CN113158536A - 一种一次调频能力计算监视方法及系统 - Google Patents
一种一次调频能力计算监视方法及系统 Download PDFInfo
- Publication number
- CN113158536A CN113158536A CN202011638102.8A CN202011638102A CN113158536A CN 113158536 A CN113158536 A CN 113158536A CN 202011638102 A CN202011638102 A CN 202011638102A CN 113158536 A CN113158536 A CN 113158536A
- Authority
- CN
- China
- Prior art keywords
- real
- time
- frequency modulation
- primary frequency
- coal consumption
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种一次调频能力计算监视方法及系统,获取供热机组的主汽阀门开度、实时的主蒸汽温度和主蒸汽压力;输入到预先训练好的计算模型,输出实时的实发功率预测值和标准煤耗预测值;将实发功率预测值和当前实发功率的实时值进行差值运算得到一次调频能力的实时计算值;将标准煤耗预测值和机组理论滑压情况下相应负荷下的标准煤耗量进行差值运算得到当前一次调频能力条件下的标准煤耗损失;将一次调频能力的实时计算值作为横坐标,将标准煤耗损失作为纵坐标,进行曲线显示。优点:本发明计算精度更高,同时具备自学习修正能力,对更好地了解机组的一次调频裕度及火电机组所损失的经济性提供了基础。
Description
技术领域
本发明涉及一种一次调频能力计算监视方法及系统,属于电厂热能动力工程与热工控制技术领域。
背景技术
现阶段,对于电网调度机构只能通过一次调频在线监测系统动作机组负荷后才能判断一次调频效果,无法实时的连续的监测机组一次调频能力。所以,在电网的不同状况下,有必要对电网的一次调频能力做在线评估,使电网在不断变化的负荷需求下能够具有足够的一次调频能力,从而使电网的运行状态具有更高的可控性,提高大电网应付负荷突变的能力。
另外,对于火电机组尤其是超超临界机组在调门全开的情况下节流损失最小,经济性最好,但一次调频能力最弱,企业追求机组经济效益忽视一次调频能力的问题长期困扰电力管理及调度部门。同样需要研究火电机组一次调频能力连续实时监测技术,根据国家标准要求机组一次调频限幅应不小于6%额定负荷,因此正常运行工况下,机组应保持不小于6%额定负荷的一次调频能力。进一步提高区域电网一次调频的监督和管理水平。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷,提供一种一次调频能力计算监视方法及系统。
为解决上述技术问题,本发明提供一种一次调频能力计算监视方法,
获取供热机组的主汽阀门开度、实时的主蒸汽温度和主蒸汽压力;
输入到预先训练好的计算模型,输出实时的实发功率预测值和标准煤耗预测值;
获取当前实发功率的实时值,将实发功率预测值和当前实发功率的实时值进行差值运算得到一次调频能力的实时计算值;
获取机组理论滑压情况下相应负荷下的标准煤耗量,将标准煤耗预测值和机组理论滑压情况下相应负荷下的标准煤耗量进行差值运算得到当前一次调频能力条件下的标准煤耗损失;
将一次调频能力的实时计算值作为横坐标,将标准煤耗损失作为纵坐标,进行曲线显示。
进一步的,所述计算模型采用基于快速向量机模型的计算模型。
进一步的,所述训练好的计算模型的训练过程包括:
获取供热机组的至少1个月的历史数据,所述历史数据包括主汽阀门开度、主蒸汽温度和主蒸汽压力以及对应的实发功率、标准煤耗;
对历史数据采用滑动判别算法进行稳态数据提取,得到稳态数据;
将稳态数据中的主汽阀门开度、主蒸汽温度和主蒸汽压力作为基于快速向量机模型的计算模型的输入量,将稳态数据中的对应的实发功率、标准煤耗作为稳态数据中的输出量,对基于快速向量机模型的计算模型进行训练,得到训练好的计算模型。
进一步的,所述对历史数据采用滑动判别算法进行稳态数据提取,得到稳态数据的过程包括:
在历史数据中,从起始时间第一个采样点选择5min的时间窗口的数据,对窗口中的数据求和;
滑动时间窗到第二个采样点,求时间窗口中的数据和,以此类推,一直将滑动时间窗滑到以下一个5min时间窗口对应的采样点为起点为止;
对滑动时间窗的数据和进行除法运算,计算出的结果如果均为1则表明该5min内的数据为稳态数据。
一种一次调频能力计算监视系统,
第一获取模块,用于获取供热机组的主汽阀门开度、实时的主蒸汽温度和主蒸汽压力;
模型处理模块,用于将获取模块获取的数据输入到预先训练好的计算模型,输出实时的实发功率预测值和标准煤耗预测值;
第一确定模块,用于获取当前实发功率的实时值,将实发功率预测值和当前实发功率的实时值进行差值运算得到一次调频能力的实时计算值;
第二确定模块,获取机组理论滑压情况下相应负荷下的标准煤耗量,将标准煤耗预测值和机组理论滑压情况下相应负荷下的标准煤耗量进行差值运算得到当前一次调频能力条件下的标准煤耗损失;
监视模块,用于将一次调频能力的实时计算值作为横坐标,将标准煤耗损失作为纵坐标,进行曲线显示。
进一步的,所述计算模型采用基于快速向量机模型的计算模型。
进一步的,所述模型处理模块包括训练模块,所述训练模块包括:
第二获取模块,用于获取供热机组的至少1个月的历史数据,所述历史数据包括主汽阀门开度、主蒸汽温度和主蒸汽压力以及对应的实发功率、标准煤耗;
提取模块,用于对历史数据采用滑动判别算法进行稳态数据提取,得到稳态数据;
模型确定模块,用于将稳态数据中的主汽阀门开度、主蒸汽温度和主蒸汽压力作为基于快速向量机模型的计算模型的输入量,将稳态数据中的对应的实发功率、标准煤耗作为稳态数据中的输出量,对基于快速向量机模型的计算模型进行训练,得到训练好的计算模型。
进一步的,所述提取模块包括:
求和模块,用于在历史数据中,从起始时间第一个采样点选择5min的时间窗口的数据,对窗口中的数据求和;
滑动模块,用于滑动时间窗到第二个采样点,求时间窗口中的数据和,以此类推,一直将滑动时间窗滑到以下一个5min时间窗口对应的采样点为起点为止;
计算模块,用于对相滑动时间窗的数据和进行除法运算,计算出的结果如果均为1则确定该5min内的数据为稳态数据。
本发明所达到的有益效果:
针对火电机组一次调频能力在线监测难以及火电机组保证一次调频能力期间机组经济性的损失不明晰的问题,基于计算模型实现了燃煤火电机组实时一次调频能力与经济性关系的在线计算与监视;本发明计算精度更高,同时具备自学习修正能力,对更好地了解机组的一次调频裕度及火电机组所损失的经济性提供了基础。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
一种一次调频能力计算监视方法,
获取供热机组的主汽阀门开度、实时的主蒸汽温度和主蒸汽压力;
输入到预先训练好的计算模型,输出实时的实发功率预测值和标准煤耗预测值;
获取当前实发功率的实时值,将实发功率预测值和当前实发功率的实时值进行差值运算得到一次调频能力的实时计算值;
获取机组理论滑压情况下相应负荷下的标准煤耗量,将标准煤耗预测值和机组理论滑压情况下相应负荷下的标准煤耗量进行差值运算得到当前一次调频能力条件下的标准煤耗损失;
将一次调频能力的实时计算值作为横坐标,将标准煤耗损失作为纵坐标,进行曲线显示。
所述计算模型采用基于快速向量机模型的计算模型,基于快速向量机模型的计算模型的计算步骤为:
(1)初始化噪声方差σ2;
(2)用独立的基函数φi(i=1,2,…,N)初始化其对应的超参数αi,N为训练样本个数,超参数αi的计算公式为:
式中||·||表示欧氏范数计算符,t为模型预测值,并设置其他的为无穷大;
(3)计算协方差矩阵∑、权重矩阵μ并对所有M个基函数φm初始化中间计算变量sm与qm,下标m表示M基函数中的第m个;
∑=(σ-2ΦTΦ+A)-1,其中A=diag(α0,α1,...,αN)
μ=σ-2∑ΦTt,其中Φ=[φ1,φ2,...,φN]T
式中A为中间计算矩阵;diag(·)为对角阵运算符;上标T为矩阵转置运算;
(4)从所有初始化中的M个基函数φm集合中选择候选的基函数φi;
(6)若θi>0且αi<∞则基函数φi包含在模型中,重新评估超参数αi;
(7)若θi>0且αi=∞则基函数φi不包含在模型中,增补φi到模型中并重新评估超参数αi;
(8)若θi≤0且αi<∞则不包含φi需删除并设置超参数αi=∞;
(10)对协方差矩阵∑、权重矩阵μ以及相应迭代过程中的sm与qm进行重新计算;
(11)当超参数收敛时或者达到迭代最大步数,则将最终的权重值做为模型的最终参数;否则转步骤(4)。
所述训练好的计算模型的训练过程包括:
获取供热机组的至少1个月的历史数据,所述历史数据包括主汽阀门开度、主蒸汽温度和主蒸汽压力以及对应的实发功率、标准煤耗;
对历史数据采用滑动判别算法进行稳态数据提取,得到稳态数据;
将稳态数据中的主汽阀门开度、主蒸汽温度和主蒸汽压力作为基于快速向量机模型的计算模型的输入量,将稳态数据中的对应的实发功率、标准煤耗作为稳态数据中的输出量,对基于快速向量机模型的计算模型进行训练,得到训练好的计算模型。
稳态数据的提取方法如下:
(1)从存储的数据中从起始时间第一个采样点选择5min的时间窗口数据,对窗口中的数据求和;
(2)滑动时间窗到第二个采样点,求时间窗口中的数据和,以此类推,一直将滑动时间窗滑到以5min对应的采样点为起点为止;
(3)对相滑动时间窗的数据和进行除法运算,计算出的结果如果均接近于1则表明该5min内的数据为稳态数据。
筛选前的数据需至少有1个月的历史数据存储,将所有筛选出的稳态数据送入模型中进行模型训练求解,得出的模型即为该系统的核心计算模型。将该模型进行实时在线数据输入,一次调频能力的计算即为除汽机阀门开度设定为100,其它数据均为实时值,得出的实发功率预测值减去当前实发功率的实时值即为一次调频能力的实时计算值;对于经济性的运算,将模型输入的所有实时数据送入计算模型可计算出当前负荷下的机组标准煤耗量,将其与厂家给出的机组理论滑压情况下相应负荷下的标准煤耗量做差值运算,得出的即为当前一次调频能力条件下的标准煤耗损失;将一次调频能力作为横坐标,将标准煤耗损失作为纵坐标,进行曲线显示,从而实现燃煤火电机组实时一次调频能力与经济性关系的在线计算与监视。
相应的本发明还提供一种一次调频能力计算监视系统,
第一获取模块,用于获取供热机组的主汽阀门开度、实时的主蒸汽温度和主蒸汽压力;
模型处理模块,用于将获取模块获取的数据输入到预先训练好的计算模型,输出实时的实发功率预测值和标准煤耗预测值;
第一确定模块,用于获取当前实发功率的实时值,将实发功率预测值和当前实发功率的实时值进行差值运算得到一次调频能力的实时计算值;
第二确定模块,获取机组理论滑压情况下相应负荷下的标准煤耗量,将标准煤耗预测值和机组理论滑压情况下相应负荷下的标准煤耗量进行差值运算得到当前一次调频能力条件下的标准煤耗损失;
监视模块,用于将一次调频能力的实时计算值作为横坐标,将标准煤耗损失作为纵坐标,进行曲线显示。
所述计算模型采用基于快速向量机模型的计算模型。
所述模型处理模块包括训练模块,所述训练模块包括:
第二获取模块,用于获取供热机组的至少1个月的历史数据,所述历史数据包括主汽阀门开度、主蒸汽温度和主蒸汽压力以及对应的实发功率、标准煤耗;
提取模块,用于对历史数据采用滑动判别算法进行稳态数据提取,得到稳态数据;
模型确定模块,用于将稳态数据中的主汽阀门开度、主蒸汽温度和主蒸汽压力作为基于快速向量机模型的计算模型的输入量,将稳态数据中的对应的实发功率、标准煤耗作为稳态数据中的输出量,对基于快速向量机模型的计算模型进行训练,得到训练好的计算模型。
所述提取模块包括:
求和模块,用于在历史数据中,从起始时间第一个采样点选择5min的时间窗口的数据,对窗口中的数据求和;
滑动模块,用于滑动时间窗到第二个采样点,求时间窗口中的数据和,以此类推,一直将滑动时间窗滑到以下一个5min时间窗口对应的采样点为起点为止;
计算模块,用于对相滑动时间窗的数据和进行除法运算,计算出的结果如果均为1则确定该5min内的数据为稳态数据。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种一次调频能力计算监视方法,其特征在于,
获取供热机组的主汽阀门开度、实时的主蒸汽温度和主蒸汽压力;
输入到预先训练好的计算模型,输出实时的实发功率预测值和标准煤耗预测值;
获取当前实发功率的实时值,将实发功率预测值和当前实发功率的实时值进行差值运算得到一次调频能力的实时计算值;
获取机组理论滑压情况下相应负荷下的标准煤耗量,将标准煤耗预测值和机组理论滑压情况下相应负荷下的标准煤耗量进行差值运算得到当前一次调频能力条件下的标准煤耗损失;
将一次调频能力的实时计算值作为横坐标,将标准煤耗损失作为纵坐标,进行曲线显示。
2.根据权利要求1所述的一次调频能力计算监视方法,其特征在于,所述计算模型采用基于快速向量机模型的计算模型。
3.根据权利要求2所述的一次调频能力计算监视方法,其特征在于,所述训练好的计算模型的训练过程包括:
获取供热机组的至少1个月的历史数据,所述历史数据包括主汽阀门开度、主蒸汽温度和主蒸汽压力以及对应的实发功率、标准煤耗;
对历史数据采用滑动判别算法进行稳态数据提取,得到稳态数据;
将稳态数据中的主汽阀门开度、主蒸汽温度和主蒸汽压力作为基于快速向量机模型的计算模型的输入量,将稳态数据中的对应的实发功率、标准煤耗作为稳态数据中的输出量,对基于快速向量机模型的计算模型进行训练,得到训练好的计算模型。
4.根据权利要求3所述的一次调频能力计算监视方法,其特征在于,所述对历史数据采用滑动判别算法进行稳态数据提取,得到稳态数据的过程包括:
在历史数据中,从起始时间第一个采样点选择5min的时间窗口的数据,对窗口中的数据求和;
滑动时间窗到第二个采样点,求时间窗口中的数据和,以此类推,一直将滑动时间窗滑到以下一个5min时间窗口对应的采样点为起点为止;
对滑动时间窗的数据和进行除法运算,计算出的结果如果均为1则表明该5min内的数据为稳态数据。
5.一种一次调频能力计算监视系统,其特征在于,
第一获取模块,用于获取供热机组的主汽阀门开度、实时的主蒸汽温度和主蒸汽压力;
模型处理模块,用于将获取模块获取的数据输入到预先训练好的计算模型,输出实时的实发功率预测值和标准煤耗预测值;
第一确定模块,用于获取当前实发功率的实时值,将实发功率预测值和当前实发功率的实时值进行差值运算得到一次调频能力的实时计算值;
第二确定模块,获取机组理论滑压情况下相应负荷下的标准煤耗量,将标准煤耗预测值和机组理论滑压情况下相应负荷下的标准煤耗量进行差值运算得到当前一次调频能力条件下的标准煤耗损失;
监视模块,用于将一次调频能力的实时计算值作为横坐标,将标准煤耗损失作为纵坐标,进行曲线显示。
6.根据权利要求5所述的一次调频能力计算监视系统,其特征在于,所述计算模型采用基于快速向量机模型的计算模型。
7.根据权利要求6所述的一次调频能力计算监视系统,其特征在于,所述模型处理模块包括训练模块,所述训练模块包括:
第二获取模块,用于获取供热机组的至少1个月的历史数据,所述历史数据包括主汽阀门开度、主蒸汽温度和主蒸汽压力以及对应的实发功率、标准煤耗;
提取模块,用于对历史数据采用滑动判别算法进行稳态数据提取,得到稳态数据;
模型确定模块,用于将稳态数据中的主汽阀门开度、主蒸汽温度和主蒸汽压力作为基于快速向量机模型的计算模型的输入量,将稳态数据中的对应的实发功率、标准煤耗作为稳态数据中的输出量,对基于快速向量机模型的计算模型进行训练,得到训练好的计算模型。
8.根据权利要求7所述的一次调频能力计算监视系统,其特征在于,所述提取模块包括:
求和模块,用于在历史数据中,从起始时间第一个采样点选择5min的时间窗口的数据,对窗口中的数据求和;
滑动模块,用于滑动时间窗到第二个采样点,求时间窗口中的数据和,以此类推,一直将滑动时间窗滑到以下一个5min时间窗口对应的采样点为起点为止;
计算模块,用于对相滑动时间窗的数据和进行除法运算,计算出的结果如果均为1则确定该5min内的数据为稳态数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011638102.8A CN113158536B (zh) | 2020-12-31 | 2020-12-31 | 一种一次调频能力计算监视方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011638102.8A CN113158536B (zh) | 2020-12-31 | 2020-12-31 | 一种一次调频能力计算监视方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113158536A true CN113158536A (zh) | 2021-07-23 |
CN113158536B CN113158536B (zh) | 2022-06-28 |
Family
ID=76878363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011638102.8A Active CN113158536B (zh) | 2020-12-31 | 2020-12-31 | 一种一次调频能力计算监视方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113158536B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115875091A (zh) * | 2021-09-26 | 2023-03-31 | 国能智深控制技术有限公司 | 汽轮机阀门流量特性的监测方法、装置和可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105720596A (zh) * | 2014-12-02 | 2016-06-29 | 国家电网公司 | 电力储能系统的调频方法和装置 |
CN106026099A (zh) * | 2016-05-20 | 2016-10-12 | 国网山东省电力公司电力科学研究院 | 基于数据分析的电网一次调频能力实时监控系统及方法 |
CN110824927A (zh) * | 2019-11-29 | 2020-02-21 | 江苏方天电力技术有限公司 | 具有自适应学习特征的火电机组一次调频精确调节方法 |
-
2020
- 2020-12-31 CN CN202011638102.8A patent/CN113158536B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105720596A (zh) * | 2014-12-02 | 2016-06-29 | 国家电网公司 | 电力储能系统的调频方法和装置 |
CN106026099A (zh) * | 2016-05-20 | 2016-10-12 | 国网山东省电力公司电力科学研究院 | 基于数据分析的电网一次调频能力实时监控系统及方法 |
CN110824927A (zh) * | 2019-11-29 | 2020-02-21 | 江苏方天电力技术有限公司 | 具有自适应学习特征的火电机组一次调频精确调节方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115875091A (zh) * | 2021-09-26 | 2023-03-31 | 国能智深控制技术有限公司 | 汽轮机阀门流量特性的监测方法、装置和可读存储介质 |
CN115875091B (zh) * | 2021-09-26 | 2024-01-09 | 国能智深控制技术有限公司 | 汽轮机阀门流量特性的监测方法、装置和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113158536B (zh) | 2022-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ekonomou et al. | A short-term load forecasting method using artificial neural networks and wavelet analysis | |
CN107479389B (zh) | 一种火电机组过热汽温预测模糊自适应pid控制方法 | |
CN111159844B (zh) | 一种电站燃气轮机排气温度的异常检测方法 | |
CN110285403A (zh) | 基于被控参数预估的主蒸汽温度控制方法 | |
CN112613554B (zh) | 一种风力发电机变桨系统故障预测方法和系统 | |
CN109861310B (zh) | 超临界火电机组一次调频系统辨识变量选择方法 | |
CN112365045A (zh) | 一种基于大数据的主蒸汽温度智能预测方法 | |
CN109538311B (zh) | 面向高端发电装备中汽轮机的控制性能实时监测方法 | |
CN110874665B (zh) | 用于风力发电机组的控制装置和方法 | |
CN113158536B (zh) | 一种一次调频能力计算监视方法及系统 | |
Zeqiu et al. | Modeling and optimization of the steam turbine network of an ethylene plant | |
CN112018758A (zh) | 基于数字孪生的含高比例新能源交直流混联系统建模方法 | |
Wang et al. | Flexible electric power control for coal-fired units by incorporating feedwater bypass | |
CN116306306A (zh) | 一种基于非洲秃鹫算法的微网惯性常数估计方法 | |
Jones et al. | Predictive feedforward control for a hydroelectric plant | |
Citroen et al. | Long term electricity demand forecasting using autoregressive integrated moving average model: Case study of Morocco | |
Liu et al. | Prediction of peak values in time series data for prognostics of critical components in nuclear power plants | |
CN109270917B (zh) | 一种面向智能电厂汽轮机轴承的闭环控制系统故障退化状态预测方法 | |
Morato et al. | LPV-Filtered Predictive Control Design for Fault-Tolerant Energy Management | |
Lasheen et al. | Robust model predictive control for collective pitch in wind energy conversion systems | |
Shi et al. | Phase I analysis of hidden operating status for wind turbine | |
Ou et al. | Fault Prediction Model of Wind Power Pitch System Based on BP Neural Network | |
Tang et al. | Computer Prediction Model of Heat Consumption in Thermal System of Coal-Fired Power Station Based on Big Data Analysis and Information Sorting | |
CN114383130B (zh) | 锅炉过热汽温度控制方法、装置、设备及存储介质 | |
CN112529306B (zh) | 基于油系统油温估计的调相机潜伏性缺陷诊断方法和装置 |
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 |