CN117436153B - 一种应用于电厂供热的实体特征参数化实现方法 - Google Patents
一种应用于电厂供热的实体特征参数化实现方法 Download PDFInfo
- Publication number
- CN117436153B CN117436153B CN202311725111.4A CN202311725111A CN117436153B CN 117436153 B CN117436153 B CN 117436153B CN 202311725111 A CN202311725111 A CN 202311725111A CN 117436153 B CN117436153 B CN 117436153B
- Authority
- CN
- China
- Prior art keywords
- power plant
- data
- heat supply
- physical
- boiler
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 230000008569 process Effects 0.000 claims abstract description 43
- 238000012544 monitoring process Methods 0.000 claims abstract description 39
- 230000005540 biological transmission Effects 0.000 claims abstract description 31
- 238000010438 heat treatment Methods 0.000 claims abstract description 28
- 238000004088 simulation Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 239000000446 fuel Substances 0.000 claims description 30
- 238000012546 transfer Methods 0.000 claims description 26
- 238000005457 optimization Methods 0.000 claims description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 14
- 238000002485 combustion reaction Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 238000000611 regression analysis Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010248 power generation Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 238000001816 cooling Methods 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007800 oxidant agent Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000003546 flue gas Substances 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000005342 ion exchange Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 230000001590 oxidative effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000001223 reverse osmosis Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000003381 stabilizer Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2337—Non-hierarchical techniques using fuzzy logic, i.e. fuzzy clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
-
- 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
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Medical Informatics (AREA)
- Fluid Mechanics (AREA)
- Computing Systems (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种应用于电厂供热的实体特征参数化实现方法,属于热能技术领域,其方法包括:通过传感器和监测设备收集电厂的物理量数据以及运行参数数据;对物理量数据和运行参数数据进行预处理;根据预处理后的数据且结合电厂的运行特点,建立电厂供热过程中物理量数据与运行参数数据之间的物理模型;采用所述物理模型将电厂的实体特征参数化处理,建立参数化模型;步骤5:通过参数化模型,对电厂供热过程进行仿真,获取电厂在不同运行条件下的热量传输和热损失情况,并对电厂供热过程进行优化。解决了背景技术中需要对整个系统进行大规模的参数化建模和仿真,具有较高的计算复杂度和时延,降低了电厂的供热能力的问题。
Description
技术领域
本发明涉及热能技术领域,特别涉及一种应用于电厂供热的实体特征参数化实现方法。
背景技术
随着现代社会对能源的需求不断增长,电厂作为能源的主要供应者,其稳定高效运行对于保障社会稳定和经济可持续发展具有重要意义,传统的热电厂往往存在运行效率低下、能源消耗大、环境污染的问题,针对这些问题,提出了基于物理模型和人工智能的热量传输优化方法,然而,这些方法往往需要对整个系统进行大规模的参数化建模和仿真,具有较高的计算复杂度和时延,降低了电厂的供热能力。
因此,本发明提出一种应用于电厂供热的实体特征参数化实现方法。
发明内容
本发明提供一种应用于电厂供热的实体特征参数化实现方法,通过传感器和监测设备收集电厂的物理量数据以及运行参数数据,对物理量数据和运行参数数据进行预处理,根据预处理后的数据且结合电厂的运行特点,建立电厂供热过程中物理量数据与运行参数数据之间的物理模型,采用物理模型将电厂的实体特征参数化处理,建立参数化模型,通过参数化模型,对电厂供热过程进行仿真,获取电厂在不同运行条件下的热量传输和热损失情况,并对电厂供热过程进行优化,以此来解决背景技术中需要对整个系统进行大规模的参数化建模和仿真,具有较高的计算复杂度和时延,降低了电厂的供热能力的问题。
本发明提出一种应用于电厂供热的实体特征参数化实现方法,该方法包括:
步骤1:通过传感器和监测设备收集电厂的物理量数据以及运行参数数据;
步骤2:对所述物理量数据和运行参数数据进行预处理;
步骤3:根据预处理后的数据且结合电厂的运行特点,建立电厂供热过程中物理量数据与运行参数数据之间的物理模型;
步骤4:采用所述物理模型将电厂的实体特征参数化处理,建立参数化模型;
步骤5:通过参数化模型,对电厂供热过程进行仿真,获取电厂在不同运行条件下的热量传输和热损失情况,并对电厂供热过程进行优化。
优选的,通过传感器和监测设备收集电厂的物理量数据以及运行参数数据,包括:
获取电厂的多个关键区域以及每个关键区域的属性;
基于所述每个关键区域的属性确定该关键区域的传感器类型;
获取每个关键区域对应类型的传感器的监测范围和监测精度,根据每个关键区域对应类型的传感器的监测范围和监测精度确定该关键区域的传感器设置数量;
基于每个关键区域的传感器设置数量在该关键区域设置对应数量个传感器用以采集电厂的物理量数据;
同时,利用监测设备采集电厂的运行参数数据。
优选的,对所述物理量数据和运行参数数据进行预处理,包括:
根据物理量数据绘制变化曲线,确定变化曲线中是否存在异常峰值或者异常谷值,若是,确认物理量数据中存在异常数据;
对物理量数据进行过滤和去重预处理;
同时,对运行参数数据进行完整性检查,获取检查结果;
根据检查结果对运行参数数据选择性插值处理。
优选的,在根据预处理后的数据且结合电厂的运行特点之前,还包括:确定电厂的运行特点,具体为:
根据电厂供热要求确定需要监测的指标,基于所述指标获取电厂的运行状态;
基于所述运行状态获取所述电厂的实时状态参数;
根据所述实时状态参数确定电厂的性能指标;
基于所述性能指标确定电厂的运行特点。
优选的,根据预处理后的数据且结合电厂的运行特点,建立电厂供热过程中物理量数据与运行参数数据之间的物理模型,包括:
基于所述电厂的运行特点确定锅炉类型和燃料类型;
基于所述锅炉类型和燃料类型确定锅炉参数;
通过回归分析方法获取预处理后的数据和锅炉参数之间的联系;
根据所述预处理后的数据和锅炉参数之间的联系确定电厂的电力传输状态描述参数;
基于所述电力传输状态描述参数建立电厂供热过程中物理量数据与运行参数数据之间的物理模型。
优选的,采用所述物理模型将电厂的实体特征参数化处理,建立参数化模型,包括:
获取电厂的运行情况和历史数据分析,确定关键的实体特征参数;
获取所述实体特征参数的参数属性并进行分类;
基于分类结果采用所述物理模型对电厂的实体特征进行参数化处理,建立参数化模型。
优选的,通过参数化模型,对电厂供热过程进行仿真,获取电厂在不同运行条件下的热量传输和热损失情况,并对电厂供热过程进行优化,包括:
通过参数化模型,对电厂供热过程进行仿真;
基于仿真结果确定电厂中各个环节在不同条件下基于给水量、给水温度以及给水压力下的多个参数;
基于所述多个参数确定电厂中各个环节的传热关系;
基于所述传热关系确定传热情况,并获取热量传输和热损失情况;
基于所述热量传输和热损失情况对电厂供热过程进行优化。
优选的,基于所述热量传输和热损失情况对电厂供热过程进行优化,包括:
获取电厂锅炉的历史燃烧数据;
采用模糊聚类数据分析方法对历史燃烧数据进行分析以确定锅炉在不同负荷和运行条件下的燃料消耗特性;
根据锅炉在不同负荷和运行条件下的燃料消耗特性构建锅炉的特性模型;
根据锅炉的特性模型进行第一优化,其中,第一优化为对锅炉燃料和锅炉构造的优化;
根据电厂的各个环节部署确定电厂的供热管道节点分布情况;
根据电厂的供热管道节点分布情况计算供热管道各节点处分支管道的工质传输时间延迟;
将传输时间延迟在预设阈值之上并且处于同一节点处的分支管道合并为一根管道;
获取合并后各管道的管道参数;
根据管道参数构建电厂的供热管道网络模型;
根据电厂的供热管道网络模型模拟出电厂的管道供热流动特性;
应用统计回归方法对电厂的管道供热流动特性进行求解得到特性系数,对供热管道进行第二优化,其中,第二优化为对供热管道的流量和结构的优化。
与现有技术相比,本申请的有益效果如下:
通过获取电厂的物理量数据和运行参数并对其进行预处理,根据处理后的数据和电厂的运行特点,建立物理模型,通过物理模型对电厂的实体特征参数化处理,建立参数化模型,并进行仿真,通过仿真结果对供热过程进行优化,避免了需要对整个系统进行大规模的参数化建模和仿真,提高建模过程和分析过程,实现电厂供热运行的高效性和节能性。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种应用于电厂供热的实体特征参数化实现方法的流程图;
图2为本发明实施例中收集数据的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1:
本发明提供一种应用于电厂供热的实体特征参数化实现方法,如图1所示,该方法包括:
步骤1:通过传感器和监测设备收集电厂的物理量数据以及运行参数数据;
步骤2:对所述物理量数据和运行参数数据进行预处理;
步骤3:根据预处理后的数据且结合电厂的运行特点,建立电厂供热过程中物理量数据与运行参数数据之间的物理模型;
步骤4:采用所述物理模型将电厂的实体特征参数化处理,建立参数化模型;
步骤5:通过参数化模型,对电厂供热过程进行仿真,获取电厂在不同运行条件下的热量传输和热损失情况,并对电厂供热过程进行优化。
该实施例中,传感器是一种能够感受内外部环境,并将其转换为可用的信号的装置,比如:光线传感器、温度传感器、湿度传感器、压力传感器、加速度传感器、陀螺仪传感器。
该实施例中,监测设备是指用于收集和分析电厂运行数据的设备,包括但不限于:数据采集设备、 数据处理系统、显示设备、自动化设备。
该实施例中,电厂物理量数据是指用于描述电厂运行状态和性能的物理量数据,比如:电压、电流、频率、温度、湿度。
该实施例中,运行参数数据是指电厂中机器运行过程中产生的参数,比如:产生的电能、机器的转速。
该实施例中,预处理是指对原始数据进行清洗、转换和集成,检测和纠正数据中的异常值、缺失值和错误值,并将将数据转换为适合分析的形式。
该实施例中,电厂的运行特点是指电厂的发电能力强弱、负荷能力强弱。
该实施例中,在电厂供热过程中,物理模型描述了热量在设备和管道中的流动过程。
该实施例中,实体特征参数化是一种处理具有多类别的实体特征的数据集的机器学习算法。
该实施例中,参数化模型是一种机器学习算法,它使用参数来描述和优化模型。
该实施例中,优化可以包括:
提高锅炉燃烧效率:通过调整燃烧过程的参数,如空气预热器的风量、温度和流速等,以提高锅炉燃烧效率,减少燃料消耗和污染物排放。
优化给水处理:采用先进的给水处理技术,如反渗透、离子交换等,降低给水中的杂质和盐分,提高锅炉给水品质,减少腐蚀和结垢,提高锅炉热效率。
调整锅炉热负荷:根据锅炉实际负荷情况,合理调整锅炉的运行工况,如调整锅炉的燃烧速度、调整锅炉的出力等,以达到最佳的热效率和能源利用率。
上述技术方案的有益效果是:通过获取电厂的物理量数据和运行参数并对其进行预处理,根据处理后的数据和电厂的运行特点,建立物理模型,通过物理模型对电厂的实体特征参数化处理,建立参数化模型,并进行仿真,通过仿真结果对供热过程进行优化,避免了需要对整个系统进行大规模的参数化建模和仿真,提高建模过程和分析过程,实现电厂供热运行的高效性和节能性。
实施例2:
本发明提供一种应用于电厂供热的实体特征参数化实现方法,如图2所示,通过传感器和监测设备收集电厂的物理量数据以及运行参数数据,包括:
S01:获取电厂的多个关键区域以及每个关键区域的属性;
S02:基于所述每个关键区域的属性确定该关键区域的传感器类型;
S03:获取每个关键区域对应类型的传感器的监测范围和监测精度,根据每个关键区域对应类型的传感器的监测范围和监测精度确定该关键区域的传感器设置数量;
S04:基于每个关键区域的传感器设置数量在该关键区域设置对应数量个传感器用以采集电厂的物理量数据;
S05:同时,利用监测设备采集电厂的运行参数数据。
该实施例中,电厂的多个关键区域包括:发电机室、锅炉室、热力管道室、电气控制室、燃料储存室、氧化器室。
该实施例中,关键区域的属性比如是:热源部分、燃料部分、冷却部分、氧化剂部分。
该实施例中,传感器类型包括:热电偶传感器、光电传感器、压力传感器、湿度传感器。
该实施例中,传感器的监测范围是指比如:
热电偶传感器:用于监测高温和低温环境,其监测范围通常为-200℃至+1200℃之间。
光电传感器:用于监测光线强弱,其监测范围通常为0光至40000光之间。
压力传感器:用于监测各种压力,如气压、水压等,其监测范围通常为0至100。
湿度传感器:用于监测空气湿度,其监测范围通常为0%至100%之间。
该实施例中,传感器的监测精度是指传感器能够测量的物理量或化学量的大小范围,比如,某温度传感器的监测范围为0℃至50℃,则表示该传感器能够测量0℃至50℃之间的温度范围,不同的传感器在不同的监测范围内具有不同的监测精度,一般来说,对于大范围内的监测,传感器的监测精度可能较低,而对于小范围内的监测,传感器的监测精度可能较高。
上述技术方案的有益效果是:通过电厂的多个关键区域以及关键区域的属性,确定关键区域的传感器的监测范围和监测精度,从而确定每个关键区域应该设置的传感器数量,能够使传感器获取的数据更精准,且保证每个区域的物理量数据更加全面。
实施例3:
本发明提供一种应用于电厂供热的实体特征参数化实现方法,对所述物理量数据和运行参数数据进行预处理,包括:
根据物理量数据绘制变化曲线,确定变化曲线中是否存在异常峰值或者异常谷值,若是,确认物理量数据中存在异常数据;
对物理量数据进行过滤和去重预处理;
同时,对运行参数数据进行完整性检查,获取检查结果;
根据检查结果对运行参数数据选择性插值处理。
该实施例中,绘制变化曲线是指每个物理量数据对应一个曲线。
该实施例中,异常峰值或者异常谷值是指在某些情况下,物体的电流或电压等参数出现超过正常范围的现象。
该实施例中,数据过滤是指通过特定的规则或算法对数据进行筛选或处理,以便提取出符合特定条件的数据。
该实施例中,数据去重是指将数据中重复的值去除。
该实施例中,选择性插值处理是指在插值过程中,根据已知数据的变化趋势和性质,选择合适的插值方法进行插值,比如:多项式插值、二次插值。
该实施例中,根据检查结果对运行参数数据选择性插值处理的过程中,还 包括:
将运行参数数据进行标准化处理,并依次输入到填充曲线中,构建得到第一曲线;
确定所述第一曲线中的缺失点个数,同时,获取第一曲线的连续缺失段个数;
根据缺失点个数以及连续缺失段个数,确定单一插值个数;
;
其中,N4为单一插值个数;M2表示连续缺失段个数;M1表示第一曲线中的缺失点个数;表示第j1个连续缺失段中的缺失点个数;/>表示取整符号;
确定插值个数,根据个数-方法映射表,选择相应的插值方式进行插值处理。
该实施例中,标准化处理的目的是为了将参数进行标准化,方便进行后续曲线绘制,避免因为参数量纲不同导致绘制异常。
该实施例中,填充曲线是预先设定好的,比如,位置点1是放标准化处理后的参数1,位置点2是放标准化处理后的参数2,以此类推等,得到第一曲线。
该实施例中,比如连续位置点2、3、4都不存在放置的参数,此时,就视为连续缺失段。
该实施例中,检查结果即为确定的曲线所存在缺失点的情况。
该实施例中,单一插值个数指的是所有缺失点需要进行数值补充的个数。
该实施例中,个数-方法映射表是包含不同的插值个数以及与插值个数匹配的插值方法在内的,实现对数据的预处理。
上述技术方案的有益效果是:通过对物理量数据进行绘制变化曲线,确定数据中是否存在异常数据,同时,对数据进行过滤和去重预处理,能够提高数据的准确性,同时,对运行参数数据进行完整性检查,能够可以有效地防止数据丢失和错误,进一步的,对运行参数数据选择性插值处理,可以提高插值精度和稳定性,使插值结果更加接近实际情况。
实施例4:
本发明提供一种应用于电厂供热的实体特征参数化实现方法,在根据预处理后的数据且结合电厂的运行特点之前,还包括:确定电厂的运行特点,具体为:
根据电厂供热要求确定需要监测的指标,基于所述指标获取电厂的运行状态;
基于所述运行状态获取所述电厂的实时状态参数;
根据所述实时状态参数确定电厂的性能指标;
基于所述性能指标确定电厂的运行特点。
该实施例中,电厂供热要求是指电厂在正常运行状态下,根据实际负荷情况,通过调整给锅炉的燃料和空气混合物的供应量,使锅炉的供热能力与负荷需求相适应,比如:给锅炉提供适当的燃料和空气混合物、保持锅炉给水温度在合适的范围内、控制锅炉的烟气排放量。
该实施例中,指标包括:温度、压力、流量、电能。
该实施例中,热力状态、电气状态、机械状态、液压状态、热控状态。
该实施例中,实时状态参数比如是热力状态,那么参数包括蒸汽参数、给水温度、锅炉过热度、汽轮机过热度,比如是电气状态,那么参数包括电压、频率、短路电流、相角,比如是机械状态,那么参数包括转速、差速、振动,比如是液压状态,那么参数包括油压、油流、油温度,比如是热控状态,那么参数包括温度、压力、湿度。
该实施例中,性能是指比如通过分析温度和压力数据,可以了解电厂的冷却和加热效果;通过分析流量和功率数据,可以了解电厂的发电能力和负荷情况。
该实施例中,电厂的运行特点是指电厂的发电能力强弱、负荷能力强弱。
上述技术方案的有益效果是:通过需要监测的指标获取电厂的运行状态,根据运行状态获取电厂是实时状态参数从而确定电厂的性能指标,最终获取到电厂的运行特点,能够及时了解电厂运行过程中的特点,根据不同特点对电厂的设备进行不同调节,提高供热能力。
实施例5:
本发明提供一种应用于电厂供热的实体特征参数化实现方法,根据预处理后的数据且结合电厂的运行特点,建立电厂供热过程中物理量数据与运行参数数据之间的物理模型,包括:
基于所述电厂的运行特点确定锅炉类型和燃料类型;
基于所述锅炉类型和燃料类型确定锅炉参数;
通过回归分析方法获取预处理后的数据和锅炉参数之间的联系;
根据所述预处理后的数据和锅炉参数之间的联系确定电厂的电力传输状态描述参数;
基于所述电力传输状态描述参数建立电厂供热过程中物理量数据与运行参数数据之间的物理模型。
该实施例中,锅炉类型分为:电站锅炉、 工业锅炉、空调锅炉。
该实施例中,燃料类型包括:煤、石油、天然气、可再生能源。
该实施例中,锅炉参数包括:传热系数、比热、密度、温度。
该实施例中,回归分析是一种常用的统计分析方法,用于分析两个或多个自变量与一个因变量之间的关系。
该实施例中,电力传输状态描述参数是指用于描述电力系统运行状态的各个参数,包括:电压、电流、功率、温度。
该实施例中,物理量数据与运行参数数据之间的物理模型是指在电力系统运行中,用来描述各种物理量(如电压、电流、功率等)的数据采集模型,比如:在分析发电机输出的功率因数时,可以建立功率因数与有功出力之间的关系物理模型;而在分析输电线路中的电流时,可以建立电流与电压之间的关系物理模型。
上述技术方案的有益效果是:通过锅炉类型和燃料类型确定锅炉参数,通过回归分析方法获取预处理后的数据和锅炉参数之间的联系,从而确定电厂的电力传输状态描述参数,建立物理模型,能够帮助我们理解电力系统中的物理过程,并分析运行状态和问题,提高电厂供热效率。
实施例6:
本发明提供一种应用于电厂供热的实体特征参数化实现方法,采用所述物理模型将电厂的实体特征参数化处理,建立参数化模型,包括:
获取电厂的运行情况和历史数据分析,确定关键的实体特征参数;
获取所述实体特征参数的参数属性并进行分类;
基于分类结果采用所述物理模型对电厂的实体特征进行参数化处理,建立参数化模型。
该实施例中,电厂的运行情况可以包括:发电效率下降、稳定器过流、电压过高或过低。
该实施例中,实体特征参数包括:电厂的容量、负载、温度、湿度、风速。
该实施例中,参数属性指在数据存储或处理过程中,用于描述或标识数据对象各种属性的值,这些属性值可以包括文本、数字、布尔值、日期、时间。
该实施例中,参数化模型是一种机器学习算法,它使用参数来描述和优化模型。
上述技术方案的有益效果是:通过电厂的运行情况和历史数据分析,确定关键的实体特征参数,并按照参数属性进行分类,根据分类结果对实体特征参数进行参数化处理,建立参数化模型,能够保证模型中的参数安全的进行共享,且能够根据实时情况对模型中的参数进行快速调整或修改,保证数据的实时性。
实施例7:
本发明提供一种应用于电厂供热的实体特征参数化实现方法,通过参数化模型,对电厂供热过程进行仿真,获取电厂在不同运行条件下的热量传输和热损失情况,并对电厂供热过程进行优化,包括:
通过参数化模型,对电厂供热过程进行仿真;
基于仿真结果确定电厂中各个环节在不同条件下基于给水量、给水温度以及给水压力下的多个参数;
基于所述多个参数确定电厂中各个环节的传热关系;
基于所述传热关系确定传热情况,并获取热量传输和热损失情况;
基于所述热量传输和热损失情况对电厂供热过程进行优化。
该实施例中,参数化模型是一种机器学习算法,它使用参数来描述和优化模型。
该实施例中,仿真是指使用计算机系统或软件工具模拟电厂供热过程,以验证或研究电厂供热过程功能、性能、行为或性能。
该实施例中,不同运行条件下是指比如温度不同、压力不同、运行速度不同。
该实施例中,多个参数是指比如传热速度、供热温度。
该实施例中,传热关系是指在传热过程中,热量从高温部位向低温部位传递的速度与途径。
该实施例中,传热关系是指物体内部不同位置的温度分布情况,根据温度分布情况确定传热情况是良好还是较差。
该实施例中,对电厂供热过程进行仿真后,并将仿真结果进行可视化展示,包括:
确定任一帧彩色图像的中心像素点,获取该帧彩色图像中除中心像素点外的任一像素点的像素值;
根据该帧彩色图像中任一像素点的像素值计算出该像素点与中心像素点之间的像素分析值:
;
其中,表示为第i个像素与中心像素点之间的像素分析值,/>表示为调节常数,exp表示为以e为底的指数函数,/>表示为第i个像素点的像素值,/>表示为处理后的灰度图像的像素均值,/>表示为经验参数;/>表示中心像素点的像素值;/>表示为基于处理后的灰度图像上的第i个像素点与中心像素点的直线连接上的所有点的像素均值;/>表示正负调节系数;
将所述像素分析值大于等于预设阈值的像素值确定为可视化展示清晰的像素;
将所有可视化展示清晰的像素点进行整合生成展示图像进行展示。
上述技术方案的有益效果是:通过对供热过程进行仿真,根据仿真结果确定不同条件下的多个供热参数,根据供热参数确定电厂的传热关系和传热情况,并获取热量传输和热损失情况,能够有效地降低能耗,减少能源浪费,提高热传输效率。
实施例8:
本发明提供一种应用于电厂供热的实体特征参数化实现方法,基于所述热量传输和热损失情况对电厂供热过程进行优化,包括:
获取电厂锅炉的历史燃烧数据;
采用模糊聚类数据分析方法对历史燃烧数据进行分析以确定锅炉在不同负荷和运行条件下的燃料消耗特性;
根据锅炉在不同负荷和运行条件下的燃料消耗特性构建锅炉的特性模型;
根据锅炉的特性模型进行第一优化,其中,第一优化为对锅炉燃料和锅炉构造的优化;
根据电厂的各个环节部署确定电厂的供热管道节点分布情况;
根据电厂的供热管道节点分布情况计算供热管道各节点处分支管道的工质传输时间延迟;
将传输时间延迟在预设阈值之上并且处于同一节点处的分支管道合并为一根管道;
获取合并后各管道的管道参数;
根据管道参数构建电厂的供热管道网络模型;
根据电厂的供热管道网络模型模拟出电厂的管道供热流动特性;
应用统计回归方法对电厂的管道供热流动特性进行求解得到特性系数,对供热管道进行第二优化,其中,第二优化为对供热管道的流量和结构的优化。
该实施例中,历史燃烧数据包括:锅炉的额定功率、锅炉的热效率、锅炉的运行时间、锅炉的燃料消耗量。
该实施例中,模糊聚类是一种基于模糊集合理论的分类方法,可以处理不确定性和模糊的数据。
该实施例中,不同负荷是指在电力系统中,由于负荷的种类和性质不同,导致在相同的电力负荷下,其对电力系统的影响也是不同的,包括:居民负荷、商业负荷、工业负荷、交通负荷。
该实施例中,燃料消耗特性是指燃料在其使用过程中,消耗量与使用量之间的关系特征,包括:
非线性特性:燃料消耗量和使用量之间的关系不是线性的,即存在一定的非线性范围,比如,燃料消耗量增加时,其消耗量增加的幅度可能比使用量增加的幅度要大得多。
递减性:当燃料消耗量增加时,其消耗量会逐渐减少,在使用过程中,燃料的消耗量达到一定程度后,其消耗量不会再显著增加。
该实施例中,锅炉的特性模型是指对锅炉的热力学特性、动力学特性、燃烧特性、腐蚀和磨损特性等各个方面的数学模型进行描述。
该实施例中,电厂的各个环节部署包括:热电联产系统的部署、发电系统的部署、输电系统的部署、配电系统的部署。
该实施例中,电厂的供热管道节点分布情况包括:管道节点的具体位置、数量以及管道连接方式。
该实施例中,首先,收集电厂供热管道节点的详细数据,包括管道直径、管道长度、管道材料等信息,以及各个节点之间的距离和热媒流速,基于收集到的数据,建立一个三维模型来描述电厂供热管道的结构和流场,这个模型可以包括管道、支管和空间流场,使用这个模型来分析供热管道节点的工质传输时间延迟。
该实施例中,工质传输时间延迟是指在供热管道中,由于管道的摩擦、阻力、热阻等因素,导致热媒在管道内传输时所需要的时间。
该实施例中,预设阈值是指5秒。
该实施例中,管道参数包括:管道截面积、管道形状、管道材料、管道内流速。
该实施例中,供热管道网络模型是用于描述供热管道系统的各个部分、设备和元件之间连接关系的模型。
该实施例中,管道供热流动特性是指管道内流体在管道内运动时所表现出的规律特征,包括流速、压力、流量分布、管道振动。
该实施例中,特性系数是用于描述管道内流体的流速、压力和流量等参数之间的关系系数,比如:流速越大,流动特性系数越小;流速越小,流动特性系数越大;钢管的流动特性系数要比铜管高;管道内流速分布比较均匀,那么流动特性系数就会比较小;如果管道内流速分布比较不均匀,那么流动特性系数就会比较大。
上述技术方案的有益效果是:通过模糊聚类数据分析方法对历史燃烧数据进行分析,确定锅炉在不同负荷和运行条件下的燃料消耗特性,构建锅炉的特性模型,能够帮助我们分析和预测锅炉的工作状态、性能指标和故障情况,从而为锅炉的运行和管理提供科学依据,进一步的,根据电厂的各个环节部署确定电厂的供热管道节点分布情况,将传输时间延迟在预设阈值之上并处于同一节点的合并成同一根管道并获取管道参数,构建电厂的供热管道网络模型,模拟出电厂的管道供热流动特性,能够对管道进行优化,提高电厂的供热能力。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种应用于电厂供热的实体特征参数化实现方法,其特征在于,该方法包括:
步骤1:通过传感器和监测设备收集电厂的物理量数据以及运行参数数据;
步骤2:对所述物理量数据和运行参数数据进行预处理;
步骤3:根据预处理后的数据且结合电厂的运行特点,建立电厂供热过程中物理量数据与运行参数数据之间的物理模型;
步骤4:采用所述物理模型将电厂的实体特征参数化处理,建立参数化模型;
步骤5:通过参数化模型,对电厂供热过程进行仿真,获取电厂在不同运行条件下的热量传输和热损失情况,并对电厂供热过程进行优化;
其中,步骤5,包括:
通过参数化模型,对电厂供热过程进行仿真;
基于仿真结果确定电厂中各个环节在不同条件下基于给水量、给水温度以及给水压力下的多个参数;
基于所述多个参数确定电厂中各个环节的传热关系;
基于所述传热关系确定传热情况,并获取热量传输和热损失情况;
基于所述热量传输和热损失情况对电厂供热过程进行优化;
其中,基于所述热量传输和热损失情况对电厂供热过程进行优化,包括:
获取电厂锅炉的历史燃烧数据;
采用模糊聚类数据分析方法对历史燃烧数据进行分析以确定锅炉在不同负荷和运行条件下的燃料消耗特性;
根据锅炉在不同负荷和运行条件下的燃料消耗特性构建锅炉的特性模型;
根据锅炉的特性模型进行第一优化,其中,第一优化为对锅炉燃料和锅炉构造的优化;
根据电厂的各个环节部署确定电厂的供热管道节点分布情况;
根据电厂的供热管道节点分布情况计算供热管道各节点处分支管道的工质传输时间延迟;
将传输时间延迟在预设阈值之上并且处于同一节点处的分支管道合并为一根管道;
获取合并后各管道的管道参数;
根据管道参数构建电厂的供热管道网络模型;
根据电厂的供热管道网络模型模拟出电厂的管道供热流动特性;
应用统计回归方法对电厂的管道供热流动特性进行求解得到特性系数,对供热管道进行第二优化,其中,第二优化为对供热管道的流量和结构的优化。
2.根据权利要求1所述的应用于电厂供热的实体特征参数化实现方法,其特征在于,通过传感器和监测设备收集电厂的物理量数据以及运行参数数据,包括:
获取电厂的多个关键区域以及每个关键区域的属性;
基于所述每个关键区域的属性确定该关键区域的传感器类型;
获取每个关键区域对应类型的传感器的监测范围和监测精度,根据每个关键区域对应类型的传感器的监测范围和监测精度确定该关键区域的传感器设置数量;
基于每个关键区域的传感器设置数量在该关键区域设置对应数量个传感器用以采集电厂的物理量数据;
同时,利用监测设备采集电厂的运行参数数据。
3.根据权利要求1所述的应用于电厂供热的实体特征参数化实现方法,其特征在于,对所述物理量数据和运行参数数据进行预处理,包括:
根据物理量数据绘制变化曲线,确定变化曲线中是否存在异常峰值或者异常谷值,若是,确认物理量数据中存在异常数据;
对物理量数据进行过滤和去重预处理;
同时,对运行参数数据进行完整性检查,获取检查结果;
根据检查结果对运行参数数据选择性插值处理。
4.根据权利要求1所述的应用于电厂供热的实体特征参数化实现方法,其特征在于,在根据预处理后的数据且结合电厂的运行特点之前,还包括:确定电厂的运行特点,具体为:
根据电厂供热要求确定需要监测的指标,基于所述指标获取电厂的运行状态;
基于所述运行状态获取所述电厂的实时状态参数;
根据所述实时状态参数确定电厂的性能指标;
基于所述性能指标确定电厂的运行特点。
5.根据权利要求1所述的应用于电厂供热的实体特征参数化实现方法,其特征在于,根据预处理后的数据且结合电厂的运行特点,建立电厂供热过程中物理量数据与运行参数数据之间的物理模型,包括:
基于所述电厂的运行特点确定锅炉类型和燃料类型;
基于所述锅炉类型和燃料类型确定锅炉参数;
通过回归分析方法获取预处理后的数据和锅炉参数之间的联系;
根据所述预处理后的数据和锅炉参数之间的联系确定电厂的电力传输状态描述参数;
基于所述电力传输状态描述参数建立电厂供热过程中物理量数据与运行参数数据之间的物理模型。
6.根据权利要求1所述的应用于电厂供热的实体特征参数化实现方法,其特征在于,采用所述物理模型将电厂的实体特征参数化处理,建立参数化模型,包括:
获取电厂的运行情况和历史数据分析,确定关键的实体特征参数;
获取所述实体特征参数的参数属性并进行分类;
基于分类结果采用所述物理模型对电厂的实体特征进行参数化处理,建立参数化模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311725111.4A CN117436153B (zh) | 2023-12-15 | 2023-12-15 | 一种应用于电厂供热的实体特征参数化实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311725111.4A CN117436153B (zh) | 2023-12-15 | 2023-12-15 | 一种应用于电厂供热的实体特征参数化实现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117436153A CN117436153A (zh) | 2024-01-23 |
CN117436153B true CN117436153B (zh) | 2024-03-08 |
Family
ID=89551786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311725111.4A Active CN117436153B (zh) | 2023-12-15 | 2023-12-15 | 一种应用于电厂供热的实体特征参数化实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117436153B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649579A (zh) * | 2016-11-17 | 2017-05-10 | 苏州航天系统工程有限公司 | 一种用于管网建模的时序数据清洗方法 |
EP3660276A1 (fr) * | 2018-11-30 | 2020-06-03 | Airbus Helicopters | Procédé et système pour arrêter une turbine à gaz et véhicule |
CN112200433A (zh) * | 2020-09-25 | 2021-01-08 | 华电福新广州能源有限公司 | 一种发电厂热力性能分析与优化系统 |
CN113515830A (zh) * | 2021-06-06 | 2021-10-19 | 三峡大学 | 基于供热管道网络拓扑变换的供热网络模型优化方法 |
CN114191953A (zh) * | 2021-12-07 | 2022-03-18 | 国网河北能源技术服务有限公司 | 一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法 |
CN115329462A (zh) * | 2022-08-28 | 2022-11-11 | 华域动力总成部件系统(上海)有限公司 | 液力变矩器设计分析优化一体化系统 |
CN116822099A (zh) * | 2023-08-30 | 2023-09-29 | 张家港Aaa精密制造股份有限公司 | 一种提高轴承加工精度的方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9798336B2 (en) * | 2015-04-23 | 2017-10-24 | Johnson Controls Technology Company | Building management system with linked thermodynamic models for HVAC equipment |
-
2023
- 2023-12-15 CN CN202311725111.4A patent/CN117436153B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649579A (zh) * | 2016-11-17 | 2017-05-10 | 苏州航天系统工程有限公司 | 一种用于管网建模的时序数据清洗方法 |
EP3660276A1 (fr) * | 2018-11-30 | 2020-06-03 | Airbus Helicopters | Procédé et système pour arrêter une turbine à gaz et véhicule |
CN112200433A (zh) * | 2020-09-25 | 2021-01-08 | 华电福新广州能源有限公司 | 一种发电厂热力性能分析与优化系统 |
CN113515830A (zh) * | 2021-06-06 | 2021-10-19 | 三峡大学 | 基于供热管道网络拓扑变换的供热网络模型优化方法 |
CN114191953A (zh) * | 2021-12-07 | 2022-03-18 | 国网河北能源技术服务有限公司 | 一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法 |
CN115329462A (zh) * | 2022-08-28 | 2022-11-11 | 华域动力总成部件系统(上海)有限公司 | 液力变矩器设计分析优化一体化系统 |
CN116822099A (zh) * | 2023-08-30 | 2023-09-29 | 张家港Aaa精密制造股份有限公司 | 一种提高轴承加工精度的方法及系统 |
Non-Patent Citations (2)
Title |
---|
New model for onsite heat loss state estimation of general district heating network with hourly measurements;Hai Wang等;《Energy Conversion and Management》;20180201;第157卷;第71-85 * |
基于水力-热力耦合模型的供热管网优化调度研究;李鸿等;《天津大学学报》;20230131;第56卷(第1期);第27-36页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117436153A (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mohamed et al. | Optimal blade shape of a modified Savonius turbine using an obstacle shielding the returning blade | |
WO2019200662A1 (zh) | 电-热-气综合能源系统的稳定评估与静态控制方法 | |
WO2021062748A1 (zh) | 综合能源系统的优化方法、装置和计算机可读存储介质 | |
CN113011010A (zh) | 基于结构机理和运行数据的锅炉故障诊断方法及诊断系统 | |
WO2021062753A1 (zh) | 综合能源系统的仿真方法、装置和计算机可读存储介质 | |
Xu et al. | Data based online operational performance optimization with varying work conditions for steam-turbine system | |
Weber et al. | Machine learning based system identification tool for data-based energy and resource modeling and simulation | |
CN112431726A (zh) | 一种风电机组齿轮箱轴承状态监测方法 | |
Kalina et al. | Simulation based performance evaluation of biomass fired cogeneration plant with ORC | |
Vazquez et al. | Robust methodology for steady state measurements estimation based framework for a reliable long term thermal power plant operation performance monitoring | |
CN114429003A (zh) | 锅炉四管寿命预测方法的系统 | |
Wang et al. | An adaptive condition monitoring method of wind turbines based on multivariate state estimation technique and continual learning | |
CN109858125B (zh) | 一种基于径向基神经网络的火电机组供电煤耗计算方法 | |
JP2016537729A (ja) | プラントにおける生成プロセスおよび/またはプロセスエンジニアリングプロセスおよび/またはプロセスステップを分析するための方法、システム、およびコンピュータプログラム製品 | |
CN117436153B (zh) | 一种应用于电厂供热的实体特征参数化实现方法 | |
CN100363926C (zh) | 一种火电厂管道热效率的在线分析监测系统 | |
Sun et al. | Research on the fouling prediction of heat exchanger based on support vector machine | |
CN118466413A (zh) | 基于模糊逻辑的电厂无人值守设备控制方法及装置 | |
Tian et al. | Causal network construction based on convergent cross mapping (CCM) for alarm system root cause tracing of nonlinear industrial process | |
Malinowski et al. | Neural model for forecasting temperature in a distribution network of cooling water supplied to systems producing petroleum products | |
CN112734158B (zh) | 发电机组的热电负荷分配方法、装置及电子设备 | |
Ram et al. | Gas turbine power plant performance evaluation under key failures | |
CN112328590B (zh) | 一种热力设备运行数据深度清洗方法 | |
Al Koussa et al. | Fault detection in district heating substations: A cluster-based and an instance-based approach | |
Sun et al. | Partial Fault Detection of Cooling Tower in Building HVAC System |
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 |