CN117150879B - 一种基于模糊综合评价模型的过热器超温预警方法及装置 - Google Patents
一种基于模糊综合评价模型的过热器超温预警方法及装置 Download PDFInfo
- Publication number
- CN117150879B CN117150879B CN202310868883.7A CN202310868883A CN117150879B CN 117150879 B CN117150879 B CN 117150879B CN 202310868883 A CN202310868883 A CN 202310868883A CN 117150879 B CN117150879 B CN 117150879B
- Authority
- CN
- China
- Prior art keywords
- model
- superheater
- comprehensive evaluation
- fuzzy comprehensive
- early warning
- 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 99
- 238000013210 evaluation model Methods 0.000 title claims abstract description 59
- 238000011156 evaluation Methods 0.000 claims abstract description 48
- 230000036541 health Effects 0.000 claims abstract description 36
- 230000007246 mechanism Effects 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 9
- 230000015556 catabolic process Effects 0.000 claims description 51
- 238000006731 degradation reaction Methods 0.000 claims description 51
- 230000006870 function Effects 0.000 claims description 50
- 239000003245 coal Substances 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000012544 monitoring process Methods 0.000 claims description 15
- 239000000203 mixture Substances 0.000 claims description 13
- 239000000779 smoke Substances 0.000 claims description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 8
- 230000003862 health status Effects 0.000 claims description 8
- 238000013441 quality evaluation Methods 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 8
- 230000000630 rising effect Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 230000006866 deterioration Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 230000000087 stabilizing effect Effects 0.000 claims description 4
- 238000004939 coking Methods 0.000 claims description 3
- 230000008021 deposition Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 10
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 9
- 239000003546 flue gas Substances 0.000 description 9
- 230000008859 change Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 239000002184 metal Substances 0.000 description 6
- 238000002485 combustion reaction Methods 0.000 description 5
- 238000013139 quantization Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000004880 explosion Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000007476 Maximum Likelihood Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000007254 oxidation reaction Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000003070 Statistical process control Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000003647 oxidation Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000006722 reduction reaction Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 239000002817 coal dust Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006213 oxygenation reaction Methods 0.000 description 1
- 238000005554 pickling Methods 0.000 description 1
- 238000006479 redox reaction Methods 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 239000004071 soot Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Classifications
-
- 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
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- 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)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Control Of Steam Boilers And Waste-Gas Boilers (AREA)
Abstract
本发明公开了一种基于模糊综合评价模型的过热器超温预警方法及装置,包括:基于故障发生原因构建模糊综合评价的因素集;通过机理建模和数据建模两种方式构建六个因素集模型;确定模糊综合评价模型的评价集和隶属度函数;结合主观赋值法与客观赋值法确定权重,将六个因素集模型结合建立最终的模糊综合评价模型;基于最大隶属度原则分析模型的输出结果,获取过热器实时健康状态预测,最终实现对过热器超温的故障预警。本发明解决现有算法计算复杂、过于理想化、模型可靠性不足等问题;实现训练速度快、泛化能力强、准确性高的自适应在线预警方式。
Description
技术领域
本发明涉及过热器故障预警技术领域,尤其涉及一种基于模糊综合评价模型的过热器超温预警方法及装置。
背景技术
近年来,根据统计,火电厂发生故障有比较大的原因是由于锅炉四管发生超温爆管,尤其以过热器爆管事故最频繁且造成的损失最大,一旦过热器发生爆管泄漏,发电机组只能非计划停机进行锅炉换管,该解决方案需耗费大量的检修时间和资金,对企业管理和社会经济效益造成极大损害。如何合理避免四管泄漏,提高锅炉的安全稳定运行,是火力发电企业关注的焦点之一。因此研发一种安全可靠的针对过热器的故障预警系统对火电机组尤为重要。
现有技术中,由于过热器本身所处的恶劣工况环境导致其无法在管道上随意安装温度测点,因此基于历史数据建立的模型一般仅通过预测过热器管道的入口和出口蒸汽温度或者通过经验只预测某几处测点的温度来近似判断整个管道是否存在超温状况,由于管道中段的温度变化并非线性变化且过热器本质上不存在最容易超温的点,因此这种建模方法是不准确的;通过机理建模的方法常见的有例如基于有限体积法将过热器管道划分成网格定义控制体积来进行分块建模等,但此类方法的建模流程过于理想化,忽视了外界的干扰因素,因此预测结果也不够精确。
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。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明提供了一种基于模糊综合评价模型的过热器超温预警方法及装置解决现有建模方法预测结果不准确的问题。
为解决上述技术问题,本发明提供如下技术方案:
第一方面,本发明提供了一种基于模糊综合评价模型的过热器超温预警方法,包括:基于故障发生原因构建模糊综合评价的因素集;
通过机理建模和数据建模两种方式构建六个因素集模型;
确定模糊综合评价模型的评价集和隶属度函数;
结合主观赋值法与客观赋值法确定权重,将六个因素集模型结合建立最终的模糊综合评价模型;
基于最大隶属度原则分析模型的输出结果,获取过热器实时健康状态预测,最终实现对过热器超温的故障预警。
作为本发明所述的基于模糊综合评价模型的过热器超温预警方法的一种优选方案,其中:所述的对各因素分别量化建模包括以下步骤:
将锅炉运行工况分成三类,基于过热器历史相关的正常运行数据分别构建基于高斯混合的过热器健康状态监测模型;
将基于氧化膜生长厚度公式和对流换热传热公式建立的量化壁温升高模型和基于设定的清洁因子计算公式建立的量化锅炉积灰结焦模型结合构建灰污模型;
通过计算旋流数量化烟气残余旋转强度对过热器壁温的影响,构建烟温偏差模型;
通过实时监测煤种的煤粒度和水分含量构建煤质评价模型;
建立适合评价过热器失效率的浴盆曲线来从时间的角度构建时间劣化模型;
针对过热器低负荷易超温的特性,通过低负荷量化为炉管的蒸汽流速构建低负荷模型。
作为本发明所述的基于模糊综合评价模型的过热器超温预警方法的一种优选方案,其中:所述构建基于高斯混合的过热器健康状态监测模型包括以下步骤:
对火电机组的历史正常运行数据进行采集;
选取以1min为采集间隔的实际运行相关变量数据作为训练样本,得到升负荷、稳定负荷、降负荷三个数据集,并分别训练各自的高斯混合模型;
采用灰色关联度分析法对数据集的多个特征进行重要性度量,计算出列举出的特征的关联度,设定关联度阈值为0.7,将计算得出的关联度大于阈值的特征进行提取;
作为本发明所述的基于模糊综合评价模型的过热器超温预警方法的一种优选方案,其中:所述构建基于高斯混合的过热器健康状态监测模型,设置劣化函数,将均值N1、标准差N2和信息熵N3转化为劣化度。劣化函数表示为:
式中,N1min、N2min、N3min表示截取某段故障数据带入GMM模型得出的平均健康衰退指数均值、标准差、信息熵;N1max、N2max、N3max表示截取某段正常工况下数据的平均健康衰退指数均值、标准差、信息熵。
作为本发明所述的基于模糊综合评价模型的过热器超温预警方法的一种优选方案,其中:所述确定评价集和隶属度函数表示为:
其中,i取1~6;wi代表6个因素集模型的劣化度输出;v1i、v2i、v3i、v4i分别代表评价指标为健康、一般、预警以及故障的隶属度函数。
作为本发明所述的基于模糊综合评价模型的过热器超温预警方法的一种优选方案,其中:所述通过确定因素集内各因素权重建立最终的模糊综合评价预警模型包括以下步骤:
基于确定的隶属度函数对各个因素集模型输出的劣化度指标计算获得6个评语集矩阵;
将所述评语集矩阵内的元素进行归一化处理,使每个矩阵内各元素之和为1;
将已经确定的因素集权重和所述6个评语集矩阵结合得到最终模型输出。
作为本发明所述的基于模糊综合评价模型的过热器超温预警方法的一种优选方案,其中:所述确认权重的方法是基于组合法确定各因素权值,最终计算组合权重方法是将主观权重与客观权重相加取平均值,其中主观权重基于专家经验获得,客观权重则是基于熵权法计算。
第二方面,本发明提供了一种基于模糊综合评价模型的过热器超温预警系统,包括:构建模块,基于故障发生原因构建模糊综合评价的因素集;
建模模块,通过机理建模和数据建模两种方式构建六个因素集模型;
确定模块,确定模糊综合评价模型的评价集和隶属度函数;
结合模块,结合主观赋值法与客观赋值法确定权重,将六个因素集模型结合建立最终的模糊综合评价模型;
获取模块,基于最大隶属度原则分析模型的输出结果,获取过热器实时健康状态预测,最终实现对过热器超温的故障预警。
第三方面,本发明提供了一种计算设备,包括:
存储器,用于存储程序;
处理器,用于执行所述计算机可执行指令,该计算机可执行指令被处理器执行时实现所述基于模糊综合评价模型的过热器超温预警方法的步骤。
第四方面,本发明提供了一种计算机可读存储介质,包括:所述程序被处理器执行时,实现所述的基于模糊综合评价模型的过热器超温预警方法的步骤。
本发明的有益效果:
1、本发明摒弃了之前只基于历史数据建立预测模型或只基于机理建模的预警方法,引入模糊综合评价将这两种模型相结合,建模流程主要包括:首先依靠历史数据分三种工况建立GMM模型,同时基于事故分析总结得出的导致过热器超温的因素分别建立5个模糊综合评价模型;再以这6个模型建立模糊综合评价模型的因素集;最终将专家经验与熵权法相结合,对上述因素集所包含的因素进行赋权完成建模。本发明能对过热器管道整体壁温建模而非仅仅构建过热器管道某些测点的温度预测模型,本模型的最终预警效果会更加精确。
2、本发明采用的机理建模方法是将导致过热器超温的故障因素量化为与之对应的机理模型,用小的机理模型代替整个过热器管壁温度的机理模型,进而达到简化机理建模流程的效果。
3、本发明采用的数据建模方法为建立GMM模型,该建模方法的侧重点不是寻找数据在时间维度的变化特性,而是关注于所有数据的分布情况,且本方案通过将锅炉运行工况分成三类,分别建立GMM模型,减少不同工况下数据的相互干扰,使模型的预测效果更加精确。
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为本发明一个实施例提供的一种基于模糊综合评价模型的过热器超温预警方法的基本流程示意图;
图2为本发明一个实施例提供的一种基于模糊综合评价模型的过热器超温预警方法的建模流程图;
图3为本发明一个实施例提供的一种基于模糊综合评价模型的过热器超温预警方法的本评价模型采用的多层指标体系图;
图4为本发明一个实施例提供的一种基于模糊综合评价模型的过热器超温预警方法的模糊评价结果为“健康”的曲线图;
图5为本发明一个实施例提供的一种基于模糊综合评价模型的过热器超温预警方法的模糊评价结果为“一般”的曲线图;
图6为本发明一个实施例提供的一种基于模糊综合评价模型的过热器超温预警方法的模糊评价结果为“预警”的曲线图;
图7为本发明一个实施例提供的一种基于模糊综合评价模型的过热器超温预警方法的模糊评价结果为“故障”的曲线图。
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1-3,为本发明的一个实施例,提供了一种基于模糊综合评价模型的过热器超温预警方法,如图1,2所示,包括以下步骤:
S1:基于故障发生原因构建模糊综合评价的因素集;
更进一步的,在本实施例中,通过分析2000年至2022年电厂发生的过热器超温事故及专家得出的导致过热器超温事故发生的最主要的因素,其中包括:过热器管内生成氧化膜、炉膛积灰、烟气残余旋转、煤种劣质特别是煤粒度和水分与设计煤种存在偏差、日常工作损耗以及减负荷过程减少的蒸汽流量无法带走管壁热量这几个因素。基于上述因素,建立以下6个模型作为模糊综合评价的因素集:基于GMM的过热器健康状态监测模型、锅炉灰污模型、烟温偏差模型、煤质评价模型、时间劣化模型、低负荷模型。并针对上述六个模型分别建立第二层量化层来表征因素层的6个模型。基于因素集构建的多层指标体系如图3所示。
S2:通过机理建模和数据建模两种方式构建六个因素集模型;
更进一步的,建立模糊综合评价必须先构建因素集模型,即将因素集量化为可以计算的算法流程。对于已确定好的因素集模型,除去其中一个模型是基于数据建模,其它的模型均需通过分析锅炉的运行机理,基于热力学公式等将因素集量化成可以计算,可以表征该因素具体影响值大小的模型。因素集建模流程图见图3,本实例中建模的具体流程如下:
S2.1:建立基于GMM的过热器健康状态监测模型。首先基于专家经验确定与过热器出口管壁温度相关的特征并采集相关数据,再通过统计过程控制(SPC)对数据进行清洗,然后采用灰色关联分析对数据进行降维,最后建立高斯混合模型并基于该模型提出健康衰退指数并量化为劣化度作为模型的输出。
在本实施例中,建立过热器健康状态监测模型的方法包括如下步骤:
S2.1.1:对火电机组的历史正常运行数据进行采集。其中,历史正常数据包含多个特征(与出口管壁温度相关),所述特征包括给煤机总给煤量、炉膛总风量、二次风调节阀位(分为前墙三层和后墙三层共六个特征)、燃尽风调节阀位(分为前墙后墙共两个特征)、过热器尾部烟气调节阀位、过热器一级减温水流量、过热器二级减温水流量、过热器一级和二级减温器的进口和出口处蒸汽温度、主蒸汽温度、流量及压力、给水温度及流量、风煤比、水煤比、风水比、发电机有功功率。
S2.1.2:采集数据并分类。从电厂2022年1月、4月、7月、10月共123天取得步骤S2.1.1所述的26个特征数据,选取以1min为采集间隔的实际运行相关变量数据作为训练样本,并将训练样本数据分为变负荷过程的三个阶段,分别为升负荷(0~70%额定负荷)、稳定负荷阶段(70%~100%额定负荷)、降负荷阶段(70%~0额定负荷)。
S2.1.3:提取关联度高的模型特征。采用灰色关联度分析法对数据集的多个特征进行重要性度量,计算出步骤S2.1.1列举出的26个特征的关联度,设定关联度阈值为0.7,将计算得出的关联度大于阈值的特征保留,最终保留的具有更高关联度的14个特征分别为:一级减温器出口处蒸汽温度、主蒸汽温度、二级减温器出口处蒸汽温度、二次风E层调节阀位、二级减温器入口处蒸汽温度、发电机有功功率、主蒸汽流量、总给煤量、给水温度、二次风B层调节阀位、主蒸汽压力、低温过热器出口蒸汽温度、炉膛总风量、后墙燃尽风调节阀位。
S2.1.4:建立预警模型。本实施例具体步骤如下:
步骤1:模型训练。基于步骤S2.1.3得到的三部分数据集(升负荷、稳定负荷、降负荷)分别训练各自的高斯混合模型;
步骤2:调用对应工况下的高斯混合模型参数(混合权重、均值向量、协方差矩阵)进行计算,得到过热器此刻的的健康衰退指数,计算方法如下:
其中,p表示当前时刻过热器工况(升负荷、稳定负荷、降负荷);K表示高斯混合模型包含的单高斯模型组个数;wk p表示p工况下的混合权重;μk表示均值向量;∑k表示协方差矩阵;gp(x|μk,∑k)表示p工况下对应的高斯概率密度函数。
其中,混合权重wk、均值向量μk和协方差矩阵∑k公式如下:
其中,γjk表示观测数据yj的响应度,计算公式如下:
步骤3:以步骤2得出的健康衰退指数的均值N1、标准差N2和信息熵N3作为评语集u11、u12、u13对过热器故障进行综合评价。
步骤4:设置劣化函数,将均值N1、标准差N2和信息熵N3转化为劣化度。
劣化函数如下:
式中,N1min、N2min、N3min表示截取某段故障数据带入GMM模型得出的平均健康衰退指数均值、标准差、信息熵;N1max、N2max、N3max表示截取某段正常工况下数据的平均健康衰退指数均值、标准差、信息熵。
步骤S2.1.7确定量化层权重。使用AHP层次分析法,结合多名专家的经验打分结果最终确定平均健康衰退指数的均值、标准差和信息熵这三个因素对过热器壁温影响程度的权重[a1,a2,a3],结合这三个因素的劣化函数作为基于GMM的过热器健康状态监测模型的最终输出,模型输出w1的计算公式如下:
S2.2:建立灰污模型。将导致过热器超温的两个物理层面的因素(管道内氧化膜、锅炉积灰结渣)相结合构建灰污模型,依据相关的热力学公式和力学公式,推导出能表征两个因素对过热器超温影响程度的公式,再通过确定权重将这两个因素合并,从而建立灰污模型。
在本实施例中,建立灰污模型的方法包括如下步骤:
S2.2.1:将过热器氧化膜厚度对管壁温度的影响量化为计算模型。通过分析管材金属与高温工质发生氧化还原反应过程中受到的影响(温度、管道材质、给水加氧量、管道运行时间、氧化皮致密性和力学特性、氧化皮与金属接触面特性),推导得出高温氧化反应下的氧化膜生长厚度公式:
式中:δ′表示氧化膜厚度,mm;Vw表示单位面积氧化膜重量,mg/mm2;k表示氧化膜平均密度;Kp表示氧化速度定值,mg/mm;Q表示金属氧化活化能,J/mol;A表示阿列纽斯常数;R表示气体常数;T表示金属温度,K;t表示运行时间,h;n表示指数。
S2.2.2:基于氧化膜导热以及蒸汽侧对流换热过程的传热公式推导出过热器管壁温度与氧化膜厚度关系式,其中,对流换热过程的传热公式为:
q1=h1(Tg-Tw1),q3=h2(Tw3-Tvap),
其中,q1,q2表示外壁和内壁换热表面热流密度,W/mm2;h1,h2表示外壁和内壁换热表面换热系数,W/(mm2·K);λ1表示金属管壁的导热系数,W/(mm·K);Tw,Tg,Tvap表示分别表示壁温,烟气温度,工质温度,k;r1,r2表示分别表示管道外径和内径,mm。
基于上述传热公式推导得出的过热器管壁温度与氧化膜厚度关系式为:
式中,Tw1表示管道外壁温,k;Tw3表示氧化膜内表面温度,k;δ′表示氧化膜厚度,m;r2表示管子直径,m;r1表示管子外径,m;λ1,λ2表示金属管壁材质和氧化膜的导热系数,W/(m·K)。
S2.2.3:将壁温增加量与时间的关系式量化为劣化度量。基于实验结论以及上述的过热器管壁温度与氧化膜厚度关系式可得氧化膜厚度在0~0.2mm时,过热器管壁温度与氧化膜厚度的关系呈线性:(且由于会定期进行酸洗和吹管,绝大部分情况下过热器管壁内氧化膜厚度不会超过0.2mm,因此将过热器管壁温度与氧化膜厚度的关系近似为线性)。
S2.2.4:设置劣化函数,将管壁温度转化为劣化度。以氧化膜厚度δ′代替管壁温度进行劣化处理得到劣化度f(δ′),将该劣化度作为氧化膜导致壁温变化的指标,其中,劣化函数为:
式中,δ′min=0mm,δ′max=0.2mm。
S2.2.5:将清洁因子CF(锅炉炉膛积灰结焦污染程度)量化为。其中,清洁因子的表达式为:
式中,K1为锅炉受热面实际传热系数,K0为锅炉受热面理论传热系数。
实际传热系数K1计算公式如下:
式中,qy为流经受热面的烟气所释放的热量;ΔTm为对数换热平均温差;A为受热面积。
S2.2.6:设置劣化函数,将清洁因子转化为劣化度。劣化函数如下:
式中,CFmin=0,CFmax=1。
S2.2.7:确定量化层权重。使用AHP层次分析法,结合多名专家的经验打分结果最终确定氧化膜厚度及清洁因子这两个因素对过热器壁温影响程度的权重[b1,b2],结合两个因素的劣化函数作为锅炉污灰模型的最终输出,锅炉污灰模型输出w2的计算公式如下:
S2.3建立烟温偏差模型。锅炉内烟气残余旋转会导致烟温产生偏差,进而引发过热器超温爆管。通过计算旋流数可以表征烟气残余旋转强度进而量化其对壁温的影响。
在本实施例中,建立烟温偏差模型的方法包括如下步骤:
步骤S2.3.1推导出炉膛出口烟气残余旋转强度公式(用旋流数计算公式表示)作为评价烟温偏差值的指标。根据燃烧空气动力学的旋流数理论分析推导出整个切向燃烧系统的旋流数Sw的公式如下:
式中,Mh表示每层喷咀的质量流量,Vh表示喷咀速度,Vv表示气流垂直方向速度,RF表示燃烧切圆半径,RH表示炉膛水力学半径,Mv表示该层喷咀处垂直方向质量流量(以下各层喷咀流量之和),Swi表示每层喷咀旋流数。
S2.3.2:设置劣化函数,将燃烧系统旋流数转化为劣化度。劣化函数如下:
式中,当Sw<0.2时,烟气残余旋转属于弱旋流,此时旋流对烟温偏差的影响可以忽略不计。
S2.3.3:将步骤S2.3.4求出的劣化度近似看作烟温偏差模型对过热器温度影响的评价指标,即该模型输出w3=f(Sw)。
S2.4:建立煤质评价模型。结合煤粉过细和水分含量过低时会使得燃烧中心上移进而导致过热器超温的现状,结合电厂设计煤种要求和实际生产过程中的情况,通过设定劣化度函数将煤粒度和水分转化为劣化度,从而表征其对管壁温度的影响程度。
在本实施例中,建立煤质评价模型的方法包括如下步骤:
S2.4.1:实时采集电厂当前正在燃烧的混煤的两个最主要导致过热器超温的特征值:煤粒度Rx和水分Mx,其中Rx以低于设计煤种要求的煤粉直径的煤粉比例表示。
S2.4.2:通过劣化度函数将煤粒度Rx和水分Mx这两个数值转化为劣化度量,劣化度函数如下:
/>
式中,R0—电厂设计要求1mm以下最大的煤粉比例,一般取Rx=30%;Mm表示开始导致悬浮燃烧的煤粉含水量,一般取Mm=0.6%。
S2.4.3:确定量化层权重。使用AHP层次分析法,结合多名专家的经验打分结果最终确定煤粒度和水分这两个因素对过热器壁温影响程度的权重[d1,d2],结合两个因素的劣化函数作为煤质评价模型的最终输出,煤质评价模型输出w4的计算公式如下:
S2.5:建立时间劣化模型。以浴盆曲线作为评价过热器失效的指标,其失效过程分为三个阶段:早期失效期(设备刚使用时故障率较高)、偶然失效期(设备经过磨合,故障率低运行稳定)、耗损失效期(老化导致故障率逐步升高),基于上述思想建立符合过热器的失效率函数,作为量化时间对过热器超温故障的影响指标。
在本实施例中,建立时间劣化模型的方法包括如下步骤:
S2.5.1:基于浴盆曲线的思想建立过热器设备的失效率函数。选取改进的威布尔分布作为建立浴盆形失效率函数,其中,改进的威布尔分布的分布函数F(t)和故障率函数h(t)如下:
其中,α、β、λ为待定系数,均为非负数。
S2.5.2:通过极大似然法估计符合过热器的模型参数值。为计算便捷,对步骤S2.5.1的参数进行如下变化:
获取国内外所有可收集的电厂过热器发生超温故障时过热器已经运行的时间t1,t2,…,tn,以T=[t1,t2,…,tn]作为样本数据,向量Φ=(q,b,c)表示3个待定参数的向量,极大似然函数为:
上式L(Φ;T)分别对参数q,b,c求一阶偏导,使偏导等于零的参数值即为极大似然估计值,相应的极大似然方程组如下所示:
通过上式求解得到参数值,即可求出最终的浴盆形失效率函数h(t)。
S2.5.3:设置劣化度函数,通过劣化度函数将失效率函数h(t)转化为劣化度量,劣化度函数如下:
式中,h0—依据h(t)计算的t=0时的失效率,h1—依据h(t)计算的偶然失效期的失效率值。
即可得到时间劣化模型的输出w5=f[h(t)]。
S2.6建立低负荷模型。当锅炉处于低负荷阶段时,会导致蒸汽流速下降,无法及时带走管壁的热量导致超温,因此通过检测实时蒸汽流量结合热力学公式作为评价此时低负荷对壁温的影响程度。
更进一步的,最终建立综合评价的因素集U,因素集U有两层,包括:
U={u1,u2,…,u6}为第一层次(即最高层次)中6个因素,ui由第二层次中的n个因素决定,即Ui={ui1,ui2,…,uin},i=1,2,…,6。其中,u1为基于GMM的过热器健康状态监测模型,u2为锅炉灰污模型,u3为烟温偏差模型,u4为煤质评价模型,u5为时间劣化模型,u6为低负荷模型。u11为健康衰退指数均值,u12为健康衰退指数标准差,u13为健康衰退指数信息熵;u21为过热器内壁氧化皮厚度,u22为过热器内壁清洁因子变化率;u31为切向燃烧系统的旋流数;u41为煤粒度,u42为水分,u43为挥发分;u51为过热器总运行时长;u61为蒸汽流量。
在本实施例中,建立低负荷模型的方法包括如下步骤:
步骤S2.6.1以过热器管道蒸汽侧对流换热系数hs作为评价蒸汽流量的指标,其中,对流换热系数hs的经验公式如下:
式中,λs表示蒸汽导热系数(W/(m〃K));d表示管道内直径(m);Ct表示温度修正系数,当壁温与工质温度相近时为1;Cl表示相对长度修正系数,若l/d≥50时为1,l是管子长度;Ck表示受热面修正系数,若外、内壁同时受热时为1;ms表示蒸汽质量流量(kg/s);μs表示蒸汽动力粘度(μPa·s);Cps表示工质比热容(J/(kg·K))。
步骤S2.6.2设置劣化度函数,通过劣化度函数将对流换热系数hs转化为劣化度量,劣化度函数如下:
式中,hmax表示锅炉额定功率下蒸汽质量流量;Pmax表示锅炉额定功率。
即可得到低负荷模型的输出w6=f(hs)。
S3:确定模糊综合评价模型的评价集和隶属度函数;
更进一步的,模糊评价模型第一步计算即为获得对各评价因素的隶属度,将步骤S3获得的模型输出的劣化度指标w1~w6通过隶属度函数转化为各自的评价集,而评价集是运维人员获取此刻过热器健康状况的重要依据,而最重要的步骤就是确定适合于评价过热器超温的隶属度函数。
在本实例中,通过建立四级评价,构建评价集V={v1,v2,v3,v4},其中,v1为健康,v2为一般,v3为预警,v4为故障。基于相关故障数据分析以及专家经验,选取正态分布函数作为模糊隶属度计算函数,所述评价隶属度函数如下:
基于隶属度函数对各个因素集模型输出的劣化度指标计算可获得6个评价集矩阵Vi=[v1i,v2i,v3i,v4i],其中i取1~6。
S4:结合主观赋值法与客观赋值法确定权重,将六个因素集模型结合建立最终的模糊综合评价模型;
更进一步的,完成了因素集模型建立以及隶属度函数选择后,接下来就是建立模型,在前面的步骤中,分别基于数据和故障机理构建出了六个模型,这六个模型对过热器健康检测起到了相辅相成、优势互补的作用。因此接下来就需要基于模糊综合评价的理论将上述六个模型相结合,得出可量化的过热器健康度量法则,改善评价效果,为运维人员提供过热器健康度监测与故障的预警,辅助人力做出设备故障检查等决策。
在本实施例中,建立时间劣化模型的方法包括如下步骤:
S4.1:基于步骤S3得到的隶属度函数对各个因素集模型输出的劣化度指标wi计算可获得6个评语集矩阵Vi=[v1i,v2i,v3i,v4i],其中i取1~6。
S4.2:为了保持各输出矩阵Vi量纲统一,将上述输出矩阵Vi内的元素进行归一化处理,归一化处理公式如下:
S4.3:基于上述6个评语集矩阵建立模糊综合评价矩阵R,最终模糊评价矩阵如下:
S4.4:确定因素集权重:因素权重决定了次级评价因素对上一级因素做出了多少贡献。在模糊综合评价中,各评判因素权重对最终评判结果影响很大,是构建模糊综合评价模型的重点与难点。
更进一步的,本实例选用组合法确定权值,最终计算的权重为主观赋值与客观赋值相加取平均值,其目的在于使这两种方法优势互补的同时增强其准确性。主观赋值通过专家经验决定,通过使用AHP层次分析法,结合多名专家的经验打分结果最终确定上述六个模型对壁温影响的权重为A1=[a1,a2,a3,a4,a5,a6]。
更进一步的,客观赋值的权重根据其评价集隶属度的熵值决定,即采用熵权法进行计算。客观赋值法计算步骤如下:
步骤1:将评语集矩阵Vi作为熵权法的评价指标构造的水平矩阵,再将水平矩阵组合,最终得到的计算熵值的矩阵即为步骤S4.3求得的矩阵R(矩阵R在步骤S4.2中已经进行了标准化处理)。
步骤2:计算每个指标得到熵值
步骤3:计算第j个指标的熵权aj,计算公式如下:
将aj整合即可获得权重矩阵
步骤4:将客观权重和主观权重结合得出综合权重矩阵。本实例采用求取客观权重和主观权重平均值的方法进行整合,即可得到最终综合权重矩阵
步骤S4.5:将上述模糊评价矩阵R结合步骤S2获得的因素集权重A,即可求得模糊综合评价模型最终的输出,基于此输出向运维人员提供过热器健康度监测与故障的预警的判断依据,最终模型输出的计算公式如下:
B=A·R=[b1,b2,b3,b4]
步骤S4.6:分析模型输出结果。本实施例基于最大隶属度原则对模型输出进行分析,即通过比较得出矩阵B中最大元素所属的评价等级,即当b1最大,此时过热器健康状态为“健康”;当b2最大,此时过热器健康状态为“一般”;当b3最大,此时过热器健康状态为“预警”;当b4最大,此时过热器健康状态为“故障”。
S5:基于最大隶属度原则分析模型的输出结果,获取过热器实时健康状态预测,最终实现对过热器超温的故障预警。
本实施例还提供一种基于模糊综合评价模型的过热器超温预警系统,包括:
构建模块,基于故障发生原因构建模糊综合评价的因素集;
建模模块,通过机理建模和数据建模两种方式构建六个因素集模型;
确定模块,确定模糊综合评价模型的评价集和隶属度函数;
结合模块,结合主观赋值法与客观赋值法确定权重,将六个因素集模型结合建立最终的模糊综合评价模型;
获取模块,基于最大隶属度原则分析模型的输出结果,获取过热器实时健康状态预测,最终实现对过热器超温的故障预警。
更进一步的,还包括:
存储器,用于存储程序;
处理器,用于加载所述程序以执行所述的基于模糊综合评价模型的过热器超温预警方法。
本实施例还提供一种计算机可读存储介质,其存储有程序,所述程序被处理器执行时,实现所述的基于模糊综合评价模型的过热器超温预警方法。
本实施例提出的存储介质与上述实施例提出的基于模糊综合评价模型的过热器超温预警方法属于同一发明构思,未在本实施例中详尽描述的技术细节可参见上述实施例,并且本实施例与上述实施例具有相同的有益效果。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(ReadOnly,Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例的方法。
实施例2
参照图4-7,为本发明的一个实施例,提供了一种基于模糊综合评价模型的过热器超温预警方法,为了验证其有益效果,通过具体的实施方式以及实施效果进行科学论证。
本实施例具体如下,
以石洞口二厂2020年10月23日至2020年10月25日两天的数据对模型的准确性进行验证(2020年10月25日后屏过热器发生超温较严重的现象),最终模型输出的评价结果为“健康”、“一般”、“预警”“故障”所对应的概率变化情况分别如图4、图5、图6、图7所示。图中所示的信息包括:在过热器超温发生前2天,“健康”概率曲线就以振荡衰减的形式开始下降了;“预警”概率曲线在2020年10月25日凌晨前处于平稳振荡状态,凌晨一点零八分开始大幅上升,随后再度下降,即“预警”概率大于50%的时间比实际超温时间提前了6个小时;“故障”概率曲线在10月25日七点开始大幅上升,和实际后屏过热器发生超温实时间相吻合。因此,本模型可以较好地实现过热器的超温预警。
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 (9)
1.一种基于模糊综合评价模型的过热器超温预警方法,其特征在于,包括:
基于故障发生原因构建模糊综合评价的因素集;
通过机理建模和数据建模两种方式构建六个因素集模型;
确定模糊综合评价模型的评价集和隶属度函数;
结合主观赋值法与客观赋值法确定权重,将六个因素集模型结合建立最终的模糊综合评价模型;
基于最大隶属度原则分析模型的输出结果,获取过热器实时健康状态预测,最终实现对过热器超温的故障预警;
所述的通过机理建模和数据建模两种方式构建六个因素集模型包括以下步骤:
将锅炉运行工况分成三类,基于过热器历史相关的正常运行数据分别构建基于高斯混合的过热器健康状态监测模型;
将基于氧化膜生长厚度公式和对流换热传热公式建立的量化壁温升高模型和基于设定的清洁因子计算公式建立的量化锅炉积灰结焦模型结合构建灰污模型;
通过计算旋流数量化烟气残余旋转强度对过热器壁温的影响,构建烟温偏差模型;
通过实时监测煤种的煤粒度和水分含量构建煤质评价模型;
建立适合评价过热器失效率的浴盆曲线来从时间的角度构建时间劣化模型;
针对过热器低负荷易超温的特性,通过低负荷量化为炉管的蒸汽流速构建低负荷模型。
2.如权利要求1所述的基于模糊综合评价模型的过热器超温预警方法,其特征在于:所述构建基于高斯混合的过热器健康状态监测模型包括以下步骤:
对火电机组的历史正常运行数据进行采集;
选取以1min为采集间隔的实际运行相关变量数据作为训练样本,得到升负荷、稳定负荷、降负荷三个数据集,并分别训练各自的高斯混合模型;
采用灰色关联度分析法对数据集的多个特征进行重要性度量,计算出列举出的特征的关联度,设定关联度阈值为0.7,将计算得出的关联度大于阈值的特征进行提取。
3.如权利要求1或2所述的基于模糊综合评价模型的过热器超温预警方法,其特征在于:所述构建基于高斯混合的过热器健康状态监测模型,设置劣化函数,将均值N1、标准差N2和信息熵N3转化为劣化度;劣化函数表示为:
式中,N1min、N2min、N3min表示截取某段故障数据带入GMM模型得出的平均健康衰退指数均值、标准差、信息熵;N1max、N2max、N3max表示截取某段正常工况下数据的平均健康衰退指数均值、标准差、信息熵。
4.如权利要求3所述的基于模糊综合评价模型的过热器超温预警方法,其特征在于:所述确定模糊综合评价模型的评价集和隶属度函数表示为:
其中,i取1~6;wi代表6个因素集模型的劣化度输出;v1i、v2i、v3i、v4i分别代表评价指标为健康、一般、预警以及故障的隶属度函数。
5.如权利要求4所述的基于模糊综合评价模型的过热器超温预警方法,其特征在于:所述将六个因素集模型结合建立最终的模糊综合评价模型包括以下步骤:
基于确定的隶属度函数对各个因素集模型输出的劣化度指标计算获得6个评语集矩阵;
将所述评语集矩阵内的元素进行归一化处理,使每个矩阵内各元素之和为1;
将已经确定的因素集权重和所述6个评语集矩阵结合得到最终模型输出。
6.如权利要求5所述的基于模糊综合评价模型的过热器超温预警方法,其特征在于:所述确定因素集权重的方法是基于组合法确定各因素权值,最终计算组合权重方法是将主观权重与客观权重相加取平均值,其中主观权重基于专家经验获得,客观权重则是基于熵权法计算。
7.一种基于模糊综合评价模型的过热器超温预警系统,其特征在于:
构建模块,基于故障发生原因构建模糊综合评价的因素集;
建模模块,通过机理建模和数据建模两种方式构建六个因素集模型;
确定模块,确定模糊综合评价模型的评价集和隶属度函数;
结合模块,结合主观赋值法与客观赋值法确定权重,将六个因素集模型结合建立最终的模糊综合评价模型;
获取模块,基于最大隶属度原则分析模型的输出结果,获取过热器实时健康状态预测,最终实现对过热器超温的故障预警。
8.一种电子设备,其特征在于,包括:
存储器,用于存储程序;
处理器,用于加载所述程序以执行如权利要求1-7任一项所述的基于模糊综合评价模型的过热器超温预警方法。
9.一种计算机可读存储介质,其存储有程序,其特征在于,所述程序被处理器执行时,实现如权利要求1-7任一项所述的基于模糊综合评价模型的过热器超温预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310868883.7A CN117150879B (zh) | 2023-07-14 | 2023-07-14 | 一种基于模糊综合评价模型的过热器超温预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310868883.7A CN117150879B (zh) | 2023-07-14 | 2023-07-14 | 一种基于模糊综合评价模型的过热器超温预警方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117150879A CN117150879A (zh) | 2023-12-01 |
CN117150879B true CN117150879B (zh) | 2024-04-09 |
Family
ID=88883055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310868883.7A Active CN117150879B (zh) | 2023-07-14 | 2023-07-14 | 一种基于模糊综合评价模型的过热器超温预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117150879B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0244119A (ja) * | 1988-08-02 | 1990-02-14 | Tokyo Electric Power Co Inc:The | ボイラの最適燃焼制御方法 |
CN107103421A (zh) * | 2017-04-21 | 2017-08-29 | 江苏省特种设备安全监督检验研究院南通分院 | 工业锅炉节能方案的综合评价体系及其构建方法 |
CN109977477A (zh) * | 2019-02-28 | 2019-07-05 | 清华大学 | 基于改进模糊层次分析的电站锅炉过热器健康状态评估法 |
CN110427015A (zh) * | 2019-08-02 | 2019-11-08 | 广东职业技术学院 | 一种锅炉余热爆炸故障诊断分析方法 |
CN112330179A (zh) * | 2020-11-17 | 2021-02-05 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种基于改进熵权法的配煤掺烧模糊综合评价方法 |
CN112464565A (zh) * | 2020-12-01 | 2021-03-09 | 国网江苏省电力有限公司 | 融合智能建模及模糊规则的设备故障预警方法、系统及存储介质 |
-
2023
- 2023-07-14 CN CN202310868883.7A patent/CN117150879B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0244119A (ja) * | 1988-08-02 | 1990-02-14 | Tokyo Electric Power Co Inc:The | ボイラの最適燃焼制御方法 |
CN107103421A (zh) * | 2017-04-21 | 2017-08-29 | 江苏省特种设备安全监督检验研究院南通分院 | 工业锅炉节能方案的综合评价体系及其构建方法 |
CN109977477A (zh) * | 2019-02-28 | 2019-07-05 | 清华大学 | 基于改进模糊层次分析的电站锅炉过热器健康状态评估法 |
CN110427015A (zh) * | 2019-08-02 | 2019-11-08 | 广东职业技术学院 | 一种锅炉余热爆炸故障诊断分析方法 |
CN112330179A (zh) * | 2020-11-17 | 2021-02-05 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种基于改进熵权法的配煤掺烧模糊综合评价方法 |
CN112464565A (zh) * | 2020-12-01 | 2021-03-09 | 国网江苏省电力有限公司 | 融合智能建模及模糊规则的设备故障预警方法、系统及存储介质 |
Non-Patent Citations (4)
Title |
---|
协同能效与NO_x排放的锅炉系统综合评价模型研究;阎晟彤;顾晨恺;李瑞阳;郁鸿凌;金晶;;锅炉技术;20200528(第03期);全文 * |
基于模糊评价理论对层燃工业锅炉综合性能的研究与分析;胡琬;郁鸿凌;杨东伟;;能源研究与信息;20200315(第01期);全文 * |
基于热力性能机理模型与模糊综合评价的锅炉受热面吹灰优化;仝营;彭梁;钟崴;童水光;;热力发电;20150225(第02期);全文 * |
数据驱动的燃煤发电机组可控参数运行优化方法;王伟;常浩;王宝玉;;计算机与应用化学;20131028(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117150879A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111339716B (zh) | 一种锅炉高温烟气流场在线代理模型构建方法 | |
WO2023065719A1 (zh) | 一种锅炉炉膛数值模拟与水动力协同集成计算方法 | |
WO2013091487A1 (zh) | 电站锅炉高温管系炉内动态壁温监测的方法 | |
CN103759277A (zh) | 燃煤电站锅炉智能吹灰闭环控制方法、装置和系统 | |
CN113011010A (zh) | 基于结构机理和运行数据的锅炉故障诊断方法及诊断系统 | |
CN112283689A (zh) | 燃煤电站锅炉受热面积灰在线监测系统及其检测方法 | |
CN110207094B (zh) | 基于主成分分析的iqga-svr锅炉受热面沾污特性辨识方法 | |
CN112381210B (zh) | 一种燃煤机组水冷壁壁温预测神经网络模型 | |
CN115656461A (zh) | 一种基于煤质软测量的煤电机组实时碳排放量监测方法 | |
CN112150024A (zh) | 一种综合能源系统多场景能效评估方法 | |
CN117150879B (zh) | 一种基于模糊综合评价模型的过热器超温预警方法及装置 | |
CN115685743A (zh) | 一种智能控制燃煤锅炉及其智能预测调控烟气排放方法 | |
CN108021027B (zh) | 一种超临界循环流化床机组输出功率预测系统及方法 | |
CN116776770B (zh) | 基于cfd数值模拟耦合bp神经网络缓解锅炉高温腐蚀的方法 | |
CN109325294B (zh) | 一种火电机组空气预热器性能状态的证据表征构建方法 | |
CN112653180A (zh) | 一种风火储联合系统环境经济调度方法及系统 | |
Li et al. | Prediction of pollution state of heating surface in coal-fired utility boilers | |
CN111242279A (zh) | 一种超超临界煤粉锅炉炉膛结渣预测系统及方法 | |
CN112348696B (zh) | 基于bp神经网络的供热机组调峰上限评估方法及系统 | |
CN113507111B (zh) | 基于盲数理论的规划目标年电力盈亏评估方法 | |
CN113946789B (zh) | 一种实时计算四炉三机垃圾焚烧发电厂垃圾焚烧量的方法 | |
CN113297725B (zh) | 一种基于改进ewm法的区域综合能源系统能效评估方法 | |
CN109635341A (zh) | 一种尾部三烟道二次再热锅炉的受压件寿命预测方法 | |
CN113052391B (zh) | 一种锅炉受热面结焦在线预测方法 | |
CN115657466A (zh) | 一种智能控制氨气输入量的锅炉系统 |
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 |