CN109973159A - 确定汽轮机低压缸流量的方法和装置及机器可读存储介质 - Google Patents
确定汽轮机低压缸流量的方法和装置及机器可读存储介质 Download PDFInfo
- Publication number
- CN109973159A CN109973159A CN201910266935.7A CN201910266935A CN109973159A CN 109973159 A CN109973159 A CN 109973159A CN 201910266935 A CN201910266935 A CN 201910266935A CN 109973159 A CN109973159 A CN 109973159A
- Authority
- CN
- China
- Prior art keywords
- low pressure
- operating condition
- cylinder flow
- auxiliary variable
- collection
- 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
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
- F01D21/00—Shutting-down of machines or engines, e.g. in emergency; Regulating, controlling, or safety means not otherwise provided for
- F01D21/003—Arrangements for testing or measuring
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Control Of Turbines (AREA)
Abstract
本发明实施例提供一种确定汽轮机低压缸流量的方法和装置及机器可读存储介质,属于汽轮机蒸汽流量软测量领域。该方法包括:确定辅助变量的训练值集和所述低压缸流量的样本值集,其中,所述辅助变量包括以下参数:机组负荷、主蒸汽流量、主蒸汽压力和中压缸排汽压力;获取所述辅助变量的监测值;基于所述辅助变量的训练值集和所述低压缸流量的样本值集,训练神经网络模型;以及基于所述辅助变量的监测值和训练得到的神经网络模型,确定所述低压缸流量的监测值。籍此,实现了简单计算低压缸流量,利于工程应用,提高了容错率,降低了受错误数据的影响。
Description
技术领域
本发明涉及汽轮机蒸汽流量软测量领域,具体地涉及一种确定汽轮机低压缸流量的方法和装置及机器可读存储介质。
背景技术
目前,很多电厂都根据汽轮机生产厂家提供的机组性能曲线,保持机组的安全稳定运行。但是,大热电机组日益减少的电负荷限制日益增长的热负荷的供应,并且空冷机组抽汽量还会影响空冷岛的安全稳定运行。因此,汽轮机低压缸流量的实时监测方法研究及实际***平台开发,对于指导运行人员监视和控制空冷机组具有非常重要的意义。
目前,许多火电机组实际中的重要的技术参数和经济参数难以在线实时测量。因此,许多研究人员提出了软测量技术,该方法解决这些参数测量问题的有效策略之一,它利用一些易于测量的变量通过在线分析来估计这些不可测或难测变量。以蒸汽流量的精确测量为例,尤其对机组关键部件的蒸汽流量测量是有很严格的要求,因此许多研究人员致力于不同工况下的蒸汽质量流量软测量方法研究。然而,由于目前高参数、大容量机组的不断投产,原有的流量测量方式面临着压力损失大、准确度不高、寿命短等问题。同时,简单应用弗留格尔公式进行测量又面临着精度低等缺陷。在这样的背景下,就必须采用新的测量方法,开发设计新型的质量流量装置进行测量。部分研究成果表明,利用其它级段参数计算的主蒸汽流量与调节级参数计算出的主蒸汽流量接近。也有学者提出了基于主凝结水流量的汽轮机主蒸汽流量在线监测***实现方法,并对基准流量的选取、小量汽水流量的处理以及主蒸汽流量在线监测的实施进行分析,基于200 MW汽轮机组应用测试结果表明:该方法具有实时采集和处理数据的能力和较高的准确性,能够满足机组经济性诊断实时计算和在线负荷优化分配等工程应用对主蒸汽流量的要求。但是,对于传统数学模型,引入更多的间接参数增加了模型的复杂程度,并且引入参数过多增大了出现错误的可能性,而简化又会影响精度,需要寻找这二者之间的平衡点。实际上随着人工智能和计算机等相关软硬技术的发展,智能电厂和智能汽轮机正在逐步实现,尤其是一些智能监测及诊断方法实现及应用***开发设计。并且,已有研究人员基于人工神经网络技术,建立了工业蒸汽热流量及质量流量计量***,通过建立过热蒸汽的双输出参数人工神经网络模型,实现质量流量的温度、压力补偿及过热蒸汽热流量的测量。由此说明基于神经网络建立的监测模型已经能够满足工业需求,因此,考虑到现有计算模型的不足,利用神经网络构建汽轮机低压缸流量在线监测方法的需求变得更加迫切。
现有的低压缸流量估算方法存在以下问题:计算参数过少无法满足精度需求,计算参数过多又会增加模型的复杂程度,导致计算异常繁琐,不利于工程应用,而且容错率比较小,易受错误数据的影响。
发明内容
本发明的目的是提供一种设备,其可解决或至少部分解决上述问题。
为了实现上述目的,本发明的一个方面提供一种用于确定汽轮机低压缸流量的方法,该方法包括:确定辅助变量的训练值集和所述低压缸流量的样本值集,其中,所述辅助变量包括以下参数:机组负荷、主蒸汽流量、主蒸汽压力和中压缸排汽压力;获取所述辅助变量的监测值;基于所述辅助变量的训练值集和所述低压缸流量的样本值集,训练神经网络模型;以及基于所述辅助变量的监测值和训练得到的神经网络模型,确定所述低压缸流量的监测值。
可选地,所述确定辅助变量的训练值集和所述低压缸流量的样本值集包括:基于抽汽量和汽轮机热平衡图,确定至少一个工况取值区间及每一所确定的工况取值区间的两端点工况点分别对应的负荷和所述低压缸流量的样本值;基于负荷和低压缸流量的线性关系、预设工况间隔、每一工况取值区间的两端点工况点分别对应的负荷和所述汽轮机热平衡图,确定每一工况取值区间的中间工况点及每一中间工况点对应的负荷和所述低压缸流量的样本值;基于历史数据库和所述至少一个工况取值区间中的每一工况取值区间对应的端点工况点和中间工况点分别对应的负荷,确定分别对应的所述辅助变量的训练值,其中,所述至少一个工况取值区间中每一工况取值区间的端点工况和中间工况点分别对应的所述辅助变量的训练值组成所述辅助变量的训练值集,所述至少一个工况取值区间中每一工况取值区间的端点工况和中间工况点分别对应的所述低压缸流量的样本值组成所述低压缸流量的样本值集。
可选地,所述预设工况间隔的范围为0.5MW-5MW。
相应地,本发明的另一方面提供一种用于确定汽轮机低压缸流量的装置,该装置包括:训练数据确定模块,用于确定辅助变量的训练值集和所述低压缸流量的样本值集,其中,所述辅助变量包括以下参数:机组负荷、主蒸汽流量、主蒸汽压力和中压缸排汽压力;辅助变量获取模块,用于获取所述辅助变量的监测值;训练模块,用于基于所述辅助变量的训练值集和所述低压缸流量的样本值集训练神经网络模型;以及低压缸流量确定模块,用于基于所述辅助变量的监测值和训练得到的神经网络模型确定所述低压缸流量的监测值。
可选地,所述训练数据确定模块确定辅助变量的训练值集和所述低压缸流量的样本值集包括:基于抽汽量和汽轮机热平衡图确定至少一个工况取值区间及每一所确定的工况取值区间的两端点工况点分别对应的负荷和所述低压缸流量的样本值;基于负荷和低压缸流量的线性关系、预设工况间隔、每一工况取值区间的两端点工况点分别对应的负荷和所述汽轮机热平衡图确定每一工况取值区间的中间工况点及每一中间工况点对应的负荷和所述低压缸流量的样本值;基于历史数据库和所述至少一个工况取值区间中的每一工况取值区间对应的端点工况点和中间工况点分别对应的负荷确定分别对应的所述辅助变量的训练值,其中,所述至少一个工况取值区间中每一工况取值区间的端点工况和中间工况点分别对应的所述辅助变量的训练值组成所述辅助变量的训练值集,所述至少一个工况取值区间中每一工况取值区间的端点工况和中间工况点分别对应的所述低压缸流量的样本值组成所述低压缸流量的样本值集。
可选地,所述预设工况间隔的范围为0.5MW-5MW。
此外,本发明的另一方面提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行上述的方法。
通过上述技术方案,训练神经网络模型,基于训练后的神经网络模型确定低压缸流量的监测值,计算简单,利于工程应用;辅助变量包括多个参数,使得当其中一个参数导致低压缸流量的监测值存在误差时,其他参数可以平衡产生的误差,提高了容错率,降低了受错误数据的影响。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1是本发明一实施例提供的用于确定汽轮机低压缸流量的方法的流程图;
图2是本发明另一实施例提供的工况取值区间的示意图;
图3是本发明另一实施例提供的用于确定汽轮机低压缸流量的方法的逻辑示意图;
图4是本发明另一实施例提供的神经网络模型的示意图;
图5是本发明另一实施例提供的数据通讯示意图;以及
图6是本发明另一实施例提供的用于确定汽轮机低压缸流量的装置的结构框图。
附图标记说明
1 训练数据确定模块 2 辅助变量获取模块
3 训练模块 4 低压缸流量确定模块
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
本发明实施例的一个方面提供一种用于确定汽轮机低压缸流量的方法。图1是本发明一实施例提供的用于确定汽轮机低压缸流量的方法的流程图。如图1所示,该方法包括以下内容。
在步骤S10中,确定辅助变量的训练值集和低压缸流量的样本值集,其中,辅助变量包括以下参数:机组负荷、主蒸汽流量、主蒸汽压力和中压缸排汽压力。其中,训练值集和样本值集可以是从已知的辅助变量的数据和低压缸流量的数据中获取。
在步骤S11中,获取辅助变量的监测值。例如,从PI数据库获取辅助变量的实际数据。
在步骤S12中,基于辅助变量的训练值集和低压缸流量的样本值集,训练神经网络模型。辅助变量为神经网络模型的输入,低压缸流量为神经网络模型的输出。
在步骤S13中,基于辅助变量的监测值和训练得到的神经网络模型,确定低压缸流量的监测值。
训练神经网络模型,基于训练后的神经网络模型确定低压缸流量的监测值,计算简单,利于工程应用;辅助变量包括多个参数,使得当其中一个参数导致低压缸流量的监测值存在误差时,其他参数可以平衡产生的误差,提高了容错率,降低了受错误数据的影响。此外,采用神经网络去学习训练汽轮机低压缸流量在线监测方法可以引入更多的测量参数,能够有效提升计算的精度;
可选地,在本发明实施例中,可以基于汽轮机热平衡图和历史数据库来确定训练值集和样本值集。具体地,基于抽汽量,在汽轮机热平衡图上确定至少一个工况取值区间,如图2所示,图2示出了一工况取值区间的示意图,功率A和功率B是该工况取值区间的两端点工况点。基于热平衡,确定每一工况取值区间的两端点工况点分别对应的负荷和低压缸流量的样本值。然后确定至少一个工况取值区间中的每一工况取值区间的中间工况点及每一中间工况点对应的负荷和低压缸流量的样本值。下面以图2所示的工况取值区间为例进行说明。基于负荷和低压缸流量的线性关系,以该工况取值区间的端点工况点,功率A点,为起始点,每个预设工况间隔取一个中间工况点,在功率A和功率B之间取确定中间工况点。基于汽轮机热平衡图,确定每一中间工况点对应的负荷和低压缸流量的样本值。如此,采用同样的方法确定出至少一个工况取值区间中每一工况取值区间的中间工况点击每一中间工况点对应的负荷和低压缸流量的样本值。历史数据中记录了不同工况的负荷与辅助变量之间的对应关系,基于历史数据库和至少一个工况取值区间中的每一工况取值区间对应的端点工况点和中间工况点分别对应的负荷,确定每一工况取值区间对应的端点工况点和中间工况点分别对应的辅助变量的训练值,其中,至少一个工况取值区间中每一工况取值区间的端点工况和中间工况点分别对应的辅助变量的训练值组成辅助变量的训练值集,至少一个工况取值区间中每一工况取值区间的端点工况和中间工况点分别对应的低压缸流量的样本值组成低压缸流量的样本值集。可选地,在本发明实施例中,预设工况间隔的取值范围可以是0.5MW-5MW。基于不同工况的数据训练神经网络模型,使得本发明实施例提供的用于确定汽轮机低压缸流量的方法可以满足机组负荷不断变化的工况,如多变的调峰以及抽汽需求,特别是空冷机组,减少出现抽汽导致流经空冷岛的蒸汽量减少及容易引发空冷岛冻结的现象。另外,训练神经网络模型时采用依据机组典型工况提取样本点构建数据集,从数据集的角度提升训练精度,间接提高计算模型的精度。另外,预设工况间隔范围越小,精度越高。
图3是本发明另一实施例提供的用于确定汽轮机低压缸流量的方法的逻辑示意图。本发明解决了现有监测模型无法满足实际工程需求,提出了一种基于神经网络的汽轮机低压缸流量在线检测方法。本发明实施例结合现有的可测热工参数,建立低压缸流量实时监测的神经网络非线性模型,开发低压缸流量的在线监测***。最终,保证空冷岛不冻结的情况下,计算出空冷岛安全运行的抽汽量,实现冬季机组电负荷与供热能力的实时监测,完成电网尖峰电源不足情况下的机组热电调度。下面结合图3对该方法进行介绍。
基于神经网络的汽轮机低压缸流量在线检测方法包括以下内容:
步骤一:以机组负荷、主蒸汽流量、主蒸汽压力和中压缸排汽压力为输入、汽轮机低压缸流量为输出,建立基于神经网络的非线性模型,如图4所示。神经网络共包括3层,一层输入层,输入层共包括4个节点:机组负荷、主蒸汽流量、主蒸汽压力、中压缸排汽压力。中间为一层隐藏层,最后为一层输出层,输出参数为低压缸流量。
步骤二:构建辅助变量训练值集和低压缸流量的样本值集。利用汽轮机热平衡图根据抽汽量获得典型工况数据点,并将获取的几个工况数据散点进行差值,差值密度按照负荷变化1MW来选取,从而获得中间工况数据点;基于热平衡图确定典型工况数据点和中间工况数据点的负荷对应的低压缸流量的值;从历史数据库中提取典型工况数据点和中间工况数据点的负荷对应的机组负荷、主蒸汽流量、主蒸汽压力、中压缸排汽压力值等节点参数,构建辅助变量训练值集和低压缸流量的样本值集。
步骤三:利用步骤二所构建的数据集,对步骤一所建立的神经网络进行训练,得到最终的非线性模型。
步骤四:利用PI数据库***中的实际数据(包括机组负荷、主蒸汽流量、主蒸汽压力、中压缸排汽压力值),搭建汽轮机低压缸流量在线流量监测平台。在获取模型后,通过PI数据库接入机组的实时运行数据实现流量的在线实时计算。将PI数据库***中的实际数据输入训练得到的神经网络模型,得到低压缸流量的监测值。其中,基于神经网络的汽轮机低压缸流量在线监测***的数据通讯实现可以参照图5所示。
本发明实施例提出了一种基于神经网络的汽轮机低压缸流量在线监测方法,能够在机组正常运行时,依据实时的运行数据计算空冷岛安全运行的抽汽量,为空冷机组安全运行提供了更好的保障,具有较强的实际应用价值。采用神经网络去学***衡图提取历史数据训练模型,最后利用PI数据库实现模型与监测设备间的数据实时传输,最终构建出基于神经网络的低压缸蒸汽流量在线监测方法。在保证空冷岛不冻结的情况下,计算出空冷岛安全运行的抽汽量,实现冬季机组电负荷与供热能力的实时监测,完成电网尖峰电源不足情况下的机组热电调度。
相应地,本发明实施例的另一方面提供一种用于确定汽轮机低压缸流量的装置。图6是本发明另一实施例提供的用于确定汽轮机低压缸流量的装置的结构框图。如图6所示,该装置包括训练数据确定模块、辅助变量获取模块、训练模块和低压缸流量确定模块。其中,训练数据确定模块1用于确定辅助变量的训练值集和低压缸流量的样本值集,其中,辅助变量包括以下参数:机组负荷、主蒸汽流量、主蒸汽压力和中压缸排汽压力;辅助变量获取模块2用于获取辅助变量的监测值;训练模块3用于基于辅助变量的训练值集和低压缸流量的样本值集训练神经网络模型;低压缸流量确定模块4用于基于辅助变量的监测值和训练得到的神经网络模型确定低压缸流量的监测值。
可选地,在本发明实施例中,训练数据确定模块确定辅助变量的训练值集和低压缸流量的样本值集包括:基于抽汽量和汽轮机热平衡图确定至少一个工况取值区间及每一所确定的工况取值区间的两端点工况点分别对应的负荷和低压缸流量的样本值;基于负荷和低压缸流量的线性关系、预设工况间隔、每一工况取值区间的两端点工况点分别对应的负荷和汽轮机热平衡图确定每一工况取值区间的中间工况点及每一中间工况点对应的负荷和低压缸流量的样本值;以及基于历史数据库和至少一个工况取值区间中的每一工况取值区间对应的端点工况点和中间工况点分别对应的负荷确定分别对应的辅助变量的训练值,其中,至少一个工况取值区间中每一工况取值区间的端点工况和中间工况点分别对应的辅助变量的训练值组成辅助变量的训练值集,至少一个工况取值区间中每一工况取值区间的端点工况和中间工况点分别对应的低压缸流量的样本值组成低压缸流量的样本值集。
可选地,在本发明实施例中,预设工况间隔的范围为0.5MW-5MW。
本发明实施例提供的用于确定汽轮机低压缸流量的装置的具体工作原理及益处与本发明实施例提供的用于确定汽轮机低压缸流量的方法的具体工作原理及益处相似,这里将不再赘述。
此外,本发明实施例的另一方面提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行上述实施例中所述的方法。
以上结合附图详细描述了本发明实施例的可选实施方式,但是,本发明实施例并不限于上述实施方式中的具体细节,在本发明实施例的技术构思范围内,可以对本发明实施例的技术方案进行多种简单变型,这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施例对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得单片机、芯片或处理器(processor)执行本申请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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外,本发明实施例的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施例的思想,其同样应当视为本发明实施例所公开的内容。
Claims (7)
1.一种确定汽轮机低压缸流量的方法,其特征在于,该方法包括:
确定辅助变量的训练值集和所述低压缸流量的样本值集,其中,所述辅助变量包括以下参数:机组负荷、主蒸汽流量、主蒸汽压力和中压缸排汽压力;
获取所述辅助变量的监测值;
基于所述辅助变量的训练值集和所述低压缸流量的样本值集,训练神经网络模型;以及
基于所述辅助变量的监测值和训练得到的神经网络模型,确定所述低压缸流量的监测值。
2.根据权利要求1所述的方法,其特征在于,所述确定辅助变量的训练值集和所述低压缸流量的样本值集包括:
基于抽汽量和汽轮机热平衡图,确定至少一个工况取值区间及每一所确定的工况取值区间的两端点工况点分别对应的负荷和所述低压缸流量的样本值;
基于负荷和低压缸流量的线性关系、预设工况间隔、每一工况取值区间的两端点工况点分别对应的负荷和所述汽轮机热平衡图,确定每一工况取值区间的中间工况点及每一中间工况点对应的负荷和所述低压缸流量的样本值;以及
基于历史数据库和所述至少一个工况取值区间中的每一工况取值区间对应的端点工况点和中间工况点分别对应的负荷,确定分别对应的所述辅助变量的训练值,其中,所述至少一个工况取值区间中每一工况取值区间的端点工况和中间工况点分别对应的所述辅助变量的训练值组成所述辅助变量的训练值集,所述至少一个工况取值区间中每一工况取值区间的端点工况和中间工况点分别对应的所述低压缸流量的样本值组成所述低压缸流量的样本值集。
3.根据权利要求2所述的方法,其特征在于,所述预设工况间隔的范围为0.5MW-5MW。
4.一种用于确定汽轮机低压缸流量的装置,其特征在于,该装置包括:
训练数据确定模块,用于确定辅助变量的训练值集和所述低压缸流量的样本值集,其中,所述辅助变量包括以下参数:机组负荷、主蒸汽流量、主蒸汽压力和中压缸排汽压力;
辅助变量获取模块,用于获取所述辅助变量的监测值;
训练模块,用于基于所述辅助变量的训练值集和所述低压缸流量的样本值集训练神经网络模型;以及
低压缸流量确定模块,用于基于所述辅助变量的监测值和训练得到的神经网络模型确定所述低压缸流量的监测值。
5.根据权利要求4所述的装置,其特征在于,所述训练数据确定模块确定辅助变量的训练值集和所述低压缸流量的样本值集包括:
基于抽汽量和汽轮机热平衡图确定至少一个工况取值区间及每一所确定的工况取值区间的两端点工况点分别对应的负荷和所述低压缸流量的样本值;
基于负荷和低压缸流量的线性关系、预设工况间隔、每一工况取值区间的两端点工况点分别对应的负荷和所述汽轮机热平衡图确定每一工况取值区间的中间工况点及每一中间工况点对应的负荷和所述低压缸流量的样本值;以及
基于历史数据库和所述至少一个工况取值区间中的每一工况取值区间对应的端点工况点和中间工况点分别对应的负荷确定分别对应的所述辅助变量的训练值,其中,所述至少一个工况取值区间中每一工况取值区间的端点工况和中间工况点分别对应的所述辅助变量的训练值组成所述辅助变量的训练值集,所述至少一个工况取值区间中每一工况取值区间的端点工况和中间工况点分别对应的所述低压缸流量的样本值组成所述低压缸流量的样本值集。
6.根据权利要求5所述的装置,其特征在于,所述预设工况间隔的范围为0.5MW-5MW。
7.一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行权利要求1-3中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910266935.7A CN109973159A (zh) | 2019-04-03 | 2019-04-03 | 确定汽轮机低压缸流量的方法和装置及机器可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910266935.7A CN109973159A (zh) | 2019-04-03 | 2019-04-03 | 确定汽轮机低压缸流量的方法和装置及机器可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109973159A true CN109973159A (zh) | 2019-07-05 |
Family
ID=67082862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910266935.7A Pending CN109973159A (zh) | 2019-04-03 | 2019-04-03 | 确定汽轮机低压缸流量的方法和装置及机器可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109973159A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188380A (zh) * | 2019-04-18 | 2019-08-30 | 中国神华能源股份有限公司 | 确定汽轮机低压缸流量的方法和装置及机器可读存储介质 |
CN111539154A (zh) * | 2020-04-16 | 2020-08-14 | 哈尔滨工业大学 | 一种汽轮机运行性能变化的定量评估方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107908865A (zh) * | 2017-11-14 | 2018-04-13 | 西安热工研究院有限公司 | 一种基于机器算法的汽轮机低压缸排汽焓实时计算方法 |
CN108647809A (zh) * | 2018-04-17 | 2018-10-12 | 西安热工研究院有限公司 | 一种基于最小二乘支持向量机的汽轮机排汽焓实时计算方法 |
CN108960492A (zh) * | 2018-06-20 | 2018-12-07 | 上海电力学院 | 一种基于pso-svr软测量模型的汽轮机排汽焓预测方法 |
-
2019
- 2019-04-03 CN CN201910266935.7A patent/CN109973159A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107908865A (zh) * | 2017-11-14 | 2018-04-13 | 西安热工研究院有限公司 | 一种基于机器算法的汽轮机低压缸排汽焓实时计算方法 |
CN108647809A (zh) * | 2018-04-17 | 2018-10-12 | 西安热工研究院有限公司 | 一种基于最小二乘支持向量机的汽轮机排汽焓实时计算方法 |
CN108960492A (zh) * | 2018-06-20 | 2018-12-07 | 上海电力学院 | 一种基于pso-svr软测量模型的汽轮机排汽焓预测方法 |
Non-Patent Citations (3)
Title |
---|
倪定等: "300MW 机组寿命管理在线监测***", 《全国火电大机组(300MW 级)竞赛第34 届年会论文集》 * |
王桐等: "基于均匀设计的供热机组安全运行区的计算方法", 《华北电力大学学报》 * |
袁鹏飞等: "实时转子寿命损耗在线监控***", 《汽轮机技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188380A (zh) * | 2019-04-18 | 2019-08-30 | 中国神华能源股份有限公司 | 确定汽轮机低压缸流量的方法和装置及机器可读存储介质 |
CN111539154A (zh) * | 2020-04-16 | 2020-08-14 | 哈尔滨工业大学 | 一种汽轮机运行性能变化的定量评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022151890A1 (zh) | 一种风电场发电量评估及微观选址模型建立方法 | |
CN106682376B (zh) | 参数随工况变化实际特性的全过程汽轮机建模及辨识方法 | |
CN105569748B (zh) | 一种湿冷汽轮机运行背压连续优化控制方法及*** | |
CN105160489B (zh) | 一种水电机组变权劣化评估***及评估方法 | |
CN109740953A (zh) | 一种风电机组的实时状态评估方法 | |
CN103425878B (zh) | 电力***准动态潮流与电网运行态势快速计算方法 | |
CN110363334B (zh) | 基于灰色神经网络模型的光伏并网的电网线损预测方法 | |
CN109272190A (zh) | 一种基于动量bp神经网络的电力电缆状态评价方法 | |
CN109973159A (zh) | 确定汽轮机低压缸流量的方法和装置及机器可读存储介质 | |
CN109185917A (zh) | 一种基于火焰强度信号的锅炉燃烧状态在线诊断方法及*** | |
CN110543696A (zh) | 一种未建模小机组参与电力市场出清和安全校核的方法 | |
CN112836941A (zh) | 一种煤电机组汽轮机高加***在线健康状况评估方法 | |
CN101539137B (zh) | 一种基于δ滤波器的航空液压泵剩余寿命灰色预测方法 | |
CN106451570B (zh) | 一种船舶发电柴油机组负载动态分配方法及装置 | |
CN106655152A (zh) | 一种基于ami量测特性的配电网状态估计方法 | |
CN102494895B (zh) | 对电站汽轮机组节能及优化的分析方法 | |
CN111413543A (zh) | 一种低压配电线路谐波电阻参数辨识的实验装置和方法 | |
CN110206595A (zh) | 一种汽轮机组运行热耗率在线实时测试方法及装置 | |
CN111797537B (zh) | 一种含风电配电***可靠性评估方法及装置 | |
CN110188380A (zh) | 确定汽轮机低压缸流量的方法和装置及机器可读存储介质 | |
CN115549093B (zh) | 一种新能源电力***在线建模与振荡分析的方法及*** | |
CN110261693A (zh) | 一种基于稳态采样技术的在线热力试验方法及*** | |
CN115879976A (zh) | 一种碳中和仿真方法及终端 | |
Chen et al. | Novel and robust outflow forecasting methods for upstream large hydropower stations | |
CN212846878U (zh) | 边际成本测算*** |
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 |