【摘要】：隨著風力發(fā)電、光伏發(fā)電等清潔可再生能源在我國電網中占據的份額越來越大,電網對火力發(fā)電機組的調峰能力提出了更高的要求,以保證運行的安全穩(wěn)定和對新能源的消納。頻繁的快速變負荷運行及長期低負荷運行一方面使得機組設備的使用壽命受到了嚴重的影響,另一方面讓機組的運行控制變得更加困難。針對上述問題,本文充分利用機組歷史運行數據中所包含的潛在知識,采用統(tǒng)計驗證、機器學習技術,實現了基于數據驅動的故障檢測和動態(tài)建模。對及時、及早發(fā)現機組運行中的故障,掌握運行的動態(tài)特性而更好的控制污染物排放具有積極的意義。本文的工作內容如下:(1)數據是基于數據驅動應用的基礎。機組歷史運行數據不同于由精心設計的熱態(tài)實驗所獲得的數據,具有異常值、不穩(wěn)定等瑕疵。本文首先詳細介紹了基于數據驅動應用中常用的數據預處理方法、ANN建模方法及梯度下降訓練算法。并針對火力發(fā)電機組的運行特點,著重探究了機組歷史運行數據的穩(wěn)態(tài)篩選問題。(2)針對某390MW燃氣-蒸汽聯合循環(huán)機組余熱鍋爐汽水泄漏問題,采用主成分分析的方法,將運行數據重新投射到其主元子空間和殘差子空間,并分別通過Hotelling’s T~2統(tǒng)計量驗證和SPE統(tǒng)計量驗證判斷是否有故障發(fā)生。結果表明,Hotelling’s T~2統(tǒng)計量和SPE統(tǒng)計量均能及時捕捉到運行數據中的異常,為下一步故障診斷提供依據。同時發(fā)現,Hotelling’s T~2統(tǒng)計量相比SPE統(tǒng)計量能更清晰、靈敏反應運行數據中的異常。(3)基于歷史運行數據,采用LSTM對某660MW燃煤鍋爐的SCR入口處NOx濃度建立了動態(tài)模型。詳細研究了LSTM模型超參數和訓練算法學習率的選擇。最后對比了相同情況下采用傳統(tǒng)ANN建模的效果。結果表明,LSTM具有較高的預測精度,能很好地處理機組的變工況運行。而由于變工況運行數據的統(tǒng)計特性較差,傳統(tǒng)ANN的預測精度嚴重惡化,無法適應運行過程的動態(tài)建模。
【學位授予單位】：華中科技大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TM621.2;X773
【圖文】：

1.1 研究背景及意義能源是人類文明的基石，是社會經濟發(fā)展的動力。人均能源消耗量被認為是衡量社會生產發(fā)展程度的重要指標。圖 1-1 為世界部分國家 2000 年到 2014 年人均能源消耗量，可以明顯的看出國家越發(fā)達，其人均能源消耗量越大。我國“富煤、貧油、少氣”的一次能源結構，決定了煤炭在我國能源生產和消費中占據主導地位[1]。根據國家統(tǒng)計局的數據，我國 2016 年能源生產總量為 34.60 億噸標準煤，其中原煤生產總量為 24.08 億噸標準煤，占總量的 69.60%；能源消費總量為 43.60 億噸標準煤，其中煤炭消費總量為 27.03 億噸標準煤，占 62.00%[2]。我國人均能源消耗量與發(fā)達國家具有較大差距，隨著我國經濟的發(fā)展，工業(yè)化、城鎮(zhèn)化進程的推進，能源消耗的需求還具有進一步的增長空間，能源消費量將會繼續(xù)逐年增加。為了保障能源安全，牢牢把握能源安全主動權，我國能源供應基于國內自給的戰(zhàn)略方向不會發(fā)生變化[3]。因此，在短時間內煤炭作為我國的主體能源的地位不會發(fā)生改變。

華 中 科 技 大 學 碩 士 學 位 論 文燃煤發(fā)電及供熱是我國煤炭利用的主要形式。根據國家統(tǒng)計局的數據，2015 年我國煤炭消費總量為 397014.1 萬噸標準煤，其中 203413.8 萬噸被用于發(fā)電及供熱，占煤炭消費總量的 51.24%[2]。另一方面，根據中國電力企業(yè)聯合會的統(tǒng)計數據，2016 年我國發(fā)電量為 59897 億 kWh，其中燃煤發(fā)電量為 39058 億 kWh，燃氣發(fā)電量為 188億 kWh，分別占發(fā)電總量的 65.21%和 3.14%[5]。表 1-1 我國燃煤電廠主要大氣污染物排放標準(單位：mg/Nm3)二氧化硫 氮氧化物 煙塵 汞及其氧化物GB 13223-2011[6]100-400 100-200 30 0.03“超低排放”[7]35 50 10 -

【參考文獻】

相關期刊論文 前10條

1 劉吉臻;高萌;呂游;楊婷婷;;過程運行數據的穩(wěn)態(tài)檢測方法綜述[J];儀器儀表學報;2013年08期

2 李晗;蕭德云;;基于數據驅動的故障診斷方法綜述[J];控制與決策;2011年01期

3 謝春玲;戴景民;;燃氣輪機故障診斷技術研究綜述與展望[J];汽輪機技術;2010年01期

4 趙歡;王培紅;陸璐;;電站鍋爐熱效率與NO_x排放響應特性建模方法[J];中國電機工程學報;2008年32期

5 江澤民;;新時期我國信息技術產業(yè)的發(fā)展[J];上海交通大學學報;2008年10期

6 江澤民;;對中國能源問題的思考[J];上海交通大學學報;2008年03期

7 楊蘋,吳捷;火電廠鍋爐常見故障的數據挖掘診斷方法[J];儀器儀表學報;2005年07期

8 何學文,趙海鳴;支持向量機及其在機械故障診斷中的應用[J];中南大學學報(自然科學版);2005年01期

9 王培紅,李磊磊,陳強,董益華;電站鍋爐NOx排放與效率的響應特性模型[J];動力工程;2004年02期

10 王奉濤,馬孝江,鄒巖琨;智能故障診斷技術綜述[J];機床與液壓;2003年04期

相關會議論文 前1條

1 徐子偉;張陳斌;陳宗海;;基于數據驅動的故障檢測和診斷方法概述[A];系統(tǒng)仿真技術及其應用（第16卷）[C];2015年

相關博士學位論文 前2條

1 王洪江;電站鍋爐實時故障診斷研究[D];華北電力大學（北京）;2008年

2 姜根山;鍋爐管道泄漏聲行為特性研究[D];華北電力大學（河北）;2006年

本文編號：2718440