CN114924889A - 一种基于云边端协同的超低排放智能调控***及方法 - Google Patents
一种基于云边端协同的超低排放智能调控***及方法 Download PDFInfo
- Publication number
- CN114924889A CN114924889A CN202210706048.9A CN202210706048A CN114924889A CN 114924889 A CN114924889 A CN 114924889A CN 202210706048 A CN202210706048 A CN 202210706048A CN 114924889 A CN114924889 A CN 114924889A
- Authority
- CN
- China
- Prior art keywords
- data
- edge
- control
- layer
- ultra
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004891 communication Methods 0.000 claims abstract description 85
- 238000005457 optimization Methods 0.000 claims abstract description 44
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 40
- 231100000719 pollutant Toxicity 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000003860 storage Methods 0.000 claims abstract description 16
- 238000005516 engineering process Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 57
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 238000007726 management method Methods 0.000 claims description 26
- 238000002955 isolation Methods 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 11
- 239000007789 gas Substances 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 9
- 230000007547 defect Effects 0.000 claims description 8
- 238000012800 visualization Methods 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 7
- 239000000463 material Substances 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 5
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 4
- 230000037430 deletion Effects 0.000 claims description 4
- 238000006477 desulfuration reaction Methods 0.000 claims description 4
- 230000023556 desulfurization Effects 0.000 claims description 4
- 239000003546 flue gas Substances 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 230000036541 health Effects 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 238000007792 addition Methods 0.000 claims description 3
- 238000009960 carding Methods 0.000 claims description 3
- 238000007418 data mining Methods 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 3
- 210000001503 joint Anatomy 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000012717 electrostatic precipitator Substances 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 1
- 235000011941 Tilia x europaea Nutrition 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910052602 gypsum Inorganic materials 0.000 description 1
- 239000010440 gypsum Substances 0.000 description 1
- 239000004571 lime Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于云边端协同的超低排放智能调控***及方法,利用云计算、边缘计算、先进控制、人工智能以及大数据技术,克服当前超低排放***运行优化面临的多源异构数据处理能力挑战与网络通讯能力挑战;本发明利用云计算层充分的计算和存储资源满足先进控制模型训练需要的多源异构数据资源需求与算力需求,并在边缘计算层应用模型计算控制指令从而降低通讯延迟,建立网络通信架构在保障电力网络安全的同时实现了低延迟的数据采集与指令执行;本发明能有效降低超低排放***的通讯延迟,为气态污染物浓度预测与先进控制方法等提供应用基础,从而提升***运行经济性。
Description
技术领域
本发明属于超低排放智能化技术领域,具体地说是一种基于云边端协同的超低排放智能调控***及方法。
背景技术
超低排放***作为当前我国燃煤电厂不可或缺的重要组成部分,在大数据、物联网、人工智能等技术的支持下,融合先进控制技术与计算机技术,提升超低排放***运行经济性与安全性,是构建安全、高效、绿色的智能化的大气污染治理体系与能源互联网体系的重要着力点。
超低排放***作为我国大气污染治理体系的重要组成部分,对其进行运行优化具有巨大的经济和社会效益潜力。现如今有包括先进预测控制方法、关键气态污染物浓度预测等一系列对超低排放***运行有较大助力的研究成果,但超低排放***原有的DCS难以满足上述技术应用的基本条件,既数据处理能力与网络通讯能力。对燃煤电厂来说,一方面,我国超低排放***的传感器与执行设备的先进程度不断提升,采集的数据种类与数据量日益增多,传统DCS***性能压力日益增大;另一方面,随着各类先进控制方法与策略在超低排放***中的应用快速发展,迫切需要超低排放控制***具有更强的信息处理、高速通讯、数据存储等能力。现有的超低排放控制***和方法面临着重大挑战,其主要表现在:
一、多源异构数据处理能力挑战。超低排放智能调控***在实际应用中包括数据采集、模型构建、设备运行优化、终端执行等过程,因而需要用到设备运行数据、历史数据、设计参数、试验数据、检修数据、性能参数等多源异构的数据,因此对超低排放智能调控***数据库的读写速度、建模所需的服务器计算能力提出了更高的要求。
二、网络通讯能力挑战。超低排放智能调控***常采用气态污染物浓度预测、模型预测控制等预测、控制方法提高其在复杂工况下的控制精度与运行经济性。然而气态污染物预测和模型预测运行优化控制的应用存在对数据的时效性要求,若采用传统的云端控制方法,将实时运行数据传至云端计算指令,云端将控制指令传递至控制器,一旦通讯中间环节出现故障中断或者网络延迟问题,气态污染物浓度预测运行和超低排放设备的控制效果将受到严重影响。
基于以上当前超低排放智能调控***存在的问题,亟需提出一种适用于气态污染物浓度预测与先进控制应用的、采用云边端架构的超低排放智能调控***与方法。
发明内容
为了克服现有技术的缺点和不足,本发明提供了一种基于云边端协同的超低排放智能调控***及方法。
为实现上述目的,本发明所采取的技术方案为:
一种基于云边端协同的超低排放智能调控***,所述***围绕数据协同、模型协同和应用协同三个层面实现云边端协同功能,所述超低排放智能调控***包括云计算层(云侧)、边缘计算层(边侧)、终端设备层(端侧)以及相应计算机网络设备;所述终端设备层包括超低排放设备、控制与传感设备(数据源)、以及数据通讯接口,所述超低排放设备包括锅炉、脱硫设备、脱硝设备和电除尘设备,控制与传感设备包括DCS***、烟气在线监测***和PLC,数据通讯接口由包括OPC服务器和DCS交换机在内的网络通信设备组成;所述边缘计算层包括边缘通信模块、边缘存储模块以及边缘计算模块;所述云计算层包括云端数据库、数据预处理模块、算法模型构建平台以及云端应用;
所述云计算层实现数据预处理,建立数据库存储超低排放智能调控***运行数据,基于数据库建立关键设备多源异构信息模型,采用统一数据访问服务实现数据融合,在算法模型构建平台对超低排放智能调控***控制、预测以及费效所需模型进行训练和评估,建立云平台界面用于包括超低排放***的在线监测与管理在内的云应用;
所述边缘计算层通过边缘通信模块实现与云计算层、终端设备层之间的数据通信以及指令传递,建立用于短期数据存储的缓存边缘存储模块,建立用于气态污染物浓度预测以及关键设备优化控制的边缘计算模块;
所述终端设备层包括超低排放设备、数据源与数据通讯接口,实现超低排放智能调控***的控制指令执行、实时运行数据采集与上传、超低排放智能调控***关键影响参数的自动监测以及DCS***的网络通信;
所述计算机网络设备利用软件接口和网络设施将超低排放智能调控***与物理设备连接起来。
为解决所述云边端***架构的网络通信问题,本发明针对所述云边端***架构建立了基于数据流的网络通信框架,利用软件接口和网络设施将超低排放智能调控***与物理设备连接起来。智能调控***面向对象、模型和数据,而网络通信框架面向通道、链接和接口,智能调控***的相关数据通过网络进行交换、处理。
作为优选,终端设备层的网络通讯借助电厂原有的DCS网络,边缘计算层布置在终端设备层之后,增加边缘计算核心交换机,通过布置在边缘计算层的 OPC客户端和布置在终端设备层的OPC服务器,与DCS核心交换机连接,在边缘计算核心交换机之后布置包括边缘计算服务器、web服务器在内的设备,用于包括数据采集和模型的实时计算在内的应用;在终端设备层中布置OPC服务器用于接受边缘计算层传输的控制指令,另外布置一台OPC服务器用于数据上传,将数据上传的OPC服务器和指令接受的OPC服务器分开,有利于提高数据传输的效率,同时也满足DCS***对安全性要求;终端设备层网络与办公区网络通过单向隔离装置进行物理隔离,以保证终端设备层的数据与通信安全可靠,配置正向网络隔离装置用于协助边缘计算层将终端设备层传输的数据上传至云计算层,同时增设反向网络隔离装置,来自云计算层的指令通过反向网络隔离装置进入边缘计算层,这些网络隔离装置也被称为防火墙。
作为优选,所述数据预处理包括对浓度预测、以及对优化控制建模过程中使用的数据进行处理,具体包括无效数据的剔除、数据缺失的填充、重复数据的合并、数据流同步、时钟校准、数据格式统一以及数据归一化处理;
所述数据库包括时序数据库与关系数据库,两种数据库分别存储不同类型的数据,并通过统一数据访问服务实现数据访问解耦,以便各类数据的融合处理;所述时序型数据库采用分布式时序数据库,提供快照查询和历史数据查询及差值和矩阵类型的高级统计数据查询的功能;所述关系数据库采用MySQL数据库,搭建分布式MySQL群集避免单点故障;
所述统一数据访问服务包括建立设备测点统一编码体系以及统一时序数据访问接口;
所述建立关键设备多源异构信息模型过程包括数据资源梳理和数据资源分类,通过收集包括超低排放设备说明书、运行规程、技术规范在内的数据,建立参数数据库;获取超低排放物料消耗数据和成本数据,建立物料消耗数据库;获取故障缺陷管理***、检修管理***的数据,构建包括设备预警数据库、缺陷记录数据库、检修记录数据库在内的一系列生产运行类数据库。
作为优选,算法模型构建平台的功能包括界面可视化构建设计、可视化编程功能和模型管理功能,利用预封装的程序模块和业务编排的方式构建所需算法模块并进行管理;界面可视化构建设计包括数据源管理技术与界面可视化构建技术;可视化编程功能支持将各种数据处理算法、数据分析算法、数据挖掘算法封装成程序模块,能够支持对程序模块进行包括增加、删除、修改、查询在内的维护操作,程序模块包括信号(数据)处理模块、数据统计分析模块和人工智能模块;模型管理功能包括对气态污染物浓度预测模型以及运行优化模型的增、删、改、查基本操作,模型版本管理,权限管理,模型的审核流程,模型发布功能,模型部署功能,以及迁入迁出功能。需要注意的是,所述的气态污染物浓度预测模型以及运行优化模型的应用均在边缘层,云计算层的算法模型构建平台仅负责训练和调度边缘层所应用的模型。
作为优选,所述边缘存储模块采用Redis数据库作为时序数据库的快照子***,用于存储测点的快照数据以提供实时数据断面访问功能;
所述边缘计算模块包括提供气态污染物浓度预测以及关键设备运行优化控制算法程序运行所需的计算引擎和调度环境,在云计算层训练完成的模型将在边缘计算模块被应用,根据实时工况数据计算得到超低排放智能调控***运行控制指令以及关键气态污染物浓度预测值,并将控制指令通过边缘通信模块发送至终端设备层对应控制设备,从而实现超低排放智能调控***运行优化的目的。
作为优选,所述控制与传感设备(数据源)包括电站DCS***内所有数据采集装置以及DCS***运行计算结果;所述边缘通信模块包括OPC客户端、边缘计算层交换机以及网络隔离装置;所述数据通讯接口包括OPC服务器与DCS 交换机,边缘通信模块和数据通信接口在保证数据传输效率与安全的前提下,实现终端设备层与边缘计算层的数据交换,同时边缘通信模块实现了与云计算层的数据交换。
一种基于云边端协同的超低排放智能调控方法,采用上述超低排放智能调控***,终端设备层中来自各个传感器以及DCS***的超低排放设备运行数据通过数据通讯接口与边缘通信模块传输至边缘存储模块,并根据云计算层需求上传数据至云计算层的服务器,进行数据预处理后存入数据库;在云计算层利用算法模型构建平台对模型进行构建、训练和迭代,模型训练完成后经网络隔离装置传输到边缘计算层的边缘计算模块,在边缘计算层实现模型的实时计算和优化控制指令的下发,控制指令通过边缘通信模块与数据通讯接口传输至终端设备层,进而利用DCS对设备运行进行实时优化控制。
本发明通过“云边端”的***架构解决了模型训练需要的多源异构数据资源问题和应用气态污染物浓度预测、先进控制方法的计算与网络通讯能力需求问题,确保边侧、端侧能有效利用云侧的资源,云侧也能及时获取并处理端侧的数据。
本发明为超低排放智能调控***配置了云边端***框架与网络通信架构,采用超低排放***智能调控方法,确保云端侧计算能力与数据处理能力得到充分利用,解决多源异构数据处理难的问题;确保终端侧设备能够高速、准确获取边缘侧的控制指令,并上传实时运行数据至云端侧,有效解决了传统云端控制存在的网络延迟高、数据传输慢,信息处理成本高、效率低的问题。
作为优选,所述边缘计算模块应用模型计算得到控制指令并传输的具体实施方法如下:
边缘计算模块在保证DCS原控制逻辑不变的情况下,添加优化控制的切换逻辑,做到不同控制模式之间的无扰切换;在边缘计算模块与DCS之间建立闭环回路的健康监测机制,当边缘计算层与终端设备层之间的通信出现故障时可以及时切除并报警提示运行人员;为了保证超低排放设备运行的安全,保留人工干预优先,自动运行、优化控制运行其次的优先逻辑。
作为优选,边缘计算模块按以下步骤开展超低排放智能调控***运行优化控制:
第一步,边缘计算模块运行的硬件自检和网络通信检测正常;
第二步,边缘计算模块实时获取发电机组与超低排放设备的工况信息;
第三步,存在已经训练完毕的优化控制模型与气态污染物浓度预测模型,且计算输出结果在正常范围内;
第四步,将边缘计算模块投入超低排放***正常在线控制运行,发送控制指令。
作为优选,边缘计算模块的计算结果与终端设备层的DCS控制逻辑实现对接,从而在边缘计算层和终端设备层实现了闭环控制回路,具体的运行优化控制执行方式包括以下两种:
第一种,釆用气态污染物浓度预测前馈预报修正控制方式,边缘计算模块不直接参与控制指令的计算,而是通过气态污染物浓度预测模型,根据实时工况数据计算得到更加准确的气态污染物浓度信息,从而得到辅助判据或预测数据,为 DCS控制指令与参数进行辅助修正和前馈预报;
第二种,采用实时优化运行控制方式时,边缘计算模块会结合气态污染物浓度预测模型的计算结果,应用优化控制模型计算各个超低排放***设备的最优控制指令,该指令将代替DCS控制指令,直接参与控制。
相对于现有技术,本发明的有益效果在于:
本发明利用云计算、边缘计算、先进控制、人工智能以及大数据技术,克服当前超低排放***运行优化面临的多源异构数据处理能力挑战与网络通讯能力挑战;本发明利用云计算层充分的计算和存储资源满足先进控制模型训练需要的多源异构数据资源需求与算力需求,并在边缘计算层应用模型计算控制指令从而降低通讯延迟,建立网络通信架构在保障电力网络安全的同时实现了低延迟的数据采集与指令执行;本发明能有效降低超低排放***的通讯延迟,为气态污染物浓度预测与先进控制方法等提供应用基础,从而提升***运行经济性。
附图说明
图1是基于云边端协同的超低排放智能调控***架构图;
图2是基于数据流的网络通信框架图;
图3是边缘计算层核心功能实现逻辑图;
图4是工程应用中的超低排放智能调控***网络结构图;
图5是边缘侧开展超低排放***运行优化控制流程示意图;
图6是PI数据库和分布式时序数据库性能对比分析图。
具体实施方式
下面通过实施例,对本发明的技术方案作进一步具体的说明,这些实施例是对本发明的说明而作,不是对本发明的限制。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。
参照图1,图2,一种基于云边端协同的超低排放智能调控***,***具有自上而下依层级布置超低排放智能调控***数据处理与信息传递架构以及相应的网络通信框架,包括:终端设备层、边缘计算层、云计算层以及相应计算机网络设备。需要说明的是,本发明中所述的“超低排放智能调控***数据”既包括超低排放智能调控***所产生的原始数据(如CMES采集的),也包括中间数据 (如边缘计算层的气态污染物预测模型对原始数据进行处理产生的预测值)和结果数据(如控制指令)。
所述终端设备层包括超低排放设备、控制与传感设备(数据源)、以及数据通讯接口,所述超低排放设备包括锅炉、脱硫设备、脱硝设备和电除尘设备,控制与传感设备包括DCS***、烟气在线监测***和PLC,数据通讯接口由包括 OPC服务器和DCS交换机在内的网络通信设备组成;所述边缘计算层包括边缘通信模块、边缘存储模块以及边缘计算模块;所述云计算层包括云端数据库、数据预处理模块、算法模型构建平台以及云端应用;
所述云计算层实现数据预处理,建立数据库存储超低排放智能调控***运行数据,建立关键设备多源异构信息模型,采用统一数据访问服务实现数据融合,在算法模型构建平台对超低排放智能调控***控制、预测以及费效所需模型进行训练和评估,建立云平台界面用于包括超低排放***的在线监测与管理在内的云应用;
所述边缘计算层通过边缘通信模块实现与云计算层、终端设备层之间的数据通信以及指令传递,建立用于短期数据存储的缓存边缘存储模块,建立用于气态污染物浓度预测以及关键设备优化控制的边缘计算模块;
所述终端设备层包括超低排放设备、数据源与数据通讯接口,实现超低排放智能调控***的控制指令执行、实时运行数据采集与上传、超低排放智能调控***关键影响参数的自动监测以及DCS***的网络通信;
所述计算机网络设备利用软件接口和网络设施将超低排放智能调控***与物理设备连接起来。
终端设备层的网络通讯借助电厂原有的DCS网络,边缘计算层布置在终端设备层之后,增加边缘计算核心交换机,通过布置在边缘计算层的OPC客户端和布置在终端设备层的OPC服务器,与DCS核心交换机连接,在边缘计算核心交换机之后布置包括边缘计算服务器、web服务器在内的设备,用于包括数据采集和模型的实时计算在内的应用;在终端设备层中布置OPC服务器用于接受边缘计算层传输的控制指令,另外布置一台OPC服务器用于数据上传,将数据上传的OPC服务器和指令接受的OPC服务器分开,有利于提高数据传输的效率,同时也满足DCS***对安全性要求;终端设备层网络与办公区网络通过单向隔离装置进行物理隔离,以保证终端设备层的数据与通信安全可靠,配置正向网络隔离装置用于协助边缘计算层将终端设备层传输的数据上传至云计算层,同时增加一台反向网络隔离装置,来自云计算层的指令通过反向网络隔离装置进入边缘计算层,这些网络隔离装置也被称为防火墙。
本发明所述基于云边端协同的超低排放智能调控***在某1000MW燃煤机组上进行了工程应用。工程应用前,电厂超低排放***采用某公司生产的DCS ***在集控室进行控制,电厂当前已经建成SIS等信息***,采用PI数据库***对超低排放***运行的实时数据进行采集和存储,具备良好的工程应用基础。
(1)终端设备层
该电站超低排放设备包括一套SCR脱硝***,一套石灰石-石膏湿法脱硫***,一套干式电除尘***和一套湿式电除尘***。
电站采用了某公司DCS,超低排放设备的控制***接入DCS在集控室进行集中控制。由于DCS***本身不具备优化能力,并且DCS***使用的硬件性能较低,难以承担大数据计算的负荷,因此通过配置OPC服务器和DCS核心交换机的方式,通过数据通讯接口将实时工作运行数据上传,并接收来自边缘计算层的指令实现优化控制。
(2)边缘计算层
为满足气态污染物浓度预测、超低排放***运行优化控制的实时计算和数据需求,在边缘计算层部署服务器集群与交换机。
边缘计算层使用了三台超融合服务器和两台万兆网络交换机,利用超融合基础架构(Hyper-Converged Infrastructure),通过万兆网络将三台服务器聚合起来,形成统一的资源池,为平台的运行提供计算、网络、存储和服务器虚拟化等资源,未来可通过模块化对计算资源进行无缝横向扩展(scale-out),同时超融合技术还提供缓存加速、重复数据删除、在线数据压缩、备份软件、快照技术等IT基础设施管理工具。另外部署两台OPC终端,与终端设备层的OPC服务器进行通信,进行数据的发送和接收。
如图3所示,边缘计算层的核心功能是利用其与终端设备层连接紧密的优势,利用高性能的Redis数据库和服务器设备,对终端设备层上传的现场原始数据进行分析和应用,接收来自云计算层训练完毕的气态污染物浓度预测模型和运行优化模型,计算超低排放***的运行优化控制指令,用kafka流处理软件将控制指令发送至终端设备层的OPC服务器,并完成生产数据向云计算层的传输。对模型的应用是边缘计算层的关键功能。
(3)云计算层
云计算层最主要的功能是训练模型、分析数据以及提供云端应用,由于存在对存储和处理海量运行数据的需求,需要配置高性能的服务器集群。与边缘计算层类似,云计算层同样使用超融合服务器技术,配置5台服务器和一套大容量 RAID磁盘阵列存储。在5台超融合服务器上建立资源池,构建虚拟机,用于云计算层的模型训练、数据分析和云端应用。
整个基于云边端协同的超低排放智能调控***在电厂的网络部署考虑了电力网络安全防护的要求。根据电网安全区四种区域分类,在安全区Ⅳ构建的虚拟服务器集群合并到现在已有的电厂办公区网络,在安全区Ⅰ构建的超融合虚拟服务器集群合并到原有电厂DCS控制区网络,电厂安全区Ⅰ与DCS之间通过独立链路连接。其中安全区Ⅰ***和DCS***之间采用独立网卡及网段进行专用链路隔离,而安全区Ⅰ***和安全区Ⅳ***之间通过正反隔离装置进行物理隔离,构建过程符合电力网络安全要求的云、边、端三层协同运行的网络通讯体系。具体网络结构如图4所示,网络架构中包括正向隔离链路、反向隔离链路以及闭环控制链路。
本发明所述超低排放***智能调控方法将应用于上述基于云边端协同的***上,具体包括:
所述云边端***架构的云计算层实现数据预处理,建立数据库存储超低排放***运行数据,建立关键设备多源异构信息模型,采用统一数据访问服务实现数据融合,在算法模型构建平台对超低排放***控制、预测以及费效所需模型进行训练和评估,建立云平台界面用于超低排放***的在线监测与管理等云应用。
进一步,所述数据预处理方法包括对浓度预测、优化控制建模过程中使用的数据进行处理,包括无效数据的剔除、数据缺失的填充、重复数据的合并、数据流同步、时钟校准、数据格式统一以及数据归一化处理等。
进一步,所述数据库包括时序数据库与关系数据库,两种数据库分别存储不同类型的数据,并通过统一数据访问服务实现数据访问解耦,以便各类数据的融合处理。
进一步,所述时序型数据库采用分布式时序数据库,提供快照查询和历史数据查询及差值和矩阵类型的高级统计数据查询的功能。
进一步,所述关系数据库采用MySQL数据库,搭建分布式MySQL群集避免单点故障。
进一步,所述统一数据访问服务包括建立设备测点统一编码体系以及统一时序数据访问接口。
进一步,所述建立关键设备多源异构信息模型过程包括数据资源梳理和数据资源分类,通过收集超低排放设备说明书、运行规程、技术规范等数据,建立参数数据库;获取超低排放物料消耗数据和成本数据,建立物料消耗数据库;获取故障缺陷管理***、检修管理***的数据,构建了设备预警数据库、缺陷记录数据库、检修记录数据库等一系列生产运行类数据库。
进一步,所述算法模型构建平台功能包括界面可视化构建设计、可视化编程功能和模型管理功能,可以利用预封装的程序模块和业务编排的方式构建所需算法模块并进行管理。界面可视化构建设计包括数据源管理技术与界面可视化构建技术。可视化编程功能支持将各种数据处理算法、数据分析算法、数据挖掘算法封装成程序模块,能够支持对程序模块进行增加、删除、修改、查询等维护操作,模块主要包括数据(信号)处理模块、数据统计分析模块、人工智能模块等各种类型的程序模块。模型管理功能包括对气态污染物浓度预测模型以及运行优化模型的增、删、改、查基本操作、模型版本管理、权限管理、模型的审核流程、模型发布功能、模型部署功能、迁入迁出等功能。需要注意的是,所述的气态污染物浓度预测模型以及运行优化模型的应用均在边缘层,云计算层的算法模型构建平台仅负责训练和调度边缘层所应用的模型。
所述边缘存储模块采用Redis数据库作为时序数据库的快照子***,用于存储测点的快照数据以提供实时数据断面访问功能;
所述边缘计算模块包括提供气态污染物浓度预测以及关键设备运行优化控制算法程序运行所需的计算引擎和调度环境,在云计算层训练完成的模型将在边缘计算模块被应用,根据实时工况数据计算得到超低排放智能调控***运行控制指令以及关键气态污染物浓度预测值,并将控制指令通过边缘通信模块发送至终端设备层对应控制设备,从而实现超低排放智能调控***运行优化的目的。
所述数据源包括电站DCS***内所有数据采集装置以及DCS***运行计算结果;所述边缘通信模块包括OPC客户端、边缘计算层交换机以及网络隔离装置,所述数据通讯接口包括OPC服务器与DCS交换机,边缘通信模块和数据通信接口在保证数据传输效率与安全的前提下,实现终端设备层与边缘计算层的数据交换,同时边缘通信模块实现了与云计算层的数据交换。
本发明终端设备层中来自各个传感器以及DCS***的超低排放设备运行数据通过数据通讯接口与边缘通信模块传输至边缘存储模块,并根据云计算层需求上传数据至云计算层的服务器,进行数据预处理后存入数据库;在云计算层利用算法模型构建平台对模型进行构建、训练和迭代,模型训练完成后经网络隔离装置传输到边缘计算层的边缘计算模块,在边缘计算层实现模型的实时计算和优化控制指令的下发,控制指令通过边缘通信模块与数据通讯接口传输至终端设备层,进而利用DCS对设备运行进行实时优化控制。
在本实施例中,位于边缘计算层的边缘计算模块应用模型计算得到控制指令并传输的具体实施方法如下:
边缘计算模块能够在保证DCS原控制逻辑不变的情况下,添加优化控制的切换逻辑,做到不同控制模式之间的无扰切换在边缘计算模块与DCS之间建立闭环回路的健康监测机制,当边缘计算层与终端设备层之间的通信出现故障时可以及时切除并报警提示运行人员。为了保证超低排放设备运行的安全,保留人工干预(手动运行)优先,自动运行、优化控制运行其次的优先逻辑。
边缘计算模块按以下步骤开展超低排放***运行优化控制,如图5所示:
第一步,边缘计算模块运行的硬件自检和网络通信检测正常;
第二步,边缘计算模块能够实时获取发电机组与超低排放设备的工况信息;
第三步,存在已经训练完毕的优化控制模型与气态污染物浓度预测模型,且计算输出结果在正常范围内;
第四步,将边缘计算模块投入超低排放***正常在线控制运行,发送控制指令。
边缘计算模块的计算结果与终端设备层的DCS控制逻辑实现对接,从而在边缘计算层和终端设备层实现了闭环控制回路,具体的运行优化控制执行方式可采用但不仅限于以下两种:
第一种,釆用气态污染物浓度预测前馈预报修正控制方式。边缘计算模块不直接参与控制指令的计算,而是通过气态污染物浓度预测模型,根据实时工况数据计算得到更加准确的气态污染物浓度信息,从而得到辅助判据或预测数据,为 DCS控制指令与参数进行辅助修正和前馈预报。
第二种,采用实时优化运行控制方式时,边缘计算模块会结合气态污染物浓度预测模型的计算结果,应用优化控制模型计算各个超低排放***设备的最优控制指令,该指令将代替DCS控制指令,直接参与控制。
为验证本实施例中所述基于云边端协同的超低排放智能调控***及方法的有效性,针对其数据通讯能力以及优化超低排放***运行的能力进行了对比分析。
如图6所示,将本实施例工程应用的分布式时序数据库的数据读写、通讯能力和电厂原有PI数据库进行对比,分别采用十测点一年数据读取、单测点一天数据写入、五万测点一天数据写入三种方式进行比较,可以看到在进行大数据量读写时本实施例应用的分布式时序数据库具有绝对优势。
综上所述,本发明充分运用云-边-端、大数据、人工智能、先进控制、分布式计算等技术,提出一种基于云边端协同的超低排放智能调控***及方法,可以克服现有超低排放***存在的海量多源异构数据处理、网络通讯能力缺陷。***及方法能够实现在满足电力***网络安全的前提下提高超低排放***的智能化信息化程度,从而提升超低排放***的运行效率和经济性。
以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (10)
1.一种基于云边端协同的超低排放智能调控***,其特征在于:所述超低排放智能调控***包括云计算层、边缘计算层、终端设备层以及相应计算机网络设备;所述终端设备层包括超低排放设备、控制与传感设备、以及数据通讯接口,所述超低排放设备包括锅炉、脱硫设备、脱硝设备和电除尘设备,控制与传感设备包括DCS***、烟气在线监测***和PLC,数据通讯接口由包括OPC服务器和DCS交换机在内的网络通信设备组成;所述边缘计算层包括边缘通信模块、边缘存储模块以及边缘计算模块;所述云计算层包括云端数据库、数据预处理模块、算法模型构建平台以及云端应用;
所述云计算层实现数据预处理,建立数据库存储超低排放智能调控***运行数据,基于数据库建立关键设备多源异构信息模型,采用统一数据访问服务实现数据融合,在算法模型构建平台对超低排放智能调控***控制、预测以及费效所需模型进行训练和评估,建立云平台界面用于包括超低排放***的在线监测与管理在内的云应用;
所述边缘计算层通过边缘通信模块实现与云计算层、终端设备层之间的数据通信以及指令传递,建立用于短期数据存储的缓存边缘存储模块,建立用于气态污染物浓度预测以及关键设备优化控制的边缘计算模块;
所述终端设备层实现超低排放智能调控***的控制指令执行、实时运行数据采集与上传、超低排放智能调控***关键影响参数的自动监测以及DCS***的网络通信;
所述计算机网络设备利用软件接口和网络设施将超低排放智能调控***与物理设备连接起来。
2.根据权利要求1所述基于云边端协同的超低排放智能调控***,其特征在于:终端设备层的网络通讯借助电厂原有的DCS网络,边缘计算层布置在终端设备层之后,增加边缘计算核心交换机,通过布置在边缘计算层的OPC客户端和布置在终端设备层的OPC服务器,与DCS核心交换机连接,在边缘计算核心交换机之后布置包括边缘计算服务器和web服务器在内的设备,用于包括数据采集和模型的实时计算在内的应用;在终端设备层中布置OPC服务器用于接受边缘计算层传输的控制指令,另外布置一台OPC服务器用于数据上传,将数据上传的OPC服务器和指令接受的OPC服务器分开,有利于提高数据传输的效率,同时也满足DCS***对安全性要求;终端设备层网络与办公区网络通过单向隔离装置进行物理隔离,以保证终端设备层的数据与通信安全可靠,配置正向网络隔离装置用于协助边缘计算层将终端设备层传输的数据上传至云计算层,同时增设反向网络隔离装置,来自云计算层的指令通过反向网络隔离装置进入边缘计算层,这些网络隔离装置也被称为防火墙。
3.根据权利要求1所述基于云边端协同的超低排放智能调控***,其特征在于:所述数据预处理包括对浓度预测、以及对优化控制建模过程中使用的数据进行处理,具体包括无效数据的剔除、数据缺失的填充、重复数据的合并、数据流同步、时钟校准、数据格式统一以及数据归一化处理;
所述数据库包括时序数据库与关系数据库,两种数据库分别存储不同类型的数据,并通过统一数据访问服务实现数据访问解耦,以便各类数据的融合处理;所述时序型数据库采用分布式时序数据库,提供快照查询和历史数据查询及差值和矩阵类型的高级统计数据查询的功能;所述关系数据库采用MySQL数据库,搭建分布式MySQL群集避免单点故障;
所述统一数据访问服务包括建立设备测点统一编码体系以及统一时序数据访问接口;
所述建立关键设备多源异构信息模型过程包括数据资源梳理和数据资源分类,通过收集包括超低排放设备说明书、运行规程、技术规范在内的数据,建立参数数据库;获取超低排放物料消耗数据和成本数据,建立物料消耗数据库;获取故障缺陷管理***、检修管理***的数据,构建包括设备预警数据库、缺陷记录数据库、检修记录数据库在内的一系列生产运行类数据库。
4.根据权利要求3所述基于云边端协同的超低排放智能调控***,其特征在于:算法模型构建平台的功能包括界面可视化构建设计、可视化编程功能和模型管理功能,利用预封装的程序模块和业务编排的方式构建所需算法模块并进行管理;界面可视化构建设计包括数据源管理技术与界面可视化构建技术;可视化编程功能支持将各种数据处理算法、数据分析算法、数据挖掘算法封装成程序模块,能够支持对程序模块进行包括增加、删除、修改、查询在内的维护操作,程序模块包括信号处理模块、数据统计分析模块和人工智能模块;模型管理功能包括对气态污染物浓度预测模型以及运行优化模型的增、删、改、查基本操作,模型版本管理,权限管理,模型的审核流程,模型发布功能,模型部署功能,以及迁入迁出功能。
5.根据权利要求1所述基于云边端协同的超低排放智能调控***,其特征在于:所述边缘存储模块采用Redis数据库作为时序数据库的快照子***,用于存储测点的快照数据以提供实时数据断面访问功能;
所述边缘计算模块包括提供气态污染物浓度预测以及关键设备运行优化控制算法程序运行所需的计算引擎和调度环境,在云计算层训练完成的模型将在边缘计算模块被应用,根据实时工况数据计算得到超低排放智能调控***运行控制指令以及关键气态污染物浓度预测值,并将控制指令通过边缘通信模块发送至终端设备层对应控制设备,从而实现超低排放智能调控***运行优化的目的。
6.根据权利要求1所述基于云边端协同的超低排放智能调控***,其特征在于:所述控制与传感设备包括电站DCS***内所有数据采集装置以及DCS***运行计算结果;所述边缘通信模块包括OPC客户端、边缘计算层交换机以及网络隔离装置。
7.一种基于云边端协同的超低排放智能调控方法,其特征在于:采用权利要求1-6任一种所述超低排放智能调控***,终端设备层中来自各个传感器以及DCS***的超低排放设备运行数据通过数据通讯接口与边缘通信模块传输至边缘存储模块,并根据云计算层需求上传数据至云计算层的服务器,进行数据预处理后存入数据库;在云计算层利用算法模型构建平台对模型进行构建、训练和迭代,模型训练完成后经网络隔离装置传输到边缘计算层的边缘计算模块,在边缘计算层实现模型的实时计算和优化控制指令的下发,控制指令通过边缘通信模块与数据通讯接口传输至终端设备层,进而利用DCS对设备运行进行实时优化控制。
8.根据权利要求7所述基于云边端协同的超低排放智能调控方法,其特征在于所述边缘计算模块应用模型计算得到控制指令并传输的具体实施方法如下:
边缘计算模块在保证DCS原控制逻辑不变的情况下,添加优化控制的切换逻辑,做到不同控制模式之间的无扰切换;在边缘计算模块与DCS之间建立闭环回路的健康监测机制,当边缘计算层与终端设备层之间的通信出现故障时可以及时切除并报警提示运行人员;为了保证超低排放设备运行的安全,保留人工干预优先,自动运行、优化控制运行其次的优先逻辑。
9.根据权利要求8所述基于云边端协同的超低排放智能调控方法,其特征在于边缘计算模块按以下步骤开展超低排放智能调控***运行优化控制:
第一步,边缘计算模块运行的硬件自检和网络通信检测正常;
第二步,边缘计算模块实时获取发电机组与超低排放设备的工况信息;
第三步,存在已经训练完毕的优化控制模型与气态污染物浓度预测模型,且计算输出结果在正常范围内;
第四步,将边缘计算模块投入超低排放***正常在线控制运行,发送控制指令;
边缘计算模块的计算结果与终端设备层的DCS控制逻辑实现对接,从而在边缘计算层和终端设备层实现了闭环控制回路。
10.根据权利要求9所述基于云边端协同的超低排放智能调控方法,其特征在于:边缘计算模块的计算结果与终端设备层的DCS控制逻辑实现对接,从而在边缘计算层和终端设备层实现了闭环控制回路,具体的运行优化控制执行方式包括以下两种:
第一种,釆用气态污染物浓度预测前馈预报修正控制方式,边缘计算模块不直接参与控制指令的计算,而是通过气态污染物浓度预测模型,根据实时工况数据计算得到更加准确的气态污染物浓度信息,从而得到辅助判据或预测数据,为DCS控制指令与参数进行辅助修正和前馈预报;
第二种,采用实时优化运行控制方式时,边缘计算模块会结合气态污染物浓度预测模型的计算结果,应用优化控制模型计算各个超低排放***设备的最优控制指令,该指令将代替DCS控制指令,直接参与控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210706048.9A CN114924889B (zh) | 2022-06-21 | 2022-06-21 | 一种基于云边端协同的超低排放智能调控***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210706048.9A CN114924889B (zh) | 2022-06-21 | 2022-06-21 | 一种基于云边端协同的超低排放智能调控***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114924889A true CN114924889A (zh) | 2022-08-19 |
CN114924889B CN114924889B (zh) | 2024-05-14 |
Family
ID=82814224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210706048.9A Active CN114924889B (zh) | 2022-06-21 | 2022-06-21 | 一种基于云边端协同的超低排放智能调控***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114924889B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116032969A (zh) * | 2023-01-05 | 2023-04-28 | 昆明理工大学 | 一种云边协同的智能数控车间自调控***、控制方法 |
CN118244627A (zh) * | 2024-05-28 | 2024-06-25 | 浙江新澄宇环境科技有限公司 | 一种超低排放ai环保岛智控平台 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472406A (zh) * | 2018-11-02 | 2019-03-15 | 浙江大学 | 一种超低排放多污染物协同脱除***的全局优化方法 |
CN111340280A (zh) * | 2020-02-19 | 2020-06-26 | 宜通世纪物联网研究院(广州)有限公司 | 污染物排放量的监测与防控***、方法、装置及介质 |
CN111784026A (zh) * | 2020-05-28 | 2020-10-16 | 国网信通亿力科技有限责任公司 | 基于云边端协同感知的变电站电气设备全方位体检*** |
CA3139505A1 (en) * | 2019-05-06 | 2020-11-12 | Strong Force Iot Portfolio 2016, Llc | Platform for facilitating development of intelligence in an industrial internet of things system |
CN112102111A (zh) * | 2020-09-27 | 2020-12-18 | 华电福新广州能源有限公司 | 一种发电厂数据智能处理*** |
CN112165513A (zh) * | 2020-09-11 | 2021-01-01 | 武汉大学 | 一种流域水环境水生态智慧化管理的云边协同平台架构 |
CN112307092A (zh) * | 2020-11-06 | 2021-02-02 | 珠海格力电器股份有限公司 | 一种能源***的数据架构***和能源*** |
CN113157679A (zh) * | 2021-04-21 | 2021-07-23 | 东方电气自动控制工程有限公司 | 一种水轮发电机组***的监控***及方法 |
CN113266555A (zh) * | 2021-05-14 | 2021-08-17 | 薛金山 | 一种云边端协同智能供水控制调度的方法 |
CN113746144A (zh) * | 2021-11-08 | 2021-12-03 | 南京东博智慧能源研究院有限公司 | 一种源网荷实时交互的电碳控制方法及其智能管理*** |
CN113805536A (zh) * | 2020-06-15 | 2021-12-17 | 上海宝信软件股份有限公司 | 基于工业互联网平台的集控***、方法及介质 |
CN113849547A (zh) * | 2021-09-15 | 2021-12-28 | 浙江浙能技术研究院有限公司 | 一种基于群厂协同的智能电厂数据模型构建方法 |
CN114819655A (zh) * | 2022-04-29 | 2022-07-29 | 西安热工研究院有限公司 | 一种新建智慧电厂的管控架构 |
-
2022
- 2022-06-21 CN CN202210706048.9A patent/CN114924889B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472406A (zh) * | 2018-11-02 | 2019-03-15 | 浙江大学 | 一种超低排放多污染物协同脱除***的全局优化方法 |
CA3139505A1 (en) * | 2019-05-06 | 2020-11-12 | Strong Force Iot Portfolio 2016, Llc | Platform for facilitating development of intelligence in an industrial internet of things system |
CN111340280A (zh) * | 2020-02-19 | 2020-06-26 | 宜通世纪物联网研究院(广州)有限公司 | 污染物排放量的监测与防控***、方法、装置及介质 |
CN111784026A (zh) * | 2020-05-28 | 2020-10-16 | 国网信通亿力科技有限责任公司 | 基于云边端协同感知的变电站电气设备全方位体检*** |
CN113805536A (zh) * | 2020-06-15 | 2021-12-17 | 上海宝信软件股份有限公司 | 基于工业互联网平台的集控***、方法及介质 |
CN112165513A (zh) * | 2020-09-11 | 2021-01-01 | 武汉大学 | 一种流域水环境水生态智慧化管理的云边协同平台架构 |
CN112102111A (zh) * | 2020-09-27 | 2020-12-18 | 华电福新广州能源有限公司 | 一种发电厂数据智能处理*** |
CN112307092A (zh) * | 2020-11-06 | 2021-02-02 | 珠海格力电器股份有限公司 | 一种能源***的数据架构***和能源*** |
CN113157679A (zh) * | 2021-04-21 | 2021-07-23 | 东方电气自动控制工程有限公司 | 一种水轮发电机组***的监控***及方法 |
CN113266555A (zh) * | 2021-05-14 | 2021-08-17 | 薛金山 | 一种云边端协同智能供水控制调度的方法 |
CN113849547A (zh) * | 2021-09-15 | 2021-12-28 | 浙江浙能技术研究院有限公司 | 一种基于群厂协同的智能电厂数据模型构建方法 |
CN113746144A (zh) * | 2021-11-08 | 2021-12-03 | 南京东博智慧能源研究院有限公司 | 一种源网荷实时交互的电碳控制方法及其智能管理*** |
CN114819655A (zh) * | 2022-04-29 | 2022-07-29 | 西安热工研究院有限公司 | 一种新建智慧电厂的管控架构 |
Non-Patent Citations (5)
Title |
---|
THANH BINH NGUYEN等: "Cloud Intelligent Services for Calculating Emissions and Costs of Air Pollutants and Greenhouse Gases", 《ACIIDS 2011: INTELLIGENT INFORMATION AND DATABASE SYSTEMS 》, vol. 6591, 31 December 2011 (2011-12-31), pages 159 * |
夏元清;高润泽;林敏;任延明;闫策;: "绿色能源互补智能电厂云控制***研究", 自动化学报, no. 09, pages 80 - 104 * |
孙春蕾: "基于云平台的用户能源业务调度策略研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》, no. 6, 15 June 2022 (2022-06-15), pages 042 - 24 * |
王国法;杜毅博;任怀伟;范京道;吴群英;: "智能化煤矿顶层设计研究与实践", 煤炭学报, no. 06, pages 7 - 22 * |
范海东: "燃煤机组超低排放智能调控***研究及工业验证", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》, no. 2, 15 February 2023 (2023-02-15), pages 027 - 270 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116032969A (zh) * | 2023-01-05 | 2023-04-28 | 昆明理工大学 | 一种云边协同的智能数控车间自调控***、控制方法 |
CN116032969B (zh) * | 2023-01-05 | 2024-02-20 | 昆明理工大学 | 一种云边协同的智能数控车间自调控***、控制方法 |
CN118244627A (zh) * | 2024-05-28 | 2024-06-25 | 浙江新澄宇环境科技有限公司 | 一种超低排放ai环保岛智控平台 |
Also Published As
Publication number | Publication date |
---|---|
CN114924889B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114924889B (zh) | 一种基于云边端协同的超低排放智能调控***及方法 | |
CN106709580B (zh) | 一种变电站二次***运维云平台 | |
CN112085261B (zh) | 基于云端融合和数字孪生技术的企业生产现状诊断方法 | |
CN100368949C (zh) | 基于人工智能的火电厂自动控制*** | |
CN109656204B (zh) | 一种燃煤电厂超低排放智能环保岛*** | |
CN113642946A (zh) | 一种基于城市重要基础设施的感知信息集成接入*** | |
CN102778874A (zh) | 梯级水电站群联合优化调控*** | |
CN115097788A (zh) | 一种基于数字孪生工厂的智能管控平台 | |
CN115859700B (zh) | 一种基于数字孪生技术的电网建模方法 | |
CN114415607A (zh) | 基于数据驱动的设计工艺制造一体化数字孪生*** | |
CN111369144B (zh) | 一种基于雾计算与区块链的智慧能源调度***及方法 | |
CN114307569B (zh) | 一种烟气治理智能运行优化控制***及方法 | |
CN110033102A (zh) | 一种巨型水电厂具有学习功能的智能诊断方法及专家*** | |
CN116128223A (zh) | 一种以电力***为核心的智慧能源*** | |
CN114090667A (zh) | 一种跨流域水电站群分布式智能综合管理平台 | |
CN110427689B (zh) | 基于信息新技术的燃机机组机群监测诊断方法 | |
CN108092802A (zh) | 海洋核动力平台核动力装置的数值预测维修***及方法 | |
CN114567072B (zh) | 光伏电站的控制*** | |
CN113689064B (zh) | 一种透明化变电站管理***架构 | |
Zhang et al. | Distributed Architecture of Power Grid Asset Management and Future Research Directions | |
CN108229850B (zh) | 基于工业生产网络的城市级能耗、环保数据管理方法和*** | |
CN202888970U (zh) | 变电站二次设备数据、状态在线采集装置 | |
Wang et al. | Research on distributed PV monitoring system based on ubiquitous power IOT architecture | |
Gu et al. | Optimal design of intelligent analysis and control system for power grid operation and maintenance | |
CN103048964A (zh) | 门控单元驱动控制分散控制***及控制方法 |
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 |