CN109783959B - 基于阀门的联合多模型仿真平台及方法 - Google Patents
基于阀门的联合多模型仿真平台及方法 Download PDFInfo
- Publication number
- CN109783959B CN109783959B CN201910064261.2A CN201910064261A CN109783959B CN 109783959 B CN109783959 B CN 109783959B CN 201910064261 A CN201910064261 A CN 201910064261A CN 109783959 B CN109783959 B CN 109783959B
- Authority
- CN
- China
- Prior art keywords
- valve
- value
- simulated
- simulation
- data
- 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
Landscapes
- Feedback Control In General (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于阀门的联合多模型仿真平台及仿真方法，该仿真平台包括：数据***；仿真***；控制***用于将仿真***中各阀门的控制参数的取值作为仿真***的输入，运行仿真***，得到对应的输出数据，以及将控制参数的取值与对应的输出数据作为关联数据存储在数据***；参数优化决策***，用于根据预设的优化算法，随机产生各阀门的控制参数的取值，并将对应的输出数据与待仿真***的实时运行数据之间的差异的倒数作为各阀门的控制参数的取值的评价函数，直到评价函数的取值最大时，得到各阀门的控制参数的最优取值；控制***根据最优取值输入至仿真模型，得到待仿真***的仿真平台。实施本发明能提高仿真的可靠性。
Description
技术领域
本发明涉及仿真领域，特别涉及一种基于阀门的联合多模型仿真平台及方法。
背景技术
随着电力工业的高速发展和应用，对运行人员和维护人员的技术要求越来越高。为了提高运行人员的操作水平和维护人员的检修维护能力，目前各大型电站均积极建造各种以自身机组为对象的高仿真度的仿真培平台，主要用于运行人员以及维护人员的培训。
比如锅炉厂需要根据已有的物理特征，比如锅炉燃烧***、烟风***、汽水***、引风机、鼓风机、炉排、循环泵以及给水泵执行机构等的物理位置信息、各***之间管道的设置等进行物理建模，并在物理建模的基础上进行相关控制参数的设定。如现有锅炉仿真支撑软件采用图形化建模技术，利用模型库中的电厂设备算法建立各设备模块之间的连接关系，自动生成仿真模型。但是，目前的仿真机的测试中，各项控制参数一旦确定都是保持不变的，导致不能真实地反映出锅炉的实际情况，降低了仿真结果的可靠性。
发明内容
有鉴于此，本发明旨在提供一种基于阀门的联合多模型仿真平台及方法，以实现提高仿真结果的可靠性。
具体而言，本发明提供一种基于阀门的联合多模型仿真平台，包括：数据***，用于获取并存储待仿真***的实时运行数据；所述待仿真***包括基于阀门的锅炉***及基于阀门的汽轮机***中的至少一个；
仿真***，用于根据所述待仿真***的物理信息建立对应的物理模型；所述物理模型中包括所述多个阀门；
控制***用于将所述仿真***中各阀门的控制参数的取值作为所述仿真***的输入，运行所述仿真***，得到对应的输出数据，以及将所述控制参数的取值与对应的输出数据作为关联数据存储在所述数据***；
参数优化决策***，用于根据预设的优化算法，在各阀门的控制参数预设的取值范围内，随机产生各阀门的控制参数的取值，并将所述对应的输出数据与所述待仿真***的实时运行数据之间的差异的倒数作为所述各阀门的控制参数的取值的评价函数，直到所述评价函数的取值最大时，得到的所述各阀门的控制参数的取值为各阀门的控制参数的最优取值；
所述控制***根据所述最优取值输入至所述仿真模型，基于所述最优取值运行的所述仿真模型即为优化得到的所述待仿真***的仿真平台。
进一步地，所述预设的优化算法为遗传算法。
进一步地，所述数据***包括：
数据获取装置，用于获取所述待仿真***的实时运行数据；
数据传输装置，用于传送所述实时运行数据；
数据存储装置，用于存储所述实时运行数据。
进一步地，所述基于阀门的锅炉***包括的子***具体为：锅炉燃烧***、烟风***、汽水***、引风机、鼓风机、炉排、循环泵以及给水泵执行机构，所述基于阀门的锅炉***的物理信息包括所述子***的物理位置信息、与各子***之间管道的设置信息；
所述基于阀门的锅炉***的实时运行数据包括：排烟温度、炉膛燃烧温度、炉膛出口温度、烟气排烟含氧量、蒸汽压力、给水压力、冷空气温度、热风温度、电机电流、电机功率以及炉排转速。
进一步地，所基于阀门的汽轮机***包括的子***具体为：高压缸、再热器、中压缸、连通管、以及低压缸；所述基于阀门的汽轮机***的物理信息包括所述子***的物理位置信息、与各子***之间管道的设置信息；
所述基于阀门的汽轮机***的实时运行数据包括：汽轮机转子的机械功率值，进入汽轮机的蒸汽流信息、高压缸的功率信息、中压缸的功率信息、以及低压缸的功率信息。
进一步地，所述的基于阀门的联合多模型仿真平台还包括：故障识别***，用于将所述实时运行数据输入至预先训练好的分类器中，得到所述待仿真***的故障识别结果；其中，所述预先训练好的分类器为ET-KNN分类器，所述ET-KNN分类器中的参数为基于遗传算法确定的最优参数。
另一方面，本发明提供一种基于阀门的联合多模型仿真方法，包括：仿真***根据待仿真***的物理信息建立对应的物理模型；所述物理模型中包括所述多个阀门；所述待仿真***包括基于阀门的锅炉***及基于阀门的汽轮机***中的至少一个；
控制***将所述仿真***中各阀门的控制参数的取值作为所述仿真***的输入，运行所述仿真***，得到对应的输出数据，以及将所述控制参数的取值与对应的输出数据作为关联数据存储在数据***；
所述数据***获取并存储待仿真***的实时运行数据；
参数优化决策***根据预设的优化算法，在各阀门的控制参数预设的取值范围内，随机产生各阀门的控制参数的取值，并将所述对应的输出数据与所述待仿真***的实时运行数据之间的差异的倒数作为所述各阀门的控制参数的取值的评价函数，直到所述评价函数的取值最大时，得到的所述各阀门的控制参数的取值为各阀门的控制参数的最优取值；
所述控制***根据所述最优取值输入至所述仿真模型，基于所述最优取值运行的所述仿真模型即为优化得到的所述待仿真***的仿真平台。
进一步地，所述预设的优化算法为遗传算法。
进一步地，所述基于阀门的锅炉***包括的子***具体为：锅炉燃烧***、烟风***、汽水***、引风机、鼓风机、炉排、循环泵以及给水泵执行机构，所述基于阀门的锅炉***的物理信息包括所述子***的物理位置信息、与各子***之间管道的设置信息；
所述基于阀门的锅炉***的实时运行数据包括：排烟温度、炉膛燃烧温度、炉膛出口温度、烟气排烟含氧量、蒸汽压力、给水压力、冷空气温度、热风温度、电机电流、电机功率以及炉排转速；
所基于阀门的汽轮机***包括的子***具体为：高压缸、再热器、中压缸、连通管、以及低压缸；所述基于阀门的汽轮机***的物理信息包括所述子***的物理位置信息、与各子***之间管道的设置信息；
所述基于阀门的汽轮机***的实时运行数据包括：汽轮机转子的机械功率值，进入汽轮机的蒸汽流信息、高压缸的功率信息、中压缸的功率信息、以及低压缸的功率信息。
进一步地，所述的基于阀门的联合多模型仿真方法还包括：
确定训练ET-KNN分类器的输入数据集合为：各个时刻所述待仿真***的运行数据；
确定训练ET-KNN分类器的输出数据集合为：与所述输入数据集合对应的各个时刻所述待仿真***的预测故障类别信息；
基于遗传算法确定ET-KNN分类器的最优参数；具体包括：
将遗传算法随机产生的个体作为所述ET-KNN分类器的参数取值，个体的编码长度等于所述ET-KNN分类器中待优化参数的个数；
再利用遗传算法来优化所述待优化参数的取值，将所述ET-KNN分类器对故障识别的分类精度作为遗传算法的各个个体的适应度函数；所述ET-KNN分类器对故障识别的分类精度根据所述待仿真***的预测故障类别信息与所述待仿真***的真实故障类别信息的比对结果得到；
在所述遗传算法收敛达到全局最优时，得到ET-KNN分类器的最优参数，从而得到训练好的ET-KNN分类器；
将所述实时运行数据输入至训练好的ET-KNN分类器中，得到所述待仿真***的故障识别结果。
本发明的基于阀门的联合多模型仿真平台及方法，利用遗传算法优化仿真***中各个控制参数的取值，直到仿真***的输出与实际运行的数据差异最小时，遗传算法收敛，从而得到与实际运行状态最接近的控制参数，由仿真***运行该最接近的控制参数，实现待仿真***的仿真平台建模，以提高仿真的可靠性。
附图说明
并入到说明书中并且构成说明书的一部分的附图示出了本发明的实施例，并且与描述一起用于解释本发明的原理。在这些附图中，类似的附图标记用于表示类似的要素。下面描述中的附图是本发明的一些实施例，而不是全部实施例。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，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基于阀门的联合多模型仿真平台的结构示意图；
图2为本发明实施例提供的一种基于阀门的联合多模型仿真方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
下面结合附图详细说明本发明实施涉及的基于阀门的联合多模型仿真平台及方法。
参见图1所示，本发明实施例提供的一种基于阀门的联合多模型仿真平台包括：
数据***101，用于获取并存储待仿真***的实时运行数据；所述待仿真***包括基于阀门的锅炉***及基于阀门的汽轮机***中的至少一个；
仿真***103，用于根据所述待仿真***的物理信息建立对应的物理模型；所述物理模型中包括所述多个阀门；
控制***105，用于将所述仿真***中各阀门的控制参数的取值作为所述仿真***的输入，运行所述仿真***，得到对应的输出数据，以及将所述控制参数的取值与对应的输出数据作为关联数据存储在所述数据***；
参数优化决策***107，用于根据预设的优化算法，在各阀门的控制参数预设的取值范围内，随机产生各阀门的控制参数的取值，并将所述对应的输出数据与所述待仿真***的实时运行数据之间的差异的倒数作为所述各阀门的控制参数的取值的评价函数，直到所述评价函数的取值最大时，得到的所述各阀门的控制参数的取值为各阀门的控制参数的最优取值；
所述控制***105根据所述最优取值输入至所述仿真模型，基于所述最优取值运行的所述仿真模型即为优化得到的所述待仿真***的仿真平台。
具体地，所述预设的优化算法为遗传算法，可以适用于现有的各种采用最大化适应度函数评价个体的遗传算法，在此不再赘述。当然，也可以适用于现有的各种采用最小化适应度函数评价个体的遗传算法，比如，NSGA-Ⅱ。在采用最小化适应度函数评价个体的遗传算法时，可以用所述对应的输出数据与所述待仿真***的实时运行数据之间的差异直接作为适应度函数。
具体地，所述数据***可以包括：数据获取装置（图中未示出），用于获取所述待仿真***的实时运行数据；数据传输装置（图中未示出），用于传送所述实时运行数据；数据存储装置，用于存储所述实时运行数据。
所述基于阀门的锅炉***包括的子***具体可以为：锅炉燃烧***、烟风***、汽水***、引风机、鼓风机、炉排、循环泵以及给水泵执行机构，所述基于阀门的锅炉***的物理信息包括所述子***的物理位置信息、与各子***之间管道的设置信息；所述基于阀门的锅炉***的实时运行数据包括：排烟温度、炉膛燃烧温度、炉膛出口温度、烟气排烟含氧量、蒸汽压力、给水压力、冷空气温度、热风温度、电机电流、电机功率以及炉排转速。
所基于阀门的汽轮机***包括的子***具体可以为：高压缸、再热器、中压缸、连通管、以及低压缸；所述基于阀门的汽轮机***的物理信息包括所述子***的物理位置信息、与各子***之间管道的设置信息；所述基于阀门的汽轮机***的实时运行数据包括：汽轮机转子的机械功率值，进入汽轮机的蒸汽流信息、高压缸的功率信息、中压缸的功率信息、以及低压缸的功率信息。
优选地，基于阀门的联合多模型仿真平台还包括：故障识别***（图中未示出），用于将所述实时运行数据输入至预先训练好的分类器中，得到所述待仿真***的故障识别结果；其中，所述预先训练好的分类器为ET-KNN分类器，所述ET-KNN分类器中的参数为基于遗传算法确定的最优参数。该故障识别***的详细工作过程可以参见图2中流程的解释说明。
可以理解的是，本实施例的核心在于通过遗传算法优化基于物理信息建立的仿真***中各个阀门参数的选定，关于物理信息具体包括哪些，以及如何基于物理信息建立仿真***不是本实施例的重点，可以参见现有的各种汽轮机以及锅炉仿真***中的物理信息设置以及仿真建模过程，如：已有的VRTOP-industry汽轮机仿真软件，Apros仿真软件等。
本实施例利用遗传算法优化仿真***中各个控制参数的取值，直到仿真***的输出与实际运行的数据差异最小时，遗传算法收敛，从而得到与实际运行状态最接近的控制参数，由仿真***运行该最接近的控制参数，实现待仿真***的仿真平台建模，以提高仿真的可靠性。优选地，通过故障识别***，由于ET-KNN中的参数通过遗传算法进行优化，能提高故障识别的精度。
图2为本发明实施例提供的一种基于阀门的联合多模型仿真方法；图1所示实施例的解释说明均可以应用于本实施例。如图2所示，一种基于阀门的联合多模型仿真方法包括：
步骤201，仿真***根据待仿真***的物理信息建立对应的物理模型；所述物理模型中包括所述多个阀门；所述待仿真***包括基于阀门的锅炉***及基于阀门的汽轮机***中的至少一个；
步骤203，控制***将所述仿真***中各阀门的控制参数的取值作为所述仿真***的输入，运行所述仿真***，得到对应的输出数据，以及将所述控制参数的取值与对应的输出数据作为关联数据存储在数据***；
步骤205，所述数据***获取并存储待仿真***的实时运行数据；
步骤207，参数优化决策***根据预设的优化算法，在各阀门的控制参数预设的取值范围内，随机产生各阀门的控制参数的取值，并将所述对应的输出数据与所述待仿真***的实时运行数据之间的差异的倒数作为所述各阀门的控制参数的取值的评价函数，直到所述评价函数的取值最大时，得到的所述各阀门的控制参数的取值为各阀门的控制参数的最优取值；
步骤209，所述控制***根据所述最优取值输入至所述仿真模型，基于所述最优取值运行的所述仿真模型即为优化得到的所述待仿真***的仿真平台。
具体地，所述预设的优化算法为遗传算法。所述基于阀门的锅炉***包括的子***具体为：锅炉燃烧***、烟风***、汽水***、引风机、鼓风机、炉排、循环泵以及给水泵执行机构，所述基于阀门的锅炉***的物理信息包括所述子***的物理位置信息、与各子***之间管道的设置信息；
所述基于阀门的锅炉***的实时运行数据包括：排烟温度、炉膛燃烧温度、炉膛出口温度、烟气排烟含氧量、蒸汽压力、给水压力、冷空气温度、热风温度、电机电流、电机功率以及炉排转速；
所基于阀门的汽轮机***包括的子***具体为：高压缸、再热器、中压缸、连通管、以及低压缸；所述基于阀门的汽轮机***的物理信息包括所述子***的物理位置信息、与各子***之间管道的设置信息；
所述基于阀门的汽轮机***的实时运行数据包括：汽轮机转子的机械功率值，进入汽轮机的蒸汽流信息、高压缸的功率信息、中压缸的功率信息、以及低压缸的功率信息。
优选地，基于阀门的联合多模型仿真方法还包括：将所述实时运行数据输入至预先训练好的分类器中，得到所述待仿真***的故障识别结果，具体为：
首先，确定训练ET-KNN分类器的输入数据集合为：各个时刻所述待仿真***的运行数据；确定训练ET-KNN分类器的输出数据集合为：与所述输入数据集合对应的各个时刻所述待仿真***的预测故障类别信息；
基于遗传算法确定ET-KNN分类器的最优参数；具体包括：
将遗传算法随机产生的个体作为所述ET-KNN分类器的参数取值，个体的编码长度等于所述ET-KNN分类器中待优化参数的个数；
再利用遗传算法来优化所述待优化参数的取值，将所述ET-KNN分类器对故障识别的分类精度作为遗传算法的各个个体的适应度函数；所述ET-KNN分类器对故障识别的分类精度根据所述待仿真***的预测故障类别信息与所述待仿真***的真实故障类别信息的比对结果得到；比如，对于每个个体，所述ET-KNN分类器对于各个输入数据得到对应的预测故障类别信息，若该预测故障类别信息（该预测故障类别信息经过处理后可以有代表故障报警的第一类别信息以及有代表未发生故障报警的第二类别信息）与对应输入数据相应的实际故障类别信息（可以由数据***的实时运行数据中提取）一致时，正确预测的数量累加1，直到所有个体遍历完之后，计算群体中正确预测的数量总数，该数量总数与该群体中个体数量总量的比值即为该ET-KNN分类器对故障识别的分类精度。
在所述遗传算法收敛达到全局最优时，得到ET-KNN分类器的最优参数，从而得到训练好的ET-KNN分类器；
将所述实时运行数据输入至训练好的ET-KNN分类器中，得到所述待仿真***的故障识别结果。
基于遗传算法优化ET-KNN分类器中参数的具体算法可以参见论文《一种高效集成分类器及其在蛋白质折叠识别中的应用研究》，该论文提出了基于遗传算法优化ET-KNN分类器中参数的具体算法，并将该算法用于蛋白质折叠识别，本实施例将该算法用于待仿真***的故障识别，二者的区别在于数据源的差别，对于算法本身没有实质差异，算法的相关内容可以参见该论文。
本实施例利用遗传算法优化仿真***中各个控制参数的取值，直到仿真***的输出与实际运行的数据差异最小时，遗传算法收敛，从而得到与实际运行状态最接近的控制参数，由仿真***运行该最接近的控制参数，实现待仿真***的仿真平台建模，以提高仿真的可靠性。优选地，通过故障识别***，由于ET-KNN中的参数通过遗传算法进行优化，能提高故障识别的精度。
本领域普通技术人员可以理解，实现上述实施例的全部或者部分步骤/单元/模块可以通过程序指令相关的硬件来完成，前述程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述实施例各单元中对应的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光碟等各种可以存储程序代码的介质。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于阀门的联合多模型仿真平台，其特征在于，包括：
数据***，用于获取并存储待仿真***的实时运行数据；所述待仿真***包括基于阀门的锅炉***及基于阀门的汽轮机***中的至少一个；
仿真***，用于根据所述待仿真***的物理信息建立对应的物理模型；所述物理模型中包括所述多个阀门；
控制***用于将所述仿真***中各阀门的控制参数的取值作为所述仿真***的输入，运行所述仿真***，得到对应的输出数据，以及将所述控制参数的取值与对应的输出数据作为关联数据存储在所述数据***；
参数优化决策***，用于根据预设的优化算法，在各阀门的控制参数预设的取值范围内，随机产生各阀门的控制参数的取值，并将所述对应的输出数据与所述待仿真***的实时运行数据之间的差异的倒数作为所述各阀门的控制参数的取值的评价函数，直到所述评价函数的取值最大时，得到的所述各阀门的控制参数的取值为各阀门的控制参数的最优取值；
所述控制***根据所述最优取值输入至所述仿真模型，基于所述最优取值运行的所述仿真模型即为优化得到的所述待仿真***的仿真平台，所述预设的优化算法为遗传算法；
所述基于阀门的联合多模型仿真平台还包括：
故障识别***，用于将所述实时运行数据输入至预先训练好的分类器中，得到所述待仿真***的故障识别结果；其中，所述预先训练好的分类器为ET-KNN分类器，所述ET-KNN分类器中的参数为基于遗传算法确定的最优参数；
确定训练ET-KNN分类器的输入数据集合为：各个时刻所述待仿真***的运行数据；
确定训练ET-KNN分类器的输出数据集合为：与所述输入数据集合对应的各个时刻所述待仿真***的预测故障类别信息；
基于遗传算法确定ET-KNN分类器的最优参数；具体包括：
将遗传算法随机产生的个体作为所述ET-KNN分类器的参数取值，个体的编码长度等于所述ET-KNN分类器中待优化参数的个数；
再利用遗传算法来优化所述待优化参数的取值，将所述ET-KNN分类器对故障识别的分类精度作为遗传算法的各个个体的适应度函数；所述ET-KNN分类器对故障识别的分类精度根据所述待仿真***的预测故障类别信息与所述待仿真***的真实故障类别信息的比对结果得到；
在所述遗传算法收敛达到全局最优时，得到ET-KNN分类器的最优参数，从而得到训练好的ET-KNN分类器；
将所述实时运行数据输入至训练好的ET-KNN分类器中，得到所述待仿真***的故障识别结果。
2.如权利要求1所述的基于阀门的联合多模型仿真平台，其特征在于，所述数据***包括：
数据获取装置，用于获取所述待仿真***的实时运行数据；
数据传输装置，用于传送所述实时运行数据；
数据存储装置，用于存储所述实时运行数据。
3.如权利要求1或2所述的基于阀门的联合多模型仿真平台，其特征在于，所述基于阀门的锅炉***包括的子***具体为：锅炉燃烧***、烟风***、汽水***、引风机、鼓风机、炉排、循环泵以及给水泵执行机构，所述基于阀门的锅炉***的物理信息包括所述子***的物理位置信息、与各子***之间管道的设置信息；
所述基于阀门的锅炉***的实时运行数据包括：排烟温度、炉膛燃烧温度、炉膛出口温度、烟气排烟含氧量、蒸汽压力、给水压力、冷空气温度、热风温度、电机电流、电机功率以及炉排转速。
4.如权利要求1或2所述的基于阀门的联合多模型仿真平台，其特征在于，所基于阀门的汽轮机***包括的子***具体为：高压缸、再热器、中压缸、连通管、以及低压缸；所述基于阀门的汽轮机***的物理信息包括所述子***的物理位置信息、与各子***之间管道的设置信息；
所述基于阀门的汽轮机***的实时运行数据包括：汽轮机转子的机械功率值，进入汽轮机的蒸汽流信息、高压缸的功率信息、中压缸的功率信息、以及低压缸的功率信息。
5.一种基于阀门的联合多模型仿真方法，其特征在于，包括：
仿真***根据待仿真***的物理信息建立对应的物理模型；所述物理模型中包括所述多个阀门；所述待仿真***包括基于阀门的锅炉***及基于阀门的汽轮机***中的至少一个；
控制***将所述仿真***中各阀门的控制参数的取值作为所述仿真***的输入，运行所述仿真***，得到对应的输出数据，以及将所述控制参数的取值与对应的输出数据作为关联数据存储在数据***；
所述数据***获取并存储待仿真***的实时运行数据；
参数优化决策***根据预设的优化算法，在各阀门的控制参数预设的取值范围内，随机产生各阀门的控制参数的取值，并将所述对应的输出数据与所述待仿真***的实时运行数据之间的差异的倒数作为所述各阀门的控制参数的取值的评价函数，直到所述评价函数的取值最大时，得到的所述各阀门的控制参数的取值为各阀门的控制参数的最优取值；
所述控制***根据所述最优取值输入至所述仿真模型，基于所述最优取值运行的所述仿真模型即为优化得到的所述待仿真***的仿真平台，所述预设的优化算法为遗传算法；
所述基于阀门的联合多模型仿真方法还包括：
确定训练ET-KNN分类器的输入数据集合为：各个时刻所述待仿真***的运行数据；
确定训练ET-KNN分类器的输出数据集合为：与所述输入数据集合对应的各个时刻所述待仿真***的预测故障类别信息；
基于遗传算法确定ET-KNN分类器的最优参数；具体包括：
将遗传算法随机产生的个体作为所述ET-KNN分类器的参数取值，个体的编码长度等于所述ET-KNN分类器中待优化参数的个数；
再利用遗传算法来优化所述待优化参数的取值，将所述ET-KNN分类器对故障识别的分类精度作为遗传算法的各个个体的适应度函数；所述ET-KNN分类器对故障识别的分类精度根据所述待仿真***的预测故障类别信息与所述待仿真***的真实故障类别信息的比对结果得到；
在所述遗传算法收敛达到全局最优时，得到ET-KNN分类器的最优参数，从而得到训练好的ET-KNN分类器；
将所述实时运行数据输入至训练好的ET-KNN分类器中，得到所述待仿真***的故障识别结果。
6.如权利要求5所述的基于阀门的联合多模型仿真方法，其特征在于，所述基于阀门的锅炉***包括的子***具体为：锅炉燃烧***、烟风***、汽水***、引风机、鼓风机、炉排、循环泵以及给水泵执行机构，所述基于阀门的锅炉***的物理信息包括所述子***的物理位置信息、与各子***之间管道的设置信息；
所述基于阀门的锅炉***的实时运行数据包括：排烟温度、炉膛燃烧温度、炉膛出口温度、烟气排烟含氧量、蒸汽压力、给水压力、冷空气温度、热风温度、电机电流、电机功率以及炉排转速；
所基于阀门的汽轮机***包括的子***具体为：高压缸、再热器、中压缸、连通管、以及低压缸；所述基于阀门的汽轮机***的物理信息包括所述子***的物理位置信息、与各子***之间管道的设置信息；
所述基于阀门的汽轮机***的实时运行数据包括：汽轮机转子的机械功率值，进入汽轮机的蒸汽流信息、高压缸的功率信息、中压缸的功率信息、以及低压缸的功率信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910064261.2A CN109783959B (zh) | 2019-01-23 | 2019-01-23 | 基于阀门的联合多模型仿真平台及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910064261.2A CN109783959B (zh) | 2019-01-23 | 2019-01-23 | 基于阀门的联合多模型仿真平台及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109783959A CN109783959A (zh) | 2019-05-21 |
| CN109783959B true CN109783959B (zh) | 2023-10-10 |
Family
ID=66502165
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910064261.2A Active CN109783959B (zh) | 2019-01-23 | 2019-01-23 | 基于阀门的联合多模型仿真平台及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109783959B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111428881B (zh) * | 2020-03-20 | 2021-12-07 | 深圳前海微众银行股份有限公司 | 识别模型的训练方法、装置、设备及可读存储介质 |
| CN113553765B (zh) * | 2021-07-14 | 2024-02-20 | 北京天地融创科技股份有限公司 | 锅炉运行过程的动态仿真模拟方法、装置及*** |
| CN113835359A (zh) * | 2021-09-07 | 2021-12-24 | 上海齐耀热能工程有限公司 | 用于燃烧器***的仿真调试装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105512388A (zh) * | 2015-12-04 | 2016-04-20 | 河北省电力建设调整试验所 | 一种基于labview的亚临界火电机组增强激励仿真建模方法 |
| CN108363896A (zh) * | 2018-05-10 | 2018-08-03 | 南京航空航天大学 | 一种液压缸故障诊断方法 |
| CN108388149A (zh) * | 2018-03-30 | 2018-08-10 | 福建省特种设备检验研究院 | 一种工业锅炉模拟仿真及远程监测*** |
| CN108508747A (zh) * | 2018-01-12 | 2018-09-07 | 华润电力（贺州）有限公司 | 配置双进双出磨煤机制粉***的直流炉机组模型建模方法 |
| CN108847679A (zh) * | 2018-08-06 | 2018-11-20 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 风力发电机组及用于其的次同步振荡识别方法、装置及*** |
| CN108876066A (zh) * | 2018-09-04 | 2018-11-23 | 常州英集动力科技有限公司 | 热网解列运行方案实时优化方法及其*** |
-
2019
- 2019-01-23 CN CN201910064261.2A patent/CN109783959B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105512388A (zh) * | 2015-12-04 | 2016-04-20 | 河北省电力建设调整试验所 | 一种基于labview的亚临界火电机组增强激励仿真建模方法 |
| CN108508747A (zh) * | 2018-01-12 | 2018-09-07 | 华润电力（贺州）有限公司 | 配置双进双出磨煤机制粉***的直流炉机组模型建模方法 |
| CN108388149A (zh) * | 2018-03-30 | 2018-08-10 | 福建省特种设备检验研究院 | 一种工业锅炉模拟仿真及远程监测*** |
| CN108363896A (zh) * | 2018-05-10 | 2018-08-03 | 南京航空航天大学 | 一种液压缸故障诊断方法 |
| CN108847679A (zh) * | 2018-08-06 | 2018-11-20 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 风力发电机组及用于其的次同步振荡识别方法、装置及*** |
| CN108876066A (zh) * | 2018-09-04 | 2018-11-23 | 常州英集动力科技有限公司 | 热网解列运行方案实时优化方法及其*** |
Non-Patent Citations (4)
| Title |
|---|
| A novel hierarchical ensemble classifier for protein fold recognition;Xia Guo and Xieping Gao;《Protein Engineering, Design & Selection》;全文 * |
| 基于分数阶控制的液压加载***设计与仿真;麦云飞等;《上海理工大学学报》;20151215(第06期);全文 * |
| 基于遗传算法和KNN的软件度量属性选择研究;崔正斌 等;《计算机工程与应用》;全文 * |
| 燃气蒸汽联合循环余热锅炉滑压运行;陈耿等;《广东电力》;20161231(第11期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109783959A (zh) | 2019-05-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109783959B (zh) | 基于阀门的联合多模型仿真平台及方法 | |
| US11232376B2 (en) | System and method for optimizing combustion of boiler | |
| US10732595B2 (en) | Control parameter automatic-adjustment apparatus, control parameter automatic-adjustment method, and control parameter automatic-adjustment apparatus network | |
| US20070055392A1 (en) | Method and system for model predictive control of a power plant | |
| US9952566B2 (en) | Method for controlling and/or regulating a technical system in a computer-assisted manner | |
| KR102094288B1 (ko) | 보일러의 연소 최적화 연산을 위한 시스템 및 방법 | |
| JP5918663B2 (ja) | 火力プラントの制御装置及び制御方法 | |
| CN105320114A (zh) | 基于数据挖掘的火力发电站锅炉燃烧调整模型获取方法 | |
| US20180307997A1 (en) | Systems and methods for improved quantification of uncertainty in turbomachinery | |
| WO2020255173A2 (en) | Method and system for optimization of combined cycle gas turbine operation | |
| US20200320237A1 (en) | Apparatus and method for deriving boiler combustion model | |
| Kurniawan et al. | Soft sensor for the prediction of oxygen content in boiler flue gas using neural networks and extreme gradient boosting | |
| US11287126B2 (en) | System and method for controlling operation of boiler | |
| Chaibakhsh | Modelling and long-term simulation of a heat recovery steam generator | |
| CN115526433A (zh) | 一种基于集成混合模型的电厂再热烟气挡板操作预测方法 | |
| CN115527078A (zh) | 数据预测方法、装置、设备以及模型训练方法 | |
| Kyriazis et al. | Gas turbine fault identification by fusing vibration trending and gas path analysis | |
| Leylek et al. | Global Three-Dimensional Surrogate Modeling of Gas Turbine Aerodynamic Performance | |
| Lusenko et al. | Development of a waste-heat boiler model based on recurrent neural networks | |
| JP2010244149A (ja) | データ分類方法，データ分類装置，診断方法，診断装置 | |
| Cerri et al. | Inverse methodologies for actual status recognition of gas turbine components | |
| Głuch | Selected problems of determining an efficient operation standard in contemporary heat-and-flow diagnostics | |
| US20230315081A1 (en) | Information processing apparatus, information output method, and computer-readable recording medium | |
| CN111539615B (zh) | 一种基于深度学习的锅炉燃烧过程状态监测方法及*** | |
| KR102406994B1 (ko) | 빅데이터 기반의 설비 이상 진단 및 분석 시스템 및 방법 |
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 |