CN114565328B - 一种agc调频性能的考核方法及装置 - Google Patents
一种agc调频性能的考核方法及装置 Download PDFInfo
- Publication number
- CN114565328B CN114565328B CN202210463319.2A CN202210463319A CN114565328B CN 114565328 B CN114565328 B CN 114565328B CN 202210463319 A CN202210463319 A CN 202210463319A CN 114565328 B CN114565328 B CN 114565328B
- Authority
- CN
- China
- Prior art keywords
- agc
- performance
- frequency modulation
- data
- index
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000007781 pre-processing Methods 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 30
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 31
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000012217 deletion Methods 0.000 claims description 8
- 230000037430 deletion Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 22
- 238000004458 analytical method Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 230000004044 response Effects 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012896 Statistical algorithm Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Feedback Control In General (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种AGC调频性能的考核方法及装置,获取预设考核周期内电厂AGC调频性能的指标相关数据,并进行预处理得到目标指标数据,从目标指标数据中提取出AGC调频性能特征数据,将AGC调频性能特征数据输入至AGC性能考核参数模型得到目标AGC调频性能指标参数,基于目标AGC调频性能指标参数结合调节性能指标衡量方式,综合评判AGC调节过程中调频性能的好坏程度。本发明将AGC性能考核由调度侧移至电厂侧,通过实时采集电厂AGC调频性能的指标相关数据,并利用AGC性能考核参数模型实现对AGC调频性能的考核,可解决调频性能参数精确度低的问题,有效提高AGC调频性能考核的时效性和准确度。
Description
技术领域
本发明涉及网源协调技术领域,更具体的说,涉及一种AGC调频性能的考核方法及装置。
背景技术
为加强网源协调技术管理,提高火电发电机组性能监测水平的技术要求,需要合理的评价发电机组的调频性能指标,保证电力市场公平公正。AGC(Automatic GenerationControl,自动发电控制)是电力系统中频率调整的重要手段,因此如何对AGC调频性能进行考核成为一个重要的研究方向。
目前,对AGC调频性能考核为调度侧的在线考核,需要所有电厂的关键性能指标接入调度侧。但是由于数据量级大、数据类型多和通信延迟等问题,调度侧无法准确识别各个电厂的AGC调频动作,因此难以及时计算分析出各电厂的调频考核情况。并且,完整分析AGC调频动作响应需要全方位、高采样率的实时数据接入,而不同电厂生产运行环境不同、数据采集存在差别,不同工况下数据噪声存在一定差异,故传统的考核方法仅能实现粗略的评估。
因此,如何提供一种AGC调频性能的考核方法,保证AGC调频性能考核的时效性和准确性成为本领域技术人员亟需解决的技术问题。
发明内容
有鉴于此,本发明公开一种AGC调频性能的考核方法及装置,以解决调频性能参数精确度低的问题,有效提高AGC调频性能考核的时效性和准确度。
一种AGC调频性能的考核方法,包括:
获取预设考核周期内电厂AGC调频性能的指标相关数据;
对所述指标相关数据进行预处理得到目标指标数据;
从所述目标指标数据中提取出AGC调频性能特征数据;
将所述AGC调频性能特征数据输入至预先训练的AGC性能考核参数模型,得到目标AGC调频性能指标参数;
基于所述目标AGC调频性能指标参数,结合调节性能指标衡量方式,综合评判AGC调节过程中调频性能的好坏程度。
可选的,所述AGC性能考核参数模型的训练过程如下:
采集AGC调频性能指标的原始历史数据;
对所述原始历史数据进行预处理得到目标历史数据;
对所述目标历史数据采用深度神经网络模型进行训练,得到所述AGC性能考核参数模型,其中,所述AGC性能考核参数模型用于计算AGC调频性能指标参数。
可选的,对所述原始历史数据进行预处理的内容包括:缺失值填充、离群值删除、特征编码、数据标准化和特征选择。
可选的,所述深度神经网络为非监督学习神经网络。
可选的,所述调节性能指标衡量方式的表达式如下:
式中,G Aj 为调节性能指标衡量值,C 1 为所述AGC性能考核参数模型训练所得对应工况下的调节系数,C 2 为考核周期内所得可用率对应的调整系数,A pl 为机组投入AGC时的单次调节精度,n为预设考核周期内AGC调节精度的记录次数。
可选的,还包括:
将所述AGC调节过程中调频性能的好坏程度转换为图表形式进行展示。
一种AGC调频性能的考核装置,包括:
获取单元,用于获取预设考核周期内电厂AGC调频性能的指标相关数据;
预处理单元,用于对所述指标相关数据进行预处理得到目标指标数据;
提取单元,用于从所述目标指标数据中提取出AGC调频性能特征数据;
输入单元,用于将所述AGC调频性能特征数据输入至预先训练的AGC性能考核参数模型,得到目标AGC调频性能指标参数;
性能考核单元,用于基于所述目标AGC调频性能指标参数,结合调节性能指标衡量方式,综合评判AGC调节过程中调频性能的好坏程度。
可选的,还包括:
模型训练模块,用于训练所述AGC性能考核参数模型;
所述模型训练模块具体用于:
采集AGC调频性能指标的原始历史数据;
对所述原始历史数据进行预处理得到目标历史数据;
对所述目标历史数据采用深度神经网络模型进行训练,得到所述AGC性能考核参数模型,其中,所述AGC性能考核参数模型用于计算AGC调频性能指标参数。
可选的,对所述原始历史数据进行预处理的内容包括:缺失值填充、离群值删除、特征编码、数据标准化和特征选择。
可选的,所述深度神经网络为非监督学习神经网络。
从上述的技术方案可知,本发明公开了一种AGC调频性能的考核方法及装置,获取预设考核周期内电厂AGC调频性能的指标相关数据,对指标相关数据进行预处理得到目标指标数据,从目标指标数据中提取出AGC调频性能特征数据,将AGC调频性能特征数据输入至预先训练的AGC性能考核参数模型得到目标AGC调频性能指标参数,基于目标AGC调频性能指标参数,结合调节性能指标衡量方式,综合评判AGC调节过程中调频性能的好坏程度。本发明将AGC性能考核由调度侧移至电厂侧,通过实时采集电厂AGC调频性能的指标相关数据,并利用AGC性能考核参数模型实现对AGC调频性能的考核,因此可以根据不同电厂的环境、设备和工况提供针对性的算法分析,可解决调频性能参数精确度低的问题,有效提高AGC调频性能考核的时效性和准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据公开的附图获得其他的附图。
图1为本发明实施例公开的一种AGC调频性能的考核方法流程图;
图2为本发明实施例公开的一种AGC性能考核参数模型的训练方法流程图;
图3为本发明实施例公开的一种算法调优时序图;
图4为本发明实施例公开的一种算法发布时序图;
图5为本发明实施例公开的一种考核调频有效时间测点W3.UNIT3.3SCS2AI:AIN0910404分析图;
图6为本发明实施例公开的一种机组调频响应时间测点W3.UNIT3.3SCS2AI:AIN09104043分析图;
图7为本发明实施例公开的一种考核调频有效时间测点W3.UNIT3.3SCS2AI:AIN0910404对应的正太分布示意图;
图8为本发明实施例公开的一种机组调频响应时间测点W3.UNIT3.3SCS2AI:AIN09104043对应的正太分布示意图;
图9为本发明实施例公开的一种AGC调频性能的考核装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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他实施例,都属于本发明保护的范围。
本发明实施例公开了一种AGC调频性能的考核方法及装置,获取预设考核周期内电厂AGC调频性能的指标相关数据,对指标相关数据进行预处理得到目标指标数据,从目标指标数据中提取出AGC调频性能特征数据,将AGC调频性能特征数据输入至预先训练的AGC性能考核参数模型得到目标AGC调频性能指标参数,基于目标AGC调频性能指标参数,结合调节性能指标衡量方式,综合评判AGC调节过程中调频性能的好坏程度。本发明将AGC性能考核由调度侧移至电厂侧,通过实时采集电厂AGC调频性能的指标相关数据,并利用AGC性能考核参数模型实现对AGC调频性能的考核,因此可以根据不同电厂的环境、设备和工况提供针对性的算法分析,可解决调频性能参数精确度低的问题,有效提高AGC调频性能考核的时效性和准确度。
参见图1,本发明实施例公开了一种AGC调频性能的考核方法流程图,该方法包括:
步骤S101、获取预设考核周期内电厂AGC调频性能的指标相关数据;
本发明将AGC调频性能考核分析由调度侧移至电厂侧,因此,在进行AGC调频性能考核时,采集的是电厂AGC调频性能的指标相关数据。
其中,预设考核周期指的是实时采集指标相关数据的周期,具体取值依据实际需要而定,本发明在此不做限定。
指标相关数据指的是:与调节速率指标K 1 、响应时间指标K 2 、调节精度指标K 3 、机组调节性能指标K P 等相关的数据。
步骤S102、对所述指标相关数据进行预处理得到目标指标数据;
预处理的内容包括但不限于:缺失值填充、离群值删除、特征编码、数据标准化和特征选择。
本实施例在进行特征选择时,可以提取指标相关数据一段时间的均值和方差,以解决个别异常数据带来的误差和误报,提取时所采用的滑动窗口的步长可以为30s,窗口大小为60s。
步骤S103、从所述目标指标数据中提取出AGC调频性能特征数据;
步骤S104、将所述AGC调频性能特征数据输入至预先训练的AGC性能考核参数模型,得到目标AGC调频性能指标参数;
本实施例中的AGC性能考核参数模型利用机器学习算法对AGC调频性能指标的原始历史数据进行训练得到,从而实现自动化优化AGC考核计算过程。其中,机器学习算法优选深度神经网络。
需要说明的是,本发明中的AGC性能考核参数模型能够动态的计算出AGC调频性能指标参数。
步骤S105、基于所述目标AGC调频性能指标参数,结合调节性能指标衡量方式,综合评判AGC调节过程中调频性能的好坏程度。
综上可知,本发明公开了一种AGC调频性能的考核方法,获取预设考核周期内电厂AGC调频性能的指标相关数据,对指标相关数据进行预处理得到目标指标数据,从目标指标数据中提取出AGC调频性能特征数据,将AGC调频性能特征数据输入至预先训练的AGC性能考核参数模型得到目标AGC调频性能指标参数,基于目标AGC调频性能指标参数,结合调节性能指标衡量方式,综合评判AGC调节过程中调频性能的好坏程度。本发明将AGC性能考核由调度侧移至电厂侧,通过实时采集电厂AGC调频性能的指标相关数据,并利用AGC性能考核参数模型实现对AGC调频性能的考核,因此可以根据不同电厂的环境、设备和工况提供针对性的算法分析,可解决调频性能参数精确度低的问题,有效提高AGC调频性能考核的时效性和准确度。
参见图2,本发明实施例公开的一种AGC性能考核参数模型的训练方法流程图,该方法包括:
步骤S201、采集AGC调频性能指标的原始历史数据;
其中,原始历史数据可以包括:AGC给定功率、机组实发功率、机组AGC指令输出返回值、机组具备AGC控制条件等位号。
在实际应用中,可以利用OPC(Over speed Protect Controller,超速保护控制)或者其他总线协议从底层DCS(Distributed Control System,分散控制系统)系统中采集AGC调频性能指标的原始历史数据。同时也可以通过其他第三方采集原始历史数据。
步骤S202、对所述原始历史数据进行预处理得到目标历史数据;
本实施例对原始历史数据进行预处理的内容包括但不限于:缺失值填充、离群值删除、特征编码、数据标准化和特征选择。其中,缺失值填充为:对原始历史数据采用向前填充方式,基于数据采集死区进行数据补全。
本发明通过对原始历史数据进行预处理来保证数据的完整准确可用。
在实际应用中,可以设置一个数据集模块用于对原始历史数据和目标历史数据进行管理,管理功能包括但不限于新建、修改和删除数据等。
步骤S203、对所述目标历史数据采用深度神经网络模型进行训练,得到所述AGC性能考核参数模型。
其中,所述AGC性能考核参数模型用于计算AGC调频性能指标参数。
需要说明的是,在构建AGC性能考核参数模型时,可以设计评估函数,结合多测点值进行评分,原则为:超限越多、超限时间越长惩罚系数越高。
在构建AGC性能考核参数模型时所使用的参数区间阈值,可以近似认为样本数据符合正太分布,可以通过正太检验验证。在实际应用中,可以依据3σ准则计算数区间阈值。
在实际应用中,可以将训练得到AGC性能考核参数模型部署到运行平台,由该运行平台对外提供统一的API(Application Programming Interface,应用程序编程接口)接口。实际AGC性能考核计算时,会通过实时访问API接口获取考核参数,以进行考核计算和动态优化考核结果。
较优的,本实施例中的深度神经网络可以为非监督学习神经网络。
为进一步优化傻干实施例,本发明还提供了调节性能指标衡量方式的表达式,具体如下:
式中,G Aj 为调节性能指标衡量值,C 1 为所述AGC性能考核参数模型训练所得对应工况下的调节系数,C 2 为考核周期内所得可用率对应的调整系数,A pl 为机组投入AGC时的单次调节精度,n为预设考核周期内AGC调节精度的记录次数。
在实际应用中,为提高AGC性能考核参数模型的准确性和可靠性,可以每隔预设时间段对AGC性能考核参数模型进行参数调优。具体的,每隔预设时间段,将过去一段时间的AGC调频性能指标历史数据经过预处理后,输入至深度神经网络模型中,训练处新的AGC性能考核参数模型,并自动推送到运行平台部署,置换之前的AGC性能考核参数模型,持续对AGC考核计算过程进行优化。
在实际应用中,通过对AGC性能考核参数模型进行调优,C 1 、 C 2 可获取对应工况下不同取值,从而实现AGC性能考核算法优化。本发明可以根据不同电厂现场环境对应参数建模,以实现特性化考核。
为进一步优化上述实施例,在步骤S105之后,还可以包括:
将AGC调节过程中调频性能的好坏程度转换为图表形式进行展示。
其中,图表形式可以为日报、周报和月报等形式,通过将AGC调节过程中调频性能的好坏程度转换为图表形式,在Web页面展示给用户,以便于运行人员能够快速、全面和客观的评价AGC调频性能。
综上可知,本发明公开了一种AGC调频性能的考核方法,将AGC性能考核由调度侧移至电厂侧,通过实时采集电厂AGC调频性能的指标相关数据,并利用AGC性能考核参数模型实现对AGC调频性能的考核,因此可以根据不同电厂的环境、设备和工况提供针对性的算法分析,可解决调频性能参数精确度低的问题,有效提高AGC调频性能考核的时效性和准确度。
另外,本发明还可以提供便捷的机组指标和统计算法配置,多维度考核评价分析和报表展示,可以有效保障电力系统安全、优质、经济运行,同时也维护电力企业的合法权益,实现发电机组生产经营与技术演进双重精益化管理。
需要说明的是,本发明在训练AGC性能考核参数模型时,系统基于算法库采用非监督学习神经网络方式对AGC性能考核参数模型进行训练。该系统支持自定义算法,开发者可以通过算法上传进行AGC性能考核参数模型的构建。其中,结合AGC性能考核参数模型实现精确细化数据清洗的过程可参见图3所示的算法调优时序图,模型训练过程包括:数据采集、数据预处理、特征功能、模型训练、模型评估和模型发布几个过程,其中,数据预处理对合并的数据集进行缺失值填充、数据标准化等,在进行特征选择后由特征工程进行主成分分析APC,并进行算法选择,在进行模型训练时进行参数调节和评估算法选择,在评估模型准确性高时进行模型发布,反之,在评估模型准确性低时,返回特征工程再次进行算法选择,直至训练得到的模型准确性高。
在进行模型发布时,采用图4所示的算法发布时序图,该过程包括:Web页面、模型管理、SQL Server、运行管理服务和文件存取服务,
通过Web页面向模型管理发送在线发布模型请求;
模型管理向SQL Server发送查询模型信息,SQL Server向模型管理返回(return)模型信息;
模型管理通过模型文件地址从文件存取服务获取模型文件,并获取文件存取服务反馈的模型文件;
模型管理将模型信息和模型文件按平台规范生成模型压缩包,并向运行管理服务请求发布模型,并发送模型压缩包至运行管理服务;
运行管理服务解析模型包,生成应用,并向模型管理返回发布结果;
模型管理根据结果设置“已发布”项,并修改SQL Server中的存储数据;
SQL Server在修改完成后通过模型管理向Web页面返回修改结果。
在实际应用中,可以将训练得到AGC性能考核参数模型部署到运行平台,由该运行平台对外提供统一的API接口。基于该运行平台考核算法实现调优流程如下:
假设在进行AGC调频性能考核时,采集电厂近3个月相关测点历史数据,参见图5所示的考核调频有效时间测点W3.UNIT3.3SCS2AI:AIN0910404分析图和图6所示的机组调频响应时间测点W3.UNIT3.3SCS2AI:AIN09104043分析图。
在进行缺失值填充时,对数据采用向前填充方式,基于数据采集死区进行数据补全。
在进行数据预处理时,滑动窗口提取数据特征:提取数据一段时间的均值和方差,解决个别异常数据带来的误差和误报,步长为30s,窗口大小为60s。
AGC性能考核参数模型构建时,参数区间阈值获取:近似认为样本数据负荷正太分布,详见图7所示考核调频有效时间测点W3.UNIT3.3SCS2AI:AIN0910404对应的正太分布示意图,以及图8所示的机组调频响应时间测点W3.UNIT3.3SCS2AI:AIN09104043对应的正太分布示意图,可通过正太检验验证。其中,可依据3σ准则计算阈值。
设计评估函数,结合多测点值进行评分,原则:超限越多、超限时间越长惩罚系数越高。
在AGC性能考核参数模型运行时,结合调节性能指标衡量方式,综合评判AGC调节过程中调频性能的好坏程度。
与上述方法实施例相对应,本发明还公开了一种AGC调频性能的考核装置。
参见图9,本发明实施例公开的一种AGC调频性能的考核装置的结构示意图,该装置包括:
获取单元301,用于获取预设考核周期内电厂AGC调频性能的指标相关数据;
本发明将AGC调频性能考核分析由调度侧移至电厂侧,因此,在进行AGC调频性能考核时,采集的是电厂AGC调频性能的指标相关数据。
其中,预设考核周期指的是实时采集指标相关数据的周期,具体取值依据实际需要而定,本发明在此不做限定。
指标相关数据指的是:与调节速率指标K 1 、响应时间指标K 2 、调节精度指标K 3 、机组调节性能指标K P 等相关的数据。
预处理单元302,用于对所述指标相关数据进行预处理得到目标指标数据;
预处理的内容包括但不限于:缺失值填充、离群值删除、特征编码、数据标准化和特征选择。
本实施例在进行特征选择时,可以提取指标相关数据一段时间的均值和方差,以解决个别异常数据带来的误差和误报,提取时所采用的滑动窗口的步长可以为30s,窗口大小为60s。
提取单元303,用于从所述目标指标数据中提取出AGC调频性能特征数据;
输入单元304,用于将所述AGC调频性能特征数据输入至预先训练的AGC性能考核参数模型,得到目标AGC调频性能指标参数;
本实施例中的AGC性能考核参数模型利用机器学习算法对AGC调频性能指标的原始历史数据进行训练得到,从而实现自动化优化AGC考核计算过程。其中,机器学习算法优选深度神经网络。
需要说明的是,本发明中的AGC性能考核参数模型能够动态的计算出AGC调频性能指标参数。
性能考核单元305,用于基于所述目标AGC调频性能指标参数,结合调节性能指标衡量方式,综合评判AGC调节过程中调频性能的好坏程度。
综上可知,本发明公开了一种AGC调频性能的考核装置,获取预设考核周期内电厂AGC调频性能的指标相关数据,对指标相关数据进行预处理得到目标指标数据,从目标指标数据中提取出AGC调频性能特征数据,将AGC调频性能特征数据输入至预先训练的AGC性能考核参数模型得到目标AGC调频性能指标参数,基于目标AGC调频性能指标参数,结合调节性能指标衡量方式,综合评判AGC调节过程中调频性能的好坏程度。本发明将AGC性能考核由调度侧移至电厂侧,通过实时采集电厂AGC调频性能的指标相关数据,并利用AGC性能考核参数模型实现对AGC调频性能的考核,因此可以根据不同电厂的环境、设备和工况提供针对性的算法分析,可解决调频性能参数精确度低的问题,有效提高AGC调频性能考核的时效性和准确度。
为进一步优化上述实施例,考核装置还可以包括:
模型训练模块,用于训练AGC性能考核参数模型;
所述模型训练模块具体用于:
采集AGC调频性能指标的原始历史数据;
对所述原始历史数据进行预处理得到目标历史数据;
对所述目标历史数据采用深度神经网络模型进行训练,得到所述AGC性能考核参数模型,其中,所述AGC性能考核参数模型用于计算AGC调频性能指标参数。
其中,对原始历史数据进行预处理的内容包括:缺失值填充、离群值删除、特征编码、数据标准化和特征选择。
较优的,深度神经网络为非监督学习神经网络。
为进一步优化上述实施例,考核装置还可以包括:
展示单元,用于将AGC调节过程中调频性能的好坏程度转换为图表形式进行展示。
其中,图表形式可以为日报、周报和月报等形式,通过将AGC调节过程中调频性能的好坏程度转换为图表形式,在Web页面展示给用户,以便于运行人员能够快速、全面和客观的评价AGC调频性能。
综上可知,本发明公开了一种AGC调频性能的考核装置,将AGC性能考核由调度侧移至电厂侧,通过实时采集电厂AGC调频性能的指标相关数据,并利用AGC性能考核参数模型实现对AGC调频性能的考核,因此可以根据不同电厂的环境、设备和工况提供针对性的算法分析,可解决调频性能参数精确度低的问题,有效提高AGC调频性能考核的时效性和准确度。
另外,本发明还可以提供便捷的机组指标和统计算法配置,多维度考核评价分析和报表展示,可以有效保障电力系统安全、优质、经济运行,同时也维护电力企业的合法权益,实现发电机组生产经营与技术演进双重精益化管理。
需要说明的是,装置实施例中各组成部分的具体工作原理,请参见方法实施例对应部分,此处不再赘述。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种AGC调频性能的考核方法,其特征在于,包括:
获取预设考核周期内电厂AGC调频性能的指标相关数据;
对所述指标相关数据进行预处理得到目标指标数据;
从所述目标指标数据中提取出AGC调频性能特征数据;
将所述AGC调频性能特征数据输入至预先训练的AGC性能考核参数模型,得到目标AGC调频性能指标参数;
基于所述目标AGC调频性能指标参数,结合调节性能指标衡量方式,综合评判AGC调节过程中调频性能的好坏程度;
所述AGC性能考核参数模型的训练过程如下:
采集AGC调频性能指标的原始历史数据,所述原始历史数据包括:AGC给定功率、机组实发功率、机组AGC指令输出返回值以及机组具备AGC控制条件信号;
对所述原始历史数据进行预处理得到目标历史数据;
对所述目标历史数据采用深度神经网络模型进行训练,得到所述AGC性能考核参数模型,其中,所述AGC性能考核参数模型用于计算AGC调频性能指标参数。
2.根据权利要求1所述的考核方法,其特征在于,对所述原始历史数据进行预处理的内容包括:缺失值填充、离群值删除、特征编码、数据标准化和特征选择。
3.根据权利要求1所述的考核方法,其特征在于,所述深度神经网络为非监督学习神经网络。
5.根据权利要求1所述的考核方法,其特征在于,还包括:
将所述AGC调节过程中调频性能的好坏程度转换为图表形式进行展示。
6.一种AGC调频性能的考核装置,其特征在于,包括:
获取单元,用于获取预设考核周期内电厂AGC调频性能的指标相关数据;
预处理单元,用于对所述指标相关数据进行预处理得到目标指标数据;
提取单元,用于从所述目标指标数据中提取出AGC调频性能特征数据;
输入单元,用于将所述AGC调频性能特征数据输入至预先训练的AGC性能考核参数模型,得到目标AGC调频性能指标参数;
性能考核单元,用于基于所述目标AGC调频性能指标参数,结合调节性能指标衡量方式,综合评判AGC调节过程中调频性能的好坏程度;
模型训练模块,用于训练所述AGC性能考核参数模型;
所述模型训练模块具体用于:
采集AGC调频性能指标的原始历史数据,所述原始历史数据包括:AGC给定功率、机组实发功率、机组AGC指令输出返回值以及机组具备AGC控制条件信号;
对所述原始历史数据进行预处理得到目标历史数据;
对所述目标历史数据采用深度神经网络模型进行训练,得到所述AGC性能考核参数模型,其中,所述AGC性能考核参数模型用于计算AGC调频性能指标参数。
7.根据权利要求6所述的考核装置,其特征在于,对所述原始历史数据进行预处理的内容包括:缺失值填充、离群值删除、特征编码、数据标准化和特征选择。
8.根据权利要求6所述的考核装置,其特征在于,所述深度神经网络为非监督学习神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210463319.2A CN114565328B (zh) | 2022-04-29 | 2022-04-29 | 一种agc调频性能的考核方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210463319.2A CN114565328B (zh) | 2022-04-29 | 2022-04-29 | 一种agc调频性能的考核方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114565328A CN114565328A (zh) | 2022-05-31 |
CN114565328B true CN114565328B (zh) | 2022-08-19 |
Family
ID=81721120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210463319.2A Active CN114565328B (zh) | 2022-04-29 | 2022-04-29 | 一种agc调频性能的考核方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114565328B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115239200B (zh) * | 2022-08-31 | 2023-12-01 | 华能莱芜发电有限公司 | 基于网源协同的机组负荷综合调频方法及系统 |
CN115508650A (zh) * | 2022-10-13 | 2022-12-23 | 西安德纳检验检测有限公司 | 一种基于多点同步测量的新能源场站调频检测方法和系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862449A (zh) * | 2017-10-31 | 2018-03-30 | 合肥天鹰高科技有限公司 | 一种电厂agc调节考核系统 |
CN109784711A (zh) * | 2019-01-08 | 2019-05-21 | 国网新疆电力有限公司电力科学研究院 | 火电机组一次调频能力评估系统、方法、装置及存储介质 |
CN110426953A (zh) * | 2019-07-18 | 2019-11-08 | 国网山东省电力公司电力科学研究院 | 基于火电机组发电模型的agc性能评价方法 |
CN110994646A (zh) * | 2019-12-11 | 2020-04-10 | 国网河南省电力公司电力科学研究院 | 电网agc调节的运行效果评估方法、系统及存储介质 |
CN112149903A (zh) * | 2020-09-22 | 2020-12-29 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 基于bp神经网络算法的火电机组一次调频分析与优化方法 |
CN112636397A (zh) * | 2020-11-20 | 2021-04-09 | 国网江苏省电力有限公司 | 一种电网agc调频性能综合评价方法 |
CN113887786A (zh) * | 2021-09-14 | 2022-01-04 | 国网河北省电力有限公司电力科学研究院 | 基于pso-lstm的一次调频能力评估与预测系统 |
CN113919691A (zh) * | 2021-10-09 | 2022-01-11 | 华润电力技术研究院有限公司 | 一种调频服务指标测算方法及相关装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202150131U (zh) * | 2011-01-11 | 2012-02-22 | 华北电网有限公司 | 电力系统运行性能精细化分析系统 |
CN103543403B (zh) * | 2013-09-02 | 2015-11-25 | 国家电网公司 | 电力系统机组一次调频能力检测方法 |
CN112350344B (zh) * | 2020-05-25 | 2022-03-25 | 清华大学 | 储能系统-火电机组联合调频控制方法 |
-
2022
- 2022-04-29 CN CN202210463319.2A patent/CN114565328B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862449A (zh) * | 2017-10-31 | 2018-03-30 | 合肥天鹰高科技有限公司 | 一种电厂agc调节考核系统 |
CN109784711A (zh) * | 2019-01-08 | 2019-05-21 | 国网新疆电力有限公司电力科学研究院 | 火电机组一次调频能力评估系统、方法、装置及存储介质 |
CN110426953A (zh) * | 2019-07-18 | 2019-11-08 | 国网山东省电力公司电力科学研究院 | 基于火电机组发电模型的agc性能评价方法 |
CN110994646A (zh) * | 2019-12-11 | 2020-04-10 | 国网河南省电力公司电力科学研究院 | 电网agc调节的运行效果评估方法、系统及存储介质 |
CN112149903A (zh) * | 2020-09-22 | 2020-12-29 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 基于bp神经网络算法的火电机组一次调频分析与优化方法 |
CN112636397A (zh) * | 2020-11-20 | 2021-04-09 | 国网江苏省电力有限公司 | 一种电网agc调频性能综合评价方法 |
CN113887786A (zh) * | 2021-09-14 | 2022-01-04 | 国网河北省电力有限公司电力科学研究院 | 基于pso-lstm的一次调频能力评估与预测系统 |
CN113919691A (zh) * | 2021-10-09 | 2022-01-11 | 华润电力技术研究院有限公司 | 一种调频服务指标测算方法及相关装置 |
Non-Patent Citations (2)
Title |
---|
Research and Realization of Management System of Generator Set Frequency Regulation Capability Based on Parallel Control Platform;Jiangfeng Zhang et al.;《Preprints of the 5th IEEE Conference on Energy Internet and Energy System Integration 》;20211025;第2221-2225页 * |
基于Fréchet算法的电化学储能AGC控制性能评价指标;黄昊等;《中国电力》;20200105(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114565328A (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114565328B (zh) | 一种agc调频性能的考核方法及装置 | |
CN111309539A (zh) | 一种异常监测方法、装置和电子设备 | |
CN108684051B (zh) | 一种基于因果诊断的无线网络性能优化方法、电子设备及存储介质 | |
CN113554361B (zh) | 一种综合能源系统数据处理计算方法及处理系统 | |
CN112989563A (zh) | 一种大坝安全监测数据分析方法 | |
CN118211882B (zh) | 一种基于大数据的产品质量管理系统及方法 | |
WO2017127260A1 (en) | System and method for allocating machine behavioral models | |
CN117614662A (zh) | 大数据与人工智能结合的网络访问风险预测方法及系统 | |
CN117311295B (zh) | 基于无线网络设备的生产质量提升方法及系统 | |
CN117035563B (zh) | 产品质量安全风险监测方法、设备、监测系统及介质 | |
CN116821304B (zh) | 基于大数据的供电所知识智能问答系统 | |
CN117578440A (zh) | 一种基于神经网络的电网负荷预测方法 | |
Zhou et al. | Learning the gain values and discount factors of discounted cumulative gains | |
CN114116831B (zh) | 一种大数据挖掘处理方法及装置 | |
CN102292706B (zh) | 软件改造评估方法和软件改造评估系统 | |
Ferrucci et al. | Estimating web application development effort using web-cobra and COSMIC: an empirical study | |
CN113011748A (zh) | 推荐效果的评估方法、装置、电子设备及可读存储介质 | |
CN115147008B (zh) | 基于数据湖技术电厂机组存储资源实时评估方法及系统 | |
CN116957306B (zh) | 基于资源协同互动的用户侧响应潜力评估方法及系统 | |
CN118133677B (zh) | 自适应风力机功率概率区间曲线建模方法及其应用系统 | |
CN116187148A (zh) | 设备寿命预测及模型训练方法、装置和电子设备 | |
CN118152921A (zh) | 一种分布式台区线损率的主影响因素的确定方法以及装置 | |
Zhang et al. | Two‐stage nonparametric framework for missing data imputation, uncertainty quantification, and incorporation in system identification | |
CN117592943A (zh) | 基于互联网的科技服务数据协作系统 | |
Fu | Research on Supply and demand matching model based on SARIMA-BP model |
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 | ||
CP03 | Change of name, title or address |
Address after: No. 309 Liuhe Road, Binjiang District, Hangzhou City, Zhejiang Province (High tech Zone) Patentee after: Zhongkong Technology Co.,Ltd. Country or region after: China Address before: No. six, No. 309, Binjiang District Road, Hangzhou, Zhejiang Patentee before: ZHEJIANG SUPCON TECHNOLOGY Co.,Ltd. Country or region before: China |