CN112329959A - 一种热力设备智能运维***及方法 - Google Patents

一种热力设备智能运维***及方法 Download PDF

Info

Publication number
CN112329959A
CN112329959A CN202011385257.5A CN202011385257A CN112329959A CN 112329959 A CN112329959 A CN 112329959A CN 202011385257 A CN202011385257 A CN 202011385257A CN 112329959 A CN112329959 A CN 112329959A
Authority
CN
China
Prior art keywords
equipment
thermodynamic
module
maintenance
simulation
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
Application number
CN202011385257.5A
Other languages
English (en)
Other versions
CN112329959B (zh
Inventor
王顺森
程上方
乔加飞
王凯
张磊
董琨
张俊杰
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202011385257.5A priority Critical patent/CN112329959B/zh
Publication of CN112329959A publication Critical patent/CN112329959A/zh
Application granted granted Critical
Publication of CN112329959B publication Critical patent/CN112329959B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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"
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • G06F2119/08—Thermal analysis or thermal optimisation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Educational Administration (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种热力设备智能运维***及方法，其中的方法包括：热力***组态建模方法；模块化伴随仿真方法；热力***运行优化方法；热力设备性能劣化分析方法；热力设备状态异常评估方法。本发明的方法，为热力设备智能运维提供了全面解决方案，有助于提升热力***的运行管理水平，具有显著的经济效益和应用价值。

Description

一种热力设备智能运维***及方法
技术领域
本发明涉及热力设备智能运维技术，具体涉及一种基于模块化伴随仿真和***组态优化的热力设备智能运维***及方法。
背景技术
目前，在电力、化工、钢铁、冶金、水泥等工业领域，大型设备通常采用按规程运行、定期维护、故障维修的工作模式。在运行过程中，环境参数时时刻刻都在发生变化，设备也会随着老化性能不断下降，运行规程考虑的首要因素是设备安全，缺乏针对特定热力***的个性化设计，导致机组按规程运行时很难达到最佳状态。另外，定期维护可能产生过度维护和欠维护，而过度维护将导致设备利用率下降、运行费用提高、设备寿命缩短等，欠维护将导致设备故障，需要非计划停机维修，造成更大的损失。
视情维护（简称智能运维）是解决上述问题的主要途径。其基本思路是通过加强和完善监测监控手段，掌握设备的实时工作状态，及时发现问题并采取相应对策，使有些故障在发生之前得到有效预防，有些严重的故障可以在有轻微故障苗头时得到控制并被排除，从而遏制严重故障的发生，大大降低故障率，节约维修成本，缩小维修范围，减少维修工作量，提高设备的可用率，使维修工作变被动为主动。视情维修可以解决定期维修中“该修不能修，不该修却要修”的问题。另外，也可以根据设备的实时工作状态不断优化运行规程，提高***或设备的工作性能，实现智能运行。
然而，对应***或设备来说，加强和完善监测监控手段意味着投资的大量增加；最核心的问题是，很多参数还缺乏有效的监测仪表，例如在火力发电厂，煤质、煤量、汽轮机排汽湿度、凝汽器漏气率、氨逃逸率等都很难实测监测，这是制约设备智能运行和视情维护的主要障碍。
人工智能技术的发展为解决上述问题的提供了新途径。人工智能是利用机器学习将历史经验量化，从中找规律（建立方程或模型），用于未来的决策。传统人工智能将每个学习目标作为1个黑箱，每1组数据就是黑箱内的1个“零件”，至于这些“零件”组合起来是什么机器学习事先并不知道；如果某个或某些“零件”出现问题，最终结果就会偏离实际目标。用于图形识别、语音识别等领域时，由于每组数据都是独立的，个别像素的问题不会影响整个图片的全局。然而，对于工业设备来说，大多数参数是相互关联的，每个参数的影响不是1个点，而是1条线甚至1个区域；因此，采用传统人工智能方法很难得到可靠的结果。
发明内容
本发明的主要目的在于提供一种热力设备智能运维***及方法，通过热力***组态建模、模块化伴随仿真、热力***运行优化、热力设备性能劣化分析和热力设备状态异常评估，为热力设备智能运维提供了全面解决方案，提升热力***的运行管理水平。
根据本发明的一个方面，提供了一种热力设备智能运维***，包括：
热力***组态建模模块，用于热力***组态建模；
模块化伴随仿真模块，用于模块化伴随仿真；
热力***运行优化模块，用于热力***运行优化；
热力设备性能劣化分析模块，用于热力设备性能劣化分析；
热力设备状态异常评估模块，用于热力设备状态异常评估。
根据本发明的又一个方面，提供了一种热力设备智能运维方法，包括：
热力***组态建模方法；
模块化伴随仿真方法；
热力***运行优化方法；
热力设备性能劣化分析方法；
热力设备状态异常评估方法。
进一步地，所述热力***组态建模方法包括：
利用热力仿真基本理论，将复杂热力***分解为若干个具有数学独立性的计算模块，不同模块之间各参数的关联性由热力***质热平衡方程确定，通过模块化组图方式可构建各种复杂热力***。
更进一步地，所述模块化伴随仿真方法包括：
以设备模块的热力仿真模型为初始骨架，借助实时和历史运行数据的机器学习不断迭代更新模型，形成逐步逼近实际运行设备性能的伴随仿真模型。
更进一步地，所述机器学习是以分解后的独立模块为对象，模块内主
要参数的关联性由高精度仿真模型确定，模块内无法通过仿真模型解决的参数关系由回归分析、人工神经网络这些机器学习完成。
更进一步地，所述热力***运行优化方法包括：
基于设备模块伴随仿真模型和***质热平衡方程，采用梯度下降法以及粒子群算法、遗传算法这些非线性规划方法，以***总体热耗率、煤耗率、电耗率或其它特征参数为优化目标，确定任意运行工况下各设备参数的最佳实时组合匹配方案。
更进一步地，所述热力设备性能劣化分析方法包括：
基于设备模块伴随仿真模型，通过特征参数评估、数据挖掘这些方法获得不同运行工况和工作条件下设备性能参数随时间的变化规律，确定设备性能劣化状态和劣化趋势据。
更进一步地，所述热力设备性能劣化分析方法包括：
利用同型号设备对标和大数据分析这些方法，根据设备性能劣化状态和劣化趋势，评估设备性能是否异常，并根据评估结果和FTA分析这些方法实现设备故障预警与视情检修。
本发明的优点：
本发明的方法，其基本思路是：将复杂工业***和设备离散化、模块化，用已有的理论体系解决关联性和确定性问题，用机器学习解决不确定性问题；机器学习以设备机理模型为骨架，已内置了大量的专家知识，使得机器学习的维数低、实时性好、可靠性高，并且学习模型具有更好的知识积累能力和外延性、继承性。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明的热力设备智能运维方法流程图；
图2是本发明的实施例1的示意图；
图3是本发明的实施例2的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
一种热力设备智能运维***，包括：
热力***组态建模模块，用于热力***组态建模；
模块化伴随仿真模块，用于模块化伴随仿真；
热力***运行优化模块，用于热力***运行优化；
热力设备性能劣化分析模块，用于热力设备性能劣化分析；
热力设备状态异常评估模块，用于热力设备状态异常评估。
其中，热力***组态建模模块、模块化伴随仿真是基础模块，热力系
统运行优化模块、热力设备性能劣化分析模块和热力设备状态异常评估模块是功能模块。
参考图1，一种热力设备智能运维方法，包括：
热力***组态建模方法；
模块化伴随仿真方法；
热力***运行优化方法；
热力设备性能劣化分析方法；
热力设备状态异常评估方法。
本发明的方法，其基本思路是：将复杂工业***和设备离散化、模块化，用已有的理论体系解决关联性和确定性问题，用机器学习解决不确定性问题；机器学习以设备机理模型为骨架，已内置了大量的专家知识，使得机器学习的维数低、实时性好、可靠性高，并且学习模型具有更好的知识积累能力和外延性、继承性。
所述热力***组态建模方法的基本思想是：利用热力仿真基本理论，将复杂热力***分解为一个个具有数学独立性的计算模块，不同模块之间各参数的关联性由热力***质热平衡方程确定，通过模块化组图方式可构建各种复杂热力***。
所述模块化伴随仿真方法是以设备模块的热力仿真模型为初始骨架，借助实时和历史运行数据的机器学习不断迭代更新模型，形成逐步逼近实际运行设备性能的伴随仿真模型；由于初始骨架严格依赖于设备的物理机理和实验数据，因此能够解决机器学习过程中的盲目性，提高机器学习的抗干扰能力。
所述机器学习是以分解后的独立模块为对象，模块内主要参数的关联性由高精度仿真模型确定，模块内无法通过仿真模型解决的参数关系由回归分析、人工神经网络等机器学习完成，既提高了伴随仿真模型的精度，又大大降低了机器学习的维数。
所述热力***运行优化方法是基于设备模块伴随仿真模型和***质热平衡方程，采用梯度下降法以及粒子群算法、遗传算法等非线性规划方法，以***总体热耗率、煤耗率、电耗率或其它特征参数为优化目标，确定任意运行工况下各设备参数的最佳实时组合匹配方案，深入挖掘***节能潜力、优化***运行。
所述热力设备性能劣化分析方法是指基于设备模块伴随仿真模型，通过特征参数评估、数据挖掘等方法获得不同运行工况和工作条件下设备性能参数随时间的变化规律，确定设备性能劣化状态和劣化趋势，为设备智能维护提供基础数据。
所述热力设备状态异常评估方法是利用同型号设备对标和大数据分析等方法，根据设备性能劣化状态和劣化趋势，评估设备性能是否异常，并根据评估结果和FTA分析等方法实现设备故障预警与视情检修。
所述热力设备智能运维方法的总体思路是：将复杂工业***和设备离散化、模块化，用已有的理论体系解决关联性和确定性问题，用机器学习解决不确定性问题；而机器学习以设备机理模型为骨架，已内置了大量的专家知识，使得机器学习的维数低、实时性好、可靠性高，并且学习模型具有更好的知识积累能力和外延性、继承性。
所述热力设备智能运维方法主要适用于火力发电与多联产、分布式多联供、新能源***、石油化工、钢铁与有色金属冶炼等工业领域的热力设备，包括锅炉、透平、燃烧器或燃烧室、磨煤机、泵、风机、热泵、制冷机、各类换热器、气化炉、分离器、空分装置、脱硫装置、脱销装置、空冷岛、凝汽器、冷却塔、光伏发电、光热发电、风力发电等。
实施例1
一种基于模块化伴随仿真和***组态优化的工业锅炉热电联产***设备智能运维方法。该实施例重点关注工业锅炉本体的智能运维问题。
第一，利用热力仿真基本理论，将复杂热力***分解为一个个具有数学独立性的计算模块，建立如附图2所示的热力***。其中工业锅炉本体分解为工业锅炉炉膛1、煤斗2、蒸汽过热器11、蒸发器12、省煤器13、一次风空预器14、二次风空预器15；锅炉辅机包括一次风机16、二次风机17、引风机18和烟囱19；其它热力设备包括蒸汽透平模块3、4、5，回热器6、7，给水泵8，换热站9和发电机10。不同模块之间各参数的关联性由热力***质热平衡方程确定。
第二，按照各设备模块的基本设计与校核理论，建立高精度仿真模型，包括工业锅炉炉膛、煤斗、蒸汽过热器、蒸发器、省煤器、空预器、风机、烟囱、透平、回热器、泵、换热站和发电机。
第三，调取各设备模块的实时运行数据和历史运行数据，以模块仿真模型为骨架，通过回归分析、人工神经网络等机器学习方法不断迭代更新模型，形成逐步逼近实际运行设备性能的伴随仿真模型。
第四，以***综合煤耗率或最佳经济收益为优化目标，采用粒子群算法、遗传算法等非线性规划方法，利用设备模块伴随仿真模型和***质热平衡方程，确定任意运行工况下各设备参数的最佳组合匹配方案，对设备进行直接调控或给出操作提示。
第五，利用设备模块伴随仿真模型确定蒸汽过热器、蒸发器、省煤器、空预器等换热器模块的换热系数随时间的变化曲线，确定吹灰阈值；根据实时运行状态进行智能吹灰。
第六，利用设备模块伴随仿真模型确定蒸汽透平、风机、泵等设备模块的工作性能随时间的变化曲线，确定设备性能劣化状态，进行视情维护或制订检修计划。
实施例2
一种基于模块化伴随仿真和***组态优化的直接空冷热电联产***设备智能运维方法。该实施例重点关注空冷岛的智能运维问题。
第一，利用热力仿真基本理论，将复杂热力***分解为一个个具有数学独立性的计算模块，建立如附图3所示的热力***。其中空冷岛按换热单元分解为6个模块（实际空冷单元可能更多），编号分别为11-16；其它热力设备包括蒸汽发生器1，蒸汽透平模块3、4、5，回热器6、7，给水泵8，换热站9和发电机10。不同模块之间各参数的关联性由热力***质热平衡方程确定。
第二，按照各设备模块的基本设计与校核理论，建立高精度仿真模型，包括空冷换热器、透平、回热器、泵、换热站和发电机。
第三，调取各设备模块的实时运行数据和历史运行数据，以模块仿真模型为骨架，通过回归分析、人工神经网络等机器学习方法不断迭代更新模型，形成逐步逼近实际运行设备性能的伴随仿真模型。
第四，利用设备模块伴随仿真模型，确定换热器脏污状态与换热系数的关系，构建空冷单元脏污指标体系，建立空冷岛脏污预测模型；根据实时监测参数评估各空冷单元的脏污程度，进行视情清洗；仅清洗需要清洗的单元，在确保机组高效运行的情况下大大降低空冷机组的耗水量。
第五，利用设备模块伴随仿真模型确定温降速率与环境参数、运行参数的关系，建立冬季寒冷条件下的防冻预测模型，提取模型特征值作为构建空冷岛防冻逻辑的依据；根据实时监测参数评估各空冷单元的结冰风险，实现各空冷单元的差异化防冻控制。
第五，以热耗率或煤耗率为优化目标，采用粒子群算法、遗传算法等非线性规划方法，在防冻、脏污、环境变化、设备故障等约束条件下，利用设备模块伴随仿真模型和***质热平衡方程，确定任意运行工况和环境参数下各空冷单元的风机最佳转速，对风机进行直接调控或给出操作提示。
本发明公开了一种热力设备智能运维***及方法。参考图1至图3，该方法的基本思路和实施方案是：利用热力仿真基本理论，将复杂热力***分解为一个个具有数学独立性的计算模块，不同模块之间各参数的关联性由热力***质热平衡方程确定，而模块内主要参数的关联性由以设备高精度仿真模型为骨架进行实时和历史运行数据机器学***，具有显著的经济效益和应用价值。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种热力设备智能运维***，其特征在于，包括：
热力***组态建模模块，用于热力***组态建模；
模块化伴随仿真模块，用于模块化伴随仿真；
热力***运行优化模块，用于热力***运行优化；
热力设备性能劣化分析模块，用于热力设备性能劣化分析；
热力设备状态异常评估模块，用于热力设备状态异常评估。
2.一种热力设备智能运维方法，其特征在于，包括：
热力***组态建模方法；
模块化伴随仿真方法；
热力***运行优化方法；
热力设备性能劣化分析方法；
热力设备状态异常评估方法。
3.根据权利要求2所述的热力设备智能运维方法，其特征在于，所述
热力***组态建模方法包括：
利用热力仿真基本理论，将复杂热力***分解为若干个具有数学独立性的计算模块，不同模块之间各参数的关联性由热力***质热平衡方程确定，通过模块化组图方式可构建各种复杂热力***。
4.根据权利要求2所述的热力设备智能运维方法，其特征在于，所述
模块化伴随仿真方法包括：
以设备模块的热力仿真模型为初始骨架，借助实时和历史运行数据的机器学习不断迭代更新模型，形成逐步逼近实际运行设备性能的伴随仿真模型。
5.根据权利要求4所述的热力设备智能运维方法，其特征在于，所述
机器学习是以分解后的独立模块为对象，模块内主要参数的关联性由高精度仿真模型确定，模块内无法通过仿真模型解决的参数关系由回归分析、人工神经网络这些机器学习完成。
6.根据权利要求2所述的热力设备智能运维方法，其特征在于，所述
热力***运行优化方法包括：
基于设备模块伴随仿真模型和***质热平衡方程，采用梯度下降法以及粒子群算法、遗传算法这些非线性规划方法，以***总体热耗率、煤耗率、电耗率或其它特征参数为优化目标，确定任意运行工况下各设备参数的最佳实时组合匹配方案。
7.根据权利要求2所述的热力设备智能运维方法，其特征在于，所述
热力设备性能劣化分析方法包括：
基于设备模块伴随仿真模型，通过特征参数评估、数据挖掘这些方法获得不同运行工况和工作条件下设备性能参数随时间的变化规律，确定设备性能劣化状态和劣化趋势据。
8.根据权利要求2所述的热力设备智能运维方法，其特征在于，所述
热力设备性能劣化分析方法包括：
利用同型号设备对标和大数据分析这些方法，根据设备性能劣化状态和劣化趋势，评估设备性能是否异常，并根据评估结果和FTA分析这些方法实现设备故障预警与视情检修。
CN202011385257.5A 2020-12-01 2020-12-01 一种热力设备智能运维***及方法 Active CN112329959B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011385257.5A CN112329959B (zh) 2020-12-01 2020-12-01 一种热力设备智能运维***及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011385257.5A CN112329959B (zh) 2020-12-01 2020-12-01 一种热力设备智能运维***及方法

Publications (2)

Publication Number Publication Date
CN112329959A true CN112329959A (zh) 2021-02-05
CN112329959B CN112329959B (zh) 2023-06-23

Family

ID=74308573

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011385257.5A Active CN112329959B (zh) 2020-12-01 2020-12-01 一种热力设备智能运维***及方法

Country Status (1)

Country Link
CN (1) CN112329959B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116579762A (zh) * 2023-04-14 2023-08-11 广州林旺空调工程有限公司 一种冷却塔智慧运维平台
CN117764561A (zh) * 2024-02-21 2024-03-26 临沂明振仪表科技有限公司 基于物联网的热力设备智能运维管理***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564254A (zh) * 2018-03-15 2018-09-21 国网四川省电力公司绵阳供电公司 基于大数据的配电设备状态可视化平台
WO2019233047A1 (zh) * 2018-06-07 2019-12-12 国电南瑞科技股份有限公司 基于电网调度的运维方法
CN111237737A (zh) * 2020-01-16 2020-06-05 上海锅炉厂有限公司 一种应用于锅炉智能运维的受热面管子分段定位方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564254A (zh) * 2018-03-15 2018-09-21 国网四川省电力公司绵阳供电公司 基于大数据的配电设备状态可视化平台
WO2019233047A1 (zh) * 2018-06-07 2019-12-12 国电南瑞科技股份有限公司 基于电网调度的运维方法
CN111237737A (zh) * 2020-01-16 2020-06-05 上海锅炉厂有限公司 一种应用于锅炉智能运维的受热面管子分段定位方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SHUNSEN WANG ET AL.: "Proposal and assessment of a combined cooling and power system based on the regenerative supercritical carbon dioxide brayton cycle integrated with an absorption refrigenration cycle for engine waste heat recovery", ENERGY CONVERSION AND MANAGEMENT, vol. 207 *
刘华敏等: "基于人工智能的往复式压缩机故障诊断研究综述", 流体机械, vol. 48, no. 9, pages 65 - 70 *
王宁玲;冯澎湃;付鹏;时斌;杨志平;: "一种基于㶲分析的火电机组热力***性能劣化诊断方法", 工程热物理学报, no. 06, pages 1147 - 1153 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116579762A (zh) * 2023-04-14 2023-08-11 广州林旺空调工程有限公司 一种冷却塔智慧运维平台
CN116579762B (zh) * 2023-04-14 2023-10-20 广州林旺空调工程有限公司 一种冷却塔智慧运维平台
CN117764561A (zh) * 2024-02-21 2024-03-26 临沂明振仪表科技有限公司 基于物联网的热力设备智能运维管理***
CN117764561B (zh) * 2024-02-21 2024-05-14 临沂明振仪表科技有限公司 基于物联网的热力设备智能运维管理***

Also Published As

Publication number Publication date
CN112329959B (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
CN103759277B (zh) 燃煤电站锅炉智能吹灰闭环控制方法、装置和***
CN102621945B (zh) 基于火力发电机组最优工况的效率动态寻优运行闭环优化控制方法
CN112329959B (zh) 一种热力设备智能运维***及方法
CN114383299B (zh) 基于大数据与动态仿真的中央空调***运行策略优化方法
CN113095591B (zh) 一种用于火电机组运行参数自寻优的耗差分析方法
CN103838216A (zh) 基于数据驱动案例匹配的电站锅炉燃烧优化方法
CN113467392B (zh) 一种燃煤锅炉开环燃烧控制优化方法
CN104090560A (zh) 一种监测供电综合环境评价指标的设备
CN112836935A (zh) 一种适用于发电厂的智慧水务管理平台
CN113359425A (zh) 一种基于lstm神经网络pid优化的火电厂锅炉主汽温智能控制***
WO2024087552A1 (zh) 一种基于数据挖掘的风机运行状态实时在线预估方法
CN112950409A (zh) 煤气和蒸汽能源综合利用***生产调度优化方法
CN112783115A (zh) 一种蒸汽动力***的在线实时优化方法及装置
CN115329659B (zh) 废物焚烧炉二噁英排放实时预警及智能控制的方法及***
CN116036849A (zh) 一种cfb锅炉烟气脱硝自动控制方法及***
CN111006197A (zh) 一种垂直管屏水冷壁锅炉水动力优化及运维管理***
CN109635341A (zh) 一种尾部三烟道二次再热锅炉的受压件寿命预测方法
Wang et al. Joint external and internal opportunistic optimisation for wind turbine considering wind velocity
CN113191083A (zh) 考虑全工况外部参数变化的烟气余热回收***优化设计方法
Wang et al. Fault diagnosis analysis and health management of thermal performance of multi-source data fusion equipment based on fog computing model
Wang et al. Development and application of energy saving evaluation system based on energy consumption management platform
CN103968879A (zh) 一种供电***区域环保监测方法
CN103968880A (zh) 一种供电***区域环保监测***
CN114165777B (zh) 电厂锅炉四管泄漏智能识别模型
Stephan et al. A reinforcement learning based neural multiagent system for control of a combustion process

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