一种基于大数据分析的汽轮机劣化趋势测量方法及终端机技术

本发明专利技术提供一种基于大数据分析的汽轮机劣化趋势测量方法及终端机，根据预设的时间段，以预设的时间间隔，从数据库中获取目标设备的相关参数构建各时间段的矩阵。再进行稳态及非稳态判定，过滤其中非稳态数据得到剩余稳态数据集；对稳态数据集通过测点逐条计算高压缸效率；将整合数据集进行分割；对数据进行非线性拟合；将同一层的数据重新组合成分层数据集，对稳定的分层数据集进行非线性拟合，得到阈值矩阵；统计合适层的均值得出劣化值。方法以数据对数据做比较，提升了计算所得劣化数值的真实性与准确性。能够建立相对准确的一次非线性拟合模型，有助于之后循环划分拟合各层非线性模型，划分各层模型间缸效分界阈值。划分各层模型间缸效分界阈值。划分各层模型间缸效分界阈值。

【技术实现步骤摘要】
一种基于大数据分析的汽轮机劣化趋势测量方法及终端机


[0001]本专利技术涉及火电机组汽轮机发电
，具体涉及一种基于大数据分析的汽轮机劣化趋势测量方法及终端机。

技术介绍

[0002]汽轮机通流部分是将蒸汽热能转换为功的核心部件，其完善程度对机组能耗水平有重要影响。在机组设备投产或大修后，随着机组设备的运行，其性能势必会产生下降，高压缸效率降低，这便是高压缸性能的劣化。掌握其劣化规律，以便判断电厂设备管理水平，进行调整与优化，指导电厂节能工作。
[0003]汽轮机厂家给出的缸效率设计值，通常只涉及到几个工况，而且机组运行工况往往会偏离试验工况，随着高压调阀开度和负荷的变化，缸效率也会同步发生变化，使得缸效率设计值或试验值不能反映机组整个运行过程中通流部分的变化，以此方法难以判定每年具体劣化数值。
[0004]而现有技术中，使用ARMA模型预测方法，用历史数据预测得到的预测值与实际值做对比得到劣化数值，以此方法得出的劣化数值与预测模型的精确度有较大关系，难以保证其结果准确性。
[0005]现有技术中还有利用经验模态分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据分析的汽轮机劣化趋势测量方法，其特征在于，方法包括：步骤1、根据预设的时间段，以预设的时间间隔，从数据库中获取目标设备的相关参数构建各时间段的矩阵F
t
；步骤2、对采集到的各时间段的矩阵F
t
进行数据清洗，剔除不合格数据，获得正常数据集F
zt
；步骤3、进行稳态及非稳态判定，过滤其中非稳态数据得到剩余稳态数据集；步骤4、对稳态数据集通过测点逐条计算高压缸效率，并将算得的缸效率值存入稳态数据集中，合并得到整合数据集F
tb_
；步骤5、将整合数据集F
tb_
按照机组负荷和调阀开度进行分割，均匀的划分出i
×
j个区间；步骤6、对各个区间下数据集F分别抽取其下高压缸效率最大最小值，计算其最大值与最小值之间的差值与均值的百分比，作为区间下数据的离散度；步骤7、选取各个区间下离散度MOD值最大的前N个区间，将这N个区间内的数据通过高压缸效率的最大最小值等间距的进行分割出m层，并将处于同一层的数据组合成分层数据集F
tfc
，共m个；步骤8、分别对每一层的数据F
tfc
进行非线性拟合；步骤9、将各个区间内的数据分别代入每一层的非线性拟合模型中，得到高压缸缸效效预测值，并与实际值做差比较，距离最近的点划分入于该层数据中，并再次将同一层的数据重新组合成分层数据集F
tfc
；步骤10、重复步骤8、9直到分层数据集F
tfc
保持不变；步骤11、对稳定的分层数据集F
tfc
分别再次进行非线性拟合，再对不同层在各个区间下的高压缸效率进行分界阈值划分，得到阈值矩阵L；步骤12、对历年数据集F
t
分别通过步骤10中的阈值矩阵L进行分层划分，分别计算不同层中历年数据的均值，最终统计合适层的均值得出劣化值。2.根据权利要求1所述的基于大数据分析的汽轮机劣化趋势测量方法，其特征在于，步骤1中，构建各时间段的矩阵F
t
包括：分别构建各时间段m1×
n的F
t
矩阵，其中m1为当前年份数据的条数，n为目标设备相关参数测点数，v为个点数值；3.根据权利要求1或2所述的基于大数据分析的汽轮机劣化趋势测量方法，其特征在于，步骤3中，步骤3.1、从矩阵F
t
中抽取与机组稳态非稳态判定相关测点N的数据F
tN
；
步骤3.2、对数据F
tN
按照时间窗口长度T1进行2阶多项式滤波，得到滤波后的测点N的数据F
tN_L
；步骤3.3、对滤波后数据F
tN_L
按照时间窗口长度T2进行一阶线性拟合，得到时间窗口长度T2内各段数据的斜率表L
g
；步骤3.4、对测点N的原始...

【专利技术属性】
技术研发人员：谢尉扬，金宏伟，屠海彪，王丽娜，刘洪涛，李向阳，孙永华，胡戎，潘建伟，侯玉亭，王凯，
申请(专利权)人：山东鲁软数字科技有限公司，
类型：发明
国别省市：