CN112803501B - 一种基于机器学习算法的火电机组自优化辅助调频方法 - Google Patents

一种基于机器学习算法的火电机组自优化辅助调频方法 Download PDF

Info

Publication number
CN112803501B
CN112803501B CN202110001786.9A CN202110001786A CN112803501B CN 112803501 B CN112803501 B CN 112803501B CN 202110001786 A CN202110001786 A CN 202110001786A CN 112803501 B CN112803501 B CN 112803501B
Authority
CN
China
Prior art keywords
frequency modulation
unit
primary
primary frequency
self
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
Application number
CN202110001786.9A
Other languages
English (en)
Other versions
CN112803501A (zh
Inventor
董建朋
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.)
Datang Sanmenxia Electric Power Co ltd
Huazhong Electric Power Test Research Institute China of Datang Corp Science and Technology Research Institute Co Ltd
Original Assignee
Datang Sanmenxia Electric Power Co ltd
Huazhong Electric Power Test Research Institute China of Datang Corp Science and Technology Research Institute Co Ltd
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 Datang Sanmenxia Electric Power Co ltd, Huazhong Electric Power Test Research Institute China of Datang Corp Science and Technology Research Institute Co Ltd filed Critical Datang Sanmenxia Electric Power Co ltd
Priority to CN202110001786.9A priority Critical patent/CN112803501B/zh
Publication of CN112803501A publication Critical patent/CN112803501A/zh
Application granted granted Critical
Publication of CN112803501B publication Critical patent/CN112803501B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H02J3/48—Controlling the sharing of the in-phase component
    • 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
    • H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
    • H02J3/241—The oscillation concerning frequency
    • 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)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种基于机器学习算法的火电机组自优化辅助调频方法，技术方案是机组一次调频动作过程中，实时计算机组一次调频贡献率；根据实时计算的一次调频贡献率，对机组一次调频动作目标值进行一次修正；采用K近邻模型算法预测当前工况下的调频效果，对机组一次调频动作目标值进行二次修正；采集、计算、存储机组一次调频动作数据，利用决策树模型算法对数据进行评价，择优更新K近邻模型算法数据集，持续在线自学习、自整定、自优化机组一次调频控制参数，本发明实时计算机组一次调频贡献率，修正机组一次调频动作目标值，以及持续在线自学习、自整定、自优化机组一次调频控制参数，以达到提升机组的一次调频合格率。

Description

一种基于机器学习算法的火电机组自优化辅助调频方法
技术领域
本发明属于火电机组一次调频技术领域，具体涉及一种基于机器学习算法的火电机组自优化辅助调频方法。
背景技术
网频是电网负荷与发电机有功功率的平衡关系，是电网运行的重要控制参数，关系到整个电网的安全性、稳定性、经济性等众多因素。发电机组的一次调频功能，其重要目的是当电网频率发生变化时，各发电机组快速响应，及时调整有功功率，使电网频率重新回到调频死区内，确保电网频率的安全性、稳定性。
一次调频贡献率是目前电网对发电机组一次调频性能最重要的考核参数，其表征的是当电网频率发生偏离时，机组实际贡献的一次调频频负荷与理论计算的贡献负荷比值，一次调频贡献率越大，说明发电机组在电网频率发生改变时，对电网频率的调节作用越大，对电网稳定性越有利。
由于发电机组一次调频特性受到汽轮机阀门流量特性、主蒸汽压力、机组负荷、调节品质等综合因素影响，目前，很多机组的一次调频特性不够理想，调频合格率偏低。
发明内容
针对上述情况，为克服现有技术之不足，本发明之目的就是提供一种基于机器学习算法的火电机组自优化辅助调频方法，可有效解决提高火电机组的一次调频合格率、改善调频过程机组运行稳定性的问题。
本发明采用的技术方案是：
一种基于机器学习算法的火电机组自优化辅助调频方法，包括以下步骤：
步骤S1：机组一次调频动作过程中，实时计算机组一次调频贡献率；
步骤S2：根据实时计算的一次调频贡献率，对机组一次调频动作目标值进行一次修正；
步骤S3：采用K近邻模型算法预测当前工况下的调频效果，对机组一次调频动作目标值进行二次修正；
步骤S4：采集、计算、存储机组一次调频动作数据，利用决策树模型算法对数据进行评价，择优更新K近邻模型算法数据集，持续在线自学习、自整定、自优化机组一次调频控制参数。
本发明方法新颖独特，机组一次调频动作过程中，实时计算机组一次调频贡献率，结合机器学习的K近邻模型算法、决策树模型算法，修正机组一次调频动作目标值，以及持续在线自学习、自整定、自优化机组一次调频控制参数，以达到提升机组的一次调频合格率，满足电网要求，适用于各种机组类型和运行方式，能够显著提高火电机组的一次调频合格率，并改善调频过程机组的运行稳定性，其使用方便，效果好，是火电机组一次调频上的创新，有良好的社会和经济效益。
附图说明
图1为本发明调频方法的框式流程图；
图2为本发明决策树模型结构图。
具体实施方式
以下结合实施例对本发明的具体实施方式作进一步详细说明。
本发明方法基于台式机、笔记本、工控机等计算设备，可以包括电源、通讯卡、机箱、处理器、储存器、显示器、鼠标、键盘等现有技术，即可满足本发明方法的实现，设备通过通讯接口实现与火电控制系统之间的数据交换，具备基本的数据存储、调用、分析工作，具体的设备可根据现场情况灵活调整、配置。
本发明基于机器学习算法的火电机组自优化辅助调频方法包括以下步骤：
步骤S1：机组一次调频动作过程中，实时计算机组一次调频贡献率。
在步骤S1中，判断一次调频动作，
在本实施例中，通过机组转速信号与额定转速3000r/min做绝对差值计算，如果绝对差值大于2r/min，则判断机组一次调频动作；
在步骤S1中，计算机组一次调频贡献率，
通过利用下面公式计算，代入机组的实时转速、功率值，就可以最终计算得到机组的一次调频贡献率。
(1)计算机组的一次调频理论贡献电量(理论一次调频积分电量)He：
ΔP(Δf,t)＝Δf(t)×MCR/fn×Kc
其中：
Δf(t)＝|ft-50|-f人工死区；
|Δf(t)|—对应电网频率变化超过死区的频率差绝对值；
MCR—机组额定有功出力；
fn—电网额定频率50Hz；
ft—对应t时刻的电网频率(Hz)；
KC—机组速度变动率(永态转差系数)；
f人工死区人工设置的非调节区域，火电控制在±0.033Hz(±2r/min)内；
(2)计算机组的一次调频实际贡献电量Hi：
式中：
Hi：机组一次调频实际贡献电量；高频少发或低频多发电量为正，高频多发或低频少发电量为负。
to：系统频率超过机组一次调频动作死区的时刻；
tt：系统频率进入机组一次调频动作死区的时刻；
Pt：t时刻机组实际发电有功功率；
Po：to时刻机组实际发电有功功率；(或to时刻前10秒平均值)
(3)计算机组一次调频贡献率K
一次调频贡献率K＝(一次调频实际贡献电量/一次调频理论贡献电量)×100％，即：
步骤S2：根据实时计算的一次调频贡献率，对机组一次调频动作目标值进行一次修正。
计算公式如下：
(1)计算动态辅助调频一次修正系数
A1＝f(K)
K：实时计算的一次调频贡献率；
A1：动态辅助调频一次修正系数；
(2)动态辅助调频一次修正
y1＝A1x
x:原机组一次调频动作目标值；
y1:一次修正后的机组一次调频动作目标值；
一次调频贡献率(简称贡献率)K与动态辅助调频一次修正系数(简称修正系数)A1的函数关系，是根据《火力发电机组一次调频试验及性能验收导则》开展60％、75％、90％工况下的一次调频特性扰动试验，并在试验过程对动态辅助调频一次修正回路参数进行整定。
步骤S3：采用K近邻模型算法预测当前工况下的调频效果，对机组一次调频动作目标值进行二次修正。
(1)通过定向扰动试验、参数调整，创建训练数据集
在实施例中，步骤S2完成了机组的一次调频扰动试验和参数调整，利用其试验数据就可以创建K近邻模型的数据集s，该技术为现有技术，本领域专业技术人员依据试验导则均能够创建该数据集；
s＝{(x1,c1),(x2,c2)…,(xn,cn)}
xn:样本；
cn:样本对应的一次调频贡献率；
s:数据集；
本实施例中的数据集参数包括频率、阀位、负荷、压力、一次修正系数、一次调频贡献率共6个参数，数据集部分数据如下：
频率(Hz) 阀位(％) 负荷(MW) 压力(MPa) 修正系数 贡献率
49.97 86.21 181.46 15.86 1.20 131.14％
49.93 67.8 183.9 11.54 1.30 58.01％
50.07 67.8 181.3 11.37 1.00 65.04％
49.93 71.2 243.9 15.24 0.70 31.99％
50.07 71 241.4 15.08 1.30 24.96％
49.90 69.2 243.6 15.46 0.90 60.12％
49.93 74.9 275.3 16.1 1.10 92.11％
50.07 75 272.8 16 1.20 64.69％
49.90 75 274 16.13 0.70 123.75％
49.93 85.11 205.33 15.99 1.00 87.49％
50.07 85.11 202.98 15.69 0.70 139.09％
49.90 85.11 203.94 15.93 0.90 67.09％
50.10 85.11 200.56 15.57 0.80 82.37％
49.93 86.1 202.72 15.4 1.10 55.94％
50.07 77 455 20.56 0.90 84.38％
49.93 77 458 20.65 1.30 69.19％
50.10 77 453 20.53 0.70 90.19％
50.10 71.5 380 18.9 1.00 51.47％
49.90 71.5 382 19.1 0.90 47.63％
49.93 72 382 18.9 1.20 89.06％
49.93 77 501 22.8 1.00 84.19％
50.07 76.5 496 22.6 1.20 112.50％
49.90 76.9 500 22.77 1.00 105.56％
50.10 76.6 501 22.56 1.10 104.25％
(2)验证、训练K近邻模型。
在本技术方案中，完成模型算法建立后，开展了为期一周的模型验证和训练工作，具体实施如下：
每次一次调频动作，算法自动跟踪采集样本x*，并计算预测调频贡献率，算法如下：
计算样本x*与数据集各样本距离：
Dist(x*,s)＝{Dist(x*,x1),Dist(x*,x2)…,Dist(x*,xn)}
x*:采集的新样本；
xn:数据集中的样本；
s:数据集；
样本x*与数据集各样本距离进行排序
Distorder(x*,s)＝{Dist(x*,xp1),Dist(x*,xp2)…,Dist(x*,xpn)}
x*:采集的新样本；
xpn:根据数据集样本距离的排序；
s:数据集；
计算样本x*的k近邻集合：
Nk(x*)＝{xp1…,xpk}
Nk(x*):k近邻集合；
xpk:k近邻集合样本(k为取值参数)；
计算样本x*的预测调频贡献率
c*＝Majority(cp1,…cpk)
cpk:k近邻预测调频贡献率集合；
c*:多数表决预测调频贡献率；
在本实施例中，前期持续对比样本的预测调频贡献率与实际调频贡献率，并不断累积数据集数据，随着数据集数据量的不断丰富，K近邻模型算法的预测准确度也在不断提升，投入动态辅助调频二次修正。
(3)投入动态辅助调频二次修正。
在本实施例中，通过再次开展机组的一次调频扰动试验，来完成动态辅助调频二次修正的参数调整。具体计算公式如下：
计算动态辅助调频二次修正系数
A2＝f(c*)
c*：预测调频贡献率；
A2：动态辅助调频二次修正系数；
动态辅助调频二次修正
y2＝A2y1
y1：一次修正后的机组一次调频动作目标值；
y2：二次修正后的机组一次调频动作目标值；
步骤S4：采集、计算、存储机组一次调频动作数据，利用决策树模型算法对数据进行评价，择优更新K近邻模型算法数据集，持续在线自学习、自整定、自优化机组一次调频控制参数。
(1)主要采集、计算、存储数据如下：
·一次调频动作信号、动作开始时间、动作结束时间；
·机组一次调频理论贡献电量、一次调频实际贡献电量，一次调频贡献率、阀位开度值、负荷值、转速值、压力值；
·一次调频动作结束，判断机组负荷变化是否与调频要求一致，一致标记为同向，不一致标记为反向。
·一次调频动作结束，判断一次调频贡献率K是否达到电网要求值，达到则标记为合格，达不到则标记为不合格。
(2)如图2决策树模型结构图所示，利用决策树模型算法对数据进行评价，择优更新K近邻模型算法数据集，持续在线自学习、自整定、自优化机组一次调频控制参数。
本发明方法已在多台火电机组进行了实践，机组一次调频特性得到显著改善，调频合格率提升到90％以上。通过实践证明，该技术方案适用于各种机组类型和运行方式，充分克服了运行工况、现场设备、控制参数等不利影响因素，能够显著提高火电机组的一次调频合格率，并改善调频过程机组的运行稳定性。

Claims (3)

1.一种基于机器学习算法的火电机组自优化辅助调频方法，其特征在于，包括以下步骤：
步骤S1：机组一次调频动作过程中，实时计算机组一次调频贡献率；
步骤S2：根据实时计算的一次调频贡献率，对机组一次调频动作目标值进行一次修正；
步骤S3：采用K近邻模型算法预测当前工况下的调频效果，对机组一次调频动作目标值进行二次修正；
步骤S4：采集、计算、存储机组一次调频动作数据，利用决策树模型算法对数据进行评价，择优更新K近邻模型算法数据集，持续在线自学习、自整定、自优化机组一次调频控制参数；
所述步骤S3的具体方法包括：
(1)通过定向扰动试验、参数调整，创建训练数据集
根据《火力发电机组一次调频试验及性能验收导则》开展60％、75％、90％工况下的一次调频特性扰动试验，并在试验过程对动态辅助调频一次修正回路参数进行整定；
根据一次调频特性扰动试验的试验数据，创建由频率、阀位、负荷、压力、一次修正系数、一次调频贡献率这些参数组成的数据集s：
s＝{(x1，c1)，(x2，c2)…，(xn，cn)}
其中：
xn：样本；
cn：样本对应的一次调频贡献率；
s；数据集；
(2)一次调频动作过程中，根据K近邻模型数据集格式，采集样本x，并计算样本x与数据集内各样本的距离；
Dist(x*，s)＝{Dist(x*，x1)，Dist(x*，x2)…，Dist(x*，xn)}
x*.采集的新样本；
xn：数据集中的样本；
s：数据集；
(3)样本x*与数据集各样本距离进行排序
Distorder(x*，s)＝{Dist(x*，xp1)，Dist(x*，xp2)…，Dist(x*，xpn)}
x*：采集的新样本；
xpn：根据数据集样本距离的排序；
s：数据集；
(4)计算样本x*的k近邻集合，并得出预测值；
入k(x*)＝{xp1…，xpk}
c*＝Majority(cp1，…cpk)
Nk(x*)：k近邻集合；
xpk：k近邻集合样本；
cpk：k近邻预测调频贡献率集合；
c*：预测调频贡献率；
(5)计算动态辅助调频二次修正系数
A2＝f(c*)
c*：预测调频贡献率；
A2：动态辅助调频二次修正系数；
(6)动态辅助调频二次修正
y2＝A2y1
y1：一次修正后的机组一次调频动作目标值；
y2：二次修正后的机组一次调频动作目标值。
2.根据权利要求1所述的基于机器学习算法的火电机组自优化辅助调频方法，其特征在于，所述步骤S1的具体方法包括：
(1)计算机组的一次调频理论贡献电量He：
ΔP(Δf，t)＝Δf(t)×MCR/fn×Kc
其中：
Δf(t)＝|ft-50|-f人工死区；
|Δf(t)|-对应电网频率变化超过死区的频率差绝对值；
MCR-机组额定有功出力；
fn-电网额定频率50Hz；
ft-对应t时刻的电网频率(Hz)；
KC-机组速度变动率；
(2)计算机组的一次调频实际贡献电量Hi：
式中：
Hi：机组一次调频实际贡献电量；高频少发或低频多发电量为正，高频多发或低频少发电量为负；
to：系统频率超过机组一次调频动作死区的时刻；
tt：系统频率进入机组一次调频动作死区的时刻；
Pt：t时刻机组实际发电有功功率；
Po：to时刻机组实际发电有功功率；
(3)计算机组一次调频贡献率K
一次调频贡献率K＝(一次调频实际贡献电量/一次调频理论贡献电量)×100％,即：
3.根据权利要求1所述的基于机器学习算法的火电机组自优化辅助调频方法，其特征在于，所述步骤S2的具体方法包括：
(1)计算动态辅助调频一次修正系数
A1＝f(K)
K：实时计算的一次调频贡献率；
A1：动态辅助调频一次修正系数；
(2)动态辅助调频一次修正
y1＝A1x
x：原机组一次调频动作目标值；
y1：一次修正后的机组一次调频动作目标值。
CN202110001786.9A 2021-01-04 2021-01-04 一种基于机器学习算法的火电机组自优化辅助调频方法 Active CN112803501B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110001786.9A CN112803501B (zh) 2021-01-04 2021-01-04 一种基于机器学习算法的火电机组自优化辅助调频方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110001786.9A CN112803501B (zh) 2021-01-04 2021-01-04 一种基于机器学习算法的火电机组自优化辅助调频方法

Publications (2)

Publication Number Publication Date
CN112803501A CN112803501A (zh) 2021-05-14
CN112803501B true CN112803501B (zh) 2023-09-08

Family

ID=75807704

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110001786.9A Active CN112803501B (zh) 2021-01-04 2021-01-04 一种基于机器学习算法的火电机组自优化辅助调频方法

Country Status (1)

Country Link
CN (1) CN112803501B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113792258A (zh) * 2021-09-18 2021-12-14 广东电网有限责任公司广州供电局 一种电网企业信息化投资的贡献率确定方法
CN113972669B (zh) * 2021-11-01 2023-11-24 国网重庆市电力公司电力科学研究院 一种发电机组一次调频动态调节能力在线预测方法
CN116031902B (zh) * 2023-02-24 2024-01-30 山东鲁能控制工程有限公司 一种火电机组的调频控制方法及系统
CN117375028B (zh) * 2023-12-08 2024-03-22 西安热工研究院有限公司 一种火电机组一次调频在线评估及储能优化配置方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103066620A (zh) * 2012-12-24 2013-04-24 中国电力科学研究院 间歇能源并网下的自动发电控制模型的设计方法
CN109636247A (zh) * 2019-01-14 2019-04-16 国电南瑞科技股份有限公司 一种火电机组一次调频性能考核指标计算方法及其系统
WO2019244422A1 (ja) * 2018-06-22 2019-12-26 株式会社日立製作所 電力系統運用支援装置および方法、並びに振動抑制システム
CN110943463A (zh) * 2019-12-02 2020-03-31 国网浙江省电力有限公司湖州供电公司 一种基于深度学习储能电池参与的电网快速调频控制方法
CN112003272A (zh) * 2020-08-11 2020-11-27 东北电力大学 一种基于卷积神经网络的电力系统频率安全控制方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017195698A1 (ja) * 2016-05-09 2017-11-16 パナソニックＩｐマネジメント株式会社 発電設備監視システム、発電設備監視方法、及びプログラム
US10797511B2 (en) * 2018-09-28 2020-10-06 Johnson Controls Technology Company Photovoltaic energy system with stationary energy storage control and power factor correction

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103066620A (zh) * 2012-12-24 2013-04-24 中国电力科学研究院 间歇能源并网下的自动发电控制模型的设计方法
WO2019244422A1 (ja) * 2018-06-22 2019-12-26 株式会社日立製作所 電力系統運用支援装置および方法、並びに振動抑制システム
CN109636247A (zh) * 2019-01-14 2019-04-16 国电南瑞科技股份有限公司 一种火电机组一次调频性能考核指标计算方法及其系统
CN110943463A (zh) * 2019-12-02 2020-03-31 国网浙江省电力有限公司湖州供电公司 一种基于深度学习储能电池参与的电网快速调频控制方法
CN112003272A (zh) * 2020-08-11 2020-11-27 东北电力大学 一种基于卷积神经网络的电力系统频率安全控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于粒子群算法辨识的火电机组一次调频系统建模及性能提升";王若宇;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑 (月刊)》;20201115;全文 *

Also Published As

Publication number Publication date
CN112803501A (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
CN112803501B (zh) 一种基于机器学习算法的火电机组自优化辅助调频方法
Liu et al. Short-term prognostics of PEM fuel cells: A comparative and improvement study
CN107492888B (zh) 一种直流受端交流系统的电压薄弱区域评估方法
CN112069727A (zh) 具备高可信度的电力系统暂态稳定智能化评估系统及方法
CN113095591A (zh) 一种用于火电机组运行参数自寻优的耗差分析方法
CN112377985A (zh) 基于反馈神经网络的供热机组调峰下限评估方法及系统
CN110137948B (zh) 一种双馈风电场次同步振荡风险的评估方法及装置
CN108964061A (zh) 一种考虑负荷频率电压静特性的含风电交直流电力系统概率动态连续潮流新方法
CN112070358A (zh) 低真空供热机组电负荷调整区间确定方法及系统
Arastou et al. Modeling and parameter estimation of a steam power plant including condenser back-pressure uncertainty using operational data
Fu et al. Regression forecast of main steam flow based on mean impact value and support vector regression
CN110017184A (zh) 一种基于强化学习算法的分布式余压发电系统及其控制方法
CN109779891A (zh) 汽轮发电机组背压及循环水量的优化方法
Chen et al. Application of deep learning modelling of the optimal operation conditions of auxiliary equipment of combined cycle gas turbine power station
Bento et al. Analysis of the load growth direction variation in the dynamic security assessment
CN115549118A (zh) 配电网无功补偿设备出力平滑指数预测方法
CN112330189B (zh) 一种基于试验信息的火电机组agc动态特性评估方法
CN113538170A (zh) 一种基于生命周期的燃气供应系统经济性能分析方法
CN111105085A (zh) 一种抽水蓄能机组水泵工况停机策略优化方法、系统及介质
CN111798049B (zh) 一种基于集成学习与多目标规划的电压稳定评估方法
CN117277349A (zh) 一种风电最大穿透率评估方法、系统、存储介质及嵌入式装置
CN113283105B (zh) 一种考虑电压安全约束的能源互联网分布式优化调度方法
Yu et al. Particle Swarm Optimization Algorithm and its Application in Parameter Identification of Generator Set Speed Regulation System
CN105930915A (zh) 一种高载能企业综合用电成本计算方法
CN117239781A (zh) 基于电力系统受扰后频率预测的一次调频优化方法及应用

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