CN108363295B - 基于系统辨识的火电机组agc性能考核指标计算与预测方法 - Google Patents
基于系统辨识的火电机组agc性能考核指标计算与预测方法 Download PDFInfo
- Publication number
- CN108363295B CN108363295B CN201711446470.0A CN201711446470A CN108363295B CN 108363295 B CN108363295 B CN 108363295B CN 201711446470 A CN201711446470 A CN 201711446470A CN 108363295 B CN108363295 B CN 108363295B
- Authority
- CN
- China
- Prior art keywords
- agc
- unit
- model
- assessment index
- method based
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000004364 calculation method Methods 0.000 title claims abstract description 49
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 230000004044 response Effects 0.000 claims description 18
- 238000012546 transfer Methods 0.000 claims description 16
- 230000003068 static effect Effects 0.000 claims description 14
- 238000010248 power generation Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000010977 unit operation Methods 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了基于系统辨识的火电机组AGC性能考核指标计算与预测方法,包括:以机组实际运行数据为基础,建立输入为负荷指令和输出为实发功率的一阶延迟惯性模型,采用所建立模型中的参数计算机组AGC性能考核指标;通过建立机组不同AGC指令值与其对应的机组AGC性能考核指标K1、K2、K3之间的非线性回归模型,利用所建立的非线性回归模型实现对机组AGC考核结果进行预测分析。本发明通过建立机组AGC考核指标与机组AGC指令之间的非线性回归模型,实现了对机组AGC考核指标进行预测的功能,克服了当前无法对机组AGC性能进行预测的缺陷。
Description
技术领域
本发明涉及火电机组指标计算及预测技术领域,特别是涉及基于系统辨识的火电机组AGC性能考核指标计算与预测方法。
背景技术
自动发电控制(Automatic Generation Control,简称AGC)技术是维持电网发电与负荷实时平衡,保证电力系统稳定与安全运行的重要技术手段。自动发电控制通过自动控制程序实现对控制区内发电机组功率的重新调节分配,来应对控制区内负荷的动态变化,保持交换功率的动态平衡,实现电网稳定运行。
在当前厂网分离的电力市场环境下,可提供AGC服务的各个发电企业是独立的市场主体,不直接对电网安全稳定运行负责。因此,为保证电网安全稳定运行制定了针对涉网机组提供AGC服务的技术规范,要求参与调频调峰的涉网机组提供AGC服务时必须达到规定的技术要求,同时也制定了相应考核指标和相应的奖罚机制,通过评估确定机组AGC性能规范机组AGC服务,通过奖惩机制调动发电企业提供AGC服务的积极性。
为保障华北电力系统安全、优质、经济运行,维护电力企业的合法权益,促进电网经营企业和并网发电厂协调发展,根据《发电厂并网运行管理规定》(电监市场[2006]42号)和《并网发电厂辅助服务管理暂行办法》,华北电监局于2009年初制定了《华北区域发电厂并网运行管理实施细则》和《华北区域并网发电厂辅助服务管理实施细则》(以下简称:两个细则)。其中,《华北区域并网发电厂辅助服务管理实施细则》详细规定了机组AGC考核指标及其计算方法,明确了机组AGC考核指标主要包括调节速率K1、调节精度K2和响应时间K3,以三个参数的加权平均值作为机组AGC考核的具体结果。
当前,两个细则中所提出的机组AGC考核指标计算方法存在计算结果不准确、抗干扰能力差以及无法对机组AGC性能进行预测等问题。具体表现为:
1)现有的AGC考核指标计算方法在计算机组调节速率K1时,会导致同一系统在同等条件下对应不同幅值的输入信号其调节速率K1值不相同的问题。因此现有机组AGC考核指标中关于K1的计算方法难以正确反映机组的调节速率,会致使机组AGC考核结果出现偏差。
2)现有的AGC考核指标计算方法在计算机组调节精度K2时,只选取了机组平稳状态下的少数数据点进行计算分析,没有考虑全部实发功率线的点,导致调节精度K2计算抗随机干扰能力差。
3)现有的AGC考核指标计算方法在计算机组响应时间K3时,采用机组依据AGC指令可靠地跨出与调节方向一致的调节死区时所用的时间,该时间的选择受噪声干扰较大,判断过程受人为主观性影响较大,没有明显的参照标准,导致机组响应时间K3计算精度较差。
4)现有的AGC考核指标计算方法无法实现机组AGC性能的预测,难以为电网调度与机组AGC性能优化提供理论支撑与数据支持。
总之,现有的计算方法存在计算结果不准确、受外部干扰影响较大和受主观影响较大等缺陷,影响了机组AGC考核结果的科学合理性,阻碍了发电企业积极参与AGC考核、提高机组AGC性能的热情,在一定因素上制约了电网建设与发展。
综上所述,现有技术中对于火电机组AGC性能考核指标计算与预测不精确的问题,尚缺乏有效的解决方案。
发明内容
为了解决现有技术的不足,本发明提供了基于系统辨识的火电机组AGC性能考核指标计算与预测方法,本发明以机组负荷指令作为输入,机组实发功率作为输出建立传递函数模型,采用传递函数模型的闭环稳态时间来计算机组的调节时间K1值。故本发明计算结果准确可靠,计算高效、便捷。
基于系统辨识的火电机组AGC性能考核指标计算与预测方法,包括:
以机组实际运行数据为基础,建立输入为负荷指令和输出为实发功率的一阶延迟惯性模型,采用所建立模型中的参数计算机组AGC性能考核指标;
通过建立机组不同AGC指令值与其对应的机组AGC性能考核指标K1、K2、K3之间的非线性回归模型,利用所建立的非线性回归模型实现对机组AGC考核结果进行预测分析。
进一步的,在建立所述一阶延迟惯性模型之前,以机组在若干个AGC指令参考值条件下稳定运行时长大于设定时间的实发功率数据为基础,以相应的AGC指令参考值为系统输入,以机组实发功率为系统输出,采用系统辨识方法建立AGC指令与机组实发功率之间的确定性定常线性离散系统模型。
进一步的,所述系统辨识方法包括但不限于ARX方法、神经网络、最小二乘法及模糊辨识法。
进一步的,所述一阶延迟惯性模型由确定性定常线性离散系统模型转化而成,以在若干个AGC指令参考值条件下所建立的一阶延迟惯性模型参数分别计算机组的AGC考核指标,包括:调节速率K1、调节精度K2和响应时间K3。
进一步的,在采用ARX系统辨识方法建立AGC指令与机组实发功率之间的确定性定常线性离散系统模型时,具体方法为:
将AGC指令与机组实发功率作为输入输出建立自动发电控制系统模型,并用差分方程的形式表示;
对上述差分方程进行Z变换,在零初始条件下输出变量的Z变换对输入变量的Z变换之比则为AGC指令与机组实发功率之间的Z传递函数;
根据位移算子与运算子之间的关系将Z传递函数转换为确定性定常线性系统离散时间模型。
进一步的,考虑到机组运行过程中会受到不同的随机干扰,因此确定性定常线性系统离散时间模型还应具有随机噪声干扰项,该模型可转换为随机性定常线性系统离散时间模型。
进一步的,将通过ARX系统辨识方法建模得到的定常线性系统离散时间模型转换为一阶延迟惯性模型,然后再由该连续模型中的参数计算机组考核指标,一阶延迟惯性模型具体为:
进一步的,所述调节速率K1是衡量机组从一个工作点变化到另一个工作点所需要的时间长短,一阶延迟惯性模型输入和输出分别是负荷指令和实发功率,因此其闭环稳态时间可以表征实发功率对负荷指令的调节速率,即:
K1=4TP1
TP1为闭环稳态时间。
进一步的,所述一阶延迟惯性模型其静态增益可以表明AGC在调节过程中实发功率对负荷指令的跟随精度,且静态增益计算简单可靠,因此采用静态增益来衡量调节精度。即:
K2=Kp
其中,Kp为静态增益。
进一步的,一阶延迟惯性模型其延迟时间可以表明实发功率对负荷指令的响应快慢,连续系统的延迟时间指响应曲线第一次达到其终值一半所需的时间,因此采用延迟时间参数作为响应时间考核指标,即:
K3=Td
其中,Td为延迟时间参数。
进一步的,应用中所获得的考核指标和其对应的负荷指令进行多项式曲线拟合,得到拟合公式中的系数,只要给定AGC指令值,便可通过拟合公式获得机组相应的AGC考核指标,实现对机组AGC性能的预测。
进一步的,对机组AGC性能的预测时,也可使用插值的方法。
本方法以机组AGC指令、实发功率等日常运行数据建立ARX模型,通过将所建立ARX模型变换为一阶惯性纯滞后连续模,采用所得到的连续系统模型计算机组AGC性能指标K1、K2和K3,具有计算便捷高效、计算结果客观准确、抗干扰能力强等优点。同时,本方法通过建立机组AGC指令与其对应的K1、K2、K3值之间的非线性回归模型,实现了对机组AGC考核指标进行预测的目的,从而可以为电网和发电厂实行控制策略调整和调度指令优化提供参考。
与现有技术相比,本发明的有益效果是:
1)本发明以机组负荷指令作为输入,机组实发功率作为输出建立传递函数模型,采用传递函数模型的闭环稳态时间来计算机组的调节时间K1值。故本发明计算结果准确可靠,计算高效、便捷。
2)本发明以机组AGC指令作为输入、机组实发功率作为输出建立传递函数模型,以所建立的传递函数模型静态增益衡量机组的调节精度K2值。具有计算简单可靠,抗干扰能力强等优点。
3)本发明采用机组AGC指令作为输入,实发功率作为输出建立传递函数模型,以所建立模型的延迟时间衡量实发功率对负荷指令的响应时间K3值,具有计算过程简单、计算结果可靠和抗干扰能力强等优点。
4)本发明通过建立机组AGC考核指标与机组AGC指令之间的非线性回归模型,实现了对机组AGC考核指标进行预测的功能,克服了当前无法对机组AGC性能进行预测的缺陷。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为基于系统辨识技术的火电机组AGC性能考核指标计算与预测方法流程图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
正如背景技术所介绍的,现有技术中存在火电机组AGC性能考核指标计算与预测不精确的问题,为了解决如上的技术问题,本申请提出了基于系统辨识的火电机组AGC性能考核指标计算与预测方法。
本申请的一种典型的实施方式中,如图1所示,提供了基于系统辨识的火电机组AGC性能考核指标计算与预测方法,本发明是在充分考虑两个细则中所述机组AGC考核指标的基础上,提出的新的机组AGC考核指标计算方法。该基于系统辨识的火电机组AGC性能考核指标计算与预测方法包括:
步骤1:机组运行数据选取,尤其包括机组的负荷指令和为选取机组运行数据而指定的15个相异负荷指令参考值;
步骤2:ARX建模,由机组运行数据建立机组离散模型;
步骤3:离散模型连续化,将步骤2所建立的离散系统模型转为一阶惯性延迟连续模型;
步骤4:AGC指标计算,通过所建立的一阶惯性延迟连续模型参数确定机组的AGC考核指标;
步骤5:AGC指标与指定的15个相异负荷指令参考值进行回归建模,建立机组AGC考核结果和负荷指令的非线性回归模型,通过所建立的非线性回归模型实现对机组AGC考核指标进行预测分析的功能。
其中,步骤1中,在机组实发功率输出与最小实发功率输出之间,等间隔地选取15个机组AGC指令值,然后以该15个AGC指令值为参考,在实际AGC指令满足一定偏差要求的情况下,选取机组分别在该15个AGC指令值对应情况下稳定运行时长大于10分钟的实发功率数据。
步骤2中,针对15个AGC指令参考值和所选取的15组实发功率数据,以各个具体AGC指令参考值为系统输入信号,以其对应的机组实发功率为系统输出信号,通过ARX系统辨识方法建立机组离散模型,
步骤3中,关于输入与输出信号的一阶惯性延迟系统模型,共建立15个一阶惯性延迟系统模型。
步骤4中,使用所建立模型中的参数计算机组AGC考核指标K1、K2与K3,共得到15组K1、K2与K3。
步骤5中,通过将机组不同负荷指令条件下AGC考核指标K1、K2与K3与其对应的负荷指令进行非线性回归建模,确定机组在不同负荷条件下的AGC考核指标与负荷指令之间的回归关系。
上述方法中所涉及的ARX系统建模方案:
将AGC指令作为输入且将机组实发功率作为输出,建议发电机组AGC指令响应模型,用差分方程的形式表示为:
y(k)+a1y(k-1)+…+any(k-n)=b1u(k-1)+…+bnu(k-n) (1)
上式中,y(k),k=1,2,3,…,表示AGC指令取值,u(k),k=1,2,3,…表示机组实发功率取值。ai,bi,i=1,2,…,n为待估计参数。对上式进行Z变换,在零初始条件下输出变量的Z变换对输入变量的Z变换之比则为该系统的Z传递函数:
在式(2)中,z为移位算子,位移算子z与运算子s的关系如下式:
z=eTs或z-1=e-Ts (3)
(3)式中,T为采样周期。移位算子的运算有如下的关系:
z-1y(k)=y(k-1) (4)
利用(4)式,可将(2)式的z的传递函转换为如下(5)式所示的差分方程的形式。
A(z-1)y(k)=z-dB(z-1)u(k) (5)
其中,na、nb和d是这类模型的结构参数,na、nb是A(z-1)和B(z-1)的阶次,d是纯滞后步数,纯滞后时间即为dT。
考虑到机组运行过程中会受到不同的随机干扰,因此上述的模型还应具有随机噪声干扰项,因此(5)式所示的模型可以进一步的写成随机性模型:
A(z-1)y(k)=z-dB(z-1)u(k)+D(z-1)e(k) (7)
D(z-1)=1+d1z-1+d2z-2+…+dndz-nd (8)
式(5)表达的是确定性定常线性系统离散时间模型,而式(7)表达的是随机性定常线性系统离散时间模型。鉴于机组运行中受到随机干扰较多,因此,本发明中采用式(7)来建立AGC指令作为输入、实发功率作为输出的自动发电控制系统离散模型。
另外,关于新的AGC机组性能指标计算方案:
由于火电机组为具有大惯性、大延迟特性的热工对象,因此将通过ARX建模得到的离散系统模型(7)转换为一阶惯性纯滞后连续模型,如下面(9)式所示。然后再由该连续模型中的参数计算机组考核指标。
上式中,Kp是系统静态增益,Td为系统延迟时间常数,Tp1为系统闭环稳态时间。
调节速率的计算:调节速率K1是衡量机组从一个工作点变化到另一个工作点所需要的时间长短,(9)式中传函的输入和输出分别是负荷指令和实发功率,因此其闭环稳态时间可以合理的表征实发功率对负荷指令的调节速率,即:
K1=4TP1 (10)
调节精度的计算:连续系统静态增益是在传递函数中复变量s为0时计算所得,表明输出对输入的放大系数。(9)式中传函的输入和输出分别是负荷指令和实发功率,因此,其静态增益可以表明AGC在调节过程中实发功率对负荷指令的跟随精度,且静态增益计算简单可靠,因此采用静态增益来衡量调节精度。即:
K2=Kp (11)
响应时间的计算:连续系统的延迟时间指响应曲线第一次达到其终值一半所需的时间。(9)式中传函的输入和输出分别是负荷指令和实发功率,因此,其延迟时间可以表明实发功率对负荷指令的响应快慢,因此采用延迟时间参数作为响应时间考核指标,即:
K3=Td (12)
AGC机组考核指标预测方案:以机组在15个AGC指令参考值条件下稳定运行时长大于10分钟的数据为基础,以机组AGC指令为输入,以机组实发功率为输出,通过ARX系统辨识方法建立系统离散模型,之后转换为连续系统模型,通过连续系统模型得到对应的15组考核指标。应用中所获得的15组考核指标和其对应的负荷指令进行3阶多项式曲线拟合,拟合公式如下:
y(x)=p1x3+p2x2+p3x+p4 (13)
上式中的y(x)为机组考核指标,y(x)可为K1、K2或K3,x为机组的AGC指令。在得到以上公式中的系数p1,p2,p3与p4之后,只要给定AGC指令值,便可以通过(13)式获得机组相应的AGC考核指标,实现对机组AGC性能的预测。在实现机组AGC性能预测后,电网运行部分以及机组管理人员都可以根据所预测的考核指标,进行相应的调度指令优化和控制策略优化等工作,以实现电网安全稳定运行和机组经济效益最大化。
本发明主要解决了两个方面的问题,第一方面,通过提出一种新的机组AGC性能指标计算方法,较好地解决了机组AGC考核指标计算结果不准确、抗干扰能力差等问题。该方法以机组实际运行数据为基础,建立输入为负荷指令和输出为实发功率的一阶延迟惯性模型,采用所建立模型中的参数计算机组AGC性能考核指标;第二方面,通过建立机组不同AGC指令值与其对应的K1、K2、K3之间的非线性回归模型,利用所建立的非线性回归模型实现对机组AGC考核结果进行预测分析,直接解决了目前无法对机组考核指标进行预测的问题,为提高并网机组的发电质量和电网安全稳定运行提供有效技术支撑。
本发明的又一实施例子中,在使用系统辨识方法建立系统模型时,除了使用本发明中使用的ARX方法之外,还可以使用其他系统辨识方法,比如神经网络、最小二乘法、模糊辨识等。
本发明的再一实施例子中,在进行负荷指令和考核指标的曲线拟合时,可以采用其他形式的曲线拟合方式,而非必须采用3阶多项式。或者也可以使用插值的方法对考核指标进行预测。例如,得到了2个负荷指令对应的AGC考核指标K1,则该2个负荷指令之间的任意负荷指令值对应的K1值,可以通过1阶线性插值来预测。
本发明的另一实施例子中,在进行机组运行数据选取时,应选取至少15个相异负荷指令参考值条件下机组稳定运行时长大于10分钟的数据,也可以选择更多负荷指令条件下机组稳定运行时长大于10分钟的数据。
本发明的又一实施例子中,在进行系统模型建立时,可以加入其他信号,比如主汽压力等作为干扰信号。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.基于系统辨识的火电机组AGC性能考核指标计算与预测方法,其特征是,包括:
以机组实际运行数据为基础,建立输入为负荷指令和输出为实发功率的一阶延迟惯性模型,采用所建立模型中的参数计算机组AGC性能考核指标;
通过建立机组不同AGC指令值与其对应的机组AGC性能考核指标K1、K2、K3之间的非线性回归模型,利用所建立的非线性回归模型实现对机组AGC考核结果进行预测分析。
2.如权利要求1所述的基于系统辨识的火电机组AGC性能考核指标计算与预测方法,其特征是,在建立所述一阶延迟惯性模型之前,以机组在若干个AGC指令参考值条件下稳定运行时长大于设定时间的实发功率数据为基础,以相应的AGC指令参考值为系统输入,以机组实发功率为系统输出,采用系统辨识方法建立AGC指令与机组实发功率之间的确定性定常线性离散系统模型。
3.如权利要求2所述的基于系统辨识的火电机组AGC性能考核指标计算与预测方法,其特征是,所述系统辨识方法包括但不限于ARX方法、神经网络、最小二乘法及模糊辨识法。
4.如权利要求2所述的基于系统辨识的火电机组AGC性能考核指标计算与预测方法,其特征是,所述一阶延迟惯性模型由确定性定常线性离散系统模型转化而成,以在若干个AGC指令参考值条件下所建立的一阶延迟惯性模型参数分别计算机组的AGC考核指标,包括:调节速率K1、调节精度K2和响应时间K3。
5.如权利要求3所述的基于系统辨识的火电机组AGC性能考核指标计算与预测方法,其特征是,在采用ARX系统辨识方法建立AGC指令与机组实发功率之间的确定性定常线性离散系统模型时,具体方法为:
将AGC指令作为输入,实发功率作为输出,建立自动发电控制系统模型,用差分方程的形式来表示;
对上述差分方程进行Z变换,在零初始条件下输出变量的Z变换对输入变量的Z变换之比则为自动发电控制回路的Z传递函数;
根据位移算子与运算子之间的关系将Z传递函数转换为确定性定常线性系统离散时间模型。
6.如权利要求5所述的基于系统辨识的火电机组AGC性能考核指标计算与预测方法,其特征是,考虑到机组运行过程中会受到不同的随机干扰,因此确定性定常线性系统离散时间模型还应具有随机噪声干扰项,该模型可转换为随机性定常线性系统离散时间模型。
7.如权利要求4所述的基于系统辨识的火电机组AGC性能考核指标计算与预测方法,其特征是,所述调节速率K1是衡量机组从一个工作点变化到另一个工作点所需要的时间长短,一阶延迟惯性模型输入和输出分别是负荷指令和实发功率,因此其闭环稳态时间可以表征实发功率对负荷指令的调节速率,即:
K1=4TP1
TP1为闭环稳态时间。
8.如权利要求4所述的基于系统辨识的火电机组AGC性能考核指标计算与预测方法,其特征是,所述一阶延迟惯性模型其静态增益可以表明AGC在调节过程中实发功率对负荷指令的跟随精度,且静态增益计算简单可靠,因此采用静态增益来衡量调节精度,即:
K2=Kp
其中,Kp为静态增益。
9.如权利要求4所述的基于系统辨识的火电机组AGC性能考核指标计算与预测方法,其特征是,一阶延迟惯性模型其延迟时间可以表明实发功率对负荷指令的响应快慢,连续系统的延迟时间指响应曲线第一次达到其终值一半所需的时间,因此采用延迟时间参数作为响应时间考核指标,即:
K3=Td
其中,Td为延迟时间参数。
10.如权利要求4所述的基于系统辨识的火电机组AGC性能考核指标计算与预测方法,其特征是,应用中所获得的考核指标和其对应的负荷指令进行多项式曲线拟合,得到拟合公式中的系数,只要给定AGC指令值,便可通过拟合公式获得机组相应的AGC考核指标,实现对机组AGC性能的预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711446470.0A CN108363295B (zh) | 2017-12-27 | 2017-12-27 | 基于系统辨识的火电机组agc性能考核指标计算与预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711446470.0A CN108363295B (zh) | 2017-12-27 | 2017-12-27 | 基于系统辨识的火电机组agc性能考核指标计算与预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108363295A CN108363295A (zh) | 2018-08-03 |
CN108363295B true CN108363295B (zh) | 2020-11-13 |
Family
ID=63010424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711446470.0A Active CN108363295B (zh) | 2017-12-27 | 2017-12-27 | 基于系统辨识的火电机组agc性能考核指标计算与预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108363295B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109116734B (zh) * | 2018-08-23 | 2021-08-13 | 广东电网有限责任公司 | 一种无模型预测方法及装置 |
CN108983617B (zh) * | 2018-08-23 | 2021-01-22 | 广东电网有限责任公司 | 一种高准确度预测方法及装置 |
CN109768575B (zh) * | 2019-02-18 | 2019-08-27 | 山东科技大学 | 一种火电机组自动发电控制性能参数确定方法、系统及应用 |
CN110426953B (zh) * | 2019-07-18 | 2022-06-10 | 国网山东省电力公司电力科学研究院 | 基于火电机组发电模型的agc性能评价方法 |
CN112070629B (zh) * | 2020-09-10 | 2022-06-14 | 中国船舶重工集团海装风电股份有限公司 | 风电场能量管理系统的性能评估方法 |
CN115765004B (zh) * | 2022-11-21 | 2023-08-15 | 华北电力大学 | 一种飞轮-火电系统的agc实时调度方法、系统及设备 |
CN116436160B (zh) * | 2023-03-29 | 2023-12-22 | 华能威海发电有限责任公司 | Agc性能指标在线监控系统及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101788788A (zh) * | 2010-01-05 | 2010-07-28 | 华北电力大学 | 基于电网状态识别的多目标机组组合智能优化系统 |
CN102497147A (zh) * | 2011-11-25 | 2012-06-13 | 辽宁省电力有限公司 | 面向控制性能评价标准的自动发电控制的控制方法及控制系统 |
CN104104387A (zh) * | 2014-07-30 | 2014-10-15 | 电子科技大学 | 一种提高模数转换器动态范围的装置和方法 |
WO2015036049A1 (en) * | 2013-09-16 | 2015-03-19 | Telefonaktiebolaget L M Ericsson (Publ) | Method and network node for handling agc and tpc scaling |
WO2016040774A1 (en) * | 2014-09-11 | 2016-03-17 | Sheble Gerald B | Resource control by probability tree convolution production cost valuation by iterative equivalent demand duration curve expansion (aka. tree convolution) |
CN106019939A (zh) * | 2016-06-20 | 2016-10-12 | 东南大学 | 基于非线性智能预测控制技术的超临界机组再热汽温优化控制系统 |
CN106089328A (zh) * | 2016-08-10 | 2016-11-09 | 西安热工研究院有限公司 | 基于dcs数据挖掘的汽轮机调门流量特性曲线辨识方法 |
CN106505635A (zh) * | 2016-09-20 | 2017-03-15 | 北京恒泰实达科技股份有限公司 | 弃风最小的有功调度模型及调度系统 |
CN107423879A (zh) * | 2017-06-07 | 2017-12-01 | 国网辽宁省电力有限公司 | 一种可控负荷参与自动发电控制的方法 |
-
2017
- 2017-12-27 CN CN201711446470.0A patent/CN108363295B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101788788A (zh) * | 2010-01-05 | 2010-07-28 | 华北电力大学 | 基于电网状态识别的多目标机组组合智能优化系统 |
CN102497147A (zh) * | 2011-11-25 | 2012-06-13 | 辽宁省电力有限公司 | 面向控制性能评价标准的自动发电控制的控制方法及控制系统 |
WO2015036049A1 (en) * | 2013-09-16 | 2015-03-19 | Telefonaktiebolaget L M Ericsson (Publ) | Method and network node for handling agc and tpc scaling |
CN104104387A (zh) * | 2014-07-30 | 2014-10-15 | 电子科技大学 | 一种提高模数转换器动态范围的装置和方法 |
WO2016040774A1 (en) * | 2014-09-11 | 2016-03-17 | Sheble Gerald B | Resource control by probability tree convolution production cost valuation by iterative equivalent demand duration curve expansion (aka. tree convolution) |
CN106019939A (zh) * | 2016-06-20 | 2016-10-12 | 东南大学 | 基于非线性智能预测控制技术的超临界机组再热汽温优化控制系统 |
CN106089328A (zh) * | 2016-08-10 | 2016-11-09 | 西安热工研究院有限公司 | 基于dcs数据挖掘的汽轮机调门流量特性曲线辨识方法 |
CN106505635A (zh) * | 2016-09-20 | 2017-03-15 | 北京恒泰实达科技股份有限公司 | 弃风最小的有功调度模型及调度系统 |
CN107423879A (zh) * | 2017-06-07 | 2017-12-01 | 国网辽宁省电力有限公司 | 一种可控负荷参与自动发电控制的方法 |
Non-Patent Citations (2)
Title |
---|
The performance of combined feedforward AGC and phase-locked AFC in a single sideband mobile radio receiver;J.P.H. Sladen,等;《IEE PROCEEDINGS》;19840831;第131卷(第5期);第437-441页 * |
基于数据挖掘的煤电机组能效特征指标及其基准值的研究;徐婧,等;《中国电机工程学报》;20170405(第7期);第2009-2015页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108363295A (zh) | 2018-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108363295B (zh) | 基于系统辨识的火电机组agc性能考核指标计算与预测方法 | |
CN107168101B (zh) | 考虑调频及稳定约束的机组调速系统控制参数整定方法 | |
CN109638879A (zh) | 基于性能指标评估的一次调频动态补偿调整系统及方法 | |
CN103268082B (zh) | 一种基于灰色线性回归的热误差建模方法 | |
CN109212974A (zh) | 区间时变时滞系统的鲁棒模糊预测容错控制方法 | |
CN102444784B (zh) | 基于动态矩阵控制的钢铁企业蒸汽管网压力控制系统 | |
CN108121215B (zh) | 基于全回路重构仿真的工业控制回路性能评价方法及装置 | |
CN101957598A (zh) | 一种大时滞系统的灰色无模型控制方法 | |
CN105138739B (zh) | 一种计及死区效应的电力系统最低频率快速计算方法 | |
CN104037761B (zh) | 一种agc功率多目标随机优化分配方法 | |
CN101709867B (zh) | 燃煤锅炉汽包水位系统混合控制方法 | |
CN104270055A (zh) | 一种交流伺服系统位置环ip控制器的参数自校正方法 | |
CN108879731A (zh) | 一种一次调频性能指标评价方法 | |
CN101709863B (zh) | 燃煤锅炉炉膛压力系统混合控制方法 | |
CN103985000A (zh) | 基于函数型非参数回归的中长期典型日负荷曲线预测方法 | |
CN106383443B (zh) | 抗干扰控制方法及系统 | |
CN106300338A (zh) | 基于轨迹灵敏度的受端电网动态频率安全量化评估方法 | |
Gao et al. | Design of PID controller for greenhouse temperature based on Kalman | |
CN109032117A (zh) | 基于arma模型的单回路控制系统性能评价方法 | |
Menarin et al. | Dynamic modeling of Kaplan turbines including flow rate and efficiency static characteristics | |
CN109523077B (zh) | 一种风电功率预测方法 | |
CN106200379A (zh) | 一种非自衡对象的分布式动态矩阵控制方法 | |
CN109193791B (zh) | 一种基于改进shapley值的风电汇聚趋势性分状态量化方法 | |
CN106684930A (zh) | 一种考虑功率预测置信区间的风电有功功率控制方法 | |
CN110631003B (zh) | 一种基于层级调度多模型预测控制的再热汽温调节方法 |
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 |