一、电站风机优化运行探讨（论文文献综述）
雷萌[1]（2021）在《基于深度学习的电站风机故障预警研究》文中研究表明火电机组参与电网深度调峰以促进新能源并网消纳,己成为能源电力转型升级背景下火力发电的常态工作。风机作为火电站重要的辅机设备,频繁地变负荷极易导致风机故障率增加,从而对机组的安全经济运行提出了更大的挑战。故障预警技术在故障发生前捕捉早期征兆并产生报警信息,使得现场操作人员能够提前采取预测性维护措施,避免故障的进一步演化和设备的损坏,因此具有十分重要的指导意义。本文利用深度学习理论,深入挖掘风机运行数据的时序关联特性,建立风机正常运行状态的精确预测模型来捕捉故障的演化过程,通过确定合理有效的预警策略,实现风机状态的实时监测及故障预警,为火电机组的长期稳定运行提供保证。论文的主要研究工作包括:（1）提出基于长短期记忆（Long Short-Term Memory,LSTM）神经网络与贝叶斯优化（Bayesian Optimization,BO）算法建立设备正常运行状态预测模型。LSTM神经网络提取历史正常运行数据中的时序相关性来预测设备的运行特性;贝叶斯优化算法确定LSTM神经网络的最优超参数组合,以提高模型的预测精度。最后利用深度学习标准数据集验证分析了 LSTM-BO模型的有效性。（2）建立设备运行的健康指数指标表征故障演化过程,并准确设定预警阈值。定义LSTM-BO正常运行状态模型预测值与实际测量值之间的偏离度函数衡量两者之间的差异程度,利用直方图法描述偏离度序列的频率分布特征,并基于滑动窗口技术建立表征设备运行状态的健康指数指标。根据正常运行状态下的健康指数边界值指导报警阈值的设置。最后利用模拟偏离度异常数据验证了所提预警策略的可行性及有效性,并提出了基于LSTM-BO模型的设备故障预警流程。（3）分别以某燃煤电站引风机故障和送风机故障为例进行研究。解决建模过程中变量选取、数据获取及预处理等关键问题后,利用正常历史数据建立LSTM-BO风机常态预测模型,并基于模型预测偏离度的频率分布进行故障预警仿真。结果表明,相比于BP、ARIMA和LSTM模型,LSTM-BO模型对风机的正常运行工况呈现更高的预测精度,对于故障早期数据呈现明显的误差,更能满足预警策略的应用要求。对比基于偏离度的预警方法,结果表明所提预警策略可以准确识别风机的正常、故障及严重故障状态,同时还能更加及时地给出预警警报。
潘岚川[2]（2021）在《基于卷积神经网络的一次风机故障预警研究》文中研究指明随着中国火电“大机组”时代的开启,风机的稳定运行对电厂变的更为重要。对风机进行早期故障预警可以减少风机意外停机次数,给火电厂带来巨大经济效益,但电厂现有的设备故障监测与预警技术有限,难以及时对风机故障发出报警。本文通过构造卷积神经网络,充分挖掘一次风机运行数据中的有效信息,对一次风机轴承振动进行预测进而实现风机故障预警。围绕此目标,本文进行了以下工作:研究一次风机内部结构,总结风机常见故障以及故障发生原因。针对能够表现多数故障的振动信号,以风机正常状态的历史数据构建基于卷积神经网络的振动预测模型。在模型输入的选择问题上,采用基于k-近邻互信息的特征选择方法。最后,以现场一次风机运行数据为基础,建立风机轴承振动预测模型并对其进行仿真测试,测试结果显示该方法精度较高。研究了卷积神经网络的内部结构,归纳对卷积神经网络性能影响较大的超参数。针对初始超参数的选择问题,提出了基于遗传算法优化的卷积神经网络算法,自适应优化卷积神经网络中的超参数,解决了人工选择的不确定性问题。实验表明,优化后的卷积神经网络在风机轴承振动预测上精度更高。模型预测值与真实值之间的差异隐含着丰富的故障信息。为了可以识别微弱信号的异常变化,并且保证误报警和漏报警率保持在极低的水平。本文提出使用滑动窗口法对模型预测残差进行分析,从而实现一次风机的故障预警。如果窗口内残差均值或标准差超过设定的预警阈值,就可以发出报警信号。最后,以国内某电厂一次风机的故障数据为基础,对所提出的方法进行验证,结果表明此方法能够实现准确的故障预警。
潘健[3]（2021）在《基于数据驱动的火电厂送风机故障预警》文中指出送风机系统作为火电厂中重要的辅机系统之一,送风机的稳定可靠运行直接影响到炉膛内煤粉安全稳定的燃烧,也间接影响到火电厂的安全、经济运行。近年来,火电机组容量逐步增大,对机组各个设备的运行品质的标准越来越严格,这需要送风机更加稳定且可靠的运行。对送风机的运行状态进行实时的监测,开展故障预警技术具有极为重要的意义。本文主要建立数据驱动下的基于深度学习的火电厂送风机故障预警,通过故障预警系统,能够及早发现送风机故障的早期征兆,来为发电生产企业带来更加良好的经济效益和社会影响。通过研究送风机的工作原理并分析常见故障及诱发原因,总结得出不同故障的运行过程中所表征出来相应的监测信号。在此基础上选择对大多数故障都会导致变化的振动信号进行状态预测,通过互信息法选择相关建模变量,建立基于深度学习中的门控循环单元神经网络的送风机振动预测模型。针对门控循环单元神经网络超参数难以人工选择的问题,选用改进的粒子群优化算法进行自适应选择,建立基于粒子群算法优化的门控循环单元神经网络的送风机振动预测模型。最后利用江苏某热电厂送风机正常运行状态下的数据建立送风机振动预测模型,并进行仿真验证。基于深度学习的送风机振动预测建模研究表明预测值与实际值之间的残差隐含着故障信息,为了进一步挖掘故障信息实现故障预警,提出了选择序贯概率比检验方法对送风机振动预测残差进行监测分析,从而产生早期故障的预警信号。最后以江苏某热电厂某次故障为例进行应用研究,通过仿真结果验证所提出基于SPRT的故障预警方法能够发现送风机的早期故障,实现送风机的故障预警。
邓辉,周煜[4]（2020）在《600MW等级电站单配置/1300MW等级电站汽动静调风机结构设计与分析》文中进行了进一步梳理600MW等级电站单配/1300MW等级电站风机要求风机出力更大,更加节能,因此风机的直径更大、转速更高、运行效率更高、运行更加稳定。针对该汽动静调风机的运行特点,从引风机结构安全及可靠性方面进行分析,介绍汽动静调风机结构设计中的技术难点及解决方法。
李昊燃,郑金,董康田,李凯伦[5]（2020）在《动调轴流风机全工况智能化节能运行研究》文中研究表明随着能源结构不断调整,火电厂深度调峰作用日益现显。电厂重要辅机动调轴流式风机厂用电率较高,因此如何实现动调轴流式风机全工况高效节能运行,是目前研究的重要课题。本文通过对动叶可调轴流式风机的结构特点、调节原理以及目前运行状况进行综合分析,提出了动调轴流风机全工况智能化节能运行模式,采用叶片调节加变频器调速联合调节的智能化运行方法,可满足电厂深度调峰的需求,保持风机在全工况高效区运行,实现节能效益最大化。同时,通过运行智能化与在线监测的有机结合,使得运行操控更便捷。本文所提出的运行模式也可用于300 MW级以上火电机组。
韩万里,茅大钧,印琪民[6]（2020）在《基于PCA和多元状态估计的引风机故障预警》文中进行了进一步梳理针对电厂引风机运行条件恶劣、故障种类多的特点,为了提高机组安全和设备利用率,提出了一种基于主元分析（Principal Component Analysis,PCA）和多元状态估计（Multivariate State Estimation Technique,MSET）的引风机故障预警方法:首先采用PCA对原始数据进行简化,消除冗余和噪音,选取主要状态参数,同时采用小波变换（Wavelet Transform,WT）进一步优化数据质量;然后通过MSET对引风机正常运行工况下的历史数据进行建模,包括历史记忆矩阵的构建、观测向量的估计和残差的计算等。以华能上海某电厂的引风机为例进行故障预警分析,验证该方法可以有效实现引风机早期的故障预警。
冯轩[7]（2020）在《电站风机的节能途径探讨》文中研究说明国内大型火力发电厂具有分布范围广泛的特点,在电力能源再生领域方面,电站风机为电厂运行提供了相应的保障。多年来,国内逐渐引入国外领先技术,不断提高电站风机的运行效率,在经济节能方面取得了较好发展水平。但是电站风机的改造领域仍具有较大发展空间。文章针对电站风机发展现状、节能途径等进行了探讨。
牛鹏坤[8]（2020）在《基于数据挖掘的火电风机设备故障状态监测技术研究》文中指出火电站辅助设备的故障检修技术是发电机组安全稳定运行的重要保障,而电站中传统的设备定期检修方式日益暴露出其局限性,由于设备故障造成的停机事故对电站运营带来了巨大损失,改变设备的故障检修方式,对提高设备的安全性和经济性越来越重要。随着自动化技术的广泛应用,火电站运行过程中产生了海量有待分析的数据,这使得基于数据挖掘的设备状态监测技术得以应用。通过对数据进行分析计算,得出设备的运行的模式,可辅助现场及时发现潜在故障,变被动为主动,提前对设备进行报警和维修诊断,从而确保电站的安全稳定运行。作为火电站的锅炉辅助设备,风机系统提供燃烧所需的空气并及时将燃烧废气排出,为炉膛中燃料的安全稳定燃烧提供了保障,其运行状态关乎电站发电机组能否高效稳定运行。本文以福建某电站送风机历史运行数据为基础,结合数据挖掘的方法对风机设备的故障监测技术进行了研究,并提出了一种基于数据挖掘的风机故障监测技术实施方案。首先,本文对关联规则及其在发掘风机运行模式中的两大应用进行了研究。一是介绍了经典的关联规则算法,并将其应用在风机常见的故障分析上,发掘出风机设备故障的特征模式。二是阐述了经典关联规则的局限性,引入了聚类算法对其进行改进,并将改进后的方法应用到风机正常运行数据中,发掘出正常工况下风机的运行模式。将挖掘出的风机模式保存到模式库中供现场人员参考,可对风机的现场运行和故障诊断进行指导。其次,本文对非线性状态估计算法在风机设备故障预警模型中的应用进行了研究。基于风机设备的历史正常运行数据,利用非线性状态估计算法对风机当前运行模式进行估计,结合相似度理论判断设备的运行状态。经实际故障数据验证,预警模型可有效捕捉风机潜在故障,实现风机设备的故障早期预警。
刘旭婷[9]（2019）在《基于深度学习的电站风机故障诊断方法研究》文中研究说明风机是电厂的重要辅助设备,而旋转失速故障是风机的典型故障之一。因此,针对于风机的旋转失速故障进行故障诊断研究具有现实意义与工程价值。随着数据采集与存储技术的发展,能够获取的故障数据呈现“大数据”的特点。由于传统的故障诊断方法难以处理海量的故障数据,本文对基于深度学习的离心风机旋转失速故障诊断方法进行研究。主要研究内容及成果如下:（1）对离心风机正常工况和不同程度旋转失速故障进行数值模拟。由于风机内部流场分布复杂和测量手段的局限性,难以得到风机内部流场各物理量随时间的变化情况,本文借由计算流体动力学方法得到风机内部关键位置数据信息,为风机旋转失速故障诊断方法研究提供丰富数据基础。在分析离心风机网格划分策略的基础上,基于雷诺时均守恒N-S方程、Realizable k-ε湍流模型、滑移网格模型和节流阀模型,对G4-73No8D离心风机正常工况、弱旋转失速和强旋转失速工况进行非定常数值模拟,并深入分析不同工况流场分布和风机出口全压波动及频率特征,数值计算结果与试验结果吻合良好。在此基础上,采集风机旋转区域截面速度分布云图作为风机旋转失速故障诊断的数据源。（2）基于区域建议网络提取感兴趣区域。由于风机速度分布云图数据量大和冗余信息多,本文设计了一个新的区域建议网络提取感兴趣区域,即对故障分类效果具有关键影响的区域,作为后续故障分类的依据,提高故障分类的准确率。本文首先定义感兴趣区域为包括分离涡和失速团的最小矩形区域,然后对风机速度分布云图进行图像裁剪和图像标注,建立风机图像集。在此基础上,基于选择性搜索算法对图像进行分割。最后设计新的区域建议网络SLENet,通过该网络将分割图像块分为感兴趣区域和背景区域两类确定感兴趣区域。与传统的感兴趣区域提取方法相比,该网络的提取召回率和精确度更高。（3）基于深度学习进行风机故障诊断。本文针对于第三章中建立的风机图像集,设计一种新的故障诊断方法。与AlexNet和Parallel-ResNet-AlexNet故障诊断结果进行对比,结果表明本文所采用的故障诊断方法正确率更高。
谭清坤[10]（2019）在《园区多能互补调度优化及效益评价模型研究》文中研究表明随着我国能源供给与环境保护问题的日益严峻,加快清洁能源开发已成为社会大众日益关注的焦点。近些年来,在大量的能源政策推动下,我国清洁能源发电量与装机容量发展十分迅猛,但受制于清洁能源发电随机性及输电网络的限制与资源与需求之间的逆向分布的特点,为电力系统的安全稳定的运行带来了问题。能源互联网以提升能源系统的运行性能,满足人类对于能源的更高需求为目的,实现社会能源的可持续供应,最终作用对象是实现电/气/热/冷等在内的各类能源系统相互互联,提高能源综合利用效率。园区多能互补系统具有设备智能、多能协同、供需分散、信息对称、系统扁平、交易开放等特征,能够协调满足园区内不同类型的能源需求。因此,本文以园区多能互补系统为研究对象,深入分析了能源间互补效应,并讨论园区多能互补系统的优化效益及评估机制,本文主要研究内容如下:（1）梳理了园区多能互补系统的研究成果与理论。首先,从园区综合能源体多能协同、多能调度、多能协同及多能效益协调四个方面总结了论文研究内容相关的国内外研究现状。然后,介绍了园区多能互补系统基本涵义、模式演化和相关政策,并对比分析了美国、日本和法国等典型国家的园区多能互补系统实施现状,结合我国园区多能互补系统实施过程中存在的问题,给出了相应的经验启示。最后,从实施作用途径、数学模型构建和优化分析三个方面提出了园区多能互补系统对能源利用的作用机理。（2）建立了园区电-储互补系统清洁能源发电调度优化模型。首先,基于构建风力和光伏机组出力的联合概率分布函数,模拟其联合出力。其次,构建了机组出力不确定集,根据不同约束违反概率水平时的参数取值,优化系统出力结构。最后,由模拟结果得到,风电、光伏并网量的提升,需要储能电站作为备用服务能够系统收益。（3）构建了园区电-热互补系统清洁能源发电调度优化模型。首先,在设计耦合电-热园区综合能源系统的基础上,构建了基于需求弹性矩阵的电-热能源需求响应模型,将热、电多种用户负荷纳入了需求响应的范围;其次,构建了系统收益最大为目标函数,并以需求响应手段实施为考虑因素,并设计了模拟情景。最后,算例结果表明通过实施价格型需求响应手段,峰谷分时热价、电价能促进用户用能行为发生改变,实现了削峰填谷,提升园区系统运营效益。（4）构建了园区电-气互补系统清洁能源发电调度优化模型。首先,针对园区电-气互补系统中风电出力的不确定性造成系统运行风险,利用新型电转气技术和燃气轮机快速调节能力,构建了含气电双向转换的园区电-气互补系统。其次,以园区电-气互补系统运营利润最大为目标,考虑绿色证书与碳交易政策对系统运行的影响,并设计了多种模拟情景。最后,算例结果表明,含气电转换装备的园区电-气互补系统通过在电力与天然气两个市场中灵活竞标,能够获得更高的竞标利润。（5）构建了园区多能源互补系统调度优化模型。首先,建立了计及条件风险价值的园区多能源互补系统经济调度模型。其次,考虑了电、热、气多能流的约束,以最小的期望成本和条件风险价值供给侧的调度出力,将CVaR引入到多能源互补系统经济调度中。最后,仿真结果表明,当置信水平提高时,系统所承受的调度风险也相应地增加。（6）设计了不同类型园区互补系统综合效益评价模型。首先,综合考虑园区互补系统实施效益,以系统的效益为基础,并考虑了系统运营的经济层面、环境层面和系统安全层面三个维度建立了完整的园区互补系综合效益评价指标体系。然后,构造了兼顾主客观赋权法优势的集成赋权模型,并提出了园区互补系统改进TOPSIS与灰色聚类三角函数评价模型,实例分析结果表明所提综合评价方法能够很好的确定指标的权重系数;改进TOPSIS与灰色聚类三角函数评价模型能够对不同类型园区互补系统效益优劣度进行排序。
二、电站风机优化运行探讨（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、电站风机优化运行探讨（论文提纲范文）
（1）基于深度学习的电站风机故障预警研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于分析模型的故障预警 |
| 1.2.2 基于经验知识的故障预警 |
| 1.2.3 基于数据驱动的故障预警 |
| 1.3 研究现状分析与总结 |
| 1.4 论文主要研究内容 |
| 第2章 基于贝叶斯优化LSTM神经网络的建模方法 |
| 2.1 引言 |
| 2.2 循环神经网络原理 |
| 2.2.1 RNN原理 |
| 2.2.2 LSTM网络原理 |
| 2.3 贝叶斯优化原理 |
| 2.3.1 高斯过程概率代理模型 |
| 2.3.2 基于提升策略的PI采集函数 |
| 2.4 LSTM-BO模型的构建 |
| 2.4.1 LSTM-BO模型框架 |
| 2.4.2 LSTM-BO模型有效性验证 |
| 2.5 本章小结 |
| 第3章 基于偏离度频率分布的故障预警策略 |
| 3.1 引言 |
| 3.2 偏离度函数 |
| 3.3 健康指数的构建 |
| 3.3.1 偏离度频率分布分析 |
| 3.3.2 健康指数计算 |
| 3.4 模拟故障预警仿真 |
| 3.5 基于LSTM-BO模型的故障预警流程 |
| 3.6 本章小结 |
| 第4章 基于LSTM-BO模型的电站风机故障预警 |
| 4.1 引言 |
| 4.2 案例1:电站引风机故障预警 |
| 4.2.1 引风机特征变量选取 |
| 4.2.2 数据获取及划分 |
| 4.2.3 数据预处理 |
| 4.2.4 LSTM-BO模型参数优化 |
| 4.2.5 LSTM-BO模型预测结果分析 |
| 4.2.6 预警阈值确定 |
| 4.2.7 预警策略验证 |
| 4.3 案例2: 电站送风机故障预警 |
| 4.3.1 送风机变量选取及数据获取 |
| 4.3.2 LSTM-BO模型参数优化 |
| 4.3.3 LSTM-BO模型预测结果分析 |
| 4.3.4 预警阈值确定 |
| 4.3.5 预警策略验证 |
| 4.4 本章小结 |
| 第5章 结论与展望 |
| 5.1 研究结论 |
| 5.2 研究展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（2）基于卷积神经网络的一次风机故障预警研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及其意义 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容 |
| 第2章 一次风机设备介绍及故障分析 |
| 2.1 一次风机介绍 |
| 2.2 一次风机故障分析 |
| 2.3 本章小结 |
| 第3章 基于深度神经网络的风机轴承振动建模 |
| 3.1 一次风机监测数据介绍 |
| 3.2 特征选择 |
| 3.2.1 皮尔逊相关系数法 |
| 3.2.2 基于k近邻的互信息输入变量选择 |
| 3.3 深度神经网络 |
| 3.3.1 神经网络简介 |
| 3.3.2 梯度下降算法 |
| 3.3.3 基于最大相关熵的代价函数 |
| 3.4 基于卷积神经网络的风机轴承振动建模 |
| 3.4.1 卷积层 |
| 3.4.2 池化层 |
| 3.4.3 CNN训练算法 |
| 3.5 仿真结果及分析 |
| 3.6 本章小结 |
| 第4章基于GA-CNN的风机轴承振动建模 |
| 4.1 引言 |
| 4.2 遗传算法 |
| 4.2.1 遗传算法的基本原理 |
| 4.2.2 遗传算法实现方法 |
| 4.3 基于GA-CNN的振动预测模型 |
| 4.4 仿真结果及比较分析 |
| 4.5 本章小结 |
| 第5章 基于GA-CNN的风机轴承振动的故障预警 |
| 5.1 引言 |
| 5.2 滑动窗口法 |
| 5.3 故障预警仿真 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（3）基于数据驱动的火电厂送风机故障预警（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景 |
| 1.2 故障预警技术发展现状 |
| 1.3 故障预警技术分类 |
| 1.3.1 定性分析法 |
| 1.3.2 定量分析法 |
| 1.4 本文主要研究工作 |
| 第2章 送风机基本特点及相关故障 |
| 2.1 送风机概述 |
| 2.2 送风机基本结构及监测状态参数 |
| 2.2.1 送风机基本结构 |
| 2.2.2 SIS监测的送风机状态参数 |
| 2.3 送风机故障类型及导致原因 |
| 2.4 本章小结 |
| 第3章 基于GRU神经网络的送风机振动预测建模 |
| 3.1 引言 |
| 3.2 神经网络基础理论 |
| 3.2.1 激活函数 |
| 3.2.2 损失函数与优化方法 |
| 3.3 基于直方图法的互信息特征选择 |
| 3.4 GRU神经网络 |
| 3.4.1 循环神经网络 |
| 3.4.2 长短时记忆网络 |
| 3.4.3 门控循环单元网络 |
| 3.5 基于GRU神经网络送风机振动预测模型 |
| 3.5.1 基于最大相关熵的损失函数设计 |
| 3.5.2 GRU模型结构及训练算法 |
| 3.6 仿真结果及分析 |
| 3.7 本章小结 |
| 第4章 基于IPSO-GRU的送风机振动预测建模 |
| 4.1 引言 |
| 4.2 粒子群算法 |
| 4.3 基于IPSO-GRU的送风机振动预测模型 |
| 4.3.1 IPSO-GRU模型优化过程 |
| 4.3.2 IPSO-GRU模型参数优化结果 |
| 4.4 IPSO-GRU模型预测结果 |
| 4.5 本章小结 |
| 第5章 基于序贯概率比检验的送风机故障预警 |
| 5.1 引言 |
| 5.2 序贯概率比检验 |
| 5.3 故障预警仿真验证 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 研究结论 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（4）600MW等级电站单配置/1300MW等级电站汽动静调风机结构设计与分析（论文提纲范文）
| 0 引言 |
| 1 转子部分结构设计 |
| 1.1 叶轮强度及频率分析 |
| (1)叶片应力分析 |
| (2) 叶片模态分析 |
| 1.2 联轴器安全性分析 |
| 1.3 中间轴安全性分析 |
| 1.4 轴承选型分析及计算 |
| (1)轴承的选择 |
| (2)轴承承载分析 |
| 2 冷却系统优化 |
| 3 定子部分结构设计 |
| 4 结语 |
（5）动调轴流风机全工况智能化节能运行研究（论文提纲范文）
| 1 动叶可调轴流式风机结构特点和性能分析 |
| 1.1 结构特点及调节原理 |
| 1.2 性能特点分析 |
| 2 存在问题 |
| 3 变频调速阶梯式智能化调节方式基本原理 |
| 4 全工况智能化调节与在线监测诊断系统 |
| 4.1 联合调节特点 |
| 4.2 实际工程应用 |
| 5 300 MW机组变频调速动调送风机全工况在线监测及智能化运行 |
| 6 结语 |
（6）基于PCA和多元状态估计的引风机故障预警（论文提纲范文）
| 引 言 |
| 1 基于PCA和WT的数据预处理 |
| 1.1 PCA数据降维 |
| 1.2 WT数据清洗 |
| 2 基于MSET的引风机状态建模 |
| 3 应用实例 |
| 4 结 论 |
（7）电站风机的节能途径探讨（论文提纲范文）
| 引言 |
| 1 国内电站风机发展及应用现状 |
| 1.1 电站风机概述 |
| 1.2 电站风机的运行现状 |
| 2 国内电站风机节能途径的探讨 |
| 2.1 结合锅炉型号进行风机的合理选择 |
| 2.2 电站风机的调节方法 |
| 2.3 电站风机变频调节中的注意事项 |
| 3 风机改造流程 |
| 4 结束语 |
（8）基于数据挖掘的火电风机设备故障状态监测技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究的意义 |
| 1.2 风机设备故障检修概念 |
| 1.2.1 状态检修的发展 |
| 1.2.2 风机故障与状态检修 |
| 1.3 故障检修中的状态监测方法 |
| 1.3.1 状态监测方法的分类与发展 |
| 1.3.2 数据挖掘技术研究现状 |
| 1.4 本文的主要内容 |
| 第二章 基于数据挖掘的故障监测技术基础 |
| 2.1 关联规则基础 |
| 2.1.1 关联规则概念 |
| 2.1.2 Apriori算法 |
| 2.1.3 关联规则的改进 |
| 2.2 非线性状态估计理论 |
| 2.2.1 算法概念 |
| 2.2.2 建模过程 |
| 2.3 风机设备故障监测技术路线 |
| 2.4 本章小结 |
| 第三章 基于关联规则的风机故障模式分析 |
| 3.1 风机设备常见故障 |
| 3.1.1 风机设备分类 |
| 3.1.2 风机故障类型 |
| 3.2 故障状态下风机运行模式分析 |
| 3.3 正常状态下风机运行模式分析 |
| 3.3.1 风机数据准备 |
| 3.3.2 改进关联规则的应用 |
| 3.4 本章小节 |
| 第四章 基于非线性状态估计的风机故障预警 |
| 4.1 数据预处理 |
| 4.1.1 参数选择 |
| 4.1.2 数据清洗 |
| 4.1.3 数据标准化 |
| 4.2 历史记忆矩阵的构建 |
| 4.3 预警阈值的设置 |
| 4.3.1 相似度理论 |
| 4.3.2 滑动窗口法 |
| 4.4 风机预警实例 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间已发表或录用的论文 |
（9）基于深度学习的电站风机故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 相关研究综述 |
| 1.2.1 风机旋转失速数值模拟研究进展 |
| 1.2.2 感兴趣区域提取研究进展 |
| 1.2.3 基于深度学习的故障分类研究进展 |
| 1.2.4 风机故障诊断研究进展 |
| 1.3 本文的主要工作及组织结构 |
| 第二章 电站风机旋转失速故障数值模拟 |
| 2.1 引言 |
| 2.2 模拟对象 |
| 2.2.1 几何模型 |
| 2.2.2 网格划分策略 |
| 2.3 数学模型描述 |
| 2.4 正常和不同旋转失速工况区分方法 |
| 2.4.1 小波基函数的选择 |
| 2.4.2 多尺度分析Mallat算法 |
| 2.5 数值模拟结果分析 |
| 2.5.1 模拟结果验证 |
| 2.5.2 正常工况流场分析 |
| 2.5.3 旋转失速工况计算结果分析 |
| 2.5.4 数据采集 |
| 2.6 本章小结 |
| 第三章 基于区域建议网络的风机CFD图像感兴趣区域提取 |
| 3.1 引言 |
| 3.2 风机CFD图像集获取和标注 |
| 3.2.1 图像集建立 |
| 3.2.2 图像标注 |
| 3.3 基于选择性搜索(Selective Search)的图片分割 |
| 3.3.1 基于图的图像分割算法 |
| 3.3.2 选择性搜索算法(Selective Search) |
| 3.3.3 两种图片分割方法的对比分析 |
| 3.4 一种新的区域建议网络SLENet |
| 3.4.1 稀疏局部嵌入算法 |
| 3.4.2 SLENet网络结构 |
| 3.4.3 SLENet网络训练过程 |
| 3.4.4 SLENet网络推理过程 |
| 3.5 区域建议网络结果分析 |
| 3.5.1 评价指标 |
| 3.5.2 SLENet参数影响分析 |
| 3.5.3 不同区域建议网络对比分析 |
| 3.6 本章小结 |
| 第四章 基于深度学习的风机故障诊断方法 |
| 4.1 引言 |
| 4.2 卷积神经网络基本概念 |
| 4.2.1 基本思想 |
| 4.2.2 卷积神经网络的结构 |
| 4.2.3 卷积神经网络的前向和反向传播算法 |
| 4.3 度量学习损失函数 |
| 4.3.1 三元组损失函数(Triplet Loss) |
| 4.3.2 四元组损失函数(Quadruplet loss) |
| 4.3.3 边界样本采样损失函数(Margin sample mining loss,MSML) |
| 4.4 新设计的卷积层和全连接层部分及预训练损失函数 |
| 4.4.1 经典深度卷积网络结构性能对比分析 |
| 4.4.2 新设计的卷积层和全连接层部分结构及预训练损失函数 |
| 4.5 网络参数选择 |
| 4.5.1 激活函数与参数初始化 |
| 4.5.2 随机失活(Dropout) |
| 4.5.3 批规范化(Batch normalization) |
| 4.6 一种新的风机故障诊断方法 |
| 4.6.1 新设计的故障诊断方法 |
| 4.6.2 训练和在线故障诊断过程 |
| 4.6.3 故障诊断结果分析 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 附录1 |
| 附录2 |
| 附录3 |
| 附录4 |
| 附录5 |
| 致谢 |
| 参考文献 |
| 作者在攻读硕士学位期间发表的论文 |
| 作者在攻读硕士学位期间申请的专利 |
| 作者在攻读硕士学位期间参与的科研项目 |
（10）园区多能互补调度优化及效益评价模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 园区多能互补系统建设和发展现状 |
| 1.2.2 园区多能互补系统调度方面研究 |
| 1.2.3 园区多能互补系统效益评估方面研究 |
| 1.2.4 园区多能互补系统效益协调方面研究 |
| 1.3 论文主要研究内容和创新点 |
| 1.3.1 论文主要研究内容 |
| 1.3.2 论文研究技术路线 |
| 1.3.3 论文研究创新点 |
| 第2章 园区多能互补系统发展现状及运营特性分析 |
| 2.1 园区供能系统模式演化分析 |
| 2.1.1 典型国家多能互补系统发展现状 |
| 2.1.2 园区传统供能系统分析 |
| 2.1.3 园区分布式互补供能系统 |
| 2.2 我国园区多能互补系统发展分析 |
| 2.2.1 我国多能互补政策环境分析 |
| 2.2.2 我国清洁能源消纳现状 |
| 2.2.3 我国多能互补系统试点现状 |
| 2.3 园区多能互补系统运营特性分析 |
| 2.3.1 园区多能互补系统结构分析 |
| 2.3.2 园区多能互补系统服务技术分析 |
| 2.3.3 园区多能互补系统服务对象分析 |
| 2.3.4 园区多能互补系统服务模式分析 |
| 2.4 本章小结 |
| 第3章 园区电-储互补系统优化调度模型 |
| 3.1 引言 |
| 3.2 园区电-储供能系统出力模型 |
| 3.2.1 风电系统出力模型 |
| 3.2.2 光伏系统出力模型 |
| 3.2.3 储能电站出力模型 |
| 3.2.4 机组出力不确定性集构建 |
| 3.3 园区电-储联合调度优化模型 |
| 3.3.1 系统调度目标函数构建 |
| 3.3.2 系统约束条件 |
| 3.4 算例分析 |
| 3.4.1 系统各设备基本参数 |
| 3.4.2 模拟结果对比分析 |
| 3.4.3 敏感性分析 |
| 3.5 本章小结 |
| 第4章 园区电-热互补系统优化调度模型 |
| 4.1 引言 |
| 4.2 园区电-热互补系统结构及出力模型构建 |
| 4.2.1 园区电-热互补系统结构 |
| 4.2.2 电-热互补系统各单元出力模型 |
| 4.3 电-热互补系统优化调度模型 |
| 4.3.1 系统收益最大化目标函数构建 |
| 4.3.2 系统约束条件 |
| 4.4 算例分析 |
| 4.4.1 情景设置与基础参数 |
| 4.4.2 不同情景结果分析 |
| 4.5 本章小结 |
| 第5章 园区电-气互补系统优化调度模型 |
| 5.1 引言 |
| 5.2 园区电-气互补系统运营效益优化模型构建 |
| 5.2.1 系统各单元出力模型 |
| 5.2.2 系统优化调度模型 |
| 5.2.3 系统约束条件 |
| 5.3 算例分析 |
| 5.3.1 仿真情景设定 |
| 5.3.2 系统各设备基础数据 |
| 5.3.3 优化结果及分析 |
| 5.4 本章小结 |
| 第6章 园区多能源互补系统优化调度模型 |
| 6.1 引言 |
| 6.2 园区多能源系统日前调度模型 |
| 6.2.1 园区多能源互补系统结构 |
| 6.2.2 机组出力模型 |
| 6.2.3 系统收益风险评估模型 |
| 6.3 收益风险约束下系统优化调度模型 |
| 6.3.1 多目标优化调度模型 |
| 6.3.2 系统约束条件 |
| 6.4 算例分析 |
| 6.4.1 模拟场景设定 |
| 6.4.2 基础数据 |
| 6.4.3 仿真结果分析 |
| 6.5 本章小结 |
| 第7章 园区不同类型多能互补系统运营评价模型 |
| 7.1 引言 |
| 7.2 系统评价指标体系构建 |
| 7.2.1 环境层面指标 |
| 7.2.2 系统经济指标 |
| 7.2.3 系统安全可靠性指标 |
| 7.3 园区多能互补系统综合评价模型 |
| 7.3.1 指标集成赋权模型 |
| 7.3.2 TOPSIS综合评价模型 |
| 7.3.3 灰色聚类三角函数评价模型 |
| 7.4 算例分析 |
| 7.4.1 基础数据 |
| 7.4.2 算例结果 |
| 7.5 本章小结 |
| 第8章 研究成果和结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
四、电站风机优化运行探讨（论文参考文献）
- [1]基于深度学习的电站风机故障预警研究[D]. 雷萌. 华北电力大学(北京), 2021(01)
- [2]基于卷积神经网络的一次风机故障预警研究[D]. 潘岚川. 华北电力大学(北京), 2021(01)
- [3]基于数据驱动的火电厂送风机故障预警[D]. 潘健. 华北电力大学(北京), 2021(01)
- [4]600MW等级电站单配置/1300MW等级电站汽动静调风机结构设计与分析[J]. 邓辉,周煜. 电力科技与环保, 2020(06)
- [5]动调轴流风机全工况智能化节能运行研究[J]. 李昊燃,郑金,董康田,李凯伦. 热力发电, 2020(11)
- [6]基于PCA和多元状态估计的引风机故障预警[J]. 韩万里,茅大钧,印琪民. 热能动力工程, 2020(01)
- [7]电站风机的节能途径探讨[J]. 冯轩. 科技创新与应用, 2020(01)
- [8]基于数据挖掘的火电风机设备故障状态监测技术研究[D]. 牛鹏坤. 上海交通大学, 2020(01)
- [9]基于深度学习的电站风机故障诊断方法研究[D]. 刘旭婷. 东南大学, 2019(05)
- [10]园区多能互补调度优化及效益评价模型研究[D]. 谭清坤. 华北电力大学(北京), 2019