CN112149901B - 一种汽轮机低压末级压力场预测方法及装置 - Google Patents

一种汽轮机低压末级压力场预测方法及装置 Download PDF

Info

Publication number
CN112149901B
CN112149901B CN202011007256.7A CN202011007256A CN112149901B CN 112149901 B CN112149901 B CN 112149901B CN 202011007256 A CN202011007256 A CN 202011007256A CN 112149901 B CN112149901 B CN 112149901B
Authority
CN
China
Prior art keywords
sample
historical
pressure field
state parameter
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
Application number
CN202011007256.7A
Other languages
English (en)
Other versions
CN112149901A (zh
Inventor
吴昕
李前宇
宋亚军
张路
王维萌
鲁凤鹏
司派友
赵峰
刘双白
薛常海
左川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jingneng Qinhuangdao Thermoelectricity Co ltd
State Grid Corp of China SGCC
North China Electric Power Research Institute Co Ltd
Original Assignee
Jingneng Qinhuangdao Thermoelectricity Co ltd
State Grid Corp of China SGCC
North China Electric Power Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jingneng Qinhuangdao Thermoelectricity Co ltd, State Grid Corp of China SGCC, North China Electric Power Research Institute Co Ltd filed Critical Jingneng Qinhuangdao Thermoelectricity Co ltd
Priority to CN202011007256.7A priority Critical patent/CN112149901B/zh
Publication of CN112149901A publication Critical patent/CN112149901A/zh
Application granted granted Critical
Publication of CN112149901B publication Critical patent/CN112149901B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Geometry (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mechanical Engineering (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Control Of Turbines (AREA)

Abstract

本申请提供一种汽轮机低压末级压力场预测方法及装置，所述方法包括：对获取到的汽轮机历史运行状态参数进行筛选，得到历史运行状态参数样本集及目标参数压力场数据集；利用K最近邻算法对所述历史运行状态参数样本数据集及所述目标参数压力场数据集进行训练，得到近邻样本参数；根据获取到的汽轮机当前运行状态参数及所述近邻样本参数，生成所述当前运行状态参数对应的汽轮机低压末级压力场预测值。本申请提供的汽轮机低压末级压力场预测方法及装置能够根据汽轮机低压缸的当前运行状态参数生成汽轮机低压末级压力场预测值，准确、高效地预测汽轮机低压缸的运行状态，以规避汽轮机低压缸内末级叶片的颤振区。

Description

一种汽轮机低压末级压力场预测方法及装置
技术领域
本申请涉及工业控制领域，具体是一种汽轮机低压末级压力场预测方法及装置。
背景技术
随着北方地区电站在冬季供热工况下热负荷与电负荷供应矛盾的日益凸显，优化热电解耦技术逐步得到推广应用。其中，低压缸零出力技术作为较为新颖的优化热电解耦技术，因其能够通过大幅度地降低低压缸进汽量，有效提高供电机组的热电比，近年来被广泛应用于北方电站。
低压缸零出力技术在实际工程中要精确地控制低压缸进汽流量，一方面需要满足低压缸的最小蒸汽冷却量，另一方面在保证应用效果的同时需要避开末级叶片的颤振区。颤振源于气流对叶片的作用力，通过对末级流场的详细研究，可以有意地避开叶片颤振工况，保障电力机组的运行安全。因此，进行末级压力场的预测对保障低压转子设备安全具有现实意义。在实际工程中，目前采用的方法大多是实际探入式测量压力场的方法，通过***压力探针逐个测量各叶高位置的压力。现有方法的试验准备过程较为复杂，目前尚无通过软测量手段获知汽轮机低压末级压力场的方法。
发明内容
针对现有技术中的问题，本申请提供一种汽轮机低压末级压力场预测方法及装置，能够根据汽轮机低压缸的当前运行状态参数生成汽轮机低压末级压力场预测值。
为解决上述技术问题，本申请提供以下技术方案：
第一方面，本申请提供一种汽轮机低压末级压力场预测方法，包括：
对获取到的汽轮机历史运行状态参数进行筛选，得到历史运行状态参数样本集及目标参数压力场数据集；
利用K最近邻算法对所述历史运行状态参数样本数据集及所述目标参数压力场数据集进行训练，得到近邻样本参数；
根据获取到的汽轮机当前运行状态参数及所述近邻样本参数，生成所述当前运行状态参数对应的汽轮机低压末级压力场预测值。
进一步地，利用K最近邻算法对所述历史运行状态参数样本数据集及所述目标参数压力场数据集进行训练，得到近邻样本参数，包括：
对所述历史运行状态参数样本数据集中的历史运行状态参数样本数据进行特征降维，得到所述历史运行状态参数样本数据对应的主成分重建原数据；
对所述历史运行状态参数样本数据对应的所述主成分重建原数据进行归一化处理，得到主成分重建标准化数据；
将所述主成分重建标准化数据划分为训练样本集与测试样本集；
利用K最近邻算法对所述训练样本集、所述测试样本集及所述目标参数压力场数据集进行训练，调整预先设定的近邻样本初始参数，得到近邻样本参数。
进一步地，对所述历史运行状态参数样本数据集中的历史运行状态参数样本数据进行特征降维，得到所述历史运行状态参数样本数据对应的主成分重建原数据，包括：
计算所述历史运行状态参数样本数据集中所述历史运行状态参数样本数据的特征均值向量；
根据所述特征均值向量，将所述历史运行状态参数样本数据中心化，得到历史运行状态参数样本数据矩阵；
构造所述历史运行状态参数样本数据矩阵的协方差矩阵；
对所述协方差矩阵进行特征分解，求取所述协方差矩阵的特征值及各所述特征值对应的特征向量；
根据计算得到的各所述特征值的贡献率提取前d个主成分，其中d的数量小于所述特征向量的维度；
根据所述主成分计算所述历史运行状态参数样本数据对应的主成分重建原数据。
进一步地，利用K最近邻算法对所述训练样本集、所述测试样本集及所述目标参数压力场数据集进行训练，调整预先设定的近邻样本初始参数，得到近邻样本参数，包括：
逐一计算所述测试样本集中各历史运行状态参数样本与所述训练样本集中各历史运行状态参数样本之间的欧式距离；
针对所述测试样本集中的每一所述历史运行状态参数样本，选取与所述训练样本集中各历史运行状态参数样本之间欧式距离最近的k个历史运行状态参数样本，其中，1≤k≤N-1，N为所述训练样本集中所述历史运行状态参数样本的个数；
针对所述测试样本集中的每一历史运行状态参数样本，获取所述k个历史运行状态参数样本的压力场参数；
根据所述k个历史运行状态参数样本的压力场参数，生成所述测试样本集中的每一历史运行状态参数样本的汽轮机低压末级压力场预测值；
计算所述测试样本集中每一所述历史运行状态参数样本在不同k值下的汽轮机低压末级压力场预测值的均方误差；
选取最小的所述均方误差所对应的k值，作为近邻样本参数。
进一步地，根据获取到的汽轮机当前运行状态参数及所述近邻样本参数，生成所述当前运行状态参数对应的汽轮机低压末级压力场预测值，包括：
对所述当前运行状态参数进行特征降维，得到所述当前运行状态参数对应的主成分重建原数据；
对所述当前运行状态参数对应的主成分重建原数据进行归一化处理，得到所述当前运行状态参数对应的主成分重建标准化数据；
根据所述近邻样本参数，利用K最近邻算法生成所述当前运行状态参数对应的汽轮机低压末级压力场预测值。
第二方面，本申请提供一种汽轮机低压末级压力场预测装置，包括：
获取单元，用于对获取到的汽轮机历史运行状态参数进行筛选，得到历史运行状态参数样本集及目标参数压力场数据集；
训练单元，用于利用K最近邻算法对所述历史运行状态参数样本数据集及所述目标参数压力场数据集进行训练，得到近邻样本参数；
预测单元，用于根据获取到的汽轮机当前运行状态参数及所述近邻样本参数，生成所述当前运行状态参数对应的汽轮机低压末级压力场预测值。
进一步地，利用K最近邻算法对所述历史运行状态参数样本数据集及所述目标参数压力场数据集进行训练，得到近邻样本参数，包括：
历史数据处理模块，用于对所述历史运行状态参数样本数据集中的历史运行状态参数样本数据进行特征降维，得到所述历史运行状态参数样本数据对应的主成分重建原数据；所述历史数据处理模块，还用于对所述历史运行状态参数样本数据对应的所述主成分重建原数据进行归一化处理，得到主成分重建标准化数据；
划分模块，用于将所述主成分重建标准化数据划分为训练样本集与测试样本集；
训练模块，用于利用K最近邻算法对所述训练样本集、所述测试样本集及所述目标参数压力场数据集进行训练，调整预先设定的近邻样本初始参数，得到近邻样本参数。
进一步地，对所述历史运行状态参数样本数据集中的历史运行状态参数样本数据进行特征降维，得到所述历史运行状态参数样本数据对应的主成分重建原数据，包括：
均值计算模块，用于计算所述历史运行状态参数样本数据集中所述历史运行状态参数样本数据的特征均值向量；
中心化计算模块，用于根据所述特征均值向量，将所述历史运行状态参数样本数据中心化，得到历史运行状态参数样本数据矩阵；
构造模块，用于构造所述历史运行状态参数样本数据矩阵的协方差矩阵；
特征计算模块，用于对所述协方差矩阵进行特征分解，求取所述协方差矩阵的特征值及各所述特征值对应的特征向量；
提取模块，用于根据计算得到的各所述特征值的贡献率提取前d个主成分，其中d的数量小于所述特征向量的维度；
历史重建模块，用于根据所述主成分计算所述历史运行状态参数样本数据对应的主成分重建原数据。
进一步地，利用K最近邻算法对所述训练样本集、所述测试样本集及所述目标参数压力场数据集进行训练，调整预先设定的近邻样本初始参数，得到近邻样本参数，包括：
距离计算模块，用于逐一计算所述测试样本集中各历史运行状态参数样本与所述训练样本集中各历史运行状态参数样本之间的欧式距离；
选取模块，用于针对所述测试样本集中的每一所述历史运行状态参数样本，选取与所述训练样本集中各历史运行状态参数样本之间欧式距离最近的k个历史运行状态参数样本，其中，1≤k≤N-1，N为所述训练样本集中所述历史运行状态参数样本的个数；
获取模块，用于针对所述测试样本集中的每一历史运行状态参数样本，获取所述k个历史运行状态参数样本的压力场参数；
生成模块，用于根据所述k个历史运行状态参数样本的压力场参数，生成所述测试样本集中的每一历史运行状态参数样本的汽轮机低压末级压力场预测值；
误差计算模块，用于计算所述测试样本集中每一所述历史运行状态参数样本在不同k值下的汽轮机低压末级压力场预测值的均方误差；
参数确定模块，用于选取最小的所述均方误差所对应的k值，作为近邻样本参数。
进一步地，根据获取到的汽轮机当前运行状态参数及所述近邻样本参数，生成所述当前运行状态参数对应的汽轮机低压末级压力场预测值，包括：
当前重建模块，用于对所述当前运行状态参数进行特征降维，得到所述当前运行状态参数对应的主成分重建原数据；
当前数据处理模块，用于对所述当前运行状态参数对应的主成分重建原数据进行归一化处理，得到所述当前运行状态参数对应的主成分重建标准化数据；
预测模块，用于根据所述近邻样本参数，利用K最近邻算法生成所述当前运行状态参数对应的汽轮机低压末级压力场预测值。
第三方面，本申请提供一种电子设备包括存储器、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，所述处理器执行所述程序时实现所述汽轮机低压末级压力场预测方法的步骤。
第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述汽轮机低压末级压力场预测方法的步骤。
针对现有技术中的问题，本申请提供一种汽轮机低压末级压力场预测方法及装置，能够根据汽轮机低压缸的当前运行状态参数生成汽轮机低压末级压力场预测值，准确、高效地预测汽轮机低压缸的运行状态，以规避汽轮机低压缸内末级叶片的颤振区。
附图说明
图1为本申请实施例中汽轮机低压末级压力场预测方法的总流程图；
图2为本申请实施例中的训练流程图；
图3为本申请实施例中生成汽轮机低压末级压力场预测值的流程图；
图4为本申请实施例中汽轮机低压末级压力场预测装置的总结构图；
图5为本申请实施例中训练单元的结构图；
图6为本申请实施例中数据处理模块的结构图；
图7为本申请实施例中训练模块的结构图；
图8为本申请实施例中预测单元的结构图；
图9为本申请实施例中的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
参见图1，为了能够根据汽轮机的当前运行状态参数生成汽轮机低压末级压力场预测值，准确、高效地预测汽轮机低压缸的运行状态，本申请实施例提供一种汽轮机低压末级压力场预测方法，包括：
S101：对获取到的汽轮机历史运行状态参数进行筛选，得到历史运行状态参数样本集及目标参数压力场数据集；
可以理解的是，通过火电机组分散式控制***(DCS)的历史数据库及电站厂级监控信息***(SIS)的历史数据库，可以获取到汽轮机的全部历史运行状态参数，所谓历史运行状态参数是指近一年内汽轮机的运行状态参数。这些历史运行状态参数可以每分钟被记录一次，这些历史运行状态参数包括但不限于：机组有功功率、机组无功功率、主蒸汽流量、主蒸汽温度、再热蒸汽温度、主蒸汽压力、再热蒸汽压力、一段抽汽压力、二段抽汽压力、三段抽汽压力、四段抽汽压力、五段抽汽压力、六段抽汽压力、七段抽汽压力、热网抽汽压力、热网抽汽流量、中低压连通管开度、中低压连通管旁路开度、凝结水流量、凝结水母管压力、真空等。
去除汽轮机启停时刻及传感器发生故障造成的异常历史运行状态参数，最终得到历史运行状态参数样本集X。
此外，历史运行状态参数还包括0.1倍叶高点压力、0.2倍叶高点压力、0.3倍叶高点压力、0.4倍叶高点压力、0.5倍叶高点压力、0.6倍叶高点压力、0.7倍叶高点压力、0.8倍叶高点压力、0.9倍叶高点压力、1倍叶高点压力；以上几个历史运行状态参数一般可以通过实验测得，并共同构成目标参数压力场数据集y。
S102：利用K最近邻算法对所述历史运行状态参数样本数据集及所述目标参数压力场数据集进行训练，得到近邻样本参数；
可以理解的是，K最近邻算法是一种机器学习算法，利用该算法对训练集进行训练即可求得近邻样本参数。本申请实施例中的训练集为历史运行状态参数样本数据集及目标参数压力场数据集。
S103：根据获取到的汽轮机当前运行状态参数及所述近邻样本参数，生成所述当前运行状态参数对应的汽轮机低压末级压力场预测值。
可以理解的是，汽轮机当前运行状态参数包括但不限于：机组有功功率、机组无功功率、主蒸汽流量、主蒸汽温度、再热蒸汽温度、主蒸汽压力、再热蒸汽压力、一段抽汽压力、二段抽汽压力、三段抽汽压力、四段抽汽压力、五段抽汽压力、六段抽汽压力、七段抽汽压力、热网抽汽压力、热网抽汽流量、中低压连通管开度、中低压连通管旁路开度、凝结水流量、凝结水母管压力、真空等。根据汽轮机当前运行状态参数及近邻样本参数，即可生成汽轮机低压末级压力场预测值，从而提前规避汽轮机低压缸内末级叶片的颤振区，使汽轮机处于较佳的运行状态。
从上述描述可知，本申请提供一种汽轮机低压末级压力场预测方法，能够根据汽轮机低压缸的当前运行状态参数生成汽轮机低压末级压力场预测值，准确、高效地预测汽轮机低压缸的运行状态，以规避汽轮机低压缸内末级叶片的颤振区。
参见图2，利用K最近邻算法对所述历史运行状态参数样本数据集及所述目标参数压力场数据集进行训练，得到近邻样本参数的步骤包括：
S201：对所述历史运行状态参数样本数据集中的历史运行状态参数样本数据进行特征降维，得到所述历史运行状态参数样本数据对应的主成分重建原数据；
可以理解的是，在利用主成分分析法生成汽轮机低压末级压力场预测值的过程中，历史运行状态参数样本数据存储于一张二维表格中，表格中的每一行记载着一条历史运行状态参数样本数据，每条历史运行状态参数样本数据记载了汽轮机在某一历史时间点上的历史运行状态参数样本数据，这些历史运行状态参数样本数据包括步骤S101中所述的历史运行状态参数。每条历史运行状态参数样本数据对应一个特征向量，每条历史运行状态参数样本数据的个数即为对应的特征向量的维度。在本申请实施例中，每行历史运行状态参数样本数据的个数相同，故所有特征向量的维度也相同。
虽然直接采用历史运行状态参数样本集X也可以生成汽轮机低压末级压力场预测值，但由于未经特征降维处理的历史运行状态参数样本数据集中的历史运行状态参数众多，从而导致预测过程计算量巨大。因此，不进行特征降维将直接导致预测效率的大幅降低。又考虑到汽轮机状态参数具有高度相关性，故采用特征降维方法，将原本为高关联性高维特征向量的历史运行状态参数样本数据转变为低关联性低维特征向量的历史运行状态参数样本数据。在保证预测效果的前提下，尽量降低特征向量的维度，以便提高预测效率。在进行PCA降维时，可计算各主成分方差，通过选取适当的特征向量维度，使得具有上述特征向量维度的历史运行状态参数样本数据所组成的特征向量对预测的贡献率达到99％，尽可能多地保存原始的历史运行状态参数样本数据的特征。根据反复验证，本申请实施例最终选取的特征向量维度为6。
降维的主要步骤如下：
①计算历史运行状态参数样本集X中各历史运行状态参数样本数据的特征均值向量μ，即：
其中，xi为历史运行状态参数样本数据集X中第i行历史运行状态参数样本数据所组成的特征向量，n表示历史运行状态参数样本数据集X中一共有n行历史运行状态参数样本数据。
②针对历史运行状态参数样本集X中的每行历史运行状态参数样本数据所组成的特征向量，进行去均值处理，即将历史运行状态参数样本数据中心化，具体计算公式为：
其中，为中心化后的历史运行状态参数样本集。
③构造中心化后的历史运行状态参数样本集所对应矩阵的协方差矩阵V，具体计算公式为：/>
其中，表示/>的转置矩阵。
④对该协方差矩阵V进行特征分解，求取特征值λi及对应的特征向量wi，其中，取特征值λi为第i行历史运行状态参数样本数据所对应的特征值，特征向量wi为第i行历史运行状态参数样本数据所对应的特征向量。
⑤对各λi从大到小进行排序，取前d个最大的特征值，并认为前d个最大的特征值所对应的特征向量为对预测过程贡献率最大。从而得到Λ＝diag[λ1,λ2,…λd]及Wd＝[w1,w2,…wd]，并将Wd＝[w1,w2,…wd]作为子空间的基。最终，所提取的d个主成分为F，具体计算公式为：
其中，为Wd的转置矩阵。
⑥根据所提取的d个主成分F，得到主成分重建原数据，具体计算公式为：X＝WF+μ
其中，公式中的X已为进行特征降维后的历史运行状态参数样本集X，W为对该协方差矩阵V进行特征分解后得到的矩阵，该矩阵中包含有④中所述的全部特征向量。
S202：对所述历史运行状态参数样本数据对应的所述主成分重建原数据进行归一化处理，得到主成分重建标准化数据；
可以理解的是，由于历史运行状态参数样本集X中各数据的量级具有较大差异，需通过对各数据进行特征缩放，才能使各成分数据具有统一的尺度，这对后续采用K最近邻算法进行进一步地数据处理是极为有益的。具体的归一化处理公式为：x＝(xi-μ)/σ，其中，xi及μ的定义分别与其在前述步骤中的定义一致，σ为xi的标准差，x为对xi进行归一化后的数值。
经过归一化处理后，最终历史运行状态参数样本集X中的历史运行状态参数样本满足均值为0，方差为1的标准化要求，得到主成分重建标准化数据。
S203：将所述主成分重建标准化数据划分为训练样本集与测试样本集；
可以理解的是，为了对训练效果进行测试，需将主成分重建标准化数据划分为训练样本集与测试样本集，利用训练样本集进行训练，然后利用测试样本集对训练效果进行测试，其中，训练样本集与测试样本集中所含有的样本数量比例为3：1。
S204：利用K最近邻算法对所述训练样本集、所述测试样本集及所述目标参数压力场数据集进行训练，调整预先设定的近邻样本初始参数，得到近邻样本参数。
可以理解的是，得到近邻样本参数需经历以下步骤：
①预先设定近邻样本初始参数，在本申请实施例中，设定近邻样本初始参数为1。
②逐一计算测试样本集中各历史运行状态参数样本与训练样本集中各历史运行状态参数样本之间的欧式距离；
设测试样本集中的各历史运行状态参数样本数据为各历史数据测试样本，若要预测某一历史数据测试样本xi的压力场预测值，首先需确定与历史数据测试样本xi最为相似的k个历史运行状态参数样本作为历史数据测试样本xi的近邻样本。这k个历史运行状态参数样本均来源于训练样本集。
本申请实施例选取欧式距离进行近邻样本的选取。设所有历史数据测试样本属于n维空间Rn，某一历史数据测试样本xi＝(xi1,xi2,…xin)∈Rn，其中，xin为第i个历史数据测试样本的n个特征值，则样本xi与xj的欧式距离为：
显然，xi与xj分别来源于测试样本集及训练样本集。利用欧氏距离计算公式，可以计算得到训练样本集中距离历史数据测试样本xi最近的k个历史数据测试样本的集合V＝{x1,x2,…xk}。
③以上过程仅是针对某一历史数据测试样本计算出的距离历史数据测试样本xi最近的k个历史数据测试样本的集合，事实上针对每一历史数据测试样本，均需根据以上计算方法选取出与其欧式距离最近的k个历史数据测试样本，其中，1≤k≤N-1，N为训练样本集中历史数据测试样本的个数。
④针对每一历史数据测试样本xi，从目标参数压力场数据集y中获取k个历史数据测试样本各自对应的压力场参数，这些压力场参数包括：0.1倍叶高点压力、0.2倍叶高点压力、0.3倍叶高点压力、0.4倍叶高点压力、0.5倍叶高点压力、0.6倍叶高点压力、0.7倍叶高点压力、0.8倍叶高点压力、0.9倍叶高点压力、1倍叶高点压力。
⑤由于k个历史数据测试样本为历史数据测试样本xi的最近邻样本，因此根据k个历史数据测试样本的压力场参数，可以生成历史数据测试样本xi的压力场预测值。具体方法是将k个历史数据测试样本对应的0.1倍叶高点压力进行取平均计算，得到历史数据测试样本xi的0.1倍叶高点压力场预测值；将k个历史数据测试样本对应的0.2倍叶高点压力进行取平均计算，得到历史数据测试样本xi的0.2倍叶高点压力场预测值；将k个历史数据测试样本对应的0.3倍叶高点压力进行取平均计算，得到历史数据测试样本xi的0.3倍叶高点压力场预测值；将k个历史数据测试样本对应的0.4倍叶高点压力进行取平均计算，得到历史数据测试样本xi的0.4倍叶高点压力场预测值；将k个历史数据测试样本对应的0.5倍叶高点压力进行取平均计算，得到历史数据测试样本xi的0.5倍叶高点压力场预测值；将k个历史数据测试样本对应的0.6倍叶高点压力进行取平均计算，得到历史数据测试样本xi的0.6倍叶高点压力场预测值；将k个历史数据测试样本对应的0.7倍叶高点压力进行取平均计算，得到历史数据测试样本xi的0.7倍叶高点压力场预测值；将k个历史数据测试样本对应的0.8倍叶高点压力进行取平均计算，得到历史数据测试样本xi的0.8倍叶高点压力场预测值；将k个历史数据测试样本对应的0.9倍叶高点压力进行取平均计算，得到历史数据测试样本xi的0.9倍叶高点压力场预测值；将k个历史数据测试样本对应的1.0倍叶高点压力进行取平均计算，得到历史数据测试样本xi的1.0倍叶高点压力场预测值。最终将历史数据测试样本xi的0.1倍叶高点压力场预测值、0.2倍叶高点压力场预测值、0.3倍叶高点压力场预测值、0.4倍叶高点压力场预测值、0.5倍叶高点压力场预测值、0.6倍叶高点压力场预测值、0.7倍叶高点压力场预测值、0.8倍叶高点压力场预测值、0.9倍叶高点压力场预测值、1倍叶高点压力场预测值组合为一个十维向量，构成历史数据测试样本xi的压力场预测值。
在本申请另一实施例中，上述方法中的取平均计算也可以改变为按照k个历史数据测试样本的权重进行加权取平均计算，其中，k个历史数据测试样本的权重为其与历史数据测试样本xi的欧氏距离的倒数。
⑥至此，针对预设的近邻样本参数，历史数据测试样本xi的压力场预测值已经生成。为了在K最近邻算法中，确定最合适的近邻样本参数的数值k，现需调整近邻样本参数，重复以上各个步骤，得到针对不同近邻样本参数，历史数据测试样本xi的压力场预测值，再计算这些历史数据测试样本xi的压力场预测值的均方误差，找到历史数据测试样本xi的压力场预测值中，均方误差最小的历史数据测试样本xi的压力场预测值所对应的近邻样本参数，并将其作为后续计算汽轮机当前运行状态参数所对应的汽轮机低压末级压力场预测值时所使用的近邻样本参数。
从上述描述可知，本申请提供的汽轮机低压末级压力场预测方法，能够利用K最近邻算法对历史运行状态参数样本数据集及目标参数压力场数据集进行训练，得到近邻样本参数。
参见图3，根据获取到的汽轮机当前运行状态参数及近邻样本参数，生成汽轮机低压末级压力场预测值的步骤包括：
S301：对所述当前运行状态参数进行特征降维，得到所述当前运行状态参数对应的主成分重建原数据；
可以理解的是，汽轮机当前运行状态参数所包含的数据的数量与S101中汽轮机历史运行状态参数所包含的数据的数量相同，都比较多，因此，基于S201中所述的原因，需首先对其进行特征降维，得到主成分重建原数据。具体计算方法与S201中所述的方法完全相同，在此不再赘述。
S302：对所述当前运行状态参数对应的主成分重建原数据进行归一化处理，得到所述当前运行状态参数对应的主成分重建标准化数据；
可以理解的是，基于与S202中所述的原因，需对主成分重建原数据进行归一化处理，得到主成分重建标准化数据。具体计算方法与S202中所述的方法完全相同，在此不再赘述。
S303：根据所述近邻样本参数，利用K最近邻算法生成所述当前运行状态参数对应的汽轮机低压末级压力场预测值。
可以理解的是，根据K最近邻算法可知，在确定近邻样本参数后，即可根据获取到的汽轮机当前运行状态参数，计算生成汽轮机低压末级压力场预测值，相关方法可参见现有技术。
从上述描述可知，本申请提供的汽轮机低压末级压力场预测方法，能够根据获取到的汽轮机当前运行状态参数及近邻样本参数，生成汽轮机低压末级压力场预测值。
基于同一发明构思，本申请实施例还提供了一种汽轮机低压末级压力场预测装置，可以用于实现上述实施例所描述的方法，如下面的实施例所述。由于汽轮机低压末级压力场预测装置解决问题的原理与汽轮机低压末级压力场预测方法相似，因此汽轮机低压末级压力场预测装置的实施可以参见基于软件性能基准确定方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的***较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
参见图4，为了能够根据汽轮机的当前运行状态参数生成汽轮机低压末级压力场预测值，准确、高效地预测汽轮机低压缸的运行状态，本申请实施例提供一种汽轮机低压末级压力场预测装置，包括：
获取单元401，用于对获取到的汽轮机历史运行状态参数进行筛选，得到历史运行状态参数样本集及目标参数压力场数据集；
训练单元402，用于利用K最近邻算法对所述历史运行状态参数样本数据集及所述目标参数压力场数据集进行训练，得到近邻样本参数；
预测单元403，用于根据获取到的汽轮机当前运行状态参数及所述近邻样本参数，生成所述当前运行状态参数对应的汽轮机低压末级压力场预测值。
参见图5，所述训练单元402包括：
历史数据处理模块501，用于对所述历史运行状态参数样本数据集中的历史运行状态参数样本数据进行特征降维，得到所述历史运行状态参数样本数据对应的主成分重建原数据；所述历史数据处理模块501，还用于对所述历史运行状态参数样本数据对应的所述主成分重建原数据进行归一化处理，得到主成分重建标准化数据；
划分模块502，用于将所述主成分重建标准化数据划分为训练样本集与测试样本集；
训练模块503，用于利用K最近邻算法对所述训练样本集、所述测试样本集及所述目标参数压力场数据集进行训练，调整预先设定的近邻样本初始参数，得到近邻样本参数。
参见图6，所述历史数据处理模块501包括：
均值计算模块601，用于计算所述历史运行状态参数样本数据集中所述历史运行状态参数样本数据的特征均值向量；
中心化计算模块602，用于根据所述特征均值向量，将所述历史运行状态参数样本数据中心化，得到历史运行状态参数样本数据矩阵；
构造模块603，用于构造所述历史运行状态参数样本数据矩阵的协方差矩阵；
特征计算模块604，用于对所述协方差矩阵进行特征分解，求取所述协方差矩阵的特征值及各所述特征值对应的特征向量；
提取模块605，用于根据计算得到的各所述特征值的贡献率提取前d个主成分，其中d的数量小于所述特征向量的维度；
历史重建模块606，用于根据所述主成分计算所述历史运行状态参数样本数据对应的主成分重建原数据。
参见图7，所述训练模块503包括：
距离计算模块701，用于逐一计算所述测试样本集中各历史运行状态参数样本与所述训练样本集中各历史运行状态参数样本之间的欧式距离；
选取模块702，用于针对所述测试样本集中的每一所述历史运行状态参数样本，选取与所述训练样本集中各历史运行状态参数样本之间欧式距离最近的k个历史运行状态参数样本，其中，1≤k≤N-1，N为所述训练样本集中所述历史运行状态参数样本的个数；
获取模块703，用于针对所述测试样本集中的每一历史运行状态参数样本，获取所述k个历史运行状态参数样本的压力场参数；
生成模块704，用于根据所述k个历史运行状态参数样本的压力场参数，生成所述测试样本集中的每一历史运行状态参数样本的汽轮机低压末级压力场预测值；
误差计算模块705，用于计算所述测试样本集中每一所述历史运行状态参数样本在不同k值下的汽轮机低压末级压力场预测值的均方误差；
参数确定模块706，用于选取最小的所述均方误差所对应的k值，作为近邻样本参数。
参见图8，所述预测单元403包括：
当前重建模块801，用于对所述当前运行状态参数进行特征降维，得到所述当前运行状态参数对应的主成分重建原数据；
当前数据处理模块802，用于对所述当前运行状态参数对应的主成分重建原数据进行归一化处理，得到所述当前运行状态参数对应的主成分重建标准化数据；
预测模块803，用于根据所述近邻样本参数，利用K最近邻算法生成所述当前运行状态参数对应的汽轮机低压末级压力场预测值。
从硬件层面来说，为了能够根据汽轮机的当前运行状态参数生成汽轮机低压末级压力场预测值，准确、高效地预测汽轮机低压缸的运行状态，以规避汽轮机低压缸内末级叶片的颤振区，本申请提供一种用于实现所述汽轮机低压末级压力场预测方法中的全部或部分内容的电子设备的实施例，所述电子设备具体包含有如下内容：
处理器(Processor)、存储器(Memory)、通信接口(Communications Interface)和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述通信接口用于实现所述汽轮机低压末级压力场预测装置与核心业务***、用户终端以及相关数据库等相关设备之间的信息传输；该逻辑控制器可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该逻辑控制器可以参照实施例中的汽轮机低压末级压力场预测方法的实施例，以及汽轮机低压末级压力场预测装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。
可以理解的是，所述用户终端可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中，所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
在实际应用中，汽轮机低压末级压力场预测方法的部分可以在如上述内容所述的电子设备侧执行，也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力，以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成，所述客户端设备还可以包括处理器。
上述的客户端设备可以具有通信模块(即通信单元)，可以与远程的服务器进行通信连接，实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器，其他的实施场景中也可以包括中间平台的服务器，例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式装置的服务器结构。
图9为本申请实施例的电子设备9600的***构成的示意框图。如图9所示，该电子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图9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，汽轮机低压末级压力场预测方法功能可以被集成到中央处理器9100中。其中，中央处理器9100可以被配置为进行如下控制：
S101：对获取到的汽轮机历史运行状态参数进行筛选，得到历史运行状态参数样本集及目标参数压力场数据集；
S102：利用K最近邻算法对所述历史运行状态参数样本数据集及所述目标参数压力场数据集进行训练，得到近邻样本参数；
S103：根据获取到的汽轮机当前运行状态参数及所述近邻样本参数，生成所述当前运行状态参数对应的汽轮机低压末级压力场预测值。
从上述描述可知，本申请提供一种汽轮机低压末级压力场预测方法及装置，能够根据汽轮机低压缸的当前运行状态参数生成汽轮机低压末级压力场预测值，准确、高效地预测汽轮机低压缸的运行状态，规避汽轮机低压缸内末级叶片的颤振区。
在另一个实施方式中，汽轮机低压末级压力场预测装置可以与中央处理器9100分开配置，例如可以将汽轮机低压末级压力场预测装置配置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现汽轮机低压末级压力场预测方法的功能。
如图9所示，该电子设备9600还可以包括：通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图9中所示的所有部件；此外，电子设备9600还可以包括图9中没有示出的部件，可以参考现有技术。
如图9所示，中央处理器9100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9100接收输入并控制电子设备9600的各个部件的操作。
其中，存储器9140，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9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160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9140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9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143，该数据存储部9143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9140的驱动程序存储部9144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9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100，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9110，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)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130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9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。
本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的汽轮机低压末级压力场预测方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的汽轮机低压末级压力场预测方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
S101：对获取到的汽轮机历史运行状态参数进行筛选，得到历史运行状态参数样本集及目标参数压力场数据集；
S102：利用K最近邻算法对所述历史运行状态参数样本数据集及所述目标参数压力场数据集进行训练，得到近邻样本参数；
S103：根据获取到的汽轮机当前运行状态参数及所述近邻样本参数，生成所述当前运行状态参数对应的汽轮机低压末级压力场预测值。
从上述描述可知，本申请提供一种汽轮机低压末级压力场预测方法及装置，能够根据汽轮机低压缸的当前运行状态参数生成汽轮机低压末级压力场预测值，准确、高效地预测汽轮机低压缸的运行状态，规避汽轮机低压缸内末级叶片的颤振区。
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、装置、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(装置)、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 (6)

1.一种汽轮机低压末级压力场预测方法，其特征在于，包括：
对获取到的汽轮机历史运行状态参数进行筛选，得到历史运行状态参数样本集及目标参数压力场数据集；
利用K最近邻算法对所述历史运行状态参数样本数据集及所述目标参数压力场数据集进行训练，得到近邻样本参数；
根据获取到的汽轮机当前运行状态参数及所述近邻样本参数，生成所述当前运行状态参数对应的汽轮机低压末级压力场预测值；
其中，利用K最近邻算法对所述历史运行状态参数样本数据集及所述目标参数压力场数据集进行训练，得到近邻样本参数，包括：
对所述历史运行状态参数样本数据集中的历史运行状态参数样本数据进行特征降维，得到所述历史运行状态参数样本数据对应的主成分重建原数据；
对所述历史运行状态参数样本数据对应的所述主成分重建原数据进行归一化处理，得到主成分重建标准化数据；
将所述主成分重建标准化数据划分为训练样本集与测试样本集；
利用K最近邻算法对所述训练样本集、所述测试样本集及所述目标参数压力场数据集进行训练，调整预先设定的近邻样本初始参数，得到近邻样本参数；
其中，对所述历史运行状态参数样本数据集中的历史运行状态参数样本数据进行特征降维，得到所述历史运行状态参数样本数据对应的主成分重建原数据，包括：
计算所述历史运行状态参数样本数据集中所述历史运行状态参数样本数据的特征均值向量；
根据所述特征均值向量，将所述历史运行状态参数样本数据中心化，得到历史运行状态参数样本数据矩阵；
构造所述历史运行状态参数样本数据矩阵的协方差矩阵；
对所述协方差矩阵进行特征分解，求取所述协方差矩阵的特征值及各所述特征值对应的特征向量；
根据计算得到的各所述特征值的贡献率提取前d个主成分，其中d的数量小于所述特征向量的维度；
根据所述主成分计算所述历史运行状态参数样本数据对应的主成分重建原数据；
其中，利用K最近邻算法对所述训练样本集、所述测试样本集及所述目标参数压力场数据集进行训练，调整预先设定的近邻样本初始参数，得到近邻样本参数，包括：
预先设定近邻样本初始参数为1；
逐一计算所述测试样本集中各历史运行状态参数样本与所述训练样本集中各历史运行状态参数样本之间的欧式距离；
针对所述测试样本集中的每一所述历史运行状态参数样本，选取与所述训练样本集中各历史运行状态参数样本之间欧式距离最近的k个历史运行状态参数样本，其中，1≤k≤N-1，N为所述训练样本集中所述历史运行状态参数样本的个数；
针对每一历史数据测试样本xi，从目标参数压力场数据集y中获取k个历史数据测试样本各自对应的压力场参数；其中，所述压力场参数包括：0.1倍叶高点压力、0.2倍叶高点压力、0.3倍叶高点压力、0.4倍叶高点压力、0.5倍叶高点压力、0.6倍叶高点压力、0.7倍叶高点压力、0.8倍叶高点压力、0.9倍叶高点压力、1倍叶高点压力；
由于k个历史数据测试样本为历史数据测试样本xi的最近邻样本，根据k个历史数据测试样本的压力场参数，生成历史数据测试样本xi的压力场预测值；具体地，将k个历史数据测试样本对应的0.1倍叶高点压力进行取平均计算，得到历史数据测试样本xi的0.1倍叶高点压力场预测值；将k个历史数据测试样本对应的0.2倍叶高点压力进行取平均计算，得到历史数据测试样本xi的0.2倍叶高点压力场预测值；将k个历史数据测试样本对应的0.3倍叶高点压力进行取平均计算，得到历史数据测试样本xi的0.3倍叶高点压力场预测值；将k个历史数据测试样本对应的0.4倍叶高点压力进行取平均计算，得到历史数据测试样本xi的0.4倍叶高点压力场预测值；将k个历史数据测试样本对应的0.5倍叶高点压力进行取平均计算，得到历史数据测试样本xi的0.5倍叶高点压力场预测值；将k个历史数据测试样本对应的0.6倍叶高点压力进行取平均计算，得到历史数据测试样本xi的0.6倍叶高点压力场预测值；将k个历史数据测试样本对应的0.7倍叶高点压力进行取平均计算，得到历史数据测试样本xi的0.7倍叶高点压力场预测值；将k个历史数据测试样本对应的0.8倍叶高点压力进行取平均计算，得到历史数据测试样本xi的0.8倍叶高点压力场预测值；将k个历史数据测试样本对应的0.9倍叶高点压力进行取平均计算，得到历史数据测试样本xi的0.9倍叶高点压力场预测值；将k个历史数据测试样本对应的1.0倍叶高点压力进行取平均计算，得到历史数据测试样本xi的1.0倍叶高点压力场预测值；最终将历史数据测试样本xi的0.1倍叶高点压力场预测值、0.2倍叶高点压力场预测值、0.3倍叶高点压力场预测值、0.4倍叶高点压力场预测值、0.5倍叶高点压力场预测值、0.6倍叶高点压力场预测值、0.7倍叶高点压力场预测值、0.8倍叶高点压力场预测值、0.9倍叶高点压力场预测值、1倍叶高点压力场预测值组合为一个十维向量，构成历史数据测试样本xi的压力场预测值；
计算所述测试样本集中每一所述历史运行状态参数样本在不同k值下的汽轮机低压末级压力场预测值的均方误差；
选取最小的所述均方误差所对应的k值，作为近邻样本参数。
2.根据权利要求1所述的汽轮机低压末级压力场预测方法，其特征在于，根据获取到的汽轮机当前运行状态参数及所述近邻样本参数，生成所述当前运行状态参数对应的汽轮机低压末级压力场预测值，包括：
对所述当前运行状态参数进行特征降维，得到所述当前运行状态参数对应的主成分重建原数据；
对所述当前运行状态参数对应的主成分重建原数据进行归一化处理，得到所述当前运行状态参数对应的主成分重建标准化数据；
根据所述近邻样本参数，利用K最近邻算法生成所述当前运行状态参数对应的汽轮机低压末级压力场预测值。
3.一种汽轮机低压末级压力场预测装置，其特征在于，包括：
获取单元，用于对获取到的汽轮机历史运行状态参数进行筛选，得到历史运行状态参数样本集及目标参数压力场数据集；
训练单元，用于利用K最近邻算法对所述历史运行状态参数样本数据集及所述目标参数压力场数据集进行训练，得到近邻样本参数；
预测单元，用于根据获取到的汽轮机当前运行状态参数及所述近邻样本参数，生成所述当前运行状态参数对应的汽轮机低压末级压力场预测值；
其中，所述训练单元，包括：
历史数据处理模块，用于对所述历史运行状态参数样本数据集中的历史运行状态参数样本数据进行特征降维，得到所述历史运行状态参数样本数据对应的主成分重建原数据；所述历史数据处理模块，还用于对所述历史运行状态参数样本数据对应的所述主成分重建原数据进行归一化处理，得到主成分重建标准化数据；
划分模块，用于将所述主成分重建标准化数据划分为训练样本集与测试样本集；
训练模块，用于利用K最近邻算法对所述训练样本集、所述测试样本集及所述目标参数压力场数据集进行训练，调整预先设定的近邻样本初始参数，得到近邻样本参数；
其中，所述历史数据处理模块，包括：
均值计算模块，用于计算所述历史运行状态参数样本数据集中所述历史运行状态参数样本数据的特征均值向量；
中心化计算模块，用于根据所述特征均值向量，将所述历史运行状态参数样本数据中心化，得到历史运行状态参数样本数据矩阵；
构造模块，用于构造所述历史运行状态参数样本数据矩阵的协方差矩阵；
特征计算模块，用于对所述协方差矩阵进行特征分解，求取所述协方差矩阵的特征值及各所述特征值对应的特征向量；
提取模块，用于根据计算得到的各所述特征值的贡献率提取前d个主成分，其中d的数量小于所述特征向量的维度；
历史重建模块，用于根据所述主成分计算所述历史运行状态参数样本数据对应的主成分重建原数据；
其中，所述训练模块，包括：
距离计算模块，用于预先设定近邻样本初始参数为1；逐一计算所述测试样本集中各历史运行状态参数样本与所述训练样本集中各历史运行状态参数样本之间的欧式距离；
选取模块，用于针对所述测试样本集中的每一所述历史运行状态参数样本，选取与所述训练样本集中各历史运行状态参数样本之间欧式距离最近的k个历史运行状态参数样本，其中，1≤k≤N-1，N为所述训练样本集中所述历史运行状态参数样本的个数；
生成模块，用于针对每一历史数据测试样本xi，从目标参数压力场数据集y中获取k个历史数据测试样本各自对应的压力场参数；其中，所述压力场参数包括：0.1倍叶高点压力、0.2倍叶高点压力、0.3倍叶高点压力、0.4倍叶高点压力、0.5倍叶高点压力、0.6倍叶高点压力、0.7倍叶高点压力、0.8倍叶高点压力、0.9倍叶高点压力、1倍叶高点压力；
由于k个历史数据测试样本为历史数据测试样本xi的最近邻样本，根据k个历史数据测试样本的压力场参数，生成历史数据测试样本xi的压力场预测值；具体地，将k个历史数据测试样本对应的0.1倍叶高点压力进行取平均计算，得到历史数据测试样本xi的0.1倍叶高点压力场预测值；将k个历史数据测试样本对应的0.2倍叶高点压力进行取平均计算，得到历史数据测试样本xi的0.2倍叶高点压力场预测值；将k个历史数据测试样本对应的0.3倍叶高点压力进行取平均计算，得到历史数据测试样本xi的0.3倍叶高点压力场预测值；将k个历史数据测试样本对应的0.4倍叶高点压力进行取平均计算，得到历史数据测试样本xi的0.4倍叶高点压力场预测值；将k个历史数据测试样本对应的0.5倍叶高点压力进行取平均计算，得到历史数据测试样本xi的0.5倍叶高点压力场预测值；将k个历史数据测试样本对应的0.6倍叶高点压力进行取平均计算，得到历史数据测试样本xi的0.6倍叶高点压力场预测值；将k个历史数据测试样本对应的0.7倍叶高点压力进行取平均计算，得到历史数据测试样本xi的0.7倍叶高点压力场预测值；将k个历史数据测试样本对应的0.8倍叶高点压力进行取平均计算，得到历史数据测试样本xi的0.8倍叶高点压力场预测值；将k个历史数据测试样本对应的0.9倍叶高点压力进行取平均计算，得到历史数据测试样本xi的0.9倍叶高点压力场预测值；将k个历史数据测试样本对应的1.0倍叶高点压力进行取平均计算，得到历史数据测试样本xi的1.0倍叶高点压力场预测值；最终将历史数据测试样本xi的0.1倍叶高点压力场预测值、0.2倍叶高点压力场预测值、0.3倍叶高点压力场预测值、0.4倍叶高点压力场预测值、0.5倍叶高点压力场预测值、0.6倍叶高点压力场预测值、0.7倍叶高点压力场预测值、0.8倍叶高点压力场预测值、0.9倍叶高点压力场预测值、1倍叶高点压力场预测值组合为一个十维向量，构成历史数据测试样本xi的压力场预测值；
误差计算模块，用于计算所述测试样本集中每一所述历史运行状态参数样本在不同k值下的汽轮机低压末级压力场预测值的均方误差；
参数确定模块，用于选取最小的所述均方误差所对应的k值，作为近邻样本参数。
4.根据权利要求3所述的汽轮机低压末级压力场预测装置，其特征在于，所述预测单元，包括：
当前重建模块，用于对所述当前运行状态参数进行特征降维，得到所述当前运行状态参数对应的主成分重建原数据；
当前数据处理模块，用于对所述当前运行状态参数对应的主成分重建原数据进行归一化处理，得到所述当前运行状态参数对应的主成分重建标准化数据；
预测模块，用于根据所述近邻样本参数，利用K最近邻算法生成所述当前运行状态参数对应的汽轮机低压末级压力场预测值。
5.一种电子设备，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程序时实现权利要求1至2任一项所述的汽轮机低压末级压力场预测方法的步骤。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至2任一项所述的汽轮机低压末级压力场预测方法的步骤。
CN202011007256.7A 2020-09-23 2020-09-23 一种汽轮机低压末级压力场预测方法及装置 Active CN112149901B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011007256.7A CN112149901B (zh) 2020-09-23 2020-09-23 一种汽轮机低压末级压力场预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011007256.7A CN112149901B (zh) 2020-09-23 2020-09-23 一种汽轮机低压末级压力场预测方法及装置

Publications (2)

Publication Number Publication Date
CN112149901A CN112149901A (zh) 2020-12-29
CN112149901B true CN112149901B (zh) 2024-04-16

Family

ID=73897766

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011007256.7A Active CN112149901B (zh) 2020-09-23 2020-09-23 一种汽轮机低压末级压力场预测方法及装置

Country Status (1)

Country Link
CN (1) CN112149901B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113153453B (zh) * 2021-03-02 2022-10-11 哈尔滨工业大学 汽轮机末级叶片容积流量估计方法、颤振预警方法及***和装置
CN115013084B (zh) * 2022-04-20 2024-01-26 华北电力科学研究院有限责任公司 基于低压缸零出力的燃煤机组监控方法及装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103226664A (zh) * 2013-05-07 2013-07-31 上海发电设备成套设计研究院 节流调节型汽轮机高压转子外表面温度预测方法和装置
CN107016239A (zh) * 2017-03-30 2017-08-04 贵州电网有限责任公司电力科学研究院 一种asca和rbf神经网络模型的汽轮机阀门流量特性分析方法
CN107766656A (zh) * 2017-10-19 2018-03-06 贵州电网有限责任公司电力科学研究院 基于历史数据回归分析的汽轮机阀门流量特性分析方法
CN108073158A (zh) * 2017-12-05 2018-05-25 上海电机学院 基于pca和knn密度算法风电机组轴承故障诊断方法
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
CN109300310A (zh) * 2018-11-26 2019-02-01 平安科技（深圳）有限公司 一种车流量预测方法及装置
CN110188407A (zh) * 2019-05-09 2019-08-30 中国石油大学(北京) 多孔介质内液体流动参数的确定方法及装置
CN110728457A (zh) * 2019-10-17 2020-01-24 广西电网有限责任公司电力科学研究院 一种考虑配电网多层级薄弱环节的运行风险态势感知方法
CN110837223A (zh) * 2018-08-15 2020-02-25 大唐南京发电厂 一种燃气轮机燃烧优化控制方法及***
CN111222683A (zh) * 2019-11-15 2020-06-02 山东大学 一种基于pca-knn的tbm施工围岩综合分级预测方法
CN111539563A (zh) * 2020-04-13 2020-08-14 珠海格力电器股份有限公司 一种用能安全状态预测方法、装置、服务器及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107341569B (zh) * 2017-06-26 2020-04-24 清华大学 结合光伏功率物理模型与数据驱动的光伏功率预测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103226664A (zh) * 2013-05-07 2013-07-31 上海发电设备成套设计研究院 节流调节型汽轮机高压转子外表面温度预测方法和装置
CN107016239A (zh) * 2017-03-30 2017-08-04 贵州电网有限责任公司电力科学研究院 一种asca和rbf神经网络模型的汽轮机阀门流量特性分析方法
CN107766656A (zh) * 2017-10-19 2018-03-06 贵州电网有限责任公司电力科学研究院 基于历史数据回归分析的汽轮机阀门流量特性分析方法
CN108073158A (zh) * 2017-12-05 2018-05-25 上海电机学院 基于pca和knn密度算法风电机组轴承故障诊断方法
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
CN110837223A (zh) * 2018-08-15 2020-02-25 大唐南京发电厂 一种燃气轮机燃烧优化控制方法及***
CN109300310A (zh) * 2018-11-26 2019-02-01 平安科技（深圳）有限公司 一种车流量预测方法及装置
CN110188407A (zh) * 2019-05-09 2019-08-30 中国石油大学(北京) 多孔介质内液体流动参数的确定方法及装置
CN110728457A (zh) * 2019-10-17 2020-01-24 广西电网有限责任公司电力科学研究院 一种考虑配电网多层级薄弱环节的运行风险态势感知方法
CN111222683A (zh) * 2019-11-15 2020-06-02 山东大学 一种基于pca-knn的tbm施工围岩综合分级预测方法
CN111539563A (zh) * 2020-04-13 2020-08-14 珠海格力电器股份有限公司 一种用能安全状态预测方法、装置、服务器及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Zijun Que ; Zhengguo Xu.A Data-Driven Health Prognostics Approach for Steam Turbines Based on Xgboost and DTW.IEEE Access.2019,第93131-93138页. *
一种基于近邻样本评估的动态选择性集成预测算法;曲文龙;李一漪;陈笑屹;曲嘉一;;西北大学学报(自然科学版)(05);第114-122页 *
主成分分析法研究及其在特征提取中的应用;陈佩;中国优秀硕士学位论文全文数据库;第I138-1058页 *
基于改进KPCA与K近邻算法的柴油机故障检测研究;李宁;中国优秀硕士学位论文全文数据库;第C039-149页 *

Also Published As

Publication number Publication date
CN112149901A (zh) 2020-12-29

Similar Documents

Publication Publication Date Title
CN112149060B (zh) 一种汽轮机低压末级温度场预测方法及装置
CN112052890B (zh) 给水泵振动预测方法及装置
CN112149901B (zh) 一种汽轮机低压末级压力场预测方法及装置
WO2017076154A1 (zh) 网络事件预测以及建立网络事件预测模型的方法和装置
KR102468316B1 (ko) 과거 데이터에 기초한 시계열 예측 방법 및 장치
US20120230821A1 (en) Wind power prediction method of single wind turbine generator
CN114254750A (zh) 准确度损失确定方法以及装置
CN110764468A (zh) 一种确定火电机组运行参数基准值的方法及装置
CN113657661A (zh) 一种企业碳排放预测方法、装置、计算机设备和存储介质
WO2020041477A1 (en) Cryptocurrency mining selection system and method
CN113110961B (zh) 设备异常检测方法、装置、计算机设备及可读存储介质
CN111126707A (zh) 能耗方程构建、能耗预测方法与装置
CN114186589A (zh) 一种基于残差网络Resnet50的超导电缆局部放电模式识别方法
CN112885377A (zh) 语音质量评估方法、装置、计算机设备和存储介质
CN117175664A (zh) 基于使用场景的储能充电设备输出功率自适应调节***
RU2703874C1 (ru) Способ контроля и прогнозирования работы газотурбинной установки с использованием матрицы дефектов
Benouioua et al. Multifractal analysis of stack voltage based on wavelet leaders: A new tool for PEMFC diagnosis
CN116663727A (zh) 一种光伏功率预测方法及***
Wang et al. Variable selection for the partial linear single-index model
CN116454890B (zh) 基于scuc模型的机组组合控制方法、装置和设备
CN116227245B (zh) 基于运行数据的风电机组多目标控制性能评估方法及装置
CN115062546A (zh) 一种汽轮机启停过程的壁温监测方法及装置
CN117688367B (zh) 一种基于即时学习的风力发电超短期功率预测方法及装置
CN115099032A (zh) 一种火电厂烟气提水量预警方法及装置
CN117647932B (zh) 冷却泵流量预测模型构建方法、***、终端及介质

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