【技术实现步骤摘要】
本申请属于一种漏氢率诊断方法，具体涉及一种基于机器学习算法的火电机组漏氢率诊断方法及系统。
技术介绍
1、在火电发电机组的运行过程中，由于机组的工作环境比较复杂，且发电机内部有较多的密封结构，如果漏氢情况无法及时发现和处理，将对机组的正常运行和人员的生命安全带来严重的安全隐患。
2、目前，传统的漏氢监测方法大多需要由工作人员巡查，存在检测不及时和误差偏大等问题，无法满足实时和准确的检测需求。同时，大量的手工记录和数据处理也增加了工作人员的工作强度和出错率。
3、因此，为满足火电机组对漏氢检测的实时性和准确性需求，近年来涌现了许多基于气体检测和数据处理技术的漏氢监测系统。其中，一些系统采用了激光共振吸收光谱（tdlas）和光纤传感器等高性能的气体分析技术，可以实时监测氢气的浓度，进而保证漏氢检测的精确性和实时性。但是，这种系统成本较高，复杂度较大，对专业技术人员要求也较高，限制了该技术在市场上的推广和应用。
技术实现思路
1、本申请针对现有的漏氢监测系统，存在成本高，复杂度大，对技术人员要求高的技术问题，提出一种基于机器学习算法的火电机组漏氢率诊断方法及系统。
2、为了实现上述目的，本申请采用以下技术方案予以实现：
3、第一方面，本申请提出一种基于机器学习算法的火电机组漏氢率诊断方法，包括：
4、根据表计数据，实时获取氢气参数和排汽参数；
5、将所述氢气参数和所述排汽参数输入至漏氢预测模型，获取实时的漏氢率，并预
6、所述漏氢预测模型的训练方法，包括：
7、根据所述氢气参数和所述排汽参数，计算对应的漏氢率；
8、采用多组氢气参数和排汽参数，以及对应的漏氢率，对应未来预设时间段的漏氢率，获取漏氢率的趋势，对漏氢预测模型进行训练。
9、进一步地，所述漏氢预测模型采用向量回归分析算法模型。
10、进一步地，所述氢气参数包括氢气温度和氢气压力；所述排汽参数包括排汽压力和排汽温度。
11、进一步地，所述计算对应的漏氢率时，还包括计算对应的漏氢量：
12、所述获取漏氢率的趋势时，还包括获取漏氢量的趋势；
13、所述获取实时的漏氢率，并预测未来预设时间段的漏氢率时，还包括获取实时的漏氢量，并预测未来预设时间段的漏氢量；
14、所述计算对应的漏氢量，包括：
15、
16、其中，为发电机漏氢量，为发电机充气容积，为给定状态下的环境温度，为电厂所在地标准大气压，为时刻到时刻的时间，为发电机氢气压力测点至在时刻前后5分钟的样本值平均值，为时刻发电机排汽温度对应的饱和压力，为发电机氢气温度测点至在时刻前后5分钟的样本值平均值，为时刻发电机排汽压力，为为发电机氢气压力测点至在时刻前后5分钟的样本值平均值，为时刻发电机排汽温度对应的饱和压力，为时刻发电机排汽压力，为发电机氢气温度测点至在时刻前后5分钟的样本值平均值，为电机氢气压力测点总数，且发电机氢气压力测点与发电机氢气温度测点一一对应；
17、所述漏氢率的计算，包括：
18、
19、其中，为发电机漏氢率。
20、进一步地，所述获取实时的漏氢率，之后还包括：
21、若漏氢率大于设定阈值，发送报警信息。
22、进一步地，所述实时获取氢气参数和排汽参数，之后还包括：
23、对所述氢气参数和排汽参数进行数据存储，用于数据回溯。
24、第二方面，本申请提出一种基于机器学习算法的火电机组漏氢率诊断系统，包括：
25、数据获取模块，用于根据表计数据，实时获取氢气参数和排汽参数；
26、预测模块，用于将所述氢气参数和所述排汽参数输入至漏氢预测模型，获取实时的漏氢率，并预测未来预设时间段的漏氢率；
27、所述漏氢预测模型的训练方法，包括：
28、根据所述氢气参数和所述排汽参数，计算对应的漏氢率；
29、采用多组氢气参数和排汽参数，以及对应的漏氢率，对应未来预设时间段的漏氢率，获取漏氢率的趋势，对漏氢预测模型进行训练。
30、进一步地，还包括报警模块；
31、所述报警模块，用于在预测模块获取的实时的漏氢率大于设定阈值时，发送报警信息。
32、与现有技术相比，本申请具有以下有益效果：
33、本申请提出一种基于机器学习算法的火电机组漏氢率诊断方法，根据表计数据，实时获取氢气参数和排汽参数，借助漏氢预测模型，获取实时的漏氢率，并预测未来预设时间段的漏氢率。第一方面，实现了对发电机内部漏氢率的实时监测，能够更加准确地判断发电机是否存在漏氢的风险。第二方面，本申请借助漏氢预测模型，采用机器学习技术进行数据分析和挖掘，能够通过对历史数据的分析和挖掘，预测发电机漏氢情况的趋势和异常变化，提前预警，避免了潜在的安全风险。综上，本申请可以更加精确地检测发电机的漏氢情况，有效提高了漏氢率的监测效率和监测安全性，避免了人力测量带来的误差和不足，同时，降低了监测成本，有利于进行市场推广和应用。
34、本申请还提出了一种基于机器学习算法的火电机组漏氢率诊断系统，具备上述基于机器学习算法的火电机组漏氢率诊断方法的全部优势。
本文档来自技高网...【技术保护点】
1.基于机器学习算法的火电机组漏氢率诊断方法，其特征在于，包括：
2.根据权利要求1所述基于机器学习算法的火电机组漏氢率诊断方法，其特征在于，所述漏氢预测模型采用向量回归分析算法模型。
3.根据权利要求1或2所述基于机器学习算法的火电机组漏氢率诊断方法，其特征在于，所述氢气参数包括氢气温度和氢气压力；所述排汽参数包括排汽压力和排汽温度。
4.根据权利要求3所述基于机器学习算法的火电机组漏氢率诊断方法，其特征在于，所述计算对应的漏氢率时，还包括计算对应的漏氢量：
5.根据权利要求4所述基于机器学习算法的火电机组漏氢率诊断方法，其特征在于，所述获取实时的漏氢率，之后还包括：
6.根据权利要求5所述基于机器学习算法的火电机组漏氢率诊断方法，其特征在于，所述实时获取氢气参数和排汽参数，之后还包括：
7.基于机器学习算法的火电机组漏氢率诊断系统，其特征在于，包括：
8.根据权利要求7所述基于机器学习算法的火电机组漏氢率诊断系统，其特征在于，还包括报警模块；
【技术特征摘要】
1.基于机器学习算法的火电机组漏氢率诊断方法，其特征在于，包括：
2.根据权利要求1所述基于机器学习算法的火电机组漏氢率诊断方法，其特征在于，所述漏氢预测模型采用向量回归分析算法模型。
3.根据权利要求1或2所述基于机器学习算法的火电机组漏氢率诊断方法，其特征在于，所述氢气参数包括氢气温度和氢气压力；所述排汽参数包括排汽压力和排汽温度。
4.根据权利要求3所述基于机器学习算法的火电机组漏氢率诊断方法，其特征在于，所述计算对应的漏氢率...
【专利技术属性】
技术研发人员：张吉顺，刘航航，党鹏飞，吴涛，杜保华，吴智群，
申请(专利权)人：西安西热电站信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。