基于深度卷积神经网络的工业循环冷却水系统运行状态预测

刘钢; 李晓东; 金轶群; 刘川; 罗智斌; 谢宙桦; 冯铁玲; 黄善锋

doi:10.19666/j.rlfd.202203033

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于深度卷积神经网络的工业循环冷却水系统运行状态预测

发电技术论坛 | 更新时间：2025-09-28

- 基于深度卷积神经网络的工业循环冷却水系统运行状态预测
- Operation state prediction for industrial circulating cooling water system based on deep convolutional neural network
- 热力发电 2022年51卷第8期页码：149-153
- 作者机构：
  
  1. 中电四会热电有限责任公司
  2. 西安热工研究院有限公司
- 作者简介：
- 基金信息：
- DOI：10.19666/j.rlfd.202203033
  中图分类号： TP183;TQ085
- 纸质出版日期：2022
- 稿件说明：
移动端阅览
刘钢, 李晓东, 金轶群, 等. 基于深度卷积神经网络的工业循环冷却水系统运行状态预测[J]. 热力发电, 2022,51(8):149-153.

LIU Gang, LI Xiaodong, JIN Yiqun, et al. Operation state prediction for industrial circulating cooling water system based on deep convolutional neural network[J]. Thermal power generation, 2022, 51(8): 149-153.
刘钢, 李晓东, 金轶群, 等. 基于深度卷积神经网络的工业循环冷却水系统运行状态预测[J]. 热力发电, 2022,51(8):149-153. DOI： 10.19666/j.rlfd.202203033.

LIU Gang, LI Xiaodong, JIN Yiqun, et al. Operation state prediction for industrial circulating cooling water system based on deep convolutional neural network[J]. Thermal power generation, 2022, 51(8): 149-153. DOI： 10.19666/j.rlfd.202203033.

摘要

工业循环冷却水系统运行状态预测是维护工业设备正常运行的重要保障。为此，提出一种基于深度卷积神经网络的智能工业循环冷却水系统运行状态预测方法。该方法根据工业循环冷却水水质特征，使用工业循环水在线仪表采集p H值、碱度、硬度、氯离子等实时数据，设计了深度卷积神经网络框架，在每层网络中加入Dropout层，以避免神经网络训练过拟合。利用某电厂的实际水质测量数据对该方法进行有效性验证，结果表明，该方法的预测结果准确率可达94%，且泛化能力良好，优于现有其他方法。

Abstract

The operation state prediction of industrial circulating cooling water system is an important guarantee to maintain normal operation of industrial equipment. Therefore

an intelligent operation state prediction method for industrial circulating cooling water system based on deep convolutional neural network is proposed. According to the characteristics of water quality of industrial circulating cooling water

a deep convolutional neural network framework is designed using online instrument sampling data of industrial circulating water(including real-time data of pH value

alkalinity

hardness

chloride ion

etc.). A Dropout layer is added to each layer of the network to avoid over-fitting by neural network training. Moreover

the validity of this method is verified by the actual water quality measurement data of a power plant. The results show that

this method has a prediction accuracy of 94%

and has good generalization ability

which is better than other existing methods.

关键词

Keywords

references

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于设备特征值的电站设备状态检修

深度学习算法在光伏电站无人机智能运维中应用

基于大数据与人工智能技术的电力在线技术监督平台建设方案

燃气轮机性能监测与故障预警系统开发及工程应用研究