CN116862282A - 火电机组热力效能对标分析方法、系统、设备及介质 - Google Patents

火电机组热力效能对标分析方法、系统、设备及介质 Download PDF

Info

Publication number
CN116862282A
CN116862282A CN202310629280.1A CN202310629280A CN116862282A CN 116862282 A CN116862282 A CN 116862282A CN 202310629280 A CN202310629280 A CN 202310629280A CN 116862282 A CN116862282 A CN 116862282A
Authority
CN
China
Prior art keywords
thermal power
thermal
analysis
unit
performance
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
Application number
CN202310629280.1A
Other languages
English (en)
Inventor
丁俊彦
黄群亮
范杰
雷锦涛
曾志
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenneng Smart Energy Technology Co ltd
Original Assignee
Shenneng Smart Energy Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenneng Smart Energy Technology Co ltd filed Critical Shenneng Smart Energy Technology Co ltd
Priority to CN202310629280.1A priority Critical patent/CN116862282A/zh
Publication of CN116862282A publication Critical patent/CN116862282A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Genetics & Genomics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Physiology (AREA)
  • Water Supply & Treatment (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)

Abstract

本申请公开了一种火电机组热力效能对标分析方法、系统、设备及介质，其中，该火电机组热力效能对标分析方法包括：获取火电机组的样本数据；基于样本数据，采用KMeans算法进行机组运行工况自动化聚类；基于工况模式状态，通过支撑向量回归算法对样本数据进行学习和训练，用于基于灵敏度分析对火电机组的热力效能进行对标分析。该方法通过利用火电机组样本数据，进行机组历史运行工况的性能分析，再根据采用支撑向量回归算法建立的火电机组热力性能预测分析模型进行各个参数变量对发电煤耗的灵敏度分析，进而完成性能对标分析，提高了火电机组性能分析结果的准确性。

Description

火电机组热力效能对标分析方法、系统、设备及介质
技术领域
本申请涉及火力发电和人工智能技术领域，尤其涉及一种火电机组热力效能对标分析方法、系统、设备及介质。
背景技术
电力是国民经济发展的重要能源，火力发电是中国和世界上许多国家生产电能的主要方法。火力发电是利用可燃物燃烧时产生的热能来加热水，使水变成高温、高压水蒸气，然后蒸汽沿管道进入汽轮机膨胀做功，带动发电机一起高速旋转，从而实现发电。最终，冷却后的蒸汽又被水泵送回锅炉中重复参加上述循环过程。而火电机组，就是燃煤凝汽式机组，即只发电不供热燃煤机组。
开展火电企业能效对标活动，使在运电厂的各机组能效水平不断靠近先进机组的能效标杆，对提高火电企业能源利用效率，增强企业竞争力，确保火电行业实现节能工作具有十分重要的意义。
目前的火电机组热力性能能耗分析都是通过性能计算标准公式，然后通过对大量设计工况点的假设，进行能耗分析和对标分析，该类方法只能通过设计数据完成机组性能分析，而火电机组在实际安装以及运行过程中，往往无法达到与设计状态一致，从而导致火电机组性能分析结果较差，无法达到预期要求。
因此，上述技术问题亟待解决。
发明内容
本申请实施例提供一种火电机组热力效能对标分析方法、系统、设备及介质，以解决或部分解决只能通过设计数据完成机组性能分析，而火电机组在实际安装以及运行过程中，往往无法达到与设计状态一致，从而导致火电机组性能分析结果较差，无法达到预期要求的问题。
一种火电机组热力效能对标分析方法，包括：
获取火电机组的样本数据；
基于样本数据，采用KMeans算法进行机组运行工况自动化聚类，用于获得火电机组的工况模式状态；
基于工况模式状态，通过支撑向量回归算法对样本数据进行学习和训练，获得机组热力性能隐式关系式，基于机组热力性能隐式关系式采用灵敏度分析对火电机组的热力效能进行对标分析。
本申请在一较佳示例中可以进一步配置为：样本数据包括设计数据和历史运行数据；
在获取火电机组的样本数据之后，包括：
基于设计数据和历史运行数据，开发火电机组的热力性能仿真模型，获得原始数据集。
本申请在一较佳示例中可以进一步配置为：基于工况模式状态，通过支撑向量回归算法对样本数据进行学习和训练，包括：
通过支撑向量回归算法对各个工况模式状态进行热力性能预测分析模型开发，并根据原始数据集进行模型训练。
本申请在一较佳示例中可以进一步配置为：在根据原始数据集进行模型训练之后，包括：
基于热力性能预测分析模型，采用遗传算法对火电机组的参数变量进行优化，获得参数变量的最优值和最优值对应的最优工况，将最优工况和实际运行工况进行对比。
本申请在一较佳示例中可以进一步配置为：采用遗传算法对火电机组的参数变量进行优化，获得参数变量的最优值和最优值对应的最优工况，包括：
采用遗传算法反复调取机组热力性能隐式关系式对参数变量进行计算，直至找到最优值和最优工况。
本申请在一较佳示例中可以进一步配置为：在根据原始数据集进行模型训练之后，包括：
基于热力性能预测分析模型，采用差分扰动算法对火电机组的参数变量进行灵敏度分析，用于完成性能对标分析。
本申请在一较佳示例中可以进一步配置为：设计数据包括热力计算书和热平衡图；
基于设计数据和历史运行数据，开发火电机组的热力性能仿真模型，获得原始数据集，包括：
基于热力计算书和热平衡图，结合历史运行数据，进行机组历史运行工况的性能分析，用于收集火电机组的热力性能分析样本数据。
本申请目的二是提供一种火电机组热力效能对标分析系统。
本申请的上述申请目的二是通过以下技术方案得以实现的：
一种火电机组热力效能对标分析系统，包括：
获取样本数据模块，用于获取火电机组的样本数据；
获得工况模式状态模块，用于基于样本数据，采用KMeans算法进行机组运行工况自动化聚类，用于获得火电机组的工况模式状态；
对标分析热力效能模块，用于基于工况模式状态，通过支撑向量回归算法对样本数据进行学习和训练，获得机组热力性能隐式关系式，基于机组热力性能隐式关系式采用灵敏度分析对火电机组的热力效能进行对标分析。
本申请目的三是提供一种电子设备。
本申请的上述申请目的三是通过以下技术方案得以实现的：
一种电子设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述火电机组热力效能对标分析方法。
一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述火电机组热力效能对标分析方法。
综上，综上，本申请包括以下有益技术效果：
上述火电机组热力效能对标分析方法，通过采用热平衡技术实现了火电机组融合设计数据及运行数据的性能分析，然后采用支撑向量回归算法模型将火电机组的热力性能与运行参数之间的非线性响应问题转化成高维空间内线性函数响应问题，并且能够利用遗传算法获得主要参数变量的最优值，然后利用函数响应完成自变量、因变量之间的灵敏度分析，以实现火电机组的最优值与实际运行值的性能对标分析，为火电机组提供运行指导，使火电机组运行达到最佳状态，提高了火电机组性能分析结果的准确性和火电机组运行的经济性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1绘示本申请一实施例中火电机组热力效能对标分析方法的流程图；
图2绘示本申请一实施例中火电机组热力效能对标分析方法的最大化分类间距-支持平面图；
图3绘示本申请第一实施例中火电机组热力效能对标分析方法的整体流程图；
图4绘示本申请一实施例中火电机组热力效能对标分析系统的第一示意图；
图5绘示本申请一实施例中火电机组热力效能对标分析系统的第二示意图；
图6绘示本申请一实施例中电子设备的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
下面结合说明书附图对本申请实施例作进一步详细描述。
本申请实施例提供一种火电机组热力效能对标分析方法，方法的主要流程描述如下：
参照图1，S10、获取火电机组的样本数据。
其中，样本数据包括设计数据、历史运行数据和热力仿真数据等。
具体地，本实施例通过火电机组中的各个部件获取设计数据、历史运行数据和热力仿真数据等数据，系统对样本数据进行分析时，直接通过数据获取接口获取设计数据、历史运行数据和热力仿真数据等，然后对样本数据进行同步计算。
具体地，本实施例对样本数据进行同步计算主要将样本数据按PK(Primary Key，主键约束)切分成一个个chunk(数据块)，然后分给多个task(作业)做并行读取，即在全量阶段实现并行读取。其中，全量和增量能够自动切换，切换时通过无锁算法来做无锁一致性的切换。
在切换到增量阶段后，本实施例利用单独的task负责增量部分的历史运行数据解析，以此实现了全增量一体化读取。进入增量阶段后，作业不再需要的资源，管控端可以修改作业并将其释放，进而得到火电机组数据信息。
本实施例还可以采用分布式存储技术通过网络使用火电机组设备中的每台机器上的系统磁盘空间，并将这些分散的存储资源构成一个虚拟的存储设备，将样本数据分散的存储在该虚拟的存储设备的数据库中，进而使得管控端对该同步计算后的样本数据进行统一管控，进而提取火电机组数据信息中的设计数据、历史运行数据、测点性能数据以及作业进程数据等，进而实现自动采集并储存数据、分析数据，将数据转化为信息，做出实时反应。
步骤S10的作用在于提高了样本数据的准确性、真实性和可靠性，并且，直接从数据采集接口获取样本数据，提高了样本数据输入和提取的效率。并且，该步骤还提高了数据提取和管理的效率，而且通过统一管控样本数据，减少了数据重复存储的情况，提高了数据提取的工作效率，并且，提高了火电机组数据信息的数据使用率。
S20、基于样本数据，采用KMeans算法进行机组运行工况自动化聚类，用于获得火电机组的工况模式状态。
其中，KMeans算法(k-means clustering algorithm，k均值聚类算法)是一种典型的基于距离的迭代求解的聚类分析算法，该算法采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。
KMeans算法的步骤是随机选取k个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类，没有(或最小数目)聚类中心再发生变化，误差平方和局部最小。
具体地，本实施例通过用户给定一个数据点集合和需要的聚类数目k，利用KMeans算法根据某个距离函数反复把样本数据分入k个聚类中，进而对样本数据中的设计数据和历史运行数据进行机组运行工况自动化聚类，形成火电机组的工况模式状态。
步骤S20的作用在于通过KMeans算法能根据较少的已知聚类样本的类别对树进行剪枝确定部分样本的分类；并且，该算法本身具有优化迭代功能，在已经求得的聚类上再次进行迭代修正剪枝确定部分样本的聚类，提高了样本聚类的准确性；该步骤还可以降低总的聚类时间复杂度，提高了样本数据处理的效率。
S30、基于工况模式状态，通过支撑向量回归算法对样本数据进行学习和训练，获得机组热力性能隐式关系式，基于机组热力性能隐式关系式采用灵敏度分析对火电机组的热力效能进行对标分析。
其中，机组热力性能隐式关系式指的是机组运行参数对性能指标的影响关系，该关系是一个无法通过数学表达实现的函数式，需要通过机器学习，利用样本数据进行训练学习得到。
具体地，本实施例根据工况模式，通过使用最大化分类间距对样本数据进行最小二乘法的训练，本实施例中对分类函数y＝wTx+b附加一个阈值0，通过分类函数执行时得到的值大于还是小于0来确定类别归属，此时分类函数等价于f(x)＝sign(wTx+b)，其中sign为符号函数，判别函数为f(x)＝sign(wTx+b)，最大化分类间隔目标为maxMargin(w*b)，约束条件为即为s.t.yi(wTxi+b)>0，此时与分类平面距离最近的样本点称为支持向量，进而构成支持平面，得到最大化分类间距ρ，参照图2。
步骤S30的作用在于根据工况模式状态，通过数学模型对样本进行学习和训练，并计算获得热力参数的“期望值”，然后将这些预测值与实时测量值进行比较，从而发现其中存在的偏差，进而对火电机组的运行状况进行评价，提高了热力效能对标分析的效率、可靠性和准确性。
上述火电机组热力效能对标分析方法，通过采用热平衡技术实现了火电机组融合设计数据及运行数据的性能分析，然后采用支撑向量回归算法模型将火电机组的热力性能与运行参数之间的非线性响应问题转化成高维空间内线性函数响应问题，并且能够利用遗传算法获得主要参数变量的最优值，然后利用函数响应完成自变量、因变量之间的灵敏度分析，以实现火电机组的最优值与实际运行值的性能对标分析，为火电机组提供运行指导，使火电机组运行达到最佳状态，提高了火电机组性能分析结果的准确性和火电机组运行的经济性。
在一些可能的实施例中，样本数据包括设计数据和历史运行数据；
在步骤S10之后，即在获取火电机组的样本数据之后，包括：
S11、基于设计数据和历史运行数据，开发火电机组的热力性能仿真模型，获得原始数据集。
其中，历史运行数据包括测点的历史数据、主蒸汽温度和主蒸汽压力等。
具体地，本实施例利用机器学习算法，通过分析电厂热力系统的特点，以电厂基本设备为单元对热力系统进行了模块划分，并在此基础上建立了各设备的仿真模块。然后根据原始数据输入模块、仿真计算模块、结果输出模块和数据管理模块对火电机组的热力性能仿真模型进行开发，再融合设计数据和历史运行数据等数据，利用热力性能仿真模型对这些数据进行仿真计算，从而形成原始数据集。
步骤S11的作用在于火电机组的热力性能仿真模型的开发，实现了数据可视化和可组态化，并且，实现不同火电机组、不同运行工况的分析，提高了火电机组的适用性。
在一些可能的实施例中，设计数据包括热力计算书和热平衡图。
步骤S11，即基于设计数据和历史运行数据，开发火电机组的热力性能仿真模型，获得原始数据集，包括：
S110、基于热力计算书和热平衡图，结合历史运行数据，进行机组历史运行工况的性能分析，用于收集火电机组的热力性能分析样本数据。
其中，热力计算是建立在基本的质量守恒、能量守恒以及动量守恒方程基础上，通过迭代的方法进行求解。热力性能分析样本数据包括锅炉效率、汽机效率、汽机循环热评价、冷凝器运行情况、给水加热器运行情况、空气预热器情况、可控制的损失参数、在线机组递增热效率以及不确定性分析等。
具体地，本实施例通过从电厂用户处得到的入档资料中获取热力计算书和热平衡变工况分析等数据，并将获取的数据与机组历史运行数据结合进行机组历史运行工况的性能分析，进而收集火电机组的热力性能分析样本数据。然后，作业人员可以根据热力性能分析样本数据来调整运行，安排检修任务，以及判断设计改进效果，以便更合理地安排生产。
步骤S110的作用在于提高了机组历史运行工况性能分析的效率和可靠性，并且可以随时告诉作业人员其热力性能分析样本数据偏离最优值的能量损失，从而对设备进行调整和维护，提高了机组运行的经济性。
在一些可能的实施例中，步骤S30，即基于工况模式状态，通过支撑向量回归算法对样本数据进行学习和训练，包括：
S301、通过支撑向量回归算法对各个工况模式状态进行热力性能预测分析模型开发，并根据原始数据集进行模型训练。
具体地，本实施例根据工况模式状态首先选定输入的样本数据，然后对样本数据进行粗糙化、归一化等预处理。第二步则是建立模型，选定核函数。第三步利用主蒸汽压力、主蒸汽温度、再热蒸汽压力、再热蒸汽温度和凝汽器背压等数据分别进行预测，再将预测后的主蒸汽压力、主蒸汽温度、再热蒸汽压力、再热蒸汽温度和凝汽器背压等数据加入输入项的自变量中去预测误差较大的数据。根据样本数据进行建模预测数模所需的调参数据。其中，进行数据空间映射的核函数对模型影响较大。
步骤S301的作用在于提高了热力性能预测分析模型的效率及准确度。
在一些可能的实施例中，在步骤S301之后，即在根据原始数据集进行模型训练之后，包括：
S302、基于热力性能预测分析模型，采用遗传算法对火电机组的参数变量进行优化，获得参数变量的最优值和最优值对应的最优工况，将最优工况和实际运行工况进行对比。
其中，参数变量包括主蒸汽压力、主蒸汽温度、再热蒸汽压力、再热蒸汽温度和凝汽器背压等，应知道的是，由于机组类型不一样，参数变量不一样。本事实例中，最优值就是目标函数最优值，这里也就是煤耗，是一个具体的数值，比如237.1234。最优工况是最优值对应的运行参数，如主蒸汽温度以及主蒸汽气压等。
其中，遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种采用人工进化的方式对目标进行随机优化搜索，启发式地搜索全局最优解的方法。
步骤S302的作用在于寻优速度快、鲁棒性好、精度高，并且能够给出各主要参数变量全局范围内的最优解。
在一些可能的实施例中，步骤S302，即采用遗传算法对火电机组的参数变量进行优化，获得参数变量的最优值和最优值对应的最优工况，包括：
S3020、采用遗传算法反复调取机组热力性能隐式关系式对参数变量进行计算，直至找到最优值和最优工况。
具体地，本实施例中首先对火电机组的参数变量进行参数初始化，对参数进行二进制编码形成初始种群，确定好初始种群个数以及迭代次数。然后对热力性能预测分析模型进行预测，然后根据训练后的热力性能预测分析模型，计算适应度函数值，判断是否满足要求。如果符合要求，则最终优化得到最优值。如果适应度函数值不符合要求，则算法进行选择、交叉、变异以及种群再生等操作继续迭代，直至满足算法终止条件。然后将最优工况和实际运行工况进行对比，进而对火电机组的热力效能进行对标分析。
在一些可能的实施例中，在步骤S301之后，即在根据原始数据集进行模型训练之后，包括：
S303、基于热力性能预测分析模型，采用差分扰动算法对火电机组的参数变量进行灵敏度分析，用于完成性能对标分析。
本实施例利用热力性能预测分析模型，结合小扰动分析法，对运行参数进行差分分析，即差分扰动算法。具体地，本实施例经过对原始数据集进行模型训练后得到热力性能预测分析模型y＝f(x1，x2，x3，…)，如果要获得dy/dx1，则对火电机组的参数变量进行灵敏度分析，即采用差分扰动算法利用差分扰动进行数值导数计算，过程如下：
y_x1＝f(x1，x2，x3，...)，
y_x1_p＝f(x1+delta，x2，x3，...)，其中delta为小量，比如1.e-4，
则dy/dx1＝(y_x1_p-y_x1)/delta为近似灵敏度。最后通过仿真实验对参数变量进行性能验证。
步骤S303的作用在于采用差分扰动算法对火电机组的参数变量进行灵敏度分析，使得火电机组的参数变量聚类中心具有较好的聚焦能力，受到的旁瓣干扰较小，避免陷入局部最优，降低了误分率，提高了对聚类中心的收敛性能和数据聚类的精度。
本实施例提供的火电机组热力效能对标分析方法，如图3所示，该方法通过利用火电机组设计数据，比如热力计算书和热平衡图等，进行机组热力性能分析数字孪生模型的复现，同时结合火电机组的历史运行数据，进行机组历史运行工况的性能分析，实现火电机组全工况高密度的热力性能分析样本数据收集，同时基于支撑向量回归算法建立火电机组热力性能预测分析模型，然后采用遗传算法对火电机组热力性能预测分析模型中影响发电煤耗的参数变量进行优化，获得影响发电煤耗的最优值；再根据火电机组热力性能预测分析模型进行各个参数变量对发电煤耗的灵敏度分析，并利用上一步获得的最优值与实际运行值的差别完成性能对标分析，进而指导火电机组的主要参数的能耗差别对标分析。
本申请另一实施例，公开了一种火电机组热力效能对标分析系统。
参照图4，火电机组热力效能对标分析系统包括：
获取样本数据模块10，用于获取火电机组的样本数据。
获得工况模式状态模块20，用于基于样本数据，采用KMeans算法进行机组运行工况自动化聚类，用于获得火电机组的工况模式状态。
对标分析热力效能模块30，用于基于工况模式状态，通过支撑向量回归算法对样本数据进行学习和训练，获得机组热力性能隐式关系式，基于机组热力性能隐式关系式采用灵敏度分析对火电机组的热力效能进行对标分析。
进一步地，参照图5，在获取样本数据模块10之后，包括：
原始数据集获得模块11，用于基于设计数据和历史运行数据，开发火电机组的热力性能仿真模型，获得原始数据集。
进一步地，参照图5，原始数据集获得模块11，包括：
热力性能分析样本数据收集子模块110，用于基于热力计算书和热平衡图，结合历史运行数据，进行机组历史运行工况的性能分析，用于收集火电机组的热力性能分析样本数据。
进一步地，参照图5，对标分析热力效能模块30，包括：
模型训练子模块301，用于通过支撑向量回归算法对各个工况模式状态进行热力性能预测分析模型开发，并根据原始数据集进行模型训练。
进一步地，参照图5，在模型训练子模块301之后，包括：
工况对比子模块302，用于基于热力性能预测分析模型，采用遗传算法对火电机组的参数变量进行优化，获得参数变量的最优值和最优值对应的最优工况，将最优工况和实际运行工况进行对比。
进一步地，参照图5，工况对比子模块302，包括：
参数变量计算单元3020，用于采用遗传算法反复调取机组热力性能隐式关系式对参数变量进行计算，直至找到最优值和最优工况。
进一步地，参照图5，在模型训练子模块301之后，包括：
参数变量灵敏度分析子模块303，用于基于热力性能预测分析模型，采用差分扰动算法对火电机组的参数变量进行灵敏度分析，用于完成性能对标分析。
本实施例提供的火电机组热力效能对标分析系统，由于其各模块本身的功能及彼此之间的逻辑连接，能实现前述实施例的各个步骤，因此能够达到与前述实施例相同的技术效果，原理分析可参见前述火电机组热力效能对标分析方法的步骤的相关描述，在此不再赘述。
关于火电机组热力效能对标分析系统的具体限定可以参见上文中对于火电机组热力效能对标分析方法的限定，在此不再赘述。上述火电机组热力效能对标分析系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于设备中的处理器中，也可以以软件形式存储于设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一实施例中，提供一种电子设备，该电子设备可以是监控终端，其内部结构图可以如图6所示。该电子设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性介质、内存储器。该非易失性介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性介质中的操作系统和计算机程序的运行提供环境。该电子设备的数据库用于存储火电机组热力效能对标分析方法中需保存的数据。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种火电机组热力效能对标分析方法。
在一实施例中，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例火电机组热力效能对标分析方法，例如图1所示步骤S10至步骤S30。或者，处理器执行计算机程序时实现上述实施例中火电机组热力效能对标分析系统的各模块/单元的功能，例如图4所示模块10至模块30的功能。为避免重复，此处不再赘述。
在一实施例中，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述实施例火电机组热力效能对标分析方法，或者，该计算机程序被处理器执行时实现上述系统实施例中火电机组热力效能对标分析系统中各模块/单元的功能。为避免重复，此处不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其他介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将系统的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种火电机组热力效能对标分析方法，其特征在于，包括：
获取火电机组的样本数据；
基于所述样本数据，采用KMeans算法进行机组运行工况自动化聚类，用于获得所述火电机组的工况模式状态；
基于所述工况模式状态，通过支撑向量回归算法对所述样本数据进行学习和训练，获得机组热力性能隐式关系式，基于所述机组热力性能隐式关系式采用灵敏度分析对所述火电机组的热力效能进行对标分析。
2.根据权利要求1所述的一种火电机组热力效能对标分析方法，其特征在于，所述样本数据包括设计数据和历史运行数据；
在所述获取火电机组的样本数据之后，包括：
基于所述设计数据和所述历史运行数据，开发所述火电机组的热力性能仿真模型，获得原始数据集。
3.根据权利要求1所述的一种火电机组热力效能对标分析方法，其特征在于，所述基于所述工况模式状态，通过支撑向量回归算法对所述样本数据进行学习和训练，包括：
通过所述支撑向量回归算法对各个所述工况模式状态进行热力性能预测分析模型开发，并根据原始数据集进行模型训练。
4.根据权利要求3所述的一种火电机组热力效能对标分析方法，其特征在于，在所述根据原始数据集进行模型训练之后，包括：
基于所述热力性能预测分析模型，采用遗传算法对所述火电机组的参数变量进行优化，获得所述参数变量的最优值和所述最优值对应的最优工况，将所述最优工况和实际运行工况进行对比。
5.根据权利要求4所述的一种火电机组热力效能对标分析方法，其特征在于，所述采用遗传算法对所述火电机组的参数变量进行优化，获得所述参数变量的最优值和所述最优值对应的最优工况，包括：
采用所述遗传算法反复调取所述机组热力性能隐式关系式对所述参数变量进行计算，直至找到所述最优值和所述最优工况。
6.根据权利要求3所述的一种火电机组热力效能对标分析方法，其特征在于，在所述根据原始数据集进行模型训练之后，包括：
基于所述热力性能预测分析模型，采用差分扰动算法对所述火电机组的参数变量进行灵敏度分析，用于完成性能对标分析。
7.根据权利要求2所述的一种火电机组热力效能对标分析方法，其特征在于，所述设计数据包括热力计算书和热平衡图；
所述基于所述设计数据和所述历史运行数据，开发所述火电机组的热力性能仿真模型，获得原始数据集，包括：
基于所述热力计算书和所述热平衡图，结合所述历史运行数据，进行机组历史运行工况的性能分析，用于收集所述火电机组的热力性能分析样本数据。
8.一种火电机组热力效能对标分析系统，其特征在于，包括：
获取样本数据模块，用于获取火电机组的样本数据；
获得工况模式状态模块，用于基于所述样本数据，采用KMeans算法进行机组运行工况自动化聚类，用于获得所述火电机组的工况模式状态；
对标分析热力效能模块，用于基于所述工况模式状态，通过支撑向量回归算法对所述样本数据进行学习和训练，获得机组热力性能隐式关系式，基于所述机组热力性能隐式关系式采用灵敏度分析对所述火电机组的热力效能进行对标分析。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，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任一项所述火电机组热力效能对标分析方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述火电机组热力效能对标分析方法。
CN202310629280.1A 2023-05-31 2023-05-31 火电机组热力效能对标分析方法、系统、设备及介质 Pending CN116862282A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310629280.1A CN116862282A (zh) 2023-05-31 2023-05-31 火电机组热力效能对标分析方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310629280.1A CN116862282A (zh) 2023-05-31 2023-05-31 火电机组热力效能对标分析方法、系统、设备及介质

Publications (1)

Publication Number Publication Date
CN116862282A true CN116862282A (zh) 2023-10-10

Family

ID=88234783

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310629280.1A Pending CN116862282A (zh) 2023-05-31 2023-05-31 火电机组热力效能对标分析方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN116862282A (zh)

Similar Documents

Publication Publication Date Title
Wan et al. Short-term power load forecasting for combined heat and power using CNN-LSTM enhanced by attention mechanism
Mavromatidis et al. Design of distributed energy systems under uncertainty: A two-stage stochastic programming approach
Lythcke-Jørgensen et al. A methodology for designing flexible multi-generation systems
CN109872012A (zh) 基于工况划分的火电厂运行多目标优化的确定方法
Sogabe et al. Optimization of decentralized renewable energy system by weather forecasting and deep machine learning techniques
Gao et al. Forecasting annual natural gas consumption via the application of a novel hybrid model
CN112130538B (zh) 磨煤机的控制优化及模型训练的方法、装置、设备和介质
Wiese renpass Renewable Energy Pathways Simulation System-Open Source as an approach to meet challenges in energy modeling
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
Liu et al. Surrogate-assisted many-objective optimization of building energy management
Shuvo et al. Prediction of hourly total energy in combined cycle power plant using machine learning techniques
Thota et al. Analysis of feature selection techniques for prediction of boiler efficiency in case of coal based power plant using real time data
CN117930776A (zh) 一种基于模型预测的白酒生产精准供汽预调控方法及系统
CN113762591A (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
Moghaddam et al. AI applications in smart cities’ energy systems automation
CN116862077A (zh) 基于多模态组合模型的电采暖运行成本预测方法和介质
CN116862282A (zh) 火电机组热力效能对标分析方法、系统、设备及介质
CN110210642A (zh) 一种城市电能替代量预测方法及装置
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
Ruciński Neural modelling of electricity prices quoted on the Day-Ahead Market of TGE SA shaped by environmental and economic factors
Ardiansyah et al. Potential classification prediction of solar and wind energy in Indonesia using machine learning with random forest algorithm
Zhao et al. Research on carbon emission prediction of coal combustion in power generation enterprises based on Rough set and Grey SVM
CN110275773B (zh) 基于真实数据模型拟合的Paas资源循环利用指标系统
Wen et al. Economic mining of thermal power plant based on improved Hadoop-based framework and Spark-based algorithms
Nunes Exergoeconomic performance evaluation applied to thermal power plants immersed in hourly-based electricity markets

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