CN113503750A - 一种直接空冷机组最佳背压确定方法 - Google Patents
一种直接空冷机组最佳背压确定方法 Download PDFInfo
- Publication number
- CN113503750A CN113503750A CN202110711858.9A CN202110711858A CN113503750A CN 113503750 A CN113503750 A CN 113503750A CN 202110711858 A CN202110711858 A CN 202110711858A CN 113503750 A CN113503750 A CN 113503750A
- Authority
- CN
- China
- Prior art keywords
- steam
- air cooling
- back pressure
- stage
- steam turbine
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F28—HEAT EXCHANGE IN GENERAL
- F28B—STEAM OR VAPOUR CONDENSERS
- F28B11/00—Controlling arrangements with features specially adapted for condensers
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F28—HEAT EXCHANGE IN GENERAL
- F28B—STEAM OR VAPOUR CONDENSERS
- F28B1/00—Condensers in which the steam or vapour is separate from the cooling medium by walls, e.g. surface condenser
- F28B1/06—Condensers in which the steam or vapour is separate from the cooling medium by walls, e.g. surface condenser using air or other gas as the cooling medium
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Control Of Turbines (AREA)
Abstract
本发明公开了一种直接空冷机组最佳背压确定方法,该方法将机理分析与历史数据相结合,基于历史运行数据,结合粒子群优化(Particle Swarm Optimization,PSO)与XGBoost(eXtreme Gradient Boosting,XGBoost)组合算法确定汽轮机末级排汽比焓值;采用等效焓降法计算机组的微增功率特性;结合空冷风机变频特性计算风机耗功,当二者之差最大时,即为机组在该工况下的最佳背压。本发明提出的机组最佳背压的确定方法可提供多工况下机组的最佳背压值,辅助实现空冷机组冷端的节能优化运行,有助于深度挖掘直接空冷机组的节能潜力。
Description
技术领域
本发明涉及热力设备数据预测技术领域,尤其涉及一种直接空冷机组最佳背压确定方法。
背景技术
直接空冷机组运行背压是机组节能运行的关键参数之一,虽然降低背压可增加机组的发电功率,但同时会引起空冷岛风机的电耗的增加。因此,机组最佳背压的确定,应在机组发电功率增量与空冷风机耗电增量之间寻求平衡。同时,直接空冷机组背压会机组负荷、迎面风速、环境温度等多个边界条件的影响,在不同的运行工况下,呈现出不同的特性。现今,煤电机组调峰运行已呈常态化,机组负荷多变,因此,确定不同工况下机组的最佳背压,有助于全面深度挖掘机组的运行节能潜力与节能空间。
现阶段我国学者对机组最佳背压确定研究,主要依赖变工况计算法、热力学仿真法和数据建模这三种方法,并取得了一定的研究成果。在基于等效焓降法计算机组的最佳背压时,机组排汽焓值的准确性是影响计算结果的关键因素。但受在线测量条件的影响,机组排汽焓值无法直接获得,现有研究方法多是认为机组末级排汽是饱和湿蒸汽,但这样的简化假设会影响模型的准确性,计算得到的最佳背压是理论值,在工程应用上受到一定的限制。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供了一种直接空冷机组最佳背压确定方法。
本发明解决其技术问题所采用的技术方案是:构造一种直接空冷机组最佳背压确定方法,包括:
获取影响直接空冷机组运行背压关键特征变量的历史运行数据,标记汽轮机组末级排汽焓值的关键特征变量对应的汽轮机末级排汽比焓值并进行预处理;
采用PSO-XGBoost组合算法,建立汽轮机末级排汽比焓的XGBoost回归模型,并以预处理后的标记汽轮机组末级排汽焓值的关键特征变量作为模型输入,输出结果作为汽轮机组末级排汽焓值;
采用等效焓降法计算当背压变化时机组发电功率的微增功率,得到机组微增功率特性曲线;
结合空冷风机变频特性与相似比例定律,计算不同背压下空冷风机的电耗量;
当直接空冷机组背压改变,机组的净功率增量最大时,对应的背压确定为汽轮机的在对应工况下的最佳背压;其中,所述净功率增量是背压改变时机组的微增功率和背压改变时空冷风机增加的电耗量的差值。
其中,建立汽轮机末级排汽比焓的XGBoost回归模型的步骤包括:
将预处理后的汽轮机组末级排汽焓值关键特征变量划分训练集和测试集,将训练集输入至构建的XGBoost回归模型,通过调节XGBoost回归模型的函数和参数,直至XGBoost回归模型输出的汽轮机末级排汽比焓值与标记的汽轮机末级排汽比焓值结果一致;
通过作为测试集的汽轮机组末级排汽焓值关键特征变量对训练完成的XGBoost回归模型的预测准确性进行验证;
将实时获取的影响汽轮机组末级排汽焓值的关键特征变量输入至XGBoost回归模型,输出结果作为对应输入的汽轮机末级排汽比焓值。
其中,影响直接空冷机组运行背压关键特征变量至少包括:机组负荷、环境温度、主蒸汽流量、主蒸汽温度、主蒸汽压力、调节级温度、调节级压力、再热蒸汽温度、再热蒸汽压力、各级抽汽温度、各级抽汽压力。
其中,预处理的步骤包括:
离群点剔除:根据机组设计资料及热力性能试验,设置关键特征变量的正常运行范围区间,当运行参数超过该区间时,则将其视为异常点并剔除;
稳态工况筛选;采用滑动窗口法对历史运行数据进行稳态工况筛选,将数据序列划分为若干个数据窗口,若滑动窗口的稳态判定指标小于对应阈值,则认为该窗口内的数据序列均为稳态工况,否则为非稳态工况;判断结束后,滑动步长k,进入下一窗口判断,直至全部数据判断结束。
其中,基于PSO-XGBoost组合算法,以采集到的影响直接空冷机组运行背压的关键特征变量作为输入,构建建立汽轮机末级排汽比焓的XGBoost回归模型,具体包括以下步骤:
设X=[x1,x2,…,xm],X是影响机组运行背压的关键特征变量的历史运行数据向量,其中,x1~xm表示采集到的影响机组背压的关键特征变量,包括:机组负荷、环境温度、主蒸汽流量、主蒸汽温度、主蒸汽压力、调节级温度、调节级压力、各级抽汽温度、各级抽汽压力;
设置XGBoost回归模型的目标函数为:其中,l为可微的凸损失函数,用于表示预测值和真实值yi之间的误差,n表示样本数量,Ω(f)表示最小正则化项,Tk和ω分别表示树中的叶子节点个数和叶子的权重值,γ表示惩罚系数,λ是正则项系数,C表示常数;
XGBoost模型按如下过程进行迭代:
……
通过二阶泰勒展开,构建损失函数:
其中,采用PSO算法优化XGBoost模型参数的步骤包括:
粒子群参数初始化;设置最大迭代次数、粒子群数量、惯性因子、粒子维度参数;
根据适应度更新粒子群的速度以及位置;
做终止条件的判断及检验;若达到最大迭代次数或全局最优位置满足最小界限则终止,否则继续计算粒子适应度。
其中,采用等效焓降法计算当背压变化时机组发电功率的微增功率的步骤包括:
计算汽轮机背压升高时,蒸汽在汽轮机内减少的放热量为:
ΔH01=αnΔhc=αn(h′c-hc)
其中,αn表示进入空冷凝汽器的乏汽占比,Δhc表示蒸汽焓降变化量,hc表示背压改变前的汽轮机末级排汽焓值,h’c表示背压改变后的汽轮机末级排汽焓值;
计算汽轮机机组背压升高时,新蒸汽焓降低的变化量:
ΔH02=η′1αnnΔτn
其中,η′1表示背压改变后末级低压加热器的抽汽效率,αnn表示流经低压加热器的凝结水份额,Δτn表示凝结水的焓升变化量;
计算由于汽轮机背压变化,1kg新蒸汽放热的变化量:
ΔHi=ΔH02-ΔH01=η′1αnnΔτn-αn(h′c-hc)
计算汽轮机背压发生变化时,直接空冷机组发电功率的变化量:
ΔPe=D0ΔHiηmηg
其中,D0表示主蒸汽流量,ηm、ηg分别表示汽轮机的机械效率和发电机效率。
其中,任意转速条件下风机所耗电功率的计算公式为:
其中,N0表示额定转速下的空冷风机所耗电功率,qvi表示任意转速下空冷风机的风量,qv0表示额定转速下空冷风机的风量,ρi和ρ0分别表示实际空气密度与试验标定工况下的空气密度。
区别于现有技术,本发明提出一种直接空冷机组最佳背压确定方法,该方法将机理分析与历史数据相结合,基于历史运行数据,结合PSO-XGBoost组合算法确定汽轮机末级排汽比焓值;采用等效焓降法计算机组的微增功率特性;结合空冷风机变频特性计算风机耗功,当二者之差最大时,即为机组在该工况下的最佳背压。本发明提出的机组最佳背压的确定方法可提供多工况下机组的最佳背压值,辅助实现空冷机组冷端的节能优化运行,有助于深度挖掘直接空冷机组的节能潜力。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明提供的一种直接空冷机组最佳背压确定方法的流程示意图。
图2是本发明提供的一种直接空冷机组最佳背压确定方法中基于PSO-XGBoost组合算法的汽轮机末级排汽焓的计算示意图。
图3是本发明提供的一种直接空冷机组最佳背压确定方法中PSO优化XGBoost参数的流程示意图。
图4是本发明提供的一种直接空冷机组最佳背压确定方法中离群点剔除与稳态工况筛选的示意图。
图5是本发明提供的一种直接空冷机组最佳背压确定方法中PSO-XGBosst软测量模型训练误差示意图。
图6是本发明提供的一种直接空冷机组最佳背压确定方法中典型工况下确定的直接空冷机组最佳背压示例图;
图7是本发明提供的一种直接空冷机组最佳背压确定方法中在不同工况下确定的直接空冷机组最佳背压示例图。
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,对本发明做进一步的详细说明。应当理解,此外所描述的具体实施例仅用以解释本发明,但并不用于限定本发明。基于本发明中的实施例,本领域普通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,都将属于本发明保护的范围。
参照附图1,本发明提供的一种直接空冷机组最佳背压确定方法,包括:
获取影响直接空冷机组运行背压关键特征变量的历史运行数据,标记汽轮机组末级排汽焓值的关键特征变量对应的汽轮机末级排汽比焓值并进行预处理;
对影响直接空冷机组背压的关键特征变量的历史运行数据进行同步采集,包括机组负荷、环境温度、主蒸汽流量、主蒸汽温度、主蒸汽压力、调节级温度、调节级压力、再热蒸汽温度、再热蒸汽压力、各级抽汽温度、各级抽汽压力,建立历史运行数据库;
本发明机组负荷、环境温度、主蒸汽流量、主蒸汽温度、主蒸汽压力、调节级温度、调节级压力、再热蒸汽温度、再热蒸汽压力、各级抽汽温度、各级抽汽压力等信号,是通过OPC通讯方式从PI数据库采集数据。在能够满足分析需要并尽可能节省存储空间的前提下,机组负荷、环境温度、主蒸汽流量、主蒸汽温度、主蒸汽压力、调节级温度、调节级压力、再热蒸汽温度、再热蒸汽压力、各级抽汽温度、各级抽汽压力等信号的数值每分钟采集并存储一个值。
对数据进行预处理的步骤包括:
离群点剔除:根据机组设计资料及热力性能试验,设置关键特征变量的正常运行范围区间,当运行参数超过该区间时,则将其视为异常点并剔除;
稳态工况筛选;采用滑动窗口法对历史运行数据进行稳态工况筛选,将数据序列划分为若干个数据窗口,若滑动窗口的稳态判定指标小于对应阈值,则认为该窗口内的数据序列均为稳态工况,否则为非稳态工况;判断结束后,滑动步长k,进入下一窗口判断,直至全部数据判断结束。
如图2所示,采用PSO-XGBoost组合算法,建立汽轮机末级排汽比焓的XGBoost回归模型,并以预处理后的标记汽轮机组末级排汽焓值的关键特征变量作为模型输入,输出结果作为汽轮机组末级排汽焓值;
采用PSO-XGBoost组合算法,以关键特征变量作为模型输入,建立汽轮机末级排汽比焓的软测量模型。
最佳背压的确定的关键是汽轮机末级排汽焓的确定,本发明中,利用了机组的历史运行数据构建汽轮机排汽焓的软测量模型,相比传统的计算法,在实现在线计算的同时,提高了计算的精度。
基于PSO-XGBoost组合算法,以采集到的影响直接空冷机组运行背压的关键特征变量作为输入,构建建立汽轮机末级排汽比焓的XGBoost回归模型,具体包括以下步骤:
设X=[x1,x2,…,xm],X是影响机组运行背压的关键特征变量的历史运行数据向量,其中,x1~xm表示采集到的影响机组背压的关键特征变量,包括:机组负荷、环境温度、主蒸汽流量、主蒸汽温度、主蒸汽压力、调节级温度、调节级压力、各级抽汽温度、各级抽汽压力;
设置XGBoost回归模型的目标函数为:其中,l为可微的凸损失函数,用于表示预测值和真实值yi之间的误差,n表示样本数量,Ω(f)表示最小正则化项,Tk和ω分别表示树中的叶子节点个数和叶子的权重值,γ表示惩罚系数,λ是正则项系数,C表示常数;
XGBoost模型按如下过程进行迭代:
……
通过二阶泰勒展开,构建损失函数:
如图3所示,采用PSO算法优化XGBoost模型参数,包括:决策树树叶的节点个数T、决策树最大深度d、学习率r和最小叶子节点样本权重ω。
具体包括以下步骤:
粒子群参数初始化;设置最大迭代次数、粒子群数量、惯性因子、粒子维度参数;
根据适应度更新粒子群的速度以及位置;
做终止条件的判断及检验;若达到最大迭代次数或全局最优位置满足最小界限则终止,否则继续计算粒子适应度。
采用等效焓降法计算当背压变化时机组发电功率的微增功率,得到机组微增功率特性曲线;
包括步骤:
计算汽轮机背压升高时,蒸汽在汽轮机内减少的放热量为:
ΔH01=αnΔhc=αn(h′c-hc)
其中,αn表示进入空冷凝汽器的乏汽占比,Δhc表示蒸汽焓降变化量,hc表示背压改变前的汽轮机末级排汽焓值,h’c表示背压改变后的汽轮机末级排汽焓值;
计算汽轮机机组背压升高时,新蒸汽焓降低的变化量:
ΔH02=η′1αnnΔτn
其中,η′1表示背压改变后末级低压加热器的抽汽效率,αnn表示流经低压加热器的凝结水份额,Δτn表示凝结水的焓升变化量;
计算由于汽轮机背压变化,1kg新蒸汽放热的变化量:
ΔHi=ΔH02-ΔH01=η′1αnnΔτn-αn(h′c-hc)
计算汽轮机背压发生变化时,直接空冷机组发电功率的变化量:
ΔPe=D0ΔHiηmηg
其中,D0表示主蒸汽流量,ηm、ηg分别表示汽轮机的机械效率和发电机效率。
结合空冷风机变频特性与相似比例定律,计算不同背压下空冷风机的电耗量;
任意转速条件下风机所耗电功功的计算公式为:
其中,N0表示额定转速下的空冷风机所耗电功率,qvi表示任意转速下空冷风机的风量,qv0表示额定转速下空冷风机的风量,ρi和ρ0分别表示实际空气密度与试验标定工况下的空气密度。
本技术方案在北方某600MW亚临界直接空冷机组实施,空冷岛散热单元设计为8排7列,共配置56台风机。从机组PI数据库中选取2020年1月、4月、7月和12月的春、夏、秋、冬4个季节各一个月的历史运行数据,数据取样间隔为1min,共计169920组数据。通过对数据进行离群点剔除及稳态筛选,共有9532组数据存入稳态工况数据库,如图4所示。在其中随机抽取20%的数据集作为PSO-XGBoost模型的测试集,用于模型性能检验,其余80%数据集作为训练集,用于模型的迭代和训练,模型训练误差如图5所示。
图6所示的是当环境温度为22.73℃,当前机组运行负荷425.37MW时,该机组的最佳背压为9.20kPa,最佳迎面风速为1.95m/s,此时的风机转速为额定转速的93.60%。图7表示,在不同工况下,机组的最佳背压。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (8)
1.一种直接空冷机组最佳背压确定方法,其特征在于,包括:
获取影响直接空冷机组运行背压关键特征变量的历史运行数据,标记汽轮机组末级排汽焓值的关键特征变量对应的汽轮机末级排汽比焓值并进行预处理;
采用PSO-XGBoost组合算法,建立汽轮机末级排汽比焓的XGBoost回归模型,并以预处理后的标记汽轮机组末级排汽焓值的关键特征变量作为模型输入,输出结果作为汽轮机组末级排汽焓值;
采用等效焓降法计算当背压变化时机组发电功率的微增功率,得到机组微增功率特性曲线;
结合空冷风机变频特性与相似比例定律,计算不同背压下空冷风机的电耗量;
当直接空冷机组背压改变,机组的净功率增量最大时,对应的背压确定为汽轮机的在对应工况下的最佳背压;其中,所述净功率增量是背压改变时机组的微增功率和背压改变时空冷风机增加的电耗量的差值。
2.根据权利要求1所述的直接空冷机组最佳背压确定方法,其特征在于,建立汽轮机末级排汽比焓的XGBoost回归模型的步骤包括:
将预处理后的汽轮机组末级排汽焓值关键特征变量划分训练集和测试集,将训练集输入至构建的XGBoost回归模型,通过调节XGBoost回归模型的函数和参数,直至XGBoost回归模型输出的汽轮机末级排汽比焓值与标记的汽轮机末级排汽比焓值结果一致;
通过作为测试集的汽轮机组末级排汽焓值关键特征变量对训练完成的XGBoost回归模型的预测准确性进行验证;
将实时获取的影响汽轮机组末级排汽焓值的关键特征变量输入至XGBoost回归模型,输出结果作为对应输入的汽轮机末级排汽比焓值。
3.根据权利要求1所述的直接空冷机组最佳背压确定方法,其特征在于,影响直接空冷机组运行背压关键特征变量至少包括:机组负荷、环境温度、主蒸汽流量、主蒸汽温度、主蒸汽压力、调节级温度、调节级压力、再热蒸汽温度、再热蒸汽压力、各级抽汽温度、各级抽汽压力。
4.根据权利要求1所述的直接空冷机组最佳背压确定方法,其特征在于,预处理的步骤包括:
离群点剔除:根据机组设计资料及热力性能试验,设置关键特征变量的正常运行范围区间,当运行参数超过该区间时,则将其视为异常点并剔除;
稳态工况筛选;采用滑动窗口法对历史运行数据进行稳态工况筛选,将数据序列划分为若干个数据窗口,若滑动窗口的稳态判定指标小于对应阈值,则认为该窗口内的数据序列均为稳态工况,否则为非稳态工况;判断结束后,滑动步长k,进入下一窗口判断,直至全部数据判断结束。
5.根据权利要求2所述的直接空冷机组最佳背压确定方法,其特征在于,基于PSO-XGBoost组合算法,以采集到的影响直接空冷机组运行背压的关键特征变量作为输入,构建建立汽轮机末级排汽比焓的XGBoost回归模型,具体包括以下步骤:
设X=[x1,x2,…,xm],X是影响机组运行背压的关键特征变量的历史运行数据向量,其中,x1~xm表示采集到的影响机组背压的关键特征变量,包括:机组负荷、环境温度、主蒸汽流量、主蒸汽温度、主蒸汽压力、调节级温度、调节级压力、各级抽汽温度、各级抽汽压力;
设置XGBoost回归模型的目标函数为:其中,l为可微的凸损失函数,用于表示预测值和真实值yi之间的误差,n表示样本数量,Ω(f)表示最小正则化项,Tk和ω分别表示树中的叶子节点个数和叶子的权重值,γ表示惩罚系数,λ是正则项系数,C表示常数;
XGBoost模型按如下过程进行迭代:
……
通过二阶泰勒展开,构建损失函数:
7.根据权利要求1所述的直接空冷机组最佳背压确定方法,其特征在于,采用等效焓降法计算当背压变化时机组发电功率的微增功率的步骤包括:
计算汽轮机背压升高时,蒸汽在汽轮机内减少的放热量为:
ΔH01=αnΔhc=αn(h′c-hc)
其中,αn表示进入空冷凝汽器的乏汽占比,Δhc表示蒸汽焓降变化量,hc表示背压改变前的汽轮机末级排汽焓值,h’c表示背压改变后的汽轮机末级排汽焓值;
计算汽轮机机组背压升高时,新蒸汽焓降低的变化量:
ΔH02=η′1αnnΔτn
其中,η′1表示背压改变后末级低压加热器的抽汽效率,αnn表示流经低压加热器的凝结水份额,Δτn表示凝结水的焓升变化量;
计算由于汽轮机背压变化,1kg新蒸汽放热的变化量:
ΔHi=ΔH02-ΔH01=η′1αnnΔτn-αn(h′c-hc)
计算汽轮机背压发生变化时,直接空冷机组发电功率的变化量:
ΔPe=D0ΔHiηmηg
其中,D0表示主蒸汽流量,ηm、ηg分别表示汽轮机的机械效率和发电机效率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110711858.9A CN113503750B (zh) | 2021-06-25 | 2021-06-25 | 一种直接空冷机组最佳背压确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110711858.9A CN113503750B (zh) | 2021-06-25 | 2021-06-25 | 一种直接空冷机组最佳背压确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113503750A true CN113503750A (zh) | 2021-10-15 |
CN113503750B CN113503750B (zh) | 2022-07-29 |
Family
ID=78010663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110711858.9A Active CN113503750B (zh) | 2021-06-25 | 2021-06-25 | 一种直接空冷机组最佳背压确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113503750B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114357023A (zh) * | 2021-12-24 | 2022-04-15 | 朗坤智慧科技股份有限公司 | 一种基于数据驱动的直接空冷机组运行优化方法及*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105224735A (zh) * | 2015-09-21 | 2016-01-06 | 华北电力科学研究院有限责任公司 | 发电机组能效分析方法 |
CN108694502A (zh) * | 2018-05-10 | 2018-10-23 | 清华大学 | 一种基于XGBoost算法的机器人制造单元自适应调度方法 |
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 |
CN110284932A (zh) * | 2018-08-15 | 2019-09-27 | 北京润能科技有限公司 | 一种提高大型汽轮机发电***效率的方法 |
CN110570034A (zh) * | 2019-08-29 | 2019-12-13 | 河海大学 | 一种基于多XGBoost模型融合的母线负荷预测方法 |
CN110784455A (zh) * | 2019-10-16 | 2020-02-11 | 国网湖北省电力有限公司电力科学研究院 | 基于线性递减权重粒子群算法优化Xgboost模型方法 |
CN111523778A (zh) * | 2020-04-10 | 2020-08-11 | 三峡大学 | 基于粒子群算法和梯度提升树的电网运行安全评估方法 |
US10740437B1 (en) * | 2017-07-28 | 2020-08-11 | Express Scripts Strategic Development, Inc. | Systems and methods for predictive data analytics |
CN111612036A (zh) * | 2020-04-20 | 2020-09-01 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于粒子群寻优XGBoost的油浸式变压器故障诊断方法 |
US20200327394A1 (en) * | 2019-04-12 | 2020-10-15 | Optum, Inc. | Contextually optimizing routings for interactions |
CN112733996A (zh) * | 2021-01-14 | 2021-04-30 | 河海大学 | 基于GA-PSO优化XGBoost的水文时间序列预测方法 |
-
2021
- 2021-06-25 CN CN202110711858.9A patent/CN113503750B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105224735A (zh) * | 2015-09-21 | 2016-01-06 | 华北电力科学研究院有限责任公司 | 发电机组能效分析方法 |
US10740437B1 (en) * | 2017-07-28 | 2020-08-11 | Express Scripts Strategic Development, Inc. | Systems and methods for predictive data analytics |
CN108694502A (zh) * | 2018-05-10 | 2018-10-23 | 清华大学 | 一种基于XGBoost算法的机器人制造单元自适应调度方法 |
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 |
CN110284932A (zh) * | 2018-08-15 | 2019-09-27 | 北京润能科技有限公司 | 一种提高大型汽轮机发电***效率的方法 |
US20200327394A1 (en) * | 2019-04-12 | 2020-10-15 | Optum, Inc. | Contextually optimizing routings for interactions |
CN110570034A (zh) * | 2019-08-29 | 2019-12-13 | 河海大学 | 一种基于多XGBoost模型融合的母线负荷预测方法 |
CN110784455A (zh) * | 2019-10-16 | 2020-02-11 | 国网湖北省电力有限公司电力科学研究院 | 基于线性递减权重粒子群算法优化Xgboost模型方法 |
CN111523778A (zh) * | 2020-04-10 | 2020-08-11 | 三峡大学 | 基于粒子群算法和梯度提升树的电网运行安全评估方法 |
CN111612036A (zh) * | 2020-04-20 | 2020-09-01 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于粒子群寻优XGBoost的油浸式变压器故障诊断方法 |
CN112733996A (zh) * | 2021-01-14 | 2021-04-30 | 河海大学 | 基于GA-PSO优化XGBoost的水文时间序列预测方法 |
Non-Patent Citations (20)
Title |
---|
DENGJI ZHOU: "Fault diagnosis of gas turbine based on partly interpretable", 《ENERGY》 * |
冯赓: "直接空冷机组最佳背压计算及其控制***的优化", 《中国优秀博硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
史佳琪等: "基于串行–并行集成学习的高峰负荷预测方法", 《中国电机工程学报》 * |
叶景等: "基于CNN-XGBoost的短时交通流预测", 《计算机工程与设计》 * |
尹晓晖: "直冷机组运行优化及冷端设备性能监测", 《中国科技论文》 * |
尹晓晖: "直接空冷机组冷端***在线优化计算", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
常刘平: "直接空冷发电机组冷端优化", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
张军亮: "基于数据建模的直接空冷机组最佳背压研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
张学海: "600MW直接空冷机组背压修正曲线及经济运行背压研究", 《华电技术》 * |
张维: "掺烧煤泥循环流化床机组运行督导与智能预警", 《中国优秀博士学位论文全文数据库 工程科技 Ⅱ辑》 * |
曹丽华: "背压变化对汽轮发电机组电功率影响的计算方法研究", 《汽轮机技术》 * |
李丹阳: "基于PSO-SVR的排汽比焓软测量建模研究", 《热能动力工程》 * |
李国庆: "直接空冷机组最佳背压计算及分析", 《黑龙江电力》 * |
梁伟平等: "直接空冷机组最佳经济背压优化", 《热力发电》 * |
江文豪等: "基于SVR和GA的汽轮机排汽焓在线预测计算", 《发电设备》 * |
浦健: "基于PSO-Elman神经网络的汽轮机排汽焓在线预测计算", 《南京师范大学学报》 * |
王河: "基于空冷岛性能在线监测的风机优化调节", 《中国电力》 * |
翟永杰: "直接空冷机组最佳背压计算方法及应用", 《动力工程学报》 * |
谢静岚: "直接空冷机组凝汽器最佳真空的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
赵洪滨: "直接空冷凝汽器理论最佳背压的研究", 《工程热物理学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114357023A (zh) * | 2021-12-24 | 2022-04-15 | 朗坤智慧科技股份有限公司 | 一种基于数据驱动的直接空冷机组运行优化方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN113503750B (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106874569B (zh) | 一种变几何分轴式燃气轮机实时仿真建模方法 | |
CN111914362A (zh) | 一种研发阶段涡扇发动机模型自适应方法 | |
CN111444940A (zh) | 风机关键部位故障诊断方法 | |
CN108223140B (zh) | 一种三轴式燃气轮机动力涡轮进口导叶控制规律优化方法 | |
CN111859746B (zh) | 一种基于流场重构的透平机械变工况性能预测方法 | |
CN113048807B (zh) | 一种空冷机组背压异常检测方法 | |
CN105825002B (zh) | 一种基于动态灰关联分析法的风电场动态等值建模方法 | |
CN113503750B (zh) | 一种直接空冷机组最佳背压确定方法 | |
CN103235512B (zh) | 一种发电机组运行的方法 | |
CN114547987B (zh) | 一种基于改进人工神经网络的离心泵作透平性能预测方法 | |
CN114741922A (zh) | 一种基于Attention机制的透平叶片蠕变-疲劳寿命预测方法 | |
CN113343562B (zh) | 一种基于混合建模策略的风机功率预测方法及*** | |
CN104933469A (zh) | 一种基于灰色生成扰动模型的短期风速预测方法 | |
CN114139439A (zh) | 基于模拟退火粒子群算法的汽轮机最优初压确定方法 | |
CN107545112A (zh) | 多源无标签数据机器学习的复杂装备性能评估与预测方法 | |
Guan et al. | Multidimensional analysis and performance prediction of heavy-duty gas turbine based on actual operational data | |
CN114934848B (zh) | 一种面向柴油机燃烧性能优化控制的模糊神经网络建模方法 | |
CN116050592A (zh) | 一种多维度光伏功率预测方法及*** | |
Khormali et al. | Identification of an industrial gas turbine based on Rowen's model and using Multi-Objective Optimization method | |
CN112670997B (zh) | 考虑光伏不确定性的电热能源***时序概率潮流计算方法 | |
CN114285037A (zh) | 一种区域电-气综合能源***控制参数稳定域确定方法 | |
CN113553760A (zh) | 一种汽轮机末级排汽焓软测量方法 | |
CN111521430A (zh) | 一种余热锅炉性能试验方法 | |
Chenhang et al. | A Reliability Accelerated Degradation Model for Turbine Wheel of Supercharger Based on Neural Network Nonlinear Fitting Method | |
CN109241573B (zh) | 一种汽轮机末级叶片选型方法 |
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 |