |
CN113204229A (zh) * | 2021-04-30 | 2021-08-03 | 国能驻马店热电有限公司 | 一种火力发电机组控制系统智能自检系统 |
CN113359450A (zh) * | 2021-06-08 | 2021-09-07 | 国网湖南省电力有限公司 | 一种阀门流量特性曲线拟合方法及系统 |
CN113359435A (zh) * | 2021-05-12 | 2021-09-07 | 东南大学 | 用于火电机组动态工况数据的修正方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11067592B2 (en) * | 2017-11-10 | 2021-07-20 | General Electric Company | Methods and apparatus for prognostic health monitoring of a turbine engine |
-
2021
- 2021-09-26 CN CN202111131507.7A patent/CN115875091B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106089328A (zh) * | 2016-08-10 | 2016-11-09 | 西安热工研究院有限公司 | 基于dcs数据挖掘的汽轮机调门流量特性曲线辨识方法 |
WO2018098797A1 (zh) * | 2016-12-02 | 2018-06-07 | 华为技术有限公司 | Q学习中调整状态空间边界的方法和装置 |
KR101902472B1 (ko) * | 2018-02-08 | 2018-11-13 | 주식회사 프라임제이이앤씨 | 빅데이터 기반 인공지능형 밸브 자동제어 방법 및 이를 실행하는 기록매체에 저장된 프로그램 |
CN109359725A (zh) * | 2018-10-24 | 2019-02-19 | 北京周同科技有限公司 | 卷积神经网络模型的训练方法、装置、设备及计算机可读存储介质 |
CN109827004A (zh) * | 2019-02-14 | 2019-05-31 | 华润电力技术研究院有限公司 | 对调节阀特性分析的方法及装置 |
CN111212472A (zh) * | 2020-01-02 | 2020-05-29 | 腾讯科技(深圳)有限公司 | 一种误差的控制方法、装置及计算机可读存储介质 |
CN113158536A (zh) * | 2020-12-31 | 2021-07-23 | 江苏方天电力技术有限公司 | 一种一次调频能力计算监视方法及系统 |
CN113204229A (zh) * | 2021-04-30 | 2021-08-03 | 国能驻马店热电有限公司 | 一种火力发电机组控制系统智能自检系统 |
CN113359435A (zh) * | 2021-05-12 | 2021-09-07 | 东南大学 | 用于火电机组动态工况数据的修正方法 |
CN113359450A (zh) * | 2021-06-08 | 2021-09-07 | 国网湖南省电力有限公司 | 一种阀门流量特性曲线拟合方法及系统 |
Non-Patent Citations (2)
Title |
---|
基于多帧杆号字符识别的接触网检测系统;杨文静;狄岚;梁久祯;;数据采集与处理(06);第188-196页 * |
异质性大数据的分布式估计;郭婧璇;徐慧超;祝婉晴;田茂再;;统计研究(10);第106-116页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115875091A (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11487252B2 (en) | Process model identification in a process control system | |
US8065251B2 (en) | Dynamic management of a process model repository for a process control system | |
US8046096B2 (en) | Analytical server integrated in a process control network | |
EP2045673B1 (en) | Method and apparatus for intelligent control and monitoring in a process control system | |
JP2005044349A (ja) | 改善されたパターン認識適応コントローラ | |
CN115875091B (zh) | 汽轮机阀门流量特性的监测方法、装置和可读存储介质 | |
EP3296822B1 (en) | Model-plant mismatch detection using model parameter data clustering for paper machines or other systems | |
CN103105849A (zh) | 工业调节阀非线性工作特性诊断方法 | |
CN110705042A (zh) | 基于t-s模糊模型的汽轮机阀门流量特性辨识方法、系统及介质 | |
US20220075337A1 (en) | Systems and methods for automatic power topology discovery | |
CN114065601A (zh) | 火电机组的运行信息的管理方法、存储介质和电子装置 | |
CN116756597B (zh) | 基于人工智能的风电机组谐波数据实时监测方法 | |
CN112576326B (zh) | 一种火电机组滑压优化运行控制方法、装置及设备 | |
CN114362231B (zh) | 一种直流频率调制参数优化方法、系统及存储介质 | |
EP3869286A1 (en) | System and method for detecting turbine underperformance and operation anomaly | |
CN110829460B (zh) | 一次调频控制方法及装置 | |
EP4045791B1 (en) | Method and an apparatus for computer-implemented monitoring of a wind turbine | |
CN103670539A (zh) | 补偿发电机组动态特性联合调频控制方法、系统与装置 | |
CN112107977A (zh) | 一种基于脱硫系统的pH值自动调节方法、系统和装置 | |
CN113241761B (zh) | 一种电网稳定控制线性需切机量的定值整定方法及系统 | |
Beura et al. | Load frequency control of two area microgrid using reinforcement learning controller | |
CN117364231B (zh) | 基于多参数协同控制的硅棒含氧量调控方法及系统 | |
US20100280784A1 (en) | Method for monitoring the quality of a control circuit in a power plant | |
EP4155533A1 (en) | Damping mechanical oscillations related to a wind turbine | |
CN117096938B (zh) | 逆变器输出电能质量适应性控制方法、装置和计算机设备 |
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 |