[发明专利]燃煤机组运行状态实时评估方法及其系统

说明书

本发明公开了一种电力工程领域的燃煤机组运行状态实时评估方法及其系统，包括：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；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；计算得到对应历史特征参数数据概率最大时高斯混合模型的参数，建立比对高斯混合模型；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，以相似度最大的相似值作为燃煤机组实时评估值。为调度提供判断燃煤机组实时运行状态的综合评价指标，可为电网制定调度策略提供依据，更好地实现了节能调度和安全调度。

技术领域

本发明涉及电力工程技术领域，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。

背景技术

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。

发明内容

本发明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，本发明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，a_k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；

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|θ_i+1-θ_i|<0.001，算法停止，其中θ_i表示第i次迭代得到的参数解。

依托于上述方法，本发明还提供了一种燃煤机组运行状态实时评估系统，包括：