CN113359435B - 用于火电机组动态工况数据的修正方法 - Google Patents

用于火电机组动态工况数据的修正方法 Download PDF

Info

Publication number
CN113359435B
CN113359435B CN202110517846.2A CN202110517846A CN113359435B CN 113359435 B CN113359435 B CN 113359435B CN 202110517846 A CN202110517846 A CN 202110517846A CN 113359435 B CN113359435 B CN 113359435B
Authority
CN
China
Prior art keywords
working condition
steady
dynamic
state
condition
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
CN202110517846.2A
Other languages
English (en)
Other versions
CN113359435A (zh
Inventor
司风琪
牟柯昱
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202110517846.2A priority Critical patent/CN113359435B/zh
Publication of CN113359435A publication Critical patent/CN113359435A/zh
Application granted granted Critical
Publication of CN113359435B publication Critical patent/CN113359435B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Monitoring And Testing Of Nuclear Reactors (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种用于火电机组动态工况数据的修正方法，涉及火电机组动态数据修正技术领域，解决了现有火电机组运行过程中稳态样本数量相对少、工况分布不平衡的技术问题，其技术方案要点是获取历史运行数据，经过稳态判定、工况划分等初步预处理，然后通过距离阈值筛选出各稳态工况样本中与待修正动态工况样本边界参数相似的临近样本，基于最小二乘法和核密度加权法进行修正系数估计。最终以其中闵可夫斯基距离最小的历史最临近稳态工况为基准，计算修正后动态工况样本的状态参数值和性能指标值。该方法参数稳定性更高，满足工程实际需要；并提高了动态运行数据的利用程度，能够有效改善因工况样本分布不平衡而导致数据挖掘精度受限的问题。

Description

用于火电机组动态工况数据的修正方法
技术领域
本公开涉及火电机组动态数据修正技术领域，尤其涉及一种用于火电机组动态工况数据的修正方法。
背景技术
在热工过程数据驱动建模中，稳态工况样本因良好的规律显性度和较少的噪声，成为了模型训练的主要数据来源。然而，在实际运行中，受调峰需求和四季变迁的影响，机组负荷指令和环境因素等外部条件的不断变化，导致机组运行参数也处于持续的波动之中。再加之电厂人为调控的干预和热力***迟滞特性等内部因素的影响，现场数据偏离的频率和幅度将进一步加重。从中可见频繁且剧烈的波动过程，使得在机组运行历史数据库中，稳态工况的数量相较于动态工况往往要少得多。
事实上，完全稳态的运行工况在机组发电过程中并不存在。即使是经过稳态判定得到的稳态数据，也不过是波动幅度较小，噪声较少的准稳态数据。为了提升数据挖掘的精度和效率，采用较小的稳态阈值对历史数据进行筛选，虽然能够获得更高质量的工况信息，但保留的样本数量将大大减小，工况分布不平衡问题降进一步加剧。缺乏充足、全面的优质样本参与模型训练，势必影响到机组运行规律挖掘的效果，这对于全工况下的机组性能评价与诊断优化显然是致命的。
对于数据挖掘，提升原始数据质量始终是关键。机组运行积累的海量数据在高维空间分布不均匀是数据挖掘领域的难点。机组运行状态呈现复杂多样的状态，工况的偏离反映在运行参数的偏离之上，进而造成了***能耗的偏离。对于整体运行范围下的工况变化规律进行研究，势必面临着高维度、高耦合、高误差等问题。***的运行性能是由边界参数和运行参数共同决定的，近邻样本能耗的差异，也是由边界参数和运行相关参数的差异共同影响造成的。因此如何对机组动态过程中的数据进行修正以获取高质量的数据，从而为运行优化规则的挖掘提供更完整、干净的数据基础是亟需解决的问题。
发明内容
本公开提供了一种用于火电机组动态工况数据的修正方法，其技术目的是针对现有火电机组运行过程中稳态样本数量相对少，工况分布不平衡等问题而公开了一种动态过程数据的修正方法，以获取数量较多的稳态样本，从而解决工况分布不平衡等问题。
本公开的上述技术目的是通过以下技术方案得以实现的：
一种用于火电机组动态工况数据的修正方法，包括：
通过机理分析初步筛选与***运行性能相关的第一特征参数，通过灰色关联度算法在所述第一特征参数中遴选与***运行性能指标关联的第二特征参数；
计算所述第二特征参数的统计量得到描述工况稳定性的稳态因子，将稳态因子与稳态阈值相比较，小于所述稳态阈值的即认为是稳态工况样本；
计算所述稳态工况样本与已知边界条件的动态工况样本S的闵可夫斯基距离，若所述稳态工况样本中的第一稳态工况与所述动态工况样本S的闵可夫斯基距离小于距离阈值dε，则所述第一稳态工况为近邻工况，通过闵可夫斯基距离在所述稳态工况样本中筛选出近邻工况样本{w1,w2,...,wK,wN}，则所述近邻工况样本中共有(K+1)个近邻工况，wN表示与所述动态工况样本S距离最近的近邻工况；
计算所述近邻工况样本{w1,w2,...,wK,wN}的核密度分布；
根据所述核密度分布对所述动态工况样本S的能耗评价指标和相关参数的修正系数进行最小二乘估计，得到最终修正系数；
根据所述最终修正系数对所述动态工况样本S进行修正，得到修正后准稳态工况样本S'；
其中，所述动态工况样本S表示为
Figure BDA0003062431360000021
IS表示动态工况下***的能耗评价指标，
Figure BDA0003062431360000022
表示动态工况下***的边界参数，
Figure BDA0003062431360000023
表示动态工况下***的相关参数，其中，u就表示边界参数，r表示相关参数，m、n分别表示边界参数和相关参数的个数。
本公开的有益效果在于：通过在电厂运行数据库中获取历史运行数据，经过稳态判定、工况划分等初步预处理，然后以一定的距离阈值，筛选出各稳态工况样本中与待修正动态工况样本边界参数相似的临近样本，基于最小二乘法和核密度加权法进行修正系数估计。最终以其中闵可夫斯基距离最小的历史最临近稳态工况为基准，计算修正后动态工况样本的状态参数值和性能指标值。
本申请是一种稳态数据补充方法，相较于传统的建模补充方法速度更快，参数稳定性更高，满足工程实际需要；并提高了动态运行数据的利用程度，能够有效改善因工况样本分布不平衡而导致数据挖掘精度受限的问题。且本申请无需复杂的硬件设备，价格低廉。
附图说明
图1为本申请所述方法的流程图；
图2为不同工况下汽机热耗随负荷分布的散点示意图；
图3为不同负荷区间汽机热耗率均值分布示意图。
具体实施方式
下面将结合附图对本公开技术方案进行详细说明。在本申请的描述中，需要理解地是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量，仅用来区分不同的技术特征。
图1为本申请所述用于火电机组动态工况数据的修正方法的流程图，如图1所示，该方法包括：
S1：通过机理分析初步筛选与***运行性能相关的第一特征参数，通过灰色关联度算法在所述第一特征参数中遴选与***运行性能指标关联的第二特征参数。
具体地，由机理分析初步筛选***运行的相关参数，通过灰色关联度算法遴选与机组性能指标关联度较大的特征变量，以一定的关联度阈值进行约简，得到能耗特征参数，记X＝{Xu,Xr}为某***的能耗特征参数，由不可控特征参数Xu(边界参数)和可控的特征参数组成Xr(相关参数)。这里需要选择合适的灰色关联度约简阈值。
S2：计算所述第二特征参数的统计量得到描述工况稳定性的稳态因子，将稳态因子与稳态阈值相比较，小于所述稳态阈值的即认为是稳态工况样本。这一过程可通过R检验法来实现。
S3：计算所述稳态工况样本与已知边界条件的动态工况样本S的闵可夫斯基距离，若所述稳态工况样本中的第一稳态工况与所述动态工况样本S的闵可夫斯基距离小于距离阈值dε，则所述第一稳态工况为近邻工况，通过闵可夫斯基距离在所述稳态工况样本中筛选出近邻工况样本{w1,w2,...,wK,wN}，则所述近邻工况样本中共有(K+1)个近邻工况，wN表示与所述动态工况样本S距离最近的近邻工况。
在筛选近邻工况时，可以优先选相邻网格内的样本计算距离，类似于缩小搜索范围的功能，即进行工况划分，工况划分一般采用等宽度法。
距离阈值dε会根据实际***运行情况而定。
具体地，闵可夫斯基距离表示为：
Figure BDA0003062431360000031
其中，d(A,B)表示m维空间内任意两点A(a1,a2,...am)与B(b1,b2,...bm)之间的闵可夫斯基距离，A(a1,a2,...am)表示所述动态工况样本S中的任意一个动态工况，B(b1,b2,...bm)表示所述稳态工况样本中的任意一个稳定工况，所述p表示变参数，且p＝2。
M既表示边界参数个数，也表示划分工况的维度数。每一个工况点都对应着m个边界参数，在计算高维空间内的距离时，需计算两点间在每一个维度上边界参数的差值再进行求和得到最终的距离。
近邻工况样本中的任意一个工况到动态工况样本S的闵可夫斯基距离，需要分别计算近邻工况到动态工况样本S中每一个工况的闵可夫斯基距离，那么近邻工况到动态工况样本S中的工况的一个最大闵可夫斯基距离即为该近邻工况到动态工况样本S的闵可夫斯基距离。
在计算闵可夫斯基距离之前，需要对工况的边界参数进行归一化处理。
S4：计算所述近邻工况样本{w1,w2,...,wK,wN}的核密度分布，可以选用高斯核函数进行估算。
具体地，近邻工况样本{w1,w2,...,wK,wN}的核密度分布，包括：
Figure BDA0003062431360000041
其中，fh(d)表示任意近邻工况与最近近邻工况wN的距离为d时对应的概率密度，dk表示表示近邻工况wk与wN的距离，k＝1,2,...,K，h表示带宽，h＝dε/10，g(.)表示核函数。
S5：根据所述核密度分布对所述动态工况样本S的能耗评价指标和相关参数的修正系数进行最小二乘估计，得到最终修正系数。
具体包括：
Figure BDA0003062431360000042
Figure BDA0003062431360000043
表示边界参数
Figure BDA0003062431360000044
对能耗评价指标IS的修正系数，
Figure BDA0003062431360000045
表示边界参数
Figure BDA0003062431360000046
对第j个相关参数
Figure BDA0003062431360000047
的修正系数，j∈[1,n]；
Figure BDA0003062431360000048
表示近邻工况wk的能耗评价指标与wN的能耗评价指标的差值；
Figure BDA0003062431360000049
表示近邻工况wk的边界参数与wN的边界参数的差值集合；
Figure BDA00030624313600000410
表示近邻工况wk的第j个相关参数与wN的第j个边界参数的差值；fh(dk)表示任意近邻工况与wN的距离为dk时对应的概率密度；θ1、θ2表示使argmin(.)结果最小的参数。
S6：根据所述最终修正系数对所述动态工况样本S进行修正，得到修正后准稳态工况样本S'。
动态工况样本S表示为
Figure BDA00030624313600000411
IS表示动态工况下***的能耗评价指标，
Figure BDA00030624313600000412
表示动态工况下***的边界参数，
Figure BDA00030624313600000413
表示动态工况下***的相关参数，其中，u就表示边界参数，r表示相关参数，m、n分别表示边界参数和相关参数的个数。
修正的过程包括：
Figure BDA00030624313600000414
Figure BDA00030624313600000415
表示动态工况样本S的边界参数与wN的边界参数的差值集合；
Figure BDA00030624313600000416
表示wN的能耗评价指标；
Figure BDA00030624313600000417
表示wN的第j个相关参数；最终得到准稳态工况样本
Figure BDA0003062431360000051
作为具体实施例地，现场DCS采样数据存入厂级监控信息***(SIS)的历史数据库，结合需要分析的具体***，首先将现场数据进行数据清洗、稳态筛选等预处理，得到稳态运行工况数据库留待后续分析。然后通过灰色关联度算法选取汽机运行过程中的能耗特征变量，以其中相对不可控的特征参数作为边界条件对稳态数据进行划分，剩余参数为运行相关参数。对于待修正的动态工况样本，可将其边界参数在稳态运行工况库中进行匹配，筛选出边界相似工况之内的稳态样本，分别计算这些稳态样本与待修正工况之间的闵可夫斯基距离。设置闵可夫斯基距离的距离阈值dε为0.5，筛选出一定数量的近邻工况样本，并计算各样本的闵可夫斯基距离的核密度概率作为权值，以最小二乘法对各相关参数的修正系数进行拟合，最终给出修正后工况的参数结果。
本发明结合内蒙古某电厂600MW亚临界空冷机组的汽机***，分析本发明方法的实用性。以汽机热耗为例，原始数据来自机组的SIS***PI数据库，时间为2020年8月1日至8月15日，采样间隔1min，共21600组数据。取稳态阈值为1.5，共得到8765组稳态样本，其余12835条为动态样本。
对稳态工况下样本进行灰色关联度分析，得到结果如表1所示。
Figure BDA0003062431360000052
表1
取灰色关联度约简阈值为0.75，对于汽机运行工况而言，共筛选主蒸汽压力、主蒸汽温度、再热蒸汽温度、真空度、负荷、主蒸汽流量、调节级压力、调节级温度为汽机的能耗特征变量。其中，主蒸汽压力、主蒸汽温度、再热蒸汽温度、真空度和负荷为汽机运行工况的边界参数，主蒸汽流量、调节级压力和调节级温度为汽机运行工况的相关参数。根据参数的历史波动范围，可人为确定工况区间划分的间隔，具体划分参数如表2所示。
主蒸汽压力/MPa 主蒸汽温度/℃ 再热蒸汽温度/℃ 真空度/kPa
参数变化范围 13-17 520-570 500-570 7-18
区间间隔 0.5 5 5 1
表2
对于每一条待修正的动态过程数据而言，取闵可夫斯基距离最近的40条工况作为参考样本。基于最小二乘估计法，由主蒸汽压力、主蒸汽温度、再热蒸汽温度、真空度等参数的差值对负荷、主汽流量、高压缸排汽压力等运行相关参数的修正系数进行估计。部分原动态工况、修正后工况及最近邻工况的参数分布情况如表3所示，图2为不同工况下汽机热耗随负荷分布的散点图，表4为所有负荷区间下，不同工况对应的汽机热耗标准差与偏差率，图3为不同负荷区间汽机热耗率均值分布。从图2中可见，经过近邻工况插值修正之后的工况，其热耗率的投影区域显著减小。从表4和图3中可见，修正后的热耗偏差率大幅下降，波动性得到抑制。从各负荷区间的热耗均值来看，修正后的汽机热耗随负荷逐渐降低的趋势更为明显，数值也与试验报告中的结果更为接近，证明动态样本修正后的效果较理想，能够满足工程需要。
Figure BDA0003062431360000061
表3
Figure BDA0003062431360000071
表4
为进一步验证修正后工况参数的可复现性，以稳态热耗预测模型验证能耗特征参数之间的耦合性。神经网络模型的输入参数即为能耗特征参数，共计筛选500条稳态工况样本，以前400条稳态工况样本训练基于BP神经网络算法的稳态热耗预测模型，以后100条稳态工况样本和100条动态修正后的工况样本为测试集评估模型的误差，误差的评价指标分别为平均相对误差(Mean Relate Error,MRE)和均方根误差(Root Mean Square Error,RMSE)，训练集和测试集的误差如表5所示。由表5可见，修正后的运行参数预测汽机热耗的误差相比稳态工况样本的预测误差略大，但MRE也在1.5％以内，证明各相关参数之间的耦合关系依然是有保障的，在实际运行优化中仍然具有指导意义。
Figure BDA0003062431360000072
表5
本发明充分利用了机组历史稳态数据对变化复杂的动态工况进行修正，相较于传统的建模补充方法速度更快，计算量较小，参数稳定性更高，适宜用于火电机组数据挖掘与运行优化领域，对数据稀疏区域和进行样本补充。
以上为本申请示范性实施例，本申请的保护范围由权利要求书及其等效物限定。

Claims (6)

1.一种用于火电机组动态工况数据的修正方法，其特征在于，包括：
通过机理分析初步筛选与***运行性能相关的第一特征参数，通过灰色关联度算法在所述第一特征参数中遴选与***运行性能指标关联的第二特征参数；
计算所述第二特征参数的统计量得到描述工况稳定性的稳态因子，将稳态因子与稳态阈值相比较，小于所述稳态阈值的即认为是稳态工况样本；
计算所述稳态工况样本与已知边界条件的动态工况样本S的闵可夫斯基距离，若所述稳态工况样本中的第一稳态工况与所述动态工况样本S的闵可夫斯基距离小于距离阈值dε，则所述第一稳态工况为近邻工况，通过闵可夫斯基距离在所述稳态工况样本中筛选出近邻工况样本{w1,w2,...,wK,wN}，则所述近邻工况样本中共有(K+1)个近邻工况，wN表示与所述动态工况样本S距离最近的近邻工况；
计算所述近邻工况样本{w1,w2,...,wK,wN}的核密度分布；
根据所述核密度分布对所述动态工况样本S的能耗评价指标和相关参数的修正系数进行最小二乘估计，得到最终修正系数；
根据所述最终修正系数对所述动态工况样本S进行修正，得到修正后准稳态工况样本S'；
其中，所述动态工况样本S表示为
Figure FDA0003694474220000011
IS表示动态工况下***的能耗评价指标，
Figure FDA0003694474220000012
表示动态工况下***的边界参数，
Figure FDA0003694474220000013
表示动态工况下***的相关参数，其中，u就表示边界参数，r表示相关参数，m、n分别表示边界参数和相关参数的个数。
2.如权利要求1所述的方法，其特征在于，所述闵可夫斯基距离表示为：
Figure FDA0003694474220000014
其中，d(A,B)表示m维空间内任意两点A(a1,a2,...am)与B(b1,b2,...bm)之间的闵可夫斯基距离，A(a1,a2,...am)表示所述动态工况样本S中的任意一个动态工况，B(b1,b2,...bm)表示所述稳态工况样本中的任意一个稳定工况，所述p表示变参数。
3.如权利要求2所述的方法，其特征在于，所述计算所述近邻工况样本{w1,w2,...,wK,wN}的核密度分布，包括：
Figure FDA0003694474220000015
其中，fh(d)表示任意近邻工况与最近近邻工况wN的距离为d时对应的概率密度，dk表示近邻工况wk与wN的距离，k＝1,2,...,K，h表示带宽，h＝dε/10，g(.)表示核函数。
4.如权利要求3所述的方法，其特征在于，所述根据所述核密度分布对所述动态工况样本S的能耗评价指标和相关参数的修正系数进行最小二乘估计，得到最终修正系数，
包括：
Figure FDA0003694474220000021
Figure FDA0003694474220000022
其中，
Figure FDA0003694474220000023
表示边界参数
Figure FDA0003694474220000024
对能耗评价指标IS的修正系数，
Figure FDA0003694474220000025
表示边界参数
Figure FDA0003694474220000026
对第j个相关参数
Figure FDA0003694474220000027
的修正系数，j∈[1,n]；
Figure FDA0003694474220000028
表示近邻工况wk的能耗评价指标与wN的能耗评价指标的差值；
Figure FDA0003694474220000029
表示近邻工况wk的边界参数与wN的边界参数的差值集合；
Figure FDA00036944742200000210
表示近邻工况wk的第j个相关参数与wN的第j个边界参数的差值；fh(dk)表示任意近邻工况与wN的距离为dk时对应的概率密度；θ1、θ2表示使argmin(.)结果最小的参数。
5.如权利要求1所述的方法，其特征在于，所述根据所述最终修正系数对所述动态工况样本S进行修正，得到修正后的准稳态工况样本S'，包括：
Figure FDA00036944742200000211
Figure FDA00036944742200000212
其中，
Figure FDA00036944742200000213
表示动态工况样本S的边界参数与wN的边界参数的差值集合；
Figure FDA00036944742200000214
表示wN的能耗评价指标；
Figure FDA00036944742200000215
表示wN的第j个相关参数；最终得到准稳态工况样本
Figure FDA00036944742200000216
6.如权利要求2所述的方法，其特征在于，p＝2。
CN202110517846.2A 2021-05-12 2021-05-12 用于火电机组动态工况数据的修正方法 Active CN113359435B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110517846.2A CN113359435B (zh) 2021-05-12 2021-05-12 用于火电机组动态工况数据的修正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110517846.2A CN113359435B (zh) 2021-05-12 2021-05-12 用于火电机组动态工况数据的修正方法

Publications (2)

Publication Number Publication Date
CN113359435A CN113359435A (zh) 2021-09-07
CN113359435B true CN113359435B (zh) 2022-08-12

Family

ID=77526371

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110517846.2A Active CN113359435B (zh) 2021-05-12 2021-05-12 用于火电机组动态工况数据的修正方法

Country Status (1)

Country Link
CN (1) CN113359435B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115875091B (zh) * 2021-09-26 2024-01-09 国能智深控制技术有限公司 汽轮机阀门流量特性的监测方法、装置和可读存储介质
CN114398779A (zh) * 2022-01-07 2022-04-26 华北电力科学研究院有限责任公司 火电机组煤耗特性曲线确定方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102636991A (zh) * 2012-04-18 2012-08-15 国电科学技术研究院 一种基于模糊集关联规则的火电机组运行参数优化方法
CN104503406A (zh) * 2014-12-16 2015-04-08 华润电力湖北有限公司 火电厂优化运行评价***及其方法
CN110310033A (zh) * 2019-06-28 2019-10-08 清华大学 基于潮流向量闵可夫斯基距离的暂态稳定评估方法及***
CN112749840A (zh) * 2020-12-29 2021-05-04 华北电力大学 一种火电机组能效特征指标基准值的获取方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9200591B2 (en) * 2011-07-06 2015-12-01 Honeywell International Inc. Automatic identification of operating parameters for power plants

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102636991A (zh) * 2012-04-18 2012-08-15 国电科学技术研究院 一种基于模糊集关联规则的火电机组运行参数优化方法
CN104503406A (zh) * 2014-12-16 2015-04-08 华润电力湖北有限公司 火电厂优化运行评价***及其方法
CN110310033A (zh) * 2019-06-28 2019-10-08 清华大学 基于潮流向量闵可夫斯基距离的暂态稳定评估方法及***
CN112749840A (zh) * 2020-12-29 2021-05-04 华北电力大学 一种火电机组能效特征指标基准值的获取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨利.基于运行数据的火电机组性能指标评价方法研究.《硕士学位论文全文库》.2020,全文. *

Also Published As

Publication number Publication date
CN113359435A (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
CN113359435B (zh) 用于火电机组动态工况数据的修正方法
CN110414788B (zh) 一种基于相似日和改进lstm的电能质量预测方法
CN112101480B (zh) 一种多变量聚类与融合的时间序列组合预测方法
CN110163429B (zh) 一种基于相似日优化筛选的短期负荷预测方法
CN111260116A (zh) 一种基于boa-svr和模糊聚类的分时段精细化短期负荷预测方法
CN115048874B (zh) 一种基于机器学习的飞行器设计参数预估方法
CN108510180B (zh) 一种生产设备所处性能区间的计算方法
CN101863088A (zh) 一种橡胶混炼过程中门尼粘度的预报方法
CN105893669A (zh) 一种基于数据挖掘的全局仿真性能预测方法
CN111709454A (zh) 一种基于最优copula模型的多风电场出力聚类评估方法
CN115511657A (zh) 一种基于组合预测模型的风电出力与光伏出力评估的方法
CN112819238A (zh) 基于混沌鸡群优化算法的短期风电功率预测方法
CN110705099B (zh) 一种检定风电场出力相关性的方法
CN110717281A (zh) 基于犹豫云语言术语集和群决策的仿真模型可信度评估方法
CN114330915A (zh) 一种短期风电功率组合模型预测方法
CN110880044A (zh) 一种基于马尔科夫链的负荷预测方法
CN114693076A (zh) 一种面向综合能源***运行状态的动态评价方法
CN110796303A (zh) 一种基于ewt和odbscan的短期电力负荷预测方法
CN109829115B (zh) 搜索引擎关键词优化方法
CN109193791B (zh) 一种基于改进shapley值的风电汇聚趋势性分状态量化方法
CN116307250A (zh) 一种基于典型日特征选择的短期负荷预测方法及***
CN116703022A (zh) 电力设备最优碳排放评估方法及***
CN114970698A (zh) 一种基于改进lwpls的计量设备运行性能预测方法
CN115689001A (zh) 基于模式匹配的短期负荷预测方法
CN111754027B (zh) 一种基于概率语言术语集的pm2.5排放权分配方法

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