CN109818377B - 一种基于振幅变化的自动发电控制性能评估方法及系统 - Google Patents

Abstract

本发明公开了一种基于振幅变化的自动发电控制性能评估方法及系统，包括：获得实发功率和期望有功功率中的每个时间序列，将时间序列分成K个数据段；分别计算实发功率和期望有功功率的振幅变化；判断两者之差的绝对值是否小于或等于实发功率和期望有功功率发生显著振幅变化的阈值；如果是，则AGC性能理想；否则，AGC性能不理想，根据振幅变化以及阈值将振幅变化分为若干种异常情况。本发明有益效果：通过计算显著振幅变化的阈值，减少对性能不佳情况的误检次数；将振幅变化分为6种异常情况，为处理异常情况提供了附加信息。

Description

一种基于振幅变化的自动发电控制性能评估方法及系统

技术领域

本发明属于自动发电控制技术性能评估技术领域，尤其涉及一种基于振幅变化的自动发电控制性能评估方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

在现今发电技术日益成熟的情况下，发电机组为电网提供一些辅助服务，以抑制电网频率波动。自动发电控制(AGC)是其中一项重要的辅助服务，自动发电控制的作用是使发电机组的实发功率紧密跟随电网控制中心期望有功功率的变化。

评估发电单元AGC性能的传统方法是将跟踪误差看作实发功率和期望有功功率之间的差异。但是在跟踪误差很大的情况下，传统方法在噪声以及实发功率和期望有功功率之间固有延迟的影响下，往往出现错误的评估结果。发电厂工程师通常比较实发功率和期望有功功率的振幅变化，如果某一段时间的变化具有可比性，那么可以认为这一段时间的AGC性能较好。发明人发现，目前以自动方式评估AGC性能需要解决以下两个问题：

第一，计算实发功率和期望有功功率的振幅变化需要选取适当的数据样本；

第二，需要判断发电有功功率和期望有功功率的振幅变化是否偏差过大。

发明内容

为了解决上述问题，本发明提出了一种基于振幅变化的自动发电控制性能评估方法，基于实发功率和期望有功功率的振幅变化来评估AGC性能，该方法补充了跟踪误差的传统方法：首先，将实发功率和期望有功功率的时间序列分割成短段，使用这些短段表示振幅变化的趋势；其次，通过计算显著振幅变化的阈值，减少对性能不佳情况的误检次数，将振幅变化分为多种异常情况，为处理异常情况提供了附加信息。

为了实现上述目的，本发明采用如下技术方案：

在一个或多个实施方式中公开的一种基于振幅变化的自动发电控制性能评估方法，包括：

获得实发功率和期望有功功率中的每个时间序列，分别分成K个数据段；

分别计算实发功率和期望有功功率的振幅变化A_y,k和A_r,k；判断两者之差的绝对值是否小于或等于显著振幅变化的阈值A₀；

如果是，则AGC性能理想；否则，AGC性能不理想，根据振幅变化以及阈值A₀将振幅变化分为若干种异常情况。

进一步地，通过分段线性表示方法获得实发功率和期望有功功率中的每个时间序列。

进一步地，将实发功率中的时间序列和期望有功功率中的时间序列分别分成K个数据段，包括和 其中n_k中的k∈[1,K]，n_k是第k段数据样本的采样索引。

进一步地，由线性回归模型估计得出第k个数据段的线性估计；

根据第k个数据段与其线性估计的差值构造损失函数求取K的值；

根据第k个数据段的线性估计计算实发功率的振幅变化A_y,k。

进一步地，根据其线性估计计算实发功率的振幅变化A_y,k，具体为：

其中，并且

进一步地，将期望有功功率中的时间序列分成K个数据段，根据第k个数据段及其线性估计，得出期望有功功率的振幅变化为

其中，分别表示期望有功功率相邻两个数据段的线性估计。

进一步地，采用R²统计方法确定实发功率和期望有功功率发生显著振幅变化的阈值A₀。

进一步地，如果AGC性能不理想，引入报警变量a_A,k表示性能状态：

性能指标η_A表示a_A,k的样本均值，即

若a_A,k＝1，则A_y,k和A_r,k的振幅变化分为如下6种异常情况：

在一个或多个实施方式中公开的一种基于振幅变化的自动发电控制性能评估系统，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的任一种基于振幅变化的自动发电控制性能评估方法。

在一个或多个实施方式中公开的一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行上述的任一种基于振幅变化的自动发电控制性能评估方法。

与现有技术相比，本发明的有益效果是：

获得理想的数据样本分段数，用于计算实发功率和期望有功功率的振幅变化趋势；

通过计算显著振幅变化的阈值，减少对性能不佳情况的误检次数；

将振幅变化分为6种异常情况，为处理异常情况提供了附加信息。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为本发明实施例一中提出方法的步骤流程图；

图2为本发明实施例一中提出方法中A_r,k,A_y,k散点图；

图3(a)-(d)为本发明实施例一中具体实施示例中的参数关系图；

图4为本发明实施例一中A_r,k,A_y,k散点图；

图5(a)-(f)为本发明实施例一中异常情况S1典型示例；

图6(a)-(f)为本发明实施例一中异常情况S2典型示例；

图7(a)-(f)为本发明实施例一中异常情况S3典型示例。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本发明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发明的示例性实施方式。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。

实施例一

在一个或多个实施方式中公开的一种基于振幅变化的自动发电控制性能评估方法，如图1所示，包括以下步骤：

步骤1：通过分段线性表示方法(PLR)获得实发功率y(n)和期望有功功率r(n)中的每个时间序列

分别将时间序列和分成K个数据段，包括 和其中m_k中的k∈[1,K]，n_k是第k段数据样本的采样索引。

以实发功率y(n)为例描述通过PLR方法获得时间序列的步骤，类似地可获得期望有功功率r(n)的时间序列。

第k个数据段由线性回归模型估计得出，y(n)＝a_y,k+b_y,kn+v(n)，其中，a_y,k表示y(n)的截距、b_y,k表示y(n)的斜率，n表示数据样本的采样索引，v(n)是具有零均值和方差的白噪声。

和分别是a_y,k和b_y,k的估计，解析表达式为：

其中，可得到第k个数据段的线性估计

由损失函数L(K)得出K的值，

计算K的估计值 其中，N为的数据长度，N_min为数据样本的最小值，表示向下取整，和

表示组成L形曲线的两条直线段，α₁,β₁和α₂,β₂分别表示对应直线段的截距和斜率，K₀表示上述两个直线段相交拐点的序列数。

步骤2：比较期望有功功率线性估计和实发功率线性估计的振幅变化A_r,k和A_y,k。

根据第k个数据段及其线性估计及由步骤1的方法得出，的振幅变化为

同理，的振幅变化为：

其中，

并且，

理想的AGC性能要求和的振幅变化是一致的，即|A_y,k|＝|A_r,k|。由于噪声等因素的影响，|A_y,k-A_r,k|≤A₀，其中A₀为和发生显著振幅变化的阈值。

A₀计算使用R²统计方法，

其中，是y(n)的样本均值。

通过引入和可以得出下式：

为了简化符号,定义N_k＝n_k+1-n_k。

上式中最后一项可以改写为：

又因为渐近收敛于常数所以由上式得出 是的估计，在实际应用中默认值一般选择0.8。

步骤3：如果不等式|A_y,k-A_r,k|≤A₀不成立，则认为AGC性能不理想。

引入报警变量a_A,k表示性能状态，

性能指标η_A表示a_A,k的样本均值，即

若a_A,k＝1，则A_y,k和A_r,k的振幅变化分为6种异常情况，

这些异常情况是由不同的原因引起的，可以根据异常情况的分类，采取相应的纠正措施。

以下是本发明所述方法在具体示例中的应用。

以某大型300MW燃煤发电机组为例，在采样周期h＝1s的情况下，采集了机组中实发功率(y)、期望有功功率(r)、控制器输出(u)、扰动变量(d)的数据样本。

第一，确定显著振幅变化的阈值A₀。从2018年5月1日的10小时数据样本中，得到y的分段数为33个。使用线性回归模型拟合每一个分段。

图3(a)表示的时间序列图以及一小时的数据样本。

图3(c)表示损失函数L(K)，其中通过计算得出的分段数K＝3。

使用计算v(n)的方差，可得

图3(b)为与A_y,k的散点图以及与A_y,k的关系曲线图。

图3(d)表示2018年5月2日-31日30天的数据样本，可看出与图3(b)的散点图一致。使用和可得出显著振幅变化的阈值A₀＝2.9675兆瓦。

第二，对2018年5月2日-31日的30天的数据样本进行重复采样。计算得出振幅变化A_r,k和A_y，k，共有2601组(A_r，k，A_y，k)，其中检测到56组性能不佳，位于S1，S2，…，S6区域，如图4所示。可得出性能指标η＝0.0215。

第三，对56组(A_r，k，A_y，k)进行研究，分析异常情况。由于S1、S2和S3与S4、S5和S6对称，以下给出了S1、S2和S3的三个典型示例。

S1的典型示例如图5所示，图5(a)、(c)、(e)分别给出了r、y、u、d的时间序列图。y和r的分段如图5(b)和(d)所示，其中垂直点划线为分隔段，括号内为分段的序号和数据长度。图5(b)表示在第四段中r和y增加，但是A_y，k＝6.2734大于A_r，k+A₀＝4.5143。可知第四段与图5(f)中A_r，k和A_y，k散点图所示的异常场景S1相关，由于图5(c)中的u在正确的递减方向，所以图5(e)中d的快速递增是导致异常的原因。

S2的典型示例如图6(a)-(f)所示。在第二个数据分段中，r的振幅变化A_r，k＝-2.4318，但y的振幅变化A_y，k＝2.3047。因此，第二个数据分段与图6(f)所示的S2相关联。由于图6(c)中的u在正确的递减方向，而图6(e)中的d在增大，因此异常原因与S1的典型示例类似。

S3的典型示例如图7(a)-(f)所示。在第一个数据分段中，r的振幅变化A_r，k＝-10.1803，y的振幅变化A_y，k＝-4.1788。图7(f)表示S3的异常原因与S1和S2的示例不同。在图7(c)中，虽然y大于r，但u的递增方向是错误的，因此控制器C可能在异常发生时参数不正确。在图7(e)中，d不断下降，表示燃煤系统没有提供足够的能量。

实施例二

在一个或多个实施方式中公开了一种基于振幅变化的自动发电控制性能评估系统，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中所述的基于振幅变化的自动发电控制性能评估方法。

实施例三

在一个或多个实施方式中公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行实施例一中所述的基于振幅变化的自动发电控制性能评估方法。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (4)

1.一种基于振幅变化的自动发电控制性能评估方法，其特征在于，包括：

获得实发功率和期望有功功率中的每个时间序列，分别分成K个数据段；

分别计算实发功率和期望有功功率的振幅变化A_y，k和A_r，k；判断两者之差的绝对值是否小于或等于显著振幅变化的阈值A₀；

如果是，则AGC性能理想；否则，AGC性能不理想，根据振幅变化以及阈值A₀将振幅变化分为若干种异常情况；

通过分段线性表示方法获得实发功率和期望有功功率中的每个时间序列；将实发功率中的时间序列和期望有功功率中的时间序列分别分成K个数据段，包括和其中n_k中的k∈[1，K]，n_k是第k段数据样本的采样索引；

由线性回归模型估计得出第k个数据段的线性估计；

根据第k个数据段与其线性估计的差值构造损失函数求取K的值；

根据第k个数据段的线性估计计算实发功率的振幅变化A_y，k；

y(n)＝a_y，k+b_y，kn+v(n)，其中，a_y，k表示y(n)的截距、b_y，k表示y(n)的斜率，n表示数据样本的采样索引，v(n)是具有零均值和方差的白噪声；

和分别是a_y，k和b_y，k的估计，解析表达式为：

其中，可得到第k个数据段的线性估计

由损失函数L(K)得出K的值，

计算K的估计值 其中，N为的数据长度，N_min为数据样本的最小值，表示向下取整，和表示组成L形曲线的两条直线段，α₁，β₁和α₂，β₂分别表示对应直线段的截距和斜率，K₀表示上述两个直线段相交拐点的序列数；

根据线性估计计算实发功率的振幅变化A_y，k，具体为：

其中，并且，

将期望有功功率中的时间序列分成K个数据段，根据第k个数据段及其线性估计，得出期望有功功率的振幅变化为

其中，分别表示期望有功功率相邻两个数据段的线性估计；

如果AGC性能不理想，引入报警变量a_A，k表示性能状态：

性能指标η_A表示a_A，k的样本均值，即

若a_A，k＝1，则A_y，k和A_r，k的振幅变化分为如下6种异常情况：

2.如权利要求1所述的一种基于振幅变化的自动发电控制性能评估方法，其特征在于，采用R²统计方法确定实发功率和期望有功功率发生显著振幅变化的阈值A₀。

3.一种基于振幅变化的自动发电控制性能评估系统，其特征在于，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1-2任一项所述的基于振幅变化的自动发电控制性能评估方法。

4.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时执行权利要求1-2任一项所述的基于振幅变化的自动发电控制性能评估方法。