CN111049195A - 一种agc参数优化方法及装置 - Google Patents
一种agc参数优化方法及装置 Download PDFInfo
- Publication number
- CN111049195A CN111049195A CN202010006070.3A CN202010006070A CN111049195A CN 111049195 A CN111049195 A CN 111049195A CN 202010006070 A CN202010006070 A CN 202010006070A CN 111049195 A CN111049195 A CN 111049195A
- Authority
- CN
- China
- Prior art keywords
- deviation
- power
- agc
- value
- preset
- 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
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Feedback Control In General (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请提供一种AGC参数优化方法及装置,所述方法根据历史同期发电厂实际出力与调度下发值之间的差值,并利用Kalman滤波算法进行功率差值的预测,如果功率偏差的预测值大于预设调节阈值,使用粒子群算法优化AGC的PID参数,对机组出力进行预分配;如果功率偏差的预测值小于或等于预设调节阈值,将偏差值直接分给出力优先级较高的机组。本申请提供的参数优化方法利用Kalman滤波算法对功率偏差进行预测,粒子群算法对PID参数预先优化的方法,避免机组的频繁加减出力,较传统的负荷分配方式和PID参数优化效果更优。
Description
技术领域
本申请涉及电力控制技术领域,尤其涉及一种AGC参数优化方法及装置。
背景技术
AGC(Automatic Generation Control,自动发电控制)是调节不同发电厂的多个发电机有功输出以响应负荷的变化的系统。电站为满足发电经济性要求,可通过AGC系统对发电机功率的实时控制,主要是将较短时间内分配到的负荷分派到水电站内各机组,并根据负荷的改变而实时改变,调整各机组的功率配置。为了不影响供电质量,在控制发电机功率前,调度部门需要对供电系统中的负荷进行预测,以提前进行参数优化。
由于负荷的增长和衰减具有随机性,调度部门的预测往往与负荷实际需求存在一定的偏差,而发电厂一般是按照调度部门提前制定好的计划发电,这就导致电厂与电网的联络线两端功率不匹配,引起频率偏差。为了减小引起的频率偏差,现有技术中常以历史数据为依据,检测在历史进程中的某一段间AGC真实容量需求,建立模型。此模型中考虑了AGC的跟踪盲区、AGC机组之间的配合以及备用的不均衡遗漏等要素,以实现对AGC参数的优化。
但该方法忽略了负荷增长和突变的可能性,同时对机组出力的能力也缺乏充分的考虑,使预测结果与实际功率偏差较大。现有技术中,也可以基于WAMS(Wide AreaMeasurement System,广域监测系统)数据完成的机组AGC调节机能的在线评测方式,从时间尺度和状态维度两方面全盘估测AGC机组的机能指标,但仍然存在与实际功率偏差大的问题。
发明内容
本申请提供了一种AGC参数优化方法及装置,以解决传统参数优化方法预测结果与实际状态偏差大的问题。
一方面,本申请提供一种AGC参数优化方法,包括:
获取历史同期发电厂实际出力与调度下发值之间的差值;
生成功率偏差的预测值,所述功率偏差的预测值为根据所述历史同期发电厂实际出力与调度下发值之间的差值计算的Kalman功率差值的预测结果;
如果所述功率偏差的预测值大于预设调节阈值,使用粒子群算法优化AGC的PID参数;
获取联络线偏差,所述联络线偏差为电厂测与电网测的实际偏差值;
如果所述联络线偏差小于或等于预设偏差上限,完成AGC的PID参数优化。
可选的,在获取联络线偏差的步骤后,所述方法还包括:
如果所述联络线偏差大于预设偏差上限,循环使用粒子群算法调节PID参数,直至所述联络线偏差小于或等于预设偏差上限。
可选的,在生成功率偏差的预测值的步骤后,所述方法还包括:
如果所述负荷偏差小于预设调节阈值,获取机组出力优先级;
将偏差值直接分给出力优先级较高的机组。
可选的,如果所述功率偏差的预测值大于预设调节阈值,使用粒子群算法优化AGC的PID参数的步骤,包括:
随机产生初始化粒子群;
计算所述粒子群中的适应值;
根据所述适应值,更新粒子经过的历史最好位置和群体内(或范围内)所有粒子所得到过的最佳地点,寻求全局最优解,以改变PID参数。
可选的,随机产生初始化粒子群的步骤,包括:
输入PID参数中的比例系数、微分系数以及积分系数;
设置约束为功率约束;
根据所述比例系数、微分系数、积分系数以及功率约束建立粒子群模型。
可选的,如果所述功率偏差的预测值大于预设调节阈值,使用粒子群算法优化AGC的PID参数的步骤,还包括:
如果达到最大迭代次数或全局最优解满足预设最小界限,将当前的全局最优解作为调节负荷值。
可选的,所述联络线偏差包括联络线功率偏差和联络线频率偏差,所述预设偏差上限包括预设功率偏差上限和预设功率偏差上限;如果所述联络线偏差小于或等于预设偏差上限,完成AGC的PID参数优化的步骤,包括:
分别对比所述联络线功率偏差与预设功率偏差上限,以及所述联络线频率偏差与预设功率偏差上限;
如果所述联络线功率偏差小于或等于预设功率偏差上限,且所述联络线频率偏差小于或等于预设功率偏差上限,将调节后的PID参数输入至AGC系统。
可选的,所述方法还包括:
AGC系统接收调节后的PID参数;
AGC系统根据PID参数将所述负荷偏差分配至各机组。
另一方面,本申请还提供一种AGC参数优化装置,包括:
获取模块,用于获取历史同期发电厂实际出力与调度下发值之间的差值;
负荷预测值生成模块,用于生成功率偏差的预测值,所述功率偏差的预测值为根据所述历史同期发电厂实际出力与调度下发值之间的差值计算的Kalman功率差值的预测结果;
参数调节模块,如果所述功率偏差的预测值大于预设调节阈值,使用粒子群算法优化AGC的PID参数;
联络线偏差模块,用于获取联络线偏差,所述联络线偏差为电厂测与电网测的实际偏差值;
参数优化模块,用于如果所述联络线偏差小于或等于预设偏差上限,完成AGC的PID参数优化。
可选的,所述AGC参数优化装置还包括:
循环模块,用于如果所述联络线偏差大于预设偏差上限,循环使用粒子群算法调节PID参数,直至所述联络线偏差小于或等于预设偏差上限。
由以上技术方案可知,本申请提供一种AGC参数优化方法及装置,所述方法根据历史同期发电厂实际出力与调度下发值之间的差值,并利用Kalman滤波算法进行功率差值的预测,如果功率偏差的预测值大于预设调节阈值,使用粒子群算法优化AGC的PID参数,对机组出力进行预分配;如果功率偏差的预测值小于或等于预设调节阈值,将偏差值直接分给出力优先级较高的机组。本申请提供的参数优化方法利用Kalman滤波算法对功率偏差进行预测,粒子群算法对PID参数预先优化的方法,避免机组的频繁加减出力,较传统的负荷分配方式和PID参数优化效果更优。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一种AGC参数优化方法的流程示意图;
图2为本申请使用粒子群算法调剂PID参数的流程示意图;
图3为本申请建立粒子群模型的流程示意图;
图4为本申请将调节后的PID参数输入至AGC系统的流程示意图;
图5为本申请在优化AGC中PID参数后频率偏差效果对比图;
图6为本申请一种AGC参数优化装置的结构示意图。
具体实施方式
下面将详细地对实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的系统和方法的示例。
参见图1,为本申请一种AGC参数优化方法的流程示意图。由图1可知,本申请提供的一种AGC参数优化方法,包括以下步骤:
S1:获取历史同期发电厂实际出力与调度下发值之间的差值;
本申请提供的技术方案中,所述调度下发值可以通过电力运营设备(或AGC系统)中的功率检测设备实时进行获取。由于实际用电情况的不同,电网中的负荷值是实时变化的,但从电网整体角度,其负荷功率是按时间有趋势变化的。例如,在每天的19:00-24:00的用电高峰时段,电网中的负荷值是在较高值处波动;而在每天的1:00-7:00的有点低谷时间段内,电网中的负荷值在较低值处波动。
历史同期发电厂实际出力可以从电力运营设备记录的负荷信息数据库中获取,其本质上为负荷信息与时间信息构成的数据表。实际应用中,电力运营设备在获取到实时负荷值后,可以在数据库中提取相同时期的历史数据。其中,同期可以是每天的相同时间段,例如获取的实时负荷值时间为2019年10月1日17:00,则从数据库中提取的同期历史数据可以为2019年9月30日17:00记录的负荷信息,以及2019年10月1日以前指定天数记录的负荷信息。同期还可以是指相同的用电季节中的历史记录数据,例如,获取的实时负荷值时间为2019年8月1日17:00,对应为夏季用电高峰季节,因此可以从数据库中提取同位夏季的多个年份(或月份)的历史记录信息。
S2:生成功率偏差的预测值,所述功率偏差的预测值为根据所述历史同期发电厂实际出力与调度下发值之间的差值计算的Kalman功率差值的预测结果。
可以通过Kalman有功功率预测在短期负荷预测的优势,进行功率偏差数据预测,获得相对于传统方式预测结果更准确的预测结果,例如:
根据同期历史数据作为一组时间序列,预测同时间段的负荷值:
Fk(t)=HNk(t)FNk(t)+HPk(t)FPk(t)+vk(t)
其中,t与k分别表示某天与某时刻;HNk(t)、HPk(t)均表示参数矩阵;vk(t)表示误差;Fk(t)表示t-k时负荷值;FNk(t)表示基本负荷;FPk(t)表示(t-2)-k时的负荷值。
令xk(t)=[FNk(t),FPk(t)]T,yk(t)=Fk(t),Hk(t)=[HNk(t),HPk(t)],则对应的状态方程和量测方程可表示为:
其中,yk(t)表示监测对象数值;Hk(t)表示监测矩阵;ωk(t)表示状态误差;Фk(t)表示转换矩阵。
根据上述模型,即可计算出Kalman功率差值预测结果。
进一步地,还可根据历史同期发电厂实际出力与调度下发值进行功率差值预测,便于提前做好机组AGC校验,通过对AGC机组出力进行优先级排序,将偏差值直接分给出力优先级较高的机组。即,在本申请的部分实施例中,在生成负荷预测值的步骤后,所述方法还包括:
S201:获取机组出力优先级;
S202:按机组出力优先级将偏差值,将偏差值直接分给出力优先级较高的机组。
可见在本实施例中,通过Kalman滤波算法进行功率差值的预测,可以准确地获得短期内的预测结果,以提高预测结果的准确度。同时,可以根据预测的结果,提前对AGC系统进行预校验,避免机组的频繁加减出力,以稳定电力系统的整体输出情况。
S3:如果所述功率偏差的预测值大于预设调节阈值,使用粒子群算法优化AGC的PID参数。
本申请中,所述Kalman滤波算法预测前的功率差值为根据所述历史同期发电厂实际出力与调度下发值之间的差值;即:
ΔP=∣P-P0∣
其中,ΔP为功率偏差;P为调度下发值;P0为历史同期发电厂实际出力。
在得到功率偏差后用Kalman滤波算法进行预测,可以将功率偏差的预测值与预设的调节阈值进行对比,以判断当前供电状态下是否需要对AGC参数进行优化。
实际应用中,如果如果所述功率偏差的预测值大于预设调节阈值,则说明当前运行状态下的负荷变化较大,需要调整AGC系统运行参数以适应当前运行状态。
例如,预测后的功率偏差值ΔP=35MW。
如果预设调节阈值Pth=25MW,则ΔP>Pth需要对AGC参数进行调节以满足实际负荷需求,即使用粒子群算法调节PID参数。
所述粒子群算法(Partical Swarm Optimization,PSO),通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法。粒子群中的每一个粒子都代表一个问题的可能解,通过粒子个体的简单行为,群体内的信息交互实现问题求解的智能性。
具体地,如图2所示,如果所述功率偏差的预测值大于预设调节阈值,使用粒子群算法优化AGC的PID参数的步骤,包括:
S31:随机产生初始化粒子群;
S32:计算所述粒子群中的适应值;
S33:根据所述适应值,更新粒子经过的历史最好位置和群体内(或范围内)所有粒子所得到过的最佳地点;
S34:如果达到最大迭代次数或全局最优解满足预设最小界限,将当前的全局最优解作为调节PID参数的最优解。
实际应用中,随机产生包含所有机组的初始化粒子群,再计算每个机组粒子的适应值,以便根据适应值,更新粒子经过的历史最好位置和群体内(或范围内)所有粒子所得到过的最佳地点,如果达到最大迭代次数或全局最优解满足预设最小界限,将当前的全局最优解作为调节PID参数的最优解。通过粒子群算法,可以优化PID参数中的比例系数、积分系数以及微分系数,进而影响机组的调节周期、最大脉宽、增减有功最小脉宽,完成对机组AGC调节性能的优化调节。
进一步地,如图3所示,随机产生初始化粒子群的步骤,还包括:
S311:输入PID参数中的比例系数、微分系数以及积分系数;
S312:设置约束为功率约束;
S313:根据所述比例系数、微分系数、积分系数以及功率约束建立粒子群模型。
实际应用中,建立的模型约束如下:
其中,Cj为AGC系统中机组j当前时间出力的发电价目的平均值(元/MW·h);Sj为AGC系统中机组j的AGC调节容量(WM);Xj可取值为整数0或1,其中0代表没能参加AGC系统的调控,1代表参加AGC系统的调控。
其中,SAGCmax表示当前电力系统中需要的调节容量(WM)。
其中,VAGCmax表示当前电力系统中需要的调节速度(WM/min)。
fjmax≥fj≥fjmin
其中,fjmax和fjmin分别表示AGC系统中机组j的调节频率上、下限(Hz)。
Sjmax≥Sj≥Sjmin
其中,Sjmax和Sjmin分别表示AGC系统中机组j的调节容量上、下限(WM)。
通过设置上述约束,利用粒子群算法模型可以不断对输入的PID参数进行调整,以将负荷偏差合理地分配至多个机组中。可见,本申请能够实时根据需求变化,及时对参数进行优化,以满足控制的及时性。
进一步地,在生成功率偏差的预测值的步骤后,所述方法还包括:如果功率偏差的预测值小于预设调节阈值,获取机组出力优先级;将所述负荷偏差分配至优先级最高的机组。即在实际应用中,如果所述功率偏差的预测值小于预设调节阈值,则不需要对AGC系统进行整体调节,可将负荷差额分配至优先级较高的单台机组即可,以避免对AGC系统进行频繁调节。
S4:获取联络线偏差。
在通过粒子群算法对AGC系统中的PID参数进行调整后,可以获取进行参数调整后的负荷值,生成联络线偏差。并且对比联络线偏差与预设偏差上限进行对比,以确定是否满足实时工作状态的要求。其中,所述联络线偏差为电厂测与电网测的实际偏差值。
S5:如果所述联络线偏差小于或等于预设偏差上限,完成AGC的PID参数优化。
实际应用中,如果联络线偏差小于或等于预设偏差上限,则确定调整后的AGC系统参数能够满足当前供电状态,从而可以将调节后的PID参数输入至AGC系统,以使得AGC系统根据调节后的PID参数控制机组工作进行供电。
进一步地,所述联络线偏差包括联络线功率偏差和联络线频率偏差,所述预设偏差上限包括预设功率偏差上限和预设功率偏差上限。如图4所示,如果所述联络线偏差小于或等于预设偏差上限,将调节后的PID参数输入至AGC系统的步骤,包括:
S501:分别对比所述联络线功率偏差与预设功率偏差上限,以及所述联络线频率偏差与预设功率偏差上限;
S502:如果所述联络线功率偏差小于或等于预设功率偏差上限,且所述联络线频率偏差小于或等于预设功率偏差上限,将调节后的PID参数输入至AGC系统。
实际应用中,当所述联络线功率偏差和联络线频率偏差分别小于或等于预设功率偏差上限和预设功率偏差上限,则确定当前PID参数能够满足当前电力系统的工作状态,从而将调节后的PID参数输入至AGC系统,以改变系统运行状态,适应功率变化的环境。如图5所示,可见在没有AGC介入的情况下,两区域间的功率偏差可能进一步拉大,进而导致频率偏差变大;当AGC的控制方式仅依靠固定的PID参数调节,可能无法满足电厂出力的实时调节,因此,本申请提供的AGC参数优化方法能够减小预测结果与实时数据之间的误差,以便及时调整AGC系统的运行状态,保障供电质量。
在本申请的部分实施例中,在获取联络线偏差的步骤后,所述方法还包括:
S6:如果所述联络线偏差大于预设偏差上限,循环使用粒子群算法调节PID参数,直至所述联络线偏差小于或等于预设偏差上限。
本申请中,可以根据粒子群算法不断地对PID参数进行修正,并在每次修正过程中都进行一次预设偏差上限的对比,从而实现在AGC系统参数调整量最小的情况下获得合理的调整方案,便于AGC系统的控制。
基于上述AGC参数优化方法,如图6所示,本申请还提供一种AGC参数优化装置,包括:获取模块,用于获取历史同期发电厂实际出力与调度下发值之间的差值;
负荷预测值生成模块,用于生成功率偏差的预测值,所述功率偏差的预测值为根据所述历史同期发电厂实际出力与调度下发值之间的差值计算的Kalman功率差值的预测结果;
参数调节模块,如果所述功率偏差的预测值大于预设调节阈值,使用粒子群算法优化AGC的PID参数;
联络线偏差模块,用于获取联络线偏差,所述联络线偏差为电厂测与电网测的实际偏差值;
参数优化模块,用于如果所述联络线偏差小于或等于预设偏差上限,完成AGC的PID参数优化。
进一步地,所述AGC参数优化装置还包括:
循环模块,用于如果所述联络线偏差大于预设偏差上限,循环使用粒子群算法调节PID参数,直至所述联络线偏差小于或等于预设偏差上限。
进一步地,所述AGC参数优化装置还包括:
优先级获取模块,用于如果所述负荷偏差小于预设调节阈值,获取机组出力优先级;
分配模块,用于将所述负荷偏差分配至优先级最高的机组。
进一步地,所述参数调节模块还包括:
初始化粒子群单元,用于随机产生初始化粒子群;
适应值计算单元,用于计算所述粒子群中的适应值;
求解单元,根据所述适应值,更新粒子经过的历史最好位置和群体内(或范围内)所有粒子所得到过的最佳地点,寻求全局最优解,以改变PID参数。
进一步地,所述初始化粒子群单元还包括:输入子单元,用于输入PID参数中的比例系数、微分系数以及积分系数;约束设置子单元,用于设置约束为功率约束;模型建立子单元,用于根据所述比例系数、微分系数、积分系数以及功率约束建立粒子群模型。
进一步地,所述初始化粒子群单元还包括:调节负荷值子单元,用于如果达到最大迭代次数或全局最优解满足预设最小界限,将当前的全局最优解作为调节负荷值。
进一步地,在所述分配模块还包括:机组出力优先级获取单元,用于获取机组出力优先级;预整定单元,用于按机组出力优先级PID参数将所述负荷偏差分配至各机组。
由以上技术方案可知,本申请提供一种AGC参数优化方法及装置,所述方法根据历史同期发电厂实际出力与调度下发值之间的差值,并利用Kalman滤波算法进行功率差值的预测,如果功率偏差的预测值大于预设调节阈值,使用粒子群算法优化AGC的PID参数,对机组出力进行预分配;如果功率偏差的预测值小于或等于预设调节阈值,将偏差值直接分给出力优先级较高的机组。本申请提供的参数优化方法利用Kalman滤波算法对功率偏差进行预测,粒子群算法对PID参数预先优化的方法,避免机组的频繁加减出力,较传统的负荷分配方式和PID参数优化效果更优。
本申请提供的实施例之间的相似部分相互参见即可,以上提供的具体实施方式只是本申请总的构思下的几个示例,并不构成本申请保护范围的限定。对于本领域的技术人员而言,在不付出创造性劳动的前提下依据本申请方案所扩展出的任何其他实施方式都属于本申请的保护范围。
Claims (9)
1.一种AGC参数优化方法,其特征在于,包括:
获取历史同期发电厂实际出力与调度下发值之间的差值;
生成功率偏差的预测值,所述功率偏差的预测值为根据所述历史同期发电厂实际出力与调度下发值之间的差值计算的Kalman功率差值的预测结果;
如果所述功率偏差的预测值大于预设调节阈值,使用粒子群算法优化AGC的PID参数;
获取联络线偏差,所述联络线偏差为电厂测与电网测的实际偏差值;
如果所述联络线偏差小于或等于预设偏差上限,完成AGC的PID参数优化。
2.根据权利要求1所述的AGC参数优化方法,其特征在于,在获取联络线偏差的步骤后,所述方法还包括:
如果所述联络线偏差大于预设偏差上限,循环使用粒子群算法调节PID参数,直至所述联络线偏差小于或等于预设偏差上限。
3.根据权利要求1所述的AGC参数优化方法,其特征在于,在生成功率偏差的预测值的步骤后,所述方法还包括:
如果所述负荷偏差小于预设调节阈值,获取机组出力优先级;
将偏差值直接分给出力优先级较高的机组。
4.根据权利要求1所述的AGC参数优化方法,其特征在于,如果所述功率偏差的预测值大于预设调节阈值,使用粒子群算法优化AGC的PID参数的步骤,包括:
随机产生初始化粒子群;
计算所述粒子群中的适应值;
根据所述适应值,更新粒子经过的历史最好位置和群体内所有粒子所得到过的最佳地点,寻求全局最优解,以改变PID参数。
5.根据权利要求4所述的AGC参数优化方法,其特征在于,随机产生初始化粒子群的步骤,包括:
输入PID参数中的比例系数、微分系数以及积分系数;
设置约束为功率约束;
根据所述比例系数、微分系数、积分系数以及功率约束建立粒子群模型。
6.根据权利要求1所述的AGC参数优化方法,其特征在于,如果所述功率偏差的预测值大于预设调节阈值,使用粒子群算法优化AGC的PID参数的步骤,还包括:
如果达到最大迭代次数或全局最优解满足预设最小界限,将当前的全局最优解作为调节负荷值。
7.根据权利要求1所述的AGC参数优化方法,其特征在于,所述联络线偏差包括联络线功率偏差和联络线频率偏差,所述预设偏差上限包括预设功率偏差上限和预设功率偏差上限;如果所述联络线偏差小于或等于预设偏差上限,完成AGC的PID参数优化的步骤,包括:
分别对比所述联络线功率偏差与预设功率偏差上限,以及所述联络线频率偏差与预设功率偏差上限;
如果所述联络线功率偏差小于或等于预设功率偏差上限,且所述联络线频率偏差小于或等于预设功率偏差上限,将调节后的PID参数输入至AGC系统。
8.根据权利要求1所述的AGC参数优化方法,其特征在于,所述方法还包括:
AGC系统接收调节后的PID参数;
AGC系统根据PID参数将所述负荷偏差分配至各机组。
9.一种AGC参数优化装置,其特征在于,包括:
获取模块,用于获取历史同期发电厂实际出力与调度下发值之间的差值;
负荷预测值生成模块,用于生成功率偏差的预测值,所述功率偏差的预测值为根据所述历史同期发电厂实际出力与调度下发值之间的差值计算的Kalman功率差值的预测结果;
参数调节模块,如果所述功率偏差的预测值大于预设调节阈值,使用粒子群算法优化AGC的PID参数;
联络线偏差模块,用于获取联络线偏差,所述联络线偏差为电厂测与电网测的实际偏差值;
参数优化模块,用于如果所述联络线偏差小于或等于预设偏差上限,完成AGC的PID参数优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010006070.3A CN111049195B (zh) | 2020-01-03 | 2020-01-03 | 一种agc参数优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010006070.3A CN111049195B (zh) | 2020-01-03 | 2020-01-03 | 一种agc参数优化方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111049195A true CN111049195A (zh) | 2020-04-21 |
CN111049195B CN111049195B (zh) | 2023-10-27 |
Family
ID=70243572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010006070.3A Active CN111049195B (zh) | 2020-01-03 | 2020-01-03 | 一种agc参数优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111049195B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113241805A (zh) * | 2021-06-11 | 2021-08-10 | 云南电网有限责任公司电力科学研究院 | 一种电网二次调频方法及装置 |
CN113346557A (zh) * | 2021-06-08 | 2021-09-03 | 内蒙古电力(集团)有限责任公司电力调度控制分公司 | 一种电力现货市场环境下调度实时运行发电偏差快速干预方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110257800A1 (en) * | 2010-04-14 | 2011-10-20 | Zakariya Al-Hamouz | Particle swarm optimizing sliding mode controller |
CN103208091A (zh) * | 2013-04-25 | 2013-07-17 | 国家电网公司 | 一种基于用电负荷管理系统数据挖掘的反窃电方法 |
CN104361401A (zh) * | 2014-10-20 | 2015-02-18 | 国电南瑞科技股份有限公司 | 一种实时发电计划闭环控制的分步优化方法 |
CN104682392A (zh) * | 2014-12-04 | 2015-06-03 | 重庆大学 | 计及线路安全约束的省网agc机组动态优化调度方法 |
WO2018082132A1 (zh) * | 2016-11-04 | 2018-05-11 | 江南大学 | 一种用于能源系统输出功率的短期预测方法 |
CN108092323A (zh) * | 2017-11-16 | 2018-05-29 | 云南电网有限责任公司电力科学研究院 | 一种含dfig的电力系统agc优化控制方法 |
CN108599190A (zh) * | 2017-12-25 | 2018-09-28 | 赫普科技发展(北京)有限公司 | 一种对电网进行调频的方法、装置和系统 |
CN109193750A (zh) * | 2018-07-27 | 2019-01-11 | 湖北工业大学 | 基于pidd2控制器的风电集群参与agc方法 |
-
2020
- 2020-01-03 CN CN202010006070.3A patent/CN111049195B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110257800A1 (en) * | 2010-04-14 | 2011-10-20 | Zakariya Al-Hamouz | Particle swarm optimizing sliding mode controller |
CN103208091A (zh) * | 2013-04-25 | 2013-07-17 | 国家电网公司 | 一种基于用电负荷管理系统数据挖掘的反窃电方法 |
CN104361401A (zh) * | 2014-10-20 | 2015-02-18 | 国电南瑞科技股份有限公司 | 一种实时发电计划闭环控制的分步优化方法 |
CN104682392A (zh) * | 2014-12-04 | 2015-06-03 | 重庆大学 | 计及线路安全约束的省网agc机组动态优化调度方法 |
WO2018082132A1 (zh) * | 2016-11-04 | 2018-05-11 | 江南大学 | 一种用于能源系统输出功率的短期预测方法 |
CN108092323A (zh) * | 2017-11-16 | 2018-05-29 | 云南电网有限责任公司电力科学研究院 | 一种含dfig的电力系统agc优化控制方法 |
CN108599190A (zh) * | 2017-12-25 | 2018-09-28 | 赫普科技发展(北京)有限公司 | 一种对电网进行调频的方法、装置和系统 |
CN109193750A (zh) * | 2018-07-27 | 2019-01-11 | 湖北工业大学 | 基于pidd2控制器的风电集群参与agc方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113346557A (zh) * | 2021-06-08 | 2021-09-03 | 内蒙古电力(集团)有限责任公司电力调度控制分公司 | 一种电力现货市场环境下调度实时运行发电偏差快速干预方法 |
CN113346557B (zh) * | 2021-06-08 | 2023-03-10 | 内蒙古电力(集团)有限责任公司电力调度控制分公司 | 一种电力现货市场环境下调度实时运行发电偏差快速干预方法 |
CN113241805A (zh) * | 2021-06-11 | 2021-08-10 | 云南电网有限责任公司电力科学研究院 | 一种电网二次调频方法及装置 |
CN113241805B (zh) * | 2021-06-11 | 2023-01-20 | 云南电网有限责任公司电力科学研究院 | 一种电网二次调频方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111049195B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6765567B2 (ja) | 発電システム及びエネルギー生成システム | |
US20170229896A1 (en) | Method for balancing frequency instability on an electric grid using networked distributed energy storage systems | |
US7305282B2 (en) | Very short term load prediction in an energy management system | |
US7689323B2 (en) | Automatic generation control of a power distribution system | |
US7454270B2 (en) | Dynamic economic dispatch for the management of a power distribution system | |
EP3024110B1 (en) | System and method for improved regulation of power grids | |
CN108039737B (zh) | 一种源网荷协调运行模拟系统 | |
CN111555281B (zh) | 一种电力系统灵活性资源配置仿真方法及装置 | |
EP2394204A1 (en) | Distributed electrical power production system and method of control thereof | |
US20040260489A1 (en) | Energy management system in a power and distribution system | |
CN104915737A (zh) | 基于风险控制含大规模风电的电力系统协调经济调度方法 | |
US12015275B2 (en) | Hybrid power plant | |
CN113054688B (zh) | 考虑不确定性的可再生能源集群出力分布式协调控制方法 | |
CN114744687A (zh) | 一种虚拟电厂的能源调控方法及系统 | |
CN111049195B (zh) | 一种agc参数优化方法及装置 | |
CN112398115A (zh) | 一种基于改进模型预测控制的多时间尺度火电-光伏-抽水蓄能联合优化调度方案 | |
JP6623514B2 (ja) | 需給制御装置、需給制御方法及び電力供給システム | |
CN104599055A (zh) | 一种钢铁企业的电力负荷需量管理方法 | |
CN117674197B (zh) | 利用虚拟电厂主动支撑的频率调节方法、存储介质及设备 | |
AU2021340055B2 (en) | Power regulation method and power regulation device | |
CN116644851A (zh) | 结合负荷优化配置的热电厂设备控制方法及系统 | |
CN116979611A (zh) | 一种源网荷储分层优化调度方法 | |
CN110676846A (zh) | 电力调峰方法、调度中心及电力调峰系统 | |
CN116054179A (zh) | 一种基于事件触发的电力系统无功趋优控制系统及方法 | |
CN112491049B (zh) | 一种考虑在线煤耗曲线的多能源接入电网优化调度方法 |
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 |