CN110212592A - 基于分段线性表达的火电机组负荷调节最大速率估计方法及系统 - Google Patents
基于分段线性表达的火电机组负荷调节最大速率估计方法及系统 Download PDFInfo
- Publication number
- CN110212592A CN110212592A CN201910469283.7A CN201910469283A CN110212592A CN 110212592 A CN110212592 A CN 110212592A CN 201910469283 A CN201910469283 A CN 201910469283A CN 110212592 A CN110212592 A CN 110212592A
- Authority
- CN
- China
- Prior art keywords
- sample point
- power generating
- generating unit
- fired power
- point set
- 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
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于分段线性表达的火电机组负荷调节最大速率估计方法及系统,以火力发电机组实发功率历史运行数据为基础,可有效估计出火力发电机组的最大负荷调节速率。首先,获取大量火电机组实发功率历史数据,并进行分段线性表达,得到多个子数据段,计算各个子数据段的幅值变化量和对应的持续时间,形成初始点集;计算初始点集内剩余所有点的局部密度,选择局部密度大于局部密度阈值的点作为样本点,得到待选样本点集;根据待选样本点集中样本点的幅值变化方向,查找幅值变量与持续时间之比最大的样本点,确定目标样本点集;建立目标样本点集中样本点的线性回归方程,并计算其回归直线斜率,根据回归直线斜率估计最大调节速率。
Description
技术领域
本公开涉及火力发电过程技术领域,特别是涉及一种基于分段线性表达的火电机组负荷调节最大速率估计方法及系统。
背景技术
随着我国国民经济的快速发展,社会生产生活用电量逐年增加,为了满足社会发展过程中的电力需求,改善我国电能供给结构,风力发电、光伏发电等新能源发电得到了大力发展。截止2018年底,我国的风力发电装机容量已达1.84亿千瓦,光伏发电装机容量已达1.74亿千瓦,其发电量占全国发电总量的比例逐年递增。当前,在新能源发电大规模并网的同时,其自身的间歇性、波动性等不确定性因素也为电网的稳定运行代来巨大冲击。
为了应对新能源发电带来的不确定性冲击,火力发电机组的自动发电控制性能受到了高度重视,其根本出发点是利用火电机组的自动发电控制功能来调节机组实发功率输出,以弥补新能源波动所造成的电网负荷偏差,保持电网功率平衡。常用的火电机组自动发电控制性能评价指标包括:响应时间、调节速率和调节精度,其中调节速率直接决定火电机组负荷调节能力,尤其是最快调节速率对电网在有限时间内恢复负荷偏差至关重要。机组最快负荷调节速率由于受到机组运行特性的影响,其不等于机组调节速率限速值以及实验测试值。因此,研究一种确定机组最快负荷调节速率的方法具有重要的现实意义。
发明人在研究中发现,目前仅有关于机组调节速率估计的方法,该方法主要是采用机组负荷调节实验数据进行调节速率估计。由于机组实验条件下的运行状况与其日常运行状况存在着巨大差异,因此,既有方法得到的机组调节速率势必无法真实反映机组的调节速率。关于机组最大负荷调节速率估计,目前尚无相关技术方法。
发明内容
为了克服上述现有技术的不足,本公开提供了一种基于分段线性表达的火电机组负荷调节最大速率估计方法及系统,以火力发电机组实发功率历史运行数据为基础,可有效估计出火力发电机组的最大负荷调节速率,具有应用便捷、理解直观等优点,对于电网掌握火电机组自动发电控制性能、进行有效调度具有重要意义。
本公开一方面提供的一种基于分段线性表达的火电机组负荷调节最大速率估计方法的技术方案是:
一种基于分段线性表达的火电机组负荷调节最大速率估计方法,该方法包括以下步骤:
获取大量火电机组实发功率历史数据,并对其进行分段线性表达,得到多个子数据段,计算各个子数据段的幅值变化量和对应的持续时间,形成初始点集;
剔除初始点集内干扰点,计算初始点集内剩余所有点的局部密度,选择局部密度大于局部密度阈值的点作为样本点,得到待选样本点集;
根据待选样本点集中样本点的幅值变化方向,查找幅值变量与持续时间之比最大的样本点,确定目标样本点集;
建立目标样本点集中样本点的线性回归方程,并计算其回归直线斜率,根据回归直线斜率估计最大调节速率。
进一步的,对火电机组实发功率历史数据进行分段线性表达的步骤包括:
计算每个火电机组实发功率历史数据的估计值,利用火电机组实发功率历史数据的实际值与估计值的误差,计算分段数的累计误差平方和;
利用分段数的累计误差平方和,计算分段数确定函数值,将分段数确定函数值最大值作为分段数;
采用分段线性表示方法,根据得到的分段数对得到的火电机组实发功率历史数据进行分段,得到多个子数据段,采用线性回归模型表达各个子数据段内数据。
进一步的,所述子数据段的幅值变化量和对应的持续时间的计算方法为:
将子数据段内任意采样时刻的历史数据与该子数据段的起始历史数据做差,得到该子数据段内,电机组实发功率的幅值变化量;
将子数据段内任意采样时刻与该子数据段的起始采样时刻做差,得到该子数据段内,电机组实发功率幅值变化量对应的持续时间。
进一步的,所述初始点集内干扰点的剔除方法为:
由得到的所有子数据段的幅值变化量和对应的持续时间形成若干个点,得到初始点集;
判断每个子数据段的幅值变化量是否小于机组最小波动阈值,对应的持续时间是否小于序列最短持续时间;
若子数据段的幅值变化量小于机组最小波动阈值,对应的持续时间小于列最短持续时间,则将该子数据段的幅值变化量和对应的持续时间对应的点从初始点集中剔除。
进一步的,所述点的局部密度的计算方法为:
其中,d(i)为点(δ(i),dt(i))的局部密度,当dij-dc≤0时χ(dij-dc)=0,否则χ(dij-dc)=1;dij为点(δ(i),dt(i))与点(δ(j),dt(j))在δ-dt平面上的欧式距离dc为截断距离。
进一步的,所述目标样本点集的确定方法为:
从待选样本点集内负向幅值变化的样本点中查找幅值变量与持续时间之比最大的样本点,组成负向目标样本点集;从待选样本点集内正向幅值变化的样本点中查找幅值变量与持续时间之比最大的样本点,组成正向目标样本点集。
进一步的,所述最大调节速率的估计方法为:
分别采用线性回归方法对负向目标样本点集和正向目标样本点集中样本点进行描述,得到负向线性回归方程和正向线性回归方程;
分别计算负向线性回归方程的负向回归直线斜率,以及正向线性回归方程的正向回归直线斜率;
将火电机组实发功率历史数据的采样频率与负向回归直线斜率的倒数相乘,得到负向最大调节速度;
将火电机组实发功率历史数据的采样频率与正向回归直线斜率的倒数相乘,得到正向最大调节速度。
本公开一方面提供的一种基于分段线性表达的火电机组负荷调节最大速率估计系统的技术方案是:
一种基于分段线性表达的火电机组负荷调节最大速率估计系统,该系统包括:
历史数据提取模块,用于获取大量火电机组实发功率历史数据,并对其进行分段线性表达,得到多个子数据段,计算各个子数据段的幅值变化量和对应的持续时间,形成初始点集;
样本点筛选模块,用于剔除初始点集内干扰点,计算初始点集内剩余所有点的局部密度,选择局部密度大于局部密度阈值的点作为样本点,得到待选样本点集;
目标样本点筛选模块,用于根据待选样本点集中样本点的幅值变化方向,查找幅值变量与持续时间之比最大的样本点,确定目标样本点集;
最大调节速率估计模块,用于建立目标样本点集中样本点的线性回归方程,并计算其回归直线斜率,根据回归直线斜率估计最大调节速率。
本公开另一方面提供的一种计算机可读存储介质的技术方案是:
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实现如上所述的基于分段线性表达的火电机组负荷调节最大速率估计方法中的步骤。
本公开另一方面提供的一种计算机设备的技术方案是:
一种计算机设备,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如上所述的基于分段线性表达的火电机组负荷调节最大速率估计方法中的步骤。
通过上述技术方案,本公开的有益效果是:
(1)本公开以火力发电机组历史运行数据为基础,既避免了采用实验方法估计最大调节速率为机组正常发电生产过程带来干扰,也避免了因机组实验工况与运行工况差异而导致的估计误差;
(2)本公开以估计机组最大负荷调节速率为目标,对于新能源大规模并网发电背景下,电网实现负荷调节最优分配与稳定运行具有重要价值;
(3)本公开以火力发电机组历史运行数据为机组,所有相关参数意义明确,具有良好的适用性,同时具有应用便捷、理解直观等优点,对于保障电网稳定运行具有重要意义。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本申请,并不构成对本公开的不当限定。
图1是实施例一基于分段线性表达的火电机组负荷调节最大速率估计方法的流程图;
图2是实施例二基于分段线性表达的火电机组负荷调节最大速率估计方法的流程图;
图3是实施例三中初步样本点集SO的散点图;
图4是实施例三中初步样本点集SO和待选样本点集SS的散点图;
图5是实施例三中待选样本点集SS和目标样本点集Sd的散点图;
图6是实施例三中目标样本点集Sd和最终样本点集Sf的散点图;
图7是实施例三中正向与负向变化最大变化速率线性回归结果展示;
图8是实施例四基于分段线性表达的火电机组负荷调节最大速率估计系统的结构图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本公开使用的所有技术和科学术语具有与本公开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。
实施例一
本实施例提供一种基于分段线性表达的火电机组负荷调节最大速率估计方法,该方法以火力发电机组实发功率历史运行数据为基础,可有效估计出火力发电机组的最大负荷调节速率,具有应用便捷、理解直观等优点,对于电网掌握火电机组自动发电控制性能、进行有效调度具有重要意义。
请参阅附图1,所述基于分段线性表达的火电机组负荷调节最大速率估计方法包括以下步骤:
S101,获取机组实发功率历史数据并对其进行处理,构建初始点集。
具体地,获取机组实发功率历史数据,采用分段线性表示算法对所获得的历史数据进行分段线性表示,得到每段数据的幅值变化量和持续时间,以每段数据的幅值变化量和持续时间为基础,构成幅值变化量—持续时间平面的初始点集。
S102,从初始点集中筛选样本点,构建待选样本点集。
具体地,依据最小趋势变化量、最小持续时间和局部密度三个指标,在步骤101构成的初始点集中筛选样本点,构成待选样本点集。
S103,从待选样本点集中筛选目标样本点,构建目标样本点集。
具体地,以待选样本点集为基础,选择该待选样本点集中幅值变化量与持续时间比值的绝对值最大的样本点,构成目标样本点集,同时根据幅值变化量为正向或负向,将目标样本点集划分为正向目标样本点集与负向目标样本点集。
S104,最大调节速率估计。
具体地,分别针对正向目标样本点集与负向目标样本点集,采用线性回归描述正向目标样本点集与负向目标样本点集中目标样本点的幅值变化量与持续时间之间的关系,计算回归方程系数,以得到的回归方程系数的倒数作为最大调节速率的估计值。
本实施例提出的基于分段线性表达的火电机组负荷调节最大速率估计方法,采用线性分段拟合的方法,依据发生频率较高、幅值变化明显、持续时间较长、幅值变化量,以及持续时间比值的绝对值最大等原则,选择部分数据段对应的幅值变化量—持续时间平面样本点,依据所选数据段的幅值变化量与持续时间之间的线性回归系数,计算得到机组最大负荷调节速率的估计值。该方法能有效估计火力发电机组的最大负荷调节速率,具有应用便捷、理解直观等优点,对电网优化火力发电机组自动发电控制调度具有重要意义。
实施例二
为了使本领域的技术人员更好地了解本公开的技术方案,下面列举一个更为详细的具体实施例。
针对当前火力发电机组负荷调节速率估计只能依靠实验手段,且缺乏负荷调节速率最大值估计方法的实际情况,为了解决火力发电机组负荷调节速率最大值估计问题,本实施例提供了一种基于分段线性表达的火电机组负荷调节最大速率估计方法,首先,对火力发电机组实发功率历史数据进行分段线性表示,以分段数据的幅值变化量为横坐标,以其持续时间为纵坐标构成初始点集;在初始点集中,依据最小趋势变化量、最小持续时间、局部密度等指标进行样本点筛选,形成目标样本点集,最后,依据幅值变化方向,分别对目标样本点集进行归回分析,由所得到的线性回归系数,计算机组正向与负向负荷调节速率最大值。
请参阅附图2,所述基于分段线性表达的火电机组负荷调节最大速率估计方法包括以下步骤:
S201,提取大量火电机组实发功率历史数据,并对其进行分段线性表达,得到若干个子数据段,计算各个子数据段的幅值变化量以及持续时间,得到初始点集SO。
具体地,提取足够长的火电机组实发功率历史数据,设所得的火电机组实发功率历史数据为采用分段线性表示的方法对进行分段,假设所得的火电机组实发功率历史数据共划分了K段,则所分段可以表示为nk是第k段数据的起始采样时刻。则对于第k段数据其可近似由线性回归模型表达为:
x(n)=ak+bkn+e(n) (1)
其中,e(n)为高斯白噪声,e(n)~N(0,σ2)。式(1)可近似为直线方程:
其中,为x(n)的估计值,为ak的估计值,为bk的估计值。与可通过使得误差函数最小来确定,具体如下:
与的解系求解表达式如下:
其中,为的平均值;为1,2,…,(nk+1-nk-1)的平均值。
针对历史数据的分段数,可由下式(5)确定:
其中,为历史数据的分段数K的估计值,分段数确定函数F(K)的表达式为:
L(K)为分段数为K时的累计误差平方和,其表达式如下:
其中,为x(n)的估计值。
当完成火电机组实发功率历史数据的分段线性表示之后,对于第k段数据在该段数据内,火电机组实发功率的幅值变化量δ(k)可由式(6)估计得到,相应的持续时间dt(k)可由式(7)计算得到,具体如下:
dt(k)=nk+1-nk-1 (7)
其中,为第k段数据的起始历史数据;nk为第k段数据的起始采样时刻。
对于所得的所有子数据段,分别计算其幅值变化量和持续时间,则可形成一个由幅值变化量和对应的持续时间形成的初始点集,表示为SO,如下:
其中,δ(k)为第k段数据内火电机组实发功率的幅值变化量;dt(k)为第k段数据内火电机组实发功率的持续时间。
本实施例以火力发电机组历史运行数据为基础,既避免了采用实验方法估计最大调节速率为机组正常发电生产过程带来干扰,也避免了因机组实验工况与运行工况差异而导致的估计误差。
S202,从初始点集SO中剔除干扰点,以局部密度d0作为选择点的条件,从剔除后的点集中选择样本点,得到待选样本点集Sd。
具体地,在上述线性分段结果中,由于部分数据段的变化趋势是由于机组干扰或波动引起的,不能代表机组的真实负荷调节动作,因此这些数据段对应的点在集合SO均需要被剔除,将剔除后得到的点集记为SS,SS为SO的一个子集,SS可由下式(9)获得:
SS={(δ(i),dt(i))|δ(i)≥δmin,dt(i)≥dt,min,(δ(i),dt(i))∈SO} (9)
上式中,δmin为机组最小波动阈值,该值可参考电网关于机组波动阈值的有关规定进行确定,例如:300MW机组的合理波动范围是1MW。dt,min是序列最短持续时间,也就是说机组完成机组负荷指令的最短时间,借鉴关于机组负荷响应完成时间为60秒的规定,因此取dt,min≥20。
尽管集合SS的元素均可认为是机组可靠动作时对应的幅值变化与持续时间,但SS有些点发生次数较少,与其临近的点发生的也较少,因此仍不适宜用这些点来估计机组负荷调节最大速率,需要进一步选取满足要求元素,在此以局部密度d0作为选择点的条件,所得到的样本点集为待选样本点集,标记为Sd,则有:
Sd={(δ(i),dt(i))|d(i)≥d0,(δ(i),dt(i))∈SS} (10)
其中,d0为局部密度阈值,根据样本估计有关原理,其取值为20即可;d(i)为点(δ(i),dt(i))的局部密度,其计算方法如下:
其中,当dij-dc≤0时χ(dij-dc)=0,否则χ(dij-dc)=1,dij为点(δ(j),dt(j))与点(δ(i),dt(i))在δ-dt平面上的欧式距离,dc为截断距离,其具体值由噪声导致分段线性表示的误差大小所确定,假设噪声导致的变化幅值估计误差为δp,导致的持续时长误差为δt,且满足δt=ρδp,一般地,ρ=1,2,因为δp与δmin均为噪声导致的误差,因此一般情况下二者取相同值即可,因此有:
本实施例筛选出待选样本点集的作用是剔除噪声或随机干扰导致的机组实发功率波动数据段,使得所得到的样本点全部对应机组真实调节过程的数据段,避免机组实发功率数据段中的噪声或随机干扰数据段对之后的分析造成影响。
S203,根据待选样本点集Sd中样本点的幅值变化方向,分别查找幅值变量与持续时间之比最大的样本点,得到目标样本点集。
当得到集合Sd后,根据Sd中点的变化幅值为正值还是负值,分别查找其中幅值变量与持续时间之比最大的元素,将找到的元素记为Sf,同时为了便于表达期间,将Sf划分为2个子集,分别标记为S-和S+,且设S-和S+中的样本点数量分别为N-与N+,其中集合S-代表具有负向幅值变化的样本点,集合S+代表具有非负向幅值变化的样本点,即:
Sf=S-∪S+ (12)
上式中,ξij=sign(dt(i)-dt(j))。
本实施例筛选出目标样本点集的目的是找到机组实现功率数据段中,可能对应反映其最大调节速率的数据段样本点,为进一步以这些样本点估计机组最大调节速率提供数据。
S204,建立目标样本点集的线性回归方程,计算回归直线斜率,根据回归直线斜率估计最大调节速率。
因为集合S-和S+中的点,分别为正向与负向调节速率最大的样本点,因此采用线性回归方法对其进行描述,即:
其中,bNeg与bPos分别为负向回归直线斜率和正向回归直线斜率,cNeg与cPos分别为负向回归直线截距和正向回归直线截距;bNeg与bPos可分别按照式(15)与式(16)估计求得,即:
上式中,或
因为机组调节速率的一般采用的单位为MW/min,因此正向最大调节速度rmax,+与负向最大调节速度rmax,+分别为:
其中,h为所采集的历史数据的采样周期。
本实施例提出的基于分段线性表达的火电机组负荷调节最大速率估计方法,采用线性分段拟合的方法,依据发生频率较高、幅值变化明显、持续时间较长、幅值变化量,以及持续时间比值的绝对值最大等原则,选择部分数据段对应的幅值变化量—持续时间平面样本点,依据所选数据段的幅值变化量与持续时间之间的线性回归系数,计算得到机组最大负荷调节速率的估计值。该方法能有效估计火力发电机组的最大负荷调节速率,具有应用便捷、理解直观等优点,对电网优化火力发电机组自动发电控制调度具有重要意义。
实施例三
为了使得本领域技术人员能够更加清楚地了解本公开的技术方案,以下将结合具体的实施例详细说明本公开的技术方案。选取华北电网某300MW火力发电机组实发功率数据为基础,运用上述实施例所提出的火电机组负荷调节最大速率估计方法,实现基负荷最大调整速率估计。具体实现步骤如下:
S301,在采样周期为1秒的条件下,即h=1s,提取该火电机组1个月的历史数据,采用分段线性描述的方法分析该历史数据,共得到57384个子数据段,根据式(6)、式(7)计算各个子数据段的幅值变化量以及持续时间,得到初步样本点集SO,如图3所示;
S302,取δmin=1MW,dt,min=20秒,由式(9)得到待选样本集Ss,如图4所示;取局部密度阈值为d0=20,ρ=2,δp=δmin=1MW,得到dc=2.2360,由式(10)建立待选样本集Sd,如图5所示;再由式(12)(13)确定目标样本点集S-与S+,如图6所示;
S303,针对目标样本点集S-与S+,按照式(15)与式(16)分别建立起元素的线性回归方程,分别得到负向回归直线斜率bNeg与正向回归直线斜率bPos;最后由斜率bNeg与斜率bPos值,依据式(17)与式(18)分别求得最大正向调节速率rmax,+与负向调节速率最大值rmax,-,得到rmax,+=4.6396MW/min,rmax,-=3.7734MW/min,,如图7所示。此应用案例表明了本方法对于估计机组负荷调节速率最大值的有效性。
实施例四
本实施例提供一种基于分段线性表达的火电机组负荷调节最大速率估计系统,请参阅附图3,该系统包括:
历史数据提取模块,用于提取大量火电机组实发功率历史数据,并对其进行分段线性表达,得到多个子数据段,计算各个子数据段的幅值变化量和对应的持续时间,形成初始点集;
样本点筛选模块,用于剔除初始点集内干扰点,计算初始点集内剩余所有点的局部密度,选择局部密度大于局部密度阈值的点作为待选样本点,得到待选样本点集;
目标样本点筛选模块,用于根据待选样本点集中待选样本点的幅值变化方向,查找幅值变量与持续时间之比最大的样本点,确定目标样本点集;
最大调节速率估计模块,用于建立目标样本点集的线性回归方程,计算其回归直线斜率,根据回归直线斜率估计最大调节速率。
实施例五
本实施例提供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实现如上所述的基于分段线性表达的火电机组负荷调节最大速率估计方法中的步骤。
实施例六
本实施例提供一种计算机设备,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如上所述的基于分段线性表达的火电机组负荷调节最大速率估计方法中的步骤。
可以理解的是,在本说明书的描述中,参考术语“一实施例”、“另一实施例”、“其他实施例”、或“第一实施例~第N实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开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公开的保护范围以内。
Claims (10)
1.一种基于分段线性表达的火电机组负荷调节最大速率估计方法,其特征是,该方法包括以下步骤:
获取大量火电机组实发功率历史数据,并对其进行分段线性表达,得到多个子数据段,计算各个子数据段的幅值变化量和对应的持续时间,形成初始点集;
剔除初始点集内干扰点,计算初始点集内剩余所有点的局部密度,选择局部密度大于局部密度阈值的点作为样本点,得到待选样本点集;
根据待选样本点集中样本点的幅值变化方向,查找幅值变量与持续时间之比最大的样本点,确定目标样本点集;
建立目标样本点集中样本点的线性回归方程,并计算其回归直线斜率,根据回归直线斜率估计最大调节速率。
2.根据权利要求1所述的基于分段线性表达的火电机组负荷调节最大速率估计方法,其特征是,对火电机组实发功率历史数据进行分段线性表达的步骤包括:
计算每个火电机组实发功率历史数据的估计值,利用火电机组实发功率历史数据的实际值与估计值的误差,计算分段数的累计误差平方和;
利用分段数的累计误差平方和,计算分段数确定函数值,将分段数确定函数值最大值作为分段数;
采用分段线性表示方法,根据得到的分段数对得到的火电机组实发功率历史数据进行分段,得到多个子数据段,采用线性回归模型表达各个子数据段内数据。
3.根据权利要求1所述的基于分段线性表达的火电机组负荷调节最大速率估计方法,其特征是,所述子数据段的幅值变化量和对应的持续时间的计算方法为:
将子数据段内任意采样时刻的历史数据与该子数据段的起始历史数据做差,得到该子数据段内,电机组实发功率的幅值变化量;
将子数据段内任意采样时刻与该子数据段的起始采样时刻做差,得到该子数据段内,电机组实发功率幅值变化量对应的持续时间。
4.根据权利要求1所述的基于分段线性表达的火电机组负荷调节最大速率估计方法,其特征是,所述初始点集内干扰点的剔除方法为:
由得到的所有子数据段的幅值变化量和对应的持续时间形成若干个点,得到初始点集;
判断每个子数据段的幅值变化量是否小于机组最小波动阈值,对应的持续时间是否小于序列最短持续时间;
若子数据段的幅值变化量小于机组最小波动阈值,对应的持续时间小于列最短持续时间,则将该子数据段的幅值变化量和对应的持续时间对应的点从初始点集中剔除。
5.根据权利要求1所述的基于分段线性表达的火电机组负荷调节最大速率估计方法,其特征是,所述点的局部密度的计算方法为:
其中,d(i)为点(δ(i),dt(i))的局部密度,当dij-dc≤0时χ(dij-dc)=0,否则χ(dij-dc)=1;dij为点(δ(i),dt(i))与点(δ(j),dt(j))在δ-dt平面上的欧式距离dc为截断距离。
6.根据权利要求1所述的基于分段线性表达的火电机组负荷调节最大速率估计方法,其特征是,所述目标样本点集的确定方法为:
从待选样本点集内负向幅值变化的样本点中查找幅值变量与持续时间之比最大的样本点,组成负向目标样本点集;从待选样本点集内正向幅值变化的样本点中查找幅值变量与持续时间之比最大的样本点,组成正向目标样本点集。
7.根据权利要求6所述的基于分段线性表达的火电机组负荷调节最大速率估计方法,其特征是,所述最大调节速率的估计方法为:
分别采用线性回归方法对负向目标样本点集和正向目标样本点集中样本点进行描述,得到负向线性回归方程和正向线性回归方程;
分别计算负向线性回归方程的负向回归直线斜率,以及正向线性回归方程的正向回归直线斜率;
将火电机组实发功率历史数据的采样频率与负向回归直线斜率的倒数相乘,得到负向最大调节速度;
将火电机组实发功率历史数据的采样频率与正向回归直线斜率的倒数相乘,得到正向最大调节速度。
8.一种基于分段线性表达的火电机组负荷调节最大速率估计系统,其特征是,该系统包括:
历史数据提取模块,用于获取大量火电机组实发功率历史数据,并对其进行分段线性表达,得到多个子数据段,计算各个子数据段的幅值变化量和对应的持续时间,形成初始点集;
样本点筛选模块,用于剔除初始点集内干扰点,计算初始点集内剩余所有点的局部密度,选择局部密度大于局部密度阈值的点作为样本点,得到待选样本点集;
目标样本点筛选模块,用于根据待选样本点集中样本点的幅值变化方向,查找幅值变量与持续时间之比最大的样本点,确定目标样本点集;
最大调节速率估计模块,用于建立目标样本点集中样本点的线性回归方程,并计算其回归直线斜率,根据回归直线斜率估计最大调节速率。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征是,该程序被处理器执行时实现如权利要求1-7中任一项所述的基于分段线性表达的火电机组负荷调节最大速率估计方法中的步骤。
10.一种计算机设备,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,其特征是,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于分段线性表达的火电机组负荷调节最大速率估计方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910469283.7A CN110212592B (zh) | 2019-05-31 | 2019-05-31 | 基于分段线性表达的火电机组负荷调节最大速率估计方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910469283.7A CN110212592B (zh) | 2019-05-31 | 2019-05-31 | 基于分段线性表达的火电机组负荷调节最大速率估计方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110212592A true CN110212592A (zh) | 2019-09-06 |
CN110212592B CN110212592B (zh) | 2020-05-12 |
Family
ID=67790059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910469283.7A Active CN110212592B (zh) | 2019-05-31 | 2019-05-31 | 基于分段线性表达的火电机组负荷调节最大速率估计方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110212592B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308396A (zh) * | 2020-10-27 | 2021-02-02 | 国网辽宁省电力有限公司 | 一种火电机组性能分析分档控制方法 |
CN112598536A (zh) * | 2020-12-16 | 2021-04-02 | 上海全应科技有限公司 | 锅炉给粉机瞬时入炉煤量计算模型构建、计算方法及系统 |
CN113076639A (zh) * | 2021-03-30 | 2021-07-06 | 国网山东省电力公司电力科学研究院 | 基于分段线性表示的风电机组运行评估方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101614998A (zh) * | 2008-06-27 | 2009-12-30 | 浙江省电力试验研究院 | 火力发电机机炉直接指令平衡协调控制方法 |
CN109768575A (zh) * | 2019-02-18 | 2019-05-17 | 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 |
-
2019
- 2019-05-31 CN CN201910469283.7A patent/CN110212592B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101614998A (zh) * | 2008-06-27 | 2009-12-30 | 浙江省电力试验研究院 | 火力发电机机炉直接指令平衡协调控制方法 |
CN109768575A (zh) * | 2019-02-18 | 2019-05-17 | 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 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308396A (zh) * | 2020-10-27 | 2021-02-02 | 国网辽宁省电力有限公司 | 一种火电机组性能分析分档控制方法 |
CN112598536A (zh) * | 2020-12-16 | 2021-04-02 | 上海全应科技有限公司 | 锅炉给粉机瞬时入炉煤量计算模型构建、计算方法及系统 |
CN113076639A (zh) * | 2021-03-30 | 2021-07-06 | 国网山东省电力公司电力科学研究院 | 基于分段线性表示的风电机组运行评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110212592B (zh) | 2020-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021196552A1 (zh) | 一种基于互馈关系解析的梯级水库风险评估方法及系统 | |
CN110212592A (zh) | 基于分段线性表达的火电机组负荷调节最大速率估计方法及系统 | |
CN106532778B (zh) | 一种计算分布式光伏并网最大准入容量的方法 | |
CN104319807B (zh) | 一种基于Copula函数获取多风电场容量可信度的方法 | |
CN102832617B (zh) | 一种基于精确化模式判别的大电网暂态稳定分析方法 | |
Li et al. | Component importance assessment of power systems for improving resilience under wind storms | |
CN105610192A (zh) | 考虑大规模风电接入的在线风险评估方法 | |
CN113468790B (zh) | 一种基于改进粒子群算法的风速特征模拟方法及系统 | |
CN110097220A (zh) | 一种风力发电月度电量预测方法 | |
CN110321934A (zh) | 一种检测用户用电异常数据的方法及系统 | |
CN105447620A (zh) | 一种电能量缺失值自动处理的方法 | |
CN108960485A (zh) | 一种源-荷互动电力市场下的在线字典学习概率最优潮流方法 | |
CN109460849A (zh) | 一种基于智能算法的用户用电偏差分析方法 | |
Wang et al. | Optimization of maintenance scheme for offshore wind turbines considering time windows based on hybrid ant colony algorithm | |
CN108808657A (zh) | 一种电力负荷短期预测方法 | |
CN109919382A (zh) | 考虑日周期性影响的光伏功率爬坡事件非精确概率预测方法及系统 | |
CN109388863A (zh) | 一种基于arima模型的分布式光伏出力功率预测方法 | |
Liu et al. | 24 h-ahead wind speed forecasting using CEEMD-PE and ACO-GA-based deep learning neural network | |
Rouhani et al. | Soft clustering based probabilistic power flow with correlated inter temporal events | |
CN103473607B (zh) | 按轨迹特征优化和匹配外推模型的风电超短期预测方法 | |
Bo et al. | Research of Typical Line Loss Rate in Transformer District Based on Data-Driven Method | |
Xiyun et al. | A combination method in photovoltaic power forecasting based on the correlation coefficient | |
CN115563507A (zh) | 可再生能源发电场景的生成方法、装置及设备 | |
Cui | Dynamic migration algorithm of marine big data in cloud computing environment | |
Ye et al. | Data-driven stochastic unit commitment optimization considering spatial correlation of wind farms |
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 |