燃煤電站高壓加熱器系統(tǒng)故障仿真與診斷

秦剛?cè)A，雷麗君，郭 鼎，司風(fēng)琪

?

燃煤電站高壓加熱器系統(tǒng)故障仿真與診斷

秦剛?cè)A1，雷麗君2，郭 鼎1，司風(fēng)琪2

（1.浙江浙能技術(shù)研究院有限公司，浙江 杭州 311121； 2.東南大學(xué)能源與環(huán)境學(xué)院，江蘇 南京 210096）

高壓加熱器（高加）是汽輪機回?zé)嵯到y(tǒng)重要的組成部件，由于長時間工作在高溫高壓環(huán)境下，容易發(fā)生管束泄漏等故障，嚴(yán)重時會影響機組的安全運行。本文針對臥式高加系統(tǒng)，采用分段數(shù)值熱力計算方法建立管束泄漏故障仿真模型，得到與故障相關(guān)的數(shù)據(jù)集，運用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)完成故障診斷模型的構(gòu)建。采用某600 MW機組3號高加管束泄漏故障對模型進(jìn)行驗證，并與多種模型對比分析表明，本文改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型具有較高的準(zhǔn)確度和可靠性。

高壓加熱器；故障診斷；熱力計算；管道泄漏；BP神經(jīng)網(wǎng)絡(luò)；仿真模型

隨著全國電力行業(yè)總裝機容量不斷增加，傳統(tǒng)火電機組也向大容量、高參數(shù)方向發(fā)展[1]，同時電廠各個系統(tǒng)復(fù)雜、相互耦合，這對電廠的安全性提出了較高的要求。我國火電機組主要由鍋爐、汽輪機、發(fā)電機等主機以及鍋爐制粉系統(tǒng)、汽輪機回?zé)嵯到y(tǒng)等輔助熱力系統(tǒng)組成[2]，其中回?zé)嵯到y(tǒng)是汽輪機熱力系統(tǒng)重要組成部分，整個回?zé)嵯到y(tǒng)主要包括高壓加熱器（高加）、除氧器、低壓加熱器（低加）及連接管道和閥門等。在電廠的實際運行過程中，由高加系統(tǒng)引起的故障較多，其對回?zé)嵯到y(tǒng)以及機組的熱經(jīng)濟性和安全性影響較大。

高加發(fā)生故障會導(dǎo)致回?zé)嵯到y(tǒng)效率下降，出力降低，甚至?xí)C組安全運行造成影響[3]。在所有導(dǎo)致高加故障停運的原因中，高加內(nèi)部管系泄漏占比最大[4]。高加管系泄漏會造成高加切除停運，從而降低鍋爐進(jìn)口給水溫度，增加煤耗，降低機組熱效率[5]。當(dāng)高加管束發(fā)生嚴(yán)重泄漏時，加熱器水位無法通過調(diào)節(jié)器維持穩(wěn)定而迅速升高，給水有可能沿抽汽管道進(jìn)入汽輪機，造成汽缸變形、大軸彎曲甚至斷裂等嚴(yán)重事故[6]。

為了保障機組運行經(jīng)濟性和安全性，需要時刻對高加狀態(tài)進(jìn)行監(jiān)視，當(dāng)高加發(fā)生故障時能及時進(jìn)行有效診斷，防止損失擴大。故障診斷時常常需要獲得準(zhǔn)確的故障樣本庫和有效的分類算法，但是現(xiàn)場故障數(shù)據(jù)有限，采用數(shù)值模擬試驗[7]則是一種成本較低的可行方法。本文通過故障機理研究對高加管束泄漏[4]典型內(nèi)部故障建立故障仿真模型，利用該模型分析不同故障特征變化，并生成大量故障樣本建立故障診斷模型。

1 高加管束泄漏故障模型

1.1 模型建立

pl—泄漏給水壓力，MPa；tl—泄漏給水溫度，℃；Dl—泄漏流量，kg/s；—殼側(cè)流入工質(zhì)的壓力，MPa；殼側(cè)流入工質(zhì)的溫度，℃；—殼側(cè)流入工質(zhì)的流量，kg/s；混合后殼側(cè)工質(zhì)壓力，MPa；—混合后殼側(cè)工質(zhì)溫度，℃；混合后殼側(cè)工質(zhì)流量，kg/s；—殼側(cè)出口工質(zhì)壓力，MPa；殼側(cè)出口工質(zhì)溫度，℃；管側(cè)入口給水壓力，MPa；管側(cè)入口給水溫度，℃；Dt—管側(cè)入口給水流量，kg/s；管側(cè)出口給水壓力，MPa；管側(cè)入口給水溫度，℃；管側(cè)出口給水流量，kg/s。

圖2為高加內(nèi)部泄漏位置，對圖2中3個泄漏位置建立泄漏模型，泄漏模型計算流程如圖3所示。

圖2 高加內(nèi)部泄漏位置

圖3 高加管束泄漏模型計算流程

1）泄漏位置1 疏水冷卻段（疏冷段）入口處發(fā)生泄漏[9]，泄漏給水與過冷的疏水混合，混合后工質(zhì)焓低于原疏水焓。以混合后焓作為疏水水面處邊界焓，混合后流量作為疏水傳熱計算流量。同時將進(jìn)口給水流量減去泄漏流量得到給水在泄漏點之后的流量。由于疏冷段管外工質(zhì)狀態(tài)發(fā)生變化，傳熱狀態(tài)發(fā)生變化，給水在疏冷段入口處的焓值也將發(fā)生變化，需要先假設(shè)一個發(fā)生泄漏時的初始焓值，然后經(jīng)過不斷迭代計算，最終確定穩(wěn)態(tài)時的給水焓值、抽汽流量和疏水流量。

2）泄漏位置2 凝結(jié)段入口處發(fā)生泄漏，泄漏給水與凝結(jié)段內(nèi)飽和蒸汽混合，吸收蒸汽熱量從過冷狀態(tài)至飽和水狀態(tài)，然后與凝結(jié)水一同進(jìn)入疏冷段。泄漏給水的吸熱過程增加了凝結(jié)段的凝結(jié)放熱量，導(dǎo)致凝結(jié)水流量增加，殼側(cè)壓力降低，高加抽汽壓差增加，抽汽流量增大。

3）泄漏位置3 蒸汽冷卻段（蒸冷段）入口處發(fā)生泄漏，泄漏給水直接與高溫過熱蒸汽混合，混合后工質(zhì)狀態(tài)取決于泄漏量和抽汽量。若混合后仍為過熱蒸汽，則相當(dāng)于抽汽入口溫度和流量發(fā)生了變化。若混合后為飽和蒸汽，則表明高加內(nèi)部蒸汽提前被冷卻至飽和狀態(tài)，進(jìn)入凝結(jié)換熱階段。

1.2 模型驗證

據(jù)某600 MW火電機組檢修記錄顯示，2011年7月18日曾發(fā)現(xiàn)3號高加泄漏，切除后檢修發(fā)現(xiàn)泄漏管數(shù)6根，隨后對其堵管19根。從該機組SIS數(shù)據(jù)庫中提取2011年7月1日—2011年7月18日3號高加相關(guān)測點的運行數(shù)據(jù)。采用如圖3所示的分段數(shù)值熱力計算方法對3號高加建立熱力計算模型，其結(jié)構(gòu)參數(shù)見表1。

表1 某600 MW火電機組3號高加結(jié)構(gòu)參數(shù)

Tab.1 The structural parameters of No.3 high pressure heater of a 600 MW thermal power unit

將時間序列運行數(shù)據(jù)進(jìn)行穩(wěn)態(tài)判定，分別對抽汽溫度、抽汽壓力、給水進(jìn)口溫度、給水流量進(jìn)行穩(wěn)態(tài)因子計算，取同一時刻4個穩(wěn)態(tài)因子中的最大值作為穩(wěn)態(tài)判定依據(jù)，運行數(shù)據(jù)穩(wěn)態(tài)因子最大值隨時間分布如圖4所示。

圖4 運行數(shù)據(jù)穩(wěn)態(tài)因子最大值隨時間變化

選取穩(wěn)態(tài)因子最大值小于2的運行數(shù)據(jù)輸入1.1節(jié)模型中，對比發(fā)現(xiàn)疏水溫度的模型計算值與運行值絕對誤差在泄漏前后發(fā)生較明顯變化，疏水溫度模型計算值與運行值絕對誤差如圖5所示。

圖5 疏水溫度模型計算值與運行值絕對誤差隨時間變化

將泄漏后數(shù)據(jù)經(jīng)過穩(wěn)態(tài)判定篩選后輸入所建立的泄漏模型中計算，分別設(shè)置泄漏位置為蒸冷段入口、凝結(jié)段入口和疏冷段入口處，泄漏量為給水流量的1%，不同模型疏水溫度和給水出口溫度絕對誤差變化分別如圖6和圖7所示。

圖6 不同模型疏水溫度絕對誤差變化

圖7 不同模型給水出口溫度絕對誤差變化

由圖6和圖7可以看出，凝結(jié)段入口處泄漏時的疏水溫度和給水出口溫度變化趨勢與實際數(shù)據(jù)吻合度最高。

2 高加故障診斷模型

2.1 搭建BP神經(jīng)網(wǎng)絡(luò)的高加故障診斷模型

BP神經(jīng)網(wǎng)絡(luò)是1986年由Rumelhart和McClelland為首的科學(xué)家提出的一種多層前饋神經(jīng)網(wǎng)絡(luò)[10]，其能夠通過誤差反饋、不斷迭代修正建立最優(yōu)計算模型，具有預(yù)測和聯(lián)想記憶能力。

為了克服傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練網(wǎng)絡(luò)收斂慢的缺點，本文采用文獻(xiàn)[11]中提出一種恒誤差修正率控制的網(wǎng)絡(luò)學(xué)習(xí)率自適應(yīng)調(diào)整方法對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，該方法的基本原理是在每輪網(wǎng)絡(luò)參數(shù)更新之后，根據(jù)預(yù)測誤差，調(diào)整學(xué)習(xí)率，保證每個訓(xùn)練周期網(wǎng)絡(luò)輸出的均方誤差比上一周期減小一定比例。具體方法如下。

若<0，神經(jīng)網(wǎng)絡(luò)各層之間連接權(quán)值和閾值的學(xué)習(xí)速率根據(jù)式(5)調(diào)整：

若>0，則有

式中，為上周期學(xué)習(xí)速率，s為學(xué)習(xí)速率調(diào)整系數(shù)，max為本周期學(xué)習(xí)后網(wǎng)絡(luò)輸出誤差比上次學(xué)習(xí)后綜合誤差減小的最大百分比值。

2.2 基于模型的高加故障樣本庫

訓(xùn)練樣本和特征選擇的合適與否對所建故障分類模型的效果至關(guān)重要，合適的訓(xùn)練樣本集應(yīng)當(dāng)滿足以下幾個基本條件[12]：

1）訓(xùn)練樣本集應(yīng)當(dāng)具有代表性，盡量在輸入空間分布均勻，全面覆蓋待預(yù)測工況，確保診斷模型不出現(xiàn)“數(shù)據(jù)不平衡”問題，提高模型適應(yīng)性；

2）訓(xùn)練樣本集數(shù)量在條件允許的情況下越多越好，否則在相同的模型復(fù)雜度下可能導(dǎo)致“過學(xué)習(xí)”問題，造成預(yù)測方差較高，泛化能力較差，但也應(yīng)避免造成訓(xùn)練耗時過長；

3）訓(xùn)練樣本的特征應(yīng)當(dāng)與目標(biāo)值具有較高的相關(guān)性。

根據(jù)圖2高加泄漏故障發(fā)生類型和發(fā)生的位置不同，總結(jié)出高加3種狀態(tài)見表2。圖8為疏水閥門開度與疏水流量關(guān)系。疏水流量是一個有效的故障特征，但由于現(xiàn)場并未安裝疏水流量測量和反饋裝置，只有疏水閥門開度反饋測點，根據(jù)實際運行歷史數(shù)據(jù)可以看出疏水流量與閥門開度之間有較強的相關(guān)性。所以選取高加給水出口溫度、疏水溫度、閥門開度作為冗余參數(shù)。故障診斷模型的輸入為給水入口溫度、給水入口壓力、給水流量、抽汽溫度、抽汽壓力、給水出口溫度、疏水溫度和閥門開度共8個參數(shù)。

表2 高加狀態(tài)匯總

Tab.2 Summary of running states of the high-pressure heaters

圖8 疏水閥門開度與疏水流量關(guān)系

為了保證故障診斷模型的準(zhǔn)確性，需要提供足夠多、覆蓋范圍廣且特征全面的訓(xùn)練樣本。利用本文所建立的高加故障模型，可生成足量故障數(shù)據(jù)，構(gòu)成高加典型故障樣本庫，用于診斷模型的訓(xùn)練和測試。以某600 MW火電機組1號高加為實例對象，選取其運行過程中不同負(fù)荷工況作為故障樣本輸入，詳細(xì)數(shù)據(jù)見表3。高加泄漏故障樣本以表3中數(shù)據(jù)作為模型輸入，每個工況設(shè)置泄漏率0.2%、0.4%、0.6%、0.8%、1.0%、1.2%、1.4%，泄漏位置分別設(shè)為疏冷段、凝結(jié)段和蒸冷段，共生成泄漏故障樣本315組，疏冷段泄漏、凝結(jié)段泄漏、蒸冷段泄漏數(shù)據(jù)各105組。將以上315組高加樣本數(shù)據(jù)組成故障診斷模型訓(xùn)練所需的故障樣本庫原始數(shù)據(jù)。

表3 不同運行工況高加輸入數(shù)據(jù)

Tab.3 The input data of high-pressure heater under different operating conditions

2.3 不同算法故障識別結(jié)果

為進(jìn)行模型的比較，分別采用概率神經(jīng)網(wǎng)絡(luò)、最小二乘支持向量機、極限學(xué)習(xí)機[13]3種機器學(xué)習(xí)算法建立分類模型，輸入相同樣本數(shù)據(jù)，以折交叉驗證法（K-CV）作為評價分類效果的性能指標(biāo)，其中取10，即將原始數(shù)據(jù)均分成10組，將每個子集數(shù)據(jù)分別做一次驗證集，其余9組子集數(shù)據(jù)作為訓(xùn)練集，這樣得到10個模型，用這10個模型最終驗證集的分類準(zhǔn)確率平均數(shù)作為此K-CV分類器的性能指標(biāo)。K-CV可以有效避免過學(xué)習(xí)及欠學(xué)習(xí)狀態(tài)的發(fā)生，最后得到的結(jié)果也比較具有說服性，最終訓(xùn)練結(jié)果和測試結(jié)果見表4。

就模型預(yù)測精度而言，BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練精度和測試精度均最高。最小二乘支持向量機和極限學(xué)習(xí)機精度相近，且訓(xùn)練精度高于測試精度，說明模型的泛化能力較弱。概率神經(jīng)網(wǎng)絡(luò)對訓(xùn)練樣本的數(shù)量和代表性要求更高，現(xiàn)有訓(xùn)練樣本難以體現(xiàn)概率神經(jīng)網(wǎng)絡(luò)的分類效果，故其精度最低，無法滿足分類模型預(yù)測要求。

模型交叉驗證訓(xùn)練精度與測試精度的標(biāo)準(zhǔn)差能夠體現(xiàn)算法的穩(wěn)定性，標(biāo)準(zhǔn)差越小，穩(wěn)定性越高。根據(jù)表4中數(shù)據(jù)對比可以看出，BP神經(jīng)網(wǎng)絡(luò)與最小二乘支持向量機的標(biāo)準(zhǔn)差都較小，說明這兩種算法比概率神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機的穩(wěn)定性強。

綜上所述，在上述4種算法中對于本文研究對象最合適的分類算法為BP神經(jīng)網(wǎng)絡(luò)。

表4 不同分類算法高加故障診斷模型交叉驗證結(jié)果

Tab.4 The cross validation results of different classification algorithms for high-pressure heater fault diagnosis models

3 實例應(yīng)用

為了驗證模型的實用性，采用本文建立的某600 MW機組3號高加故障診斷模型，將歷史數(shù)據(jù)庫中的故障數(shù)據(jù)經(jīng)穩(wěn)態(tài)判定后輸入故障診斷模型，觀察診斷效果。

根據(jù)檢修記錄，2011年10月20日該高加發(fā)生泄漏，隨后停機檢修確定泄漏位置為換熱管U型拐角處。從SIS中導(dǎo)出該處相關(guān)測點泄漏前后數(shù)據(jù)，時間為20111005—20111020。泄漏前后疏水調(diào)節(jié)閥反饋和給水流量測點數(shù)據(jù)隨時間變化情況如圖9和圖10所示。由圖9、圖10可見，疏水閥門開度與疏水流量有較強相關(guān)性，開度隨時間逐漸增大說明疏水流量在增加。

圖9 實際給水流量隨時間變化

圖10 實際疏水閥門開度隨時間變化

將經(jīng)過穩(wěn)態(tài)判定后的3號高加泄漏前后運行數(shù)據(jù)整理成故障診斷模型輸入格式，輸出診斷狀態(tài)如圖11所示。由圖11可見，診斷結(jié)果表明本文建立的故障診斷模型具有較高的故障敏感性和準(zhǔn)確性，能夠在泄漏發(fā)生的早期對其進(jìn)行識別和診斷。電廠運行人員通過對歷史運行數(shù)據(jù)分析，篩選出相同運行工況數(shù)據(jù)，對比同工況下該高加邊界參數(shù)，在10月20日發(fā)現(xiàn)出口水溫降低，疏水溫度升高，疏水閥門開度明顯增大，判斷該高加發(fā)生泄漏，而模型在10月7日已經(jīng)發(fā)現(xiàn)故障先兆。

圖11 故障診斷模型的疏水閥門開度隨時間變化

4 結(jié) 論

1）本文利用分段數(shù)值熱力計算模型建立了臥式三段管束泄漏故障仿真模型，并根據(jù)故障模型生成大量故障數(shù)據(jù)，用于故障診斷模型的訓(xùn)練與測試。

2）針對高加提出了一種基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)的故障診斷模型，并將BP神經(jīng)網(wǎng)絡(luò)與概率神經(jīng)網(wǎng)絡(luò)、最小二乘支持向量機及極限學(xué)習(xí)機的分類效果進(jìn)行比較，結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)具有較高的準(zhǔn)確性和較強的泛化能力。

3）利用實際運行歷史數(shù)據(jù)對本文建立的某600 MW 3號高加故障診斷模型進(jìn)行了診斷測試，證明本文模型具有較高的故障敏感性和準(zhǔn)確性。

［1］ 匡江紅, 陳端雨. 1 000 MW級火電機組鍋爐發(fā)展綜述[J].動力工程學(xué)報, 2003, 23(1): 2127. KUANG Jianghong, CHEN Duanyu. General introduc- tion of fossil-fuel fired boiler for power station at the level of 1 000 MW[J]. Power Engineering, 2003, 23(1): 2127.

［2］ 虞佶. 660 MW超超臨界機組高壓加熱器優(yōu)化設(shè)計研究[D]. 上海: 上海交通大學(xué), 2010: 1-2. YU Ji. 660 MW ultra supercritical unit optimal design of high pressure heater[D]. Shanghai: Shanghai Jiao Tong University, 2010: 1-2.

［3］ 馬良玉, 王兵樹, 高建強, 等. 300 MW火電機組高加系統(tǒng)典型故障特征規(guī)律的仿真研究[J]. 系統(tǒng)仿真學(xué)報, 2002, 14(4): 455-458. MA Liangyu, WANG Bingshu, GAO Jianqiang, et al. Simulation study on typical faults of the high-pressure heater system of a 300 MW thermal power generating unit[J]. Journal of System Simulation, 2002, 14(4): 455-458.

［4］ 劉文柱, 劉琰, 肖鎮(zhèn). 高壓加熱器泄漏原因分析及改進(jìn)措施[J]. 熱力發(fā)電, 2006, 35(7): 48-49. LIU Wenzhu, LIU Yan, XIAO Zhen. Cause analysis of high-pressure heater leakage and improvement measures[J]. Thermal Power Generation, 2006, 35(7): 48-49.

［5］ 李延群, 馮興隆. 大容量機組高壓加熱器故障原因分析及對策[J]. 熱力發(fā)電, 2003, 32(6): 53-56. LI Yanqun, FENG Xinglong. Cause analysis of the high-pressure heater’s faults for large-capacity unit[J]. Thermal Power Generation, 2003, 32(6): 53-56.

［6］ 薛小超. 熱電廠高壓加熱器泄漏故障分析與防范措 施[J]. 安徽電力, 2014(3): 14-17. XUE Xiaochao. Analysis and precautionary measure of high pressure heater leakage fault in thermal power plant[J]. Anhui Electric Power, 2014(3): 14-17.

［7］ 張欣剛, 徐治皋, 李勇, 等. 火電機組高壓給水加熱器動態(tài)過程的數(shù)值分析[J]. 動力工程學(xué)報, 2005, 25(2): 262-266. ZHANG Xingang, XU Zhigao, LI Yong, et al. Numerical analysis of dynamic process of high-pressure feed water heater for thermal power units[J]. Power Engineering, 2005, 25(2): 262-266.

［8］ HUSSAINI I S, ZUBAIR S M, ANTAR M A. Area allocation in multi-zone feed water heaters[J]. Energy Conversion & Management, 2007, 48(2): 568-575.

［9］ 張欣剛, 王雷, 徐治皋. 高壓加熱器泄漏的靜態(tài)仿真計算及其故障特征分析[J]. 熱力發(fā)電, 2005, 34(10): 13-17. ZHANG Xingang, WANG Lei, XU Zhigao. Static simulation calculation and fault characteristic analysis of high pressure heater leakage[J]. Thermal Power Generation, 2005, 34(10): 13-17.

［10］ 江學(xué)軍, 唐煥文. 一種前饋神經(jīng)網(wǎng)絡(luò)的整體進(jìn)化方 法[J]. 計算機科學(xué), 1999, 26(10): 60-62. JIANG Xuejun, TANG Huanwen. A global algorithm for feedforward neural networks[J]. Computer Science, 1999, 26(10): 60-62.

［11］ 張利平, 王偉峰, 唐德善. 改進(jìn)的BP網(wǎng)絡(luò)在凝汽器故障診斷中應(yīng)用[J]. 熱力發(fā)電, 2004, 33(3): 50-52. ZHANG Liping, WANG Weifeng, TANG Deshan. Application of improved BP neuron network in condenser fault diagnosis[J]. Thermal Power Generation, 2004, 33(3): 50-52.

［12］ 方瑞明. 支持向量機理論及其應(yīng)用分析[M]. 北京: 中國電力出版社, 2007: 47-48. FANG Ruiming. Support vector machine theory and its application analysis[M]. Beijing: China Electric Power Press, 2007: 47-48.

［13］ 劉學(xué)藝, 李平, 郜傳厚. 極限學(xué)習(xí)機的快速留一交叉驗證算法[J]. 上海交通大學(xué)學(xué)報, 2011, 45(8): 1140-1145. LIU Xueyi, LI Ping, GAO Chuanhou. Fast leave-one-out cross-validation algorithm for extreme learning machine[J]. Journal of Shanghai Jiao Tong University, 2011, 45(8): 1140-1145.

Fault simulation and diagnosis for high pressure heater of coal-fired power plants

QIN Ganghua1, LEI Lijun2, GUO Ding1, SI Fengqi2

(1. Zhejiang Energy Group Research Institute Co., Ltd., Hangzhou 311121, China; 2. School of Energy and Environment, Southeast University, Nanjing 210096, China)

High-pressure heater is an important component in turbine regenerative system. Long-term operation at high temperatures and pressures can easily cause the pipe leakage, which affects the safe running of units when the leakage turns serious. In this paper, a horizontal high-pressure heater of a large thermal power unit was taken as the research object, a fault simulation model of high heater leakage was built up on the basis of a discrete numerical thermal calculation method. The data set related to the faults was obtained. Moreover, a fault diagnosis model was constructed through the improved BP neural network. Furthermore, the model was used to solve the leakage fault of No.3 high-pressure heater in a 600 MW steam turbine system. Compared with other diagnostic models, the results show that this improved BP neural network model has high accuracy and reliability.

high pressure heater, fault diagnosis, thermal calculation, pipe leakage, BP neural network, simulation model

Zhejiang Key Research and Development Program (2017C01082)

TK264.9

A

10.19666/j.rlfd.201811223

秦剛?cè)A, 雷麗君, 郭鼎, 等. 燃煤電站高壓加熱器系統(tǒng)故障仿真與診斷[J]. 熱力發(fā)電, 2019, 48(6): 108-114. QIN Ganghua, LEI Lijun, GUO Ding, et al. Fault simulation and diagnosis for high pressure heater of coal-fired power plants[J]. Thermal Power Generation, 2019, 48(6): 108-114.

2018-11-07

浙江省重點研發(fā)計劃(2017C01082)

秦剛?cè)A(1963—)，男，教授級高工，主要從事能源行業(yè)技術(shù)與管理，qingh@zjentc.com。

（責(zé)任編輯 杜亞勤）