(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110524454.9 (22)申请日 2021.05.13 (65)同一申请的已公布的文献号 申请公布号 CN 113268921 A (43)申请公布日 2021.08.17 (73)专利权人 西安交通大 学 地址 710049 陕西省西安市咸宁西路28号 (72)发明人 王凯　谢永慧　王顺森　 (74)专利代理 机构 西安通大专利代理有限责任 公司 6120 0 专利代理师 范巍 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 111428747 A,2020.07.17 CN 10143 0293 A,2009.05.13CN 111879464 A,2020.1 1.03 CN 112085367 A,2020.12.15 CN 102305553 A,2012.01.04 WO 2020215 671 A1,2020.10.2 9 WO 2019196278 A1,2019.10.17 CN 110066895 A,2019.07.3 0 US 20120 53898 A1,2012.0 3.01 彭岩等.基 于集成学习的O_ 3的质量浓度预 测模型. 《山 东大学学报(工学版)》 .2020,(第04 期),第5-11页. 王建国等.基 于灰色神经网络的凝汽器水侧 清洁系数 预测. 《热力发电》 .2013,第42卷(第09 期),第95 -98页. 朱敏等.水电站混凝 土浇筑用冷水 管结垢系 数的神经网络预测模型. 《水力发电》 .2020,第46 卷(第10期), (续) 审查员 吴单单 (54)发明名称 凝汽器清洁系数预估方法、 系统、 电子设备 及可读存 储介质 (57)摘要 本发明公开了一种凝汽器清洁系数预估方 法、 系统、 电子设备及可读存储介质， 所述方法包 括以下步骤： 将获取的待预估DCS数据输入预先 训练好的清洁系数预估模型， 输出预估的瞬态清 洁系数； 其中， 清洁系数预估模型训练所用的训 练测试数据集的获取方法步骤包括： 基于燃煤机 组历史数据中的真空严密性试验记录， 筛选获得 漏空气劣化程度一致的样本数据集； 对样本数据 集进行异常值剔除、 除噪、 剔除非稳工况数据和 标准化处理， 获得处理后的最终样本数据集； 将 最终样本数据集和实际清洁系数 组合， 获得清洁 系数预估模 型训练所用的训练测试数据集。 本发 明的方法通过挖掘机组数据得到凝汽器结垢信息的实时清洁系数， 更加符合凝汽器实际的结垢 劣化情况。 [转续页] 权利要求书4页 说明书9页 附图3页 CN 113268921 B 2022.12.09 CN 113268921 B (56)对比文件 Wang Xijun 等.Thermodynamic Analy sis on the Combi ned Supercritical CO2/Organic Flash Cycle for Waste Heat Recovery from Shipborne Gas T urbine. 《Journal of Xi"an Jiaotong University》 .2019,第5 3卷(第11期),2/2 页 2[接上页] CN 113268921 B1.一种凝汽器清洁系数 预估方法， 其特 征在于， 包括以下步骤： 将获取的待预估DCS数据输入预先训练好的清洁系数预估模型， 所述清洁系数预估模 型输出预估的瞬态 清洁系数； 其中， 所述清洁系数 预估模型训练所用的训练测试 数据集的获取 方法步骤 包括： 基于燃煤机组历史数据中的真空严密性试验记录， 筛选获得漏空气劣化程度一致的样 本数据集D0； 其中， D0＝{d1,d2,d3,…,di,…,dn,vvacuum}， di为不同时刻的DCS 数据样本， 1≤i ≤n； 每个时刻的D CS数据样 本均包括上次清洗后时长Δτ、 当前清洗周期内机组负荷的平均 值 当前清洗周期内凝汽器进口水温的平均值 和机组当前负荷N； 对样本数据集D0进行异常值剔除、 除噪、 剔除非稳工况数据和标准化处理， 获得处理后 的最终样本数据集； 将最终样本数据集和实际清洁系数组合， 获得所述清洁系数预估模型训练所用的训练 测试数据集； 所述对样本数据集D0进行异常值剔除、 除噪、 剔除非稳工况数据和标准化处理， 获得处 理后的最终样本数据集的步骤具体包括： 基于角度识别异常值， 对样本数据集D0进行异常值剔除， 获得样本数据集D1； 采用SG滤波器通过滑动窗口平 滑样本数据集D1进行除噪， 获得样本数据集D2； 计算样本数据 集D2滑动窗口数据的均 值AVG和方差σ2， 对样本数据 集D2进行稳态判别并 剔除非稳工况 数据， 获得样本数据集D3； 对样本数据集D3采用min‑max标准化， 得到最终样本数据集D4； 所述基于角度识别异常值， 对样本数据集D0进行异常值剔除， 获得样本数据集D1的步骤 具体包括： 将时间相邻的数据点的测点数据角度θ定义为： 当θ大于预设阈值θ0， 则 将时间偏后的数据点判定为异 常并予以剔除； 式中， i为样本数据集D1中的第i个测点数据， xi‑1和xi为样本数据集D0中时间相邻的两个测点数据， xi‑1数据对应时刻为ti‑1， xi数据对应 时刻为ti； 所述计算样本数据集D2滑动窗口数据的均 值AVG和方差σ2， 对样本数据集D2进行稳态判 别并剔除非稳工况 数据， 获得样本数据集D3的步骤包括： D2滑动窗口数据Dwindow＝{dw1,dw2,dw3,…,dwm}的均值A VG和方差σ2的计算表达式为： 式中， AVG为滑动窗 口Dwindow内各数据的均值， m为滑动窗口的宽度， dwi为滑动窗口内第i 个数据， σ2为滑动窗口Dwindow内各数据的方差； 当相邻窗口的均值斜率和窗口内的方差均小于预先设定阈值时， 判定为稳定工况， 否权　利　要　求　书 1/4 页 2 CN 113268921 B 3