登录    |    注册

您好,欢迎来到中国测试科技资讯平台!

首页> 《中国测试》期刊 >本期导读>火电厂智能化远程管理云平台系统设计

火电厂智能化远程管理云平台系统设计

199    2020-02-27

¥0.50

全文售价

作者:梁涛1, 李宗琪1, 姜文2, 井延伟3

作者单位:1. 河北工业大学人工智能与数据科学学院, 天津 300130;
2. 河北建投能源投资股份有限公司, 河北 石家庄 050011;
3. 河北建投新能源有限公司, 河北 石家庄 050011


关键词:大数据;云平台;FOA-GRNN;软测量;远程管理


摘要:

为优化火力发电的生产,解决传统服务器在存储和挖掘大数据能力上的不足,该文采用云存储和云计算技术,将爆发式增长的火电机组生产数据存储在云端,通过对云端数据库的访问,搭建在线的火电厂远程管理平台,对生产数据进行远程监督和规范化存储。智能化云平台系统通过果蝇算法优化的广义回归神经网络(FOA-GRNN),设计一种锅炉热效率实时软测量模型。通过实验验证,云平台相比于传统服务器,在保证预测精度的前提下,有着更加高效的数据处理能力。


Design of intelligent remote management cloud platform system for thermal power plants
LIANG Tao1, LI Zongqi1, JIANG Wen2, JING Yanwei3
1. College of Artificial Intelligence and Data Science, Hebei University of Technology, Tianjin 300130, China;
2. Hebei Jointo Energy Investment Co., Ltd., Shijiazhuang 050011, China;
3. Hebei Construction & Investment Group New Energy Co., Ltd., Shijiazhuang 050011, China
Abstract: In order to optimize the production of thermal power generation, solve the shortcomings of traditional servers in the ability to store and mine big data, this paper uses cloud storage and cloud computing technology, the explosive growth of thermal power unit production data is stored in the cloud. Through the access to the cloud database, an on-line thermal power plant remote management platform is built to remotely monitor and standardize production data. The intelligent cloud platform system designs a real-time soft measurement model for boiler thermal efficiency through the generalized regression neural network optimized by fruit fly optimization algorithm. Through experiments, the cloud platform has more efficient data processing capability than the traditional server under the premise of ensuring prediction accuracy.
Keywords: big data;cloud platform;FOA-GRNN;soft sensor;remote management
2020, 46(2):103-109  收稿日期: 2019-06-14;收到修改稿日期: 2019-07-28
基金项目: 河北省科技支撑计划资助项目(14214902D) ;石家庄科技局资助项目(181060481A)
作者简介: 梁涛(1975-),男,河北石家庄市人,教授,博士,研究方向为火力发电、新能源、人工智能
参考文献
[1] 罗睿, 徐衍安, 王毅, 等. 电厂厂级监控信息系统移动端开发及应用[J]. 热力发电, 2018, 47(6):137-142
[2] 黄文成, 贾立, 彭道刚, 等. 基于Apriori的关联规则算法及其在电厂中的应用[J]. 系统仿真学报, 2018, 30(1):266-271
[3] 刘志刚, 赵晓燕, 张涛, 等. 基于小波包-神经网络的电厂发电机组故障诊断研究[J]. 机械传动, 2018, 42(8):179-182
[4] BENDE S, SHEDGE R. Dealing with small files problem in hadoop distributed file system[J]. Procedia Computer Science, 2016, 79:1001-1012
[5] 吴萌. 基于Hadoop架构的风电场集中监控系统的研究与实现[D]. 济南:山东大学, 2018.
[6] 崔红艳, 曹建芳, 史昊. 一种基于MapReduce的并行PSO-BP神经网络算法[J]. 科技通报, 2017, 33(4):110-115
[7] 李爽, 陈瑞瑞, 林楠. 面向大数据挖掘的Hadoop框架K均值聚类算法[J]. 计算机工程与设计, 2018, 39(12):3734-3738
[8] 李星. 基于云计算的数据挖掘算法并行化研究与实现[D]. 南京:南京邮电大学, 2018.
[9] 宋鸣程, 贾立, 叶灵芝. 基于Spark的火电大数据挖掘方法的研究[J]. 控制工程, 2018, 25(12):2158-2165
[10] LI Y, GAO H. On-line calculation for thermal efficiency of boiler[C]//2010 Asia-Pacific Power and Energy Engineering Conference. IEEE, 2010:1-4.
[11] 章云锋. 燃煤电站锅炉氧量和效率软测量研究[D]. 上海:上海交通大学, 2013.
[12] LIU B C, WU H C, ZHANG Y, et al. Thermal efficiency analysis and energy optimization of steam injection boiler[C]//International Conference on Computer Distributed Control & Intelligent Environmental Monitoring. IEEE Computer Society, 2011.
[13] DESHPANDE P, WARKE N, KHANDARE P, et al. Thermal power plant analysis using artificial neural network[C]//2012 Nirma University International Conference on Engineering (NUiCONE). IEEE, 2012.