CN116398868A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116398868A CN116398868A CN202310029632.XA CN202310029632A CN116398868A CN 116398868 A CN116398868 A CN 116398868A CN 202310029632 A CN202310029632 A CN 202310029632A CN 116398868 A CN116398868 A CN 116398868A
- Authority
- CN
- China
- Prior art keywords
- pipe wall
- temperature
- temperature rise
- preset
- boiler
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005457 optimization Methods 0.000 claims abstract description 66
- 230000002159 abnormal effect Effects 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims description 25
- 239000003245 coal Substances 0.000 claims description 24
- 239000002245 particle Substances 0.000 claims description 24
- 238000007621 cluster analysis Methods 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 239000000463 material Substances 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000012512 characterization method Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 abstract description 21
- 230000000694 effects Effects 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 2
- 230000005856 abnormality Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000002956 ash Substances 0.000 description 2
- 238000004939 coking Methods 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 239000010883 coal ash Substances 0.000 description 1
- 238000013211 curve analysis Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F22—STEAM GENERATION
- F22B—METHODS OF STEAM GENERATION; STEAM BOILERS
- F22B37/00—Component parts or details of steam boilers
- F22B37/02—Component parts or details of steam boilers applicable to more than one kind or type of steam boiler
- F22B37/38—Determining or indicating operating conditions in steam boilers, e.g. monitoring direction or rate of water flow through water tubes
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F22—STEAM GENERATION
- F22B—METHODS OF STEAM GENERATION; STEAM BOILERS
- F22B37/00—Component parts or details of steam boilers
- F22B37/02—Component parts or details of steam boilers applicable to more than one kind or type of steam boiler
- F22B37/42—Applications, arrangements, or dispositions of alarm or automatic safety devices
- F22B37/47—Applications, arrangements, or dispositions of alarm or automatic safety devices responsive to abnormal temperature, e.g. actuated by fusible plugs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Mechanical Engineering (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Thermal Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及数据处理技术领域,提供了一种基于火电站炉管虚拟分区的壁温异常识别方法及系统,所述方法包括:生成多个管壁最高许用温度;训练温升预测模型;生成温度升高预测曲线,截取预设时长管壁预测温度,若不满足预设管壁位置最高许用温度,对锅炉运行参数进行优化,生成温度升高曲线优化结果;若不满足温度升高曲线优化结果,生成异常温度标识信息对预设管壁位置进行标识预警,解决了直接采集的炉管壁温监测数据无法直接应用于炉管壁温异常监测预警的技术问题,实现了通过炉管温度高精度预测对炉管壁温监测数据异常标识,及时对异常管壁位置进行监测预警,充分利用锅炉相关参数,保证炉管壁温异常监测预警的可靠度的技术效果。
Description
技术领域
本发明涉及数据处理相关技术领域,具体涉及一种基于火电站炉管虚拟分区的壁温异常识别方法及系统。
背景技术
火电站的三大主要设备是锅炉、汽轮机和发电机,火电站锅炉内包括省煤器、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,火电站炉管壁布设监测传感器,用于对火电站炉管壁进行温度检测。
但,由于火电站锅炉运行过程中,存在旋转气流偏斜、机组负荷和汽包压力、再热汽比热容与升温升压速率波动、锅炉运行过程的受热面结焦或积灰,火电站炉管壁布设的监测传感器采集所得温度检测信息的精度低。
综上可知,亟需构建配置异常识别的火电站炉管壁温监测系统,智能监控火电站炉管壁温,同步进行状态预测,为提前进行异常温度预警,及时排除炉管壁安全隐患提供支持。
综上所述,现有技术中存在直接采集的炉管壁温监测数据无法直接应用于炉管壁温异常监测预警的技术问题。
发明内容
本申请通过提供了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,旨在解决现有技术中的直接采集的炉管壁温监测数据无法直接应用于炉管壁温异常监测预警的技术问题。
鉴于上述问题,本申请实施例提供了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。
本申请公开的第一个方面,提供了一种基于火电站炉管虚拟分区的壁温异常识别方法,其中,所述方法包括:调取管壁基本信息基于虚拟分区算法,生成多个管壁位置的多个管壁最高许用温度;遍历所述多个管壁位置,基于长短时记忆神经网络,训练温升预测模型;将预设管壁位置的煤质基本信息和锅炉运行参数输入所述温升预测模型,生成温度升高预测曲线,其中,所述预设管壁位置属于所述多个管壁位置;从所述温度升高预测曲线截取预设时长管壁预测温度,判断是否满足预设管壁位置最高许用温度;若不满足,对锅炉运行参数进行优化,生成温度升高曲线优化结果;根据预设管壁位置温度传感器,采集实时温度参数,判断是否满足所述温度升高曲线优化结果;若不满足,生成异常温度标识信息对所述预设管壁位置进行标识预警。
本申请公开的另一个方面,提供了一种基于火电站炉管虚拟分区的壁温异常识别系统,其中,所述方法包括:最高许用温度生成模块,用于调取管壁基本信息基于虚拟分区算法,生成多个管壁位置的多个管壁最高许用温度;预测模型训练模块,用于遍历所述多个管壁位置,基于长短时记忆神经网络,训练温升预测模型;运行参数输入模块,用于将预设管壁位置的煤质基本信息和锅炉运行参数输入所述温升预测模型,生成温度升高预测曲线,其中,所述预设管壁位置属于所述多个管壁位置;温度判断模块,用于从所述温度升高预测曲线截取预设时长管壁预测温度,判断是否满足预设管壁位置最高许用温度;运行参数优化模块,用于若不满足,对锅炉运行参数进行优化,生成温度升高曲线优化结果;温度参数采集模块,用于根据预设管壁位置温度传感器,采集实时温度参数,判断是否满足所述温度升高曲线优化结果;标识预警模块,用于若不满足,生成异常温度标识信息对所述预设管壁位置进行标识预警。
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:
由于采用了进行温度阈值标定,生成多个管壁最高许用温度;遍历多个管壁位置,基于长短时记忆神经网络,训练温升预测模型;将预设管壁位置的煤质基本信息和锅炉运行参数输入温升预测模型,生成温度升高预测曲线,截取预设时长管壁预测温度,判断是否满足预设管壁位置最高许用温度;若不满足,对锅炉运行参数进行优化,生成温度升高曲线优化结果;采集实时温度参数,判断是否满足温度升高曲线优化结果;若不满足,生成异常温度标识信息对预设管壁位置进行标识预警,实现了通过炉管温度高精度预测,对炉管壁温监测数据异常标识,及时对存在异常温度标识的管壁位置进行监测预警,充分利用锅炉相关参数,保证炉管壁温异常监测预警的可靠度的技术效果。
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火电站炉管虚拟分区的壁温异常识别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火电站炉管虚拟分区的壁温异常识别方法中生成温升预测模型可能的流程示意图;
图3为本申请实施例提供了一种基于火电站炉管虚拟分区的壁温异常识别方法中温度升高曲线优化结果可能的流程示意图;
图4为本申请实施例提供了一种基于火电站炉管虚拟分区的壁温异常识别系统可能的结构示意图。
附图标记说明:最高许用温度生成模块100,预测模型训练模块200,运行参数输入模块300,温度判断模块400,运行参数优化模块500,温度参数采集模块600,标识预警模块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火电站炉管壁为耐高温材料,已知的,因管壁厚度、管壁材料、火焰中心的距离以及火电站锅炉运行过程的相关因素,通过温升预测模型进行温升曲线预测,对温升曲线进行片段截取,通过截取所得管壁预测温度与炉管壁温度阈值进行判断,获取管壁位置的最高许用温度,进行锅炉参数进行优化,在锅炉参数优化后,使用温度传感器,采集现场温度参数,及时进行异常温度预警,为保证炉管壁安全性提供支持。
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火电站炉管虚拟分区的壁温异常识别方法,其中,所述方法包括:
S10:调取管壁基本信息基于虚拟分区算法,生成多个管壁位置的多个管壁最高许用温度;
步骤S10还包括步骤:
S11:所述管壁基本信息包括管壁厚度参数、管壁材料参数和火焰间距参数;
S12:根据所述管壁厚度参数对锅炉管壁进行区域聚类分析,生成一级管壁区域聚类结果;
S13:根据所述管壁材料参数对所述锅炉管壁进行区域聚类分析,生成二级管壁区域聚类结果;
S14:根据所述火焰间距参数对所述锅炉管壁进行区域聚类分析,生成三级管壁区域聚类结果;
S15:将所述一级管壁区域聚类结果、所述二级管壁区域聚类结果和所述三级管壁区域聚类结果进行区域相交,生成所述多个管壁位置;
S16:遍历所述多个管壁位置进行温度阈值标定,生成所述多个管壁最高许用温度。
具体而言,因旋转气流偏斜、机组负荷和汽包压力、再热汽比热容低、升温升压速率过快、锅炉运行过程受热面结焦或积灰,导致通过监测传感器直接采集的火电站炉管壁温监测数据稳定性低,难以直接应用于火电站炉管异常温度监测预警。
具体而言,壁温异常识别系统和目标锅炉、温度传感器通信连接,所述通信连接简单来说就是通过信号的传输交互,在所述壁温异常识别系统和目标锅炉、温度传感器之间构成通讯,搭建工况互联网(所述工况互联网即壁温异常识别系统和目标锅炉、温度传感器之间的通讯网络),为自动化控制提供硬件基础。
具体而言,所述管壁基本信息包括管壁厚度参数、管壁材料参数(所述管壁材料参数可以是耐温幅度、导热系数)和火焰间距参数(所述火焰间距参数即锅炉管壁内侧与火焰之间的间距);
根据管壁基本信息,基于大数据,构建管壁温度阈值标定数据库,对照管壁温度阈值标定数据库进行温度阈值标定,在温度阈值标定完成后,生成多个管壁位置的多个管壁最高许用温度(超出管壁最高许用温度,可能对管壁造成不可逆的损耗);
以管壁厚度参数、管壁材料参数和火焰间距参数为标记检索信息,基于大数据,进行数据检索,获取管壁厚度在线参数、管壁材料在线参数和火焰间距在线参数以及对应的管壁温度在线阈值,基于专家系统,以所述管壁厚度在线参数、管壁材料在线参数和火焰间距在线参数以及对应的管壁温度在线阈值为专家系统的知识库,搭建所述管壁温度阈值标定数据库,为参照在线参数进行温度阈值标定提供基础。
具体而言,调取管壁基本信息基于虚拟分区算法,生成多个管壁位置的多个管壁最高许用温度,所述虚拟分区算法如下:将所述锅炉管壁某一区域中管壁厚度参数代入管壁厚度聚类评价公式进行多层级聚类分析,生成一级管壁区域聚类结果,简单说明:设定多个管壁厚度区间,将管壁厚度数据映射至多个管壁厚度区间(某管壁厚度数据属于某个管壁厚度区间,即可进行管壁厚度数据映射),此为一级聚类分析过程;根据所述管壁材料参数对所述锅炉管壁进行区域聚类分析(聚类分析的步骤此处不做复述),生成二级管壁区域聚类结果,简单说明:相同材料的区域为同类区域,不同材料为不同区域,此为二级聚类分析过程;根据所述火焰间距参数对所述锅炉管壁进行区域聚类分析,生成三级管壁区域聚类结果,简单说明:设定多个火焰间距位置区间,将管壁的不同位置落入各个位置区间,此为三级聚类分析过程;
基于锅炉管壁区域分布,对所述一级管壁区域聚类结果、所述二级管壁区域聚类结果和所述三级管壁区域聚类结果进行颜色区分标记,将所述一级管壁区域聚类结果、所述二级管壁区域聚类结果和所述三级管壁区域聚类结果进行区域相交,生成所述多个管壁位置(所述多个管壁位置的边界即颜色区分边界,特别说明,进行颜色区分标记过程,由于其他颜色可以通过三原色进行调配得出,不能选择类似于黄色、蓝色、绿色之类的组合进行颜色区分,优选的,选择三原色进行颜色区分标记);重复上述步骤,遍历所述多个管壁位置,对所述多个管壁位置进行标记分区后,对照管壁温度阈值标定数据库进行温度阈值标定,标记完成后,生成所述多个管壁最高许用温度,为保证管壁最高许用温度的针对性,维护管壁最高许用温度的精确度提供基础。
步骤S12还包括步骤:
S121:对所述锅炉管壁进行数据采集,获取多个管壁厚度参数;
S122:根据所述多个管壁厚度参数,获取第k管壁厚度和第k+1管壁厚度,其中,所述第k管壁厚度和所述第k+1管壁厚度相邻;
S123:获取管壁厚度聚类评价公式:
其中,指的是第k管壁厚度已经聚类的厚度数量,/>是第k管壁厚度评价权重, />表征第k管壁厚度,/>指的是第k+1管壁厚度已经聚类的厚度数量,/>是第k+1管壁厚度评价权重,/>表征第k+1管壁厚度,/>表征第k管壁厚度和所述第k+1管壁厚度评价结果;
S124:当所述第k管壁厚度和所述第k+1管壁厚度的厚度偏差小于或等于厚度偏差阈值,将所述第k管壁厚度和所述第k+1管壁厚度聚集为第k聚类区域,根据所述管壁厚度聚类评价公式计算第k区域厚度特征值;
S125:遍历所述多个管壁厚度参数进行多层级聚类分析,生成所述一级管壁区域聚类结果。
具体而言,通过管壁测厚设备(常见如超声波测厚仪),对所述锅炉管壁进行数据采集,获取多个管壁厚度参数(所述管壁厚度参数的精确度可以限定为0.01mm);根据所述多个管壁厚度参数,获取第k管壁厚度和第k+1管壁厚度,其中,所述第k管壁厚度和所述第k+1管壁厚度相邻(所述相邻即第k管与第k+1管存在相接边,简单说就是第k管对应区域与第k+1管对应区域紧挨着),所述一级管壁区域聚类结果即所述多个管壁厚度参数进行多层级聚类分析对应的多层级聚类分析结果;
获取管壁厚度聚类评价公式(经过多次验证推导整理所得):,其中,/>指的是第k管壁厚度已经聚类的厚度数量(采用第k管对所述多个管壁厚度参数进行限定,确定第k管壁厚度参数集,第k管壁厚度已经聚类的厚度数量即在本次聚类之前,第k管壁厚度参数集的中已经聚类的厚度数量),/>是第k管壁厚度评价权重,/>表征第k管壁厚度,/>指的是第k+1管壁厚度已经聚类的厚度数量(确定第k+1管壁厚度参数集,第k+1管壁厚度已经聚类的厚度数量即在本次聚类之前,第k+1管壁厚度参数集的中已经聚类的厚度数量),是第k+1管壁厚度评价权重,/>表征第k+1管壁厚度,/>表征第k管壁厚度和所述第k+1管壁厚度评价结果;
当所述第k管壁厚度和所述第k+1管壁厚度的厚度偏差小于或等于厚度偏差阈值(厚度偏差阈值为预设参数指标)(厚度偏差小于或等于厚度偏差阈值即所述第k管壁厚度和所述第k+1管壁厚度可以聚集),将所述第k管壁厚度和所述第k+1管壁厚度聚集为第k聚类区域,根据所述管壁厚度聚类评价公式计算,进行带入计算第k区域厚度特征值(当所述第k管壁厚度和所述第k+1管壁厚度的厚度偏差大于厚度偏差阈值,据所述管壁厚度聚类评价公式计算,进行带入计算获取第k区域厚度特征值;
当所述第k管壁厚度和所述第k+1管壁厚度的厚度偏差大于厚度偏差阈值(厚度偏差大于厚度偏差阈值即所述第k管壁厚度和所述第k+1管壁厚度不可以聚集),根据所述管壁厚度聚类评价公式计算,进行带入计算,获取第k区域厚度特征值、第k+1区域厚度特征值;
表征第k管壁厚度和所述第k+1管壁厚度评价结果(当所述第k管壁厚度和所述第k+1管壁厚度的厚度偏差大于厚度偏差阈值,/>为第k区域厚度特征值;当所述第k管壁厚度和所述第k+1管壁厚度的厚度偏差大于厚度偏差阈值,/>为第k区域厚度特征值、第k+1区域厚度特征值);
重复上述步骤,遍历所述多个管壁厚度参数进行多层级聚类分析(第k管、第k+1管对应的多层级聚类分析结果为两种=1+C2 1/2;第k管、第k+1管、第k+2管对应的多层级聚类分析结果为五种=1+(C3 1+C3 2)/2+C3 3,其中,1用于表征所述第k管壁厚度和所述第k+1管壁厚度可以聚集或所述第k管壁厚度和所述第k+1管壁厚度、所述第k+2管壁厚度可以聚集;C2 1/2用于表征所述第k管壁厚度和所述第k+1管壁厚度不可以聚集;(C3 1+C3 2)/2用于表征所述第k管壁厚度和所述第k+1管壁厚度可以聚集且所述第k+2管壁厚度不可以聚集、所述第k管壁厚度和所述第k+2管壁厚度可以聚集且所述第k+1管壁厚度不可以聚集、所述第k+1管壁厚度和所述第k+2管壁厚度可以聚集且所述第k管壁厚度不可以聚集;C3 3用于表征所述第k管壁厚度、所述第k+1管壁厚度、所述第k+2管壁厚度均不可以聚集),生成所述一级管壁区域聚类结果,为保证一级管壁区域聚类结果的精确度提供基础。
S20:遍历所述多个管壁位置,基于长短时记忆神经网络,训练温升预测模型;
如图2所示,步骤S20包括步骤:
S21:遍历所述多个管壁位置,采集多组锅炉工作日志数据;
S22:遍历所述多组锅炉工作日志数据,获取第j组煤质参数记录数据、第j组锅炉工作参数记录数据和第j组管壁温度时序记录数据;
S23:根据所述第j组煤质参数记录数据、所述第j组锅炉工作参数记录数据和所述第j组管壁温度时序记录数据,基于长短时记忆神经网络,训练第j位置温升预测模型;
S24:将第一位置温升预测模型、第二位置温升预测模型和所述第j位置温升预测模型作为并行节点模型合并,生成所述温升预测模型。
具体而言,煤质可以是煤炭含水量、煤炭灰分含量、挥发分含量、煤粉细度等相关参数指标,基于火电站炉管壁温监测传感器异常识别系统,遍历所述多个管壁位置,对多个管壁位置限定的锅炉进行数据采集,采集多组锅炉工作日志数据;遍历所述多组锅炉工作日志数据,通过第j时间段进行数据定位提取,获取第j组煤质参数记录数据、第j组锅炉工作参数记录数据和第j组管壁温度时序记录数据;基于长短时记忆神经网络,以所述第j组煤质参数记录数据、所述第j组锅炉工作参数记录数据和所述第j组管壁温度时序记录数据为训练数据,将所述训练数据依次输入所述长短时记忆神经网络,在所述长短时记忆神经网络输出趋于稳定后,确定第j位置温升预测模型;
重复上述步骤,遍历所述多组锅炉工作日志数据,确定第一位置温升预测模型、第二位置温升预测模型和所述第j位置温升预测模型,将第一位置温升预测模型、第二位置温升预测模型和所述第j位置温升预测模型作为并行节点模型合并(第一时间段、第二时间段和第j时间段存在交集,所述第一位置温升预测模型、第二位置温升预测模型和所述第j位置温升预测模型均属于长短时记忆神经网络,第一时间段、第二时间段和第j时间段对应的交集即时间线重叠,所述并行节点即对时间线重叠进行合并),生成所述温升预测模型,为后续代入运算提供模型基础。
S30:将预设管壁位置的煤质基本信息和锅炉运行参数输入所述温升预测模型,生成温度升高预测曲线,其中,所述预设管壁位置属于所述多个管壁位置;
S40:从所述温度升高预测曲线截取预设时长管壁预测温度,判断是否满足预设管壁位置最高许用温度;
S50:若不满足,对锅炉运行参数进行优化,生成温度升高曲线优化结果;
具体而言,所述预设管壁位置属于所述多个管壁位置,所述预设时长为一预设时间段,将预设管壁位置的煤质基本信息和锅炉运行参数作为输入数据,输入所述温升预测模型,获取温升预测集合(第一时刻点为50℃,第一温升预测结果为+5℃,即第一时刻点为50+5=55℃),构建一坐标系,所述坐标系的横坐标与纵坐标分别表示预测点时刻点集合、温升预测集合,将所述预测点时刻点集合和温升预测集合输入所述坐标系中进行数据统计,对统计结束的数据点进行曲线拟合,生成温度升高预测曲线;
以预设时长的起始预测时刻为温度升高预测曲线的第一截取点,以预设时长的截止预测时刻为温度升高预测曲线的第二截取点,采用第一截取点和第二截取点,从所述温度升高预测曲线截取预设时长对应的管壁预测温度,判断管壁预测温度是否满足预设管壁位置最高许用温度;若满足,即锅炉运行参数正常且火电站炉管壁温度正常;若不满足,对锅炉运行参数进行优化,生成温度升高曲线优化结果,为提前排除不满足管壁最高许用温度限定(耐温幅度、导热系数)的管壁温度,为保证管壁温度持续稳定于安全范围提供基础。
步骤S50包括步骤:
S51:根据所述锅炉运行参数,设定多个锅炉运行参数取值区间;
S52:遍历所述多个锅炉运行参数取值区间随机抽取,获取第i组锅炉运行参数;
S53:将所述第i组锅炉运行参数和所述煤质基本信息输入所述温升预测模型,生成第i组温度升高预测曲线;
S54:从所述第i组温度升高预测曲线截取第i组预设时长管壁预测温度,判断是否满足所述预设管壁位置最高许用温度;
S55:若满足,将所述第i组温度升高预测曲线添加进所述温度升高曲线优化结果;
S56:判断所述温度升高曲线优化结果的曲线数量是否预设数量,若满足,停止优化,生成所述温度升高曲线优化结果。
本申请实施例还包括:
S571:若不满足,将所述第i组温度升高预测曲线添加进禁忌数据组,其中,所述禁忌数据组的数据被选取时直接跳过。
具体而言,若管壁预测温度不满足预设管壁位置最高许用温度,对锅炉运行参数进行优化,生成温度升高曲线优化结果,具体包括:所述锅炉运行参数包括火电站锅炉控制参数、锅炉汽压参数、锅炉流量参数等相关指标参数信息,所述禁忌数据组的数据被选取时直接跳过;
根据所述锅炉运行参数进行指标参数设定,分别设定多个锅炉运行参数取值区间;遍历所述多个锅炉运行参数取值区间随机抽取(随机算法,为现有技术),获取第i组锅炉运行参数;将所述第i组锅炉运行参数和所述煤质基本信息输入所述温升预测模型,进行温度升高预测曲线合成,生成第i组温度升高预测曲线;从所述第i组温度升高预测曲线截取第i组预设时长管壁预测温度,判断所述第i组预设时长管壁预测温度是否满足所述预设管壁位置最高许用温度;若满足,将所述第i组温度升高预测曲线添加进所述温度升高曲线优化结果,遍历上述步骤,判断所述温度升高曲线优化结果的曲线数量是否预设数量(预设数量即预设参数指标),若曲线数量满足预设数量,停止优化,生成所述温度升高曲线优化结果,为持续进行指标参数优化提供基础,实现了对运行参数的自动优化调整。
具体而言,判断第i组预设时长管壁预测温度是否满足所述预设管壁位置最高许用温度,若不满足,将所述第i组温度升高预测曲线添加进禁忌数据组,选取数据如果选出了禁忌数据组的数据时,直接跳过,避免进行免重复比对判断,为保证指标参数优化方案的合理性提供支持。
S60:根据预设管壁位置温度传感器,采集实时温度参数,判断是否满足所述温度升高曲线优化结果;
S70:若不满足,生成异常温度标识信息对所述预设管壁位置进行标识预警。
具体而言,根据预设管壁位置温度传感器(常见如自动测温仪),采集实时温度参数,判断实时温度参数是否满足所述温度升高曲线优化结果;若满足,将所述实时温度参数作为火电站炉管壁温监测输出,若不满足,生成异常温度标识信息(就是异常温度的标识符)对所述预设管壁位置进行标识预警,为进行异常智能预测提供支持。
如图3所示,步骤S60包括步骤:
S61:根据所述温度升高曲线优化结果,构建异常判断粒子群,其中,所述异常判断粒子群中的任意一个粒子表征一条温度升高曲线优化结果,且任意一条温度升高曲线优化结果至少对应两个粒子;
S62:根据所述实时温度参数,构建实时温度变化曲线;
S63:将所述实时温度变化曲线添加进所述异常判断粒子群,并进行多层级随机划分,当满足预设划分次数或出现曲线数量为1的划分结果时停止;
S64:当仅出现满足所述预设划分次数的划分结果时,所述实时温度变化曲线满足所述温度升高曲线优化结果;
S65:当出现所述曲线数量为1的划分结果时,所述实时温度变化曲线不满足所述温度升高曲线优化结果。
具体而言,所述异常判断粒子群中的任意一个粒子(任意一个粒子均存在方向与大小)表征一条温度升高曲线优化结果,且任意一条温度升高曲线优化结果至少对应两个粒子,划分结果的状态可以包括两种,一种为出现满足所述预设划分次数,另一种为出现所述曲线数量为1;
根据所述温度升高曲线优化结果中添加的多组温度升高预测曲线,构建异常判断粒子群;根据所述实时温度参数,进行曲线拟合(温度升高预测曲线的生成方法一致,此处不做重复性赘述),构建实时温度变化曲线;将所述实时温度变化曲线作为补充信息,添加进所述异常判断粒子群,并进行多层级随机划分(采用随机算法进行随机划分,为现有技术,特别的,正常的曲线数据量至少为2,无法划分出来,有且仅的,当实时温度变化曲线数据量为1,异常可以划分出来),当满足预设划分次数(预设划分次数为预设参数指标)或出现曲线数量为1的划分结果时停止;当仅出现满足所述预设划分次数的划分结果(第一种:满足预设划分次数)时,所述实时温度变化曲线满足所述温度升高曲线优化结果;当出现所述曲线数量为1的划分结果时(第二种:出现曲线数量为1),所述实时温度变化曲线不满足所述温度升高曲线优化结果,为进行高精度异常标记提供支持。
综上所述,本申请实施例所提供的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具有如下技术效果:
1.由于采用了进行温度阈值标定,生成多个管壁最高许用温度;遍历多个管壁位置,基于长短时记忆神经网络,训练温升预测模型;将预设管壁位置的煤质基本信息和锅炉运行参数输入温升预测模型,生成温度升高预测曲线,截取预设时长管壁预测温度,若不满足预设管壁位置最高许用温度,对锅炉运行参数进行优化,生成温度升高曲线优化结果;采集实时温度参数,若不满足温度升高曲线优化结果,生成异常温度标识信息对预设管壁位置进行标识预警,本申请通过提供了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,实现了通过炉管温度高精度预测,对炉管壁温监测数据异常标识,及时对存在异常温度标识的管壁位置进行监测预警,充分利用锅炉相关参数,保证炉管壁温异常监测预警的可靠度的技术效果。
2.由于采用了对锅炉管壁进行数据采集,获取多个管壁厚度参数,获取第k管壁厚度和第k+1管壁厚度;获取管壁厚度聚类评价公式:,将第k管壁厚度和第k+1管壁厚度聚集为第k聚类区域,计算第k区域厚度特征值;遍历多个管壁厚度参数进行多层级聚类分析,生成一级管壁区域聚类结果,为保证一级管壁区域聚类结果的精确度提供基础。
实施例二
基于与前述实施例中一种基于火电站炉管虚拟分区的壁温异常识别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火电站炉管虚拟分区的壁温异常识别系统,其中,所述系统包括:
最高许用温度生成模块100,用于调取管壁基本信息基于虚拟分区算法,生成多个管壁位置的多个管壁最高许用温度;
预测模型训练模块200,用于遍历所述多个管壁位置,基于长短时记忆神经网络,训练温升预测模型;
运行参数输入模块300,用于将预设管壁位置的煤质基本信息和锅炉运行参数输入所述温升预测模型,生成温度升高预测曲线,其中,所述预设管壁位置属于所述多个管壁位置;
温度判断模块400,用于从所述温度升高预测曲线截取预设时长管壁预测温度,判断是否满足预设管壁位置最高许用温度;
运行参数优化模块500,用于若不满足,对锅炉运行参数进行优化,生成温度升高曲线优化结果;
温度参数采集模块600,用于根据预设管壁位置温度传感器,采集实时温度参数,判断是否满足所述温度升高曲线优化结果;
标识预警模块700,用于若不满足,生成异常温度标识信息对所述预设管壁位置进行标识预警。
进一步的,所述系统包括:
基本信息参数获取模块,用于所述管壁基本信息包括管壁厚度参数、管壁材料参数和火焰间距参数;
第一区域聚类分析模块,用于根据所述管壁厚度参数对锅炉管壁进行区域聚类分析,生成一级管壁区域聚类结果;
第二域聚类分析模块,用于根据所述管壁材料参数对所述锅炉管壁进行区域聚类分析,生成二级管壁区域聚类结果;
第三域聚类分析模块,用于根据所述火焰间距参数对所述锅炉管壁进行区域聚类分析,生成三级管壁区域聚类结果;
区域相交模块,用于将所述一级管壁区域聚类结果、所述二级管壁区域聚类结果和所述三级管壁区域聚类结果进行区域相交,生成所述多个管壁位置;
最高许用温度生成模块,用于遍历所述多个管壁位置进行温度阈值标定,生成所述多个管壁最高许用温度。
进一步的,所述系统包括:
管壁厚度参数采集模块,用于对所述锅炉管壁进行数据采集,获取多个管壁厚度参数;
管壁厚度获取模块,用于根据所述多个管壁厚度参数,获取第k管壁厚度和第k+1管壁厚度,其中,所述第k管壁厚度和所述第k+1管壁厚度相邻;
聚类评价模块,用于获取管壁厚度聚类评价公式:,其中,/>指的是第k管壁厚度已经聚类的厚度数量,/>是第k管壁厚度评价权重,/>表征第k管壁厚度,指的是第k+1管壁厚度已经聚类的厚度数量,/>是第k+1管壁厚度评价权重,/>表征第k+1管壁厚度,/>表征第k管壁厚度和所述第k+1管壁厚度评价结果;
厚度偏差比较模块,用于当所述第k管壁厚度和所述第k+1管壁厚度的厚度偏差小于或等于厚度偏差阈值,将所述第k管壁厚度和所述第k+1管壁厚度聚集为第k聚类区域,根据所述管壁厚度聚类评价公式计算第k区域厚度特征值;
多层级聚类分析模块,用于遍历所述多个管壁厚度参数进行多层级聚类分析,生成所述一级管壁区域聚类结果。
进一步的,所述系统包括:
工作日志数据采集模块,用于遍历所述多个管壁位置,采集多组锅炉工作日志数据;
记录数据获取模块,用于遍历所述多组锅炉工作日志数据,获取第j组煤质参数记录数据、第j组锅炉工作参数记录数据和第j组管壁温度时序记录数据;
预测模型训练模块,用于根据所述第j组煤质参数记录数据、所述第j组锅炉工作参数记录数据和所述第j组管壁温度时序记录数据,基于长短时记忆神经网络,训练第j位置温升预测模型;
并行节点模型合并模块,用于将第一位置温升预测模型、第二位置温升预测模型和所述第j位置温升预测模型作为并行节点模型合并,生成所述温升预测模型。
进一步的,所述系统包括:
参数取值区间设定模块,用于根据所述锅炉运行参数,设定多个锅炉运行参数取值区间;
取值区间随机抽取模块,用于遍历所述多个锅炉运行参数取值区间随机抽取,获取第i组锅炉运行参数;
基本信息输入模块,用于将所述第i组锅炉运行参数和所述煤质基本信息输入所述温升预测模型,生成第i组温度升高预测曲线;
最高许用温度判断模块,用于从所述第i组温度升高预测曲线截取第i组预设时长管壁预测温度,判断是否满足所述预设管壁位置最高许用温度;
预测曲线添加模块,用于若满足,将所述第i组温度升高预测曲线添加进所述温度升高曲线优化结果;
曲线优化结果生成模块,用于判断所述温度升高曲线优化结果的曲线数量是否预设数量,若满足,停止优化,生成所述温度升高曲线优化结果。
进一步的,所述系统包括:
选取跳过模块,用于若不满足,将所述第i组温度升高预测曲线添加进禁忌数据组,其中,所述禁忌数据组的数据被选取时直接跳过。
进一步的,所述系统包括:
判断粒子群构建模块,用于根据所述温度升高曲线优化结果,构建异常判断粒子群,其中,所述异常判断粒子群中的任意一个粒子表征一条温度升高曲线优化结果,且任意一条温度升高曲线优化结果至少对应两个粒子;
温度变化曲线构建模块,用于根据所述实时温度参数,构建实时温度变化曲线;
层级随机划分模块,用于将所述实时温度变化曲线添加进所述异常判断粒子群,并进行多层级随机划分,当满足预设划分次数或出现曲线数量为1的划分结果时停止;
曲线满足优化结果状态模块,用于当仅出现满足所述预设划分次数的划分结果时,所述实时温度变化曲线满足所述温度升高曲线优化结果;
曲线不满足优化结果状态模块,用于当出现所述曲线数量为1的划分结果时,所述实时温度变化曲线不满足所述温度升高曲线优化结果。
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)
1.一种基于火电站炉管虚拟分区的壁温异常识别方法,其特征在于,包括:
调取管壁基本信息基于虚拟分区算法,生成多个管壁位置的多个管壁最高许用温度;
遍历所述多个管壁位置,基于长短时记忆神经网络,训练温升预测模型;
将预设管壁位置的煤质基本信息和锅炉运行参数输入所述温升预测模型,生成温度升高预测曲线,其中,所述预设管壁位置属于所述多个管壁位置;
从所述温度升高预测曲线截取预设时长管壁预测温度,判断是否满足预设管壁位置最高许用温度;
若不满足,对锅炉运行参数进行优化,生成温度升高曲线优化结果;
根据预设管壁位置温度传感器,采集实时温度参数,判断是否满足所述温度升高曲线优化结果;
若不满足,生成异常温度标识信息对所述预设管壁位置进行标识预警。
2.如权利要求1所述的方法,其特征在于,调取管壁基本信息基于虚拟分区算法,生成多个管壁位置的多个管壁最高许用温度,包括:
所述管壁基本信息包括管壁厚度参数、管壁材料参数和火焰间距参数;
根据所述管壁厚度参数对锅炉管壁进行区域聚类分析,生成一级管壁区域聚类结果;
根据所述管壁材料参数对所述锅炉管壁进行区域聚类分析,生成二级管壁区域聚类结果;
根据所述火焰间距参数对所述锅炉管壁进行区域聚类分析,生成三级管壁区域聚类结果;
将所述一级管壁区域聚类结果、所述二级管壁区域聚类结果和所述三级管壁区域聚类结果进行区域相交,生成所述多个管壁位置;
遍历所述多个管壁位置进行温度阈值标定,生成所述多个管壁最高许用温度。
3.如权利要求2所述的方法,其特征在于,所述根据所述管壁厚度参数对锅炉管壁进行区域聚类分析,生成一级管壁区域聚类结果,包括:
对所述锅炉管壁进行数据采集,获取多个管壁厚度参数;
根据所述多个管壁厚度参数,获取第k管壁厚度和第k+1管壁厚度,其中,所述第k管壁厚度和所述第k+1管壁厚度相邻;
获取管壁厚度聚类评价公式:
其中, 指的是第k管壁厚度已经聚类的厚度数量, />是第k管壁厚度评价权重,表征第k管壁厚度, />指的是第k+1管壁厚度已经聚类的厚度数量, />是第k+1管壁厚度评价权重, />表征第k+1管壁厚度, />表征第k管壁厚度和所述第k+1管壁厚度评价结果;
当所述第k管壁厚度和所述第k+1管壁厚度的厚度偏差小于或等于厚度偏差阈值,将所述第k管壁厚度和所述第k+1管壁厚度聚集为第k聚类区域,根据所述管壁厚度聚类评价公式计算第k区域厚度特征值;
遍历所述多个管壁厚度参数进行多层级聚类分析,生成所述一级管壁区域聚类结果。
4.如权利要求1所述的方法,其特征在于,所述遍历所述多个管壁位置,基于长短时记忆神经网络,训练温升预测模型,包括:
遍历所述多个管壁位置,采集多组锅炉工作日志数据;
遍历所述多组锅炉工作日志数据,获取第j组煤质参数记录数据、第j组锅炉工作参数记录数据和第j组管壁温度时序记录数据;
根据所述第j组煤质参数记录数据、所述第j组锅炉工作参数记录数据和所述第j组管壁温度时序记录数据,基于长短时记忆神经网络,训练第j位置温升预测模型;
将第一位置温升预测模型、第二位置温升预测模型和所述第j位置温升预测模型作为并行节点模型合并,生成所述温升预测模型。
5.如权利要求1所述的方法,其特征在于,所述若不满足,对锅炉运行参数进行优化,生成温度升高曲线优化结果,包括:
根据所述锅炉运行参数,设定多个锅炉运行参数取值区间;
遍历所述多个锅炉运行参数取值区间随机抽取,获取第i组锅炉运行参数;
将所述第i组锅炉运行参数和所述煤质基本信息输入所述温升预测模型,生成第i组温度升高预测曲线;
从所述第i组温度升高预测曲线截取第i组预设时长管壁预测温度,判断是否满足所述预设管壁位置最高许用温度;
若满足,将所述第i组温度升高预测曲线添加进所述温度升高曲线优化结果;
判断所述温度升高曲线优化结果的曲线数量是否预设数量,若满足,停止优化,生成所述温度升高曲线优化结果。
6.如权利要求5所述的方法,其特征在于,所述从所述第i组温度升高预测曲线截取第i组预设时长管壁预测温度,判断是否满足所述预设管壁位置最高许用温度,包括:
若不满足,将所述第i组温度升高预测曲线添加进禁忌数据组,其中,所述禁忌数据组的数据被选取时直接跳过。
7.如权利要求1所述的方法,其特征在于,所述根据预设管壁位置温度传感器,采集实时温度参数,判断是否满足所述温度升高曲线优化结果,包括:
根据所述温度升高曲线优化结果,构建异常判断粒子群,其中,所述异常判断粒子群中的任意一个粒子表征一条温度升高曲线优化结果,且任意一条温度升高曲线优化结果至少对应两个粒子;
根据所述实时温度参数,构建实时温度变化曲线;
将所述实时温度变化曲线添加进所述异常判断粒子群,并进行多层级随机划分,当满足预设划分次数或出现曲线数量为1的划分结果时停止;
当仅出现满足所述预设划分次数的划分结果时,所述实时温度变化曲线满足所述温度升高曲线优化结果;
当出现所述曲线数量为1的划分结果时,所述实时温度变化曲线不满足所述温度升高曲线优化结果。
8.一种基于火电站炉管虚拟分区的壁温异常识别系统,其特征在于,用于实施权利要求1-7所述的一种基于火电站炉管虚拟分区的壁温异常识别方法,包括:
最高许用温度生成模块,用于调取管壁基本信息基于虚拟分区算法,生成多个管壁位置的多个管壁最高许用温度;
预测模型训练模块,用于遍历所述多个管壁位置,基于长短时记忆神经网络,训练温升预测模型;
运行参数输入模块,用于将预设管壁位置的煤质基本信息和锅炉运行参数输入所述温升预测模型,生成温度升高预测曲线,其中,所述预设管壁位置属于所述多个管壁位置;
温度判断模块,用于从所述温度升高预测曲线截取预设时长管壁预测温度,判断是否满足预设管壁位置最高许用温度;
运行参数优化模块,用于若不满足,对锅炉运行参数进行优化,生成温度升高曲线优化结果;
温度参数采集模块,用于根据预设管壁位置温度传感器,采集实时温度参数,判断是否满足所述温度升高曲线优化结果;
标识预警模块,用于若不满足,生成异常温度标识信息对所述预设管壁位置进行标识预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310029632.XA CN116398868B (zh) | 2023-01-09 | 2023-01-09 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310029632.XA CN116398868B (zh) | 2023-01-09 | 2023-01-09 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116398868A true CN116398868A (zh) | 2023-07-07 |
CN116398868B CN116398868B (zh) | 2023-08-29 |
Family
ID=87011226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310029632.XA Active CN116398868B (zh) | 2023-01-09 | 2023-01-09 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116398868B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118184105A (zh) * | 2024-05-16 | 2024-06-14 | 徐州丰诚新材料科技有限公司 | 一种光学玻璃的智能熔炼温度监测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596229A (zh) * | 2018-04-13 | 2018-09-28 | 北京华电智慧科技产业有限公司 | 在线异常的监测诊断方法和系统 |
CN113158494A (zh) * | 2021-05-21 | 2021-07-23 | 中国石油大学(北京) | 一种热交换器虚实融合故障诊断方法及系统 |
CN114019823A (zh) * | 2021-09-17 | 2022-02-08 | 华能巢湖发电有限责任公司 | 一种基于三维虚拟仿真的锅炉四管检修诊断系统 |
CN115563819A (zh) * | 2022-12-06 | 2023-01-03 | 北京博数智源人工智能科技有限公司 | 一种基于温度变化的火电站炉管损耗评估方法及系统 |
-
2023
- 2023-01-09 CN CN202310029632.XA patent/CN116398868B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596229A (zh) * | 2018-04-13 | 2018-09-28 | 北京华电智慧科技产业有限公司 | 在线异常的监测诊断方法和系统 |
CN113158494A (zh) * | 2021-05-21 | 2021-07-23 | 中国石油大学(北京) | 一种热交换器虚实融合故障诊断方法及系统 |
CN114019823A (zh) * | 2021-09-17 | 2022-02-08 | 华能巢湖发电有限责任公司 | 一种基于三维虚拟仿真的锅炉四管检修诊断系统 |
CN115563819A (zh) * | 2022-12-06 | 2023-01-03 | 北京博数智源人工智能科技有限公司 | 一种基于温度变化的火电站炉管损耗评估方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118184105A (zh) * | 2024-05-16 | 2024-06-14 | 徐州丰诚新材料科技有限公司 | 一种光学玻璃的智能熔炼温度监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116398868B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109146093B (zh) | 一种基于学习的电力设备现场勘查方法 | |
CN109583585B (zh) | 一种电站锅炉壁温预测神经网络模型的构建方法 | |
CN116398868B (zh) | 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 | |
CN105205569B (zh) | 风机齿轮箱状态在线评估模型建立方法及在线评估方法 | |
CA2663888A1 (en) | Kernel-based method for detecting boiler tube leaks | |
CN110750872A (zh) | 锅炉金属壁温数据分析系统及方法 | |
CN108764802A (zh) | 一种适于储粮数字监管的abc策略方法 | |
CN106908132B (zh) | 一种基于改进Petri网检测应变式称重传感器故障的方法 | |
CN105242128A (zh) | 基于模糊神经网络的避雷器在线监测系统 | |
CN109858125B (zh) | 一种基于径向基神经网络的火电机组供电煤耗计算方法 | |
CN118017509A (zh) | 基于数字孪生空间的大规模配电网并行优化方法 | |
JP2016537729A (ja) | プラントにおける生成プロセスおよび/またはプロセスエンジニアリングプロセスおよび/またはプロセスステップを分析するための方法、システム、およびコンピュータプログラム製品 | |
CN117937497A (zh) | 算力负载均衡方法及装置 | |
CN113918881A (zh) | 基于分层多项式模型的飞灰含碳量软测量方法及监测系统 | |
CN117057579B (zh) | 一种分布式配电网的运行维护方法及系统 | |
CN111445674B (zh) | 一种面向百万千瓦超超临界机组制粉系统报警管理的因果网络构建方法 | |
CN115563819A (zh) | 一种基于温度变化的火电站炉管损耗评估方法及系统 | |
CN110031152A (zh) | 一种热力供热系统及相邻日温度偏移累积泄漏检测的方法 | |
CN113836794B (zh) | 一种软硬结合的飞灰含碳量在线监测方法 | |
CN106706144B (zh) | 基于多重传感器构建的烘丝机温控回路智能预警方法 | |
CN112800672B (zh) | 锅炉粘污系数的评估方法、系统、介质及电子设备 | |
KR20040038124A (ko) | 복합화력용 온라인 실시간 운전성능 감시 및 진단 시스템 | |
CN117193123B (zh) | 一种煤矸石活化监控系统及其控制方法 | |
CN118149606B (zh) | 一种硅烷间歇炉及其加热控制方法 | |
LU500843B1 (en) | A monitoring system and prediction method of temperature for generator carbon brush based on an infrared image |
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 |