基于狀態(tài)識別的經驗模態(tài)分解法火電廠運行數(shù)據(jù)預處理

趙 悅，方彥軍，董政呈

?

基于狀態(tài)識別的經驗模態(tài)分解法火電廠運行數(shù)據(jù)預處理

趙 悅，方彥軍，董政呈

（武漢大學動力與機械學院，湖北 武漢 430072）

針對火電機組運行監(jiān)測數(shù)據(jù)量大且復雜情況下的去噪問題，提出一種基于狀態(tài)識別的改進經驗模態(tài)分解去噪（SREMD）算法。該算法以經驗模態(tài)分解（EMD）方法為基礎，首先運用基于拉伊達（Pauta）準則的濾波方法去除顯著異常數(shù)據(jù)，然后根據(jù)數(shù)據(jù)連續(xù)變化率動態(tài)識別機組運行狀態(tài)，最后根據(jù)機組運行狀態(tài)的穩(wěn)態(tài)過程和過渡過程分別進行針對性EMD去噪，以適應火電機組的狀態(tài)切換特性。將該算法用于實際機組運行數(shù)據(jù)，結果表明，本文算法有效完成了火電機組監(jiān)測數(shù)據(jù)的去噪預處理，在保持信號整體趨勢的基礎上能達到更好的去噪效果。

火電機組；數(shù)據(jù)預處理；去噪；濾波；Pauta準則；EMD；狀態(tài)識別

火電機組運行數(shù)據(jù)是由現(xiàn)場成千上萬個傳感器獲得，這些傳感器實際工作環(huán)境復雜，很多傳感器在高溫、高壓等極端條件下工作，其精度會受到影響，出現(xiàn)故障的概率也較大。此時傳感器采集到的數(shù)據(jù)就會存在各種異常值，若對這些數(shù)據(jù)不做相應的預處理，后續(xù)數(shù)據(jù)的使用就會受很大的影響。因此，采集數(shù)據(jù)需進行異常值檢測、噪聲剔除等數(shù)據(jù)預處理操作。

火電機組運行數(shù)據(jù)具有如下特點：1）測量點多，數(shù)據(jù)量龐大；2）測量環(huán)境復雜多樣，數(shù)據(jù)夾雜大量噪聲；3）數(shù)據(jù)類型多樣，具有較強的動態(tài)性[1-3]。傳統(tǒng)數(shù)據(jù)預處理方法直接應用于電廠運行數(shù)據(jù)預處理時會出現(xiàn)很多問題，達不到預期效果。如常用的量程檢測法，只可識別出少量的異常數(shù)據(jù)；簡單濾波算法只可剔除少量誤差較大的噪聲數(shù)據(jù)。而大部分的大數(shù)據(jù)預處理方法不能直接用于電廠大數(shù)據(jù)的預處理，當前關于電廠運行數(shù)據(jù)的大數(shù)據(jù)分析側重于參數(shù)研究、運行優(yōu)化等方面[4-11]，對電廠數(shù)據(jù)的濾波去噪等針對性預處理的研究則較少。

一些新的數(shù)據(jù)預處理方法被提出：文獻[12]采用SSD（steady state detection）算法和EWMA（exponentially weighted moving average）濾波進行穩(wěn)態(tài)檢測并結合改進的方法實現(xiàn)了穩(wěn)態(tài)檢測數(shù)據(jù)的預處理；文獻[13]采用聚類算法實現(xiàn)了電力數(shù)據(jù)的異常、毛刺以及極大極小值的處理與優(yōu)化；文 獻[14]針對電廠測量數(shù)據(jù)一般出自冗余測量系統(tǒng)的特點，考慮不同變量的測量精度，根據(jù)基于最大似然原理的數(shù)據(jù)校正模型進行顯著性測量誤差檢測，并通過校正得到合理數(shù)據(jù)。但這些方法大多只針對電廠靜態(tài)數(shù)據(jù)，對動態(tài)性較強的數(shù)據(jù)處理效果不佳；且僅能修正少數(shù)顯著異常數(shù)據(jù)，數(shù)據(jù)中各種復雜因素引起的噪聲未能得到很好地處理。

異常值檢測是數(shù)據(jù)預處理的基礎，其中發(fā)展最成熟的是基于統(tǒng)計的異常值檢測技術[15-16]。Pauta準則適用于數(shù)量大的數(shù)據(jù)異常值處理，該方法較簡便。基于此的濾波方法是以隨機噪聲假設為基礎，通過計算均方誤差設置閾值，有效剔除異常數(shù)據(jù)，并根據(jù)數(shù)據(jù)在時間上的連續(xù)性，對數(shù)據(jù)進行修復，從而達到濾波效果。但該方法僅對明顯的異常數(shù)據(jù)進行過濾，對剩余大部分噪聲過濾效果不佳。對具有非平穩(wěn)特性數(shù)據(jù)的降噪而言，一般的中值濾波、滑動平均濾波等方法效果不明顯，取而代之的是經驗模態(tài)分解（EMD）[17-20]、小波分解等方法。傳統(tǒng)的EMD方法存在模態(tài)混疊的問題，即一個單獨的IMF信號中會含有全異的尺度，且相同的尺度會存在于不同的IMF信號中，對于存在狀態(tài)切換的火電機組數(shù)據(jù)，傳統(tǒng)的EMD方法在去噪的同時會在一定程度上導致信號的損失，使信號只保留基本趨勢而損失很多可能很重要的細節(jié)信號，存在噪聲剔除不凈且不能很好跟蹤數(shù)據(jù)趨勢的缺點。另外，實驗表明傳統(tǒng)EMD方法容易受信號中的異常值影響，將異常值引入固有模態(tài)函數(shù)，從而使EMD重構后的信號明顯偏離原信號。

因此，本文以Pauta準則和EMD方法為基礎，充分結合火電機組運行監(jiān)測數(shù)據(jù)的特點提出一種改進的狀態(tài)識別濾波算法，即SREMD算法。該算法在拉伊達準則濾波的基礎上，通過識別機組的運行狀態(tài)，將數(shù)據(jù)分為穩(wěn)態(tài)過程數(shù)據(jù)和過渡過程數(shù)據(jù)，并運用EMD法進行針對性處理。在充分結合電廠數(shù)據(jù)特點的同時發(fā)揮EMD法處理非平穩(wěn)數(shù)據(jù)的優(yōu)勢，對火電機組數(shù)據(jù)進行去噪等處理。

1 改進狀態(tài)識別濾波算法

1.1 基本思想

在進行EMD分解前先對原始數(shù)據(jù)進行異常值剔除來消除顯著異常值對EMD重構的影響，即需先進行Pauta準則濾波。圖1為火電廠給水溫度與發(fā)電功率原始數(shù)據(jù)。由圖1可知，火電機組數(shù)據(jù)存在動態(tài)性較強的特點，且火電機組為一個狀態(tài)切換系統(tǒng)，即機組運行狀態(tài)可以根據(jù)整體變化率分為穩(wěn)態(tài)運行過程和狀態(tài)切換過渡過程2種狀態(tài)。

圖1 給水溫度與發(fā)電機功率原始數(shù)據(jù)

因此，本文提出一種穩(wěn)定狀態(tài)識別算法，其基本思想是通過調節(jié)窗口寬度，根據(jù)數(shù)據(jù)的連續(xù)變化率識別出過渡過程和穩(wěn)態(tài)過程。對此計算如下：

式中：Δx為相鄰兩數(shù)據(jù)的變化率；Δmax為最大變化率；Δmax為最小變化率；為設定窗口寬度，其最優(yōu)值通過最小化復合評價指標來確定；12為閾值參數(shù)。

長度的窗口內，相鄰兩數(shù)據(jù)變化率的均值若大于窗口內最大變化率與閾值參數(shù)1的乘積，則可判斷此段為上升過渡過程；同樣相鄰兩數(shù)據(jù)變化率的均值小于窗口內最小變化率與閾值參數(shù)2的乘積，則此時處于數(shù)值下降過渡過程。否則，判定為平穩(wěn)階段，即為穩(wěn)態(tài)過程。

狀態(tài)識別后，針對穩(wěn)態(tài)過程中信號整體趨于平穩(wěn)，但存在高頻噪聲的特點，進行局部EMD分解，并進一步設計重構尺度對穩(wěn)態(tài)過程數(shù)據(jù)進行重構。同時對原數(shù)據(jù)直接進行EMD濾波。之后，取直接EMD濾波的過渡過程的數(shù)據(jù)與重構后的穩(wěn)態(tài)過程段數(shù)據(jù)進行平滑對接，從而實現(xiàn)2種過程識別并進行針對性處理。

1.2 算法流程

采用SREMD算法對火電機組運行數(shù)據(jù)進行濾波處理時，首先導入機組運行數(shù)據(jù)，采用Pauta準則濾波，清除顯著異常值數(shù)據(jù)；然后根據(jù)式(1)識別出穩(wěn)態(tài)數(shù)據(jù)和過渡過程數(shù)據(jù)；對穩(wěn)態(tài)數(shù)據(jù)使用EMD方法進行針對性分解和重構，清除噪聲數(shù)據(jù)；同時對過渡數(shù)據(jù)進行直接EMD濾波；最后將穩(wěn)態(tài)數(shù)據(jù)與過渡過程數(shù)據(jù)重新組合并平滑化，完成數(shù)據(jù)的整體濾波。其算法流程如圖2所示。

圖2 SREMD算法流程

1.3 性能評價指標

通過不同的性能指標[21]來評價SREMD算法的去噪性能。常用的性能指標包括：1）均方根誤差RMSE，可以體現(xiàn)信號的整體偏差信息；2）信噪比SNR，體現(xiàn)噪聲信息對整體信號的影響；3）平滑度，體現(xiàn)信號的局部變異信息，即是否有較多的局部突變。各性能指標計算公式如下。

式中signal和noise分別表示信號和噪聲的能量。

一般而言，當數(shù)據(jù)真值已知時，均方根誤差越小越好，信噪比越大越好，平滑度越小越好。由于火電機組在線運行的真實數(shù)據(jù)未知，測量數(shù)據(jù)本身帶有大量噪聲，故單獨的指標無法直接通過與真實信號的比較來反映去噪效果。

經過分析發(fā)現(xiàn)，均方根誤差和信噪比都是反映信號細節(jié)信息的指標，而平滑度則反映信號的整體趨勢特征，且均方根誤差與平滑度和信噪比之間呈負相關。因此，本文從數(shù)據(jù)整體的角度考慮，通過構造復合性能評價指標對算法進行綜合性的定量評價，具體計算為

根據(jù)復合指標可以計算SREMD算法的最優(yōu)窗口寬度為

為了更加合理地確定復合指標中各指標的權值，本文通過指標的變異系數(shù)定權方法[22]來確定各指標權值。變異系數(shù)也稱為標準差率，是標準差與均值的比值，能反映指標數(shù)值的變異程度，變異系數(shù)越大的指標越難實現(xiàn)，因此權值越大。

式中，CVRMSE表示均方誤差的變異系數(shù)，RMSE、RMSE分別表示指標的標準差和均值。

則

2 實例分析

以某火電機組發(fā)電機功率24 h的實測數(shù)據(jù)為基礎進行實驗仿真，并從直觀效果和量化性能指標2個方面對算法效果進行比較分析。對Pauta準則濾波、EMD法與本文SREMD算法對數(shù)據(jù)的預處理效果進行驗證分析。

2.1 3種算法去噪聲效果定性比較

對于火電廠大數(shù)據(jù)而言，Pauta準則濾波能較好地剔除的異常值，EMD法對高頻數(shù)據(jù)有較好地消除噪聲的效果，但在處理火電機組數(shù)據(jù)時存在明顯的局限性，因此本文提出的改進的火電機組數(shù)據(jù)SREMD算法是很有必要的。

圖3為基于Pauta準則的數(shù)據(jù)濾波。由圖3可見，原始數(shù)據(jù)中存在明顯的毛刺，如圖3中的3處圓圈標記處，這些數(shù)據(jù)不滿足Pauta準則的條件，能夠予以剔除。而對于幅值較小的其他隨機噪聲，濾波效果欠佳。

圖3 基于Pauta準則的數(shù)據(jù)濾波

圖4為不同重構尺度的EMD濾波。由圖4可見，不同重構尺度下EMD濾波效果不同。重構系數(shù)過小時濾波效果不佳，過大又會導致重構后的數(shù)據(jù)波形在很多細節(jié)處嚴重失真。

對比圖4中不同重構系數(shù)發(fā)現(xiàn)：=4時噪聲去除效果不佳；=6時會導致原始數(shù)據(jù)信息損失，不能較好地反映原始數(shù)據(jù)信號的趨勢；5時濾波效果最佳。因此，選取=5時的EMD濾波。此時對火電機組發(fā)電機功率數(shù)據(jù)的噪聲濾除效果較好，但依然不能很好地跟蹤數(shù)據(jù)的變化趨勢。所以本文結合2種方法，在應用Pauta準則去除顯著異常值后再在狀態(tài)識別的基礎上針對性應用EMD濾波。

圖4 不同重構尺度的EMD濾波

根據(jù)式(2)—式(5)，計算不同窗口寬度下SREMD算法去噪聲復合性能指標，通過尋找復合指標的最小值來確定最優(yōu)的窗口寬度。由表1可知，當SREMD算法的窗口寬度=19時，復合指標值最小，即算法的綜合去噪聲性能達到最優(yōu)。因此，選取窗口寬度=19作為SREMD算法的參數(shù)。

表1 不同窗口寬度的復合指標

Tab.1 The composite indexes with different window widths

圖5為發(fā)電機功率的相對穩(wěn)態(tài)過程識別。圖6為基于狀態(tài)識別的SREMD濾波。SREMD算法是先對原始數(shù)據(jù)進行Pauta濾波，剔除明顯噪聲，然后結合整體EMD濾波與穩(wěn)態(tài)過程局部EMD濾波，既很好地剔除了高頻噪聲，又很好地反映數(shù)據(jù)整體趨勢，效果突出，特別是對于穩(wěn)態(tài)區(qū)域，在保證數(shù)據(jù)整體趨勢的情況下，對于高頻噪聲的處理效果顯著。且與傳統(tǒng)EMD法相比而言，SREMD法在分解重構前進行了Pauta濾波，消除了異常值對分解重構的影響，避免了直接使用EMD法時出現(xiàn)的固有模態(tài)函數(shù)受異常值影響從而導致數(shù)據(jù)重構后偏離原始信號的問題。

圖5 穩(wěn)態(tài)過程識別與濾波

圖6 基于狀態(tài)識別的SREMD濾波

2.2 性能指標定量分析

表2為3種算法的歸一化均方根誤差、信噪比、平滑度與復合性能指標對比結果。根據(jù)表2的數(shù)據(jù)，就單項指標而言，Pauta濾波的均方誤差最小而信噪比最高，這是因為僅去除了顯著異常的噪聲，與原始數(shù)據(jù)差異很小。EMD濾波的平滑度指標最好，是因為其直接去除了高頻部分的所有本征母函數(shù)，剩余部分就是頻率較低的成分，但是這樣處理會導致很多信息丟失。SREMD濾波的3項單性能指標均較好，其中基于狀態(tài)識別的SREMD濾波算法復合指標最佳，即其綜合去噪聲能力最強。

表2 3種算法性能指標比較

Tab.2 The performance index comparison between three algorithms

3 結 論

本文將EMD法與Pauta準則相結合，針對火電機組運行監(jiān)測數(shù)據(jù)的特性，提出了一種基于狀態(tài)識別的SREMD濾波算法。該算法首先采用Pauta準則修復數(shù)據(jù)中的顯著異常值，去除異常數(shù)據(jù)對本征模函數(shù)的影響，通過對數(shù)據(jù)進行機組運行狀態(tài)識別，并運用EMD方法對平穩(wěn)狀態(tài)數(shù)據(jù)進行針對性分解重構去除高頻噪聲，將平穩(wěn)狀態(tài)濾波數(shù)據(jù)與直接EMD濾波得到的過渡過程數(shù)據(jù)平滑對接，從而在保證信號趨勢的前提下較好地去除噪聲。

本文最后設計了基于變異指數(shù)的加權復合評價指標，根據(jù)指標確定SREMD算法的最優(yōu)窗口寬度，并采用實際數(shù)據(jù)進行驗證SREMD算法的有效性。結果表明，該算法能夠更有效對帶有狀態(tài)切換的火電機組數(shù)據(jù)進行去噪，并能夠很好的保持機組數(shù)據(jù)整體趨勢。

［1］ 楊世銘, 陶文銓. 傳熱學[J]. 4版. 北京: 高等教育出版社, 2006: 37-45.

YANG Shiming, TAO Wenquan. Heat transfer[M]. 4th ed. Beijing: Higher Education Press, 2006: 37-45.

［2］ 陳雪. 熱工測量數(shù)據(jù)預處理方法研究[D]. 北京: 華北電力大學, 2014: 6-9.

CHEN Xue. Research on data preprocessing method for thermal parameters[D]. Beijing: North China Electric Power University, 2014: 6-9.

［3］ FAMILI A, SHEN W M, RICHARD W, et al. Data preprocessing and intelligent data analysis[J]. Intelligent Data Analysis, 1997, 1(1): 3-23.

［4］ WANG C L, ZHANG C L, ZHANG P T. Denoising algorithm based on wavelet adaptive threshold[J]. Physics Procedia, 2012, 24(1): 678-685.

［5］ 朱龍霞, 肖明美, 栗濤, 等. 基于時間序列分析的火電機組運行優(yōu)化研究[J]. 河北工業(yè)科技, 2017(2): 127-131.

ZHU Longxia, XIAO Mingmei, LI Tao, et al. Research of operation optimization of thermal power unit based on time series analysis[J]. Hebei Industrial Technology, 2017(2): 127-131.

［6］ 劉麗平, 葉春, 忻建華. 電廠在線性能分析及故障診斷系統(tǒng)[J]. 熱力發(fā)電, 2003, 32(11): 76-77.

LIU Liping, YE Chun, XIN Jianhua. Power plant on-line performance analysis and fault diagnosis system[J]. Thermal Power Generation, 2003, 32(11): 76-77.

［7］ 馬海林, 孫秋紅, 徐欣航. 基于數(shù)據(jù)挖掘技術的電廠運行參數(shù)目標值優(yōu)化[J]. 河北工業(yè)科技, 2012(5): 303-307.

MA Hailin, SUN Qiuhong, XU Xinhang. Study on optimization of power plant running parameters based on data minning[J]. Hebei Industrial Technology, 2012(5): 303-307.

［8］ 李輝, 陳教超, 司風琪, 等. 數(shù)據(jù)預處理技術在電廠運行優(yōu)化系統(tǒng)中的應用研究[J].華東電力, 2007(11): 110-113.

LI Hui, CHEN Jiaochao, SI Fengqi, et al. Application of data preprocessing techonlogy to power plant perfor- mance optimization systems[J]. East China Electric Power, 2007(11): 110-113.

［9］ 王一蓉, 王瑞杰, 陳文剛, 等. 基于遺傳優(yōu)化的調控系統(tǒng)缺失數(shù)據(jù)填補算法[J].電力系統(tǒng)保護與控制, 2016, 44(21): 182-186.

WANG Yirong, WANG Ruijie, CHEN Wengang, et al. A missing data filling algorithm for dispatching and control system based on genetic optimization[J]. Power System Protection and Control, 2016, 44(21): 182-186.

［10］ 史林軍, 周佳佳, 溫榮超, 等. 基于經驗模態(tài)分解與小波分析相結合的風電功率平滑控制[J]. 電力系統(tǒng)保護與控制, 2016, 44(24): 9-16.

SHI Linjun, ZHOU Jiajia, WEN Rongchao, et al. Power smoothing control of wind power based on combination of empirical mode decomposition and wavelet analysis[J]. Power System Protection and Control, 2016, 44(24): 9-16.

［11］ 楊大勇, 葛琪, 董永超, 等. 基于K均值聚類的光伏電站運行狀態(tài)模式識別研究[J]. 電力系統(tǒng)保護與控制, 2016, 44(14): 25-30.

YANG Dayong, GE Qi, DONG Yongchao, et al. Research on operation state pattern recognition of PV station based on the principle of K-means clustering[J]. Power System Protection and Control, 2016, 44(14): 25-30.

［12］ 楊雯宇. 基于穩(wěn)態(tài)檢測的電廠數(shù)據(jù)預處理研究[D]. 北京: 華北電力大學, 2017: 6-26.

YANG Wenyu. Analysis on power plant data preprocessing based on steady state detection[D]. Beijing: North China Electric Power University, 2017: 6-26.

［13］ 蘇舟, 李燦, 姚李孝, 等. 電力負荷數(shù)據(jù)預處理研究及應用[J]. 電網與清潔能源, 2017, 33(5): 40-43.

SU Zhou, LI Can, YAO Lixiao, et al. Research and application of pretreatment of electrical load data[J]. Power System and Clean Energy, 2017, 33(5): 40-43.

［14］ 劉福國, 王學同, 蘇相河, 等. 基于系統(tǒng)測量冗余的電廠異常運行數(shù)據(jù)檢測與校正[J]. 中國電機工程學報, 2003(7): 204-207.

LIU Fuguo, WANG Xuetong, SU Xianghe, et al. Detection and correction on the abnormal operation data based on measurement in a power plant[J]. Proceedings of the CSEE, 2003(7): 204-207.

［15］ GUMBELL E J. Statistics of extremes[J]. Applied Ocean Research, 1958, 43(1): 1-30.

［16］ ZHAO J, ZHANG G, LA SCALA M, et al. Multistage phasor-aided bad data detection and identification[C]. IEEE Power & Energy Society General Meeting, 2015 (GHTCE).

［17］ HUANG N E.Review of empirical mode decomposition analysis[J]. Proceedings of SPIE, 2001(4391): 71-79.

［18］ REHMAN N, MANDIC D P. Multivariate empirical mode decomposition[J]. Proceedings Mathematical Physical & Engineering Sciences, 2010, 466(2117): 1291-1302.

［19］ HUANG N E, SHEN Z, LONG S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proceedings Mathematical Physical & Engineering Sciences, 1998, 454(1971): 903-995.

［20］ 劉霞, 黃陽, 黃敬, 等. 基于經驗模態(tài)分解(EMD)的小波熵閾值地震信號去噪[J]. 吉林大學學報(地球科學版), 2016, 46(1): 262-269.

LIU Xia, HUANG Yang, HUANG Jing, et al. Wavelet entropy threshold seismic signal denoising based on empirical mode decomposition (EMD)[J]. Journal of Jilin University (Earth Science Edition), 2016, 46(1): 262-269.

［21］ 陶珂, 朱建軍. 多指標融合的小波去噪最佳分解尺度選擇方法[J]. 測繪學報, 2012, 41(5): 749-755.

TAO Ke, ZHU Jianjun. A hybrid indicator for deter- mining the best decomposition scale of wavelet denoising[J]. Chinese Journal of Chemical Engineering, 2012, 41(5): 749-755.

［22］ VOLKER D. Rhythm and speech rate: a variation coefficient for Δe[J]. Language and Language-Processing, 2006(1): 231-241.

Operating data preprocessing using EMD method with state recognition for thermal power plants

ZHAO Yue, FANG Yanjun, DONG Zhengcheng

(School of Power and Mechanical Engineering, Wuhan University, Wuhan 430072, China)

The data from the operating thermal power units are very large and contains complex noise, which is hard to eliminate the noise thoroughly. To solve this problem, an improved empirical mode decomposition filtering algorithm based on the state recognition (SREMD) was proposed. On the basis of empirical mode decomposition (EMD), this SREMD algorithm firstly eliminates the significantly abnormal data by using a filtering method which is based on the Pauta criterion. Then, it recognizes the running states of the unit according to continuous change rate of the data. Finally, it performs corresponding EMD denoising according to the steady state and transition process of unit operation, to adapt to the state switching characteristics. Moreover, this algorithm was applied for actual unit operation data. The results show that, the proposed SREMD algorithm effectively completed the pre-processing of the monitoring data of thermal power units and achieved a better denoising effect on the basis of maintaining the overall trend of the signal.

thermal power unit, data preprocessing, denoising, filtering, Pauta criterion, EMD, state recognition

National Natural Science Foundation of China (51707153); China Postdoctoral Science Foundation (2017M612499)

趙悅(1994—)，女，碩士研究生，主要研究方向為智能控制理論研究及應用，2017202080058@whu.edu.cn。

TM932

B

10.19666/j.rlfd.201803045

趙悅, 方彥軍, 董政呈. 基于狀態(tài)識別的經驗模態(tài)分解法火電廠運行數(shù)據(jù)預處理[J]. 熱力發(fā)電, 2019, 48(1): 49-54. ZHAO Yue, FANG Yanjun, DONG Zhengcheng. Operating data preprocessing using EMD method with state recognition for thermal power plants[J]. Thermal Power Generation, 2019, 48(1): 49-54.

2018-03-16

國家自然科學基金項目(51707153)；中國博士后科學基金(2017M612499)

方彥軍(1957—)，男，博士，教授，主要研究方向為火電廠熱工控制技術，yjfang@whu.edu.cn。

（責任編輯 杜亞勤）