楊 利，江 浩，井新經(jīng)，曾立飛

?

基于不確定度理論的穩(wěn)態(tài)檢測方法及其應(yīng)用

楊 利，江 浩，井新經(jīng)，曾立飛

（西安熱工研究院有限公司，陜西 西安 710054）

本文基于不確定度理論提出了一種多變量穩(wěn)態(tài)檢測方法，該方法通過將各主要運行參數(shù)對汽輪機性能指標(biāo)隨機不確定的影響控制在規(guī)定的范圍內(nèi)來提取穩(wěn)態(tài)信息，并能自適應(yīng)地確定穩(wěn)態(tài)區(qū)間長度。采用該方法對某超超臨界1 000 MW火電機組運行數(shù)據(jù)進(jìn)行穩(wěn)態(tài)檢測。結(jié)果表明：電功率和給水流量是系統(tǒng)穩(wěn)態(tài)評價的關(guān)鍵指標(biāo)；利用檢測出的穩(wěn)態(tài)工況計算得到的性能指標(biāo)準(zhǔn)確度高、一致性好，可用于汽輪機組的性能監(jiān)測與診斷。將穩(wěn)態(tài)檢測結(jié)果與滑動窗口法對比，發(fā)現(xiàn)該穩(wěn)態(tài)檢測方法具有更高的檢測靈敏度和準(zhǔn)確度。因此，本文提出的穩(wěn)態(tài)檢測方法為利用歷史運行數(shù)據(jù)進(jìn)行火電機組性能監(jiān)測與評價、故障檢測與診斷奠定了基礎(chǔ)，具有一定的工程應(yīng)用價值。

火電機組；汽輪機；穩(wěn)態(tài)檢測；不確定度；最小讀數(shù)次數(shù)；性能計算；熱耗率；置信區(qū)間

近年來，隨著風(fēng)能、太陽能等新能源的快速發(fā)展，傳統(tǒng)火電機組面臨著年利用小時數(shù)低、停機時間長、頻繁參與深度調(diào)峰等新問題，這增加了汽輪機熱力性能試驗的難度，造成現(xiàn)場試驗時間長，試驗人員工作效率低，不利于火電機組性能優(yōu)化工作的開展。此時，采用廠級監(jiān)控信息系統(tǒng)（supervisory information system，SIS）了解和評價火電機組性能狀況顯得十分必要，而穩(wěn)態(tài)檢測是進(jìn)行在線性能監(jiān)測系統(tǒng)性能指標(biāo)計算的重要環(huán)節(jié)，對火電機組設(shè)備及系統(tǒng)的性能評價、運行優(yōu)化和故障檢測等均具有十分重要的意義[1]。

自20世紀(jì)80年代Narasimhan等人[2]提出穩(wěn)態(tài)檢測問題以來，許多學(xué)者對其進(jìn)行了理論研究并提出了不同的檢測方法，主要有組合統(tǒng)計檢驗法[3-4]、濾波法[5-7]、滑動窗口法[8-9]、小波變換法[10]、聚類[11]、趨勢提取法[12-13]等。現(xiàn)有的穩(wěn)態(tài)檢測方法大多需要根據(jù)經(jīng)驗確定檢驗窗口長度和穩(wěn)態(tài)閾值，且少有研究針對多變量的穩(wěn)態(tài)檢測。然而，實際生產(chǎn)過程中變量眾多，噪聲及信號特征各異，窗口長度和穩(wěn)態(tài)閾值難以確定，這些直接影響了各種穩(wěn)態(tài)檢測方法的應(yīng)用和推廣。同時，現(xiàn)有的各種穩(wěn)態(tài)檢測方法無法對穩(wěn)態(tài)檢測過程的不確定度，尤其是隨機不確定度進(jìn)行預(yù)測或控制，影響了汽輪機組性能指標(biāo)計算結(jié)果的可信度，從而導(dǎo)致火電機組性能評價、故障檢測的結(jié)果不理想。對此，本文從火電機組熱力性能試驗不確定度理論[14]出發(fā)，根據(jù)試驗最小讀數(shù)次數(shù)計算原理，提出了一種多變量穩(wěn)態(tài)檢測方法，用于在線篩選合適的穩(wěn)定工況，使得各主要運行參數(shù)對汽輪機性能指標(biāo)計算結(jié)果隨機不確定的影響在規(guī)定的范圍內(nèi)。

1 方法研究

不確定度是與測量結(jié)果相聯(lián)系的參數(shù)，即測量結(jié)果的不能肯定程度，用于表征被測量值的分散性?！镀啓C性能試驗規(guī)程》[15]（ASME PTC6—2004）給出了由于某個測量參數(shù)的讀數(shù)分散度引起試驗結(jié)果隨機不確定度的計算式為：

式中：a為樣本均值的標(biāo)準(zhǔn)偏差；S為隨機樣本的標(biāo)準(zhǔn)偏差；?為讀數(shù)平均值；x為隨機樣本讀數(shù)；為隨機樣本個數(shù)；U為某一性能指標(biāo)計算結(jié)果的相對隨機標(biāo)準(zhǔn)不確定度；為靈敏度系數(shù)，是指某一參數(shù)的單位變化對試驗結(jié)果的影響量，其中1為該性能指標(biāo)變化的百分?jǐn)?shù)與儀表讀數(shù)變化的百分?jǐn)?shù)的比值，2為每一單位儀表讀數(shù)變化（如每1 MPa或每1 ℃）引起該性能指標(biāo)變化的百分?jǐn)?shù)。

文獻(xiàn)[15]給出了從無限的正態(tài)分布數(shù)據(jù)中抽取個隨機樣本，隨機樣本的標(biāo)準(zhǔn)偏差/讀數(shù)范圍與隨機樣本個數(shù)的關(guān)系=()曲線[16]如圖1所示。其中=標(biāo)準(zhǔn)偏差/讀數(shù)范圍=S/(max–min)=S/?，代入式(1)、式(2)中，整理可得：

式中，I為工程單位的儀表讀數(shù)，?I為性能試驗中各儀表的最大允許讀數(shù)范圍（最大值–最小值）。

ASME PTC6—2004中，將各儀表讀數(shù)范圍對性能計算結(jié)果的影響因子定義為

聯(lián)立式(3)、式(4)可得采樣樣本的計算式：

由式(5)可知：采樣樣本（讀數(shù)次數(shù)）與、和s有關(guān)，即(,,s)，采用該式計算可以得到對應(yīng)的熱力參數(shù)讀數(shù)的分散度對汽輪機性能指標(biāo)計算結(jié)果隨機不確定度的影響不超過U時所需要的最小讀數(shù)次數(shù)，記為R。因此，最小讀數(shù)次數(shù)R表征了性能指標(biāo)計算結(jié)果隨機不確定度在規(guī)定的范圍內(nèi)時所需要的最少采樣樣本個數(shù)。

2 穩(wěn)態(tài)檢測流程

不確定度理論穩(wěn)態(tài)檢測方法的基本原理是：控制各儀表讀數(shù)分散度引起的汽輪機性能指標(biāo)計算結(jié)果隨機不確定度的影響大小在規(guī)定的范圍內(nèi)。當(dāng)各儀表采樣樣本讀數(shù)分散度全部滿足隨機不確定度要求時，對應(yīng)的采樣區(qū)間即為穩(wěn)態(tài)工況區(qū)間。穩(wěn)態(tài)檢測過程分兩步：預(yù)估各儀表最大允許讀數(shù)范圍?yx，確定各儀表所需要的最小讀數(shù)次數(shù)R。

基于不確定度理論判定系統(tǒng)處于穩(wěn)態(tài)的標(biāo)準(zhǔn)是各主要儀表所需要的最小讀數(shù)次數(shù)R全部小于已有采樣樣本的有效讀數(shù)次數(shù)a，即對任何測量參數(shù)而言都滿足R

圖2 汽輪機多變量穩(wěn)態(tài)工況檢測流程

此處，以汽輪機熱耗率的檢測為例進(jìn)行說明，假定要求各參數(shù)對熱耗率影響的相對隨機不確定度s不超過0.1%，各主要測量參數(shù)相對熱耗率的靈敏度系數(shù)1、2計算結(jié)果見表1。由圖1可知樣本個數(shù)大于60以后，基本不變。由此，在預(yù)估各儀表最大允許讀數(shù)范圍?yx時，采樣樣本個數(shù)可取60，從而可得各主要儀表最大允許讀數(shù)范圍?yx預(yù)估值。其中：電功率為0.018?，MW；主給水流量為0.018?，t/h；主蒸汽壓力為4.5 MPa；主蒸汽溫度和再熱蒸汽溫度分別為12.9、15.0 ℃。

表1 主要參數(shù)靈敏度系數(shù)的取值

Tab.1 Values of the main parameter sensitivity coefficient q %

3 穩(wěn)態(tài)檢測應(yīng)用實例

本文以某超超臨界1 000 MW一次中間再熱純凝機組的歷史運行數(shù)據(jù)為研究對象。該機組主給水流量的測量采用ASME推薦的低喉部取壓噴嘴裝置；在測量其他各主要運行參數(shù)時，對測量元件均進(jìn)行了測點及測量方案規(guī)范，提高了測點的測量精度，降低了運行數(shù)據(jù)測量結(jié)果的不確定度。

現(xiàn)取該電廠2016年4月歷史運行數(shù)據(jù)，采樣時間間隔為1 min，經(jīng)數(shù)據(jù)預(yù)處理后采用本文提出的基于不確定度理論的多變量穩(wěn)態(tài)檢測方法進(jìn)行穩(wěn)態(tài)工況檢測，以電功率、主給水流量、主蒸汽壓力、主蒸汽溫度、再熱蒸汽溫度5個主要參數(shù)作為系統(tǒng)處于穩(wěn)態(tài)的檢測指標(biāo)。

3.1 穩(wěn)態(tài)檢測過程分析

穩(wěn)態(tài)檢測的具體過程即是尋找各主要參數(shù)所需要的最小讀數(shù)次數(shù)R全部小于有效讀數(shù)次數(shù)a時所處的公共區(qū)間部分，這部分公共區(qū)間即是穩(wěn)態(tài)區(qū)間長度。因此，基于不確定度理論的多變量穩(wěn)態(tài)檢測是一個反復(fù)循環(huán)計算的過程，循環(huán)計算的終止條件是R

在規(guī)定了各主要參數(shù)讀數(shù)分散度對汽輪機熱耗率隨機不確定度的影響s=0.1%后，根據(jù)式(5)計算得各主要參數(shù)的最小讀數(shù)次數(shù)R。某段穩(wěn)態(tài)工況的篩選過程如圖3所示。

圖3 在線運行工況下各主要參數(shù)最小讀數(shù)次數(shù)曲線

由圖3可知，電功率和主給水流量所需要的最小讀數(shù)次數(shù)最多，比其他主要參數(shù)的收斂速度慢，主要原因是電功率和主給水流量對汽輪機熱耗率的影響較大，且在實際運行中波動較大。由此可見，在線運行時電功率和主給水流量的穩(wěn)定性是系統(tǒng)能否快速達(dá)到穩(wěn)態(tài)的關(guān)鍵，因此基于不確定度理論的穩(wěn)態(tài)檢測方法可以電功率和主給水流量作為系統(tǒng)處于穩(wěn)態(tài)的檢測指標(biāo)。同時，各主要參數(shù)最小讀數(shù)次數(shù)R從第48個樣本后全部小于有效讀數(shù)次數(shù)a，滿足不確定度理論對多變量穩(wěn)態(tài)檢測的要求，且該穩(wěn)態(tài)區(qū)間長度由穩(wěn)態(tài)檢測算法自適應(yīng)確定，由此得出該段采樣時間內(nèi)的穩(wěn)態(tài)區(qū)間是[0,48]。

3.2 穩(wěn)態(tài)檢測結(jié)果研究

以電功率和主給水流量作為穩(wěn)態(tài)檢測指標(biāo)，對比機組10 h內(nèi)的穩(wěn)態(tài)檢測結(jié)果與采用滑動窗口法的穩(wěn)態(tài)檢測結(jié)果，結(jié)果如圖4所示。圖4中，穩(wěn)態(tài)因子“1”和“0”分別代表系統(tǒng)處于穩(wěn)態(tài)和非穩(wěn)態(tài)。

由圖4可知：基于不確定度理論的穩(wěn)態(tài)檢測法得到3段穩(wěn)態(tài)區(qū)間分別是[6, 79]、[111, 168]、[301, 388]，該穩(wěn)態(tài)工況區(qū)間全部落在滑動窗口法檢測出的穩(wěn)態(tài)區(qū)間內(nèi)，且能根據(jù)穩(wěn)態(tài)檢測算法自適應(yīng)地確定穩(wěn)態(tài)區(qū)間長度，證明該在線穩(wěn)態(tài)檢測方法是可行的；同時，在非穩(wěn)態(tài)區(qū)間[168, 301]內(nèi)，雖然電功率相對穩(wěn)定，但主給水流量的波動相對較大，本文提出的多變量穩(wěn)態(tài)檢測方法能準(zhǔn)確辨識這一微小波動，將其區(qū)間判定為非穩(wěn)態(tài)，這顯然優(yōu)于滑動窗口法的穩(wěn)態(tài)檢測結(jié)果，因此采用該穩(wěn)態(tài)檢測方法可有效提高穩(wěn)態(tài)系統(tǒng)辨識的精度和可靠性。

3.3 應(yīng)用

熱耗率是評價汽輪機性能的重要經(jīng)濟(jì)指標(biāo)。以主給水流量作為基準(zhǔn)流量，對采用該穩(wěn)態(tài)檢測算法獲得的該電廠2016年4月穩(wěn)態(tài)工況下的汽輪機熱耗率進(jìn)行計算，結(jié)果見表2。其中，將汽輪機負(fù)荷和高壓調(diào)節(jié)閥開度作為同一穩(wěn)態(tài)工況的篩選條件，電功率和熱耗率根據(jù)ASME PTC6—2004進(jìn)行了參數(shù)修正，另外還考慮了吹灰和輔助蒸汽消耗等因素的影響。由表2可知，在以上條件下所篩選出的各穩(wěn)態(tài)工況，修正后汽輪機熱耗率的平均值為7 594.8 kJ/(kW·h)，不同穩(wěn)態(tài)工況下極差為37.7 kJ/(kW·h)，相對偏差率為0.50%。這表明，采用基于不確定度理論的穩(wěn)態(tài)檢測算法得到的穩(wěn)態(tài)工況進(jìn)行汽輪機性能指標(biāo)計算時，計算結(jié)果準(zhǔn)確度高、一致性好。

文獻(xiàn)[16]指出，當(dāng)樣本總體滿足正態(tài)分布，即~(,s2)時，可根據(jù)樣本的有限總體對總體參數(shù)進(jìn)行區(qū)間估計，從而得到總體參數(shù)估計值的置信區(qū)間，總體均值在置信度為95%時的置信區(qū)間為

火電機組在線運行時，影響汽輪機熱耗率的因素眾多。即使穩(wěn)態(tài)工況下相同負(fù)荷的熱耗率計算結(jié)果也會存在一定偏差。為了準(zhǔn)確估計汽輪機熱耗率包含真值的置信區(qū)間，可采用式(6)對每個月的熱耗率總體均值進(jìn)行區(qū)間估計，從而得到汽輪機熱耗率隨月份的變化趨勢。

由表2計算可得，2016年4月汽輪機熱耗率在置信度為95%時置信區(qū)間為[7 583.8, 7 605.8]，表明總體熱耗率真值以95%的概率落在此區(qū)間內(nèi)。同理，計算了2015年6月—2016年11月在同一總閥位、相同電功率附近汽輪機熱耗率的置信區(qū)間，得到熱耗率隨月份的變化趨勢如圖5所示。

表2 穩(wěn)態(tài)工況下汽輪機重要經(jīng)濟(jì)指標(biāo)計算結(jié)果匯總

Tab.2 The calculation results summary of important economic indicators of the steam turbine under steady-state conditions

圖5 汽輪機熱耗率隨月份的變化趨勢

由圖5可見：2015年6月—2016年11月，該機組經(jīng)歷了2次調(diào)停檢修，汽輪機熱耗率總體變化趨勢為“上升-下降-上升”；在汽輪機熱耗率2次上升期（2015年9月—11月，2016年9月—11月），熱耗率分別上升約80、100 kJ/(kW·h)，表明汽輪機組性能狀況惡化嚴(yán)重，因而電廠進(jìn)行了停機檢修；在熱耗率下降期（2015年11月—2016年3月），進(jìn)行了汽輪機大修和超凈排放改造，這使得汽輪機組性能提高，熱耗率降低了約110 kJ/(kW·h)。由此可知，本文提出的穩(wěn)態(tài)檢測方法計算得到的汽輪機熱耗率準(zhǔn)確反映了該機組的性能變化趨勢，對汽輪機組長期性趨勢化的性能監(jiān)測及調(diào)停檢修具有重要的指導(dǎo)意義。

4 結(jié) 論

1）本文從試驗最小讀數(shù)次數(shù)計算原理出發(fā)，基于不確定度理論提出了一種多變量穩(wěn)態(tài)檢測方法。該方法可將各儀表讀數(shù)分散度引起的汽輪機性能指標(biāo)計算結(jié)果隨機不確定度有效控制在規(guī)定的范圍內(nèi)，具有更高的檢測靈敏度和準(zhǔn)確度，并能自適應(yīng)地確定穩(wěn)態(tài)區(qū)間長度。

2）采用該穩(wěn)態(tài)檢測方法對某超超臨界1 000 MW機組歷史運行數(shù)據(jù)進(jìn)行穩(wěn)態(tài)工況檢測。檢測結(jié)果表明，功率和主給水流量是評價熱力系統(tǒng)處于穩(wěn)態(tài)的關(guān)鍵指標(biāo)，且大修后高負(fù)荷區(qū)穩(wěn)態(tài)工況下汽輪機熱耗率計算結(jié)果的平均值為7 594.8 kJ/(kW·h)，不同穩(wěn)態(tài)工況下熱耗率極差為37.7 kJ/(kW·h)，相對偏差率為0.50%。這表明采用基于不確定度理論的穩(wěn)態(tài)檢測算法得到的穩(wěn)態(tài)工況進(jìn)行汽輪機性能指標(biāo)計算時，性能指標(biāo)計算結(jié)果準(zhǔn)確度高、一致性好。

3）該電廠2年內(nèi)高負(fù)荷區(qū)穩(wěn)態(tài)工況下汽輪機熱耗率包含真值的置信區(qū)間計算結(jié)果的變化趨勢表明：汽輪機熱耗率可準(zhǔn)確反映機組的性能惡化趨勢，對汽輪機組長期趨勢化的性能監(jiān)測及調(diào)停檢修具有重要的指導(dǎo)意義。

［1］ 劉吉臻, 高萌, 呂游, 等. 過程運行數(shù)據(jù)的穩(wěn)態(tài)檢測方法綜述[J]. 儀器儀表學(xué)報, 2013, 34(8): 1739-1748. LIU Jizhen, GAO Meng, LV You, et al. Overview on the steady-state detection methods of process operating data[J]. Chinese Journal of Scientific Instrument, 2013, 34(8): 1739-1748.

［2］ NARASIMHAN S, MAH R S H, TAMHANE A C. A composite statistical test for detecting changes of steady states[J]. Aiche Journal, 2010, 32(9): 1409-1418.

［3］ NARASIMHAN S , KAO C S , MAH R S H . Detecting changes of steady states using the mathematical theory of evidence[J]. Aiche Journal, 1987, 33(11): 1930-1932.

［4］ MORENO R D P. Steady state detection, data reconciliation, and gross error detection: development for industrial processes[D]. The University of New Brunswick, 2010: 2-6. http: //www. doc88. com/p-9052093220989. html.

［5］ 李初福, 陳丙珍, 何小榮, 等. 用于含過失誤差數(shù)據(jù)穩(wěn)態(tài)檢測的改進(jìn)濾波法[J]. 清華大學(xué)學(xué)報(自然科學(xué)版), 2004, 44(9): 1160-1162.LI Chufu, CHEN Bingzhen, HE Xiaorong, et al. Inproved filtering method for steady state tests with measurements containing gross error[J]. Journal of Tsinghua University: Natural Science Edition, 2004, 44(9): 1160-1162.

［6］ 陳文馳, 劉飛. 一種改進(jìn)的基于多項式濾波的穩(wěn)態(tài)檢測方法[J]. 控制工程, 2012, 19(2): 195-197. CHEN Wenchi, LIU Fei. An improved steady-state identification method based on polynomial filtering[J]. Control Engineering of China, 2012, 19(2): 195-197.

［7］ 付克昌, 戴連奎, 吳鐵軍. 基于多項式濾波算法的自適應(yīng)穩(wěn)態(tài)檢測[J]. 化工自動化及儀表, 2006, 33(5): 18-22. FU Kechang, DAI Liankui, WU Tiejun. Method of adaptive steady state detection based on polynomial filtering[J]. Control and Instruments in Chemical Industry, 2006, 33(5): 18-22.

［8］ 陳玉玲, 徐聿晟, 沈珂敏, 等. 基于過程系統(tǒng)測量數(shù)據(jù)的穩(wěn)態(tài)檢測與數(shù)據(jù)處理方法[J]. 化工自動化及儀表, 2013, 40(2): 222-225. CHEN Yuling, XU Yusheng, SHEN Kemin, et al. Steady state detection and data processing based on measurement data of process system[J]. Control and Instruments in Chemical Industry, 2013, 40(2): 222-225.

［9］ 劉吉臻, 楊光軍, 譚文. 一種基于數(shù)據(jù)驅(qū)動的電站狀態(tài)穩(wěn)定性能評價指標(biāo)[J]. 熱力發(fā)電, 2008, 37(1): 45-49. LIU Jizhen, YANG Guangjun, TAN Wen. An index based data-driven for evaluating the state stability in power plant[J]. Thermal Power Generation, 2008, 37(1): 45-49.

［10］ JIANG T, CHEN B, HE X, et al. Application of steady-state detection method based on wavelet transform[J]. Computers & Chemical Engineering, 2003, 27(4): 569-578.

［11］ 饒宛, 方立軍, 張晗, 等. 基于Fisher有序聚類的汽輪機試驗數(shù)據(jù)穩(wěn)態(tài)檢測方法[J]. 電站系統(tǒng)工程, 2016, 32(1): 64-66.RAO Wan, FANG Lijun, ZHANG Han, et al. Steady state detection of turbine performance test data based on fisher ordered clustering method[J]. Power System Engineering, 2016, 32(1): 64-66.

［12］ 畢小龍, 王洪躍, 司風(fēng)琪, 等. 基于趨勢提取的穩(wěn)態(tài)檢測方法[J]. 動力工程, 2006, 26(4): 503-506. BI Xiaolong, WANG Hongyue, SI Fengqi, et al. A method based on tendency distillation for ascertaining state steadiness[J]. Journal of Power Engineering, 2006, 26(4): 503-506.

［13］ 呂游, 劉吉臻, 趙文杰, 等. 基于分段曲線擬合的穩(wěn)態(tài)檢測方法[J]. 儀器儀表學(xué)報, 2012, 33(1): 194-200. LV You, LIU Jizhen, ZHAO Wenjie, et al. Steady state detecting method based on piecewise curve fitting[J]. Chinese Journal of Scientific Instrument, 2012, 33(1): 194-200.

［14］ Test uncertainty: ASME PTC19. 1—2005[S]. New York: The American Society of Mechanical Engineers, 2006: 5.

［15］ Steam turbines performance test codes: ASME PTC—2004[S]. New York: The American Society of Mechanical Engineers, 2005: 12-13.

［16］ 施雨. 應(yīng)用數(shù)理統(tǒng)計[M]. 西安: 西安交通大學(xué)出版社, 2013: 58-60. SHI Yu. Apply mathematical statistics[M]. Xi’an: Xi’an Jiaotong University Press, 2013: 58-60.

A steady state detection method based on uncertainty theory and its application

YANG Li, JIANG Hao, JING Xinjing, ZENG Lifei

(Xi’an Thermal Power Research Institute Co., Ltd., Xi’an 710054, China)

On the basis of the uncertainty theory, a multi-variable steady-state detection method is proposed. This method extracts steady state information by controlling the influence of each main operating parameter on random uncertainty of the performance index within a specified limits, which can adaptively determine the steady-state interval length. Moreover, this method is applied to carry out steady-state detection for operating data of an ultra-supercritical 1 000 MW thermal power unit. The results show that, the power and feed water flow are key indicators for the system’s steady state evaluation, the performance index calculated by the detected steady state condition has high accuracy and good consistency, which can be applied for performance monitoring and diagnosis of steam turbines. By comparing the steady-state detection results with the sliding window method, it finds that this method has higher detection sensitivity and accuracy. Therefore, the steady state detection method proposed in this paper lays a foundation for thermal power units’ performance monitoring and evaluation, fault detection and diagnosis by using historical operational data, which alleviates many problems faced by current steam turbines’ thermal performance tests and has certain engineering application values.

thermal power unit, steam turbine, steady-state detection, uncertainty, the minimum number of readings, performance calculation, heat consumption rate, confidence interval

TK267; TP274

A

10.19666/j.rlfd.201812234

楊利, 江浩, 井新經(jīng), 等. 基于不確定度理論的穩(wěn)態(tài)檢測方法及其應(yīng)用[J]. 熱力發(fā)電, 2019, 48(5): 139-144. YANG Li, JIANG Hao, JING Xinjing, et al. A steady state detection method based on uncertainty theory and its application[J]. Thermal Power Generation, 2019, 48(5): 139-144.

2018-12-27

楊利(1990—)，男，碩士研究生，主要研究方向為電廠節(jié)能與診斷，yangli@tpri.com.cn。

（責(zé)任編輯 劉永強）