一种基于低压缸零功率的机组运行管理方法及系统

技术领域

本公开涉及机组运行管理技术领域，具体涉及一种基于低压缸零功率的机组运行管理方法及系统。

背景技术

随着供热需求增大，造成电网发电负荷严重高于电网需求，能耗也越来越多。目前，现有的供热机组由于存在低压缸最小蒸汽流量的制约，使机组发电功率较大，现需要对电网进行运行优化及节能技改等手段降低机组能耗水平。

综上所述，现有技术中存在由于供热机组运行监测结果准确性较低使得机组发电功率较大的问题。

发明内容

本公开提供了一种基于低压缸零功率的机组运行管理方法及系统，用以解决现有技术中存在由于供热机组运行监测结果准确性较低使得机组发电功率较大的技术问题。

根据本公开的第一方面，提供了一种基于低压缸零功率的机组运行管理方法，包括：获取目标机组的测点分布信息，其中，所述测点分布信息包括测点分布位置和测点分布数量；根据所述测点分布数量和测点分布位置对测点进行数据提取，获得N个测点监测数据集；对N个测点监测数据集按照第一提取频率和第二提取频率进行数据提取，获得N个第一提取数据集合和N个第二提取数据集合；将N个第一提取数据集合和N个第二提取数据集合输入数据监测分析模型中进行监测分析，获得初始监测结果；对所述初始监测结果进行运行节点分析，确定运行监测结果；将所述运行监测结果输入运行管理模型中，获得运行管理方案，根据所述运行管理方案对所述目标机组进行运行管理。

根据本公开的第二方面，提供了一种基于低压缸零功率的机组运行管理系统，包括：测点分布信息获得模块，所述测点分布信息获得模块用于获取目标机组的测点分布信息，其中，所述测点分布信息包括测点分布位置和测点分布数量；测点监测数据集获得模块，所述测点监测数据集获得模块用于根据所述测点分布数量和测点分布位置对测点进行数据提取，获得N个测点监测数据集；提取数据集合获得模块，所述提取数据集合获得模块用于对N个测点监测数据集按照第一提取频率和第二提取频率进行数据提取，获得N个第一提取数据集合和N个第二提取数据集合；初始监测结果获得模块，所述初始监测结果获得模块用于将N个第一提取数据集合和N个第二提取数据集合输入数据监测分析模型中进行监测分析，获得初始监测结果；运行监测结果获得模块，所述运行监测结果获得模块用于对所述初始监测结果进行运行节点分析，确定运行监测结果；运行管理方案获得模块，所述运行管理方案获得模块用于将所述运行监测结果输入运行管理模型中，获得运行管理方案，根据所述运行管理方案对所述目标机组进行运行管理。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：根据本公开采用的通过获取目标机组的测点分布信息，其中，所述测点分布信息包括测点分布位置和测点分布数量；根据所述测点分布数量和测点分布位置对测点进行数据提取，获得N个测点监测数据集；对N个测点监测数据集按照第一提取频率和第二提取频率进行数据提取，获得N个第一提取数据集合和N个第二提取数据集合；将N个第一提取数据集合和N个第二提取数据集合输入数据监测分析模型中进行监测分析，获得初始监测结果；对所述初始监测结果进行运行节点分析，确定运行监测结果；将所述运行监测结果输入运行管理模型中，获得运行管理方案，根据所述运行管理方案对所述目标机组进行运行管理，可以提高供热机组运行监测结果准确性。达到降低机组运行功率的技术效果。

应当理解，本部分所描述的内容并非旨在标示本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其他特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本公开或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本公开实施例提供的一种基于低压缸零功率的机组运行管理方法的流程示意图；

图2为本公开实施例一种基于低压缸零功率的机组运行管理方法中对N个测点监测数据集按照第一提取频率和第二提取频率进行数据提取的流程示意图；

图3为本公开实施例一种基于低压缸零功率的机组运行管理方法中获得初始监测结果的流程示意图；

图4为本公开实施例提供的一种基于低压缸零功率的机组运行管理系统的结构示意图。

附图标记说明：测点分布信息获得模块11，测点监测数据集获得模块12，提取数据集合获得模块13，初始监测结果获得模块14，运行监测结果获得模块15，运行管理方案获得模块16。

具体实施方式

以下结合附图对本公开的示范性实施例作出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

为了解决现有技术中存在由于供热机组运行监测结果准确性较低使得机组发电功率较大的技术问题，本公开的发明人经过创造性的劳动，得到了本公开的一种基于低压缸零功率的机组运行管理方法及系统：

实施例一

图1为本申请实施例提供的一种基于低压缸零功率的机组运行管理方法，所述方法包括：

步骤S100：获取目标机组的测点分布信息，其中，所述测点分布信息包括测点分布位置和测点分布数量；

具体地，目标机组为待进行调峰的供热机组。其中，获得目标机组的测点分布信息。进一步地，测点为目标机组的监视测点。其中，监视测点为对低压缸进行温度、蒸汽压力和蒸汽流量监视等的监视测点。进一步地，测点分布信息包括测点分布位置和测点分布数量。举例而言，获取8个低压缸末级、次末级正反向左右动叶出口温度测点；获取1个低压缸冷却蒸汽流量测点。

步骤S200：根据所述测点分布数量和测点分布位置对测点进行数据提取，获得N个测点监测数据集；

具体地，根据测点分布数量和测点分布位置，对所有测点的测点数据进行提取，获得所有测点的测点监测数据集。其中，将所有测点的测点监测数据集数量标识为N个，N为大于1的整数。进一步地，每个测点监测数据集包括多个测点监测数据。举例而言，获取低压缸末级右动叶出口温度测点温度为36℃。

步骤S300：对N个测点监测数据集按照第一提取频率和第二提取频率进行数据提取，获得N个第一提取数据集合和N个第二提取数据集合；

具体地，对N个测点监测数据集按照运行异常类型获得异常监测数据，根据异常监测数据获得监测数据提取时间间隔，根据监测数据提取时间间隔获得第一提取频率和第二提取频率。其中，第一提取频率为最小提取时间间隔所确定获得，第二提取频率为最大提取时间间隔所确定获得。进一步地，通过第一提取频率和第二提取频率提高获得数据的准确性和全面性。进一步地，根据第一提取频率获得N个第一提取数据集合，根据第二提取频率获得N个第二提取数据集合。

步骤S400：将N个第一提取数据集合和N个第二提取数据集合输入数据监测分析模型中进行监测分析，获得初始监测结果；

具体地，构建数据监测分析模型。将N个第一提取数据集合和N个第二提取数据集合作为训练数据输入数据监测分析模型中进行监测分析，对训练数据进行监督训练，直至训练至收敛，获得训练前初始监测结果。基于前馈神经网络对第一提取数据集合、第二提取数据集合和训练前初始监测结果进行监督训练，直至训练至收敛，获得初始监测结果。

步骤S500：对所述初始监测结果进行运行节点分析，确定运行监测结果；

具体地，获取目标机组的多个运行节点，并获取多个运行节点的时间。其中，根据多个运行节点获得每个运行节点的初始监测结果。进一步地，对初始监测结果进行运行节点分析，其中，对多个初始监测结果按照运行节点的时间进行序列化处理，获得运行节点的序列化处理结果。进一步地，对序列化处理结果中每个运行节点依次进行异常监测，获得运行监测结果。

步骤S600：将所述运行监测结果输入运行管理模型中，获得运行管理方案，根据所述运行管理方案对所述目标机组进行运行管理。

具体地，构建运行管理模型，其中，运行管理模型包括输入层、隐藏层、输出层。进一步地，将运行监测结果输入运行管理模型中，通过隐藏层获得运行管理方案，通过输出层输出运行管理方案。进一步地，对目标机组进行运行管理。其中，根据运行管理方案，将运行监测结果中的异常进行反馈优化，进而对目标机组进行运行管理。

其中，通过本实施例可以提高供热机组运行监测结果准确性。达到降低机组运行功率的效果。

如图2所示，本申请实施例提供的方法中的步骤S300包括：

S310：获取多个历史测点监测数据集；

S320：以机组运行异常类型为索引，对所述多个历史测点监测数据集进行聚类分析，获得多个异常历史测点监测数据集合，其中，每个异常历史测点监测数据集合中的每个异常历史监测数据集对应一个机组运行异常类型；

S330：根据所述多个异常历史测点监测数据集合，确定第一提取频率和第二提取频率。

具体地，获取多个历史测点监测数据集。其中，多个历史测点监测数据集为目标机组的历史测点监测数据集。进一步地，根据目标机组的测点分布数量和测点分布位置对测点进行历史数据提取，获得多个历史测点监测数据集。

进一步地，以目标机组的运行异常类型为索引条件，对多个历史测点监测数据集按照不同运行异常类型进行聚类分析，获得多个异常历史测点监测数据集合。其中，每个异常历史测点监测数据集合中的每个异常历史检测数据集对应一个机组运行异常类型。

进一步地，根据多个异常历史测点监测数据集合，确定提取时间频率。其中，提取时间频率包括第一提取频率和第二提取频率。进一步地，第一提取频率为最小提取时间间隔。在第一提取频率下，单位时间内提取的总数据量多，进而容易提取获得出现频率较高的异常数据。第二提取频率范围为最大提取时间间隔。在第二提取频率下，单位时间内提取的总数据量少，进而容易对不经常出现的异常数据进行提取分析，从而保证提取数据的准确性。

其中，获得第一提取频率和第二提取频率，可以提高获得数据的准确性和全面性。

本申请实施例提供的方法中的步骤S330包括：

S331：从所述多个异常历史测点监测数据集合中随机选取一个异常历史测点监测数据集合作为第一异常历史测点监测数据集合；

S332：确定第一异常历史测点监测数据集合中每个第一异常历史测点监测数据集中机组运行异常类型出现的最小时间间隔，将其作为第一历史最小时间间隔；

S333：确定第一异常历史测点监测数据集合中每个第一异常历史测点监测数据集中机组运行异常类型出现的最大时间间隔，将其作为第一历史最大时间间隔；

S334：根据多个异常历史测点监测数据集合获得多个历史最小时间间隔和多个历史最大时间间隔；

S335：根据多个历史最小时间间隔和多个历史最大时间间隔确定第一提取频率和第二提取频率。

具体地，从多个异常历史测点监测数据集合中随机选取一个异常历史测点监测数据集合作为第一异常历史测点监测数据集合。进一步地，第一异常历史测点监测数据集合中包括多个第一异常历史测点监测数据集，其中，每个第一异常历史测点监测数据集中机组运行异常类型出现的最小时间间隔，将其作为第一历史最小时间间隔。

进一步地，确定每个第一异常历史测点监测数据集中机组运行异常类型出现的最大时间间隔，将其作为第一历史最大时间间隔。其中，第一历史最大时间间隔的数值大于第一历史最小时间间隔的数值。举例而言，第一历史最小时间间隔为6小时，第一历史最大时间间隔为9小时。

进一步地，遍历多个异常历史测点监测数据集合作为第一异常历史测点监测数据集合。其中，根据第一异常历史测点监测数据集合获得多个第一异常历史测点监测数据集中第一历史最小时间间隔和第一历史最大时间间隔。进一步地，根据多个异常历史测点监测数据集合获得多个历史最小时间间隔和多个历史最大时间间隔。

进一步地，根据多个历史最小时间间隔确定第一提取频率，通过多个历史最大时间间隔确定第二提取频率。举例而言，第一提取频率为每6小时1次，第二提取频率为每9小时1次。

其中，根据多个异常历史测点监测数据集合，确定第一提取频率和第二提取频率，使提取数据具有可信度和准确性。

本申请实施例提供的方法中的步骤S335包括：

S3351：将所述多个历史最小时间间隔中的历史最小时间间隔的最小值，作为第一提取频率；

S3352：将所述多个历史最大时间间隔中的历史最大时间间隔的最大值，作为第二提取频率。

具体地，提取多个历史最小时间间隔，将多个历史最小时间间隔的数值大小进行序列化处理，其中，对多个历史最小时间间隔的数值按升序进行处理，获得升序的多个历史最小时间间隔的数值。进一步地，提取升序的多个历史最小时间间隔的数值的排序第一的数值，作为第一提取频率。

进一步地，提取多个历史最大时间间隔，将多个历史最大时间间隔的数值大小进行序列化处理，其中，对多个历史最大时间间隔的数值按降序进行处理，获得降序的多个历史最大时间间隔的数值。进一步地，提取降序的多个历史最大时间间隔的数值的排序第一的数值，作为第二提取频率。

其中，根据多个历史最小时间间隔和多个历史最大时间间隔筛选确定第一提取频率和第二提取频率，使提取数据具有精确性和可信度。

如图3所示，本申请实施例提供的方法中的步骤S400包括：

S410：构建所述数据监测分析模型，所述数据监测分析模型具有第一分析分支、第二分析分支和监测分析层；

S420：获取多个样本测点监测数据集、多个样本第一提取频率和多个样本第一提取数据集合作为训练数据，对基于BP神经网络构建的框架进行监督训练，直至训练至收敛，获得所述第一分析分支；

S430：获取多个样本测点监测数据集、多个样本第二提取频率和多个样本第二提取数据集合作为训练数据，对基于BP神经网络构建的框架进行监督训练，直至训练至收敛，获得所述第二分析分支；

S440：获取多个样本第一提取数据集合、多个样本第二提取数据集合和多个样本初始监测结果作为训练数据，对基于前馈神经网络构建的框架进行监督训练，直至训练至收敛，获得所述监测分析层。

具体地，构建数据监测分析模型，其中，数据监测分析模型包括输入层、监测分析层、输出层。其中，输入层包括第一分析分支和第二分析分支。

进一步地，获取多个样本测点监测数据集、多个样本第一提取频率和多个样本第一提取数据集合作为训练数据。其中，获取多个历史测点监测数据集。将多个历史测点监测数据集作为多个样本测点监测数据集。进一步地，根据多个历史测点监测数据集获得多个异常历史测点监测数据集合，通过多个异常历史测点监测数据集合确定多个样本第一提取频率和多个样本第二提取频率。进一步地，根据多个样本第一提取频率获得多个样本第一提取数据集合，根据多个样本第二提取频率获得多个样本第二提取数据集合。

进一步地，获取多个样本测点监测数据集、多个样本第一提取频率和多个样本第一提取数据集合作为训练数据，基于BP神经网络对训练数据进行监督训练，直至训练至收敛，获得第一分析分支。相应的，获取多个样本测点监测数据集、多个样本第二提取频率和多个样本第二提取数据集合作为训练数据，对训练数据进行监督训练，直至训练至收敛，获得第二分析分支。

进一步地，将初始监测结果作为样本初始监测结果。其中，获取多个样本第一提取数据集合、多个样本第二提取数据集合和多个样本初始监测结果作为训练数据，对基于前馈神经网络构建的框架进行监督训练，直至训练至收敛，获得监测分析层。即基于前馈神经网络训练多个样本第一提取数据集合、多个样本第二提取数据集合和多个样本初始监测结果，获得监测分析层的输入数据和输出数据。

其中，获取多个样本第一提取数据集合、多个样本第二提取数据集合和多个样本初始监测结果作为训练数据，对基于前馈神经网络构建的框架进行监督训练，直至训练至收敛，获得所述监测分析层，可以提高数据准确性。

本申请实施例提供的方法中的步骤S500包括：

S510：根据所述运行节点的先后顺序对所述初始监测结果进行序列化排序，获得初始监测结果序列；

S520：判断初始监测结果序列中是否存在前面节点异常而后面节点正常的现象，若是，则对所述初始监测结果进行反馈优化，获得所述运行监测结果；

S530：若否，则将所述初始监测结果设定为所述运行监测结果。

具体地，获取目标机组的多个运行节点，并获取多个运行节点的时间。根据多个运行节点获得每个运行节点的初始监测结果。其中，根据运行节点的时间先后顺序对初始监测结果进行序列化排序，获得初始监测结果序列。进一步地，判断初始监测结果序列中是否存在前面节点异常而后面节点正常的现象，若是，则对初始监测结果进行反馈优化，获得运行监测结果。若否，则将初始监测结果设定为运行监测结果。其中，目标机组的多个运行节点运行具有连贯性，按照时间顺序，若前面的运行节点出现异常，如温度过高，输出的水蒸气温度也将较高，因此后面运行节点也将出现异常。如若前面的运行节点异常，后面的运行节点没有异常时，表明后面的运行节点中的异常情况被漏掉，则需要重新进行反馈优化。

其中，对所述初始监测结果进行运行节点分析，确定运行监测结果，可以提高监测结果中数据的精确度。

本申请实施例提供的方法中的步骤S520还包括：

S521：提取所述初始监测结果序列中异常数量，获得异常节点值；

S522：根据所述异常节点值对所述数据监测分析模型进行网络参数调整，直至初始监测结果序列中不存在前面节点异常而后面节点正常的现象。

具体地，提取初始监测结果序列中异常数量，获得初始监测结果序列中异常数量的对应的异常节点值。其中，异常节点值包括运行异常。举例而言，运行节点的温度过高。进一步地，根据异常节点值对数据监测分析模型进行网络参数调整，直至初始监测结果序列中不存在前面节点异常而后面节点正常的现象。

其中，对所述初始监测结果进行反馈优化，获得所述运行监测结果，可以提高监测结果的准确性。

实施例二

基于与前述实施例中一种基于低压缸零功率的机组运行管理方法同样的发明构思，如图4所示，本申请还提供了一种基于低压缸零功率的机组运行管理系统，所述系统包括：

测点分布信息获得模块，所述测点分布信息获得模块用于获取目标机组的测点分布信息，其中，所述测点分布信息包括测点分布位置和测点分布数量；

测点监测数据集获得模块，所述测点监测数据集获得模块用于根据所述测点分布数量和测点分布位置对测点进行数据提取，获得N个测点监测数据集；

提取数据集合获得模块，所述提取数据集合获得模块用于对N个测点监测数据集按照第一提取频率和第二提取频率进行数据提取，获得N个第一提取数据集合和N个第二提取数据集合；

初始监测结果获得模块，所述初始监测结果获得模块用于将N个第一提取数据集合和N个第二提取数据集合输入数据监测分析模型中进行监测分析，获得初始监测结果；

运行监测结果获得模块，所述运行监测结果获得模块用于对所述初始监测结果进行运行节点分析，确定运行监测结果；

运行管理方案获得模块，所述运行管理方案获得模块用于将所述运行监测结果输入运行管理模型中，获得运行管理方案，根据所述运行管理方案对所述目标机组进行运行管理。

进一步地，所述系统还包括：

历史测点监测数据集获得模块，所述历史测点监测数据集获得模块用于获取多个历史测点监测数据集；

异常历史测点监测数据集合获得模块，所述异常历史测点监测数据集合获得模块用于以机组运行异常类型为索引，对所述多个历史测点监测数据集进行聚类分析，获得多个异常历史测点监测数据集合，其中，每个异常历史测点监测数据集合中的每个异常历史监测数据集对应一个机组运行异常类型；

提取频率获得模块，所述提取频率获得模块用于根据所述多个异常历史测点监测数据集合，确定第一提取频率和第二提取频率。

进一步地，所述系统还包括：

异常历史测点监测数据集合获得模块，所述异常历史测点监测数据集合获得模块用于从所述多个异常历史测点监测数据集合中随机选取一个异常历史测点监测数据集合作为第一异常历史测点监测数据集合；

第一历史最小时间间隔获得模块，所述第一历史最小时间间隔获得模块用于确定第一异常历史测点监测数据集合中每个第一异常历史测点监测数据集中机组运行异常类型出现的最小时间间隔，将其作为第一历史最小时间间隔；

第一历史最大时间间隔获得模块，所述第一历史最大时间间隔获得模块用于确定第一异常历史测点监测数据集合中每个第一异常历史测点监测数据集中机组运行异常类型出现的最大时间间隔，将其作为第一历史最大时间间隔；

历史时间间隔获得模块，所述历史时间间隔获得模块用于根据多个异常历史测点监测数据集合获得多个历史最小时间间隔和多个历史最大时间间隔；

提取频率处理模块，所述提取频率处理模块用于根据多个历史最小时间间隔和多个历史最大时间间隔确定第一提取频率和第二提取频率。

进一步地，所述系统还包括：

第一提取频率获得模块，所述第一提取频率获得模块用于将所述多个历史最小时间间隔中的历史最小时间间隔的最小值，作为第一提取频率；

第二提取频率获得模块，所述第二提取频率获得模块用于将所述多个历史最大时间间隔中的历史最大时间间隔的最大值，作为第二提取频率。

进一步地，所述系统还包括：

数据监测分析模型获得模块，所述数据监测分析模型获得模块用于构建所述数据监测分析模型，所述数据监测分析模型具有第一分析分支、第二分析分支和监测分析层；

第一分析分支获得模块，所述第一分析分支获得模块用于获取多个样本测点监测数据集、多个样本第一提取频率和多个样本第一提取数据集合，对基于BP神经网络构建的框架进行监督训练，直至训练至收敛，获得所述第一分析分支；

第二分析分支获得模块，所述第二分析分支获得模块用于获取多个样本测点监测数据集、多个样本第二提取频率和多个样本第二提取数据集合作为训练数据，对基于BP神经网络构建的框架进行监督训练，直至训练至收敛，获得所述第二分析分支；

监测分析层获得模块，所述监测分析层获得模块用于获取多个样本第一提取数据集合、多个样本第二提取数据集合和多个样本初始监测结果作为训练数据，对基于前馈神经网络构建的框架进行监督训练，直至训练至收敛，获得所述监测分析层。

进一步地，所述系统还包括：

初始监测结果序列获得模块，所述初始监测结果序列获得模块用于根据所述运行节点的先后顺序对所述初始监测结果进行序列化排序，获得初始监测结果序列；

运行监测结果获得模块，所述运行监测结果获得模块用于判断初始监测结果序列中是否存在前面节点异常而后面节点正常的现象，若是，则对所述初始监测结果进行反馈优化，获得所述运行监测结果；

运行监测结果处理模块，所述运行监测结果处理模块用于若否，则将所述初始监测结果设定为所述运行监测结果。

进一步地，所述系统还包括：

异常节点值获得模块，所述异常节点值获得模块用于提取所述初始监测结果序列中异常数量，获得异常节点值；

异常节点值处理模块，所述异常节点值处理模块用于根据所述异常节点值对所述数据监测分析模型进行网络参数调整，直至初始监测结果序列中不存在前面节点异常而后面节点正常的现象。

前述实施例一中的一种基于低压缸零功率的机组运行管理方法具体实例同样适用于本实施例的一种基于低压缸零功率的机组运行管理系统，通过前述对一种基于低压缸零功率的机组运行管理方法的详细描述，本领域技术人员可以清楚地知道本实施例中一种基于低压缸零功率的机组运行管理系统，所以为了说明书的简洁，在此不再详述。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述得比较简单，相关之处参见方法部分说明即可。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所做的修改、等同替换和改进等，均应包含在本公开保护范围之内。