CN109469919B - 一种基于权重聚类的电站空预器堵灰监测方法 - Google Patents

一种基于权重聚类的电站空预器堵灰监测方法 Download PDF

Info

Publication number
CN109469919B
CN109469919B CN201811336474.8A CN201811336474A CN109469919B CN 109469919 B CN109469919 B CN 109469919B CN 201811336474 A CN201811336474 A CN 201811336474A CN 109469919 B CN109469919 B CN 109469919B
Authority
CN
China
Prior art keywords
clustering
air preheater
sample
data
cluster
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
Application number
CN201811336474.8A
Other languages
English (en)
Other versions
CN109469919A (zh
Inventor
顾慧
崔晓波
陈磐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Institute of Technology
Original Assignee
Nanjing Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Institute of Technology filed Critical Nanjing Institute of Technology
Priority to CN201811336474.8A priority Critical patent/CN109469919B/zh
Publication of CN109469919A publication Critical patent/CN109469919A/zh
Application granted granted Critical
Publication of CN109469919B publication Critical patent/CN109469919B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23L—SUPPLYING AIR OR NON-COMBUSTIBLE LIQUIDS OR GASES TO COMBUSTION APPARATUS IN GENERAL ; VALVES OR DAMPERS SPECIALLY ADAPTED FOR CONTROLLING AIR SUPPLY OR DRAUGHT IN COMBUSTION APPARATUS; INDUCING DRAUGHT IN COMBUSTION APPARATUS; TOPS FOR CHIMNEYS OR VENTILATING SHAFTS; TERMINALS FOR FLUES
    • F23L15/00—Heating of air supplied for combustion
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F28—HEAT EXCHANGE IN GENERAL
    • F28F—DETAILS OF HEAT-EXCHANGE AND HEAT-TRANSFER APPARATUS, OF GENERAL APPLICATION
    • F28F27/00—Control arrangements or safety devices specially adapted for heat-exchange or heat-transfer apparatus
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E20/00—Combustion technologies with mitigation potential
    • Y02E20/34—Indirect CO2mitigation, i.e. by acting on non CO2directly related matters of the process, e.g. pre-heating or heat recovery

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Thermal Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Air Supply (AREA)

Abstract

一种基于权重聚类的电站空预器堵灰监测方法，涉及电站空气预热器工况监测方法的技术领域。本发明在离线聚类EFC算法的基础上，增加权重项w，该权重衡量聚类样本各个属性之间的重要程度，融合权重w和欧式距离加权获得新的聚类相异性表征，弱化孤立点的聚类结果影响，从而达到剔除孤立点的效果。记录聚类获得的各中心，并在处理下一批动态过程数据时，完成相应更新操作，最终获得空预器运行过程中，剔除孤立点后的负荷和压差(空气、烟气)的聚类中心。本发明能够自动更新聚类结果，较为准确地反映空气预热器的负荷和压差之间的关系；可用作空预器堵灰程度的监测，并可以结合现场机组设定的阈值来进一步确定空预器适当的冲洗时间。

Description

一种基于权重聚类的电站空预器堵灰监测方法
技术领域
本发明涉及一种电站空气预热器工况监测方法，兼有综合聚类和模糊理论的工况划分模型属于数据挖掘建模领域。
背景技术
在锅炉风烟系统中，当烟气进入空气预热器时，烟气中的硫酸蒸汽将会在金属壁面上产生凝结现象，对壁面产生酸腐蚀，该现象称为低温腐蚀。低温腐蚀造成空气预热器受热面金属的破裂穿孔，使得空气大量漏到烟气中，加重空气预热器的积灰堵灰现象，造成引风机出力不足，使得燃烧室微负压难以维持。另一方面，如果空气漏至烟气中，将致使送风不足，炉内燃烧恶化，严重影响锅炉的安全经济运行。在运行参数上主要反映为相同负荷下，空预器进出口烟气压差、空气压差的非正常变化。
在此类工业的过程数据中，存在一些无法复现、反映系统真是性能的孤立点，这些孤立点的存在加大设备建模的难度，因此需要将其识别并剔除。在火电机组的空预器监测过程中，需要对现场实时数据进行分析，从这些动态数据获取设备性能状况。过程数据存在的孤立点对监测空预器堵灰程度有比较大的影响。
发明内容
本发明目的是提供一种能够自动更新聚类结果，较为准确地反映空气预热器的负荷和压差之间的关系的基于权重聚类的电站空预器堵灰监测方法。
一种基于权重聚类的电站空预器堵灰监测方法，其特征在于：包括如下步骤：
1、一种基于权重聚类的电站空预器堵灰监测方法，其特征在于：包括如下步骤：
(1)现场数据经由网络交换机输出至数据接口；
(2)批量采集空预器进口烟气压力pyi，空预器出口烟气压力pyo，空预器进口空气压力pki，空预器出口空气压力pko和机组负荷Pload建立样本数据库X＝[pyi,pyo,pki,pko,Pload]，M为该批数据样本数量，m为样本属性个数；
(3)集合权重的聚类算法得到聚类结果{cluster}，cluster代表各簇聚类中心；
(4)处理完此批次数据后，将获得的聚类类别和聚类中心存入正常点库，并作为下一批数据处理过程中聚类中心更新的依据；
(5)再次执行步骤(2)、步骤(3)、步骤(4)；
(6)将步骤(5)获得的聚类结果与上一批次样本的聚类结果合并更新，将更新后的聚类结果和聚类中心存入正常点库；
(7)按照上述步骤将过程数据按批次处理，最终获得当前时间戳下的聚类结果，cluster的聚类中心属性＝{pyi,pyo,pki,pko,Pload}，根据各聚类中心计算出[Δpy,Δpk,Pload]，分别为空预器进出口烟气压力差，空预器进出口空气压力差和机组负荷。
2、根据权利要求1所述的基于权重聚类的电站空预器堵灰监测方法，其特征在于：上述步骤(3)的聚类算法为：
3.1、计算第i个样本第j属性的权重wij
Figure GDA0002454994340000021
其中标准差
Figure GDA0002454994340000022
其中l＝1,2,...,m，且l≠i，将Sti大于阈值α的样本记为孤立点并从总样本集中标出，M为数据样本数量，m为样本属性个数；
3.2、计算每两个数据样本之间的相似度，
Figure GDA0002454994340000023
Dij表示数据样本xi和xj的权重欧氏距离，
Figure GDA0002454994340000024
xi,xj∈X，式中
Figure GDA0002454994340000025
为数据集内权重欧式距离的平均值；
3.3、对各样本xi计算信息熵Ei，
Figure GDA0002454994340000026
3.4、选择各数据样本熵中的最小值，Emin,iter，其中下标iter为当前迭代次数标记，Emin,iter＝Ek＝min{Ei},i,k＝1,2,...,M，并标记具有最小信息熵Emin,iter的样本xk；
3.5、筛选与样本xk的相似度集合{Sij},j＝1,2,...,M′,j≠i，从原数据样本中剔除样本xk和与xk的相似度大于阈值的样本，记为更新后的X，M′为更新后数据样本数量；
3.6、此次迭代被踢除的样本记为这一代获得的聚类类别clusteriter；
3.7、判断样本集X是否为空，若不为空，跳至步骤3.1；
3.8、若样本集X为空，获得聚类结果{cluster}。
至此，空预器堵灰监测的主体部分已经完成。考虑锅炉中空预器设备的堵灰情况在运行时间较长或者中途经过大小修时发生变化，可根据现场实际情况，定期或者不定期重复核算，获得具有标志性的时间戳下的聚类结果。
有益效果：本发明相对于现有技术而言，具有以下优点：
(1)结合权重修正聚类过程中的欧式距离，并融合信息熵的概念，完成样本自适应聚类，将相邻两次批处理的结果合并，完成过程数据的权重自适应聚类。
(2)随着电站空预器设备运行时间、堵灰程度的改变，自动更新聚类结果，能够较为准确地反映空气预热器的负荷和压差之间的关系。
(3)为电厂监测信息系统高级功能模块(状态监测与故障诊断等)提供可参考模型。
(4)静态聚类可以将具有相似属性的离线数据归为同一类，本发明将空预器运行数据做工况划分，自适应数据流聚类获得[负荷压差]数据簇，继而完成空预器堵灰程度的监测，该过程需要综合考虑聚类结果的准确性。本发明在离线聚类EFC算法的基础上，增加权重项w，该权重衡量聚类样本各个属性之间的重要程度，融合权重w和欧式距离加权获得新的聚类相异性表征，弱化孤立点的聚类结果影响，从而达到剔除孤立点的效果。记录聚类获得的各中心，并在处理下一批动态过程数据时，完成相应更新操作，最终获得空预器运行过程中，剔除孤立点后的负荷和压差(空气、烟气)的聚类中心，准确反映设备堵灰情况。
附图说明
图1是本发明的流程图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
一种基于权重聚类的电站空预器堵灰监测方法，其特征在于：所述步骤包括如下：
(1)现场数据经由网络交换机输出至数据接口；
(2)批量采集空预器进口烟气压力pyi，空预器出口烟气压力pyo，空预器进口空气压力pki，空预器出口空气压力pko和机组负荷Pload建立样本数据库X＝[pyi,pyo,pki,pko,Pload]，M为该批数据样本数量，m为样本属性个数；
(3)集合权重的聚类算法得到聚类结果{cluster}；
3.1、计算第i个样本第j属性的权重wij
Figure GDA0002454994340000031
其中标准差
Figure GDA0002454994340000032
其中l＝1,2,...,m，且l≠i，将Sti大于阈值α的样本记为孤立点并从总样本集中标出，M为数据样本数量，m为样本属性个数；
3.2、计算每两个数据样本之间的相似度，
Figure GDA0002454994340000033
Dij表示数据样本xi和xj的权重欧氏距离，
Figure GDA0002454994340000034
xi,xj∈X，式中
Figure GDA0002454994340000035
为数据集内权重欧式距离的平均值；
3.3、对各样本xi计算信息熵Ei，
Figure GDA0002454994340000041
3.4、选择各数据样本熵中的最小值，Emin,iter＝Ek＝min{Ei},i,k＝1,2,...,M,，并标记具有最小信息熵的样本xk；
3.5、筛选与样本xk的相似度集合{Sij},j＝1,2,...,M′,j≠i，从原数据样本中剔除样本xk和与xk的相似度大于相似度阈值0.7的样本，记为更新后的X，M′为更新后数据样本数量；
3.6、此次迭代被踢除的样本记为这一代获得的聚类类别clusteriter；
3.7、判断样本集X是否为空，若不为空，跳至步骤3.1；
3.8、若样本集X为空，获得聚类结果{cluster}；
(4)处理完此批次数据后，将获得的聚类类别和聚类中心存入正常点库，并作为下一批数据处理过程中类心更新的依据；
(5)再次执行步骤(2)、步骤(3)、步骤(4)；
(6)将步骤(5)获得的聚类结果与上一批次样本的聚类结果合并更新，将更新后的聚类结果和中心存入正常点库；
(7)按照上述步骤将过程数据按批次处理，最终获得当前时间戳下的聚类结果，cluster的聚类中心属性＝{pyi,pyo,pki,pko,Pload}，根据各聚类中心计算出[Δpy,Δpk,Pload]。
以某电站600MW超临界锅炉(SG-2090/25.4-M975)为例，采集SIS系统中2014年4月1日0点到2014年10月1日24点的数据，采集间隔30秒。本发明框架主要有输入数据预处理、数据聚类与更新模块和聚类结果入库模块，详细流程如图1所示：
1)现场数据经由网络交换机输出至数据接口；
2)以2014年4月1日为第一个时间戳，以时间间隔30秒采集机组空预器入口烟气压力、空预器出口烟气压力、空预器入口空气压力、空预器出口空气压力和机组负荷，[pyi,pyo,pki,pko,Pload]，过滤器去除其中不稳定数据后，将数据样本分为五个典型负荷工况段[400MW,450MW,500MW,550MW,600MW]，各工况段以±2MW为邻域。
3)设定批处理数据长度为50，将最大聚类个数设定为4，阈值α定为0.3，对第一批数据进行权重聚类分析。
3.1对样本分负荷段做差值处理(Δpk，Δpy)，以450MW段的第一个样本为例，该计算样本St11和St12，分别为0.0667和0.0145，均小于阈值0.3。
3.2计算该批450MW数据个样本的熵值，选择最小熵值0.234对应的样本[0.9600.430]。
3.3计算其余样本与该样本的相似度，将大于0.7相似度的样本和该样本合并作为第一类，共13个样本，计算其聚类中心，并从原数据集中删除。
3.4更新数据集，若样本集不为空，回到步骤3.1。
4)第一批数据完成后，共分3类，聚类结果分别入库(孤立点、正常聚类中心)。
5)动态更新下一批处理数据，依据最近类心距离判断更新后的样本属于哪一类，样本更新聚类中心，当到达最后数据时，停止操作。以450MW负荷段为例，最终获得3个类别，其类心分别为[0.958 0.431]、[1.077 0.470]和[1.031 0.451]。
6)以2014年10月1日为第二个时间戳，比较分析各个时间戳下的聚类结果，各类别最大最小聚类中心汇总后，如表1和表2所示。
表1和表2数据体现空气预热器运行情况、堵灰程度随着时间的变化情况，，表中给出了负荷、聚类样本、该工况(负荷段)下的类心个数以及各聚类中心的最大值和最小值。空气预热器的进出口空气压差Δpk和进出口烟气压差Δpy越大，则表明空气预热器的堵灰程度越严重。
该算例验证了本发明应用于空气预热器系统堵灰监测的可行性和有效性。以W-EFC聚类批处理过程数据为基础，通过对相关压差与机组负荷的监测，能够完成对空预器堵灰程度的监测，并可以结合现场机组设定的阈值来进一步确定空预器适当的冲洗时间。
表1第一个时间戳下的W-EFC聚类结果
Figure GDA0002454994340000051
表2第二个时间戳下的W-EFC聚类结果
Figure GDA0002454994340000052

Claims (2)

1.一种基于权重聚类的电站空预器堵灰监测方法，其特征在于：包括如下步骤：
(1)现场数据经由网络交换机输出至数据接口；
(2)批量采集空预器进口烟气压力pyi，空预器出口烟气压力pyo，空预器进口空气压力pki，空预器出口空气压力pko和机组负荷Pload建立样本数据库X＝[pyi,pyo,pki,pko,Pload]，M为该批数据样本数量，m为样本属性个数；
(3)集合权重的聚类算法得到聚类结果{cluster}，cluster代表各簇聚类中心；
(4)处理完此批次数据后，将获得的聚类类别和聚类中心存入正常点库，并作为下一批数据处理过程中聚类中心更新的依据；
(5)再次执行步骤(2)、步骤(3)、步骤(4)；
(6)将步骤(5)获得的聚类结果与上一批次样本的聚类结果合并更新，将更新后的聚类结果和聚类中心存入正常点库；
(7)按照上述步骤将过程数据按批次处理，最终获得当前时间戳下的聚类结果，cluster的聚类中心属性＝{pyi,pyo,pki,pko,Pload}，根据各聚类中心计算出[Δpy,Δpk,Pload]，分别为空预器进出口烟气压力差，空预器进出口空气压力差和机组负荷。
2.根据权利要求1所述的基于权重聚类的电站空预器堵灰监测方法，其特征在于：上述步骤(3)的聚类算法为：
3.1、计算第i个样本第j属性的权重wij
Figure FDA0002454994330000011
其中标准差
Figure FDA0002454994330000012
其中l＝1,2,...,m，且l≠i，将Sti大于阈值α的样本记为孤立点并从总样本集中标出,M为数据样本数量，m为样本属性个数；
3.2、计算每两个数据样本之间的相似度，
Figure FDA0002454994330000013
Dij表示数据样本xi和xj的权重欧氏距离，
Figure FDA0002454994330000014
xi,xj∈X，式中
Figure FDA0002454994330000015
Figure FDA0002454994330000016
为数据集内权重欧式距离的平均值；
3.3、对各样本xi计算信息熵Ei，
Figure FDA0002454994330000017
3.4、选择各数据样本熵中的最小值，Emin,iter，其中下标iter为当前迭代次数标记，Emin,iter＝Ek＝min{Ei},i,k＝1,2,...,M，并标记具有最小信息熵Emin,iter的样本xk；
3.5、筛选与样本xk的相似度集合{Sij},j＝1,2,...,M′,j≠i，从原数据样本中剔除样本xk和与xk的相似度大于阈值的样本，记为更新后的X，M′为更新后数据样本数量；
3.6、此次迭代被踢除的样本记为这一代获得的聚类类别clusteriter；
3.7、判断样本集X是否为空，若不为空，跳至步骤3.1；
3.8、若样本集X为空，获得聚类结果{cluster}。
CN201811336474.8A 2018-11-12 2018-11-12 一种基于权重聚类的电站空预器堵灰监测方法 Active CN109469919B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811336474.8A CN109469919B (zh) 2018-11-12 2018-11-12 一种基于权重聚类的电站空预器堵灰监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811336474.8A CN109469919B (zh) 2018-11-12 2018-11-12 一种基于权重聚类的电站空预器堵灰监测方法

Publications (2)

Publication Number Publication Date
CN109469919A CN109469919A (zh) 2019-03-15
CN109469919B true CN109469919B (zh) 2020-07-28

Family

ID=65672216

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811336474.8A Active CN109469919B (zh) 2018-11-12 2018-11-12 一种基于权重聚类的电站空预器堵灰监测方法

Country Status (1)

Country Link
CN (1) CN109469919B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110132342A (zh) * 2019-05-22 2019-08-16 江苏方天电力技术有限公司 基于聚类思想的电站空预器积灰监测方法
CN113889252B (zh) * 2021-01-29 2023-04-11 丁跃辉 基于生命体征大数据聚类核心算法和区块链的远程互联网大数据智慧医疗系统
CN113108643B (zh) * 2021-03-19 2022-04-22 吉林建筑大学 一种基于微通道换热器的换热系统、计算机可读存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102253996B (zh) * 2011-07-08 2013-08-21 北京航空航天大学 一种多视角阶段式的图像聚类方法
CN102254020A (zh) * 2011-07-22 2011-11-23 西安电子科技大学 基于特征权重的全局k-均值聚类方法
CN103927545B (zh) * 2014-03-14 2017-10-17 小米科技有限责任公司 聚类方法及相关装置
CN105844293A (zh) * 2016-03-21 2016-08-10 杭州熙浪信息技术股份有限公司 一种基于权重策略的K-Means数据聚类方法
CN108256747B (zh) * 2017-12-29 2021-07-06 中国大唐集团科学技术研究院有限公司火力发电技术研究所 基于k均值聚类算法的火电厂储煤配煤智能化管理方法

Also Published As

Publication number Publication date
CN109469919A (zh) 2019-03-15

Similar Documents

Publication Publication Date Title
CN110322048B (zh) 一种生产物流输送装备故障预警方法
CN109469919B (zh) 一种基于权重聚类的电站空预器堵灰监测方法
CN105467975B (zh) 一种设备故障诊断方法
CN108647808B (zh) 一种生产参数优化预测方法、装置、设备及存储介质
CN105631596A (zh) 一种基于多维分段拟合的设备故障诊断方法
CN109446184B (zh) 基于大数据分析平台的发电大数据预处理方法及系统
WO2020124779A1 (zh) 一种工况状态建模与修正模型方法
CN113515049A (zh) 一种燃气蒸汽联合循环发电机组运行调控系统及调控方法
CN117056688A (zh) 一种基于数据分析的新材料生产数据管理系统及方法
CN117763305A (zh) 一种计及行为共性的电力时序数据异常检测与修复方法
CN115983684B (zh) 一种制冷用铜管生产缺陷管理方法及系统
CN112765746B (zh) 基于多项式混沌的涡轮叶顶气热性能不确定性量化系统
CN109299080B (zh) 一种电力生产运行数据的清洗方法及计算设备
CN110597889A (zh) 一种基于改进的Apriori算法的机床故障预测方法
CN117909864A (zh) 一种电力故障预测系统及方法
CN117829342A (zh) 基于改进随机森林算法的燃煤电厂氮氧化物排放预测方法
JP2005038098A (ja) データマイニングを用いた機器、施設の運転状況又は取引の監視及び実行方法
CN115186479A (zh) 一种基于数据挖掘的火电机组滑压曲线优化方法
CN113779782A (zh) 考虑工件报废的装配线建模与性能评估方法
CN110765627A (zh) 一种基于大数据的热电企业汽轮机组智能操作优化系统及方法
CN112308338A (zh) 电力数据处理方法及装置
CN111460005B (zh) 一种基于jsd的时序数据的离群点检测方法
CN118171475B (zh) 一种铜管内螺纹胀缩率控制方法及系统
CN115576958B (zh) 一种生产设备监管报表的数据校验方法、设备及介质
CN113779706B (zh) 一种基于数据可信度的叶轮机械损失模型构建方法

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
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20190315

Assignee: Nanjing Chuangyi Education Technology Group Co.,Ltd.

Assignor: NANJING INSTITUTE OF TECHNOLOGY

Contract record no.: X2024980002731

Denomination of invention: A weighted clustering based monitoring method for ash blockage in power plant air preheaters

Granted publication date: 20200728

License type: Common License

Record date: 20240312