CN116956090A - 基于相关性分析和fcm聚类的汽轮机运行状态参数优化方法 - Google Patents
基于相关性分析和fcm聚类的汽轮机运行状态参数优化方法 Download PDFInfo
- Publication number
- CN116956090A CN116956090A CN202310687781.5A CN202310687781A CN116956090A CN 116956090 A CN116956090 A CN 116956090A CN 202310687781 A CN202310687781 A CN 202310687781A CN 116956090 A CN116956090 A CN 116956090A
- Authority
- CN
- China
- Prior art keywords
- steam
- steam turbine
- parameters
- original data
- state
- 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.)
- Withdrawn
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000010219 correlation analysis Methods 0.000 title claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000002203 pretreatment Methods 0.000 claims description 2
- 238000007418 data mining Methods 0.000 abstract description 16
- 230000002159 abnormal effect Effects 0.000 abstract description 5
- 238000003064 k means clustering Methods 0.000 abstract description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000010977 unit operation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Control Of Turbines (AREA)
Abstract
本发明公开了基于相关性分析和FCM聚类的汽轮机运行状态参数优化方法包括：采集汽轮机运行状态相关的原始数据，并对原始数据进行预处理；计算预处理后的原始数据的热效率，并选取与热效率相关的运行参数的状态优化参数；对状态优化参数进行汽轮机热耗率分析，并根据分析结果采用FCM聚类算法对汽轮机的状态优化参数进行目标值的寻优；本发明提供的方法采用的汽轮机原始数据预处理模块剔除数据中的异常数据，简化数据挖掘的步骤，提升数据挖掘的效率；此外，本发明在传统k‑means聚类算法基础上融入了模糊数学，算法结构简单、计算量小、收敛速度快。
Description
技术领域
本发明涉及状态参数优化技术领域，具体为基于相关性分析和FCM聚类的汽轮机运行状态参数优化方法。
背景技术
随着我国计算机和信息技术的飞速发展，火力发电厂所监测的数据呈几何增长趋势，与汽轮机运行状态相关的状态监测数据被实时地采集并且将其存入到数据库中，形成了丰富的历史数据库和实时数据库。这些数据呈现出数据价值密度低、数据类型繁多以及数据量巨大等大数据的典型特征，面对这些高参数、强相关、多维度的历史数据，采用人工分析的方法已经不切实际，大数据分析技术应运而生，数据挖掘技术可以在较少人为干涉的情况下，根据不同的需要，处理分析复杂的数据信息，并且能够挖掘出海量数据中隐含的相关知识和规律，最终得到你想获得的相关信息。如何从这些海量、丰富的数据中挖掘出有价值的信息，实现对汽轮机运行状态参数的优化，对电网的正常健康运行有着十分重要的意义。
汽轮发电机组是将热能转换为电能的重要设备，也是消耗一次能源的主要设备，汽轮机的性能直接影响到发电厂的安全性和经济性，还会影响到整个电网。同时目前国内的火电机组普遍面临着煤种多样化、负荷大范围变化参与调峰的问题，这些问题导致机组运行的外部边界条件不断变化，如何正确的得到火电机组运行参数最优的目标值，对保证汽轮机的安全经济运行起到十分重要的作用。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述存在的问题，提出了本发明。
本发明实施例的第一方面，提供基于相关性分析和FCM聚类的汽轮机运行状态参数优化方法，包括：采集汽轮机运行状态相关的原始数据，并对所述原始数据进行预处理；计算所述预处理后的原始数据的热效率，并选取与所述热效率相关的运行参数的状态优化参数；对所述状态优化参数进行汽轮机热耗率分析，并根据分析结果采用FCM聚类算法对汽轮机的状态优化参数进行目标值的寻优。
作为本发明所述的基于相关性分析和FCM聚类的汽轮机运行状态参数优化方法的一种优选方案，其中：所述汽轮机运行状态相关的原始数据包括汽动给水泵进口压力、给水泵进口温度、给水泵进口流量、给水泵出口压力、给水泵出口温度、给水泵出口流量、给水泵中间抽头压力、给水泵中间抽头温度、给水泵中间抽头流量、汽泵进口温度、汽泵进口压力、汽泵进口流量、汽泵出口温度、汽泵出口压力、汽泵出口流量、汽泵前置泵出口流量、汽泵进口滤网差压、给水泵汽轮机转速、除氧器压力、再热器减温水量、汽轮机排气压力、凝汽器真空度。
作为本发明所述的基于相关性分析和FCM聚类的汽轮机运行状态参数优化方法的一种优选方案，其中：所述预处理的过程包括，
对所述汽轮机运行状态相关的原始数据进行异常值处理、缺失值填充和噪声值的去噪；
将所述汽轮机运行状态相关的原始数据中不同结构、不同属性的数据进行整合归纳和规范化处理，并在最大限度保持汽轮机原始数据原貌的情况下精简数据量。
作为本发明所述的基于相关性分析和FCM聚类的汽轮机运行状态参数优化方法的一种优选方案，其中：所述热效率的计算包括，
其中，Hr表示机组热耗率，D0表示主蒸汽流量，h0表示主蒸汽焓，Drh表示再热蒸汽流量，hrh表示再热蒸汽焓，Dfw表示主给水流量，hfw表示主给水焓，Drcw表示过热器减温水流量，hrcw表示过热器减温水焓，Drc表示高压缸排汽流量，hrc表示高压缸排汽焓，Drhw表示再热器减温水流量，hrhw表示再热器减温水焓，Pe表示发电机功率。
作为本发明所述的基于相关性分析和FCM聚类的汽轮机运行状态参数优化方法的一种优选方案，其中：与所述热效率相关的运行参数的状态优化参数的选取包括，
采用典型相关分析法对所述热效率相关的运行参数进行状态优化参数的选取，得到主蒸汽压力、主蒸汽温度和凝汽器真空三个状态优化参数；
所述典型相关分析法中相关系数的计算包括，
其中，ρ表示相关系数，cov(R，S)表示综合变量R和S的协方差，Var(R)表示综合变量R的方差，Var(S)表示综合变量S的方差，X和Y表示原始变量。
作为本发明所述的基于相关性分析和FCM聚类的汽轮机运行状态参数优化方法的一种优选方案，其中：所述汽轮机热耗率的分析包括，
对所述主蒸汽压力进行分析包括在其他状态优化参数保持不变的条件下，当提高所述主蒸汽压力后，会增加朗肯循环的平均吸热温度，此时的放热温度不变，理想循环热效率增加；
对所述主蒸汽温度进行分析包括在保持主蒸汽压力、再热蒸汽温度和背压参数不变的条件下，当提高所述主蒸汽温度后，蒸汽吸热过程的平均温度会有所增加，但放热过程温度保持不变，所以理想循环热效率增加；
所述凝汽器真空在热力循环中起着类似冷源的作用，会降低汽轮机排汽温度和排汽压力，当所述凝汽器的真空提高后，可使蒸汽中的热能尽可能地转换为机械能，从而减少冷源损失。
作为本发明所述的基于相关性分析和FCM聚类的汽轮机运行状态参数优化方法的一种优选方案，其中：所述目标值的寻优包括，
根据分析结果采用FCM聚类算法对汽轮机的状态优化参数进行目标值的寻优，设定数据集X＝{x1，x2，...，xm}、隶属度矩阵U＝[ujl]n×m和聚类中心V＝{v1，v2，...，vn}，其中，m表示数据最大项数，n表示聚类中心最大项数；
对所述聚类中心进行初始化，确定所述聚类中心的个数c，并设定迭代阈值ε，其中，c∈[2，n]；
计算隶属度矩阵U(a)并更新所述聚类中心V(a+1)，计算公式如下：
其中，ujl (a)表示聚类的隶属度，djl (a)表示第j个聚类中心的欧式距离，dil (a)表示第i个聚类中心的欧式距离，k表示模糊系数，vj (a+1)表示第j个聚类中心；
若||V(a+1)-V(a)||＜ε，则迭代结束并输出隶属度矩阵U和聚类中心V，否则重复计算隶属度矩阵和更新所述聚类中心，直到满足条件为止。
本发明实施例的第二方面，提供基于相关性分析和FCM聚类的汽轮机运行状态参数优化系统，包括：
原始数据预处理模块，用于采集汽轮机运行状态相关的原始数据，并对所述原始数据进行预处理；
优化参数选取模块，用于计算所述预处理后的原始数据的热效率，并选取与所述热效率相关的运行参数的状态优化参数；
热耗率分析模块，用于对所述状态优化参数进行汽轮机热耗率分析，完成对汽轮机运行状态的性能分析；
参数优化模块，用于根据分析结果采用FCM聚类算法对汽轮机的状态优化参数进行目标值的寻优。
本发明实施例的第三方面，提供一种设备，所述设备包括，
处理器；
用于存储处理器可执行指令的存储器；
所述处理器被配置为调用所述存储器存储的指令，以执行本发明任一实施例所述的方法。
本发明实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，包括：
所述计算机程序指令被处理器执行时实现如本发明任一实施例所述的方法。
本发明的有益效果：本发明提供基于相关性分析和FCM聚类的汽轮机运行状态参数优化方法，采用的汽轮机原始数据预处理模块对汽轮机原始数据进行数据挖掘的前期处理，包括数据清理单元、数据集成单元、数据变换单元、数据规约单元，主要是剔除数据中的异常数据，简化数据挖掘的步骤，提升数据挖掘的效率；此外，本发明采用FCM聚类算法对对汽轮机的主蒸汽压力、主蒸汽温度和凝汽器真空参数进行目标值的寻优，在传统k-means聚类算法基础上融入了模糊数学，具有算法结构简单、原理简洁明了、计算量小、收敛速度快。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明提供的基于相关性分析和FCM聚类的汽轮机运行状态参数优化方法的整体流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1为本发明的一个实施例，提供了基于相关性分析和FCM聚类的汽轮机运行状态参数优化方法，包括：
S1：采集汽轮机运行状态相关的原始数据，并对原始数据进行预处理。
需要说明的是：
汽轮机运行状态相关的原始数据包括汽动给水泵进口压力、给水泵进口温度、给水泵进口流量、给水泵出口压力、给水泵出口温度、给水泵出口流量、给水泵中间抽头压力、给水泵中间抽头温度、给水泵中间抽头流量、汽泵进口温度、汽泵进口压力、汽泵进口流量、汽泵出口温度、汽泵出口压力、汽泵出口流量、汽泵前置泵出口流量、汽泵进口滤网差压、给水泵汽轮机转速、除氧器压力、再热器减温水量、汽轮机排气压力、凝汽器真空度；
进一步的，预处理的过程包括，
对汽轮机运行状态相关的原始数据进行异常值处理、缺失值填充和噪声值的去噪；
将汽轮机运行状态相关的原始数据中不同结构、不同属性的数据进行整合归纳并有针对性的进行筛选，从而提高资源的利用率；
对汽轮机原始数据进行规范化处理，将数据进行转换或统一，使其适合后续的计算和数据挖掘，并在最大限度保持汽轮机原始数据原貌的情况下精简数据量，减少数据的储存空间；
应说明的，预处理过程是对汽轮机原始数据进行数据挖掘的前期处理，主要是剔除数据中的异常数据，简化数据挖掘的步骤，提升数据挖掘的效率。
S2：计算预处理后的原始数据的热效率，并选取与热效率相关的运行参数的状态优化参数。需要说明的是：
热效率的计算包括，
其中，Hr表示机组热耗率，单位kJ/kW·h，D0表示主蒸汽流量，单位t/h，h0表示主蒸汽焓，单位kJ/kg，Drh表示再热蒸汽流量，单位t/h，hrh表示再热蒸汽焓，单位kJ/kg，Dfw表示主给水流量，单位t/h，hfw表示主给水焓，单位kJ/kg，Drcw表示过热器减温水流量，单位t/h，hrcw表示过热器减温水焓，单位kJ/kg，Drc表示高压缸排汽流量，单位t/h，hrc表示高压缸排汽焓，单位kJ/kg，Drhw表示再热器减温水流量，单位t/h，hrhw表示再热器减温水焓，单位kJ/kg，Pe表示发电机功率，单位MW；
进一步的，与热效率相关的运行参数的状态优化参数的选取包括，
采用典型相关分析法对热效率相关的运行参数进行状态优化参数的选取，得到主蒸汽压力、主蒸汽温度和凝汽器真空三个状态优化参数；
具体的，典型相关分析法的基本思路就是首先选出每组变量中线性相关性最大的一个综合变量，并且保证每组选出的综合变量间线性不相关，已知两组原始变量X＝[x1，x2，...，xm]T和Y＝[y1，y2，...，yn]T，综合变量R和S分别为原始变量X和Y的线性组合，则有R＝UTX，S＝VTY，即综合变量R和S的相关系数的计算包括，
其中，ρ表示相关系数，cov(R，S)表示综合变量R和S的协方差，Var(R)表示综合变量R的方差，Var(S)表示综合变量S的方差，X和Y表示原始变量；
应说明的，ρ＝0～0.2之间为不相关或极弱相关，ρ＝0.2～0.4之间为弱相关，ρ＝0.4～0.6之间为中等强度相关，ρ＝0.6～0.8之间为强相关，ρ＝0.8～1之间为极强相关。
S3：对状态优化参数进行汽轮机热耗率分析，并根据分析结果采用FCM聚类算法对汽轮机的状态优化参数进行目标值的寻优。需要说明的是：
汽轮机热耗率的分析包括，
对主蒸汽压力进行分析包括在其他状态优化参数保持不变的条件下，当提高主蒸汽压力后，会增加朗肯循环的平均吸热温度，此时的放热温度不变，理想循环热效率增加；
对主蒸汽温度进行分析包括在保持主蒸汽压力、再热蒸汽温度和背压参数不变的条件下，当提高主蒸汽温度后，蒸汽吸热过程的平均温度会有所增加，但放热过程温度保持不变，所以理想循环热效率增加；
凝汽器真空在热力循环中起着类似冷源的作用，会降低汽轮机排汽温度和排汽压力，当凝汽器的真空提高后，可使蒸汽中的热能尽可能地转换为机械能，从而减少冷源损失；
进一步的，目标值的寻优包括，
根据分析结果采用FCM聚类算法对汽轮机的状态优化参数进行目标值的寻优，设定数据集X＝{x1，x2，...，xm}、隶属度矩阵U＝[ujl]n×m和聚类中心V＝{v1，v2，...，vn}，其中，m表示数据最大项数，n表示聚类中心最大项数；
对聚类中心进行初始化，确定聚类中心的个数c，并设定迭代阈值ε，其中，c∈[2，n]；
计算隶属度矩阵U(a)并更新聚类中心V(a+1)，计算公式如下：
其中，ujl (a)表示聚类的隶属度，djl (a)表示第j个聚类中心的欧式距离，dil (a)表示第i个聚类中心的欧式距离，k表示模糊系数，vj (a+1)表示第j个聚类中心；
若||V(a+1)-V(a)||＜ε，则迭代结束并输出隶属度矩阵U和聚类中心V，否则重复计算隶属度矩阵和更新聚类中心，直到满足条件为止。
应说明的，本发明提供基于相关性分析和FCM聚类的汽轮机运行状态参数优化方法，采用的汽轮机原始数据预处理模块对汽轮机原始数据进行数据挖掘的前期处理，包括数据清理单元、数据集成单元、数据变换单元、数据规约单元，主要是剔除数据中的异常数据，简化数据挖掘的步骤，提升数据挖掘的效率；此外，本发明采用FCM聚类算法对对汽轮机的主蒸汽压力、主蒸汽温度和凝汽器真空参数进行目标值的寻优，在传统k-means聚类算法基础上融入了模糊数学，具有算法结构简单、原理简洁明了、计算量小、收敛速度快。
本发明公开的第二方面，
提供基于相关性分析和FCM聚类的汽轮机运行状态参数优化系统，包括：
原始数据预处理模块，用于采集汽轮机运行状态相关的原始数据，并对原始数据进行预处理；
优化参数选取模块，用于计算预处理后的原始数据的热效率，并选取与热效率相关的运行参数的状态优化参数；
热耗率分析模块，用于对状态优化参数进行汽轮机热耗率分析，完成对汽轮机运行状态的性能分析；
参数优化模块，用于根据分析结果采用FCM聚类算法对汽轮机的状态优化参数进行目标值的寻优。
本发明公开的第三方面，
提供一种设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，处理器被配置为调用存储器存储的指令，以执行前述中任意一项的方法。
本发明公开的第四方面，
提供一种计算机可读存储介质，其上存储有计算机程序指令，包括：
计算机程序指令被处理器执行时实现前述中任意一项的方法。
本发明可以是方法、装置、系统和/或计算机程序产品，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
实施例2
该实施例不同于第一个实施例的是，提供了基于相关性分析和FCM聚类的汽轮机运行状态参数优化方法的验证测试，为对本方法中采用的技术效果加以验证说明。
以某工厂汽轮机的运行为例，5分钟为单位时间进行采集，采集的汽轮机运行状态相关的原始数据包括汽动给水泵进口压力、给水泵进口温度、给水泵进口流量、给水泵出口压力、给水泵出口温度、给水泵出口流量、给水泵中间抽头压力、给水泵中间抽头温度、给水泵中间抽头流量、汽泵进口温度、汽泵进口压力、汽泵进口流量、汽泵出口温度、汽泵出口压力、汽泵出口流量、汽泵前置泵出口流量、汽泵进口滤网差压、给水泵汽轮机转速、除氧器压力、再热器减温水量、汽轮机排气压力、凝汽器真空度；
然后对采集的原始数据进行预处理，计算预处理后的原始数据的热效率，并选取与热效率相关的运行参数的状态优化参数，包括主蒸汽压力、主蒸汽温度和凝汽器真空三个状态优化参数，对状态优化参数进行汽轮机热耗率分析，并根据分析结果采用FCM聚类算法对汽轮机的状态优化参数进行目标值的寻优，本实施例采用传统的方法与本发明采用的FCM聚类算法的方法进行参数寻优的对比，具体的实验数据如表1所示；
表1：数据对比。
| 迭代次数 | 计算时间/s | |
| 传统方法 | 126次 | 97.67 |
| 本发明方法 | 73次 | 70.35 |
由表1可知，无论是迭代次数还是计算时间，本发明都做到了优化；因此本发明提供的方法对汽轮机的主蒸汽压力、主蒸汽温度和凝汽器真空参数进行目标值的寻优，在传统k-means聚类算法基础上融入了模糊数学，具有算法结构简单、原理简洁明了、计算量小、收敛速度快；此外本发明采用的汽轮机原始数据预处理模块对汽轮机原始数据进行数据挖掘的前期处理，包括数据清理单元、数据集成单元、数据变换单元、数据规约单元，主要是剔除数据中的异常数据，简化数据挖掘的步骤，提升数据挖掘的效率。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.基于相关性分析和FCM聚类的汽轮机运行状态参数优化方法，其特征在于，包括：
采集汽轮机运行状态相关的原始数据，并对所述原始数据进行预处理；
计算所述预处理后的原始数据的热效率，并选取与所述热效率相关的运行参数的状态优化参数；
对所述状态优化参数进行汽轮机热耗率分析，并根据分析结果采用FCM聚类算法对汽轮机的状态优化参数进行目标值的寻优。
2.如权利要求1所述的基于相关性分析和FCM聚类的汽轮机运行状态参数优化方法，其特征在于：所述汽轮机运行状态相关的原始数据包括汽动给水泵进口压力、给水泵进口温度、给水泵进口流量、给水泵出口压力、给水泵出口温度、给水泵出口流量、给水泵中间抽头压力、给水泵中间抽头温度、给水泵中间抽头流量、汽泵进口温度、汽泵进口压力、汽泵进口流量、汽泵出口温度、汽泵出口压力、汽泵出口流量、汽泵前置泵出口流量、汽泵进口滤网差压、给水泵汽轮机转速、除氧器压力、再热器减温水量、汽轮机排气压力、凝汽器真空度。
3.如权利要求2所述的基于相关性分析和FCM聚类的汽轮机运行状态参数优化方法，其特征在于：所述预处理的过程包括，
对所述汽轮机运行状态相关的原始数据进行异常值处理、缺失值填充和噪声值的去噪；
将所述汽轮机运行状态相关的原始数据中不同结构、不同属性的数据进行整合归纳和规范化处理，并在最大限度保持汽轮机原始数据原貌的情况下精简数据量。
4.如权利要求3所述的基于相关性分析和FCM聚类的汽轮机运行状态参数优化方法，其特征在于：所述热效率的计算包括，
其中，Hr表示机组热耗率，D0表示主蒸汽流量，h0表示主蒸汽焓，Drh表示再热蒸汽流量，hrh表示再热蒸汽焓，Dfw表示主给水流量，hfw表示主给水焓，Drcw表示过热器减温水流量，hrcw表示过热器减温水焓，Drc表示高压缸排汽流量，hrc表示高压缸排汽焓，Drhw表示再热器减温水流量，hrhw表示再热器减温水焓，Pe表示发电机功率。
5.如权利要求4所述的基于相关性分析和FCM聚类的汽轮机运行状态参数优化方法，其特征在于：与所述热效率相关的运行参数的状态优化参数的选取包括，
采用典型相关分析法对所述热效率相关的运行参数进行状态优化参数的选取，得到主蒸汽压力、主蒸汽温度和凝汽器真空三个状态优化参数；
所述典型相关分析法中相关系数的计算包括，
其中，ρ表示相关系数，cov(R，S)表示综合变量R和S的协方差，Var(R)表示综合变量R的方差，Var(S)表示综合变量S的方差，X和Y表示原始变量。
6.如权利要求5所述的基于相关性分析和FCM聚类的汽轮机运行状态参数优化方法，其特征在于：所述汽轮机热耗率的分析包括，
对所述主蒸汽压力进行分析包括在其他状态优化参数保持不变的条件下，当提高所述主蒸汽压力后，会增加朗肯循环的平均吸热温度，此时的放热温度不变，理想循环热效率增加；
对所述主蒸汽温度进行分析包括在保持主蒸汽压力、再热蒸汽温度和背压参数不变的条件下，当提高所述主蒸汽温度后，蒸汽吸热过程的平均温度会有所增加，但放热过程温度保持不变，所以理想循环热效率增加；
所述凝汽器真空在热力循环中起着类似冷源的作用，会降低汽轮机排汽温度和排汽压力，当所述凝汽器的真空提高后，可使蒸汽中的热能尽可能地转换为机械能，从而减少冷源损失。
7.如权利要求6所述的基于相关性分析和FCM聚类的汽轮机运行状态参数优化方法，其特征在于：所述目标值的寻优包括，
根据分析结果采用FCM聚类算法对汽轮机的状态优化参数进行目标值的寻优，设定数据集X＝{x1，x2，...，xm}、隶属度矩阵U＝[ujl]n×m和聚类中心V＝{v1，v2，...，vn}，其中，m表示数据最大项数，n表示聚类中心最大项数；
对所述聚类中心进行初始化，确定所述聚类中心的个数c，并设定迭代阈值ε，其中，c∈[2，n]；
计算隶属度矩阵U(a)并更新所述聚类中心V(a+1)，计算公式如下：
其中，ujl (a)表示聚类的隶属度，djl (a)表示第j个聚类中心的欧式距离，dil (a)表示第i个聚类中心的欧式距离，k表示模糊系数，vj (a+1)表示第j个聚类中心；
若||V(a+1)-V(a)||＜ε，则迭代结束并输出隶属度矩阵U和聚类中心V，否则重复计算隶属度矩阵和更新所述聚类中心，直到满足条件为止。
8.基于相关性分析和FCM聚类的汽轮机运行状态参数优化系统，其特征在于，包括：
原始数据预处理模块，用于采集汽轮机运行状态相关的原始数据，并对所述原始数据进行预处理；
优化参数选取模块，用于计算所述预处理后的原始数据的热效率，并选取与所述热效率相关的运行参数的状态优化参数；
热耗率分析模块，用于对所述状态优化参数进行汽轮机热耗率分析，完成对汽轮机运行状态的性能分析；
参数优化模块，用于根据分析结果采用FCM聚类算法对汽轮机的状态优化参数进行目标值的寻优。
9.一种设备，其特征在于，所述设备包括，
处理器；
用于存储处理器可执行指令的存储器；
所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1～7中任一所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1～7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310687781.5A CN116956090A (zh) | 2023-06-12 | 2023-06-12 | 基于相关性分析和fcm聚类的汽轮机运行状态参数优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310687781.5A CN116956090A (zh) | 2023-06-12 | 2023-06-12 | 基于相关性分析和fcm聚类的汽轮机运行状态参数优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116956090A true CN116956090A (zh) | 2023-10-27 |
Family
ID=88451926
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310687781.5A Withdrawn CN116956090A (zh) | 2023-06-12 | 2023-06-12 | 基于相关性分析和fcm聚类的汽轮机运行状态参数优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116956090A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117648588A (zh) * | 2024-01-29 | 2024-03-05 | 和尘自仪(嘉兴)科技有限公司 | 基于相关性网络图聚类分析的气象雷达参数异常识别方法 |
-
2023
- 2023-06-12 CN CN202310687781.5A patent/CN116956090A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117648588A (zh) * | 2024-01-29 | 2024-03-05 | 和尘自仪(嘉兴)科技有限公司 | 基于相关性网络图聚类分析的气象雷达参数异常识别方法 |
| CN117648588B (zh) * | 2024-01-29 | 2024-04-26 | 和尘自仪(嘉兴)科技有限公司 | 基于相关性网络图聚类分析的气象雷达参数异常识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103996077B (zh) | 一种基于多维时间序列的电气设备故障预测方法 | |
| CN112632794B (zh) | 基于交叉熵参数子集模拟优化的电网可靠性评估方法 | |
| CN111426950B (zh) | 多尺度时空卷积深度信念网络的风力发电机故障诊断方法 | |
| CN106936627B (zh) | 一种基于大数据分析挖掘的火电设备性能监测方法 | |
| CN116956090A (zh) | 基于相关性分析和fcm聚类的汽轮机运行状态参数优化方法 | |
| CN112115999B (zh) | 一种时空多尺度神经网络的风电机组故障诊断方法 | |
| CN110889535B (zh) | 一种基于卷积循环神经网络的风电场内多点位风速预测方法 | |
| CN111639852B (zh) | 基于小波奇异值的水电机组振动状态实时评估方法及系统 | |
| CN107045584A (zh) | 一种适用于水泵转子系统的工频振动异常故障诊断方法 | |
| CN116840720A (zh) | 燃料电池剩余寿命预测方法 | |
| CN110516944A (zh) | 一种配电网多阶段典型运行场景生成方法 | |
| CN117728587B (zh) | 一种新能源发电设备运行数据的实时监控系统及方法 | |
| CN118152389B (zh) | 一种能源系统数据智能化处理方法 | |
| CN113987913A (zh) | 一种改进的非侵入式负荷分解模型 | |
| CN113762355B (zh) | 一种基于非侵入式负荷分解的用户异常用电行为检测方法 | |
| CN115034337A (zh) | 一种轨道交通车辆中牵引电机状态辨识方法及装置、介质 | |
| CN104951654A (zh) | 基于控制变量抽样的大规模风电场可靠性评估方法 | |
| CN114298136A (zh) | 一种基于局域均值分解和深度学习神经网络的风速预测方法 | |
| CN116995734B (zh) | 面向电网的分布式能源电能质量监测控制评价系统 | |
| CN114358367A (zh) | 一种非侵入式负荷分解方法及装置 | |
| Feng et al. | Identification of disturbance sources based on random forest model | |
| CN117688362A (zh) | 基于多元数据特征增强的光伏功率区间预测方法及装置 | |
| CN105590167A (zh) | 电场多元运行数据分析方法及装置 | |
| Su et al. | The Semisupervised Weighted Centroid Prototype Network for Fault Diagnosis of Wind Turbine Gearbox | |
| CN111199014A (zh) | 一种基于时间序列的seq2point的NILM方法及装置 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20231027 |
|
| WW01 | Invention patent application withdrawn after publication |