CN117387056B - 一种火电厂深度调峰状态监测方法及系统 - Google Patents
一种火电厂深度调峰状态监测方法及系统 Download PDFInfo
- Publication number
- CN117387056B CN117387056B CN202311706395.2A CN202311706395A CN117387056B CN 117387056 B CN117387056 B CN 117387056B CN 202311706395 A CN202311706395 A CN 202311706395A CN 117387056 B CN117387056 B CN 117387056B
- Authority
- CN
- China
- Prior art keywords
- unit
- state
- peak regulation
- operation parameter
- peak
- 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 41
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 238000011156 evaluation Methods 0.000 claims abstract description 67
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000010977 unit operation Methods 0.000 claims description 65
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 8
- 238000006073 displacement reaction Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 238000010438 heat treatment Methods 0.000 claims description 4
- 239000000779 smoke Substances 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000002485 combustion reaction Methods 0.000 description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 5
- 239000007789 gas Substances 0.000 description 4
- 238000006722 reduction reaction Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000010531 catalytic reduction reaction Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F22—STEAM GENERATION
- F22B—METHODS OF STEAM GENERATION; STEAM BOILERS
- F22B33/00—Steam-generation plants, e.g. comprising steam boilers of different types in mutual association
- F22B33/18—Combinations of steam boilers with other apparatus
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F22—STEAM GENERATION
- F22B—METHODS OF STEAM GENERATION; STEAM BOILERS
- F22B35/00—Control systems for steam boilers
- F22B35/18—Applications of computers to steam boiler control
-
- 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
-
- 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
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Mechanical Engineering (AREA)
- Thermal Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开的一种火电厂深度调峰状态监测方法及系统,涉及火电厂管理技术领域,具体公开了将机组运行参数集为训练数据,构建调峰‑机组状态预测模型,并通过调峰‑机组状态预测模型对实时机组部件运行状态参数的分析,确定出不同机组部件的预测运行状态,将不同机组部件的预测运行状态与标准运行状态进行比对,生成第一状态比对结果,并基于第一状态比对结果,确定是否进行部件报警,通过调峰程度进行调峰评价,确定调峰策略,本申请通过对第一状态比对结果,判断出机组未来是否可能会出现运行异常,通过对调峰成度的调峰评价,构建调峰策略,使发电机组的调峰策略既能够保证发电机组的稳定性,又能使发电机组尽可能的高效调峰。
Description
技术领域
本发明涉及火电厂管理技术领域,尤其是涉及一种火电厂深度调峰状态监测方法及系统。
背景技术
火力发电机组是以煤炭、油类或可燃气体等为燃料,加热锅炉内的水,使之增温,再用有一定压力的蒸气推动气轮方式发电的机组。火力发电机组的水汽系统是由锅炉、汽轮机、凝汽器、高低压加热器、凝结水泵和给水泵等组成,它包括汽水循环、化学水处理和冷却系统等。水在锅炉中被加热成蒸汽,经过加热器进一步加热后变成过热的蒸汽,再通过主蒸汽管道进入汽轮机。由于蒸汽不断膨胀,高速流动的蒸汽推动汽轮机的叶片转动从而带动发电机。
由上述可知,火力发电机的在运作的时候,需要配合的系统相对复杂,所以对负载的变换也存在着多种不可控的因素,所以亟需一种不仅能够避免调峰过程中出现问题,且能够更加高效的实现发电机组调峰的监测方法及系统。
发明内容
本发明的目的是提供一种能够更加高效且稳定的发电机组调峰监测方法及系统。
在本申请的一些实施例中,公开了一种火电厂深度调峰状态监测方法,包括:
采集调峰状态下若干所属同一时间节点的机组运行参数集,所述机组运行参数集包括若干机组部件运行状态参数;
将机组运行参数集作为训练数据,进行神经网络训练,得到调峰-机组状态预测模型;
根据调峰-机组状态预测模型对调峰状态下的实时机组部件运行状态参数的分析,确定出不同机组部件的预测运行状态;
将不同机组部件的预测运行状态与预设的标准运行状态进行比对,生成第一状态比对结果,并根据第一状态比对结果,确定是否进行部件报警;
采集不同的调峰节点的调峰程度以及第一状态比对结果,基于第一状态比对结果对调峰程度进行调峰评价,并将调峰评价大于预设合格值的调峰程度构建调峰策略,并基于调峰策略对机组进行调峰。
在本申请的一些实施例中,机组运行参数集包括:受热面壁温特征、炉膛负压、火检信息、SCR入口烟温、空预器压差、汽机轴振和轴向位移。
在本申请的一些实施例中,将机组运行参数集作为训练数据,进行神经网络训练的方法包括:
分别针对每次深度调峰建立时间参考线,并基于第一时间间隔在时间参考线上标记第一采集时间节点;
分别对应时间参考线的每一第一采集时间节点,对调峰状态下的机组部件运行状态参数进行采集,生成机组运行参数集;
针对同一时间参考线上映射的机组运行参数集进行变化梯度分析,并将存在变化梯度大于预设值的机组运行参数集进行标记;
将同一时间参考线上相邻且有标记的机组运行参数集的时间差异量进行记录,其中,将机组运行参数集与前一机组运行参数集之间的时间差异量记为前时间差异量,将机组运行参数集与后一机组运行参数集之间的时间差异量记为后时间差异量;
基于预设的预测周期长度,确定在同一时间参考线上截选的机组运行参数集;
将截选的若干机组运行参数集和各自标记的前时间差异量和后时间差异量认定为一组训练数据;
对若干时间参考线对应的多组训练数据进行神经网络训练,得到调峰-机组状态预测模型。
在本申请的一些实施例中,将不同机组部件的预测运行状态与预设的标准运行状态进行比对的方法包括:
获取当下预设时间段内的机组部件运行状态参数,并以所属的时间节点各自归类,生成若干当下的机组运行参数集;
依照时间节点的前后次序,对当下的机组运行参数集进行排序;
对当下的机组运行参数集进行变化梯度分析,并将存在变化梯度大于预设值的机组运行参数集进行标记,并计算标记后的机组运行参数集之间的时间差异量;
利用调峰-机组状态预测模型,对当下预设时间段内标记的若干机组运行参数集以及各自关联的时间差异量进行分析,确定出不同机组部件在未来不同时间节点的预测运行参数;
将未来不同时间节点的机组部件的预测运行参数与预设的标准运行参数区间进行比对,若预测运行参数大于标准运行参数区间的上临界值或预测运行参数小于标准运行参数区间的下临界值,则对机组部件进行部件报警。
在本申请的一些实施例中,生成第一状态比对结果的方法包括:
将不同机组部件的预测运行参数与预设的标准运行参数区间进行比对,计算出距离标准运行参数区间临界值的第一临界差异量和第二临界差异量;
根据运行状态稳定性因素和成本性因素的考量,将每一机组部件的标准运行参数区间划分出若干标准运行参数子区间,并针对每一标准运行参数子区间配置运行状态评价;
根据机组部件对应的第一临界差异量和第二临界差异量,确定机组部件的预测运行参数所属的标准运行参数子区间,并基于预测运行参数所属的标准运行参数子区间,确定机组部件的运行状态评价;
将不同的机组部件的运行状态评价认定为第一状态比对结果。
在本申请的一些实施例中,计算机组部件的运行状态评价的表达式为:
;
其中,为第n个机组部件的运行状态评价对应值,/>为第一临界差异量,/>为第二临界差异量,/>为第i个标准运行参数子区间的数值范围,/>为第i个标准运行参数子区间对应的运行状态评价对应值。
在本申请的一些实施例中,基于第一状态比对结果对调峰程度进行调峰评价的方法包括:
计算不同机组部件的运行状态评价;
基于机组部件对整个发电机组的重要性,对机组部件配置重要性权重系数;
基于机组部件的易损伤的发生概率,对机组部件配置稳定性权重系数;
结合所有机组部件的运行状态评价、重要性权重系数和稳定性权重系数,确定调峰评价。
在本申请的一些实施例中,计算调峰评价的表达式为:
;
其中,y为调峰评价对应值,为第一调峰评价转换系数,/>为重要性权重系数,/>为稳定性权重系数,/>为第n个机组部件的运行状态评价对应值,b为第一调峰评价调整常数。
在本申请的一些实施例中,基于调峰评价对机组进行调峰的方法包括:
针对调峰评价设定有若干预设调峰评价区间,每一预设调峰评价区间对应有对应的预设负载降低梯度;
获取未来不同时间节点的调峰评价,并基于不同时间节点的调峰评价所属的预设调峰评价区间,确定发电机组在对应时间节点应用的负载降低梯度,构建调峰策略。
在本申请的一些实施例中,还公开有一种火电厂深度调峰状态监测系统,包括:
运行状态采集模块,用于采集调峰状态下若干所属同一时间节点的机组运行参数集,所述机组运行参数集包括若干机组部件运行状态参数;
运行状态预测模块,用于根据调峰-机组状态预测模型对调峰状态下的实时机组部件运行状态参数的分析,确定出不同机组部件的预测运行状态;
比对分析模块,用于将不同机组部件的预测运行状态与预设的标准运行状态进行比对,生成第一状态比对结果,并根据第一状态比对结果,确定是否进行部件报警;
调峰策略生成模块,用于采集不同的调峰节点的调峰程度以及第一状态比对结果,基于第一状态比对结果对调峰程度进行调峰评价,并将调峰评价大于预设合格值的调峰程度构建调峰策略,并基于调峰策略对机组进行调峰。
本申请公开的一种火电厂深度调峰状态监测方法及系统,涉及火电厂管理技术领域,具体公开了将机组运行参数集为训练数据,构建调峰-机组状态预测模型,并通过调峰-机组状态预测模型对实时机组部件运行状态参数的分析,确定出不同机组部件的预测运行状态,将不同机组部件的预测运行状态与标准运行状态进行比对,生成第一状态比对结果,并基于第一状态比对结果,确定是否进行部件报警,通过调峰程度进行调峰评价,确定调峰策略,本申请通过对第一状态比对结果,判断出机组未来是否可能会出现运行异常,通过对调峰成度的调峰评价,构建调峰策略,使发电机组的调峰策略既能够保证发电机组的稳定性,又能使发电机组尽可能的高效调峰。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本申请实施例中一种火电厂深度调峰状态监测方法的方法步骤图。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
以下将结合附图以及具体实施例,对本发明的技术方案进行清楚、完整的描述,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,不能理解为对本发明保护范围的限制,该领域的技术熟练人员可以根据下述本发明的内容做出一些非本质的改进和调整。在本发明中,除非另有明确的规定和限定,本申请使用的技术术语应当为本发明所述技术人员所理解的通常意义。
实施例:
本发明的目的是提供一种能够更加高效且稳定的发电机组调峰监测方法及系统。
在本申请的一些实施例中,参阅图1,公开了一种火电厂深度调峰状态监测方法,包括:
步骤S100,采集调峰状态下若干所属同一时间节点的机组运行参数集,所述机组运行参数集包括若干机组部件运行状态参数。
需要理解的是,这一步采集调峰状态下若干所属同一时间节点的机组运行参数集,包括机组部件运行状态参数。这意味着在特定时间点收集火电机组在调峰状态下的各种运行参数数据,以用于后续的分析和预测。
步骤S200,将机组运行参数集作为训练数据,进行神经网络训练,得到调峰-机组状态预测模型。
需要理解的是,这一步,将机组运行参数集作为训练数据,进行神经网络训练。通过使用这些数据训练神经网络,可以得到一个能够预测机组状态的模型,特别是在调峰状态下的状态。
需要理解的是,神经网络学习训练包括
初始化权重和偏置(Initialization):首先,神经网络的权重和偏置参数需要被初始化。通常,这些参数会被赋予随机的小值,以确保网络开始时不会陷入局部最小值。前向传播(Forward Propagation):在前向传播阶段,训练数据会从输入层传递到网络的输出层。每个神经元会对输入进行加权和激活,然后将结果传递给下一层。这一过程会一直进行,直到得到输出。计算损失(Loss Computation):通过比较神经网络的输出和实际目标值,计算损失或误差。常见的损失函数包括均方误差(MSE)用于回归问题和交叉熵(Cross-Entropy)用于分类问题。反向传播(Backpropagation):反向传播是训练神经网络的核心步骤。在这一阶段,损失从输出层反向传播到网络的每一层,以计算每个参数对损失的贡献。这些梯度信息用于调整权重和偏置。参数更新(Weight Update):根据计算得到的梯度信息,使用梯度下降或其他优化算法来更新神经网络的权重和偏置。更新的大小由学习率(Learning Rate)来控制。重复迭代(Iteration):以上步骤会被重复进行多次,通常在整个训练数据集上进行多次迭代。每次迭代都有助于减小损失,提高网络的性能。验证和测试(Validation and Testing):在训练过程中,通常会将数据集分为训练集、验证集和测试集。验证集用于监测模型的性能,并进行超参数调整。测试集用于评估模型的泛化性能。
步骤S300,根据调峰-机组状态预测模型对调峰状态下的实时机组部件运行状态参数的分析,确定出不同机组部件的预测运行状态。
需要理解的是,根据调峰-机组状态预测模型,对调峰状态下的实时机组部件运行状态参数进行分析,以确定不同机组部件的预测运行状态。这一步骤可以帮助了解火电机组各部件在调峰状态下的运行情况。
步骤S400,将不同机组部件的预测运行状态与预设的标准运行状态进行比对,生成第一状态比对结果,并根据第一状态比对结果,确定是否进行部件报警。
需要理解的是,将不同机组部件的预测运行状态与预设的标准运行状态进行比对,生成第一状态比对结果。根据这些比对结果,确定是否需要进行部件报警。这一步骤有助于监测和维护机组的正常运行。
步骤S500,采集不同的调峰节点的调峰程度以及第一状态比对结果,基于第一状态比对结果对调峰程度进行调峰评价,并将调峰评价大于预设合格值的调峰程度构建调峰策略,并基于调峰策略对机组进行调峰。
需要理解的是,采集不同的调峰节点的调峰程度以及第一状态比对结果。基于第一状态比对结果对调峰程度进行评价,并将调峰评价大于预设合格值的调峰程度构建调峰策略。根据这些策略对机组进行调峰,以确保在调峰状态下机组的性能和稳定性。
在本申请的一些实施例中,机组运行参数集包括:受热面壁温特征、炉膛负压、火检信息、SCR入口烟温、空预器压差、汽机轴振和轴向位移。
需要理解的是,受热面壁温特征:是指锅炉或燃烧设备中的燃烧室壁壳表面的温度。受热面壁温度通常是锅炉运行的关键参数,因为它可以影响燃烧效率和锅炉的安全性。炉膛负压:是指锅炉燃烧室内相对于周围环境的负压,通常用来控制燃烧过程和废气排放。火检信息:这是用于监测燃烧过程中是否存在火焰的信号。它通常用于安全系统,以确保燃烧在必要的情况下可以被及时检测到。SCR入口烟温:是指脱硝系统(Selective CatalyticReduction,SCR)中进入SCR反应器的废气温度。SCR系统用于减少氮氧化物(NOx)的排放。空预器差压(Air Preheater Pressure Difference):空预器是一种用于预热燃烧用空气的设备,以提高燃烧效率。空预器差压是指空预器的入口和出口之间的气体压力差,它可以用来评估空预器的性能。汽机轴振(Turbine Shaft Vibration):这是指蒸汽涡轮发电机组的轴线振动。轴振通常需要监测和控制,以确保发电机组的正常运行和安全性。轴向位移(Axial Displacement):这是指机械设备中轴线沿着轴线方向的移动或位移。轴向位移通常需要监测,以确保设备的正常运行并避免不必要的机械损坏。
在本申请的一些实施例中,将机组运行参数集作为训练数据,进行神经网络训练的方法包括:
第一步,分别针对每次深度调峰建立时间参考线,并基于第一时间间隔在时间参考线上标记第一采集时间节点。
第二步,分别对应时间参考线的每一第一采集时间节点,对调峰状态下的机组部件运行状态参数进行采集,生成机组运行参数集。
第三步,针对同一时间参考线上映射的机组运行参数集进行变化梯度分析,并将存在变化梯度大于预设值的机组运行参数集进行标记。
第四步,将同一时间参考线上相邻且有标记的机组运行参数集的时间差异量进行记录,其中,将机组运行参数集与前一机组运行参数集之间的时间差异量记为前时间差异量,将机组运行参数集与后一机组运行参数集之间的时间差异量记为后时间差异量。
第五步,基于预设的预测周期长度,确定在同一时间参考线上截选的机组运行参数集。
第六步,将截选的若干机组运行参数集和各自标记的前时间差异量和后时间差异量认定为一组训练数据。
第七步,对若干时间参考线对应的多组训练数据进行神经网络训练,得到调峰-机组状态预测模型。
在本申请的一些实施例中,将不同机组部件的预测运行状态与预设的标准运行状态进行比对的方法包括:
第一步,获取当下预设时间段内的机组部件运行状态参数,并以所属的时间节点各自归类,生成若干当下的机组运行参数集。
第二步,依照时间节点的前后次序,对当下的机组运行参数集进行排序。
第三步,对当下的机组运行参数集进行变化梯度分析,并将存在变化梯度大于预设值的机组运行参数集进行标记,并计算标记后的机组运行参数集之间的时间差异量。
第四步,利用调峰-机组状态预测模型,对当下预设时间段内标记的若干机组运行参数集以及各自关联的时间差异量进行分析,确定出不同机组部件在未来不同时间节点的预测运行参数。
第五步,将未来不同时间节点的机组部件的预测运行参数与预设的标准运行参数区间进行比对,若预测运行参数大于标准运行参数区间的上临界值或预测运行参数小于标准运行参数区间的下临界值,则对机组部件进行部件报警。
在本申请的一些实施例中,生成第一状态比对结果的方法包括:
第一步,将不同机组部件的预测运行参数与预设的标准运行参数区间进行比对,计算出距离标准运行参数区间临界值的第一临界差异量和第二临界差异量。
第二步,根据运行状态稳定性因素和成本性因素的考量,将每一机组部件的标准运行参数区间划分出若干标准运行参数子区间,并针对每一标准运行参数子区间配置运行状态评价。
第三步,根据机组部件对应的第一临界差异量和第二临界差异量,确定机组部件的预测运行参数所属的标准运行参数子区间,并基于预测运行参数所属的标准运行参数子区间,确定机组部件的运行状态评价。
将不同的机组部件的运行状态评价认定为第一状态比对结果。
在本申请的一些实施例中,计算机组部件的运行状态评价的表达式为:
。
其中,为第n个机组部件的运行状态评价对应值,/>为第一临界差异量,/>为第二临界差异量,/>为第i个标准运行参数子区间的数值范围,/>为第i个标准运行参数子区间对应的运行状态评价对应值。
在本申请的一些实施例中,基于第一状态比对结果对调峰程度进行调峰评价的方法包括:
第一步,计算不同机组部件的运行状态评价。
第二步,基于机组部件对整个发电机组的重要性,对机组部件配置重要性权重系数。
第三步,基于机组部件的易损伤的发生概率,对机组部件配置稳定性权重系数。
第四步,结合所有机组部件的运行状态评价、重要性权重系数和稳定性权重系数,确定调峰评价。
在本申请的一些实施例中,计算调峰评价的表达式为:
。
其中,y为调峰评价对应值,为第一调峰评价转换系数,/>为重要性权重系数,/>为稳定性权重系数,/>为第n个机组部件的运行状态评价对应值,b为第一调峰评价调整常数。
在本申请的一些实施例中,基于调峰评价对机组进行调峰的方法包括:
第一步,针对调峰评价设定有若干预设调峰评价区间,每一预设调峰评价区间对应有对应的预设负载降低梯度。
第二步,获取未来不同时间节点的调峰评价,并基于不同时间节点的调峰评价所属的预设调峰评价区间,确定发电机组在对应时间节点应用的负载降低梯度,构建调峰策略。
在本申请的一些实施例中,还公开有一种火电厂深度调峰状态监测系统,包括:运行状态采集模块、运行状态预测模块、比对分析模块和调峰策略生成模块。
所述运行状态采集模块用于采集调峰状态下若干所属同一时间节点的机组运行参数集,所述机组运行参数集包括若干机组部件运行状态参数。
所述运行状态预测模块,用于根据调峰-机组状态预测模型对调峰状态下的实时机组部件运行状态参数的分析,确定出不同机组部件的预测运行状态。
所述比对分析模块用于将不同机组部件的预测运行状态与预设的标准运行状态进行比对,生成第一状态比对结果,并根据第一状态比对结果,确定是否进行部件报警。
所述调峰策略生成模块用于采集不同的调峰节点的调峰程度以及第一状态比对结果,基于第一状态比对结果对调峰程度进行调峰评价,并将调峰评价大于预设合格值的调峰程度构建调峰策略,并基于调峰策略对机组进行调峰。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本发明可以通过硬件实现,也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)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场景所述的方法。
本申请公开的一种火电厂深度调峰状态监测方法及系统,涉及火电厂管理技术领域,具体公开了将机组运行参数集为训练数据,构建调峰-机组状态预测模型,并通过调峰-机组状态预测模型对实时机组部件运行状态参数的分析,确定出不同机组部件的预测运行状态,将不同机组部件的预测运行状态与标准运行状态进行比对,生成第一状态比对结果,并基于第一状态比对结果,确定是否进行部件报警,通过调峰程度进行调峰评价,确定调峰策略,本申请通过对第一状态比对结果,判断出机组未来是否可能会出现运行异常,通过对调峰成度的调峰评价,构建调峰策略,使发电机组的调峰策略既能够保证发电机组的稳定性,又能使发电机组尽可能的高效调峰。
最后应说明的是:以上实施例仅用以说明本发明的技术方案而非对其进行限制,尽管参照较佳实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对本发明的技术方案进行修改或者等同替换,而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (6)
1.一种火电厂深度调峰状态监测方法,其特征在于,包括:
采集调峰状态下若干所属同一时间节点的机组运行参数集,所述机组运行参数集包括若干机组部件运行状态参数;
将机组运行参数集作为训练数据,进行神经网络训练,得到调峰-机组状态预测模型;
根据调峰-机组状态预测模型对调峰状态下的实时机组部件运行状态参数的分析,确定出不同机组部件的预测运行状态;
将不同机组部件的预测运行状态与预设的标准运行状态进行比对,生成第一状态比对结果,并根据第一状态比对结果,确定是否进行部件报警;
采集不同的调峰节点的调峰程度以及第一状态比对结果,基于第一状态比对结果对调峰程度进行调峰评价,并将调峰评价大于预设合格值的调峰程度构建调峰策略,并基于调峰策略对机组进行调峰;
将不同机组部件的预测运行状态与预设的标准运行状态进行比对的方法包括:
获取当下预设时间段内的机组部件运行状态参数,并以所属的时间节点各自归类,生成若干当下的机组运行参数集;
依照时间节点的前后次序,对当下的机组运行参数集进行排序;
对当下的机组运行参数集进行变化梯度分析,并将存在变化梯度大于预设值的机组运行参数集进行标记,并计算标记后的机组运行参数集之间的时间差异量;
利用调峰-机组状态预测模型,对当下预设时间段内标记的若干机组运行参数集以及各自关联的时间差异量进行分析,确定出不同机组部件在未来不同时间节点的预测运行参数;
将未来不同时间节点的机组部件的预测运行参数与预设的标准运行参数区间进行比对,若预测运行参数大于标准运行参数区间的上临界值或预测运行参数小于标准运行参数区间的下临界值,则对机组部件进行部件报警;
生成第一状态比对结果的方法包括:
将不同机组部件的预测运行参数与预设的标准运行参数区间进行比对,计算出距离标准运行参数区间临界值的第一临界差异量和第二临界差异量;
根据运行状态稳定性因素和成本性因素的考量,将每一机组部件的标准运行参数区间划分出若干标准运行参数子区间,并针对每一标准运行参数子区间配置运行状态评价;
根据机组部件对应的第一临界差异量和第二临界差异量,确定机组部件的预测运行参数所属的标准运行参数子区间,并基于预测运行参数所属的标准运行参数子区间,确定机组部件的运行状态评价;
将不同的机组部件的运行状态评价认定为第一状态比对结果;
基于第一状态比对结果对调峰程度进行调峰评价的方法包括:
计算不同机组部件的运行状态评价;
基于机组部件对整个发电机组的重要性,对机组部件配置重要性权重系数;
基于机组部件的易损伤的发生概率,对机组部件配置稳定性权重系数;
结合所有机组部件的运行状态评价、重要性权重系数和稳定性权重系数,确定调峰评价;
基于调峰评价对机组进行调峰的方法包括:
针对调峰评价设定有若干预设调峰评价区间,每一预设调峰评价区间对应有对应的预设负载降低梯度;
获取未来不同时间节点的调峰评价,并基于不同时间节点的调峰评价所属的预设调峰评价区间,确定发电机组在对应时间节点应用的负载降低梯度,构建调峰策略。
2.根据权利要求1所述的一种火电厂深度调峰状态监测方法,其特征在于,机组运行参数集包括:受热面壁温特征、炉膛负压、火检信息、SCR入口烟温、空预器压差、汽机轴振和轴向位移。
3.根据权利要求1所述的一种火电厂深度调峰状态监测方法,其特征在于,将机组运行参数集作为训练数据,进行神经网络训练的方法包括:
分别针对每次深度调峰建立时间参考线,并基于第一时间间隔在时间参考线上标记第一采集时间节点;
分别对应时间参考线的每一第一采集时间节点,对调峰状态下的机组部件运行状态参数进行采集,生成机组运行参数集;
针对同一时间参考线上映射的机组运行参数集进行变化梯度分析,并将存在变化梯度大于预设值的机组运行参数集进行标记;
将同一时间参考线上相邻且有标记的机组运行参数集的时间差异量进行记录,其中,将机组运行参数集与前一机组运行参数集之间的时间差异量记为前时间差异量,将机组运行参数集与后一机组运行参数集之间的时间差异量记为后时间差异量;
基于预设的预测周期长度,确定在同一时间参考线上截选的机组运行参数集;
将截选的若干机组运行参数集和各自标记的前时间差异量和后时间差异量认定为一组训练数据;
对若干时间参考线对应的多组训练数据进行神经网络训练,得到调峰-机组状态预测模型。
4.根据权利要求1所述的一种火电厂深度调峰状态监测方法,其特征在于,计算机组部件的运行状态评价的表达式为:
;
其中,为第n个机组部件的运行状态评价对应值,/>为第一临界差异量,/>为第二临界差异量,/>为第i个标准运行参数子区间的数值范围,/>为第i个标准运行参数子区间对应的运行状态评价对应值。
5.根据权利要求1所述的一种火电厂深度调峰状态监测方法,其特征在于,
计算调峰评价的表达式为:
;
其中,y为调峰评价对应值,为第一调峰评价转换系数,/>为重要性权重系数,/>为稳定性权重系数,/>为第n个机组部件的运行状态评价对应值,b为第一调峰评价调整常数。
6.一种火电厂深度调峰状态监测系统,其特征在于,用于执行权利要求1-5中任意一项的火电厂深度调峰状态监测方法,包括:
运行状态采集模块,用于采集调峰状态下若干所属同一时间节点的机组运行参数集,所述机组运行参数集包括若干机组部件运行状态参数;
运行状态预测模块,用于根据调峰-机组状态预测模型对调峰状态下的实时机组部件运行状态参数的分析,确定出不同机组部件的预测运行状态;
比对分析模块,用于将不同机组部件的预测运行状态与预设的标准运行状态进行比对,生成第一状态比对结果,并根据第一状态比对结果,确定是否进行部件报警;
调峰策略生成模块,用于采集不同的调峰节点的调峰程度以及第一状态比对结果,基于第一状态比对结果对调峰程度进行调峰评价,并将调峰评价大于预设合格值的调峰程度构建调峰策略,并基于调峰策略对机组进行调峰。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311706395.2A CN117387056B (zh) | 2023-12-13 | 2023-12-13 | 一种火电厂深度调峰状态监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311706395.2A CN117387056B (zh) | 2023-12-13 | 2023-12-13 | 一种火电厂深度调峰状态监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117387056A CN117387056A (zh) | 2024-01-12 |
CN117387056B true CN117387056B (zh) | 2024-03-08 |
Family
ID=89436002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311706395.2A Active CN117387056B (zh) | 2023-12-13 | 2023-12-13 | 一种火电厂深度调峰状态监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117387056B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109002995A (zh) * | 2018-07-25 | 2018-12-14 | 国网甘肃省电力公司电力科学研究院 | 一种基于模糊综合评价的火电机组调峰能力评价方法 |
CN110458724A (zh) * | 2019-08-19 | 2019-11-15 | 国网山东省电力公司电力科学研究院 | 一种基于神经网络预测火电机组深度调峰能力的方法 |
CN112987666A (zh) * | 2021-02-09 | 2021-06-18 | 浙大城市学院 | 电厂机组运行优化调控方法及系统 |
CN114610215A (zh) * | 2022-03-01 | 2022-06-10 | 清华大学 | 热电联产系统的调度方法及系统 |
CN115201608A (zh) * | 2022-07-26 | 2022-10-18 | 广东粤电靖海发电有限公司 | 一种基于神经网络的电厂设备运行参数监测方法 |
CN117031950A (zh) * | 2023-08-08 | 2023-11-10 | 国网河北能源技术服务有限公司 | 深度调峰火电机组控制系统建模的方法及装置 |
CN117117983A (zh) * | 2023-07-21 | 2023-11-24 | 大唐双鸭山热电有限公司 | 一种结合配电网需求的火电厂调峰管理方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113515049A (zh) * | 2021-08-27 | 2021-10-19 | 浙大城市学院 | 一种燃气蒸汽联合循环发电机组运行调控系统及调控方法 |
-
2023
- 2023-12-13 CN CN202311706395.2A patent/CN117387056B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109002995A (zh) * | 2018-07-25 | 2018-12-14 | 国网甘肃省电力公司电力科学研究院 | 一种基于模糊综合评价的火电机组调峰能力评价方法 |
CN110458724A (zh) * | 2019-08-19 | 2019-11-15 | 国网山东省电力公司电力科学研究院 | 一种基于神经网络预测火电机组深度调峰能力的方法 |
CN112987666A (zh) * | 2021-02-09 | 2021-06-18 | 浙大城市学院 | 电厂机组运行优化调控方法及系统 |
CN114610215A (zh) * | 2022-03-01 | 2022-06-10 | 清华大学 | 热电联产系统的调度方法及系统 |
CN115201608A (zh) * | 2022-07-26 | 2022-10-18 | 广东粤电靖海发电有限公司 | 一种基于神经网络的电厂设备运行参数监测方法 |
CN117117983A (zh) * | 2023-07-21 | 2023-11-24 | 大唐双鸭山热电有限公司 | 一种结合配电网需求的火电厂调峰管理方法及系统 |
CN117031950A (zh) * | 2023-08-08 | 2023-11-10 | 国网河北能源技术服务有限公司 | 深度调峰火电机组控制系统建模的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117387056A (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1921280B1 (en) | Systems and methods for multi-level optimizing control systems for boilers | |
Lemma et al. | Use of fuzzy systems and bat algorithm for exergy modeling in a gas turbine generator | |
US20070055392A1 (en) | Method and system for model predictive control of a power plant | |
CN110941186B (zh) | 基于神经网络与万有引力搜索算法的汽温控制寻优方法 | |
CN108073145B (zh) | 运转支援装置以及记录介质 | |
EP2884059B1 (en) | Multistage HRSG control in combined cycle unit | |
Wang et al. | Evaluation of novel configurations of natural gas combined cycle (NGCC) power plants for load-following operation using dynamic modeling and optimization | |
Ali et al. | Power prediction of waste heat recovery system for a cement plant using back propagation neural network and its thermodynamic modeling | |
Engineer et al. | Energy analysis and optimization of a small-scale axial flow turbine for Organic Rankine Cycle application | |
WO2020255173A2 (en) | Method and system for optimization of combined cycle gas turbine operation | |
CN117387056B (zh) | 一种火电厂深度调峰状态监测方法及系统 | |
CN116720446B (zh) | 一种锅炉水冷壁渣层厚度实时监测方法 | |
US11475186B2 (en) | Apparatus and method for deriving boiler combustion model | |
Aziz et al. | Improving the performance of temperature model of economizer using bond graph and genetic algorithm | |
JP2013161480A (ja) | 蒸気タービン性能試験システム及び方法 | |
JP2019079275A (ja) | プラントの運転支援装置及び運転支援方法 | |
Sai et al. | Neural Network Applications in a Power Station | |
Chaibakhsh | Modelling and long-term simulation of a heat recovery steam generator | |
Lusenko et al. | Development of a waste-heat boiler model based on a fuzzy logic apparatus | |
Tamiru et al. | Neuro-fuzzy and PSO based model for the steam and cooling sections of a Cogeneration and Cooling Plant (CCP) | |
Yoshida et al. | Modeless start-up control for operational flexibility of combined cycle power plants | |
Yudhanto et al. | Performance Optimization of Gas Turbine Generator Based on Operating Conditions Using ANN-GA at Saka Indonesia Pangkah Ltd | |
JP3291467B2 (ja) | プロセスの予測制御方法及び装置 | |
Raidoo | Application of probabilistic deep learning models to simulate thermal power plant processes | |
MADAN et al. | Comparative analysis and optimization of thermodynamic behavior of combined gas-steam power plant using grey-taguchi and artificial neural network |
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 |