CN111428747A - 空冷散热翅片灰污状况监测方法及装置 - Google Patents
空冷散热翅片灰污状况监测方法及装置 Download PDFInfo
- Publication number
- CN111428747A CN111428747A CN202010092200.XA CN202010092200A CN111428747A CN 111428747 A CN111428747 A CN 111428747A CN 202010092200 A CN202010092200 A CN 202010092200A CN 111428747 A CN111428747 A CN 111428747A
- Authority
- CN
- China
- Prior art keywords
- data
- back pressure
- working condition
- condition data
- theoretical
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F28—HEAT EXCHANGE IN GENERAL
- F28F—DETAILS OF HEAT-EXCHANGE AND HEAT-TRANSFER APPARATUS, OF GENERAL APPLICATION
- F28F3/00—Plate-like or laminated elements; Assemblies of plate-like or laminated elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Thermal Sciences (AREA)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了空冷散热翅片灰污状况监测方法及装置,方法包括:获取空冷散热翅片的冲洗后预设时段的历史工况数据和空冷散热翅片的设计数据;将历史工况数据和设计数据作为神经网络的训练数据进行建模训练,生成理论背压模型;利用理论背压模型根据当前工况数据确定当前理论背压;根据确定的当前理论背压和采集的实际背压的背压偏差进行空冷散热翅片灰污状况监测。本发明基于冲洗后在清洁状况下的工况数据进行背压模型建模,生成理论背压模型,确定当前工况下的理论背压数据,根据确定的理论背压数据和测得的实际背压数据的偏差,根据背压偏差判断确定直接空冷散热翅片脏污程度,空冷冲洗等相关工作提供指导依据。
Description
技术领域
本发明涉及空冷散热技术,具体的讲是一种空冷散热翅片灰污状况监测方法及装置。
背景技术
随着国家节能减排和环保政策逐步增强,为节约用水火电机组广泛采用空冷机组取代传统湿冷机组,目前,直接空冷是火电机组主要采用的一种模式。
直接空冷散热翅片面积大、结构紧密容易造成灰尘和柳絮等物质沉积,增大了其热阻影响整体换热效率,引起机组背压升高、空冷风机耗电率增大等问题,尤其是在夏季高负荷期间机组背压升高是困降低机组接带负荷能力的主要因素,直接影响电网的稳定性。因此,需要定期对直接空冷散热翅片进行冲洗,现有技术中,对直接空冷散热翅片的冲洗主要依据经验定期冲洗。现有技术中的依据经验对直接空冷散热翅片的定期冲洗,一方面存在冲洗不及时、不到位现象,导致机组背压偏高和空冷风机耗电率偏大,另一方面,定期冲洗存在冲洗过量的现象,导致浪费大量水源。
发明内容
为对直接空冷散热翅片的灰污状况进行监测,提供冲洗依据,本发明实施例提供了一种空冷散热翅片灰污状况监测方法,包括:
获取空冷散热翅片的冲洗后预设时段的历史工况数据和背压数据;
将所述的历史工况数据和背压数据作为神经网络的训练数据进行建模训练,生成理论背压模型;
利用所述的理论背压模型根据当前工况数据确定当前理论背压;
根据确定的当前理论背压和采集的实际背压的背压偏差进行空冷散热翅片灰污状况监测。
本发明实施例中,所述的工况数据包括:
机组负荷、排气流量、风机频率、环境温度、环境风速、环境风向、环境湿度、空冷凝结水温。
本发明实施例中,所述的将所述的历史工况数据和背压数据作为神经网络的训练数据进行建模训练,生成理论背压模型包括:
对所述的历史工况数据进行聚类处理,将所述历史工况数据分为不同类的历史工况数据;
将分类后的历史工况数据作为输入数据,对应的背压数据作为输出数据,进行神经网络建模训练,生成各类历史工况数据对应的理论背压模型。
本发明实施例中,所述的利用所述的理论背压模型根据当前工况数据确定当前理论背压包括:
根据当前的工况数据和聚类处理后的历史工况数据确定当前工况数据对应的理论背压模型;
根据对应的理论背压模型和当前的工况数据确定当前理论背压。
同时,本发明还提供一种空冷散热翅片灰污状况监测装置,装置包括:
数据获取模块,用于获取空冷散热翅片的冲洗后预设时段的历史工况数据和背压数据;
建模模块,用于将所述的历史工况数据和背压数据作为神经网络的训练数据进行建模训练,生成理论背压模型;
理论背压确定模块,用于利用所述的理论背压模型根据当前工况数据确定当前理论背压;
监测模块,用于根据确定的当前理论背压和采集的实际背压的背压偏差进行空冷散热翅片灰污状况监测。
本发明实施例中,所述的建模模块包括:
聚类单元,用于对所述的历史工况数据进行聚类处理,将所述历史工况数据分为不同类的历史工况数据;
训练单元,用于将分类后的历史工况数据作为输入数据,对应的背压数据作为输出数据,进行神经网络建模训练,生成各类历史工况数据对应的理论背压模型。
本发明实施例中,所述的理论背压确定模块包括:
根据当前的工况数据和聚类处理后的历史工况数据确定当前工况数据对应的理论背压模型;
根据对应的理论背压模型和当前的工况数据确定当前理论背压。
同时,本发明还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述方法。
同时,本发明还提供一种计算机可读存储介质,计算机可读存储介质存储有执行上述方法的计算机程序。
本发明提供空冷散热翅片灰污状况监测方法及装置,基于冲洗后预设时段内空冷换热翅片在清洁状况下的工况数据进行背压模型建模,生成理论背压模型,利用生成的理论背压模型确定当前工况下的理论背压数据,根据确定的理论背压数据和测得的实际背压数据的偏差,根据背压偏差判断确定直接空冷散热翅片脏污程度,即利用背压偏差指导相关人员进行空冷冲洗等相关工作。
为让本发明的上述和其他目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附图式,作详细说明如下。
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,下面将对实施例或现有技术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为本发明提供的空冷散热翅片灰污状况监测方法的流程图;
图2为本发明实施例中的流程图;
图3为本发明实施例中的框图;
图4为本发明提供的空冷散热翅片灰污状况监测装置的框图;
图5为本发明实施例中的电子设备的示意图。
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。
如图1所示,为本发明提供的空冷散热翅片灰污状况监测方法,所述的方法包括:
步骤S101,获取空冷散热翅片的冲洗后预设时段的历史工况数据和背压数据;
步骤S102,将所述的历史工况数据和背压数据作为神经网络的训练数据进行建模训练,生成理论背压模型;
步骤S103,利用所述的理论背压模型根据当前工况数据确定当前理论背压;
步骤S104,根据确定的当前理论背压和采集的实际背压的背压偏差进行空冷散热翅片灰污状况监测。
本发明提供的空冷散热翅片灰污状况监测方法,基于冲洗后预设时段内的空冷换热翅片在清洁状况下的工况数据,利用神经网络算法进行背压模型建模训练,生成理论背压模型,利用生成的理论背压模型确定当前工况下的理论背压数据,根据确定的理论背压数据和测得的实际背压数据的偏差,根据背压偏差确定直接空冷散热翅片脏污程度,即利用背压偏差作为参考指标指导进行空冷冲洗等相关工作。
本发明一实施例中,将所述的历史工况数据和背压数据作为神经网络的训练数据进行建模训练,生成理论背压模型包括:
对历史工况数据进行聚类处理,将历史工况数据分为不同类的历史工况数据;
将分类后的历史工况数据作为输入数据,对应的背压数据作为输出数据,进行神经网络建模训练,生成各类历史工况数据对应的理论背压模型。
进一步,利用理论背压模型根据当前工况数据确定当前理论背压包括:
根据当前的工况数据和聚类处理后的历史公开数据确定当前工况数据对应的理论背压模型;
根据对应的理论背压模型和当前的工况数据确定当前理论背压。
通过对历史工况数据进行聚类的分类处理,确定不同类历史数据对应的理论背压模型,针对不同的工况选择对应的理论背压模型,获得的背压偏差更加科学,对空冷散热器的冲洗会更加科学,能够更好预测空冷的脏污程度,有效提升机组背压和空冷风机耗电率的经济性。
下面结合具体实施例对本发明的技术方案作进一步详细阐述。
空冷凝汽器是由8列,每列7排“A”屋顶型铝钢翅片管排构成。每列的7个分凝汽器中,3、6排为辅凝汽器,1、2、4、5、7排为主凝汽器,主凝汽器为顺流,辅凝汽器为逆流(冷凝后的凝结水的流动方向与蒸汽流动方向相同为顺流,流动方向相反为逆流)。每个凝汽器包含10个管束,每个管束包含41根管道,即每个凝汽器是由410根铝钢管构成。空冷凝汽器屋顶下方布置的轴流风机迫使空气流过散热翅片,使得翅片内的蒸汽降温凝结成凝结水。
散热翅片常年曝露于室外,灰尘使得翅片脏污从而影响它的换热,所以每台机组提供一套高压水清洗***,清洗***包括清洗水泵,控制阀门,不锈钢管道,可移动的带有桁架和喷嘴的清洗头,热浸电镀导轨,活动软管,支吊架,阀门,压力表等。高压水清洗***能够在空冷凝汽器正常工作的时候对翅片的外部表面进行清洗,是半自动的清洗设备,其中,垂直移动采用电动机驱动方式,水平移动采用手动方式。本方案计划利用已配备的空冷冲洗装置,在本发明提供的散热翅片灰污状况监测模型的指导下进行针对性冲洗。
本实施例中,提供的一种直接空冷散热翅片整体清洁状况的监测方法,所述步骤包括如下步骤:
步骤(1)历史数据采集。
本实施例中从机组的SIS(实时监控股管理***)数据源采集所需的工况数据;
本实施例中,通过设置测点采集工况数据,数据采集间隔为1min,采集包括:机组负荷、排气流量、风机频率、环境温度、环境风速、环境风向、环境湿度和空冷凝结水温等数据。
步骤(2)数据预处理。
由于传感器故障或信号中断,运行数据中可能存在一些异常值;另外由于电厂内各项数据存在一定延迟,可能出现各个数据无法准确对应的情况,因此,本实施例中,对采集的历史数据进行数据分析前先进行预处理。
本实施例中对历史数据的预处理包括:
剔除异常值;针对数据中可能存在一些异常值,例如数值超过正常运行的上下限和数值在一段时间内保持不变等,需要剔除掉这些数据,保证结果的可靠性。
数据时均化;针对数据可能出现无法准确对应的情况,对数据进行一定时间的时均化处理可有效改善该问题,例如对各项数据进行30min累计。
步骤(3)冲洗历史数据选取。
在步骤(2)处理过的数据基础上,选取冲洗历史数据。
本实施例中通过空冷岛冲洗后7天内的工况下的累计数据,作为空冷换热翅片清洁状况下的数据计算出最佳理论背压,以该理论背压数据建立目标库,使之成为直接空冷散热翅片冲洗模型的目标函数。
步骤(4)理论背压模型建立。
数据获取;本实施例中,利用神经网络训练建立背压模型涉及的模型数据包括:设计数据以及冲洗后的历史数据(冲洗一周内)。获取设计数据以及冲洗后时间段机组负荷、排气流量、风机频率、环境温度、环境风速、环境风向、环境湿度、空冷凝结水温以及背压的不同工况数据。
并且,随着新的一轮冲洗后,新获取的冲洗数据将会加入训练,即对建立的背压模型进行动态修正。
数据聚类;对采集的所有数据,本实施例中,采用高斯混合模型(GMM)建模分为K类。视为建模数据满足高斯混合概率分布,即数据由多个高斯概率分布组合而成。可以写成高斯分布的线性叠加的形式,即:
本发明实施例中,在求解高斯混合模型时,引入二值随机变量z,这个变量采用“1-of-K”表示形式,其中某个特定元素zk为1,其余元素均为0,即zk∈{0,1}且Σkzk=1,根据元素是否为0,z有K个可能出现的状态。根据边缘概率密度p(z)和条件概率分布p(x|z)定义联合概率密度p(x,z),z的边缘概率分布根据混合系数πk进行赋值:
p(zk=1)=πk
由于采用了“1-of-K”表示形式,变量z的概率分布可以表示为:
相应的,给定z的值,x的条件概率分布就是一个高斯分布:
p(x|zk=1)=πkN(x|μk,Σk)
从而x的边缘概率分布可以通过联合概率分布对所有可能的z求和的方式得到:
给定观测量{x1,...,xN},根据给出的边缘概率分布p(x),对于每一个数据观测样本xn,存在一个对应的潜在变量zn,因此在假定高斯混合分布由K个简单高斯分布线性叠加,且潜在变量zn中只有一个变量值为1,其余为0的前提下,观测样本xn可以自动归类为第k个高斯分布。
本发明一实施例中,进行数据分类具体为:发电过程随着负荷等条件的变化表现为多模态特征,本发明一实施例考虑了机组负荷、排气流量、风机频率、环境温度、环境风速、环境风向、环境湿度、空冷凝结水温以及背压九个参数,因此,高斯混合模型根据历史训练数据{x1,...,x9}的特征,引入潜变量结合似然函数最大化理论实现高效的模态划分并完成建模,边缘概率分布p(x)表征观测量在某个高斯组分的概率值,针对历史工况数据进行分类时结合高斯混合模型给出的先验概率和贝叶斯推论计算数据所属类别,即以该数据为输入,用贝叶斯理论计算得出属于每类的概率,属于哪类的概率大就判定为哪一类数据。
具体为,针对实时数据,会以该数据为输入,用贝叶斯理论计算得出属于每类的概率,属于哪类的概率大就判定为哪一类数据,再根据该类数据对应的理论模型计算背压。这和数据分类时针对每一个工况的分类计算过程是一样的。
以历史工况数据进行GMM分类,假设分成3类(分成几类是根据数据状况确定,并不以此为限),则最后会得到这三类各自的:
①概率πk;即工况数据属于属于这类的比例,例如每类数据各占总训练数据的30%/30%/40%,则π1=0.3,π2=0.3,π3=0.4;
②平均值;即各参数{x1,...,x9}的均值,x1代表负荷,…,x9代表背压;
③方差矩阵;
针对每一工况数据,即某个{x1,...,x9},都会通过贝叶斯理论计算得到它属于每类的概率,例如属于第一类、第二类、第三类的概率分别为0.5、0.2、0.3,其中,属于第一类的概率为0.5,那么就将该工况数据分到第一类,无论是针对历史数据分类时还是实时数据分类时都是这个过程,只不过历史数据会影响每一类的总体特征,而在调用时,只是为了给实时数据选用合适的模型,并不影响已分好的数据种类。
在给定训练样本的情况下,根据EM算法估算不同高斯组分的均值和协方差以及每个高斯分布的混合系数,得到最终的概率分布情况。
模型建立。
通过GMM建模得到不同的数据类,针对不用类的数据以机组负荷、排气流量、风机频率、环境温度、环境风速、环境风向、环境湿度和空冷凝结水温作为输入,以理论背压作为输出,采用BP神经网络进行理论背压的建模。将80%的数据进行训练,剩余20%的数据进行验证,本实施例中,BP算法程序流程如图2所示。不断修正模型中的隐层层数以及每个隐层的节点数,反复训练相关权重将误差控制在3%以内,以符合工程实际应用。
步骤(5)散热翅片清洁状况监测。
得到不同类数据的理论背压模型后,判断各个历史工况的分类并用该类理论背压模型算得理论背压,并对实时工况进行计算与历史数据进行整合,划分合理的工况(数据量大),比较不同时刻的理论背压与实际背压偏差值,示意图如图2所示。
GMM建模的思路就是所有数据都是由多个正态分布的数据叠加合成,即将历史工况数据拆成多个正态分布的数据,拆开的每类数据都视为一类,针对不同类的历史工况数据和背压数据训练出不同的理想背压模型,对于实时数据要调用模型计算理论背压时要调用模型时,先对实时数据进行判定,看它属于之前拆分的哪一类数据,就调用相应数据类型训练出的模型即可。
通过监测相同工况背压偏差值的历史曲线以监测空冷散热翅片整体清洁状况,指导相关冲洗周期并且预测冲洗后的背压值。
本发明实施例提供的空冷散热翅片灰污状况监测方法,获取相关设计参数以及冲洗好的历史参数,以机组负荷、排气流量、风机频率、环境温度、环境风速、环境风向、环境湿度和空冷凝结水温作为输入作为输入,以理论背压作为输出,建立空冷凝汽器热力(背压)特性模型。再用建立模型算出预测背压与实际背压进行对比得到偏差。在相似工况下比较不同时刻的背压偏差值,通过背压偏差的相对值以及变化趋势监测实时空冷散热翅片脏污程度。图3为本发明实施例中的提供的确定背压偏差的示意图。
本发明实施例提供的空冷散热翅片灰污状况监测方法,利用背压偏差检测空冷散热翅片的灰污状态,空冷散热翅片的冲洗会更加科学,能够更好预测空冷的脏污程度,有效提升机组背压和空冷风机耗电率的经济性。解决了现有技术中,直接空冷散热翅片冲洗没有相关依据,冲洗工作只能根据日常经验开展,因气候环境、机组负荷等外界条件的变化使得无法判断空冷散热翅片的脏污程度,不能够指导空冷散热翅片的开展工作,因此存在冲洗不及时、冲洗过量的问题,不能实现最优运行方式。
同时,本发明还提供一种空冷散热翅片灰污状况监测装置,如图4所示,该装置包括:
数据获取模块401,用于获取空冷散热翅片的冲洗后预设时段的历史工况数据和背压数据;
建模模块402,用于将所述的历史工况数据和背压数据作为神经网络的训练数据进行建模训练,生成理论背压模型;
理论背压确定模块403,用于利用所述的理论背压模型根据当前工况数据确定当前理论背压;
监测模块404,用于根据确定的当前理论背压和采集的实际背压的背压偏差进行空冷散热翅片灰污状况监测。
采取本发明提供的空冷散热翅片灰污状况监测方法及装置,能够判断空冷散热翅片脏污程度和预测冲洗后的机组背压,所以能够实现对空冷散热翅片脏污程度的预判和提前冲洗,使空冷凝汽器处于最优运行工况下。
另外,本发明实施例还提供一种电子设备,该电子设备可以是台式计算机、平板电脑及移动终端等,本实施例不限于此。在本实施例中,该电子设备可以参照前述实施例,其内容被合并于此,重复之处不再赘述。
图5为本发明实施例的电子设备600的***构成的示意框图。如图5所示,该电子设备600可以包括中央处理器100和存储器140;存储器140耦合到中央处理器100。值得注意的是,该图是示例性的;还可以使用其他类型的结构,来补充或代替该结构,以实现电信功能或其他功能。
一实施例中,空冷散热翅片灰污状况监测功能可以被集成到中央处理器100中。其中,中央处理器100可以被配置为进行如下控制:
获取空冷散热翅片的冲洗后预设时段的历史工况数据和空冷散热翅片的设计数据;
将所述的历史工况数据和设计数据作为神经网络的训练数据进行建模训练,生成理论背压模型;
利用所述的理论背压模型根据当前工况数据确定当前理论背压;
根据确定的当前理论背压和采集的实际背压的背压偏差进行空冷散热翅片灰污状况监测。
在另一个实施方式中,空冷散热翅片灰污状况监测装置可以与中央处理器100分开配置,例如可以将空冷散热翅片灰污状况监测装置配置为与中央处理器100连接的芯片,通过中央处理器的控制来实现空冷散热翅片灰污状况监测功能。
如图5所示,该电子设备600还可以包括:通信模块110、输入单元120、音频处理单元130、显示器160、电源170。值得注意的是,电子设备600也并不是必须要包括图5中所示的所有部件;此外,电子设备600还可以包括图5中没有示出的部件,可以参考现有技术。
如图5所示,中央处理器100有时也称为控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该中央处理器100接收输入并控制电子设备600的各个部件的操作。
其中,存储器140,例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息,此外还可存储执行有关信息的程序。并且中央处理器100可执行该存储器140存储的该程序,以实现信息存储或处理等。
输入单元120向中央处理器100提供输入。该输入单元120例如为按键或触摸输入装置。电源170用于向电子设备600提供电力。显示器160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器,但并不限于此。
该存储器140可以是固态存储器,例如,只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器,其即使在断电时也保存信息,可被选择性地擦除且设有更多数据,该存储器的示例有时被称为EPROM等。存储器140还可以是某种其它类型的装置。存储器140包括缓冲存储器141(有时被称为缓冲器)。存储器140可以包括应用/功能存储部142,该应用/功能存储部142用于存储应用程序和功能程序或用于通过中央处理器100执行电子设备600的操作的流程。
存储器140还可以包括数据存储部143,该数据存储部143用于存储数据,例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器140的驱动程序存储部144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块110即为经由天线111发送和接收信号的发送机/接收机110。通信模块(发送机/接收机)110耦合到中央处理器100,以提供输入信号和接收输出信号,这可以和常规移动通信终端的情况相同。
基于不同的通信技术,在同一电子设备中,可以设置有多个通信模块110,如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)110还经由音频处理器130耦合到扬声器131和麦克风132,以经由扬声器131提供音频输出,并接收来自麦克风132的音频输入,从而实现通常的电信功能。音频处理器130可以包括任何合适的缓冲器、解码器、放大器等。另外,音频处理器130还耦合到中央处理器100,从而使得可以通过麦克风132能够在本机上录音,且使得可以通过扬声器131来播放本机上存储的声音。
本发明实施例还提供一种计算机可读程序,其中当在电子设备中执行所述程序时,所述程序使得计算机在所述电子设备中执行如上面实施例所述的空冷散热翅片灰污状况监测方法。
本发明实施例还提供一种存储有计算机可读程序的存储介质,其中所述计算机可读程序使得计算机在电子设备中执行上面实施例所述的空冷散热翅片灰污状况监测。
以上参照附图描述了本发明的优选实施方式。这些实施方式的许多特征和优点根据该详细的说明书是清楚的,因此所附权利要求旨在覆盖这些实施方式的落入其真实精神和范围内的所有这些特征和优点。此外,由于本领域的技术人员容易想到很多修改和改变,因此不是要将本发明的实施方式限于所例示和描述的精确结构和操作,而是可以涵盖落入其范围内的所有合适修改和等同物。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施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)
1.一种空冷散热翅片灰污状况监测方法,其特征在于,所述的方法包括:
获取空冷散热翅片的冲洗后预设时段的历史工况数据和背压数据;
将所述的历史工况数据和背压数据作为神经网络的训练数据进行建模训练,生成理论背压模型;
利用所述的理论背压模型根据当前工况数据确定当前理论背压;
根据确定的当前理论背压和采集的实际背压的背压偏差进行空冷散热翅片灰污状况监测。
2.如权利要求1所述的空冷散热翅片灰污状况监测方法,其特征在于,所述的工况数据包括:
机组负荷、排气流量、风机频率、环境温度、环境风速、环境风向、环境湿度、空冷凝结水温。
3.如权利要求1所述的空冷散热翅片灰污状况监测方法,其特征在于,所述的将所述的历史工况数据和背压数据作为神经网络的训练数据进行建模训练,生成理论背压模型包括:
对所述的历史工况数据进行聚类处理,将所述历史工况数据分为不同类的历史工况数据;
将分类后的历史工况数据作为输入数据,对应的背压数据作为输出数据,进行神经网络建模训练,生成各类历史工况数据对应的理论背压模型。
4.如权利要求3所述的空冷散热翅片灰污状况监测方法,其特征在于,所述的利用所述的理论背压模型根据当前工况数据确定当前理论背压包括:
根据当前的工况数据和聚类处理后的历史工况数据确定当前工况数据对应的理论背压模型;
根据对应的理论背压模型和当前的工况数据确定当前理论背压。
5.一种空冷散热翅片灰污状况监测装置,其特征在于,所述的装置包括:
数据获取模块,用于获取空冷散热翅片的冲洗后预设时段的历史工况数据和背压数据;
建模模块,用于将所述的历史工况数据和背压数据作为神经网络的训练数据进行建模训练,生成理论背压模型;
理论背压确定模块,用于利用所述的理论背压模型根据当前工况数据确定当前理论背压;
监测模块,用于根据确定的当前理论背压和采集的实际背压的背压偏差进行空冷散热翅片灰污状况监测。
6.如权利要求5所述的空冷散热翅片灰污状况监测装置,其特征在于,所述的工况数据包括:
机组负荷、排气流量、风机频率、环境温度、环境风速、环境风向、环境湿度、空冷凝结水温。
7.如权利要求6所述的空冷散热翅片灰污状况监测装置,其特征在于,所述的建模模块包括:
聚类单元,用于对所述的历史工况数据进行聚类处理,将所述历史工况数据分为不同类的历史工况数据;
训练单元,用于将分类后的历史工况数据作为输入数据,对应的背压数据作为输出数据,进行神经网络建模训练,生成各类历史工况数据对应的理论背压模型。
8.如权利要求7所述的空冷散热翅片灰污状况监测装置,其特征在于,所述的理论背压确定模块包括:
根据当前的工况数据和聚类处理后的历史工况数据确定当前工况数据对应的理论背压模型;
根据对应的理论背压模型和当前的工况数据确定当前理论背压。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4任一项所述方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至4任一项所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010092200.XA CN111428747B (zh) | 2020-02-14 | 2020-02-14 | 空冷散热翅片灰污状况监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010092200.XA CN111428747B (zh) | 2020-02-14 | 2020-02-14 | 空冷散热翅片灰污状况监测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111428747A true CN111428747A (zh) | 2020-07-17 |
CN111428747B CN111428747B (zh) | 2023-10-13 |
Family
ID=71547073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010092200.XA Active CN111428747B (zh) | 2020-02-14 | 2020-02-14 | 空冷散热翅片灰污状况监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111428747B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112153865A (zh) * | 2020-09-20 | 2020-12-29 | 郑州精铖能源技术有限公司 | 一种大数据中心散热***及安装该***的机箱柜 |
CN112905947A (zh) * | 2021-02-02 | 2021-06-04 | 浙江浙能技术研究院有限公司 | 一种间接空冷塔翅片管换热器脏污程度的实时监测方法 |
CN113268921A (zh) * | 2021-05-13 | 2021-08-17 | 西安交通大学 | 凝汽器清洁系数预估方法、***、电子设备及可读存储介质 |
CN117521499A (zh) * | 2023-11-07 | 2024-02-06 | 北京大唐高鸿数据网络技术有限公司 | 一种最佳背压确定方法、装置、设备及可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202854057U (zh) * | 2012-11-07 | 2013-04-03 | 中国电能成套设备有限公司 | 一种空冷岛翅片管空气通道污染检测*** |
CN104296593A (zh) * | 2014-07-11 | 2015-01-21 | 大唐阳城发电有限责任公司 | 空冷散热器洁净度计算方法、判断方法及其*** |
-
2020
- 2020-02-14 CN CN202010092200.XA patent/CN111428747B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202854057U (zh) * | 2012-11-07 | 2013-04-03 | 中国电能成套设备有限公司 | 一种空冷岛翅片管空气通道污染检测*** |
CN104296593A (zh) * | 2014-07-11 | 2015-01-21 | 大唐阳城发电有限责任公司 | 空冷散热器洁净度计算方法、判断方法及其*** |
Non-Patent Citations (1)
Title |
---|
张贝等: "计及集群效应的直接空冷机组经济背压研究" * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112153865A (zh) * | 2020-09-20 | 2020-12-29 | 郑州精铖能源技术有限公司 | 一种大数据中心散热***及安装该***的机箱柜 |
CN112905947A (zh) * | 2021-02-02 | 2021-06-04 | 浙江浙能技术研究院有限公司 | 一种间接空冷塔翅片管换热器脏污程度的实时监测方法 |
CN112905947B (zh) * | 2021-02-02 | 2023-09-19 | 浙江浙能技术研究院有限公司 | 一种间接空冷塔翅片管换热器脏污程度的实时监测方法 |
CN113268921A (zh) * | 2021-05-13 | 2021-08-17 | 西安交通大学 | 凝汽器清洁系数预估方法、***、电子设备及可读存储介质 |
CN113268921B (zh) * | 2021-05-13 | 2022-12-09 | 西安交通大学 | 凝汽器清洁系数预估方法、***、电子设备及可读存储介质 |
CN117521499A (zh) * | 2023-11-07 | 2024-02-06 | 北京大唐高鸿数据网络技术有限公司 | 一种最佳背压确定方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111428747B (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111428747A (zh) | 空冷散热翅片灰污状况监测方法及装置 | |
Fan et al. | Deep learning-based feature engineering methods for improved building energy prediction | |
CN110990159B (zh) | 一种基于历史数据分析的容器云平台资源配额预测方法 | |
CN111401686B (zh) | 空冷散热翅片灰污状况监测方法及装置 | |
CN109612029B (zh) | 效能预测方法 | |
JP2016177682A (ja) | 設備評価装置、設備評価方法、コンピュータプログラム | |
Yang et al. | Multi-dimensional scenario forecast for generation of multiple wind farms | |
CN105243502A (zh) | 一种基于径流区间预测的水电站调度风险评估方法及*** | |
Shoukourian et al. | Using machine learning for data center cooling infrastructure efficiency prediction | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及*** | |
CN112241607A (zh) | 一种基于仿真并考虑气候变化的水资源规划方法 | |
CN109684320B (zh) | 监测数据在线清洗的方法和设备 | |
Yuan et al. | Attention mechanism-based transfer learning model for day-ahead energy demand forecasting of shopping mall buildings | |
Mao et al. | Towards fast energy performance evaluation: A pilot study for office buildings | |
CN117273409A (zh) | 一种园区智慧化环保***智能运维方法、***及存储介质 | |
CN112365082A (zh) | 一种基于机器学习的公共能源消耗预测方法 | |
US10216606B1 (en) | Data center management systems and methods for compute density efficiency measurements | |
CN110188939B (zh) | 风电场的风功率的预测方法、***、设备和存储介质 | |
TWI587222B (zh) | 基於類神經網路之水庫水位預測系統及方法 | |
CN1658560A (zh) | 一种基于预测的快速数据复制方法 | |
CN116017936A (zh) | 一种空调机房的控制方法及装置、电子设备及存储介质 | |
CN111859783B (zh) | 水压预测方法、***、存储介质、设备、城市供水*** | |
CN113642937A (zh) | 风机集群的运维排程方法、装置、电子设备及存储介质 | |
TWI720857B (zh) | 淹水預測系統及其方法 | |
CN117974169B (zh) | 一种重点排放行业的减排技术布局方法及装置 |
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 |