CN114357033A - 一种火力发电机组测点相关性分析方法 - Google Patents
一种火力发电机组测点相关性分析方法 Download PDFInfo
- Publication number
- CN114357033A CN114357033A CN202210017727.5A CN202210017727A CN114357033A CN 114357033 A CN114357033 A CN 114357033A CN 202210017727 A CN202210017727 A CN 202210017727A CN 114357033 A CN114357033 A CN 114357033A
- Authority
- CN
- China
- Prior art keywords
- correlation
- measuring points
- calculation
- equipment
- generator set
- 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.)
- Pending
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种火力发电机组的测点相关性分析方法,包括:选择火力发电机组的设备及相关性分析的测点,所选的测点包括所选设备的测点、与所选设备在机理层关联的其他设备的测点,设置所选的测点的权重、设置设备的工况模式、计算时间段,将所选的测点以两个为一组,通过工况模式、计算开始时间和计算结束时间,计算两个测点的相关系数并通过加权参数进行修正,对大于设定相关性阈值的测点输出至相关性集群。本发明对测点设置权重,考虑不同测点的重要性特征,通过权重参数对通用相关系数算法进行了优化;结合工况模式,解决以往非运行期数据对计算结果的干扰;提出相关性集群概念,计算相关性集群结果,该结果可直接用于趋势预警等相关业务领域。
Description
技术领域
本发明属于计算机信息技术领域,涉及火力发电机组的测点数据趋势分析,具体涉及一种火力发电机组的测点相关性分析方法。
背景技术
相关性分析是指对两个或多个具备相关性的变量元素进行分析,从而衡量两个变量因素的相关密切程度。相关性的元素之间需要存在一定的联系或者概率才可以进行相关性分析。相关性不等于因果性,也不是简单的个性化,相关性所涵盖的范围和领域几乎覆盖了我们所见到的方方面面,相关性在不同的学科里面的定义也有很大的差异。
在火力发电机组设备测点相关性分析领域,可以通过相关性分析计算,从数理层面分析测点趋势的关联性特征,在建立设备趋势预警模型等领域中,该相关性分析结果是模型建立过程中的重要参数。
当前,火力发电机组领域常采用Spearman、Kendall等通用相关性分析算法,未考虑发电机组设备实际的机理特性、设备运行工况特性和测点的重要程度权重特性,算法和计算流程均不具备电力行业定制化特征,急需要一种可以充分考虑行业技术特征的优化算法来突破当前技术的瓶颈。
发明内容
本发明的目的是提供一种火力发电机组的测点相关性分析方法,可应用于火力发电机组信息化行业,用于分析解决测点间的关联性计算问题。
为达到上述目的,本发明采用的技术方案是:
一种火力发电机组的测点相关性分析方法,包括:
S1、选择火力发电机组的设备,并根据所选的设备选择需要进行相关性分析的测点,所选的测点包括所选设备的测点、与所选设备在机理层关联的其他设备的测点,
设置所选的测点的权重;和设置设备的工况模式、计算时间段,计算时间段为计算开始时间和计算结束时间,
S2、将所选的测点以两个为一组,通过工况模式、计算开始时间和计算结束时间,确定需要计算测点的数据时间段,计算两个测点的相关系数并通过加权参数进行修正,获得相关系数值r,对r值大于设定相关性阈值的测点输出至相关性集群。
上述技术方案优选地,通过以下公式计算两个测点的相关系数:
其中:Weightx、Weighty为两个测点的权重。
上述技术方案优选地,该方法还包括:对输出至相关性集群的结果进行计算,计算的次数为n×(n-1)/2次,其中:n为参加计算的测点总数。
上述技术方案优选地,对测点进行权重设置时,先创建多个测点分组,并对各个测点分组进行权重设置,再将所选的测点关联进各个具有权重的测点分组中,且一个测点仅关联进一个测点分组中。测点分组是一个逻辑概念,通过分组后与测点完成关联,从而对与测点分组关联的测点进行统一的权重设置。
上述技术方案优选地,所选的测点的权重范围为(0-1],即所选的测点的权重范围不包含0,包含1。
上述技术方案优选地,设备的工况模式包括半负荷工况、满负荷工况,一次相关性计算,可以设置多个工况模式,每个工况模式覆盖的时间段都将纳入计算过程;各个工况模式的表达式采用逻辑表达式,逻辑表达式包括传感器测点编码、比较运算符,比较运算符支持括号、“>”、“<”、“>=”、“<=”、“OR”、“AND”和“XOR”。
进一步优选地,确定需要计算测点的数据时间段时,取工况模式时间段与计算开始时间、计算结束时间的交集。
进一步优选地,设计算开始时间为t1,计算结束时间为t2,工况模式在t1到t2时间段内,满足工况表达式的时间段为[mt1,mt2]、[mt3,mt4],则进行测点的相关系数计算的数据时间段为[mt1,mt2]、[mt3,mt4]。
上述技术方案优选地,相关性阈值的范围为(0-1],即相关性阈值的范围不包含0,包含1,设定的相关性阈值选自该范围内中的点值。当两个测点相关系数数值大于设定的相关性阈值时,则这两个测点自动归为一个小组。
上述技术方案优选地,火力发电机组的设备包括引风机、一次风机、送风机、空预器、汽包、锅炉汽水***、凝结水泵、凝汽器、汽轮机密封***、高温加热器、气泵、除氧器、汽轮机本体、发电机、变压器、直流***、脱硫***、脱硝***、补给水***、海水处理及供排***。通过选择设备框定测点相关性分析的范围,以减少后续步骤的计算量。
由于上述技术方案运用,本发明与现有技术相比具有下列优点:
1、采用逻辑测点分组,通过对测点分组设置权重,实现了对测点设置权重;
2、充分考虑不同测点的重要性特征,通过权重参数对通用相关系数算法进行了优化;
3、结合工况模式来区别火力发电机组运行期间的不同状态,解决了以往非运行期数据对计算结果的干扰;
4、提出相关性集群概念,将测点的相关性结果经过阈值计算,最终计算得出相关性集群结果,该结果可直接用于趋势预警等相关业务领域。
附图说明
附图1为本实施例的流程示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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所示的一种火力发电机组的测点相关性分析方法,使用设备机理与计算机技术结合来发现发电机组设备测点之间的相关性关系,并对相关性高的测点进行分组,包括以下步骤:
S10、选择火力发电机组的设备。
发电机组设备包括主机和辅机设备,其中主机主要包括汽轮机本体、发电机,辅机设备主要包括引风机、一次风机、送风机、空预器、汽包、锅炉汽水***、凝结水泵、凝汽器、汽轮机密封***、高温加热器、气泵、除氧器、变压器、直流***、脱硫***、脱硝***、补给水***和海水处理及供排***等。通过选择设备可以框定测点相关性分析的范围,减少后续步骤的计算量。
S11、选择相关性分析测点。
根据所选的设备选择需要进行相关性分析的测点,所选的测点包括所选设备的测点、与所选设备在机理层关联的其他设备的测点,所选设备的测点主要为关键测点,其他设备的测点主要为与所选设备密切关联的设备的关键测点。若不确定测点之间的相关性关系,可以适当扩大测点选择范围,由后续算法完成测点间相关性分析,测点选择越多,相关性计算时间越长。
S12、设置所选的测点的权重。
首先,创建多个测点分组,测点分组是一个逻辑概念,主要的目的是分组后与测点完成关联,从而对测点组统一进行权重设置。
然后,对各个测点分组进行权重设置,所选的测点的权重范围为(0-1],即所选的测点的权重范围不包含0,包含1。
最后,将所选的测点关联进各个具有权重的测点分组中,且一个测点仅关联进一个测点分组中。
例如:所选的测点对其进行编码为:S1到Sn,多个测点分组分为:Group1到GroupN,其中Group1测点分组设置权重为Weight1,其中Group2测点分组设置权重为Weight2,以此类推到GroupN。将S1到Sn逐个与测点分组关联,测点关联到测点分组后,测点由测点分组继承的权重为WeightSi。
S13、设置工况模式。
工况模式是根据运行经验和设备特性,总结得出的发电机组运行工况,通常包括“半负荷”和“满负荷”等典型工况,一次相关性计算,可以设置多个工况模式,每个工作模式可以设置是否启用,仅当工作模式启用时,该工况模式才会影响相关性分析结果,并且每个工况模式覆盖的时间段都将纳入计算过程。
各个工况模式的表达式采用逻辑表达式,逻辑表达式包括传感器测点编码、比较运算符,比较运算符支持括号、“>”、“<”、“>=”、“<=”、“OR”、“AND”和“XOR”。
S14、设置计算时间段。
计算时间段为计算开始时间和计算结束时间,时间精确到秒。计算时间段是后续相关性分析计算的基础,实际加入算法计算的数据,还需要叠加工况模式进行取交集计算。
确定需要计算测点的数据时间段时,取工况模式时间段与计算开始时间、计算结束时间的交集。具体为:设计算开始时间为t1,计算结束时间为t2,工况模式在t1到t2时间段内,满足工况表达式的时间段为[mt1,mt2]、[mt3,mt4],则进行测点的相关系数计算的数据时间段为[mt1,mt2]、[mt3,mt4]。
S15、设置相关性阈值。
相关性阈值的设置范围为(0-1],即相关性阈值的范围不包含0,包含1,相关性阈值的范围为设定的相关性阈值选自该范围内中的点值。如相关性阈值的设置值为0.6。
S20、相关性计算。
将所选的测点以两个为一组,通过工况模式、计算开始时间和计算结束时间,确定需要计算测点的数据时间段,计算两个测点的相关系数并通过加权参数进行修正。
例如:将测点S1到Sn两两组合进行相关性计算,设进行计算的两个测点为x和y,其中x对应的测点分组的权重设置为Weightx,y对应的测点分组的权重设置为Weighty,通过以下公式计算两个测点的相关系数:
其中:Weightx、Weighty为两个测点的权重。
相关系数r的绝对值越大,相关性越强:相关系数r越接近于1,相关度越强,相关系数r越接近于0,相关度越弱。当r大于设定的相关性阈值时,则将该组计算计算进行记录。
S21、输出相关性集群。
对r值大于设定相关性阈值的测点输出至相关性集群,并对输出至相关性集群的结果进行计算,计算的次数为n×(n-1)/2次,其中:n为参加计算的测点总数。
以3个测点为例:假设S1和S2的相关性系数结果为R12,S2和S3的相关性系数为R23,S1和S3的相关性系数为R13,设定的相关性阈值为T,则当且仅当R12大于T且R23大于T且R13大于T时,测点S1、S2和S3属于相关性集群,以此类推,所有在相关性集群中的测点和其他测点的相关性系数均大于T。最终当聚合测点数大于等于3个时,代表可聚集为一个相关性集群,最终输出可以有多个相关性集群。
实施例:
S10、选择火力发电机组的设备,选择设备为“凝汽器”。
S11、选择相关性分析测点。
S12、设置所选的测点的权重。
首先,创建多个测点分组:1、重要测点组;2、普通测点组。
然后,对各个测点分组进行权重设置:
编码 | 测点组名称 | 权重 |
1 | 重要测点组 | 0.9 |
2 | 普通测点组 | 0.6 |
最后,将所选的测点关联进各个具有权重的测点分组中,且一个测点仅关联进一个测点分组中:
S13、设置工况模式。
发电机运行,表达式为:“Sensor01”>150。
S14、设置计算时间段。
设置计算开始时间为:2021/11/01 00:00:00,
计算结束时间为:2021/11/30 00:00:00。
结合工况模式:“Sensor01”>150,确定需要计算测点的数据时间段为:
编号 | 开始时间 | 结束时间 |
1 | 2021/11/03 00:00:00 | 2021/11/07 00:00:00 |
2 | 2021/11/15 07:00:00 | 2021/11/18 00:30:00 |
3 | 2021/11/22 07:00:00 | 2021/11/29 09:50:00 |
S15、设置相关性阈值。
设置相关性阈值的设置值为0.55。
S20、相关性计算。
根据计算公式和S13、S14的数据时间段,计算相关系数值r如下:
S01 | S02 | S03 | S04 | S05 | S06 | S07 | S08 | S09 | S10 | S11 | S12 | S13 | S14 | S15 | |
S01 | 1 | 0.68 | 0.62 | 0.55 | 0.41 | 0.56 | 0.55 | 0.23 | 0.45 | 0.56 | 0.56 | 0.61 | 0.51 | 0.41 | 0.57 |
S02 | 0.68 | 1 | 0.53 | 0.42 | 0.56 | 0.62 | 0.54 | 0.64 | 0.52 | 0.56 | 0.45 | 0.45 | 0.46 | 0.47 | 0.62 |
S03 | 0.62 | 0.53 | 1 | 0.56 | 0.54 | 0.51 | 0.45 | 0.44 | 0.38 | 0.58 | 0.45 | 0.46 | 0.51 | 0.52 | 0.53 |
S04 | 0.55 | 0.42 | 0.56 | 1 | 0.61 | 0.62 | 0.58 | 0.51 | 0.48 | 0.47 | 0.51 | 0.43 | 0.52 | 0.51 | 0.48 |
S05 | 0.41 | 0.56 | 0.54 | 0.61 | 1 | 0.54 | 0.52 | 0.58 | 0.43 | 0.42 | 0.41 | 0.38 | 0.37 | 0.56 | 0.58 |
S06 | 0.56 | 0.62 | 0.51 | 0.62 | 0.54 | 1 | 0.62 | 0.65 | 0.51 | 0.48 | 0.41 | 0.48 | 0.48 | 0.45 | 0.53 |
S07 | 0.55 | 0.54 | 0.45 | 0.58 | 0.52 | 0.62 | 1 | 0.62 | 0.54 | 0.57 | 0.54 | 0.48 | 0.44 | 0.43 | 0.49 |
S08 | 0.23 | 0.64 | 0.44 | 0.51 | 0.58 | 0.65 | 0.62 | 1 | 0.51 | 0.38 | 0.38 | 0.39 | 0.48 | 0.58 | 0.59 |
S09 | 0.45 | 0.52 | 0.38 | 0.48 | 0.43 | 0.51 | 0.54 | 0.51 | 1 | 0.52 | 0.51 | 0.41 | 0.45 | 0.48 | 0.44 |
S10 | 0.56 | 0.56 | 0.58 | 0.47 | 0.42 | 0.48 | 0.57 | 0.38 | 0.52 | 1 | 0.59 | 0.51 | 0.39 | 0.48 | 0.47 |
S11 | 0.56 | 0.45 | 0.45 | 0.51 | 0.41 | 0.41 | 0.54 | 0.38 | 0.51 | 0.59 | 1 | 0.44 | 0.48 | 0.52 | 0.53 |
S12 | 0.61 | 0.45 | 0.46 | 0.43 | 0.38 | 0.48 | 0.48 | 0.39 | 0.41 | 0.51 | 0.44 | 1 | 0.61 | 0.63 | 0.55 |
S13 | 0.51 | 0.46 | 0.51 | 0.52 | 0.37 | 0.48 | 0.44 | 0.48 | 0.45 | 0.39 | 0.48 | 0.61 | 1 | 0.55 | 0.53 |
S14 | 0.41 | 0.47 | 0.52 | 0.51 | 0.56 | 0.45 | 0.43 | 0.58 | 0.48 | 0.48 | 0.52 | 0.63 | 0.55 | 1 | 0.66 |
S15 | 0.57 | 0.62 | 0.53 | 0.48 | 0.58 | 0.53 | 0.49 | 0.59 | 0.44 | 0.47 | 0.53 | 0.55 | 0.53 | 0.63 | 1 |
S21、输出相关性集群。
对r值大于设定相关性阈值的测点输出至相关性集群,并对输出至相关性集群的结果进行计算,计算次数为:15×(15-1)/2=105次。
当聚合测点数大于等于3个时,代表可聚集为一个相关性集群,相关性集群的计算结果为:
集群1:S01,S02,S06;
集群2:S01,S02,S10;
集群3:S1,S3,S10;
集群4:S1,S10,S11;
集群5:S2,S5,S8,
集群6:S2,S6,S8,
集群7:S4,S6,S7,
集群8:S5,S8,S14,
集群9:S6,S7,S8。
本实施例的相关性集群的计算结果可直接用于趋势预警模型的建立。
上述实施例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种火力发电机组的测点相关性分析方法,其特征在于:包括:
S1、选择火力发电机组的设备,并根据所选的设备选择需要进行相关性分析的测点,所选的测点包括所选设备的测点、与所选设备在机理层关联的其他设备的测点,
设置所选的测点的权重;和设置设备的工况模式、计算时间段,计算时间段为计算开始时间和计算结束时间,
S2、将所选的测点以两个为一组,通过工况模式、计算开始时间和计算结束时间,确定需要计算测点的数据时间段,计算两个测点的相关系数并通过加权参数进行修正,获得相关系数值r,对r值大于设定相关性阈值的测点输出至相关性集群。
3.根据权利要求1所述的火力发电机组的测点相关性分析方法,其特征在于:该方法还包括:对输出至相关性集群的结果进行计算,计算的次数为n×(n-1)/2次,其中:n为参加计算的测点总数。
4.根据权利要求1所述的火力发电机组的测点相关性分析方法,其特征在于:对测点进行权重设置时,先创建多个测点分组,并对各个测点分组进行权重设置,再将所选的测点关联进各个具有权重的测点分组中,且一个测点仅关联进一个测点分组中。
5.根据权利要求1或4所述的火力发电机组的测点相关性分析方法,其特征在于:所选的测点的权重范围为(0-1]。
6.根据权利要求1所述的火力发电机组的测点相关性分析方法,其特征在于:设备的工况模式包括半负荷工况、满负荷工况,且各个工况模式的表达式采用逻辑表达式,逻辑表达式包括传感器测点编码、比较运算符。
7.根据权利要求6所述的火力发电机组的测点相关性分析方法,其特征在于:确定需要计算测点的数据时间段时,取工况模式时间段与计算开始时间、计算结束时间的交集。
8.根据权利要求7所述的火力发电机组的测点相关性分析方法,其特征在于:设计算开始时间为t1,计算结束时间为t2,工况模式在t1到t2时间段内,满足工况表达式的时间段为[mt1,mt2]、[mt3,mt4],则进行测点的相关系数计算的数据时间段为[mt1,mt2]、[mt3,mt4]。
9.根据权利要求1所述的火力发电机组的测点相关性分析方法,其特征在于:相关性阈值的范围为(0-1],设定的相关性阈值选自该范围内中的点值。
10.根据权利要求1所述的火力发电机组的测点相关性分析方法,其特征在于:火力发电机组的设备包括引风机、一次风机、送风机、空预器、汽包、锅炉汽水***、凝结水泵、凝汽器、汽轮机密封***、高温加热器、气泵、除氧器、汽轮机本体、发电机、变压器、直流***、脱硫***、脱硝***、补给水***、海水处理及供排***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210017727.5A CN114357033A (zh) | 2022-01-07 | 2022-01-07 | 一种火力发电机组测点相关性分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210017727.5A CN114357033A (zh) | 2022-01-07 | 2022-01-07 | 一种火力发电机组测点相关性分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114357033A true CN114357033A (zh) | 2022-04-15 |
Family
ID=81107042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210017727.5A Pending CN114357033A (zh) | 2022-01-07 | 2022-01-07 | 一种火力发电机组测点相关性分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114357033A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115453356A (zh) * | 2022-09-06 | 2022-12-09 | 上海电力大学 | 一种动力设备运行状态监测分析方法、***、终端及介质 |
-
2022
- 2022-01-07 CN CN202210017727.5A patent/CN114357033A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115453356A (zh) * | 2022-09-06 | 2022-12-09 | 上海电力大学 | 一种动力设备运行状态监测分析方法、***、终端及介质 |
CN115453356B (zh) * | 2022-09-06 | 2023-05-30 | 上海电力大学 | 一种动力设备运行状态监测分析方法、***、终端及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Biagetti et al. | Automatic diagnostics and prognostics of energy conversion processes via knowledge-based systems | |
US7251582B2 (en) | Fault diagnosis | |
WO2018138880A9 (ja) | モデルパラメータ値推定装置及び推定方法、プログラム、プログラムを記録した記録媒体、モデルパラメータ値推定システム | |
Li et al. | Multi-agent system based distributed pattern search algorithm for non-convex economic load dispatch in smart grid | |
CN114357033A (zh) | 一种火力发电机组测点相关性分析方法 | |
CN111652375B (zh) | 基于贝叶斯推理及虚拟传感的冷却盘管故障智能检测诊断方法及装置 | |
US20120323530A1 (en) | Virtual sensor systems and methods for estimation of steam turbine sectional efficiencies | |
KR20230060461A (ko) | 심층 강화학습을 이용한 신뢰도 기반 위임 합의 블록체인 네트워크 관리 장치 및 방법 | |
TWI770691B (zh) | 診斷裝置及診斷方法 | |
CN107305651B (zh) | 一种输电***可靠性评估方法和*** | |
CN107609234B (zh) | 基于不确定性的稳健性分析方法及*** | |
CN116708514B (zh) | 一种基于物联网的电能表数据采集方法及*** | |
CN112051082A (zh) | 一种供热***换热器运行中故障诊断方法 | |
CN112016248A (zh) | 一种基于Elman神经网络SCR脱硝***不良数据辨识方法 | |
CN117371622A (zh) | 一种区域中长期动态碳排放因子的预测方法、***及设备 | |
JP2018184944A (ja) | 発電システムの劣化を低減するためのメンテナンスのスケジューリング | |
CN111239486A (zh) | 一种电能监测方法及*** | |
CN114154122B (zh) | 测流数据质量评估方法、装置及应用 | |
Guo et al. | Research on leakage diagnosis of heating pipe network based on deep belief network | |
Coleman et al. | A new trust-region algorithm for equality constrained optimization | |
CN114881355A (zh) | 一种基于极限学习机的脱硫***多工况预测方法 | |
CN111950853B (zh) | 一种基于信息物理双侧数据的电力运行状态白名单生成方法 | |
Inoue et al. | An all-stage truncated multiple change point model for software reliability assessment | |
CN111855799B (zh) | 一种横向流作用下非线性约束管束的损伤识别方法 | |
Soldevila et al. | Optimal sensor placement for classifier-based leak localization in drinking water networks |
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 |