CN103678891A - 火电机组负荷裕度实时预测方法 - Google Patents
火电机组负荷裕度实时预测方法 Download PDFInfo
- Publication number
- CN103678891A CN103678891A CN201310638863.7A CN201310638863A CN103678891A CN 103678891 A CN103678891 A CN 103678891A CN 201310638863 A CN201310638863 A CN 201310638863A CN 103678891 A CN103678891 A CN 103678891A
- Authority
- CN
- China
- Prior art keywords
- load
- power generating
- generating unit
- fired power
- design
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Control Of Steam Boilers And Waste-Gas Boilers (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种火电机组负荷裕度实时预测方法,包括以下步骤:搜集电厂12个月内火电机组的各个影响因素的设计值与火电机组不同负荷下的运行值;利用BP神经网络法训练出各影响因素的设计值与实际运行值的差值对火电机组负荷设计值与负荷实际运行值的差值的联合权系数;得到电厂1个月内各影响因素的设计值与实际运行最大值的差值;结合上述步骤并通过BP神经网络得到火电机组负荷调节实时速率值;计算得出火电机组最大可调负荷值,如果计算出的最大可调负荷值大于火电机组实际设计最大负荷,即取设计最大负荷值为最大可调负荷。本发明既可以使电厂能够了解自身的实时发电能力,又可以使电网根据各火电机组实时情况及时调整网内各火电机组出力。
Description
【技术领域】
本发明属于火力发电技术领域,具体涉及一种火电机组负荷裕度实时预测方法。
【背景技术】
目前,火电机组实时负荷调节指令一般由电网调度人员指定,并没有考虑实际的机组运行状况,经常会出现电厂因为技术原因无法响应及满足电网要求,致使火电机组实际情况下可调最大负荷达不到设定值,导致部分机组由于实际运行状况无法满足电网要求,这样就会影响火电机组调节指令及实时精度。
【发明内容】
本发明的目的在于克服上述现有技术的缺陷,提供了一种火电机组负荷裕度实时预测方法,采用该方法可以使电网调节指令与火电机组实际运行状况相结合。
为实现上述目的,本发明采用如下技术方案:
火电机组负荷裕度实时预测方法,包括以下步骤:
1)搜集电厂12个月内火电机组的各个影响因素的设计值与火电机组不同负荷下的实际运行值,其中,火电机组的影响因素包括给煤机出力、低温再热器壁温、高温再热器壁温、低温过热器壁温、中温过热器壁温、高温过热器壁温、汽水分离器温度、主蒸汽压力、给水流量、胀差、轴振、瓦振、磨煤机电流、一次风机电流、送风机电流和引风机电流,火电机组不同负荷下的实际运行值根据火电机组基础数据进行计算得出;
2)结合火电机组不同负荷下的实际运行值,并利用BP神经网络法训练出火电机组的各个影响因素的设计值与实际运行值的差值xi与火电机组负荷设计值与负荷实际运行值的差值dj的关系,得到各影响因素的设计值与实际运行值的差值xi对火电机组负荷设计值与负荷实际运行值的差值dj的联合权系数wij(τ);
其中,i=1,2,…,16,x1、x2、…、x16分别表示给煤机出力、低温再热器壁温、高温再热器壁温、低温过热器壁温、中温过热器壁温、高温过热器壁温、汽水分离器温度、主蒸汽压力、给水流量、胀差、轴振、瓦振、磨煤机电流、一次风机电流、送风机电流和引风机电流的设计值与实际运行值的差值;j=1,2,…,d1、d2、…分别表示火电机组负荷设计值与负荷实际运行值的差值,τ为BP神经网络的学习次数;
3)通过比较电厂近1个月内各个影响因素的设计值与实际运行最大值,得到各影响因素的设计值与实际运行最大值的差值x′i,其计算公式为:
式中,i=1,2,…,16,x′1、x'2、…、x′16分别表示为影响因素给煤机出力、低温再热器壁温、高温再热器壁温、低温过热器壁温、中温过热器壁温、高温过热器壁温、汽水分离器温度、主蒸汽压力、给水流量、胀差、轴振、瓦振、磨煤机电流、一次风机电流、送风机电流和引风机电流的设计值和实际运行最大值的差值,依次为上述各个影响因素的设计值, 依次为上述各个影响因素的实际运行最大值;
4)根据步骤2)和3)得到的结果,通过BP神经网络得到火电机组修正后的负荷调节实时速率值y'j,其计算公式为:
式中:j=1,2,…,θj为BP神经网路采用的临界值,i=1,2,…,16,x′i分别为上述各影响因素的设计值与实际运行最大值的差值,ydesign为火电机组设计负荷速率;
5)依据步骤4)得出的火电机组修正后的负荷调节实时速率值y'j,在规定火电机组升负荷时间t内,计算得出火电机组最大可调负荷值为y,其计算公式为:
y=y'j×t (3)
如果计算出的最大可调负荷值y大于火电机组实际设计最大负荷,即取实际设计最大负荷值为火电机组最大可调负荷,如果计算出的最大可调负荷值y不大于火电机组实际设计最大负荷,即取最大可调负荷值y为火电机组最大可调负荷。
本发明进一步改进在于,步骤2)中,BP神经网络法的学习算法包括以下步骤:
a)设置各影响因素的设计值与实际运行值的差值对火电机组负荷设计值与负荷实际运行值的差值的初始联合权系数为w和初始临界值为θ,其取值均为[0,1];
b)将各影响因素的设计值与实际运行值的差值xi加到BP神经网络上,利用下面的公式计算出BP神经网络训练出的火电机组负荷调节实时速率值yj,计算公式如下:
式中:i=1,2,…,16,x1、x2、…、x16分别表示为影响因素给煤机出力、低温再热器壁温、高温再热器壁温、低温过热器壁温、中温过热器壁温、高温过热器壁温、汽水分离器温度、主蒸汽压力、给水流量、胀差、轴振、瓦振、磨煤机电流、一次风机电流、送风机电流和引风机电流的设计值和实际运行值的差值;j=1,2,…,θj为BP神经网路采用的临界值,ydesign为火电机组设计负荷速率;
3)按火电机组负荷设计值与负荷实际运行值的差值dj与神经网络训练出的火电机组负荷调节实时速率值yj调整联合权系数wij,其调整量Δwij的计算公式如下:
Δwij=ηjδjxj (5)
式中:j=1,2,…,ηj为学习率比例系数,其取值为[0,1],xj为BP神经网络在隐节点的输入,δj是一个与输出偏差相关的值,对于输出节点来说有:
δj=ηj(1-yj)(dj-yj) (6)
对于隐层节点来说有:
式中,k=1,2,…,j;
各层神经元的联合权系数wij调整后为:
wij(τ)=wij(τ-1)+Δwij (8)
式中:τ为BP神经网络的学习次数。
与现有技术相比,本发明具有如下技术效果:
本发明一种火电机组负荷裕度实时预测方法,其在综合考虑影响负荷的主要因素后,给出了火电机组的实时负荷裕度,该方法只需参考火电机组近期的实际运行值,具有较为广泛的应用性,其既可以使电厂能够了解自身的实时发电能力,又可以使电网根据各火电机组实时情况及时调整网内各火电机组出力,以应对电网安全与经济需要。
【具体实施方式】
下面结合具体实施例对本发明作进一步说明。.
本发明火电机组负荷裕度实时预测方法,包括以下步骤:
1)搜集电厂12个月内火电机组的各个影响因素的设计值与火电机组不同负荷下的实际运行值,其中,火电机组的影响因素包括给煤机出力、低温再热器壁温、高温再热器壁温、低温过热器壁温、中温过热器壁温、高温过热器壁温、汽水分离器温度、主蒸汽压力、给水流量、胀差、轴振、瓦振、磨煤机电流、一次风机电流、送风机电流和引风机电流,火电机组不同负荷下的实际运行值根据火电机组基础数据进行计算得出;参见表1,为火电机组负荷裕度计算所需参数的设计值及最大运行值;
表1:
影响因素 | 设计值 | 最大运行值 |
给煤机出力,t/h | 312 | 299.02 |
低温再热器壁温,℃ | 515 | 504 |
高温再热器壁温,℃ | 610 | 603 |
低温过热器壁温,℃ | 490 | 502 |
中温过热器壁温,℃ | 600 | 589 |
高温过热器壁温,℃ | 625 | 618 |
汽水分离器温度,℃ | 426 | 436 |
主蒸汽压力,MPa | 24.2 | 25.4 |
给水流量,t/h | 1807 | 1924 |
胀差,mm | 40 | 11 |
轴振,um | 127 | 59 |
瓦振,um | 50 | 14.8 |
磨煤机电流,A | 69.6 | 58.5 |
一次风机电流,A | 254.4 | 139.8 |
送风机电流,A | 141.3 | 40.4 |
引风机电流,A | 429 | 229.1 |
2)结合火电机组不同负荷下的实际运行值,并利用BP神经网络法训练出火电机组的各个影响因素的设计值与实际运行值的差值xi与火电机组负荷设计值与负荷实际运行值的差值dj的关系,得到各影响因素的设计值与实际运行值的差值xi对火电机组负荷设计值与负荷实际运行值的差值dj的联合权系数wij(τ);
其中,i=1,2,…,16,x1、x2、…、x16分别表示给煤机出力、低温再热器壁温、高温再热器壁温、低温过热器壁温、中温过热器壁温、高温过热器壁温、汽水分离器温度、主蒸汽压力、给水流量、胀差、轴振、瓦振、磨煤机电流、一次风机电流、送风机电流和引风机电流的设计值与实际运行值的差值;j=1,2,…,d1、d2、…分别表示火电机组负荷设计值与负荷实际运行值的差值,τ为BP神经网络的学习次数;
步骤2)中,BP神经网络法的学习算法包括以下步骤:
a)设置各影响因素的设计值与实际运行值的差值对火电机组负荷设计值与负荷实际运行值的差值的初始联合权系数为w和初始临界值为θ,其取值均为[0,1];
b)将各影响因素的设计值与实际运行值的差值xi加到BP神经网络上,利用下面的公式计算出BP神经网络训练出的火电机组负荷调节实时速率值yj,计算公式如下:
式中:i=1,2,…,16,x1、x2、…、x16分别表示为影响因素给煤机出力、低温再热器壁温、高温再热器壁温、低温过热器壁温、中温过热器壁温、高温过热器壁温、汽水分离器温度、主蒸汽压力、给水流量、胀差、轴振、瓦振、磨煤机电流、一次风机电流、送风机电流和引风机电流的设计值和实际运行值的差值;j=1,2,…,θj为BP神经网路采用的临界值,ydesign为火电机组设计负荷速率;
3)按火电机组负荷设计值与负荷实际运行值的差值dj与神经网络训练出的火电机组负荷调节实时速率值yj调整联合权系数wij,其调整量Δwij的计算公式如下:
Δwij=ηjδjxj (5)
式中:j=1,2,…,ηj为学习率比例系数,其取值为[0,1],xj为BP神经网络在隐节点的输入,δj是一个与输出偏差相关的值,对于输出节点来说有:
δj=ηj(1-yj)(dj-yj) (6)
对于隐层节点来说有:
式中,k=1,2,…,j;
各层神经元的联合权系数wij调整后为:
wij(τ)=wij(τ-1)+Δwij (8)
式中:τ为BP神经网络的学习次数。
这个算法是个迭代过程,每一轮将联合权系数wij调整一遍,这样一直迭代下去,直到输出误差小于某一允许值为止,这样一个好的网络就训练成功了,BP神经网络的算法从本质上讲是把一组样本的输入输出问题变为一个非线性优化问题,它使用了优化技术中最普通的一种梯度下降算法,用迭代运算求解权值相当于学习记忆问题。
3)通过比较电厂近1个月内各个影响因素的设计值与实际运行最大值,得到各影响因素的设计值与实际运行最大值的差值x′i,其计算公式为:
式中,i=1,2,…,16,x′1、x'2、…、x′16分别表示为影响因素给煤机出力、低温再热器壁温、高温再热器壁温、低温过热器壁温、中温过热器壁温、高温过热器壁温、汽水分离器温度、主蒸汽压力、给水流量、胀差、轴振、瓦振、磨煤机电流、一次风机电流、送风机电流和引风机电流的设计值和实际运行最大值的差值,依次为上述各个影响因素的设计值, 依次为上述各个影响因素的实际运行最大值;
4)根据步骤2)和3)得到的结果,通过BP神经网络得到火电机组修正后的负荷调节实时速率值y'j,其计算公式为:
式中:j=1,2,…,θj为BP神经网路采用的临界值,i=1,2,…,16,x′i分别为上述各影响因素的设计值与实际运行最大值的差值,ydesign为火电机组设计负荷速率;
5)依据步骤4)得出的火电机组修正后的负荷调节实时速率值y'j,在规定火电机组升负荷时间t内,计算得出火电机组最大可调负荷值为y,其计算公式为:
y=y'j×t (3)
如果计算出的最大可调负荷值y大于火电机组实际设计最大负荷,即取实际设计最大负荷值为火电机组最大可调负荷,如果计算出的最大可调负荷值y不大于火电机组实际设计最大负荷,即取最大可调负荷值y为火电机组最大可调负荷。
具体计算结果如表2所示,从表2可以看出,火电机组的设计负荷速率为30MW/分钟,在火电机组运行一段时间后,而其实际负荷速率为27.37MW/分钟,小于火电机组的设计负荷速率。
表2:
Claims (2)
1.火电机组负荷裕度实时预测方法,其特征在于,包括以下步骤:
1)搜集电厂12个月内火电机组的各个影响因素的设计值与火电机组不同负荷下的实际运行值,其中,火电机组的影响因素包括给煤机出力、低温再热器壁温、高温再热器壁温、低温过热器壁温、中温过热器壁温、高温过热器壁温、汽水分离器温度、主蒸汽压力、给水流量、胀差、轴振、瓦振、磨煤机电流、一次风机电流、送风机电流和引风机电流,火电机组不同负荷下的实际运行值根据火电机组基础数据进行计算得出;
2)结合火电机组不同负荷下的实际运行值,并利用BP神经网络法训练出火电机组的各个影响因素的设计值与实际运行值的差值xi与火电机组负荷设计值与负荷实际运行值的差值dj的关系,得到各影响因素的设计值与实际运行值的差值xi对火电机组负荷设计值与负荷实际运行值的差值dj的联合权系数wij(τ);
其中,i=1,2,…,16,x1、x2、…、x16分别表示给煤机出力、低温再热器壁温、高温再热器壁温、低温过热器壁温、中温过热器壁温、高温过热器壁温、汽水分离器温度、主蒸汽压力、给水流量、胀差、轴振、瓦振、磨煤机电流、一次风机电流、送风机电流和引风机电流的设计值与实际运行值的差值;j=1,2,…,d1、d2、…分别表示火电机组负荷设计值与负荷实际运行值的差值,τ为BP神经网络的学习次数;
3)通过比较电厂近1个月内各个影响因素的设计值与实际运行最大值,得到各影响因素的设计值与实际运行最大值的差值x′i,其计算公式为:
式中,i=1,2,…,16,x′1、x'2、…、x′16分别表示为影响因素给煤机出力、低温再热器壁温、高温再热器壁温、低温过热器壁温、中温过热器壁温、高温过热器壁温、汽水分离器温度、主蒸汽压力、给水流量、胀差、轴振、瓦振、磨煤机电流、一次风机电流、送风机电流和引风机电流的设计值和实际运行最大值的差值,依次为上述各个影响因素的设计值, 依次为上述各个影响因素的实际运行最大值;
4)根据步骤2)和3)得到的结果,通过BP神经网络得到火电机组修正后的负荷调节实时速率值y'j,其计算公式为:
式中:j=1,2,…,θj为BP神经网路采用的临界值,θji=1,2,…,16,x′i分别为上述各影响因素的设计值与实际运行最大值的差值,ydesign为火电机组设计负荷速率;
5)依据步骤4)得出的火电机组修正后的负荷调节实时速率值y'j,在规定火电机组升负荷时间t内,计算得出火电机组最大可调负荷值为y,其计算公式为:
y=y'j×t (3)
如果计算出的最大可调负荷值y大于火电机组实际设计最大负荷,即取实际设计最大负荷值为火电机组最大可调负荷,如果计算出的最大可调负荷值y不大于火电机组实际设计最大负荷,即取最大可调负荷值y为火电机组最大可调负荷。
2.根据权利要求1所述的火电机组负荷裕度实时预测方法,其特征在于,步骤2)中,BP神经网络法的学习算法包括以下步骤:
a)设置各影响因素的设计值与实际运行值的差值对火电机组负荷设计值与负荷实际运行值的差值的初始联合权系数为w和初始临界值为θ,其取值均为[0,1];
b)将各影响因素的设计值与实际运行值的差值xi加到BP神经网络上,利用下面的公式计算出BP神经网络训练出的火电机组负荷调节实时速率值yj,计算公式如下:
式中:i=1,2,…,16,x1、x2、…、x16分别表示为影响因素给煤机出力、低温再热器壁温、高温再热器壁温、低温过热器壁温、中温过热器壁温、高温过热器壁温、汽水分离器温度、主蒸汽压力、给水流量、胀差、轴振、瓦振、磨煤机电流、一次风机电流、送风机电流和引风机电流的设计值和实际运行值的差值;j=1,2,…,θj为BP神经网路采用的临界值,ydesign为火电机组设计负荷速率;
3)按火电机组负荷设计值与负荷实际运行值的差值dj与神经网络训练出的火电机组负荷调节实时速率值yj调整联合权系数wij,其调整量Δwij的计算公式如下:
Δwij=ηjδjxj (5)
式中:j=1,2,…,ηj为学习率比例系数,其取值为[0,1],xj为BP神经网络在隐节点的输入,δj是一个与输出偏差相关的值,对于输出节点来说有:
δj=ηj(1-yj)(dj-yj) (6)
对于隐层节点来说有:
式中,k=1,2,…,j;
各层神经元的联合权系数wij调整后为:
wij(τ)=wij(τ-1)+Δwij (8)
式中:τ为BP神经网络的学习次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310638863.7A CN103678891B (zh) | 2013-12-02 | 2013-12-02 | 火电机组负荷裕度实时预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310638863.7A CN103678891B (zh) | 2013-12-02 | 2013-12-02 | 火电机组负荷裕度实时预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103678891A true CN103678891A (zh) | 2014-03-26 |
CN103678891B CN103678891B (zh) | 2016-08-17 |
Family
ID=50316421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310638863.7A Expired - Fee Related CN103678891B (zh) | 2013-12-02 | 2013-12-02 | 火电机组负荷裕度实时预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103678891B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021315A (zh) * | 2014-06-27 | 2014-09-03 | 四川电力设计咨询有限责任公司 | 基于bp神经网络的电厂厂用电率计算方法 |
CN106354999A (zh) * | 2016-08-25 | 2017-01-25 | 哈尔滨工业大学 | 一种火电机组负荷振荡与负荷突变故障的在线诊断方法 |
CN106405416A (zh) * | 2016-08-29 | 2017-02-15 | 江苏方天电力技术有限公司 | 一种基于煤质波动状态识别的机组可调出力在线分析方法 |
CN109993401A (zh) * | 2019-02-14 | 2019-07-09 | 国网浙江省电力有限公司电力科学研究院 | 一种燃煤机组可快速响应的最大出力预测方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120173146A1 (en) * | 2010-12-29 | 2012-07-05 | Robert Mohr | Real time thermal line ratings for overhead transmission line |
CN102608911A (zh) * | 2012-03-14 | 2012-07-25 | 东南大学 | 一种基于多参数预测的火电机组协调控制方法 |
CN103218674A (zh) * | 2013-04-07 | 2013-07-24 | 国家电网公司 | 基于bp神经网络模型的光伏发电系统输出功率预测方法 |
CN103325066A (zh) * | 2012-03-21 | 2013-09-25 | 辽宁省电力有限公司营口供电公司 | 一种电网负荷预测管理系统 |
-
2013
- 2013-12-02 CN CN201310638863.7A patent/CN103678891B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120173146A1 (en) * | 2010-12-29 | 2012-07-05 | Robert Mohr | Real time thermal line ratings for overhead transmission line |
CN102608911A (zh) * | 2012-03-14 | 2012-07-25 | 东南大学 | 一种基于多参数预测的火电机组协调控制方法 |
CN103325066A (zh) * | 2012-03-21 | 2013-09-25 | 辽宁省电力有限公司营口供电公司 | 一种电网负荷预测管理系统 |
CN103218674A (zh) * | 2013-04-07 | 2013-07-24 | 国家电网公司 | 基于bp神经网络模型的光伏发电系统输出功率预测方法 |
Non-Patent Citations (2)
Title |
---|
李勇 等: "基于BP神经网络的火电厂实时负荷优化分配", 《电力系统保护与控制》, vol. 39, no. 17, 1 September 2011 (2011-09-01), pages 87 - 92 * |
黄欣 等: "基于BP神经网络的电站负荷预测仿真研究", 《国外电子测量技术》, vol. 31, no. 10, 15 November 2012 (2012-11-15), pages 41 - 43 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021315A (zh) * | 2014-06-27 | 2014-09-03 | 四川电力设计咨询有限责任公司 | 基于bp神经网络的电厂厂用电率计算方法 |
CN106354999A (zh) * | 2016-08-25 | 2017-01-25 | 哈尔滨工业大学 | 一种火电机组负荷振荡与负荷突变故障的在线诊断方法 |
CN106354999B (zh) * | 2016-08-25 | 2019-04-19 | 哈尔滨工业大学 | 一种火电机组负荷振荡与负荷突变故障的在线诊断方法 |
CN106405416A (zh) * | 2016-08-29 | 2017-02-15 | 江苏方天电力技术有限公司 | 一种基于煤质波动状态识别的机组可调出力在线分析方法 |
CN109993401A (zh) * | 2019-02-14 | 2019-07-09 | 国网浙江省电力有限公司电力科学研究院 | 一种燃煤机组可快速响应的最大出力预测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103678891B (zh) | 2016-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105005940A (zh) | 计及相关性的电-气互联系统概率最优潮流计算方法 | |
CN109840636B (zh) | 一种基于牛顿法的电力系统随机滚动调度方法 | |
CN103678891A (zh) | 火电机组负荷裕度实时预测方法 | |
CN103578044A (zh) | 基于需求侧响应的新能源发电并网综合调峰能力评估模型 | |
CN101763035A (zh) | Rbf神经网络整定pid与模糊免疫控制方法 | |
CN104935017B (zh) | 基于改进轻鲁棒优化模型的风电与火电机组组合方法 | |
CN105259758A (zh) | 基于海量历史数据火电机组运行参数智能在线寻优方法 | |
CN104156886B (zh) | 一种含可再生能源电力系统的电源灵活性评价方法 | |
CN106447218A (zh) | 基于多风电场的抽水蓄能系统的可靠性评估方法 | |
CN101504135B (zh) | 锅炉-汽轮机单元的汽压均衡控制器 | |
CN101963344B (zh) | 基于过程特性补偿的再热汽温控制方法 | |
CN105023099A (zh) | 一种考虑湍流强度的风力发电机出力评估方法 | |
CN112865170B (zh) | 一种基于场景概率的考虑风电出力相关性的负荷恢复优化方法 | |
CN109149566A (zh) | 一种大功率缺失下频率最低点预测的仿真模型的建模方法 | |
Zhao et al. | A novel coordinated control for Integrated Pressurized Water Reactor | |
CN104991447A (zh) | 一种基于小波神经网络的火电机组变负荷速率预测方法 | |
Wang et al. | Simulation study of frequency control characteristics of a generation III+ nuclear power plant | |
CN105207255B (zh) | 一种适用于风电出力的电力系统调峰计算方法 | |
CN103995977A (zh) | 基于lvrt暂态响应特性分析的双馈风电机组参数辨识方法 | |
CN114963298A (zh) | 一种蒸汽管网储能在线定量计算方法和系统 | |
Dhayalini et al. | Flower pollination algorithm for economic dispatch problems with non-smooth cost function | |
CN114268102A (zh) | 基于解析式概率潮流模型的电力系统运行状态量化方法 | |
CN103441492A (zh) | 基于协同进化算法的调频反馈纳什均衡控制方法 | |
Boutheina et al. | AGC of multi-area power systems in presence of HVDC Link | |
CN103970013B (zh) | 基于遗传算法与模糊控制的除氧器控制的实现方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160817 Termination date: 20181202 |