一、数据挖掘及在电厂凝汽设备诊断中的应用（论文文献综述）
缪宇航[1]（2020）在《基于Spark和关联规则挖掘的煤电机组运行优化研究》文中研究指明火电机组运行优化是提高机组节能降耗潜力的重要手段,对我国实现可持续发展与低碳经济的目标具有重要意义。运行优化目标值的合理确定是火电机组运行优化的核心和关键。自动化、信息化技术在火电厂的普遍应用,使机组的实际运行数据得以保存。这些高维、高度耦合、强线性相关的数据记录了机组真实的运行状态,具有极高的分析和挖掘价值,使基于关联规则的运行优化目标值确定方法体现出巨大的优势,并得到研究人员的高度重视,由此发展出一个热门的研究课题。目前,大数据技术的崛起及快速发展,又为该研究领域注入了新的活力。推广大数据思维与技术在火电机组运行优化中的应用,对于提高机组运行经济性具有重要意义。本文以火电机组的海量历史运行数据为基础,将结合关联规则与Spark分布式计算框架的大数据挖掘技术引入到运行优化目标值确定方法的研究中,主要内容如下:在对关联规则挖掘技术的相关理论与方法归纳总结的基础上,针对传统算法无法高效处理具有稀疏、高维特性的火电机组运行数据的问题,提出了一种面向高维稀疏数据的频繁项集挖掘算法,FM-growth。该算法采用一种具有高度压缩能力的频繁项矩阵数据结构,能够完整的将挖掘所需的有用信息从数据集中提炼出来。挖掘过程基于传统模式增长类方法的挖掘思路,采用分而治之的策略将挖掘任务分解为多个独立的子任务,每个子任务通过简单的矩阵操作运算和迭代计算实现了频繁项集的挖掘。为了提高对海量数据的挖掘能力,打破单机计算资源的限制,本文对频繁项集挖掘算法的并行化实现进行了深入研究。首先对当前最流行的两种分布式计算框架Map Reduce和Spark的工作原理进行了分析,确定了后续工作将以更适合迭代类算法的Spark为研究对象。然后对已有的并行频繁项集挖掘算法进行学习,对具体的并行化实现方案进行整理并加以总结。最后,提出了基于Spark的并行FM-growth算法。基于以上两个基础性研究成果,本文最后将其投入机组运行优化目标值确定的应用中。通过对已有的目标值确定方法进行整理并加以改进和完善,总结了一套完整的机组目标值挖掘流程。本文对该挖掘流程进行了细致的划分,分别对每个环节加以阐述。最后以陕西某电厂的600MW燃煤发电机组为实例,对该机组一个完整运行周期内的525600条历史运行数据进行挖掘。通过对挖掘得到的目标值和已有设计值进行比较分析,验证了本文所提方法的有效性和先进性。
刘炳含[2]（2019）在《基于大数据技术的电站机组节能优化研究》文中提出随着我国经济持续发展,能源消费保持增长态势。燃煤发电作为能源供应的支柱产业,在我国独特的能源结构作用下,将继续占据主导地位,也是我国实现优能降耗减排目标的关键。大数据、人工智能的崛起及迅猛发展,推动着智能化、信息化与工业化的深度融合,为我国发电企业由高能耗、高排放、低效率的粗放型发展方式向低能耗、低排放、高效率的绿色发展方式转变带来新的方式和机遇。随着电力系统信息集成化的普及应用,电站机组积累了海量运行数据,如何挖掘数据中的潜在价值并加以利用,已成为当前发电行业的重要研究领域。推广大数据技术在电站机组的多角度、深层次、宽范围的挖掘与应用,对提高机组效率及深化优能降耗具有重要意义。首先,通过对电力大数据定义及特征的概括分析,阐述了电站机组大数据的定义及价值。针对电站机组大数据的挖掘过程,提出电站机组大数据的层级架构设计;同时,依据电站大数据处理关键技术,构建电站大数据生态系统应用框架,引入大数据存储与批处理技术,实现电站机组大数据的信息挖掘与获取。其次,深入分析电站机组海量运行数据特点及数据质量,阐明质量缺陷及原因,明确数据处理策略及方法。在电站机组数据检测中,采用多参数阈值判断法筛选稳态工况数据。在数据预处理中,利用双线性插值法及联合概率密度法分别处理数据空缺值及离散值;同时,针对电站机组大数据高维度、非线性的特点,引入模糊粗糙集理论,建立电站机组大数据特征参数选择方法,剔除冗余或无关参数,精简特征参数集,保证大数据挖掘处理的高效率性与高精度性。再次,开展基于大数据技术的电站机组能耗分析方法。以模糊粗糙集属性约简为基础,通过Canopy算法对K-means聚类算法改进,并将改进K-means聚类算法在Hadoop平台上实现并行化计算,实现全工况高效寻优确定电站机组运行目标基准值。同时,建立支持向量机能耗敏感性分析模型,依据供电煤耗与输入特征参数之间的依赖度及相关性,分析不同负荷工况下关键特征参数对供电煤耗的敏感性系数。然后,分析厂网两级负荷优化分配现状,针对电力发展清洁型、灵活型、智能型需求,提出基于大数据技术的考虑边界条件及污染物排放的多目标厂级负荷优化分配策略。基于电站机组的海量运行数据,引入大数据分析方法,通过粒子群算法对支持向量机进行改进,建立厂级快速性、经济性、环保性多目标负荷优化预测模型;并利用MapReduce并行编程模型实现对NSGA-Ⅱ优化算法的并行化处理,完成厂级多目标负荷优化分配计算。以此为基础开展的厂级负荷优化分配可有效降低电站机组供电煤耗及污染物排放,对电力系统节能发电调度具有参考意义。最后,开展燃气电站机组对标管理综合评估研究。在分析研究燃气电厂对标管理评估特点及表征参数的基础上,从安全环保、机组可靠、设备管理、经济运营、生产技术5个方面建立燃气电站机组对标管理综合评价指标体系:同时,基于大数据分析方法的粗糙集属性约简原理,结合向量夹角余弦与主成分分析法,建立燃气电站机组对标管理综合评估模型。针对模型赋权方案,建立基于指标权值的敏感性分析模型,检验结果表明所建立的燃气电站机组对标管理综合评价模型的权值分配敏感性较低,模型评价结果稳定,鲁棒性好,为燃气电厂企业对标管理及电厂机组间竞赛提供指导和帮助。
贺之豪[3]（2019）在《数据驱动的汽轮机组性能诊断研究》文中认为目前,传统火力发电行业受到新能源发电的冲击,市场占比逐年下降。新环境下的火力发电更加注重机组的灵活性调峰能力,这也对火力发电领域的设备性能监控与运行优化提出了较高要求。随着信息技术发展,海量运行数据的价值挖掘逐渐得到广泛的认可,如何通过数据挖掘获取正确的信息,也是当前火电领域亟待解决的问题。本文针对火力发电汽轮机组的三大主要组成部分:通流部分、回热加热器部分和凝汽器系统部分,选定了能表征其运行热经济性的特征参数,运用传统热力计算研究思路进行分析。同时,就其海量实际运行数据的特点,采用数据挖掘技术的相关处理方法,进行基于滑动窗口法的准稳态筛选和基于BP神经网络的异常数据检测,使用筛选之后的稳态数据来进行建模分析,与传统热力计算的结果相互验证。本文通过对特征通流面积、加热器端差和凝汽器性能状态监测因子的分析研究,辅以海量电站运行数据的信息挖掘,验证了评价汽轮机组热经济性的指标的合理性,也形成了一套完整的汽轮机组性能分析方案,对火力发电机组运行的高效安全性有一定指导作用。
铁成梁[4]（2019）在《电厂设备管理智能系统及其大数据分析应用研究》文中研究说明火力发电厂设备系统繁多,工艺复杂,各系统工艺过程参数,设备运行状态均需要高效监测和精准分析,且涉及数据规模庞大,关乎设备的可靠性以及电厂机组稳定运行,同时对企业生产效率和安全生产有着深远的影响。在国家建设智慧电厂的号召和工业化与信息化的高标准要求下,做好科学的设备管理、实现数据挖掘,对提高整个电厂的生产质量有着积极的意义。在此背景下,本文对火电厂设备管理智能系统与SPSS Modeler进行耦合:首先,对火电厂的设备管理智能系统进行设计与研究,包括服务器端,客户PC端和Android PC端的基本架构和设计思想。考虑到该系统与SPSS的耦合主要是依托于数据库的连接,故以数据库表和数据库代码的设计为主,进行数据库搭建分析。客户端采用MySQL数据库,而对于数据量流通较大但储存量较小的Android端则采用SQLite数据库,以适应PC的存储能力。其次,针对电厂庞大的数据规模和复杂的数据形式,基于Apriori算法的简单关联规则,本文提出了用SPSS Modeler对电厂数据进行数据挖掘。电厂数据的规模和价值与设备的高新化、智能化程度以及设备管理的精细化成正相关,数据挖掘成果与数据的完整性和历史性也有正向关系,故电厂数据挖掘以电厂的信息管理、节能降耗、机组优化、故障诊断、状态分析为目标,以数据准备、数据清洗、数据缩容、建模分析、优化配置、差异分析为序进行,以信息反馈至参数优化为终点,形成完整循环。最后,利用白银某电厂振动监测数据为样本,建立了完整的数据流模型,利用SPSS两步聚类、异常分析、特征提取、主成分分析、Apriori等功能对该样本进行实例挖掘分析,实现参数降维,数据转换,最终以关联规则的形式展示挖掘结果,并以“网状图”功能节点对结果进行可视化展示。
徐婧[5]（2018）在《煤电机组能效状态评价与诊断系统研究》文中研究指明随着我国燃煤发电企业由高耗能、高排放、低效率的粗放型发展方式向低耗能、低排放、高效率的绿色发展方式转变,煤电机组的节能运行工作日益受到重视。然而,电力结构调整,新能源装机持续增加,迫使国内现役大部分煤电机组承担调峰任务,负荷率持续走低,机组运行能耗偏高,煤电机组日常运行节能提效压力增大。因此,开展煤电机组能效状态评价与诊断技术研究对我国工业节能和煤电机组健康持续发展具有重要意义。本文着眼于现役煤电机组能效状态评价与诊断理论与技术的研究,提出了能效状态的概念,并在此基础上开展了一系列的能效状态评价与诊断方法与关键技术的研究。详细分析了机组日常运行时,各参数对机组能效状态的影响及指标之间的耦合规律,构建了描述机组能效状态的层次化的指标体系;充分挖掘机组历史运行数据,确定了能效基准状态,构建了能效状态实时评价模型;研究了能效状态异常诊断的理论方法,构建了诊断模型,为全面、客观地了解机组能源使用的实际情况,正确认识与能效先进水平的差距,制定切实可行的运行调整方案和维修策略的供了可借鉴的思路与方法。首先,基于系统科学理论,构建“系统-子系统”的层次化的热力系统结构树。结合领域知识与热力学第一定律,选取能反映煤电机组能效状态的主要指标,并由低层次到高层次逐步整合,构建能效状态指标体系,并通过有向图的形式将各能效状态指标之间的相互影响关系清晰地表达出来,为能效状态评价与诊断提供基础。其次,基于所构建的能效状态指标体系,以机组历史运行数据为基础,结合数据统计方法、数据挖掘技术,进行了两方面的研究应用:（1）考虑到机组调峰运行工况多变这一客观情况,基于数据挖掘技术,确定了机组能效基准状态:基于模糊C均值聚类算法,对经稳态筛选与工况划分预处理后的历史运行数据进行多指标同步聚类,根据聚类结果确定能效基准状态;（2）以确定的能效基准状态为评价基准,提出了基于多状态指标融合的能效状态实时评价模型,并定义能效状态指数,衡量实际状态与预估状态的偏离程度,建立各状态指标之间的关联关系,确定能效状态等级（优、良、差）,为机组能效状态异常诊断提供前提条件。接着,在能效状态诊断理论的基础上,结合符号有向图与领域知识,构建了能效状态异常事件诊断知识库,分析并诊断引起能效状态异常的运行调整类和设备维护类原因,在为机组运行优化提供调整策略的同时,定位异常发生的位置、模式及原因,并给出相应的处理决策。最后,将煤电机组能效状态评价与诊断技术框架应用于工程实践。依托浙能国华宁海发电厂超超临界百万湿冷机组,开展机组能效评价与诊断系统的研究工作,采用大型关系数据库Oracle 10.0g,基于B/S架构模式设计并开发超超临界百万机组能效评价与诊断系统,以推进煤电机组能效状态评价与诊断研究工作的技术成果转化和工程应用。
杨红霞[6]（2018）在《背压式热电联产热力系统优化》文中指出随着国家对于节能环保要求的进一步提高,热电联产特别是背压式热电联产的需求越来越大。由于供热用途不一样,供热参数难以统一,热电联产项目参数定制化要求较高。特别是背压式热电联产完全以热定电,热力系统相对纯发电项目变化更多且可复制性不强,因此对其性能考核和热力优化提出了更高的要求。本文的工作主要研究内容如下:（1）研究了热力学第一定律和热力学第二定律在计算纯发电厂以及背压式热电联产的方法及其考核指标,针对汽轮发电机组的考核由于背压式热电联产中热耗指标失效,提出了（火用）耗指标。（2）获得了工程设计中某100MW再热项目和某90MW背压式热电联产项目的热效率指标和（火用）效率指标,明确了对于背压式热电联产应采用（火用）效率指标进行分析。（3）采用优化算法优化项目的热力系统,分别对遗传算法、模拟退火算法、粒子群算法、蚁群算法和模式搜索算法等几种常见的智能优化算法的计算性能和寻优能力进行了评估,通过对比发现,遗传算法和粒子群算法在电厂热力系统优化问题上可以得到较好的优化结果。并利用数值计算软件MATLAB搭建了优化平台。（4）分别对某100MW再热项目和某90MW背压式热电联产项目进行热力优化,对于某100MW再热项目分别对比了热效率和（火用）效率最优的设计,两者基本一致。对于某90MW背压式热电联产项目进行了（火用）效率最优的优化设计,并进行了不同负荷工况下的多目标优化,以期达到最优热经济性能。综上所述,本文通过热力系统数学模型的建立以及优化方法的实现快速优化电厂特别是背压式热电联产电厂热力系统的方法,为其在可研选型期间尝试各种方案提供了指导,为进一步优化设计和节能降耗奠定了基础。
权学森[7]（2017）在《电站辅机异常状态识别算法研究》文中研究说明电厂辅机指电厂生产辅助设备,是构成电厂设备的重要组成部分,其运行状态直接影响着电厂的经济性与安全性。随着信息技术的发展,电厂采集掌握大量的设备运行数据,研究如何高效的利用这些数据资源是进一步提高电站管理水平,降低发电成本的有效途径。本文立足电厂大量历史运行数据,通过数据挖掘的方式研究电站辅机设备的异常状态识别方法,主要研究工作与成果总结如下:（1）建立了基于Matlab/Simulink仿真平台的高压加热器仿真模型、凝汽器仿真模型,分别模拟了高压加热器正常运行状态与管内漏水故障状态及凝汽器正常运行状态与因冷却管脏污引起的传热恶化故障状态。通过分析不同程度故障下的高压加热器给水出口温度、凝汽器真空度等参数的响应曲线,发现仿真曲线趋势正确,仿真模型动态响应良好。将正常运行状态仿真值与真实运行值对比发现,仿真模型得到的正常运行状态仿真值与真实值一致性较好。仿真数据可以作为预测建模方法的数据基础。（2）提出了基于K-means聚类的多元回归预测模型算法。该算法利用轮廓系数完成了聚类数优化问题。基于正常运行仿真数据的聚类结果,建立高压加热器给水出口温度预测模型、凝汽器真空度预测模型。通过预测值与仿真值误差分析,发现预测模型预测精度较好,可以为预警系统提供可靠的正常运行状态基准值的预测值。（3）提出了基于滑动窗口的异常状态统计报警方法。该方法首先通过K-means分类器,将实时数据归入相应的状态类,通过对应预测模型获得正常运行状态下评价指标基准值的预测值。分析预测值与仿真值的差值来判断设备状态。高压加热器与凝汽器预警结果显示,基于滑动窗口理论的预警方法能够及时发现异常运行状态,并减少了正常运行状态下的误报警,实现状态预警的目的。本文提出的电站辅机设备异常状态识别方法简单、有效,可操作性强,能够为电站辅机设备的检修提供科学的参考依据,具有良好的推广价值与应用前景。
万祥[8]（2017）在《基于大数据挖掘技术的火电机组运行优化研究》文中进行了进一步梳理由于我国独特的能源结构,火力发电将在未来较长一段时间内继续占据主导地位,结合国家重构绿色有序电力生态、组建安全高效能源体系的需求,研究火力机组的优能降耗及综合能效评估体系,进而实现火力发电能效水平的提高具有较为深刻的现实意义。同时,随着电力系统信息集成化的推广普及,火电厂站积累了海量运行数据,如何挖掘出数据中隐藏的价值并加以利用,进而指导火电机组的优化运行以促进绿色电力的发展,已成为当下火力发电研究领域的热点问题。针对此问题,将大数据技术引入火电机组的运行优化研究中,通过构建电厂大数据分析平台,实现挖掘算法的同步并行化改进,以火电机组实际运行数据为研究对象,完成关联规则分析学习,确定全运行周期内机组运行参量的目标值以及建立和完善能效综合评估体系,以指导机组优化运行。首先,通过电力大数据定义及其“3V3E”基本特性的阐述分析,明确了电厂大数据的基本特性。针对电厂大数据的分析过程,对其内涵提出分析层级概念,对其形式提出完整分析周期理念,进而具象为电厂大数据分析链。同时,针对电厂大数据处理技术欠缺的现状,提出构建电厂大数据分析平台,引入批处理和流处理两种数据处理技术,通过运行数据流与分析平台的数据交互,实现大数据的价值挖掘和知识获取。其次,针对具体超超临界燃煤机组及联合循环机组的海量运行数据进行质量分析,指出其质量缺陷原因及相应改善策略,即进行数据检测及预处理工作。在数据检测工作中,分别采用方差阈值判断法及移动平均法实现数据的稳态提取及同步处理。在预处理流程中,通过对传统BP神经网络算法予以动态调整及自动变化的改进,实现遗失值的补充;通过结合电厂大数据分析平台上MapReduce架构实现传统K-Means聚类算法的并行化改进,以提高其海量数据分析能力,从而高效完成了数据离散化。再次,采用关联规则算法确定火力机组运行目标值,结合属性约简及MapReduce架构对其进行改进,完成了数据集的精简及数据集分块并行处理,实现了运行资源的节约及计算效率的提高。针对超超临界燃煤机组及联合循环机组,采用改进后的高效关联规则算法,分别实现其运行的全工况优化及协同优化,确定运行目标值作为运行优化的参考指标,并针对节约的燃料进行经济效益估算。最后,分析现有能效评估方法的特点,针对联合循环机组能效综合评估机制匮乏的现状,结合通过大数据技术确定的运行目标值,提出基于气耗敏度分布列及改进主成分分析的能效综合评估体系。通过气耗敏度多级分布列的求解,量化各参量对机组能耗的实时影响并可逐级确定能耗影响关键参量;引入对数中心变化策略及熵值法实现主成分分析评估的科学化、客观化改进,针对机组综合指标做出合理的全面评估。并开发联合循环性能监测与评估系统,实现能效综合评估的可视化。
齐敏芳[9]（2016）在《大数据技术及其在电站机组分析中的应用》文中指出我国能源工业发展迅速,能源需求仍呈现增长态势。燃煤发电作为主要的能源供应方式,在能源结构中占有重要地位,是我国节能降耗减排目标实现的关键。随着数字化、信息化技术的进步,大数据技术的崛起及快速发展,受到各方面的重视。从理论、方法及应用等方面,将大数据思维和技术引入到电力生产中,以期推动中国电力生产方式由高能耗、高排放、低效率的粗放式发展向低能耗、低排放、高效率的绿色集约式发展转变。基于大数据技术的电站机组建模方法是跨学科、综合性技术,适合当前工业生产结构复杂化的特点,对电站机组数据进行多角度、深层次、宽范围的挖掘,推广大数据技术在电站机组分析中的应用,对提高机组效率和能源利用具有重要意义。本文分析了电站数据的特点,阐述了电站大数据的基本定义、应用模式以及大数据建模特点,形成了电站大数据建模的理论、方法及思路。首先,深入研究大数据建模过程中的实时数据异常点处理方法。针对电站机组中存在的多测点参数,采用以中位数代替平均数同时引入权重系数改进格拉布斯准则进行多测点参数的异常点检测。针对单测点参数,采用基于相关参数的修正的拉依达准则进行数据异常处理。实时运行数据的验证结果表明,所用方法可以检测出异常点,有效剔除实时数据中具有显着误差的数据。其次,针对大数据建模过程中的关键特征参数选择进行研究。采用平均影响值进行特征参数选择,并采用平均影响值进行多因素权重系数分配；引入分位数改进平均影响值方法,提出分位影响值方法进行特征参数选择,并提出基于分位影响值的多因素权重系数分配方法；采用基于支持向量机的敏感性分析方法进行特征参数选取,同时提出了基于敏感性系数的多因素权重系数分配方法。通过特征参数选择方法剔除无关或冗余参数,精简特征参数,可有效保证模型精度、降低模型复杂度、减少建模时间。再次,以主蒸汽流量建模为例验证特征参数选择方法的有效性。从大数据技术角度挖掘工业分析成分与煤质发热量之间的相关关系,同时建立基于工业分析成分的煤质发热量的离线分析模型。另外,通过大数据技术挖掘在线可控运行参数与煤质发热量之间的关系,并利用基于支持向量机的敏感性分析方法选取关键特征参数,进而建立煤质发热量在线监测模型,为实现煤质发热量在线监测提供了解决方案。然后,开展基于大数据的电站机组能耗特性建模理论及方法研究。提出以支持向量机敏感性分析方法对影响能耗的特征参数进行分析,直接求解偏导数,从而避免了以小扰动代替偏导数近似表达特征参数变化引起的机组能耗变化。考虑模型输入特征参数与能耗之间的相关性和依赖度,提取到对能耗影响较大的特征参数作为能耗特性分析的模型输入,建立能耗特性分析模型。同时分别研究不同负荷、不同样本数目、不同特征参数对能耗特性响应的影响。最后,开展电站机组状态评估和节能减排评价指标体系及评价方法研究。在广泛研究机组状态评估和节能减排的表征参数的基础上,建立基于信息熵-主成分分析的机组状态评估两级计算模型。从节能（节煤、节油、节水、节电）以及减排（NOx、SO2、粉尘）两方面考虑,提出了一种节能减排评价指标体系,并建立基于最大熵-投影寻踪的节能减排综合评价模型,为机组的节能减排调度提供可靠的理论指导。
韩晖[10]（2009）在《基于数据挖掘的900MW汽轮机组故障诊断系统研究》文中研究指明作为火电厂的核心设备之一的汽轮机由于长期高速工作在恶劣的环境下,转子出现振动故障的概率较高,而且振动故障往往对安全生产构成重大隐患,因此汽轮机组的振动问题一直以来都是人们研究的重要课题。于是在汽轮机发电机产生的同时,振动测试分析、故障诊断与处理技术也随之产生。现代电力生产过程参数的提高和容量的增加,特别是超临界和超超临界机组的产生,对设备的可靠性提出了更高的要求,使得由于轴系振动缺陷造成的机组非计划停机带来的经济损失也随之成倍地增加。汽轮发电机组在运行中具有大量的振动数据和热力数据,这些数据背后包含有机组的大量运行信息,由于没有相对有效的信息提取方法,当故障发生时,不能及时获取有用的故障信息,导致故障排除延误。综上所述,振动诊断技术需要迅速、正确,以与生产现状相匹配。为此论文在系统研究和总结国内外汽轮机故障诊断研究和相关在线诊断系统的基础上,结合900MW汽轮机组的特点和电厂实际采集系统的参数,研制了结合振动参数和热力参数的汽轮发电机组振动故障诊断系统,并成功应用到某电厂900MW超临界汽轮发电机组上。经过一年多的现场运行,证明系统性能稳定,为电厂的安全运行作出了贡献。论文的主要研究工作如下:1、以某电厂900MW机组汽轮机为研究对象,设计了机组振动故障诊断系统的总体框架结构,完成振动数据采集器同现场振动信号源的连接,完成了集热力参数和振动参数于一体的数据库框架设计和电厂热力参数接口程序的设计,成功获取并储存现场的热力参数数据并实现了热力参数和振动参数联合诊断和追忆的功能。2、提出了针对超临界机组的基于关联规则的故障诊断模型,首次将诸多热力参数、运行调整参数（如高调门开度等）与振动参数结合在一起,建立并实现了特定机组的轴系振动故障诊断规则库。论文通过对以往的资料、实例经验整理归纳,尤其是900MW机组已经发现的故障类型进行了分类总结,整理出共六大类的故障,并针对每一类振动故障及其相对应的振动征兆和特征,采用关联规则挖掘算法将振动征兆、热参数数据和故障类型之间的关系用关联规则的置信度和支持度来表示,构成基于特定机组数据的关联规则挖掘的规则知识库。根据此基于关联规则的知识库,程序实现运用到在线诊断系统中,在线进行分析推理,找出振动故障的征兆和特征,利用程序诊断出与征兆特征相对应的故障,完成汽轮发电机组振动故障的诊断。基于关联规则的振动故障诊断系统在电厂装机运行后,成功排除了非轴系原因引起的振动信号超限故障,发挥了积极作用。实际运行表明,该系统具有良好的人机交互能力和诊断功能。相信在经过一段时间的运行和经验积累后,关联规则库将得到进一步的完善和修正,集热力和振动参数相耦合的诊断系统将为电厂机组安全经济运行作出贡献。
二、数据挖掘及在电厂凝汽设备诊断中的应用（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、数据挖掘及在电厂凝汽设备诊断中的应用（论文提纲范文）
（1）基于Spark和关联规则挖掘的煤电机组运行优化研究（论文提纲范文）
| 摘要 |
| abstract |
| 专用术语注释表 |
| 第一章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 火电机组运行优化的研究现状 |
| 1.2.2 关联规则挖掘的研究现状 |
| 1.2.3 并行频繁项集挖掘算法研究现状 |
| 1.3 本文主要研究内容与结构安排 |
| 第二章 相关背景知识介绍 |
| 2.1 关联规则 |
| 2.1.1 基本概念 |
| 2.1.2 频繁项集挖掘 |
| 2.2 并行计算 |
| 2.2.1 分布式计算框架 |
| 2.2.2 并行频繁项集挖掘算法 |
| 2.3 本章小结 |
| 第三章 高维稀疏数据频繁项集挖掘算法研究 |
| 3.1 频繁项矩阵 |
| 3.1.1 频繁项矩阵的构造 |
| 3.1.2 技术分析 |
| 3.2 基于频繁项矩阵挖掘频繁项集 |
| 3.2.1 频繁项矩阵的相关操作 |
| 3.2.2 挖掘过程描述 |
| 3.3 算法性能测试 |
| 3.3.1 实验环境 |
| 3.3.2 性能分析 |
| 3.4 本章小结 |
| 第四章 基于Spark的并行FM-growth算法 |
| 4.1 FM-growth并行化的可行性分析 |
| 4.1.1 第一次扫描的并行化 |
| 4.1.2 第二次扫描的并行化 |
| 4.1.3 FM-growth第二部分的并行化 |
| 4.2 PFM算法 |
| 4.2.1 PFM的工作流程 |
| 4.2.2 PFM的挖掘步骤 |
| 4.3 算法性能测试 |
| 4.3.1 实验环境 |
| 4.3.2 性能分析 |
| 4.4 本章小结 |
| 第五章 基于并行FM-growth算法的运行优化目标值确定 |
| 5.1 运行优化目标值概述 |
| 5.1.1 运行优化目标值挖掘问题描述 |
| 5.1.2 运行优化目标值的挖掘流程 |
| 5.2 实例分析 |
| 5.2.1 供电煤耗率影响参数分析 |
| 5.2.2 机组运行工况稳态判定 |
| 5.2.3 运行优化参数的确定 |
| 5.2.4 数据离散化 |
| 5.2.5 挖掘结果验证及算法性能分析 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间撰写的论文 |
| 附录2 攻读硕士学位期间申请的专利 |
| 致谢 |
（2）基于大数据技术的电站机组节能优化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.1.1 能源行业大数据技术发展需求 |
| 1.1.2 电力行业迈进大数据时代 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 电力大数据研究现状及发展趋势 |
| 1.2.2 电站机组节能降耗研究现状 |
| 1.3 论文的研究内容 |
| 第2章 电站大数据架构及理论基础 |
| 2.1 引言 |
| 2.2 电站大数据概念及特性 |
| 2.3 电站大数据架构体系 |
| 2.3.1 电站大数据架构 |
| 2.3.2 电站大数据关键技术 |
| 2.4 电站大数据平台 |
| 2.4.1 电站大数据平台架构 |
| 2.4.2 电站大数据平台搭建与配置 |
| 2.5 电站大数据理论基础 |
| 2.5.1 大数据存储 |
| 2.5.2 大数据计算技术 |
| 2.5.3 数据挖掘技术 |
| 2.6 本章小结 |
| 第3章 电厂实时大数据预处理及特征参数选择研究 |
| 3.1 引言 |
| 3.2 电站大数据预处理 |
| 3.2.1 数据稳态检测 |
| 3.2.2 大数据清理 |
| 3.3 电站机组关键能耗特征参数选择 |
| 3.3.1 特征参数选择方法概述 |
| 3.3.2 模糊粗糙集理论与方法 |
| 3.3.3 关键能耗特征参数选择实例分析 |
| 3.4 本章小结 |
| 第4章 基于大数据技术的电站机组能耗分析 |
| 4.1 引言 |
| 4.2 电站机组能耗分析策略 |
| 4.2.1 电站机组关键能耗特征参数分析 |
| 4.2.2 大数据技术新算法确定基准值策略 |
| 4.2.3 K-means聚类 |
| 4.2.4 Canopy算法 |
| 4.2.5 基于MapReduce架构的新算法实现 |
| 4.2.6 基于支持向量机的能耗敏感性分析模型 |
| 4.3 电站机组应用实例 |
| 4.3.1 确定研究对象及目标 |
| 4.3.2 算法应用及计算结果 |
| 4.3.3 算法性能测试 |
| 4.3.4 不同负荷下能耗敏感性分析实例 |
| 4.4 本章小结 |
| 第5章 大数据技术的电站机组节能环保多目标负荷优化分配 |
| 5.1 引言 |
| 5.2 厂级负荷分配 |
| 5.2.1 厂级负荷分配策略 |
| 5.2.2 负荷优化分配方法 |
| 5.2.3 大数据技术的厂级多目标负荷优化分配策略 |
| 5.3 大数据技术的厂级多目标负荷优化分配 |
| 5.3.1 PSO-SVM预测模型 |
| 5.3.2 NSGA-Ⅱ算法 |
| 5.3.3 并行NSGA-Ⅱ多目标优化方法 |
| 5.3.4 染色体表达 |
| 5.3.5 电厂负荷分配的物理模型 |
| 5.3.6 基于大数据技术的节能环保多目标负荷优化分配模型 |
| 5.4 实例分析 |
| 5.4.1 确定研究对象及目标 |
| 5.4.2 电站机组能耗特性分析 |
| 5.4.3 基于PSO-SVM预测模型计算 |
| 5.4.4 多目标负荷优化及计算结果 |
| 5.4.5 大数据方法效率验证 |
| 5.5 本章小结 |
| 第6章 燃气电站机组对标管理综合评价研究 |
| 6.1 引言 |
| 6.2 对标管理综合评价 |
| 6.2.1 对标管理基本概念 |
| 6.2.2 对标管理综合评价方法 |
| 6.3 燃气电站机组对标管理综合评价指标体系 |
| 6.3.1 指标体系构建的基本原则 |
| 6.3.2 评价指标体系建立 |
| 6.4 燃气电站机组对标管理综合评价模型搭建 |
| 6.4.1 粗糙集指标筛选 |
| 6.4.2 基于向量夹角余弦二级指标评价模型 |
| 6.4.3 主成分分析一级指标综合评价模型 |
| 6.5 实例分析 |
| 6.5.1 燃气电站机组样本概况 |
| 6.5.2 电站机组样本数据选取 |
| 6.5.3 基于粗糙集的指标筛选 |
| 6.5.4 基于向量夹角余弦法二级指标评价结果 |
| 6.5.5 基于主成分分析的一级指标评价结果 |
| 6.6 燃气电站机组评价体系指标权值敏感性分析 |
| 6.6.1 指标权值的敏感性分析模型 |
| 6.6.2 评价体系指标权值敏感性分析 |
| 6.7 本章小结 |
| 第7章 结论与展望 |
| 7.1 主要研究成果 |
| 7.2 论文主要创新点 |
| 7.3 后续工作展望 |
| 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 |
（3）数据驱动的汽轮机组性能诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景和研究意义 |
| 1.1.1 我国电力行业的发展现状 |
| 1.1.2 课题的研究意义 |
| 1.2 国内外研究现状 |
| 1.3 存在的问题 |
| 1.4 本文研究的主要内容 |
| 第2章 汽轮机组性能计算及分析 |
| 2.1 通流部分性能计算 |
| 2.1.1 CFA概述 |
| 2.1.2 CFA应用及优势 |
| 2.1.3 通流部分CFA的计算及分析 |
| 2.2 加热器部分性能计算 |
| 2.2.1 加热器端差机理分析 |
| 2.2.2 端差异常的诊断分析 |
| 2.3 凝汽器部分性能计算 |
| 2.3.1 凝汽器换热性能机理分析 |
| 2.3.2 凝汽器异常的诊断分析 |
| 2.4 本章小结 |
| 第3章 大数据分析在设备诊断中的应用 |
| 3.1 MATLAB概述 |
| 3.2 数据样本选取 |
| 3.2.1 稳态分析 |
| 3.2.2 异常数据检测 |
| 3.2.3 样本选择案例分析 |
| 3.3 基于大数据的加热器端差分析 |
| 3.4 基于大数据的凝汽器换热性能分析 |
| 3.5 本章小结 |
| 第4章 基于大数据的汽轮机性能诊断 |
| 4.1 通流部分性能分析 |
| 4.2 加热器部分性能分析 |
| 4.3 凝汽器部分性能分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 主要研究成果 |
| 5.2 主要创新点 |
| 5.3 后续工作展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
| 致谢 |
| 作者简介 |
（4）电厂设备管理智能系统及其大数据分析应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 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 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文主要研究内容 |
| 第2章 电厂设备信息管理系统构架及数据库设计 |
| 2.1 设备管理与TnPM |
| 2.2 系统功能需求 |
| 2.2.1 系统设计原则 |
| 2.3 系统数据库分析与设计 |
| 2.3.1 数据库软件构架 |
| 2.3.2 服务器端与PC端数据库选型 |
| 2.3.3 数据库逻辑设计 |
| 2.3.4 数据库表结构设计 |
| 2.3.5 数据库访问接口 |
| 2.4 本章小节 |
| 第3章 电厂与数据挖掘 |
| 3.1 数据挖掘的定义 |
| 3.2 电厂数据现状与数据挖掘 |
| 3.2.1 电厂数据现状 |
| 3.2.2 数据挖掘方法 |
| 3.2.3 通用数据挖掘软件 |
| 3.3 SPSS Modeler与数据挖掘 |
| 3.3.1 SPSS Modeler基本特性 |
| 3.3.2 SPSS Modeler运算功能 |
| 3.3.3 SPSS Modeler数据挖掘流程 |
| 3.4 电厂数据挖掘策略 |
| 3.4.1 电厂数据源配置 |
| 3.4.2 电厂数据挖掘思路 |
| 3.5 本章小结 |
| 第4章 SPSS Modeler应用实例分析 |
| 4.1 电厂数据挖掘特性与方法设计 |
| 4.1.1 电厂数据关联性分析 |
| 4.1.2 电厂数据挖掘的方法设计 |
| 4.2 挖掘实例分析 |
| 4.2.1 数据准备 |
| 4.2.2 数据预处理 |
| 4.2.3 聚类分析与异常分析 |
| 4.2.4 特征选择与主成分分析 |
| 4.2.5 离散化分级 |
| 4.3 多维量化关联规则的应用 |
| 4.3.1 Apriori改进算法 |
| 4.3.2 SPSS关联规则有效性测度指标 |
| 4.3.3 结果分析 |
| 4.4 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及其他成果 |
| 致谢 |
（5）煤电机组能效状态评价与诊断系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景 |
| 1.1.1 煤电机组技术发展现状 |
| 1.1.2 煤电机组节能提效运行面临挑战 |
| 1.1.3 煤电机组节能提效运行新机遇 |
| 1.2 课题研究目的及意义 |
| 1.2.1 能效状态的内涵 |
| 1.2.2 课题研究目的及意义 |
| 1.3 课题国内外研究现状 |
| 1.3.1 煤电机组能效状态评价与诊断理论研究现状 |
| 1.3.2 煤电机组能效状态评价与诊断技术研究现状 |
| 1.3.3 煤电机组能效状态评价与诊断技术应用现状 |
| 1.4 本文的主要研究内容及结构安排 |
| 第2章 煤电机组能效状态指标体系构建 |
| 2.1 引言 |
| 2.2 基于系统科学的煤电机组热力系统结构分析 |
| 2.2.1 能效状态指标体系的构建原则 |
| 2.2.2 系统与系统结构分析理论 |
| 2.2.3 煤电机组热力系统结构分析 |
| 2.3 能效状态指标选取 |
| 2.3.1 锅炉及其辅助系统能效状态指标选取 |
| 2.3.2 汽轮机及其辅助系统能效状态指标选取 |
| 2.4 基于有向图的能效状态指标体系表示 |
| 2.4.1 有向图的基本概念 |
| 2.4.2 基于有向图的能效状态指标体系的表示 |
| 2.5 本章小结 |
| 第3章 煤电机组能效状态实时评价 |
| 3.1 引言 |
| 3.2 能效状态实时评价功能分析与流程设计 |
| 3.3 能效基准状态确定 |
| 3.3.1 稳态筛选与工况划分 |
| 3.3.2 模糊C均值聚类算法 |
| 3.3.3 基于PSO-SVR能耗回归模型的构建 |
| 3.3.4 应用实例与模型有效性验证 |
| 3.4 基于多状态指标融合的能效状态评价模型 |
| 3.4.1 多元状态估计技术 |
| 3.4.2 记忆矩阵构建 |
| 3.4.3 模型有效性验证 |
| 3.5 能效状态实时评价 |
| 3.5.1 能效状态指数 |
| 3.5.2 评语等级划分 |
| 3.5.3 模型有效性验证 |
| 3.6 应用实例 |
| 3.7 本章小结 |
| 第4章 基于符号有向图的煤电机组能效状态异常诊断 |
| 4.1 引言 |
| 4.2 能效状态异常诊断功能分析与流程设计 |
| 4.2.1 能效状态异常诊断功能分析 |
| 4.2.2 能效状态异常诊断流程设计 |
| 4.3 能效状态异常诊断模型与方法 |
| 4.3.1 符号有向图方法 |
| 4.3.2 基于符号有向图的诊断规则 |
| 4.3.3 符号有向图模型在能效状态异常诊断的应用 |
| 4.4 应用实例 |
| 4.4.1 案例机组冷端系统描述 |
| 4.4.2 冷端系统能效状态异常诊断知识库的构建 |
| 4.4.3 冷端系统符号有向图模型构建 |
| 4.4.4 冷端系统能效状态异常诊断结果 |
| 4.5 本章小结 |
| 第5章 煤电机组能效状态评价与诊断系统开发及应用 |
| 5.1 引言 |
| 5.2 煤电机组能效状态评价与诊断系统设计 |
| 5.2.1 系统设计目标 |
| 5.2.2 系统总体架构 |
| 5.2.3 系统数据库及通信实现 |
| 5.2.4 系统功能设计 |
| 5.3 煤电机组能效状态评价与诊断系统技术应用 |
| 5.3.1 机组基本信息及系统配置 |
| 5.3.2 系统应用 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 论文主要创新点 |
| 6.3 后续工作展望 |
| 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 |
（6）背压式热电联产热力系统优化（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题的目的和意义 |
| 1.2 国内外研究现状综述 |
| 1.2.1 热电联产性能评价方面的研究现状 |
| 1.2.2 电厂热力系统分析方法的发展与应用 |
| 1.2.3 电厂热力系统性能优化的研究进展 |
| 1.3 主要研究内容 |
| 第二章 分析背压式热电联产性能 |
| 2.1 火电厂基本原理 |
| 2.2 火电厂性能分析基本方法 |
| 2.2.1 热量法 |
| 2.2.2 (火用)分析法 |
| 2.3 热力系统分析 |
| 2.3.1 典型热力系统 |
| 2.3.2 系统单元划分及计算 |
| 2.3.3 计算结果 |
| 2.4 本章小结 |
| 第三章 优化算法理论 |
| 3.1 常用优化算法 |
| 3.1.1 遗传算法 |
| 3.1.2 模拟退火算法 |
| 3.1.3 粒子群算法 |
| 3.1.4 蚁群算法 |
| 3.1.5 模式搜索算法 |
| 3.2 优化算法验证及选择 |
| 3.3 本章小结 |
| 第四章 纯发电项目热力系统寻优 |
| 4.1 纯发电项目热力系统优化系统 |
| 4.1.1 优化计算流程 |
| 4.1.2 主要参数计算模型 |
| 4.1.3 输入参数 |
| 4.2 基于遗传算法的热力系统优化 |
| 4.2.1 优化过程 |
| 4.2.2 优化结果 |
| 4.3 基于粒子群算法的热力系统优化 |
| 4.3.1 优化过程 |
| 4.3.2 优化结果 |
| 4.4 本章小结 |
| 第五章 背压式热电联产热力系统寻优 |
| 5.1 背压式热电联产单运行工况下热力系统优化 |
| 5.1.1 热力系统的已知参数 |
| 5.1.2 主要参数计算流程 |
| 5.1.3 优化结果 |
| 5.2 多运行工况下热力系统优化 |
| 5.2.1 变工况计算模型 |
| 5.2.2 加权多目标优化 |
| 5.2.3 多目标优化 |
| 5.2.4 优化结果对比 |
| 5.3 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间的授权专利 |
（7）电站辅机异常状态识别算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 设备状态评估研究现状 |
| 1.2.2 故障预警研究现状 |
| 1.3 论文主要研究内容 |
| 1.3.1 论文主要内容 |
| 1.3.2 论文结构框架 |
| 第二章 辅机设备建模与仿真 |
| 2.1 设备介绍 |
| 2.1.1 加热器的简介 |
| 2.1.2 凝汽器的简介 |
| 2.2 设备建模与仿真 |
| 2.2.1 高压加热器动态数学模型 |
| 2.2.2 凝汽器动态数学模型 |
| 2.3 Simulink仿真模型 |
| 2.3.1 加热器仿真模型 |
| 2.3.2 凝汽器仿真模型 |
| 2.4 仿真结果分析 |
| 2.4.1 高压加热器仿真结果 |
| 2.4.2 凝汽器仿真结果 |
| 2.5 本章小结 |
| 第三章 异常状态识别系统的预测模型建立 |
| 3.1 K-means聚类 |
| 3.1.1 K-means聚类原理 |
| 3.1.2 K-means算法流程 |
| 3.1.3 K-means聚类效果评价指标 |
| 3.2 线性回归预测 |
| 3.2.1 一元线性回归预测 |
| 3.2.2 多元线性回归预测 |
| 3.3 基于聚类的多元回归预测模型 |
| 3.3.1 数据特征与预处理 |
| 3.3.2 预测模型输入选择 |
| 3.3.3 聚类回归算法流程 |
| 3.4 案例分析 |
| 3.4.1 轮廓系数分析 |
| 3.4.2 高压加热器预测模型分析 |
| 3.4.3 凝汽器预测模型分析 |
| 3.4.4 预测模型误差分析 |
| 3.5 本章小结 |
| 第四章 常状态识别系统的预警方法研究 |
| 4.1 异常状态预警方法 |
| 4.1.1 状态识别方法概述 |
| 4.1.2 异常状态预警流程 |
| 4.2 分类器设计 |
| 4.2.1 分类介绍 |
| 4.2.2 基于K-means聚类的分类器设计 |
| 4.3 滑动窗口预警算法 |
| 4.4 预警结果分析 |
| 4.4.1 高压加热器预警分析 |
| 4.4.2 凝汽器预警分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文的主要工作 |
| 5.2 进一步研究方向 |
| 参考文献 |
| 作者在攻读硕士期间的研究成果 |
| 致谢 |
（8）基于大数据挖掘技术的火电机组运行优化研究（论文提纲范文）
| 创新点 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 中国火力发电发展现状 |
| 1.1.2 电力产业信息化的发展状况 |
| 1.2 国内外研究现状及发展态势 |
| 1.2.1 火电机组优能降耗研究现状 |
| 1.2.2 电力大数据技术研究现状 |
| 1.2.3 研究现状综合评估 |
| 1.3 论文研究内容及工作安排 |
| 2 电厂大数据分析体系 |
| 2.1 电力大数据的定义及来源 |
| 2.1.1 大数据及电力大数据的定义 |
| 2.1.2 电力大数据的主要来源 |
| 2.2 电力大数据的特征 |
| 2.3 电厂大数据分析架构 |
| 2.3.1 电厂大数据分析层级 |
| 2.3.2 电厂大数据分析链 |
| 2.3.3 电厂大数据处理方式 |
| 2.4 电厂大数据技术平台 |
| 2.4.1 电厂大数据分析平台架构 |
| 2.4.2 电厂大数据分析平台数据交融 |
| 2.4.3 电厂大数据平台搭建与配置 |
| 2.5 本章小结 |
| 3 电厂大数据检测与预处理 |
| 3.1 检测及预处理意义 |
| 3.1.1 电厂大数据现场特征 |
| 3.1.2 电厂大数据质量分析 |
| 3.1.3 电厂大数据准备处理流程 |
| 3.2 电厂大数据检测 |
| 3.2.1 运行数据的稳态检测 |
| 3.2.2 稳态数据的一致性处理 |
| 3.3 电厂大数据清理 |
| 3.3.1 遗失值的处理 |
| 3.3.2 噪声值的处理 |
| 3.3.3 离群值的处理 |
| 3.4 电厂大数据集成与约简 |
| 3.4.1 数据集成 |
| 3.4.2 数据约简 |
| 3.5 电厂大数据变换 |
| 3.5.1 常规数据变换方法 |
| 3.5.2 MapReduce架构分析流程 |
| 3.5.3 MP.K-Means聚类算法并行化实现 |
| 3.5.4 电厂大数据离散化实例 |
| 3.6 本章小结 |
| 4 基于大数据技术的运行优化策略改进 |
| 4.1 火电机组运行优化重要性 |
| 4.1.1 火电机组能量损失分析 |
| 4.1.2 目标值确定方法的选取 |
| 4.1.3 关联规则目标值确定策略 |
| 4.2 基于关联规则的目标值确定 |
| 4.2.1 关联规则算法相关定义 |
| 4.2.2 Apriori算法的基本流程 |
| 4.2.3 电厂大数据环境下的Apriori算法应用 |
| 4.3 CC_MP.Apriori算法的改进策略 |
| 4.3.1 基于属性约简的参量约简 |
| 4.3.2 基于MapReduce架构的算法并行化实现 |
| 4.3.3 CC_MP.Apriori算法的基本流程 |
| 4.4 本章小结 |
| 5 大数据平台上的火电机组运行优化 |
| 5.1 燃煤机组运行的全工况优化 |
| 5.1.1 燃煤机组 |
| 5.1.2 热力性能计算 |
| 5.1.3 燃煤机组数据初处理 |
| 5.1.4 优化目标值的确定 |
| 5.1.5 目标值结果分析 |
| 5.1.6 运行优化的经济效益 |
| 5.2 燃气—蒸汽联合循环协同运行优化 |
| 5.2.1 联合循环机组 |
| 5.2.2 热力性能计算 |
| 5.2.3 联合循环机组数据初处理 |
| 5.2.4 优化目标值的确定 |
| 5.2.5 目标值结果分析 |
| 5.2.6 运行优化的经济效益 |
| 5.3 本章小结 |
| 6 基于大数据的综合能效评估体系 |
| 6.1 能效评估基本方法 |
| 6.1.1 综合能效评估研究意义 |
| 6.1.2 能效评估传统方法 |
| 6.1.3 新兴性能评价方法 |
| 6.1.4 能效评估体系构建新思路 |
| 6.2 气耗敏度分布列 |
| 6.2.1 气耗敏度分析 |
| 6.2.2 气耗敏度曲面 |
| 6.3 改进主成分分析法的综合评估应用 |
| 6.3.1 主成分分析法 |
| 6.3.2 改进后的主成分分析法 |
| 6.3.3 联合循环机组综合评估 |
| 6.4 能效评估体系的可视化实现 |
| 6.4.1 联合循环机组性能监测与评估系统的开发 |
| 6.4.2 气耗敏度分布列的可视化 |
| 6.4.3 机组综合评价可视化 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 论文总结 |
| 7.2 展望 |
| 参考文献 |
| 攻读博士学位期间完成的科研课题及发表的学术成果 |
| 一、科研课题 |
| 二、学术成果(已检索) |
| 致谢 |
（9）大数据技术及其在电站机组分析中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.1.1 大数据技术应用的能源需求 |
| 1.1.2 大数据技术应用的政策支持 |
| 1.1.3 大数据技术应用的数据支持 |
| 1.1.4 大数据技术应用的技术支持 |
| 1.2 国内外研究动态 |
| 1.3 论文主要研究内容 |
| 第2章 大数据技术在电站机组中应用的理论基础 |
| 2.1 引言 |
| 2.2 大数据技术 |
| 2.2.1 大数据的基本概念 |
| 2.2.2 电站大数据的基本概念 |
| 2.2.3 大数据技术在实际应用中的一般模式 |
| 2.3 大数据技术在电站机组中的应用领域 |
| 2.4 大数据建模算法概述 |
| 2.4.1 支持向量机算法 |
| 2.4.2 遗传算法 |
| 2.4.3 投影寻踪原理 |
| 2.4.4 主成分分析方法 |
| 2.4.5 信息熵原理 |
| 2.5 电站大数据建模思考 |
| 2.5.1 大数据建模的层次划分 |
| 2.5.2 大数据建模的模块化 |
| 2.5.3 大数据建模与机理建模 |
| 2.5.4 大数据建模的特征参数选择 |
| 2.5.5 大数据全样本 |
| 2.6 本章小结 |
| 第3章 实时运行数据的数据异常处理方法研究 |
| 3.1 引言 |
| 3.2 异常点检测技术及鲁棒统计方法 |
| 3.3 多测点参数的异常点检测方法 |
| 3.3.1 传统Grubbs准则 |
| 3.3.2 改进Grubbs准则 |
| 3.3.3 主蒸汽温度的多测点案例分析 |
| 3.4 单测点参数的异常点检测方法 |
| 3.4.1 基于相关参数的修正的拉依达准则 |
| 3.4.2 仿真函数验证 |
| 3.4.3 电站机组案例分析 |
| 3.5 本章小结 |
| 第4章 关键特征参数选择算法研究 |
| 4.1 引言 |
| 4.2 特征参数选择的主要方法 |
| 4.3 基于平均影响值的特征参数选择算法研究 |
| 4.3.1 基于平均影响值方法的特征参数选择 |
| 4.3.2 基于平均影响值的多因素权重系数分配方法 |
| 4.4 基于分位影响值的特征参数选择算法研究 |
| 4.4.1 基于分位影响值方法的特征参数选择 |
| 4.4.2 基于分位影响值的多因素权重系数分配方法 |
| 4.5 基于支持向量机敏感性分析方法的特征参数选择算法研究 |
| 4.5.1 基于敏感性分析方法的特征参数选择 |
| 4.5.2 基于敏感性系数的多因素权重系数分配方法 |
| 4.6 本章小结 |
| 第5章 基于支持向量机的电站机组特性参数建模分析 |
| 5.1 引言 |
| 5.2 主蒸汽流量特性建模分析 |
| 5.2.1 建模目标及数据准备 |
| 5.2.2 特征参数选择及建模结果分析 |
| 5.2.3 多因素系数分配方法建模结果分析 |
| 5.3 煤质低位发热量特性建模分析 |
| 5.3.1 煤质发热量在线监测的必要性 |
| 5.3.2 煤质发热量离线分析模型 |
| 5.3.3 煤质发热量在线监测模型 |
| 5.4 本章小结 |
| 第6章 基于支持向量机的能耗特性建模研究 |
| 6.1 引言 |
| 6.2 能耗敏感性分析的特征参数初选 |
| 6.2.1 建模目标 |
| 6.2.2 初选特征参数 |
| 6.3 基于支持向量机的能耗敏感性分析模型 |
| 6.3.1 供电煤耗的敏感性分析模型 |
| 6.3.2 供电煤耗的敏感性分析结果 |
| 6.4 不同负荷下能耗敏感性分析模型 |
| 6.5 不同样本下能耗敏感性分析模型 |
| 6.6 不同特征参数下能耗特性分析模型 |
| 6.7 本章小结 |
| 第7章 机组状态评估与节能减排评价方法研究 |
| 7.1 引言 |
| 7.2 评价指标体系选择原则 |
| 7.3 机组状态评估指标体系及方法 |
| 7.3.1 燃煤发电机组机组状态评估指标体系 |
| 7.3.2 信息熵-主成份分析综合评价算法 |
| 7.3.3 机组状态评估模型案例分析 |
| 7.4 机组节能减排评价体系及方法 |
| 7.4.1 燃煤发电机组节能减排评价指标体系 |
| 7.4.2 最大熵-投影寻踪原理 |
| 7.4.3 节能减排综合评价模型案例分析 |
| 7.5 本章小结 |
| 第8章 结论与展望 |
| 8.1 主要研究成果 |
| 8.2 主要创新点 |
| 8.3 后续工作展望 |
| 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 |
（10）基于数据挖掘的900MW汽轮机组故障诊断系统研究（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 国内外技术发展概况 |
| 1.3 数据挖掘技术产生背景及现状 |
| 1.4 汽轮机组常见故障类型及特征表示 |
| 1.5 本论文的研究对象和内容 |
| 第二章 面向热力参数故障诊断的关联规则挖掘系统建立 |
| 2.1 概论 |
| 2.2 面向热力参数振动故障诊断的关联规则挖掘模型 |
| 2.3 热力参数故障诊断中关联规则挖掘算法研究 |
| 2.4 面向热力参数故障诊断的关联规则挖掘系统开发 |
| 2.5 本章小结 |
| 第三章 故障诊断特征参数选择及应用 |
| 3.1 机组振动故障与振动参数之间的关系 |
| 3.2 机组振动故障与热力参数之间的关系 |
| 3.3 某电厂900MW 汽轮机组的特点及振动情况 |
| 3.4 热力参数在振动故障源分析中的诊断实例 |
| 3.5 本章小结 |
| 第四章 基于关联规则的汽轮机故障诊断系统 |
| 4.1 系统总体结构 |
| 4.2 系统的硬件结构 |
| 4.3 系统的软件结构和特点 |
| 4.4 数据接收模块 |
| 4.5 数据存储模块 |
| 4.6 状态监测模块 |
| 4.7 故障诊断模块 |
| 4.8 本章小结 |
| 第五章 基于关联规则的汽轮机组故障诊断系统诊断实例 |
| 5.1 标准运行模块 |
| 5.2 故障诊断模块 |
| 5.3 电厂机组松动故障案例 |
| 5.4 某发电厂机组启动热不平衡故障案例 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的学术论文及参加的科研项目 |
四、数据挖掘及在电厂凝汽设备诊断中的应用（论文参考文献）
- [1]基于Spark和关联规则挖掘的煤电机组运行优化研究[D]. 缪宇航. 南京邮电大学, 2020(03)
- [2]基于大数据技术的电站机组节能优化研究[D]. 刘炳含. 华北电力大学(北京), 2019(01)
- [3]数据驱动的汽轮机组性能诊断研究[D]. 贺之豪. 华北电力大学(北京), 2019(01)
- [4]电厂设备管理智能系统及其大数据分析应用研究[D]. 铁成梁. 华北电力大学, 2019(01)
- [5]煤电机组能效状态评价与诊断系统研究[D]. 徐婧. 华北电力大学(北京), 2018(04)
- [6]背压式热电联产热力系统优化[D]. 杨红霞. 上海交通大学, 2018(02)
- [7]电站辅机异常状态识别算法研究[D]. 权学森. 东南大学, 2017(04)
- [8]基于大数据挖掘技术的火电机组运行优化研究[D]. 万祥. 武汉大学, 2017(06)
- [9]大数据技术及其在电站机组分析中的应用[D]. 齐敏芳. 华北电力大学(北京), 2016(02)
- [10]基于数据挖掘的900MW汽轮机组故障诊断系统研究[D]. 韩晖. 上海交通大学, 2009(04)