考虑天气影响的火电机组空冷系统性能预测方法

doi:10.12096/j.2096-4528.pgt.22151

考虑天气影响的火电机组空冷系统性能预测方法

董建宁, 安吉振, 陈衡, 潘佩媛, 徐钢, 王修彦

华北电力大学能源动力与机械工程学院，北京市昌平区 102206

Performance Prediction Method for Air Cooling System of Thermal Power Unit Considering Weather Effect

DONG Jianning, AN Jizhen, CHEN Heng, PAN Peiyuan, XU Gang, WANG Xiuyan

School of Energy Power and Mechanical Engineering, North China Electric Power University, Changping District, Beijing 102206, China

收稿日期: 2023-09-06 修回日期: 2023-10-26

基金资助:

国家自然科学基金项目. 52106008

Received: 2023-09-06 Revised: 2023-10-26

作者简介 About authors

董建宁(1999)，男，硕士，主要研究方向为电站大数据分析和智能预警，realdjn@126.com；

安吉振(1997)，男，硕士，主要研究方向为电站空冷系统优化与大数据分析，120202202033@ncepu.edu.cn；

陈衡(1989)，男，博士，副教授，主要研究方向为电站大数据分析和智能预警，本文通信作者，heng@ncepu.edu.cn；

潘佩媛(1992)，女，博士，副教授，主要研究方向为烟气低温受热面积灰腐蚀耦合机理、高温受热面热腐蚀机理、多相烟气组分反应动力学机制，peiyuanpan@necpu.edu.cn；

徐钢(1978)，男，博士，教授，主要研究方向为能源动力系统优化与节能、污染物控制及温室气体减排，xgncepu@163.com。

摘要

目的直接空冷机组是一部分缺水地区常用的火力发电形式，由于其采用空气作为冷却介质，因此运行受到诸多限制。为解决直接空冷机组受环境影响大和耗煤量高的问题，对空冷岛换热性能进行预测研究。方法基于河北省某超临界2×600 MW机组的历史运行数据，利用MATLAB软件计算历史空冷岛性能，将历史数据作为训练集和测试集，通过长短期记忆(long short-term memory，LSTM)神经网络机器学习算法，实现对未来一段时间内的空冷岛性能预测。在不改变模型参数的条件下，通过去除各项特征的方式确定特征重要性排名，基于此确定最佳特征选择策略，进一步优化模型。考虑到空冷岛性能受天气影响大，为提升模型在特殊天气下的预测能力，将原数据集结合历史天气预报数据，编写考虑天气因素的预测程序，以预测空冷岛未来一段时间性能，并对预测结果进行可视化分析。结果所采用的预测模型预测准确度明显高于传统自回归移动平均模型(autoregressive integrated moving average model，ARIMA)，对未来1 h以内的直接空冷机组换热性能预测拟合优度均在0.90以上。结论模型所采用的数据特征及算法可以为直接空冷机组的稳定运行提供数据支撑，为智慧电厂的建设提供技术基础。

关键词： 火力发电 ; 火电机组 ; 空冷系统 ; 直接空冷机组 ; 长短期记忆(LSTM)神经网络 ; 性能预测 ; 特征重要性 ; 天气因素

Abstract

Objectives Direct air-cooled unit is a common equipment of thermal power generation in some water-deficient areas. The operation is subject to many restrictions because it uses air as its cooling medium. Heat transfer performance of air-cooled island was studied to solve these problems that direct air-cooled units are greatly affected by the environment and have high coal consumption. Methods Based on history-data of a supercritical 2×600 MW unit in Hebei Province, the performance of its air-cooled island was calculated with MATLAB software, this study considered the acquired data as the training set and the test set,which were used to predict future performance in virtue of long short-term memory (LSTM) neural network machine learning algorithm. Under the condition that the model parameters were not changed, the feature importance ranking was determined by removing all features, based on which the best feature selection strategy was determined to further optimize the model. Considering the great impact from the weather, a prediction procedure, taking into account weather factors, was written to improve the accuracy of predicting air-cooled island performance, by combining the original data set with historical weather data. Accordingly prediction results were subjected to visualization and analyzation. Results The prediction accuracy of the adopted prediction model is significantly higher than that of the traditional autoregressive integrated moving average model (ARIMA), and the goodness of fit of the direct air-cooled unit heat transfer performance prediction within the next hour is above 0.90. Conclusions The data characteristics and algorithms used in the model can provide data support for the stable operation of the direct air-cooled unit and provide a technical basis for the construction of intelligent power plants.

Keywords： thermal power generation ; thermal power units ; air cooling system ; direct air cooling unit ; long and short-term memory (LSTM) neural network ; performance prediction ; feature importance ; weather factor

PDF (5815KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

董建宁, 安吉振, 陈衡, 潘佩媛, 徐钢, 王修彦. 考虑天气影响的火电机组空冷系统性能预测方法. 发电技术[J], 2024, 45(6): 1105-1113 DOI:10.12096/j.2096-4528.pgt.22151

DONG Jianning, AN Jizhen, CHEN Heng, PAN Peiyuan, XU Gang, WANG Xiuyan. Performance Prediction Method for Air Cooling System of Thermal Power Unit Considering Weather Effect. Power Generation Technology[J], 2024, 45(6): 1105-1113 DOI:10.12096/j.2096-4528.pgt.22151

0 引言

随着中国经济飞速发展，用电需求随之攀升，高功率火力发电机组在中国华北、东北及西北等地区广泛投入使用。而以上地区普遍“富煤贫水”。直接空冷机组凭借其优越的节水能力以及占地面积小等优势，成为上述地区火力发电的常规冷却手段^[1]。直接空冷机组采用空气作为汽轮机排汽的冷却介质，在空冷岛上对高温蒸汽进行冷却。相较于水冷，其性能受环境影响更大。较差的运行环境会直接影响空冷岛性能，存在着夏季温度高、背压高、负荷受限以及冬季低温冷凝管束冻结等问题^[2]。通过气象站天气预报信息能实现未来天气的提前预知，如果能在考虑未来天气影响的情况下对空冷岛性能进行预测，则可以据此有针对性地调整运行策略来减小极端天气对机组运行的影响。

近年来，随着大数据和人工智能技术的成熟，各行各业都在向数字化、智能化转变，许多能源电力公司也在开发创新智能化应用以及新的数据挖掘技术^[3-7]。机器学习作为大数据分析和人工智能的基础，是许多预测研究的重要手段。其中，深度学习作为新的机器学习技术在处理大规模数据方面有着得天独厚的优势^[8]，长短期记忆(long short-term memory，LSTM)神经网络作为深度学习的一种，在时序数据的分析与预测方面表现十分优秀。例如，陈卓等^[9]基于LSTM对短期电力负荷进行了预测；杨国田等^[10]则利用LSTM对火电厂NO _x 排放量进行预测并建模。

数据是机器学习算法的“燃料”，用于训练模型并使其能够做出预测和决策。机器学习通过分析数据中的模式和关系来学习，从而构建出能够处理新数据的模型。而实际运行的火电机组会产生大量的运行数据，将其与气象数据相结合，二者作为典型的时序数据，可通过LSTM算法进行分析，实现对空冷岛实时性能的预测。同时考虑到直接空冷机组受环境影响大，结合历史天气预报数据扩充数据集，本文着重分析天气因素对空冷岛性能的影响，可以提升直接空冷机组在不同气象条件下的应对能力，为机组运行提供数据依据。

1 长短期记忆神经网络

LSTM作为循环神经网络(recurrent neural network，RNN)的一种，由Hochreiter和Schmidhuber^[11]于1997年提出，在2013年被Graves等^[12]改进。相较于其他机器学习方法，LSTM允许信息的持久化。

LSTM内部算法结构具有特殊性，相较于其他神经网络算法，LSTM的隐藏层结构中有着“门”的结构，用于增加、减少信息，让信息有选择地通过。其包含一个σ神经网络层和一个按位的乘法操作。σ层输出[0,1]的数值，描述每个门有多少量通过。0代表“不许任意量通过”，1代表“允许任意量通过”。LSTM的隐藏层结构^[13]具有3个门，分别是Input Gate(输入门)、Forget Gate(遗忘门)、Output Gate(输出门)，如图1所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 LSTM内部结构示意图

Fig. 1 Schematic diagram of LSTM internal structure

图1所示结构公式表示如下：

f_{t} = σ (W_{f} [h_{t - 1}, x_{t}] + b_{f})

(1)

i_{t} = σ (W_{i} [h_{t - 1}, x_{t}] + b_{i})

(2)

{\tilde{C}}_{t} = t a n h (W_{c} [h_{t - 1}, x_{t}] b_{c})

(3)

C_{t} = f_{t} \times C_{t - 1} + i_{t} \times {\tilde{C}}_{t}

(4)

o_{t} = σ (W_{o} \cdot [h_{t - 1}, x_{t}] + b_{0})

(5)

h_{t} = o_{t} \times t a n h (C_{t})

(6)

式中：σ为激活函数，将输出量控制在[0,1]；x_t为输入量；h_t-1为上一神经元的输出量，在这一层作为输入量输入； W_f、 W_i、 b_f、b_i、b_c和 b₀为参数矩阵，隐藏层通过这些参数来对数据进行运算和舍弃； $i_{t}$ 为输入门的输出； $C_{t}$ 为表征细胞状态的向量，tanh层会创建一个新向量 ${\tilde{C}}_{t}$ ，用于更新当前细胞状态；f_t为遗忘门的输出； $o_{t}$ 为输出门的输出结果； $h_{t}$ 为当前神经元最终输出结果。

其中，式(1)为遗忘门的计算，式(2)—(4)为输入门的计算，式(4)为旧细胞的状态更新，将旧状态 $C_{t - 1}$ 更新为新状态 $C_{t}$ ，这一过程将旧状态与 $f_{t}$ 相乘，遗忘掉一部分信息，接着加上 $i_{t} \times {\tilde{C}}_{t}$ ，这就是上一步创建的新候选值，据此决定每个状态的更新程度。式(5)、(6)为输出门的计算，将输出门的输出结果与细胞状态通过tanh层计算，得到一个-1~1的值，并将其与输出门结果 $o_{t}$ 相乘，最终输出结果 $h_{t}$ 。经过多次的隐藏层计算，实现对以往运算结果的保留和遗忘，对连续性的数据进行学习和预测。基于此原理，使用python计算机语言对直接空冷机组的运行数据进行处理与输入，实现对空冷机组实时换热性能的预测。

2 数据处理和模型建立

2.1 数据来源

研究数据来源于河北省某超临界2×600 MW直接空冷机组，包括大气压力、环境温度、风速、风向、排汽压力、排汽温度、主汽压力、主汽温度、风机转速、主汽流量、给水流量、凝汽器真空、凝结水流量、凝结水温度14项运行数据，其空冷岛由56台风机单元组成，按照8排7列布置，总换热面积为13 739 m²。利用机组的监控信息系统提取2018年6月30日至2018年9月26日的一部分运行数据，时间步长选定为5 min，并结合某超临界2×600 MW直接空冷机组所在城市气象站对应时间的历史天气预报数据，包括温度、风速、风向、气压在内的共计25 633条数据。

2.2 数据预处理

实测数据一般存在噪声、缺失值和离群值等异常情况^[14]。在建立预测模型前，需要对实测数据进行预处理。首先填补缺失值，对于运行数据以及气象数据缺失值，由于其为连续时序数据，可以利用缺失位置的上下平均值来进行填补。

与此同时，对数据范围进行筛查，去除负荷小于250 MW的数据值，对数据进行统计后发现离群值处在8月25日至8月31日的停机阶段，为保证时序数据的时间步长尽可能均匀，选择剔除这一时间段的数据，以保证对数据的计算和分析是准确、有意义的，最终数据共23 743条。

2.3 空冷岛性能计算

利用处理后的运行实时数据，估算空冷岛实时换热性能。在MATLAB软件上使用相关热力学计算函数，利用排汽压力与排汽干度计算汽轮机末级焓值；利用凝结水温度以及凝汽器真空计算凝结水焓值，再进行关于传热过程的热力学计算：

Q_{n} = f_{s} \times h_{s} - f_{n} \times h_{n}

(7)

式中：f_n为凝结水流量，kg/s；f_s为排汽流量，kg/s；h_s为汽轮机末级焓值，kJ；h_n为凝结水焓值，kJ；Q_n为蒸汽凝气放热量，kJ。

根据风机相似定律^[15]，计算变工况下的空气流量：

G_{a} = 56 \times G_{a 0} \times (\frac{n}{56 \times n_{0}})

(8)

式中：n为实际风机转速，Hz；n₀为额定风机转速，Hz； $G_{a 0}$ 为额定风机风量，kg/s。

根据能量守恒定律，计算空气出口温度：

t_{a 2} = \frac{Q_{n}}{G_{a} \times C_{p}} + t_{a 1}

(9)

式中：t_a1为环境温度，即进口空气温度，℃；C_p为空气的定压比热容。

利用空气和水蒸气进出口温度计算对数平均换热温差：

t_{m} = \frac{(T_{1} - t_{a 2}) - (T_{2} - t_{a 1})}{l n (\frac{T_{1} - t_{a 2}}{T_{2} - t_{a 1}})}

(10)

式中：T₁为排汽温度，℃；T₂为凝结水温度，℃。

对表征空冷岛换热性能的传热系数K进行计算：

K = \frac{Q_{n}}{A_{0} \times t_{m}}

(11)

式中：A₀为空冷岛总换热面积，m²。

将计算得到的K值利用MATLAB软件中高斯平滑滤波器进行高斯平滑处理，高斯平滑是一个二维卷积运算，可以去除数据中的噪声和细节^[16]。处理后的K值能够在一定程度上反映空冷岛实时换热性能趋势，如图2所示，将其与原运行数据结合以对数据进行完善补充。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 部分时间序列的传热系数

Fig. 2 Heat transfer coefficient of partial time series

2.4 数据集构造

选定预测数据为未来60 min内的空冷岛实时性能，学习时长为4 h，利用python计算机语言对数据进行维度处理和时序对应。为保证数据的有效性，需要对数据进行式(12)中的归一化处理^[17]，让数据分布符合正态分布，数据处理完毕后，按8∶2划分训练集和测试集。

X_{n o r m} = \frac{X - X_{m e a n}}{X_{s t d}}

(12)

式中：X_norm为归一化后的数据；X、X_mean、X_std分别为原数据值、平均值和标准差。

2.5 模型建立

本研究使用深度学习平台Tensorflow^[18]进行模型训练与测试，设定1层LSTM隐藏层，1层输出层的全连接层，输出量维度设为12，对应预测1 h的时间段及5 min的数据间隔，损失函数设为均方误差。为去除多次训练的随机性，将Tensorflow平台随机数种子固定，并关闭Dropout。求解器采用Adam，Adam由Kingma等^[19]于2014年提出，其结合Adagrad和Rmspop求解器的优点，具有实现简单、计算高效、对内存需求少、能够自动调整学习率等优点。首次建模仅选择包含实时天气监测数据的运行数据，减少模型训练时间的同时可进一步研究天气对空冷岛性能的影响。

对训练集、测试集损失进行可视化分析，结果如图3所示。随着迭代次数的增加，模型损失逐渐收敛于0，模型通过不断地学习使预测精度上升。向模型中输入测试集，得到预测值，将反归一化后的预测值和实际值对比，计算误差指标函数R²(拟合优度)，得到结果见表1。通过观察发现，时间间隔较短的预测值拟合程度较好，时间间隔较长的预测值拟合程度有待进一步提升。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 训练集和测试集损失

Fig. 3 Training set loss and test set loss

表1 初次建模预测值与实际值拟合优度

Tab. 1 Goodness of fit between predicted value and actual value in initial modeling

时间/

min

R²

0.95

0.94

0.93

0.92

0.91

0.89

0.87

0.85

0.83

0.81

0.78

新窗口打开| 下载CSV

2.6 特征重要性分析

对于LSTM来说，在Tensorflow平台无法直接查看特征重要性^[20]，而灰色关联度分析法对于LSTM模型并不准确，其计算方法难以代表长序列历史数据，这就需要定义特征重要性^[21-22]。对于机器学习模型来说，不同特征会不同程度地影响模型表现，因此，可以通过人为地在某项特征中添加噪声或去除某项特征，在不改变原模型参数的情况下重新预测，并用同一种误差评价指标来对预测效果进行评价。如果误差波动幅度大，说明此项特征较为重要；如果误差波动幅度小，说明此项特征相对不重要。将归一化处理后的测试集某项特征数值设为平均值，以消除该特征的影响，重新进行预测，误差评价指标设为R²。对每一项特征分别进行上述处理，多次预测后得到R²变化见表2。

表2 去除各项特征后拟合优度对比

Tab. 2 Comparison of R² after removing each feature

参数	时间/min
参数	5	10	15	20	25	30	35	40	45	50	55	60
原测试集	0.95	0.95	0.94	0.93	0.92	0.91	0.89	0.87	0.85	0.83	0.81	0.78
去大气压	0.97	0.97	0.96	0.96	0.95	0.93	0.92	0.90	0.89	0.87	0.85	0.82
去温度	0.94	0.93	0.91	0.90	0.89	0.88	0.87	0.85	0.85	0.83	0.82	0.80
去风速	0.94	0.94	0.92	0.92	0.91	0.89	0.87	0.85	0.83	0.81	0.78	0.76
去风向	0.96	0.95	0.94	0.94	0.92	0.91	0.89	0.87	0.86	0.83	0.81	0.78
去排汽压力	0.90	0.90	0.87	0.86	0.85	0.82	0.78	0.76	0.73	0.70	0.66	0.63
去排汽温度	0.94	0.93	0.91	0.90	0.88	0.86	0.83	0.81	0.77	0.75	0.72	0.68
去主汽压力	0.94	0.94	0.93	0.93	0.92	0.91	0.89	0.88	0.86	0.84	0.82	0.80
去主汽温度	0.96	0.95	0.94	0.94	0.92	0.91	0.89	0.88	0.86	0.83	0.81	0.79
去风机转速	0.93	0.93	0.92	0.92	0.91	0.89	0.87	0.86	0.85	0.83	0.81	0.79
去主汽流量	0.96	0.96	0.95	0.94	0.93	0.92	0.91	0.89	0.88	0.85	0.83	0.81
去给水流量	0.96	0.96	0.94	0.94	0.93	0.91	0.89	0.88	0.86	0.84	0.82	0.79
去凝器真空	0.87	0.88	0.87	0.87	0.86	0.85	0.85	0.83	0.83	0.80	0.78	0.77
去凝结水流量	0.94	0.94	0.93	0.92	0.91	0.90	0.88	0.87	0.85	0.83	0.81	0.79
去凝结水温度	0.94	0.93	0.92	0.92	0.91	0.90	0.88	0.86	0.85	0.83	0.80	0.78

新窗口打开| 下载CSV

计算每次训练R²的变化幅度，根据其大小绘制特征重要性排名如图4所示。其中，大气压、主汽流量、给水流量、主汽温度、主汽压力、风向等特征会降低预测准确度，在新预测模型将进行去除。由于与空冷岛换热性能相关的环境特征为风速和环境温度，因此可以结合相关的天气预报数据来对模型准确度进行提升。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 特征重要性排名

Fig. 4 Feature importance ranking

3 模型优化与对比分析

3.1 结合天气预报数据优化模型

重新构造数据集，根据特征重要性排名结果，在不改变其他参数的情况下对原无效特征进行去除，重新构造模型，新模型拟合优度见表3。

表3 去除无效特征后预测值R²

Tab. 3 R² of predicted value after removing invalid feature

时间/min	5	10	15	20	25	30	35	40	45	50	55	60
R²	0.98	0.98	0.98	0.97	0.97	0.96	0.95	0.94	0.93	0.91	0.90	0.89

新窗口打开| 下载CSV

相较原模型，新模型准确度明显提升，模型训练时间缩短。根据特征重要性排名，有针对地结合历史天气预报数据中温度和风速2项重要特征，重新构造数据。将未来4 h气象数据上移，与实时运行数据对应，使天气预报数据相较于运行数据具有超前性，模型在实际应用中能结合未来天气预报对空冷岛性能进行预测。重新创建模型并训练，带入测试集得到预测值，计算拟合优度见表4。

表4 结合天气预报数据后预测值拟合优度

Tab. 4 Goodness of fit of predicted values after combining weather forecast data

时间/min	5	10	15	20	25	30	35	40	45	50	55	60
R²	0.99	0.98	0.98	0.98	0.98	0.97	0.96	0.95	0.95	0.93	0.92	0.91

新窗口打开| 下载CSV

对比表3和表4的拟合优度，结合天气预报数据后总体拟合效果提升1.2%。因此，结合天气预报数据能在一定程度上提高模型预测的精确度，更准确地掌握未来一段时间内空冷岛性能的走势。将预测值和实际值进行对比，可视化结果如图5所示，可以看出，预测值在大多数情况下能很好地贴合实际值。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 空冷岛预测性能与实际性能对比

Fig. 5 Comparison between predicted performance and actual performance of air-cooled island

3.2 LSTM模型与ARIMA模型对比

为体现LSTM在时序数据预测处理方面的优越性，利用相同的训练数据创建整合自回归移动平均模型(autoregressive integrated moving average model，ARIMA)来进行预测效果对比。ARIMA是一种数据驱动的时间序列预测模型^[23]。取2018年9月20日时间序列和空冷岛换热系数作为训练数据，进行ARIMA建模。

首先对数据进行平稳性校验，采用单位根校验法(augmented dickey-fuller，ADF)，先假设时序数据非稳定。统计学根据显著性检验方法所得到的假定值p-value，一般p-value<0.05为显著，p-value<0.01为非常显著。计算所选取的时序数据假定值得到p-value=0.390 121＞0.05，T检验的检验统计量T-statistic=-1.780 628>临界值critical value(1%)=-3.455 754。根据统计学指标，无法拒绝原假设，数据非稳定，无法直接绘制自相关(auto correlation function，ACF)图和偏自相关(partial auto correlation function，PACF)图。由于空冷岛总体换热系数大于0，因此可以对数据进行对数变换和一阶差分，以提升数据稳定性。处理后p-value=0.011 384＜0.05，T-statistic=-3.487 738＜critical value(1%)=-3.455 853，经过处理的数据满足稳定条件，绘制ACF图和PACF图^[24]如图6所示。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 自相关图和偏自相关图

Fig. 6 Autocorrelation and partial autocorrelation

自相关图有拖尾现象，偏自相关图为1阶截尾，因此选定自回归项数p=1，滑动平均项数q=0，差分阶数d=1。创建ARIMA模型，输入复原后的空冷岛性能数据，对空冷岛性能进行预测，计算预测误差指标函数，与同一时间的LSTM预测结果进行可视化对比，如图7所示。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 LSTM预测效果与ARIMA预测效果对比

Fig. 7 Comparison of prediction effect between LSTM and ARIMA

由图7可知，尽管ARIMA模型所需数据量相较LSTM模型少，但使用LSTM的拟合优度明显好于ARIMA，LSTM模型误差评价指标低于ARIMA误差评价指标。因此，LSTM算法在空冷岛性能预测方面相较传统ARIMA模型具有优越性。

4 结论

基于河北省某电厂历史实时运行数据对空冷岛换热性能进行计算，基于LSTM长短期记忆神经网络建立空冷岛性能预测模型，利用历史数据对模型进行训练，使模型具有一定的预测未来空冷岛性能的能力。通过对特征重要性进行分析，得到增删各项特征的最优策略，进一步优化模型性能。具体结论如下：

1）通过对特征重要性计算，在数值层面上证明空冷岛换热性能除了受一部分运行数据的影响外，同时还受环境温度、风速等因素影响。

2）去除与空冷岛性能不相关特征能明显提升模型训练时间，同时有效提升模型预测准确度。有针对地结合天气预报温度和风速数据，进一步提升了模型准确度，模型对未来1 h空冷岛性能预测值与实际值的拟合优度均大于0.9，拟合效果很好。

3）通过对比ARIMA模型与LSTM模型预测结果，发现LSTM在空冷岛实时性能预测方面具有优越性，预测效果明显优于ARIMA模型。

4）所建空冷岛换热性能预测模型能够实现对空冷岛低性能情况进行预警，进而指导机组运行中风机风量、背压等参数的调节，以提升机组的热效率，提高经济性。

5）所建立的模型着重考虑了未来天气对于空冷性能的影响，结合未来气象数据，使直接空冷机组能够针对不同气象的条件做出运行调整，同时提高运行安全性，为“智慧电厂”的建设和普及提供了技术基础。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

肖金平，郭民臣．

发电厂直接空冷技术研究现状及展望

[J]．中国电力教育，2009(S1)：383-385．