CN116339134A - 一种大扰动火电机组调频优化控制系统 - Google Patents
一种大扰动火电机组调频优化控制系统 Download PDFInfo
- Publication number
- CN116339134A CN116339134A CN202211726521.6A CN202211726521A CN116339134A CN 116339134 A CN116339134 A CN 116339134A CN 202211726521 A CN202211726521 A CN 202211726521A CN 116339134 A CN116339134 A CN 116339134A
- Authority
- CN
- China
- Prior art keywords
- data
- thermal power
- value
- model
- generating unit
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000008859 change Effects 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000013507 mapping Methods 0.000 claims description 11
- 230000001131 transforming effect Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 239000000470 constituent Substances 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000010248 power generation Methods 0.000 abstract description 3
- 238000004146 energy storage Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 229910052720 vanadium Inorganic materials 0.000 description 1
- LEONUFNNVUYDNQ-UHFFFAOYSA-N vanadium atom Chemical compound [V] LEONUFNNVUYDNQ-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于火力发电技术领域，具体涉及一种大扰动火电机组调频优化控制系统。所述系统包括：数据采集部分，数据处理部分，虚拟模拟部分，故障分析部分，优化控制部分；所述数据采集部分，配置用于采集火电机组的运行数据和物理参数；所述数据预处理部分，配置用于对运行数据进行基于数据去噪的数据预处理，得到运行预处理数据；所述虚拟模拟部分，配置用于基于物理参数进行数据建模，以生成火电机组对应的虚拟火电机组。本发明通过对火电机组中各个设备的参数进行采集，然后模拟出虚拟的火电机组，再在虚拟的火电机组中进行参数调整，通过预建立的模型找到最佳的调频参数，以实现调频优化，具有智能化程度高、准确率高和效率高的优点。
Description
技术领域
本发明属于火力发电技术领域，具体涉及一种大扰动火电机组调频优化控制系统。
背景技术
火力发电机组是以煤炭、油类或可燃气体等为燃料，加热锅炉内的水，使之增温，再用有一定压力的蒸气推动气轮方式发电的机组。
专利申请号为CN201911041345.0A的专利公开了一种储能联合火电参与电网二次调频的控制方法。首先按照电源类型将火电机组与储能电站划分为两个控制组；然后根据火电机组爬坡速率及调节能力与电网调频需求的匹配情况进行二者的协调分配；最后进行储能组内各场站间的SOC均衡管理。本发明方法还提出了各储能站调节限值修正、基点调整和SOC矫正控制策略，进行储能SOC的健康管理；对目前储能站的分散布局接入电网、集中调控需求提供了有益的解决方案，是对电网二次调频系统功能的完善和深化。其技术核心在于通过能源调节的方式来进行电网频率的调节，这种方式虽然能够实现一定程度的调节，但无法针对具体情况进行优化，且调节的过程也给予SOC的管理，从而使得调节的效果不佳。
发明内容
本发明的主要目的在于提供一种大扰动火电机组调频优化控制系统，本发明通过对火电机组中各个设备的参数进行采集，然后模拟出虚拟的火电机组，再在虚拟的火电机组中进行参数调整，通过预建立的模型找到最佳的调频参数，以实现调频优化，具有智能化程度高、准确率高和效率高的优点。
为达到上述目的，本发明的技术方案是这样实现的：
一种大扰动火电机组调频优化控制系统，所述系统包括：数据采集部分，数据处理部分，虚拟模拟部分，故障分析部分，优化控制部分；所述数据采集部分，配置用于采集火电机组的运行数据和物理参数；所述数据预处理部分，配置用于对运行数据进行基于数据去噪的数据预处理，得到运行预处理数据；所述虚拟模拟部分，配置用于基于物理参数进行数据建模，以生成火电机组对应的虚拟火电机组；所述故障分析部分，配置用于将运行预处理数据作用于虚拟火电机组，同时对运行预处理数据中的每一类数据进行排序，按照排序的顺序依次基于变量扰动模型调整每一类数据中每个数据的值，并记录调频结果，最后将所有的调频结果代入故障分析模型以得到每一类数据的变化趋势与故障发生率的故障映射关系；所述优化控制部分，配置用于基于故障映射关系，在运行预处理数据的基础上找到每一类数据中的每一个数据的最佳值，使用所有的最佳值进行火电机组调频优化。
进一步的，所述数据采集部分包括：数据输入器和传感器组；所述数据输入器配置用于录入物理参数；所述传感器组配置用于实时采集火电机组的运行数据。
进一步的，所述数据预处理部分包括：首先将实时采集到的火电机组的运行数据按照类别进行划分，得到多个不同类别的子数据集；将每个子数据集作为一个同一个矩阵的不同行，每个子数据集中的每个数据的值作为矩阵的一个元素，若子数据集中的数据的个数小于矩阵的长，则用0值补齐该行中的空白元素；将矩阵转换为离散集；将离散集分解成若干个不存在交集的子集，代入携带有半变差范值的模型；根据预置变量分解策略，将所述携带有半变差范值的模型进行变换；基于交替方向乘子法算法，将变换后的模型进行重构转换；并行化迭代求解重构转换后的模型，得到去噪后的数据。
进一步的，所述携带有半变差范值的模型如下：
其中，||||Fourier与||||Half分别表示傅里叶范值与半变差范值，λ为正参数，X为矩阵，Y为离散集，由矩阵转换得到，也为一个矩阵，K为矩阵的秩。
进一步的，所述根据预置变量分解策略，将所述携带有半变差范值的模型进行变换，包括：将所述携带有半变差范值的模型中的范值项分解为若干项，其中，每一项中的每个组成元素均不耦合于其所在所述子集中的其它组成元素；将分解后的携带有半变差范值的模型进行变换；所述若干项的数量与所述若干个的数量相同。
进一步的，所述故障分析部分基于变量扰动模型调整每一类数据中每个数据的值的方法包括：将每一类数据中每个数据的值代入变量扰动模型，得到每个数据的值对应的两个派生值，分别为增益派生值和减益派生值；所述增益派生值表征了在大扰动影响下的数据的增益值；所述减益派生值表征了在大扰动影响下的数据的减益值。
进一步的，所述变量扰动模型使用如下公式进行表示：Num＝0.34exp(D-2.5)*lg(1+G|R)；其中，Num表示得到的增益派生值或减益派生值；|表示择一取值运算；当取值为G时，计算得到的Num表示增益派生值；当取值为R时，计算得到的Num表示减益派生值。
进一步的，所述虚拟模拟部分包括：火电机组模组单元和参数调整单元；所述火电机组模组单元中存储有火电机组的模组数据，以供调用；所述参数调整单元，配置用于调整每个火电机组的模组的数据，以进行火电机组的模拟。
进一步的，所述故障分析模型包括两个字模型，分别为数值变化模型和故障率变化模型；所述数值变化模型配置用于判断每一类数据的变化趋势；所述故障率变化模型配置用于判断故障率的变化趋势；所述故障分析模型根据每一类数据的变化趋势与故障率的变化趋势得到故障映射关系。
进一步的，所述故障分析模型使用如下公式表示：
本发明的一种大扰动火电机组调频优化控制系统，具有如下有益效果：
1.准确率高：本发明基于火电机组的数据特点，对采集到的火电机组的运行数据进行基于半变差范值的去噪，以去除数据在采集过程中或者传输过程中产生的无效数据，提升了后续进行调频优化的准确率，提升了调频优化的效果。
2.效率高：本发明在进行调频优化时，通过模拟的虚拟火电机组来实现，在实现过程中，并未通过预设数据的方式来进行调频优化，而是针对实时的运行数据来进行，可以提升优化效果；同时，使用扰动变量模型来得到两个相反变化趋势的派生值，以得到更加准确的故障映射关系，以找到最优的数值，然后进行调频优化，整个过程无须人工进行参与，提升了效率。
附图说明
图1为本发明实施例提供的大扰动火电机组调频优化控制系统的系统结构示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1
如图1所示，一种大扰动火电机组调频优化控制系统，所述系统包括：数据采集部分，数据处理部分，虚拟模拟部分，故障分析部分，优化控制部分；所述数据采集部分，配置用于采集火电机组的运行数据和物理参数；所述数据预处理部分，配置用于对运行数据进行基于数据去噪的数据预处理，得到运行预处理数据；所述虚拟模拟部分，配置用于基于物理参数进行数据建模，以生成火电机组对应的虚拟火电机组；所述故障分析部分，配置用于将运行预处理数据作用于虚拟火电机组，同时对运行预处理数据中的每一类数据进行排序，按照排序的顺序依次基于变量扰动模型调整每一类数据中每个数据的值，并记录调频结果，最后将所有的调频结果代入故障分析模型以得到每一类数据的变化趋势与故障发生率的故障映射关系；所述优化控制部分，配置用于基于故障映射关系，在运行预处理数据的基础上找到每一类数据中的每一个数据的最佳值，使用所有的最佳值进行火电机组调频优化。
具体的，物理参数为火电机组中各个模组或者设备的物理参数，通过获取这些参数，可以直接生成虚拟的火电机组。然后直接在模拟的虚拟的火电机组中用运行参数进行驱动，即可实现火电机组的虚拟化运行，然后在虚拟化运行的火电机组中找到最佳的参数，以进行调频优化，这样可以避免直接对设备进行操作，降低成本。
实施例2
在上一实施例的基础上，所述数据采集部分包括：数据输入器和传感器组；所述数据输入器配置用于录入物理参数；所述传感器组配置用于实时采集火电机组的运行数据。
具体的，传感器组采集的是运行数据，因为火电机组在运行过程中会产生各种各样的数据，只需要对需要采集的数据的部分设置传感器即可。
实施例3
在上一实施例的基础上，所述数据预处理部分包括：首先将实时采集到的火电机组的运行数据按照类别进行划分，得到多个不同类别的子数据集；将每个子数据集作为一个同一个矩阵的不同行，每个子数据集中的每个数据的值作为矩阵的一个元素，若子数据集中的数据的个数小于矩阵的长，则用0值补齐该行中的空白元素；将矩阵转换为离散集；将离散集分解成若干个不存在交集的子集，代入携带有半变差范值的模型；根据预置变量分解策略，将所述携带有半变差范值的模型进行变换；基于交替方向乘子法算法，将变换后的模型进行重构转换；并行化迭代求解重构转换后的模型，得到去噪后的数据。
具体的，因为物理参数是固定的，所以不需要进行去噪处理。但运行参数在传输过程中或者采集过程中都会产生各种各样的误差。且由于火电机组的数据具备自身的特殊性。比如在运行过程中，数据的值是浮动的，而是在一定范围内跳转，所以采集到的每一类数据中均包括多个数据，而这些数据彼此之间存在一定的归一化中心，如果简单的去噪，则难度非常大，不容易识别异常数据。所以通过生成离散矩阵的方式，然后通过半变差模型来进行，则可以提升去噪的效果。
实施例4
在上一实施例的基础上，所述携带有半变差范值的模型如下：
其中，||||Fourier与||||Half分别表示傅里叶范值与半变差范值，λ为正参数，X为矩阵，Y为离散集，由矩阵转换得到，也为一个矩阵，K为矩阵的秩。
实施例5
在上一实施例的基础上，所述根据预置变量分解策略，将所述携带有半变差范值的模型进行变换，包括：将所述携带有半变差范值的模型中的范值项分解为若干项，其中，每一项中的每个组成元素均不耦合于其所在所述子集中的其它组成元素；将分解后的携带有半变差范值的模型进行变换；所述若干项的数量与所述若干个的数量相同。
具体的，本发明中定义的半变差函数为变差函数的变形。变差函数的函数表达式为：
从公式可以看出，变差函数揭示了距离h的空间两位置，其地质变量取值的相似度。r(u,h)越小，两位置处的属性参数取值就越接近，反之则说明差异较大。变差函数可以定量的表征变异程度。
在二阶平稳条件下，有：
而在本发明中，调整变差函数的空间两位置的距离为一半，以得到半变差函数。
实施例6
在上一实施例的基础上，所述故障分析部分基于变量扰动模型调整每一类数据中每个数据的值的方法包括：将每一类数据中每个数据的值代入变量扰动模型，得到每个数据的值对应的两个派生值，分别为增益派生值和减益派生值；所述增益派生值表征了在大扰动影响下的数据的增益值；所述减益派生值表征了在大扰动影响下的数据的减益值。
具体的，通过设置两个派生值，可以在后续的变量扰动模型中，通过代入两个派生值，以此检测变化趋势。
实施例7
在上一实施例的基础上，所述变量扰动模型使用如下公式进行表示：Num＝0.34exp(D-2.5)*lg(1+G|R)；其中，Num表示得到的增益派生值或减益派生值；|表示择一取值运算；当取值为G时，计算得到的Num表示增益派生值；当取值为R时，计算得到的Num表示减益派生值。
实施例8
在上一实施例的基础上，所述虚拟模拟部分包括：火电机组模组单元和参数调整单元；所述火电机组模组单元中存储有火电机组的模组数据，以供调用；所述参数调整单元，配置用于调整每个火电机组的模组的数据，以进行火电机组的模拟。
具体的，传统的电网调频主要包含一次调频和二次调频，二次调频也称为自动发电控制(Automatic Generation Control，AGC)，通过实时调节电网中调频电源的有功出力，实现对电网频率及联络线功率的恒定控制。由于不同地区的电源结构差异较大，区域电网呈现的调频能力和效率不尽相同，尤其近年来随着智能电网的发展和新能源场站大规模接入电力系统，电网对不同类型电源的优化调度与系统调频品质提出了更高的要求。
当前电网火电机组仍为主要调频电源，但是火电机组为旋转机械器件，受机械惯性和磨损等作用，影响电网安全与电能品质。同时，火电机组响应时滞长，不适合参与较短周期的调频控制。近年来，利用储能系统参与电网调频，已受业界广泛关注。近期发展起来的储能技术包括锂离子电池、飞轮储能、超级电容、纳硫电池、钒液流电池等，在使用寿命、容量规模化、运行可靠性、系统制造成本等方面已经获得了突破，具备了工程应用的基础条件。
实施例9
在上一实施例的基础上，所述故障分析模型包括两个字模型，分别为数值变化模型和故障率变化模型；所述数值变化模型配置用于判断每一类数据的变化趋势；所述故障率变化模型配置用于判断故障率的变化趋势；所述故障分析模型根据每一类数据的变化趋势与故障率的变化趋势得到故障映射关系。
具体的，建立的映射模型可以非常容易的得到两者的关系，以此找到最优值。
实施例10
在上一实施例的基础上，所述故障分析模型使用如下公式表示：
其中，Tr为每一类数据的变化趋势；To为故障率的变化趋势；/>
为故障率变化模型；p为故障率；Di为每一类数据中的每个数据的值；n为每一类数据中数据的个数。
具体的，Di为每一类数据中的每个数据的值，其包括两个派生值，在实际中，需要分别代入每个派生值。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。
Claims (10)
1.一种大扰动火电机组调频优化控制系统，其特征在于，所述系统包括：数据采集部分，数据处理部分，虚拟模拟部分，故障分析部分，优化控制部分；所述数据采集部分，配置用于采集火电机组的运行数据和物理参数；所述数据预处理部分，配置用于对运行数据进行基于数据去噪的数据预处理，得到运行预处理数据；所述虚拟模拟部分，配置用于基于物理参数进行数据建模，以生成火电机组对应的虚拟火电机组；所述故障分析部分，配置用于将运行预处理数据作用于虚拟火电机组，同时对运行预处理数据中的每一类数据进行排序，按照排序的顺序依次基于变量扰动模型调整每一类数据中每个数据的值，并记录调频结果，最后将所有的调频结果代入故障分析模型以得到每一类数据的变化趋势与故障发生率的故障映射关系；所述优化控制部分，配置用于基于故障映射关系，在运行预处理数据的基础上找到每一类数据中的每一个数据的最佳值，使用所有的最佳值进行火电机组调频优化。
2.如权利要求1所述的系统，其特征在于，所述数据采集部分包括：数据输入器和传感器组；所述数据输入器配置用于录入物理参数；所述传感器组配置用于实时采集火电机组的运行数据。
3.如权利要求2所述的系统，其特征在于，所述数据预处理部分包括：首先将实时采集到的火电机组的运行数据按照类别进行划分，得到多个不同类别的子数据集；将每个子数据集作为一个同一个矩阵的不同行，每个子数据集中的每个数据的值作为矩阵的一个元素，若子数据集中的数据的个数小于矩阵的长，则用0值补齐该行中的空白元素；将矩阵转换为离散集；将离散集分解成若干个不存在交集的子集，代入携带有半变差范值的模型；根据预置变量分解策略，将所述携带有半变差范值的模型进行变换；基于交替方向乘子法算法，将变换后的模型进行重构转换；并行化迭代求解重构转换后的模型，得到去噪后的数据。
4.如权利要求3所述的系统，其特征在于，所述携带有半变差范值的模型如下：
其中，|| ||Fourier与|| ||Half分别表示傅里叶范值与半变差范值，λ为正参数，X为矩阵，Y为离散集，由矩阵转换得到，也为一个矩阵，K为矩阵的秩。
5.如权利要求4所述的系统，其特征在于，所述根据预置变量分解策略，将所述携带有半变差范值的模型进行变换，包括：将所述携带有半变差范值的模型中的范值项分解为若干项，其中，每一项中的每个组成元素均不耦合于其所在所述子集中的其它组成元素；将分解后的携带有半变差范值的模型进行变换；所述若干项的数量与所述若干个的数量相同。
6.如权利要求5所述的系统，其特征在于，所述故障分析部分基于变量扰动模型调整每一类数据中每个数据的值的方法包括：将每一类数据中每个数据的值代入变量扰动模型，得到每个数据的值对应的两个派生值，分别为增益派生值和减益派生值；所述增益派生值表征了在大扰动影响下的数据的增益值；所述减益派生值表征了在大扰动影响下的数据的减益值。
7.如权利要求6所述的系统，其特征在于，所述变量扰动模型使用如下公式进行表示：Num＝0.34exp(D-2.5)*lg(1+G|R)；其中，Num表示得到的增益派生值或减益派生值；|表示择一取值运算；当取值为G时，计算得到的Num表示增益派生值；当取值为R时，计算得到的Num表示减益派生值。
8.如权利要求6所述的系统，其特征在于，所述虚拟模拟部分包括：火电机组模组单元和参数调整单元；所述火电机组模组单元中存储有火电机组的模组数据，以供调用；所述参数调整单元，配置用于调整每个火电机组的模组的数据，以进行火电机组的模拟。
9.如权利要求6所述的系统，其特征在于，所述故障分析模型包括两个字模型，分别为数值变化模型和故障率变化模型；所述数值变化模型配置用于判断每一类数据的变化趋势；所述故障率变化模型配置用于判断故障率的变化趋势；所述故障分析模型根据每一类数据的变化趋势与故障率的变化趋势得到故障映射关系。
10.如权利要求9所述的系统，其特征在于，所述故障分析模型使用如下公式表示：
其中，Tr为每一类数据的变化趋势；To为故障率的变化趋势；/>
为故障率变化模型；p为故障率；Di为每一类数据中的每个数据的值；n为每一类数据中数据的个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211726521.6A CN116339134B (zh) | 2022-12-30 | 2022-12-30 | 一种大扰动火电机组调频优化控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211726521.6A CN116339134B (zh) | 2022-12-30 | 2022-12-30 | 一种大扰动火电机组调频优化控制系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116339134A true CN116339134A (zh) | 2023-06-27 |
| CN116339134B CN116339134B (zh) | 2023-10-24 |
Family
ID=86893667
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211726521.6A Active CN116339134B (zh) | 2022-12-30 | 2022-12-30 | 一种大扰动火电机组调频优化控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116339134B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109301844A (zh) * | 2018-11-13 | 2019-02-01 | 南方电网科学研究院有限责任公司 | 一种基于电网系统的水电机组调速器pid参数优化方法与装置 |
| US20190277913A1 (en) * | 2018-03-09 | 2019-09-12 | Streammosaic, Inc. | Failure detection and classsification using sensor data and/or measurement data |
| CN110740054A (zh) * | 2019-07-17 | 2020-01-31 | 东南大学 | 一种基于强化学习的数据中心虚拟化网络故障诊断方法 |
| CN112018758A (zh) * | 2020-08-26 | 2020-12-01 | 国网重庆市电力公司电力科学研究院 | 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 |
| CN112085353A (zh) * | 2020-08-21 | 2020-12-15 | 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 | 一种基于劣化度分析的锅炉低负荷稳燃能力评价方法 |
| CN112502883A (zh) * | 2019-09-16 | 2021-03-16 | 国电南瑞南京控制系统有限公司 | 考虑频率稳定特性的水轮机调速器参数整定方法及装置 |
| CN112531694A (zh) * | 2020-11-27 | 2021-03-19 | 国网重庆市电力公司电力科学研究院 | 基于数字孪生技术的交直流混合电网全域实时模拟方法 |
| US20210399546A1 (en) * | 2018-11-05 | 2021-12-23 | General Electric Company | Power system measurement based model calibration with enhanced optimization |
| CN114899844A (zh) * | 2022-06-13 | 2022-08-12 | 华能国际电力股份有限公司德州电厂 | 一种小扰动火电机组一次调频控制系统 |
| CN115528710A (zh) * | 2022-10-20 | 2022-12-27 | 国网吉林省电力有限公司 | 一种调整储能电站调频参数的方法和系统 |
-
2022
- 2022-12-30 CN CN202211726521.6A patent/CN116339134B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190277913A1 (en) * | 2018-03-09 | 2019-09-12 | Streammosaic, Inc. | Failure detection and classsification using sensor data and/or measurement data |
| US20210399546A1 (en) * | 2018-11-05 | 2021-12-23 | General Electric Company | Power system measurement based model calibration with enhanced optimization |
| CN109301844A (zh) * | 2018-11-13 | 2019-02-01 | 南方电网科学研究院有限责任公司 | 一种基于电网系统的水电机组调速器pid参数优化方法与装置 |
| CN110740054A (zh) * | 2019-07-17 | 2020-01-31 | 东南大学 | 一种基于强化学习的数据中心虚拟化网络故障诊断方法 |
| CN112502883A (zh) * | 2019-09-16 | 2021-03-16 | 国电南瑞南京控制系统有限公司 | 考虑频率稳定特性的水轮机调速器参数整定方法及装置 |
| CN112085353A (zh) * | 2020-08-21 | 2020-12-15 | 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 | 一种基于劣化度分析的锅炉低负荷稳燃能力评价方法 |
| CN112018758A (zh) * | 2020-08-26 | 2020-12-01 | 国网重庆市电力公司电力科学研究院 | 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 |
| CN112531694A (zh) * | 2020-11-27 | 2021-03-19 | 国网重庆市电力公司电力科学研究院 | 基于数字孪生技术的交直流混合电网全域实时模拟方法 |
| CN114899844A (zh) * | 2022-06-13 | 2022-08-12 | 华能国际电力股份有限公司德州电厂 | 一种小扰动火电机组一次调频控制系统 |
| CN115528710A (zh) * | 2022-10-20 | 2022-12-27 | 国网吉林省电力有限公司 | 一种调整储能电站调频参数的方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116339134B (zh) | 2023-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hu et al. | A new clustering approach for scenario reduction in multi-stochastic variable programming | |
| CN103887815B (zh) | 基于运行数据的风电场参数辨识及动态等值方法 | |
| CN109063276B (zh) | 适用于长时域风速波动的风电场动态等值建模方法 | |
| CN112396220B (zh) | 一种基于场景缩减的含风电与需求侧资源的优化调度方法 | |
| CN103138256A (zh) | 一种新能源电力消纳全景分析系统及方法 | |
| CN105281362A (zh) | 电力系统消纳风电能力的评估方法 | |
| CN113536694B (zh) | 综合能源系统鲁棒优化运行方法、系统、装置及存储介质 | |
| CN109713661A (zh) | 风电场接入对多机系统故障极限切除时间影响的分析方法 | |
| CN112671035A (zh) | 一种基于风电预测的虚拟电厂储能容量配置方法 | |
| CN113131515A (zh) | 智能微电网ai故障检测及网络优化重构系统及方法 | |
| CN113128786A (zh) | 一种基于空间网格搜索的风光水互补容量与选址优化方法 | |
| CN112651576A (zh) | 长期风电功率预测方法及装置 | |
| CN111985805A (zh) | 综合能源系统动态需求响应的方法及系统 | |
| CN115392133A (zh) | 采用高斯混合模型的风电场最优聚类等值方法 | |
| CN113505909B (zh) | 一种面向短期风电功率趋势预测的误差补偿方法 | |
| CN112990533B (zh) | 一种稀疏约束和动态权重分配的风电集群功率预测方法 | |
| CN116339134B (zh) | 一种大扰动火电机组调频优化控制系统 | |
| CN114662922B (zh) | 考虑光伏不确定性的居民需求响应潜力评估方法及系统 | |
| CN112749205B (zh) | 一种燃煤发电机组功率与供电煤耗关系曲线获取系统及方法 | |
| Jun et al. | Comprehensive Evaluation of Microgrid Planning Scheme based on AHP-Entropy method | |
| CN111612255A (zh) | 一种基于支持向量回归的风电场功率曲线建模方法 | |
| CN117094613B (zh) | 一种应用于综合能源系统的模型构建方法及装置 | |
| Chi et al. | Dynamic Reliability Assessment Framework for Integrated Energy Systems Based on the Improved Universal Generating Function | |
| CN114297943B (zh) | 一种基于堆叠lstm的台区配电网光伏功率多元预测方法 | |
| CN118094855A (zh) | 一种基于风煤比、水煤比预测电煤比的燃煤发电机组运行优化方法 |
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 |