CN117195415A - 一种能效与碳排放诊断方法、系统、电子设备及存储介质 - Google Patents
一种能效与碳排放诊断方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117195415A CN117195415A CN202310929814.2A CN202310929814A CN117195415A CN 117195415 A CN117195415 A CN 117195415A CN 202310929814 A CN202310929814 A CN 202310929814A CN 117195415 A CN117195415 A CN 117195415A
- Authority
- CN
- China
- Prior art keywords
- data
- operation parameter
- energy
- important
- carbon emission
- 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
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 97
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 94
- 238000003745 diagnosis Methods 0.000 title claims abstract description 23
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000012216 screening Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims abstract description 18
- 238000010206 sensitivity analysis Methods 0.000 claims abstract description 17
- 238000004140 cleaning Methods 0.000 claims abstract description 13
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 29
- 230000035945 sensitivity Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 238000002405 diagnostic procedure Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004134 energy conservation Methods 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 10
- 238000005457 optimization Methods 0.000 description 18
- 238000004364 calculation method Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000010276 construction Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000010248 power generation Methods 0.000 description 5
- 238000009776 industrial production Methods 0.000 description 4
- 230000014759 maintenance of location Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000000746 purification Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 239000003245 coal Substances 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012614 Monte-Carlo sampling Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 238000002407 reforming Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000282461 Canis lupus Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002209 hydrophobic effect Effects 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000003303 reheating Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开一种能效与碳排放诊断方法、系统、电子设备及存储介质，属于碳排放分析技术领域。通过对电厂的历史运行参数数据删除异常数据和重复数据，补全缺失数据，舍弃非稳态数据，实现数据清洗；针对参数取舍问题，提出了融合主观经验与客观数据信息的筛选方法，提高了数据精确度；采用机器学习算法，建立了能效与重要运行参数关系模型或碳排放与重要运行参数关系模型；最终通过全局敏感性分析，从全局视角得到各个参数对系统能效或碳排放的影响情况。
Description
技术领域
本发明涉及碳排放分析技术领域，特别是涉及一种能效与碳排放诊断方法、系统、电子设备及存储介质。
背景技术
随着气温的逐年升高和极端天气的频繁发生，碳减排工作的推进已经引起了全世界的关注。
为了控制各行业的碳排放，势必需要一种能够诊断生产活动中产生的碳排放与重要设备运行参数相关性的方法，进而能在此基础上通过针对性地参数调控实现节能减碳。以石化、印染、火电厂等为例，均是一个庞大的系统，通常伴随着多设备、多过程、多参数的特点。同时，受制于有限的测点数目和有待发展的测量技术，所记录运行数据的测量精度也有待提升。使用传统的物理学方法进行模拟计算时，数据精确度要求高，计算量大，步骤繁多，且难以处理包含复杂非线性关系的问题。鉴于此，在遵循原有发电运行机理的基础上，引入大数据和人工智能等新技术，是对发电参数与系统能效或碳排放进行相关性的分析、评估和诊断的更完善的方式。在这个背景下，需要研究能够清洗数据中的重复值与异常值，合理筛选保留运行参数，拟合参数间非线性关系等功能，且最大化利用电厂的历史运行数据的模型与方法。
发明内容
本发明的目的是提供一种能效与碳排放诊断方法、系统、电子设备及存储介质，可提高数据精确度，并从全局视角分析能效和碳效。
为实现上述目的，本发明提供了如下方案：
一种能效与碳排放诊断方法，包括：
收集电厂的历史运行参数数据，并确定历史运行参数数据对应的能源量；所述能源量为能效或碳排放量；
删除所述历史运行参数数据中的异常数据和重复数据，补全缺失数据，同时舍弃非稳态数据，获得清洗后的历史运行参数数据；
采用最大化兼有保留客观信息与主观经验的融合筛选法筛选清洗后的历史运行参数数据，选出影响能源量的重要历史运行参数数据；
将重要历史运行参数数据作为输入，重要历史运行参数数据对应的能源量作为输出，采用机器学习算法，建立能源量与重要运行参数关系模型；所述能源量与重要运行参数关系模型为能效与重要运行参数关系模型，或碳排放与重要运行参数关系模型；
对能源量与重要运行参数关系模型进行全局敏感性分析，获得表征各个重要运行参数对能源量影响程度的全局敏感性指数大小；
根据表征各个重要运行参数对能源量影响程度的全局敏感性指数大小，确定电厂在节能减碳时参数调整的优先级。
可选地，删除所述历史运行参数数据中的异常数据和重复数据，补全缺失数据，同时舍弃非稳态数据，具体包括：
采用滑动窗口法定位并删除所述历史运行参数数据中的异常数据和重复数据；
采用线性插值法补全连续采集阶段的缺失数据；
选取反应机组稳态的运行参数，作为指示参数；
根据机组稳态判别原则，舍弃指示参数在连续采集过程中与前后相邻点的变动超过正负5％的数据。
可选地，采用最大化兼有保留客观信息与主观经验的融合筛选法筛选清洗后的历史运行参数数据，选出影响能源量的重要历史运行参数数据，具体包括：
确定各个清洗后的历史运行参数的客观贡献度；
采取层次分析法，获得各个清洗后的历史运行参数的主观权重；
将各个清洗后的历史运行参数的主观权重与客观贡献度相乘，获得各个清洗后的历史运行参数的重要度指示分数；
选取与最高重要度指示分数的差值小于或等于差值阈值的重要度指示分数，并将选取的重要度指示分数所对应的清洗后的史运行参数作为影响能源量的重要历史运行参数数据。
可选地，确定各个清洗后的历史运行参数的客观贡献度，具体包括：
将各个清洗后的历史运行参数为输入，各个清洗后的历史运行参数对应的能效或碳排放量为输出，训练随机森林模型；
计算训练随机森林模型过程中各个清洗后的历史运行参数对应的基尼系数，作为各个清洗后的历史运行参数的客观贡献度。
可选地，所述机器学习算法为群智能算法优化的支持向量回归法。
一种能效与碳排放诊断系统，包括：
数据收集模块，用于收集电厂的历史运行参数数据，并确定历史运行参数数据对应的能源量；所述能源量为能效或碳排放量；
数据清洗模块，用于删除所述历史运行参数数据中的异常数据和重复数据，补全缺失数据，同时舍弃非稳态数据，获得清洗后的历史运行参数数据；
融合筛选模块，用于采用最大化兼有保留客观信息与主观经验的融合筛选法筛选清洗后的历史运行参数数据，选出影响能源量的重要历史运行参数数据；
模型建立模块，用于将重要历史运行参数数据作为输入，重要历史运行参数数据对应的能源量作为输出，采用机器学习算法，建立能源量与重要运行参数关系模型；所述能源量与重要运行参数关系模型为能效与重要运行参数关系模型或碳排放与重要运行参数关系模型；
全局敏感性分析模块，用于对能源量与重要运行参数关系模型进行全局敏感性分析，获得表征各个重要运行参数对能源量影响程度的全局敏感性指数大小；
优先级确定模块，用于根据表征各个重要运行参数对能源量影响程度的全局敏感性指数大小，确定电厂在节能减碳时参数调整的优先级。
一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的能效与碳排放诊断方法。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如上述的能效与碳排放诊断方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开一种能效与碳排放诊断方法、系统、电子设备及存储介质，通过对电厂的历史运行参数数据删除异常数据和重复数据，补全缺失数据，舍弃非稳态数据，实现数据清洗；针对参数取舍问题，提出了融合主观经验与客观数据信息的筛选方法，提高了数据精确度；采用机器学习算法，建立了能效与重要运行参数关系模型或碳排放与重要运行参数关系模型；最终通过全局敏感性分析，从全局视角得到各个参数对系统能效或碳排放的影响情况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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他的附图。
图1为本发明实施例提供的一种能效与碳排放诊断方法的流程图；
图2为本发明实施例提供的一种能效与碳排放诊断方法的简要过程图；
图3为本发明实施例提供的保留变量的建模贡献度总得分示意图；
图4为本发明实施例提供的各负荷区间下全局敏感性分析排序结果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术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，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明实施例提供了一种能效与碳排放诊断方法，包括：
步骤1：收集电厂的历史运行参数数据，并确定历史运行参数数据对应的能源量；所述能源量为能效或碳排放量。
该步骤对应图2中的①。能效或碳排放量通过实测或计算得到。
步骤2：删除所述历史运行参数数据中的异常数据和重复数据，补全缺失数据，同时舍弃非稳态数据，获得清洗后的历史运行参数数据。
首先针对所测得的某系统设备相关运行数据中存在的缺失的、异常的和重复的测量值，采取相应的措施进行处理。例如用线性插值法完成对连续采集阶段缺失测量值的补全，采用滑动窗口法定位并剔除异常和重复测量值，完成对数据的清洗。
对在连续采集过程中与前后相邻点的两个主要指示参数变动过大的(超过正负5％)采样点，认为其不能代表设备稳态运行的状况，舍弃该采样点数据。至此完成对初始数据的提纯重整。
该步骤对应图2中的②。
步骤3：采用最大化兼有保留客观信息与主观经验的融合筛选法筛选清洗后的历史运行参数数据，选出影响能源量的重要历史运行参数数据。
为了使得建模重点聚焦并提升效率，对经提纯重整过后，包含较多类别的运行参数数据进行筛选工作，选出对碳排放最为重要的若干参数进行保留。为了使得筛选结果更为合理，采用最大化兼有保留客观信息与主观经验的融合筛选法。
首先，对于客观信息的保留，采用特征筛选法，例如使用随机森林算法等，将数据用于训练关联模型，各个运行参数为模型输入，输出为历史能效或碳排放测量数据，通过计算训练模型过程各个运行参数对应的基尼系数，该系数表征了其对于模型产生准确结果的客观贡献度，能够表示该类数据的保留价值。
其次，将专业人员的运行维护知识进行量化，以评价参数之间的相对重要程度。例如采取层次分析法等，结合变量间相对重要程度构建判断矩阵，通过计算矩阵的最大特征值的特征向量，该向量的各个元素即对应各个参数的主观权重值。
最后，将主观权重与客观贡献度相乘，可以得出参数的重要度指示分数，该分数的高低表明参数在构建数据叠层优化模型中的保留价值大小，当与排名第一的得分差距大于10％时，即可认为该类别没有保留价值，连同排在其后的一同舍弃。
该步骤对应图2中的③。
步骤4：将重要历史运行参数数据作为输入，重要历史运行参数数据对应的能源量作为输出，采用机器学习算法，建立能源量与重要运行参数关系模型；所述能源量与重要运行参数关系模型为能效与重要运行参数关系模型或碳排放与重要运行参数关系模型。
鉴于碳排放与工业生产设备的运行参数间有非线性的复杂的相关关系，难以通过一般的数学公式表达。因此本方法引入机器学习的算法描述这种隐含关系。将经步骤2筛选后的数据中运行参数测量值作为算法实施的输入，对象实测所得的能耗效率(能耗)与碳排放相关的数据作为输出进行模型训练。
通过如灰狼算法等群智能方法优化的支持向量回归法，优化模型搭建过程中涉及的参数的搜索与选取，此步骤所建立的关系也是诊断方法实施的媒介。
该步骤对应图2中的④。步骤2至步骤4构成图2中的数据叠层优化过程。
步骤5：对能源量与重要运行参数关系模型进行全局敏感性分析，获得表征各个重要运行参数对能源量影响程度的全局敏感性指数大小。
由于上述步骤1至步骤4基于支持向量回归所建立的特征参数与碳排放量之间的关系，无法用简单的公式进行表达，故利用全局敏感性分析的思路，通过蒙特卡洛取样，能够与数据叠层模型直接衔接，进而诊断各个运行参数对于系统能效或碳排放的影响程度大小。分析结果中各个运行参数的全局敏感性指数大小表征其对系统能效或碳排放影响程度。
该步骤对应图2中的⑤以及全局诊断过程。
步骤6：根据表征各个重要运行参数对能源量影响程度的全局敏感性指数大小，确定电厂在节能减碳时参数调整的优先级。
根据全局敏感性指数大小得出运行时参数调整的优先级，从而指导运维人员考虑节能减碳时所制定的工作方案。
该步骤对应图2中的⑥。
本发明提供的能效与碳排放诊断方法不仅仅适用于电厂，而是适用于高耗能与高碳排放的工业生产系统与过程。
本发明主要的技术效果如下：能够诊断工业生产系统中若干运行参数与碳排放量的影响程度大小，便于在该结果基础上调整生产方案。本发明取得的主要创新性成果总结如下：1)本发明中的数据叠层优化模型整合了数据提纯重整、特征参数体系构建与关联模块搭建的功能，各部分功能连贯执行，高效准确。2)针对数据叠层优化建模中的参数取舍问题，提出了融合主观经验与客观数据信息的筛选方法；3)提出了将数据叠层优化模型与全局敏感性分析联合的分级诊断方式。考虑分析对象的相互作用的基础上，从全局视角分析出各个参数对系统能效或碳排放的影响情况。
在实际应用中，上述能效与碳排放诊断方法的一个更为具体的实现过程如下：
收集到某600MW亚临界电厂的运行数据，该机组采用的是一次再热型控制循环汽包炉，反动凝结式汽轮机。以对其碳排放情况诊断为例，初步选取的相关特征参数中包括负荷、主汽参数、凝汽器参数等，对涉及锅炉侧、汽轮机本体、回热系统、风烟系统等主辅机系统对应的历史运行数据进行分析。
S1：数据提纯重整。首先将对数据中的重复值与异常值进行定位与删除，对连续采集的阶段数据中的缺失值进行插值补全。之后，根据机组稳态判别原则，对主蒸汽参数和机组负荷在10个采集点范围内波动超过5％的数据进行舍弃，以保留更能反映机组一般状态的稳态运行数据。
特别的，火电厂无法直接测得碳排放的数值，考虑到火电厂碳排放的来源主要为燃煤的消耗，因此根据公式，采集火电厂发电煤耗进行碳排放值的换算。为了合理估算火电厂碳排放Ce，根据政府间气候变化专门委员会(IPCC)，火电厂碳排放因子Ct可设为0.67t/TCE，Cc为火电厂煤耗量。碳排放量Ce可由式(1)计算。
S2：特征参数体系构建。以采取随机森林法为例，将数据根据碳排放高低平均将对应历史运行数据分为五个等级，将发电运行参数的数据作为模型输入，碳排放等级作为模型输出，最大决策树生成数目设为1000，代入基于基尼系数的随机森林建模贡献度计算。根据计算结果，最终保留基尼指数在0.01以上的参数类型，代表其对能得出合理结果的贡献度位于较高水平，可以认为这些变量具有较高的保留价值。
之后进行层次分析法主观权重的计算，特别地，针对采集到数据的特征，若将所有参数之间进行两两比较则结果缺乏可解释性与可操作性，故根据实际的情况将其分为效益评估指标，运行监控指标和运行调整指标三类，根据大类的层次分析结果，对所属该分类下的各类参数赋予相同的权重。详细分类标准如下：
效益评估指标是指根据原始采集的数据经过再次计算得出的效率类的性能评估指标主要包括：高压缸效率、调节级效率等。
运行监控指标是各系统中不可实时调整的，但可实时反馈以防其数据异常的指标，主要包括：加热器、凝汽器的端差，各级抽气的温度、压力，疏水的相关参数及管路中的压损等。
运行调整指标是指在电厂运行过程中根据实际情况进行调整的指标，主要包括循环水量，凝汽器真空，主蒸汽的流量、压力，炉膛出口氧量，空预器出口氧量，主汽和再热蒸汽的温度，减温水的相关参数等子系统中的可控参数等。
将上述三个类别包含的参数根据表1的准则，在咨询相关专家意见后进行两两比较，评估其相对重要程度。
表1相对重要性量化评判准则
| 重要度量化值 | 含义 |
| 1 | 比较对象同等重要 |
| 3 | 两对象相比，前者稍微重要 |
| 5 | 两对象相比，前者明显重要 |
| 7 | 两对象相比，前者十分重要 |
| 9 | 两对象相比，前者极其重要 |
| 2,4,6,8 | 两对象相比，重要性介于两相邻重要度之间 |
表2指标类别间相对重要度判断结果
| 效益评估指标 | 运行监控指标 | 运行调整指标 | |
| 效益评估指标 | 1 | 1/4 | 1/8 |
| 运行监控指标 | 4 | 1 | 1/3 |
| 运行调整指标 | 8 | 3 | 1 |
将表2所得结果整理为矩阵A，矩阵A所对应的最大特征值λmax＝3.018，该特征值所对应的特征向量为w＝(0.101,0.355,0.929)T，根据该向量中的三个元素值即可得到效益评估指标，运行监控指标，运行调整指标所对应的权重分别为0.101，0.355和0.929。
对所有变量根据随机森林算法计算的建模贡献度排序后，上述的层次分析法对应的权重计算结果赋权，进而得出最终的筛选结果。
S3：关联模块搭建。提取已保存的历史运行数据中运行负荷处于298.276-602.206MW的11885组数据，经过初选后，保留图3所示的20个变量作为模型训练时的输入部分，输出为对应条件下的发电碳排放。为了评判机组在各个负荷情况下的运行情况，根据运行负荷高低的不同，将历史运行数据分为五个区间分别进行建模。为使得训练过程效果更佳，先将数据排列随机打乱后，划分为训练集和测试集，数据量的比例为8：2，训练集包含的数据用于模型的训练，测试集包含的数据用于进行训练完成后模型准确性的验证。此处以群智能算法优化的支持向量回归法进行模块的构建，但也可换用其他适合于具体数据的方法，具体构建步骤如下：
1)对输入的数据进行归一化，便于后续过程的计算；
2)初始化支持向量回归的参数取值范围，种群数目，最大迭代次数和种群个体的最初位置；
3)将支持向量回归的均方误差作为优化过程的目标函数，即适应度函数，计算此时种群个体对应的函数值；
4)计算种群个体距离并更新个体位置，再次计算此时的适应度函数值，若优于第一次则保留此次位置进行迭代寻优；
5)满足最大迭代次数时，保留此时对应的模型参数值，进行支持向量回归及测试，并保留该模型以便之后分析使用；
为了说明优化算法的必要性，以一个负荷区间的数据为例，训练和测试数据保持相同，在同一运行环境下，将使用群智能算法优化的支持向量回归法与未优化的算法分别进行模块搭建，对二者的建模过程进行对比分析。为使得分析更具有说服力，取每个方法将同样的训练数据进行五次训练之后的相关指标结果，再对各项指标进行综合对比分析，二者的具体性能表现如表3所示。
表3不同方法建模性能参数一览
| 平均用时/秒 | 参数1优化结果标准差 | 参数2优化结果标准差 | |
| 未优化 | 6852.70 | 85.86501 | 0.003821 |
| 优化后 | 2163.09 | 1.898889 | 0.000048 |
从表3中可以看出，未采用优化算法进行支持向量回归时，整个过程耗时较长，两个参数的优化结果稳定性差，易导致模型综合性能受影响；而采取了算法优化后，两个参数的优化情况非常稳定，平均用时大大缩短，耗时仅为未优化时的三分之一。
S4：全局敏感性碳排放诊断。利用经S1-S2处理后的对应数据，将建立的关联模块与全局敏感性分析方法相对接，进行参数碳排放相关性诊断。依据全局敏感性分析方法的要求，将对应的重要影响参数进行蒙特卡洛取样，在各个参数历史运行数据范围内各取值10000次，利用其进行全局敏感性指数计算。
图4即为本实施例的诊断结果，途中色块越浅表明该参数对于发电过程的碳排放量影响程度越大，根据不同负荷区间下对应的全局敏感性指数的计算结果可以得出如下的结论：根据上述分析，在对火电厂制定减碳策略时，可在不同负荷区间下，对碳排放影响程度大的参数进行有针对性与优先级地调整，使得机组的减碳潜力得以充分发挥。
本发明提出了一种能够分析工业生产系统能效与碳排放的诊断方法，该诊断方法能够考虑若干运行参数与能效或碳排放量的影响程度大小，生产者能够利用诊断结果调整生产方案，从而有效改善生产过程中的能效或碳排放。本发明提出的数据叠层诊断优化模型包括了数据提纯重整、融合主观经验与历史数据中客观信息的特征参数体系构建与关联模块搭建等功能，提出的诊断方法将数据叠层优化模型与全局敏感性分析相结合，能够量化不同分析对象之间的相互作用，适用范围广泛，分析能效碳效的视角全面，结果可行合理。
为了执行上述实施例对应的方法，以实现相应的功能和技术效果，下面提供一种能效与碳排放诊断系统，包括：
数据收集模块，用于收集电厂的历史运行参数数据，并确定历史运行参数数据对应的能源量；所述能源量为能效或碳排放量。
数据清洗模块，用于删除所述历史运行参数数据中的异常数据和重复数据，补全缺失数据，同时舍弃非稳态数据，获得清洗后的历史运行参数数据。
融合筛选模块，用于采用最大化兼有保留客观信息与主观经验的融合筛选法筛选清洗后的历史运行参数数据，选出影响能源量的重要历史运行参数数据。
模型建立模块，用于将重要历史运行参数数据作为输入，重要历史运行参数数据对应的能源量作为输出，采用机器学习算法，建立能源量与重要运行参数关系模型；所述能源量与重要运行参数关系模型为能效与重要运行参数关系模型或碳排放与重要运行参数关系模型。
全局敏感性分析模块，用于对能源量与重要运行参数关系模型进行全局敏感性分析，获得表征各个重要运行参数对能源量影响程度的全局敏感性指数大小。
优先级确定模块，用于根据表征各个重要运行参数对能源量影响程度的全局敏感性指数大小，确定电厂在节能减碳时参数调整的优先级。
具体的，所述数据清洗模块，具体包括：
删除子模块，用于采用滑动窗口法定位并删除所述历史运行参数数据中的异常数据和重复数据。
补全子模块，用于采用线性插值法补全连续采集阶段的缺失数据。
选取子模块，用于选取反应机组稳态的运行参数，作为指示参数。
舍弃子模块，用于根据机组稳态判别原则，舍弃指示参数在连续采集过程中与前后相邻点的变动超过正负5％的数据。
所述融合筛选模块，具体包括：
客观贡献度确定子模块，用于确定各个清洗后的历史运行参数的客观贡献度。
主观权重获得子模块，用于采取层次分析法，获得各个清洗后的历史运行参数的主观权重。
重要度指示分数获得子模块，用于将各个清洗后的历史运行参数的主观权重与客观贡献度相乘，获得各个清洗后的历史运行参数的重要度指示分数。
重要参数选取子模块，用于选取与最高重要度指示分数的差值小于或等于差值阈值的重要度指示分数，并将选取的重要度指示分数所对应的清洗后的史运行参数作为影响能源量的重要历史运行参数数据。
本发明实施例提供的能效与碳排放诊断系统与上述实施例所述的能效与碳排放诊断方法，其工作原理和有益效果类似，故此处不再详述，具体内容可参见上述方法实施例的介绍。
本发明还提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的能效与碳排放诊断方法。
此外，上述的存储器中的计算机程序通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如上述的能效与碳排放诊断方法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种能效与碳排放诊断方法，其特征在于，包括：
收集电厂的历史运行参数数据，并确定历史运行参数数据对应的能源量；所述能源量为能效或碳排放量；
删除所述历史运行参数数据中的异常数据和重复数据，补全缺失数据，同时舍弃非稳态数据，获得清洗后的历史运行参数数据；
采用最大化兼有保留客观信息与主观经验的融合筛选法筛选清洗后的历史运行参数数据，选出影响能源量的重要历史运行参数数据；
将重要历史运行参数数据作为输入，重要历史运行参数数据对应的能源量作为输出，采用机器学习算法，建立能源量与重要运行参数关系模型；所述能源量与重要运行参数关系模型为能效与重要运行参数关系模型，或碳排放与重要运行参数关系模型；
对能源量与重要运行参数关系模型进行全局敏感性分析，获得表征各个重要运行参数对能源量影响程度的全局敏感性指数大小；
根据表征各个重要运行参数对能源量影响程度的全局敏感性指数大小，确定电厂在节能减碳时参数调整的优先级。
2.根据权利要求1所述的能效与碳排放诊断方法，其特征在于，删除所述历史运行参数数据中的异常数据和重复数据，补全缺失数据，同时舍弃非稳态数据，具体包括：
采用滑动窗口法定位并删除所述历史运行参数数据中的异常数据和重复数据；
采用线性插值法补全连续采集阶段的缺失数据；
选取反应机组稳态的运行参数，作为指示参数；
根据机组稳态判别原则，舍弃指示参数在连续采集过程中与前后相邻点的变动超过正负5％的数据。
3.根据权利要求1所述的能效与碳排放诊断方法，其特征在于，采用最大化兼有保留客观信息与主观经验的融合筛选法筛选清洗后的历史运行参数数据，选出影响能源量的重要历史运行参数数据，具体包括：
确定各个清洗后的历史运行参数的客观贡献度；
采取层次分析法，获得各个清洗后的历史运行参数的主观权重；
将各个清洗后的历史运行参数的主观权重与客观贡献度相乘，获得各个清洗后的历史运行参数的重要度指示分数；
选取与最高重要度指示分数的差值小于或等于差值阈值的重要度指示分数，并将选取的重要度指示分数所对应的清洗后的史运行参数作为影响能源量的重要历史运行参数数据。
4.根据权利要求3所述的能效与碳排放诊断方法，其特征在于，确定各个清洗后的历史运行参数的客观贡献度，具体包括：
将各个清洗后的历史运行参数为输入，各个清洗后的历史运行参数对应的能效或碳排放量为输出，训练随机森林模型；
计算训练随机森林模型过程中各个清洗后的历史运行参数对应的基尼系数，作为各个清洗后的历史运行参数的客观贡献度。
5.根据权利要求1所述的能效与碳排放诊断方法，其特征在于，所述机器学习算法为群智能算法优化的支持向量回归法。
6.一种能效与碳排放诊断系统，其特征在于，包括：
数据收集模块，用于收集电厂的历史运行参数数据，并确定历史运行参数数据对应的能源量；所述能源量为能效或碳排放量；
数据清洗模块，用于删除所述历史运行参数数据中的异常数据和重复数据，补全缺失数据，同时舍弃非稳态数据，获得清洗后的历史运行参数数据；
融合筛选模块，用于采用最大化兼有保留客观信息与主观经验的融合筛选法筛选清洗后的历史运行参数数据，选出影响能源量的重要历史运行参数数据；
模型建立模块，用于将重要历史运行参数数据作为输入，重要历史运行参数数据对应的能源量作为输出，采用机器学习算法，建立能源量与重要运行参数关系模型；所述能源量与重要运行参数关系模型为能效与重要运行参数关系模型，或碳排放与重要运行参数关系模型；
全局敏感性分析模块，用于对能源量与重要运行参数关系模型进行全局敏感性分析，获得表征各个重要运行参数对能源量影响程度的全局敏感性指数大小；
优先级确定模块，用于根据表征各个重要运行参数对能源量影响程度的全局敏感性指数大小，确定电厂在节能减碳时参数调整的优先级。
7.根据权利要求6所述的能效与碳排放诊断系统，其特征在于，所述数据清洗模块，具体包括：
删除子模块，用于采用滑动窗口法定位并删除所述历史运行参数数据中的异常数据和重复数据；
补全子模块，用于采用线性插值法补全连续采集阶段的缺失数据；
选取子模块，用于选取反应机组稳态的运行参数，作为指示参数；
舍弃子模块，用于根据机组稳态判别原则，舍弃指示参数在连续采集过程中与前后相邻点的变动超过正负5％的数据。
8.根据权利要求6所述的能效与碳排放诊断系统，其特征在于，所述融合筛选模块，具体包括：
客观贡献度确定子模块，用于确定各个清洗后的历史运行参数的客观贡献度；
主观权重获得子模块，用于采取层次分析法，获得各个清洗后的历史运行参数的主观权重；
重要度指示分数获得子模块，用于将各个清洗后的历史运行参数的主观权重与客观贡献度相乘，获得各个清洗后的历史运行参数的重要度指示分数；
重要参数选取子模块，用于选取与最高重要度指示分数的差值小于或等于差值阈值的重要度指示分数，并将选取的重要度指示分数所对应的清洗后的史运行参数作为影响能源量的重要历史运行参数数据。
9.一种电子设备，其特征在于，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的能效与碳排放诊断方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被执行时实现如权利要求1至5中任一项所述的能效与碳排放诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310929814.2A CN117195415A (zh) | 2023-07-27 | 2023-07-27 | 一种能效与碳排放诊断方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310929814.2A CN117195415A (zh) | 2023-07-27 | 2023-07-27 | 一种能效与碳排放诊断方法、系统、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117195415A true CN117195415A (zh) | 2023-12-08 |
Family
ID=88985809
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310929814.2A Pending CN117195415A (zh) | 2023-07-27 | 2023-07-27 | 一种能效与碳排放诊断方法、系统、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117195415A (zh) |
-
2023
- 2023-07-27 CN CN202310929814.2A patent/CN117195415A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7251582B2 (en) | Fault diagnosis | |
| CN113792762A (zh) | 基于贝叶斯优化LightGBM的冷水机组故障诊断方法、系统及介质 | |
| CN111340248A (zh) | 一种基于智能集成算法的变压器故障诊断方法及系统 | |
| CN110986407A (zh) | 一种离心式冷水机组故障诊断方法 | |
| CN103577676A (zh) | 污水处理工艺综合评价的灰色加权法 | |
| CN114358116A (zh) | 油浸式变压器故障诊断方法、系统及可读存储介质 | |
| CN110142803B (zh) | 一种移动焊接机器人系统工作状态检测方法及装置 | |
| CN110033181B (zh) | 一种基于自编码器的发电设备状态评估方法 | |
| CN111695288A (zh) | 一种基于Apriori-BP算法的变压器故障诊断方法 | |
| Kushwaha et al. | Performance evaluation of bagasse-based cogeneration power generation plant utilizing IFLT, IF-FMEA and IF-TOPSIS approaches | |
| Gong et al. | Intelligent fuzzy modeling of heavy-duty gas turbine for smart power generation | |
| Thota et al. | Analysis of feature selection techniques for prediction of boiler efficiency in case of coal based power plant using real time data | |
| CN113705888A (zh) | 基于皮尔逊相关性和神经网络的工业蒸汽生成量预测方法和系统 | |
| CN107544447A (zh) | 一种基于核学习的化工过程故障分类方法 | |
| CN117195415A (zh) | 一种能效与碳排放诊断方法、系统、电子设备及存储介质 | |
| CN112800672B (zh) | 锅炉粘污系数的评估方法、系统、介质及电子设备 | |
| CN115017818A (zh) | 基于注意力机制和多层lstm的电厂烟气含氧量智能预测方法 | |
| CN115712064A (zh) | 一种基于lstm-cnn混合神经网络的励磁系统故障诊断方法 | |
| CN114548701B (zh) | 面向全量测点耦合结构分析与估计的过程预警方法及系统 | |
| CN114764741A (zh) | 一种风力发电机运行风功率预测的方法和系统 | |
| Qingwen et al. | Modeling of heat gain through green roofs utilizing artificial intelligence techniques | |
| Khairunizam et al. | Energy Consumption and Energy Efficiency Prediction using Artificial Neural Network | |
| CN118211061B (zh) | 多指标融合和业务感知的采集系统运行监测方法及系统 | |
| CN115780530B (zh) | 基于专家知识与数据联合驱动的轧钢故障溯源方法及装置 | |
| CN118468152B (zh) | 一种面向余热锅炉的动态运行特性计算建模方法 |
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 |