The invention discloses a method and a system for real-time evaluation of coal-fired unit operation state in the field of electric power engineering, including: determining the characteristic parameters of coal-fired unit operation state evaluation, collecting the historical characteristic parameters data and the real-time characteristic parameters data, clustering and analyzing the historical characteristic parameters data and establishing the clustering results. Gauss mixture model based on probability is used to calculate the parameters of Gaussian mixture model when the probability of corresponding historical characteristic parameters data is maximum, and then the comparison Gaussian mixture model is established. Value. It provides comprehensive evaluation index to judge the real-time operation status of coal-fired units for dispatching, provides basis for power grid to formulate dispatching strategy, and better realizes energy-saving dispatching and safe dispatching.
【技术实现步骤摘要】
燃煤机组运行状态实时评估方法及其系统
本专利技术涉及电力工程
,具体公开了一种燃煤机组运行状态实时评估方法及其系统。
技术介绍
电网调度部门对于发电侧重要设备状态了解甚少,无法预知所调度机组的设备可靠性情况,从而没法做好发电负荷预测和计划。传统调度方式因发电厂值长对于发电机组主辅设备异常等情况导致机组带负荷能力下降时的评估、沟通、解释一般都是事后汇报,存在较大滞后性,调度部门对于发电机组的非停和非计划降出力更多是在事后了解。
技术实现思路
本专利技术目的在提供于一种燃煤机组运行状态实时评估方法及其系统,以解决现有技术中存在的技术缺陷。为实现上述目的,本专利技术提供了一种燃煤机组运行状态实时评估方法,包括以下步骤:S1:确定燃煤机组运行状态评估的特征参数,采集历史特征参数数据和实时特征参数数据;S2:对历史特征参数数据进行聚类分析并根据聚类结果建立基于概率的高斯混合模型;S3:求取得到历史特征参数数据概率最大时基于概率的高斯混合模型的参数,根据参数建立比对高斯混合模型;S4:计算实时特征参数数据与比对高斯混合模型期望值的相似度,输出相似度最大的相似值作为燃煤机组实时评估值以对燃煤机组运行状态进行评估。优选地,S2中对历史特征参数数据进行聚类分析前先对参数数据进行预处理,预处理包括数据清洗和数据归约,数据归约采用主成分分析法。优选地,聚类分析采用K-means算法。优选地,高斯混合模型为:其中,x是维度为d的列向量,d为每组特征参数的个数,μ是模型期望,Σ是模型均方差,ak是权值因子,T表示矩阵的转置,k是K-means算法得到的中心点的个数。优选地,建立比 ...
【技术保护点】
1.燃煤机组运行状态实时评估方法,其特征在于,包括以下步骤:S1:确定燃煤机组运行状态评估的特征参数,采集历史特征参数数据和实时特征参数数据;S2:对所述历史特征参数数据进行聚类分析并根据聚类分析结果建立基于概率的高斯混合模型;S3:通过迭代法更新所述基于概率的高斯混合模型的参数,根据所述参数建立比对高斯混合模型并记录比对高斯混合模型建立过程中每一次迭代时所述基于概率的高斯混合模型的期望值;S4:计算实时特征参数数据与所述期望值的相似度,输出相似度最大的作为燃煤机组实时评估值以对燃煤机组运行状态进行评估。
【技术特征摘要】
1.燃煤机组运行状态实时评估方法,其特征在于,包括以下步骤:S1:确定燃煤机组运行状态评估的特征参数,采集历史特征参数数据和实时特征参数数据;S2:对所述历史特征参数数据进行聚类分析并根据聚类分析结果建立基于概率的高斯混合模型;S3:通过迭代法更新所述基于概率的高斯混合模型的参数,根据所述参数建立比对高斯混合模型并记录比对高斯混合模型建立过程中每一次迭代时所述基于概率的高斯混合模型的期望值;S4:计算实时特征参数数据与所述期望值的相似度,输出相似度最大的作为燃煤机组实时评估值以对燃煤机组运行状态进行评估。2.根据权利要求1所述的燃煤机组运行状态实时评估方法,其特征在于,所述S2中对所述历史特征参数数据进行聚类分析前先对所述历史特征参数数据进行预处理,所述预处理包括数据清洗和数据归约,所述数据归约采用主成分分析法。3.根据权利要求1所述的燃煤机组运行状态实时评估方法,其特征在于,所述聚类分析采用K-means算法。4.根据权利要求3所述的燃煤机组运行状态实时评估方法,其特征在于,所述基于概率的高斯混合模型为:其中,x是维度为d的列向量,d为每组特征参数的个数,μ是模型期望,Σ是模型均方差,ak是权值因子,T表示矩阵的转置,k是K-means算法得到的中心点的个数。5.根据权利要求4所述的燃煤机组运行状态实时评估方法,其特征在于,所述建立比对高斯混合模型的步骤为:S301:参数初始化:对通过K-means聚类得到的K均值计算得到各中心点作为比对高斯模型初始期望μ0,同组工况点协方差得到高斯模型初始均方差Σ0;同组包括的样本点占总样本的比例为高斯模型的初始权值;S302:E-step:依据当前参数,计算每个数据j来自子模型k的可能性:其中k=1,2,3…,K;j=1,2,3…,N,N表示数据总数;S303:M-step:计算新一轮迭代的模型参数:重复计算E-step和M-step直至|θi+1-θi|<R,算法停止,其中θi表示第i次迭代得到的参数解...
【专利技术属性】
技术研发人员:李世明,王彬,卢建刚,张维奇,李波,林玥廷,徐展强,刘文哲,周亦武,邹光球,陈叶明,陈湘军,刘巍,陈佳佳,龙建平,丁伟,姜鑫,
申请(专利权)人:广东电网有限责任公司电力调度控制中心,湖南大唐先一科技有限公司,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。