基于电能质量监测数据的企业环保异常工况识别

针对目前污染企业环保工况异常监测实施困难、识别误差大、结果易被篡改等问题,提出了一种基于电能质量监测数据的环保异常工况识别方法。区别于对每个设备安装分表进行用电监测的现有方案,使用企业设备公共用电入口处非侵入式负荷监测所得的多维电能质量数据进行工况分类模型训练,实现异常工况识别。首先,对表征生产情况的特征数据进行时序变点检测与聚类计算,实现企业生产工况的划分;然后,结合环保设备运行情况得到用于分类的环保工况类别;进而,采用Stacking集成学习模型对环保相关的工况场景进行分类学习;最后,利用所训练的分类模型识别出企业存在的环保异常工况。利用仿真测试数据与实际企业数据验证了所提方法的有效性。

铁路货车装载状态图像智能识别系统

货车装载状态高清视频监控系统每日产生的图像数量众多,目前完全依靠人工识别异常状态,工作量巨大且效率低下。采集货车装载状态图像进行人工分类和定义后,输入深度学习模块进行学习,得到正常及异常状态模式识别算法。基于此算法开发的铁路货车装载状态图像智能识别系统可替代大部分人工查看的工作量,明显提高效率,进一步保证安全。

600MW超临界CFB机组低负荷运行技术研究

中国自主研发的世界首台600 MW等级超临界CFB锅炉,在四川白马示范电站成功投运。600 MW CFB锅炉具有大范围的调峰能力,在四川电网火电低负荷率期间显示了普通煤粉炉不可比拟的优势。针对机组长期低负荷下出现的异常工况进行分析,并制定相应对策措施,取得了很好的效果,保证了机组安全稳定运行,为后续超临界CFB机组提供了借鉴。

基于瞬态多相流模拟器的柱塞排水采气模型及故障诊断

天然气是国民经济发展的重要能源。井底积液是其开采过程中面临的重要问题之一。目前柱塞气举工艺被广泛应用于采出井底积液。从现场监测数据中可以看出:故障工况一般很少重复发生,出现故障时的数据趋势特征也各不相同。因此需要大量异常工况的数据来提高模型精度,若从现场整理总结这部分数据则会大大损失天然气井的经济效益。因此在柱塞气举工艺中使用动态模拟来生成特定异常工况的数据集,有助于更好了解监测数据中反映的工况变化趋势。通过监测使用柱塞气举的气井实时数据,分析了同一时刻下气井不同位置的不同参数,并总结出相应的数据特征。使用瞬态多相流模拟器(OLGA),通过调整气藏储层动态、柱塞参数或管道边界条件,对柱塞气举工艺的动态模型进行优化,使模型与生产数据吻合良好,得到符合预测的正常与异常工况的模拟数据。在不同生产条件下分别与现场数据验证;最后使用OLGA生成了几种异常工况数据(如油管破裂、电动阀故障等),并对模拟结果作相应分析,也可将该结果添加到机器学习数据库中对模型进行训练,能够有效减少数据的相关性,提高模型预测精度。基于OLGA模拟柱塞举升系统在不同运行条件下的工艺参数,发现与现场数据拟合较好,尤其是在预测管压、套压以及产量等方面有很好的一致性。通过控制变量模拟,可以获得柱塞工艺在反常工况下的运行参数和特征,进而可得合成数据用于训练深度学习模型。与常规数据清洗方法相比,本文提出的基于瞬态柱塞举升工艺模型的合成数据方法被验证为一种有效且可靠的数据准备方法,可用于更好地训练基于机器学习算法的柱塞反常工况诊断模型。

电力系统短期负荷预计(DFY)

电力系统调度部门,为了经济、可靠和安全供电,一般要进行短期负荷预计.本文介绍一个次日24小时的负荷预计模型和其程序在计算机上的操作过程.负荷模型分为两部分—正常情况和非正常情况下的预计.对湖南电网给出了预计的实际结果.