基于多元状态估计和向量相似度的电站磨煤机故障智能预警研究

为解决燃煤电站磨煤机故障频发的问题,提出一种基于多元状态估计（MSET）和向量相似度的故障预警方法。以某350 MW机组的中速磨煤机为研究对象,选取能表征其运行状态的关键参数,采集包含故障信息的历史数据,并划分出不同数据集。采用等间距抽样法对训练集数据建立过程记忆矩阵,将观测向量输入MSET模型得到其对应的估计向量,同时定义二者的相似度函数,利用滑动窗口法确定预警阈值。最后采用实际运行数据验证,结果表明:当磨煤机正常运行时,其输入模型数据预测平均相对误差均在1%以下;当磨煤机发生堵煤故障时,该模型可以及时发现磨煤机运行异常,在跳闸前380 s发出报警。证明该模型可以精准预测各参数的变化趋势,实现对磨煤机故障快速准确地智能预警。     

燃煤电站空冷系统智能优化平台设计与实现

直接空冷机组在实际运行时受环境影响较大,运行人员依靠经验调控背压,导致机组无法在最佳背压下运行,严重影响了机组运行的经济性和安全性。以某600 MW直接空冷机组为研究对象,在实现监测与优化的需求下,以随机森林算法为基础建立优化模型,开发设计了空冷岛智能优化指导平台。采用Python、SQL Server、HTML5等工具实现了软件平台后端数据采集、模型训练与前端界面展示等功能,该平台可为运行人员提供空冷设备监控环境,实现空冷机组背压优化指导。     

基于K-means聚类算法的电站煤场来煤堆放优化研究

为有效应对复杂的电力和煤炭市场，加强燃料智慧管理成为火电厂管理的重要组成部分。针对某燃煤电厂的煤场占地面积小、来煤煤种复杂和燃煤堆放混乱的问题，通过提取历史来煤的煤质信息，使用K-means和DBSCAN 2种聚类算法对来煤低位发热量、挥发分、硫分进行聚类分析，从轮廓系数、聚类稳定性和样本划分精细度3个方面对2种聚类算法进行对比，最终选择聚类效果更好的K-means聚类算法作为煤质划分的计算方法。K-means聚类算法将选取的历史煤质信息数据集划分为4类，轮廓系数为0.587，且划分后的同一类别内煤质成分相近。统计不同聚类标签下的来煤频率和来煤质量比例，对煤场进行了相应的比例划分，每一分区堆放相同分类的来煤，并以此为基础设计了数字化煤场平台中的来煤堆放指导及信息存储流程，对提高堆场空间利用率和煤场管理效率具有重要的意义。