CN106683001A - 基于历史运行数据的火电机组辨识数据的选取方法 - Google Patents

基于历史运行数据的火电机组辨识数据的选取方法 Download PDF

Info

Publication number
CN106683001A
CN106683001A CN201611110708.8A CN201611110708A CN106683001A CN 106683001 A CN106683001 A CN 106683001A CN 201611110708 A CN201611110708 A CN 201611110708A CN 106683001 A CN106683001 A CN 106683001A
Authority
CN
China
Prior art keywords
data
output
input data
identification
segment
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
Application number
CN201611110708.8A
Other languages
English (en)
Other versions
CN106683001B (zh
Inventor
林忠伟
杜鸣
张豪
张一豪
牛玉广
高明明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China Electric Power University
Original Assignee
North China Electric Power University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North China Electric Power University filed Critical North China Electric Power University
Priority to CN201611110708.8A priority Critical patent/CN106683001B/zh
Publication of CN106683001A publication Critical patent/CN106683001A/zh
Application granted granted Critical
Publication of CN106683001B publication Critical patent/CN106683001B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于历史运行数据的火电机组辨识数据的选取方法,包括:从火电机组的历史数据库中获取目标回路的输入输出数据;从时域上对获取的数据进行是否处在同一工况下的检验;从频域上对获取的数据进行逐点计算功率谱,并且采用数值量化该功率谱对火电机组辨识适合与不适合的程度,挑出获取的数据中最适合的数据段,将最合适的数据段量化的数值与经验值进行比较,最终确定最合适的数据段是否适合于火电机组辨识;对选取的最合适的数据段进行辨识,并用同一工况下,不同时刻的数据进行交叉验证。该方法展现了使用历史运行数据帮助建模的过程,同时结合实际情况,改善了历史数据选择用于辨识的准确性,提高了基于历史数据下的辨识精度。

Description

基于历史运行数据的火电机组辨识数据的选取方法
技术领域
本发明涉及系统辨识以及电力技术领域,具体来说,涉及一种基于历史运行数据的火电机组辨识数据的选取方法。
背景技术
发电过程是电力系统的重要组成部分,提高发电过程的运行控制水平是保证电力系统安全、稳定、经济、环保运行的根本途径,而掌握发电机组运行特性、获得高质量的教学模型是实现机组高性能运行控制的基础。对控制系统的数学模型的辨识,影响着控制系统设计、整定和性能指标的评价。火电机组传统试验中采用阶跃试验,利用阶跃试验判断几种简化模型中的参数,这种方法试验周期长,成本大,且辨识出来的模型对工况与时间适应性差,会使得电厂设备的控制效果减弱,使得电厂效率降低。
当前,分散控制系统(DCS)与监控信息系统(SIS)已实现了生产过程的数字化,使运行数据长期保存。如何从这些海量运行数据中获得机组特性信息,在不对控制系统增加额外扰动的情况下获得一定精度的机组模型,建立被控对象的数学模型,已成为系统辨识领域研究开发的热点问题之一。
输入信号的本质性差别向来是影响系统辨识效果的重要因素,在以往的做法中,除却辨识实验,固定的从历史数据中选取类似阶跃形状的数据,以及单纯的从时域上考虑数据的波动性以及变化幅度,也没有具体的量化标准,不符合理论以及实际情况,对模型估计造成较大偏差,难以实现对过程的准确描述,对控制效果造成了很大影响,使用性较差。
发明内容
本发明的目的在于提出一种基于历史运行数据的火电机组辨识数据的选取方法,能够提高历史数据选择用于辨识的准确性,提高了基于历史数据下的辨识精度。
为实现上述技术目的,本发明的技术方案是这样实现的:
一种基于历史运行数据的火电机组辨识数据的选取方法,包括以下步骤:
1)从火电机组的历史数据库中获取目标回路的输入数据和输出数据;
2)从时域上对获取的输入数据和输出数据进行是否处在同一工况下的检验,若是,进行以下步骤,若不是,重新进行步骤1);
3)从频域上对获取的输入数据和输出数据进行逐点计算功率谱,并且用计算出的功率谱面积做为量化值,选取所述量化值中的最大的量化值所对应的数据段作为当前最适合火电机组辨识的数据段,将最适合的数据段的量化值与经验值进行比较,最终确定当前所述最适合的数据段是否适合于火电机组辨识;
4)对选取的所述最适合的数据段进行辨识,挑选同一工况下不同时刻的获取的目标回路的输入数据和输出数据对得到的模型进行交叉验证。
进一步的,步骤1)中去除获取的输入数据和输出数据中的野值。
进一步的,步骤1)中同时获取同一时刻其他相关重要参数的运行数据,针对目标回路,其他相关重要参数需保持在稳定运行下,根据火电机组的输出功率来判断获取的输入数据和输出数据是否是目标回路处于同一工况下的运行数据。
进一步的,获取的输入数据和输出数据使火电机组的输出功率不超过标准值的4%时,认定获取的输入数据和输出数据处于同一工况。
进一步的,对获取的输入数据和输出数据的采样时间进行限定。
进一步的,其特征在于,步骤3)包括以下步骤:
3.1)设定需要获取的输入数据和输出数据的长度,记为目标数据长度,以及给出所述目标数据长度对应的经验值;
3.2)对获取的输入数据和输出数据逐点进行以当前点为起始、目标数据长度的功率谱计算,计算起始数据点依次递进1,重复进行,直到运算到当前点位置加上目标数据长度超过获取的输入数据和输出数据长度为止;
3.3)对当前的功率谱采用面积的方式定量描述其形状,横轴为频率,纵轴忽略原有单位,将当前值与最大值的比值作为纵轴,计算其面积,作为量化值,并且将计算而出的量化值存储到同一数组中;
3.4)从存储的数组中选出最大的量化值,将最大的量化值与经验值相互比较,若符合要求,则提取出对应的数据段,并采用所述数据段,否则重新进行步骤1)-步骤3)。
进一步的,其特征在于,步骤4)中,对选取的所述最适合的数据段统一采用ARX模型进行辨识,其结构如下所示:
y(t)+a1y(t-1)+...+anay(t-na)=
b1u(t-nk)+...+bnbu(t-nb-nk+1)+e(t)
其中,na为极点数量,nb为零点数量加上1,nk为迟延时间,e(t)为白噪声信号,模型阶次由输出误差最小化准则整定。
本发明的有益效果:本发明基于历史数据的数据选取方法,对大量数据进行处理,去除了野值,之后结合时域与频域,分别对该段数据进行分析,选取出其中一段符合要求的数据,并且简单验证其是否适合于系统辨识,效果如何,结合实际情况,对历史数据采用量化标准进行判断,挑选出适合于系统辨识的数据,该方法最后的简单验证证实了该方法的实用性。
附图说明
图1是根据本发明实施例所述的选取方法的流程图;
图2是根据本发明实施例所述的时域分析算法的流程图;
图3是根据本发明实施例所述的频域分析算法的流程图。
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
如图1,得到目标回路的输入数据和输出数据,以及同一时刻其他重要参数的数据,其它重要参数的选取针对不同的回路,选取的参数值也不相同,需要具体情况具体分析。为了辨识目标回路的模型,由于目标回路为单输入单输出系统,需要机组其他相关运行参数在稳定运行,波动范围也相比于采用的数据小,最后根据机组的输出功率判定目标回路当前是否运行在某一工况下,去除采集到数据的野值。
图1中时域分析的具体算法步骤如图2所示。
在得到这段数据之后,需要检查这段数据时域上的特点,判断这段数据上的点是否始终处于该工况下4%范围内,是则进入下一步,否则重新从历史数据库中获取目标回路的输入数据和输出数据。
判断获取的目标回路的输入数据和输出数据的采样时间是否合适,数据库内历史数据的采样时间由当时的传感器决定,合适的采样时间可以参考表1,采样时间的合适与否由该回路的控制需求决定,如果采样时间过大或过小,则该段数据不符合要求,重新获取目标回路的输入数据和输出数据。
表1
如果采样时间符合控制系统的要求,且不为1,有对这段数据进行重新采样的需要,则重新采样。
对采样完成的数据进行去趋势项处理,剔除系统中稳态量。
图1中频域分析的具体算法步骤如图3所示。
首先获得需要选取的目标数据长度,所述目标数据长度的选取应降低系统本身固有波动对数据整体趋势造成的影响,同时又不能过大,可以取用统一经验长度800、1000或者由操作者针对具体对象手动输入。
对这段数据进行逐点分析,计算由该点起始、指定长度数据的功率谱,并计算功率谱所围面积,横轴为频率,纵轴忽略原有单位,改换不同情况下可以比较的统一标准,将当前值与最大值的比值作为纵轴,同时将计算而得的面积数值保存到数组中,数据点依次递加1,重复进行,直到当前点加上目标数据长度的值大于获取数据的长度值。
计算完成该段数据上符合要求的点之后,选取出存储数组中最大的数值,与经验数值相比较,经验值为多次实验总结出来的门限值,限定了最低的量化值。如果比经验数值小,则图1选的数据中没有适合辨识的数据段,返回图1,重新获取数据,重新执行以上所有步骤,否则将这段数据输出,选择为该数据中的最佳数据段。
如图1所示,完成最佳数据段的选取之后,使用最佳数据段进行辨识,使用模型统一为传递函数模型,具体的,可采用ARX模型对最佳数据段进行辨识,其结构具体如下:
y(t)+a1y(t-1)+...+anay(t-na)=
b1u(t-nk)+...+bnbu(t-nb-nk+1)+e(t)
其中,na为极点数量,nb为零点数量加上1,nk为迟延时间,e(t)为白噪声信号,模型阶次由输出误差最小化准则整定。
辨识出的模型使用获取的数据中不同时间段的数据进行交叉验证,用图像化以及FPE数值评价该模型的拟合程度。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (7)

1.基于历史运行数据的火电机组辨识数据的选取方法,其特征在于,包括以下步骤:
1)从火电机组的历史数据库中获取目标回路的输入数据和输出数据;
2)从时域上对获取的输入数据和输出数据进行是否处在同一工况下的检验,若是,进行以下步骤,若不是,重新进行步骤1);
3)从频域上对获取的输入数据和输出数据进行逐点计算功率谱,并且用计算出的功率谱面积做为量化值,选取所述量化值中的最大的量化值所对应的数据段作为当前最适合火电机组辨识的数据段,将最适合的数据段的量化值与经验值进行比较,最终确定当前所述最适合的数据段是否适合于火电机组辨识;
4)对选取的所述最适合的数据段进行辨识,使用的模型结构为ARX模型,挑选同一工况下不同时刻的获取的目标回路的输入数据和输出数据对得到的模型进行交叉验证。
2.根据权利要求1所述的选取方法,其特征在于,步骤1)中去除获取的输入数据和输出数据中的野值。
3.根据权利要求2所述的选取方法,其特征在于,步骤1)中同时获取同一时刻其他相关重要参数的运行数据,针对目标回路,其他相关重要参数需保持在稳定运行下,根据火电机组的输出功率来判断获取的输入数据和输出数据是否是目标回路处于同一工况下的运行数据。
4.根据权利要求3所述的选取方法,其特征在于,获取的输入数据和输出数据使火电机组的输出功率不超过标准值的4%时,认定获取的输入数据和输出数据处于同一工况。
5.根据权利要求4所述的选取方法,其特征在于,对获取的输入数据和输出数据的采样时间进行限定。
6.根据权利要求1所述的选取方法,其特征在于,步骤3)包括以下步骤:
3.1)设定需要获取的输入数据和输出数据的长度,记为目标数据长度,以及给出所述目标数据长度对应的经验值;
3.2)对获取的输入数据和输出数据逐点进行以当前点为起始、目标数据长度的功率谱计算,计算起始数据点依次递进1,重复进行,直到运算到当前点位置加上目标数据长度超过获取的输入数据和输出数据长度为止;
3.3)对当前的功率谱采用计算面积的方式定量描述其形状,横轴为频率,纵轴忽略原有单位,将当前值与最大值的比值作为纵轴,计算其面积,作为量化值,并且将计算而出的量化值存储到同一数组中;
3.4)从存储的数组中选出最大的量化值,将最大的量化值与经验值相互比较,若符合要求,则提取出对应的数据段,并采用所述数据段,否则重新进行步骤1)-步骤3)。
7.根据权利要求1所述的选取方法,其特征在于,步骤4)中,对选取的所述最适合的数据段统一采用ARX模型进行辨识,其结构如下所示:
y(t)+a1y(t-1)+...+anay(t-na)=
b1u(t-nk)+...+bnbu(t-nb-nk+1)+e(t)
其中,na为极点数量,nb为零点数量加上1,nk为迟延时间,e(t)为白噪声信号,模型阶次由输出误差最小化准则整定。
CN201611110708.8A 2016-12-06 2016-12-06 基于历史运行数据的火电机组辨识数据的选取方法 Active CN106683001B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611110708.8A CN106683001B (zh) 2016-12-06 2016-12-06 基于历史运行数据的火电机组辨识数据的选取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611110708.8A CN106683001B (zh) 2016-12-06 2016-12-06 基于历史运行数据的火电机组辨识数据的选取方法

Publications (2)

Publication Number Publication Date
CN106683001A true CN106683001A (zh) 2017-05-17
CN106683001B CN106683001B (zh) 2020-12-15

Family

ID=58867670

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611110708.8A Active CN106683001B (zh) 2016-12-06 2016-12-06 基于历史运行数据的火电机组辨识数据的选取方法

Country Status (1)

Country Link
CN (1) CN106683001B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108549346A (zh) * 2018-05-14 2018-09-18 山东科技大学 一种适于系统辨识的历史数据段自动查找方法
CN110119524A (zh) * 2019-02-27 2019-08-13 华北电力大学 一种能源系统多时间尺度互动优化运行方法及系统
CN110378624A (zh) * 2019-08-28 2019-10-25 山东科技大学 基于趋势提取的火电机组一次调频指标计算方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110298582A1 (en) * 2003-04-09 2011-12-08 Visible Assets, Inc. Visibility Radio Cap and Network
CN104123595A (zh) * 2014-07-22 2014-10-29 国家电网公司 一种配电网负荷预测方法及系统
CN104270050A (zh) * 2014-09-26 2015-01-07 国网天津市电力公司 一种基于wams动态数据的发电机参数辨识方法
CN104517034A (zh) * 2014-12-18 2015-04-15 广东电网有限责任公司电力科学研究院 火电机组回路通道模型辨识方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110298582A1 (en) * 2003-04-09 2011-12-08 Visible Assets, Inc. Visibility Radio Cap and Network
CN104123595A (zh) * 2014-07-22 2014-10-29 国家电网公司 一种配电网负荷预测方法及系统
CN104270050A (zh) * 2014-09-26 2015-01-07 国网天津市电力公司 一种基于wams动态数据的发电机参数辨识方法
CN104517034A (zh) * 2014-12-18 2015-04-15 广东电网有限责任公司电力科学研究院 火电机组回路通道模型辨识方法和系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108549346A (zh) * 2018-05-14 2018-09-18 山东科技大学 一种适于系统辨识的历史数据段自动查找方法
CN110119524A (zh) * 2019-02-27 2019-08-13 华北电力大学 一种能源系统多时间尺度互动优化运行方法及系统
CN110378624A (zh) * 2019-08-28 2019-10-25 山东科技大学 基于趋势提取的火电机组一次调频指标计算方法及系统
CN110378624B (zh) * 2019-08-28 2020-05-26 山东科技大学 基于趋势提取的火电机组一次调频指标计算方法及系统

Also Published As

Publication number Publication date
CN106683001B (zh) 2020-12-15

Similar Documents

Publication Publication Date Title
CN104200087B (zh) 用于机器学习的参数寻优及特征调优的方法及系统
CN105209984B (zh) 用于确定技术系统输出值的模型的方法
JP2011184121A5 (zh)
US20160116892A1 (en) Method and system of cause analysis and correction for manufacturing data
CN103683274B (zh) 区域中长期风电发电量概率预测方法
CN108074015B (zh) 一种风电功率超短期预测方法及系统
CN105981025A (zh) 基于序列递归滤波三维变分的实测海洋环境数据同化方法
CN105205570A (zh) 一种基于季节时序分析的电网售电量预测方法
CN107038292A (zh) 一种基于自适应多变量非参数核密度估计的多风电场出力相关性建模方法
CN105809264B (zh) 电力负载预测方法和装置
CN106683001A (zh) 基于历史运行数据的火电机组辨识数据的选取方法
CN104699890B (zh) 一种城网配变重过载短期预警模型的建模方法
CN103885867B (zh) 一种模拟电路性能的在线评价方法
CN103761420A (zh) 一种火电设备性能逐步回归评测方法
CN103530700B (zh) 城区配电网饱和负荷综合预测方法
CN104993966B (zh) 一种电力综合业务网流量预测方法
CN104881707A (zh) 一种基于集成模型的烧结能耗预测方法
JP5532804B2 (ja) 信頼度判断装置、信頼度判断方法、及び信頼度判断用コンピュータプログラム
CN112070272A (zh) 一种输电线路的覆冰厚度预测方法及装置
CN105956708A (zh) 基于灰关联时间序列的短期风速预测方法
CN101369322A (zh) 基于混沌理论的供热负荷区间预报法
CN110460085A (zh) 一种考虑风电和负荷特性对电力系统影响的方法
CN109816165A (zh) 风电超短期功率预测方法及系统
CN116881665A (zh) 一种基于CMOA优化的TimesNet-BiLSTM光伏出力预测方法
CN106446503A (zh) 遗忘自协方差矩阵递推主元的时变工作模态识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant