CN117649042A - 火电厂机组agc性能在线评价方法及系统 - Google Patents
火电厂机组agc性能在线评价方法及系统 Download PDFInfo
- Publication number
- CN117649042A CN117649042A CN202311336145.4A CN202311336145A CN117649042A CN 117649042 A CN117649042 A CN 117649042A CN 202311336145 A CN202311336145 A CN 202311336145A CN 117649042 A CN117649042 A CN 117649042A
- Authority
- CN
- China
- Prior art keywords
- agc
- working condition
- unit
- performance
- subspace
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 claims abstract description 121
- 238000013210 evaluation model Methods 0.000 claims abstract description 63
- 238000012549 training Methods 0.000 claims abstract description 34
- 239000003245 coal Substances 0.000 claims abstract description 17
- 238000010977 unit operation Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 54
- 238000000605 extraction Methods 0.000 claims description 40
- 238000004422 calculation algorithm Methods 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 24
- 230000009471 action Effects 0.000 claims description 20
- 238000011112 process operation Methods 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 11
- 230000015556 catabolic process Effects 0.000 claims description 10
- 238000006731 degradation reaction Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 10
- 239000000203 mixture Substances 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000010248 power generation Methods 0.000 claims description 6
- 101100462297 Arabidopsis thaliana ORG2 gene Proteins 0.000 claims description 5
- 238000007476 Maximum Likelihood Methods 0.000 claims description 5
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000010365 information processing Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明涉及并网燃煤机组灵活性运行技术领域，提供了一种并网燃煤机组灵活运行AGC性能在线评价方法及系统。所述方法包括：调用机组运行历史数据，提取AGC数据段，进而进行AGC数据段运行工况划分，对每一工况子空间进行AGC性能评价模型训练；确定该AGC数据段对各个工况子空间的隶属度，调用已训练好的各工况子空间的AGC性能评价模型，对机组的AGC性能进行在线评价。所述系统包括机组AGC运行工况划分及模型训练模块和机组AGC性能在线评价模块。本发明适用于火电厂机组运行的各种工况，解决火电厂机组AGC性能受负荷率、主蒸汽压力、总阀位、主汽流量、给煤量等影响，难以准确评价的问题。
Description
技术领域
本发明涉及火电厂机组运行技术领域，特别涉及一种火电厂机组AGC性能在线评价方法及系统。
背景技术
全球能源供应正在向绿色、低碳、高效方向发展。因此，可再生能源在一次能源供应中的份额正在迅速增加，但是可再生能源发电出力的波动性和间歇性也会导致电网频率的不稳定，这就对电网的调峰和调频能力提出了新的要求。我国的装机构成决定了在未来相当长一段时间内，燃煤机组将承担电网调峰和调频的主要任务，并且越来越多地参与灵活运行(深度调峰、快速变负荷和快速启停)。为了更好地维持电网的稳定性，有必要评价灵活运行燃煤机组的AGC性能。
现有AGC性能评价方法主要分为三种不同的类型，第一种类型是基于特殊点的AGC评价方法，代表方法有读图法、幅值评价法等；第二种类型是建模的评价法，代表方法为系统辨识法、火电厂发电模型法；第三种类型是基于统计学的评价方法，代表方法为偏差值法、电量法等。基于特殊点法的主要思想是从历史数据中找到AGC性能的关键数据点，通过关键数据点计算AGC性能指标，此类方法实现较为简单，但结果易受噪声影响，计算值不够准确；建模方法的主要思想是建立目标值与实际值的模型，通过建立的模型评价AGC性能指标，计算结果较为准确，但对数据段的要求比较严格；基于统计学方法的主要思想是通过统计学的角度，计算一段时间内机组发电量与目标值的偏差评价AGC性能指标，由于机组响应延迟与噪声的存在，此方法无法合理表征机组性能，且只能表征火电机组控制精度，不能体现出火电机组响应能力与调节能力。另外，上述AGC性能评价模型没有考虑机组灵活运行时经常变化的负荷率、主蒸汽压力、主汽流量和给煤量等因素对AGC性能的影响，而研究发现这些因素对机组AGC性能指标有一定的影响。
因此，有必要开展火电厂机组AGC性能在线评价方法及系统研究，来应对现有技术的不足，以解决或减轻上述一个或多个问题。
发明内容
本发明的目的就是克服现有技术的不足，提供了一种火电厂机组AGC性能在线评价方法及系统，充分考虑机组灵活性运行下负荷率、主蒸汽压力、阀门开度、主蒸汽流量、给煤量等运行工况参数对机组AGC性能的影响，及时评价机组的AGC性能，为维持电网运行的稳定性提供支持。
下文中术语表示如下：
GMM：高斯混合模型，Gaussian Mixture Model；
AGC：自动发电控制(Automatic Generation Control；
DCS：分布式控制系统，DistributedControlSystem；
SIS：厂级监控信息系统，Supervisory Information System。
本发明采用如下技术方案：
一方面，本发明提供了一种火电厂机组性能在线评价方法，所述方法基于高斯混合模型GMM，所述方法包括：
调用机组DCS或SIS运行历史数据，提取所述运行历史数据的AGC数据段，进而进行运行工况划分，得到若干个工况子空间；对于每一工况子空间进行AGC性能评价模型训练；所述AGC性能评价模型采用GMM自动发电控制性能评价模型；
在机组运行过程中，在线提取机组的AGC数据段，确定该AGC数据段对各个工况子空间的隶属度，调用已训练好的各工况子空间的AGC性能评价模型，对机组的AGC性能进行在线评价。
如上所述的任一可能的实现方式，进一步提供一种实现方式，调用机组DCS或SIS运行历史数据，提取所述运行历史数据的AGC数据段，进而进行运行工况划分，得到若干个工况子空间；对于每一工况子空间进行AGC性能评价模型训练，具体包括：
根据制定的机组AGC判定规则，从机组DCS或SIS运行历史数据库提取AGC数据段；
基于正交局部保持投影OLPP算法对AGC数据段进行特征提取，并对特征提取后的AGC数据段进行聚类分析，确定工况子空间数和各工况子空间聚类中心，实现工况子空间划分；
利用各工况子空间AGC数据段训练所述AGC性能评价模型，确定模型参数。
如上所述的任一可能的实现方式，进一步提供一种实现方式，在机组运行过程中，在线提取机组的AGC数据段，确定该AGC数据段对各个工况子空间的隶属度，调用已训练好的各工况子空间的AGC性能评价模型，对机组的AGC性能进行在线评价，具体包括：
根据在线采集的机组实时运行数据，运用滑动窗口法提取AGC数据段；
根据在线提取到的AGC数据段对应的平均有功功率、AGC功率指令变化方向、平均主汽压力、总阀位、主汽流量、给煤量，利用工况辨识确定该AGC数据段对各工况子空间的隶属度；
根据AGC数据段对各工况子空间的隶属度，调用训练好的各工况子空间的AGC性能评价模型，实现该次AGC过程的在线性能评价。
如上所述的任一可能的实现方式，进一步提供一种实现方式，调用机组DCS或SIS运行历史数据，提取AGC数据段的具体方法为：
在运行历史数据序列中含有M个满足规则的数据段，其中T为序列总长度，PAGC(t)为AGC功率指令序列，对应M组AGC数据段的/>被选择挖掘出来，P(t)为机组实发有功功率序列，L为被选择挖掘出的AGC数据段长度；令tm为第m组AGC数据段的第一个采样点，m∈[1,M]，则其AGC功率指令序列表示为PAGC[m]＝{PAGC(tm),PAGC(tm+1),…,PAGC(tm+L-1)}，其实发有功功率时间序列表示为P[m]＝{P(tm),P(tm+1),…,P(tm+L-1)}，所选择的M组AGC数据段表示为/>
在第m个AGC响应过程中，在tm+Δt时AGC功率指令发生动作，取AGC指令动作70秒之后的过程为一次AGC动作，数据段长度L被定义为：
其中，h为数据采样间隔，取为0.1s，0.5s或1s；
AGC功率指令发生动作的判断规则用式(2)表示
σ[PAGC(tm:tm+Δt)]＞λ×mean[PAGC(tm:tm+Δt)] (2)
其中，λ是设定的系数；mean表示这段数据的平均值，σ表示标准差；
根据式(2)的规则从中识别出第m个AGC数据段AGC功率指令序列PAGC[m]，进而根据对应时刻从实发有功功率序列/>中确定P[m]。
如上所述的任一可能的实现方式，进一步提供一种实现方式，基于正交局部保持投影OLPP算法对AGC数据段进行特征提取，并对特征提取后的AGC数据段进行聚类分析，确定工况子空间数和各工况子空间聚类中心，实现工况子空间划分，具体方法为：
采用AGC数据段动作时刻对应的平均有功功率、AGC功率指令变化方向、平均主汽压力、总阀位、主汽流量和给煤量六个参数作为关键工况参数，构成工况样本集XORG＝[xORG1,xORG2,…,xORGn]，并用于基于OLPP和k-mean聚类的工况划分；
利用正交局部保持映射(OLPP)对工况样本集的n维特征向量进行特征提取，是指利用正交局部保持映射(OLPP)算法对工况样本集的n维特征向量xORG进行降维处理，得到反映鉴别流形特征的k维特征向量y，1≤k＜n；正交局部保持映射(OLPP)算法如下：
xORG→y＝WTxORG (3)
W＝WPCAWOLPP (4)
其中，y为特征向量xORG的k维表示，WPCA为基于主分量分析(PCA)的转换矩阵，WOLPP＝[a1,a2…,ak]为正交基映射矩阵；a1为的最小特征值对应的特征向量，ak为/>的最小特征值对应的特征向量，A(k-1)＝[a1,a2,…,ak]，/>L＝D-S，/>若节点i和j相连(即处于同一边缘)，则Sij＝exp(-||xi-xj||2/t)，t为常量，否则Sij＝0；
在对AGC数据段的工况样本集进行特征提取后，针对特征提取后得到的数据集，采用k-means聚类算法确定工况空间分类数和各工况子空间的聚类中心，以将提取出的AGC数据段进行工况子空间划分；
k-means聚类误差用来衡量k-means算法的聚类效果，k-means聚类误差按公式(5)计算：
式中，S为聚类数；Cs为第s类样本集合；ms是第s个聚类中心，
当聚类误差小于设定阈值时，认为聚类效果合格。
如上所述的任一可能的实现方式，进一步提供一种实现方式，利用各工况子空间AGC数据段训练所述AGC性能评价模型，具体步骤如下：
高斯混合模型(GMM)定义为：
其中z为维数为Q的样本向量，z＝[z1,z2,…,zQ]T；H为模型混合数；wj为混合模型的权重系数，且∑wj＝1；p(z)为混合概率密度；pj(z)为第j个高斯函数概率密度；μj为第j个多维单一高斯概率密度函数中心点；∑j为第j个多维单一高斯概率密度函数的协方差矩阵；N(z；μj,∑j)为第j个多维单一高斯概率密度函数，按式(7)计算：
其中μ为此密度函数中心点，即均值；∑为此密度函数的协方差矩阵；
GMM模型训练(参数估计)，采用最大期望值EM算法进行；令θj＝[wj,μj,∑j]，则GMM模型中待估计的参数为Θ＝[θ1,θ2,…,θH]T；采用最大似然估计MLE，即求解下式的最小值，得到最优Θ估计值：
其中，N为某一工况子空间AGC样本集的样本个数；i表示第i个AGC样本；
初始值确定方法：由k-mean聚类算法对AGC样本进行聚类，利用每类的均值作为μj0，并计算∑j0，wj0取每类样本占样本总数的比例；
利用下式(9)计算wj的后验概率βj：
然后进行最大化步骤，分别按下式(10)至式(12)更新权重、均值和协方差矩阵；
其中w'j为更新后的混合模型权重系数；μ'j为更新后的密度函数中心点，即均值；∑'j为更新后的密度函数协方差矩阵；
不断地迭代估计步骤和最大化步骤，重复更新权重、均值和协方差矩阵这三个参数，直到|J(Z|Θ)-J'(Z|Θ)|＜ε，ε＜105，J(Z|Θ)通过公式(8)计算，J'(Z|Θ)表示参数更新后通过公式(8)计算得到的计算值。
如上所述的任一可能的实现方式，进一步提供一种实现方式，根据在线采集的机组实时运行数据，运用滑动窗口法提取AGC数据段，进而得到相应时间段的工况数据段，并提取工况特征参数集XORG，工况特征参数包括平均有功功率、AGC功率指令变化方向、平均主汽压力、总阀位、主汽流量、给煤量，采用式(13)-(14)计算该AGC过程对各工况子空间的隶属度；
其中，Dp为欧氏距离，yi为该AGC数据段对应的第i个工况特征，cpi第p个聚类中心对应的第i个工况特征，k为降维后的工况特征数量。
如上所述的任一可能的实现方式，进一步提供一种实现方式，根据确定的AGC数据段对各工况子空间的隶属度，调用各工况子空间的训练好的AGC性能评价模型，在线评价该AGC过程性能，具体为：
采用性能衰退指数HDI作为AGC性能的评价指标，HDI计算方法如下：
HDIt＝(1-α)HDIt-1+NLLPt (17)
式中zt—t时刻机组AGC功率与实发功率组成的特征向量；
yt—t时刻机组特征提取后的运行工况特征向量；
Op—机组第p个工况子空间，p＝1,2,…,S；
Cp—t时刻机组运行工况隶属于第p个工况子空间的隶属度；
—t时刻机组运行工况隶属于第p个工况子空间时，利用该子空间GMM模型计算得到的负对数似然概率；
NLLPt—t时刻计算的负对数似然概率；
α—平滑系数，其值越大表示性能衰退指数计算式中当前值的权重越大；
HDIt—t时刻机组AGC性能衰退指数；
HDI小于报警限，该AGC过程性能合格，报警限的设定可采用核密度估计方法。
另一方面，本发明还提供了一种火电厂机组AGC性能在线评价系统，所述系统采用上述的火电厂机组AGC性能在线评价方法，所述系统包括：
机组AGC运行工况划分及模型训练模块，用于从机组DCS或SIS运行历史数据中提取AGC数据段，进而进行运行工况划分，得到工况子空间数和聚类中心；并使用每一工况子空间的AGC数据集训练相对应的AGC性能评价模型；
机组AGC性能在线评价模块，用于在线提取机组的AGC数据段，确定该AGC数据段对各工况子空间的隶属度，调用已训练好的各工况子空间的AGC性能评价模型，对机组的AGC性能进行在线评价。
如上所述的任一可能的实现方式，进一步提供一种实现方式，
所述机组AGC运行工况划分及模型训练模块包括：机组AGC历史数据段提取子模块，AGC过程运行工况划分子模块和AGC性能评价模型训练子模块；
所述机组AGC历史数据段提取子模块从机组DCS/SIS运行历史数据提取AGC数据段，并存入机组AGC过程数据库；
所述AGC过程运行工况划分子模块，对所述机组AGC过程数据库中提取出的AGC数据段进行运行工况划分，采用OLPP方法进行运行工况特征提取，确定工况子空间数和各工况子空间聚类中心；
所述AGC性能评价模型训练子模块，训练各工况子空间基于GMM的AGC性能评价模型的模型参数，得到训练后的各工况子空间基于GMM的AGC性能评价模型；
所述机组AGC性能在线评价模块包括：AGC数据段在线提取子模块，AGC过程运行工况隶属度计算子模块和机组AGC性能在线评价子模块；
所述AGC数据段在线提取子模块，利用滑动窗口法根据制定的规则在线提取机组AGC过程数据段；
所述AGC过程运行工况隶属度计算子模块，针对在线提取的AGC数据段，得到相应时间段的工况数据段，提取工况特征参数集，并根据所述工况特征参数集计算该AGC数据段对各工况子空间的隶属度；
所述机组AGC性能在线评价子模块，根据确定的AGC数据段对各工况子空间的隶属度，调用各工况子空间的训练好的AGC性能评价模型，在线评价该AGC过程性能。
如上所述的任一可能的实现方式，进一步提供一种实现方式，所述机组AGC历史数据段提取子模块，根据制定的机组AGC判定规则，调用机组DCS或SIS运行历史数据，提取AGC数据段，具体方法为：
在运行历史数据序列中含有M个满足规则的数据段，其中T为序列总长度，PAGC(t)为AGC功率指令序列，对应M组AGC数据段的/>被选择挖掘出来，P(t)为机组实发有功功率序列，L为被选择挖掘出的AGC数据段长度；令tm为第m组AGC数据段的第一个采样点，m∈[1,M]，则其AGC功率指令序列表示为PAGC[m]＝{PAGC(tm),PAGC(tm+1),…,PAGC(tm+L-1)}，其实发有功功率时间序列表示为P[m]＝{P(tm),P(tm+1),…,P(tm+L-1)}，所选择的M组AGC数据段表示为/>
在第m个AGC响应过程中，在tm+Δt时AGC功率指令发生动作，取AGC指令动作70秒之后的过程为一次AGC动作，数据段长度L被定义为：
其中，h为数据采样间隔，取为0.1s，0.5s或1s；
AGC功率指令发生动作的判断规则用式(2)表示
σ[PAGC(tm:tm+Δt)]＞λ×mean[PAGC(tm:tm+Δt)] (2)
其中，λ是设定的系数；mean表示这段数据的平均值，σ表示标准差；
根据式(2)的规则从中识别出第m个AGC数据段AGC功率指令序列PAGC[m]，进而根据对应时刻从实发有功功率序列/>中确定P[m]。
如上所述的任一可能的实现方式，进一步提供一种实现方式，所述AGC过程运行工况划分子模块，对所述机组AGC过程数据库中提取出的AGC数据段进行运行工况划分，采用OLPP方法进行运行工况特征提取，确定工况子空间数和各工况子空间聚类中心，具体为：
采用AGC数据段动作时刻对应的平均有功功率、AGC功率指令变化方向、平均主汽压力、总阀位、主汽流量和给煤量六个参数作为关键工况参数，构成工况样本集XORG＝[xORG1,xORG2,…,xORGn]，并用于基于OLPP和k-mean聚类的工况划分；
利用正交局部保持映射OLPP对工况样本集的n维特征向量进行特征提取，是指利用正交局部保持映射OLPP算法对工况样本集的n维特征向量xORG进行降维处理，得到反映鉴别流形特征的k维特征向量y，1≤k＜n；正交局部保持映射OLPP算法如下：
xORG→y＝WTxORG (3)
W＝WPCAWOLPP (4)
其中，y为特征向量xORG的k维表示，WPCA为基于主分量分析PCA的转换矩阵，WOLPP＝[a1,a2…,ak]为正交基映射矩阵；a1为的最小特征值对应的特征向量，ak为/>的最小特征值对应的特征向量，A(k-1)＝[a1,a2,…,ak]，/>L＝D-S，/>若节点i和j相连(即处于同一边缘)，则Sij＝exp(-||xi-xj||2/t)，t为常量，否则Sij＝0；
在对AGC数据段的工况样本集进行特征提取后，针对特征提取后得到的数据集，采用k-means聚类算法确定工况空间分类数和各工况子空间的聚类中心，以将提取出的AGC数据段进行工况子空间划分；
k-means聚类误差用来衡量k-means算法的聚类效果，k-means聚类误差按公式(5)计算：
式中，S为聚类数；Cs为第s类样本集合；ms是第s个聚类中心，
当聚类误差小于设定阈值时，认为聚类效果合格。
如上所述的任一可能的实现方式，进一步提供一种实现方式，所述AGC性能评价模型训练子模块，利用各工况子空间AGC数据段训练所述AGC性能评价模型，具体步骤如下：
高斯混合模型GMM定义为：
其中z为维数为Q的样本向量，z＝[z1,z2,…,zQ]T；H为模型混合数；wj为混合模型的权重系数，且∑wj＝1；p(z)为混合概率密度；pj(z)为第j个高斯函数概率密度；μj为第j个多维单一高斯概率密度函数中心点；∑j为第j个多维单一高斯概率密度函数的协方差矩阵；N(z；μj,∑j)为第j个多维单一高斯概率密度函数，按式(7)计算：
其中μ为此密度函数中心点，即均值；∑为此密度函数的协方差矩阵；
GMM模型训练采用最大期望值EM算法进行；令θj＝[wj,μj,∑j]，则GMM模型中待估计的参数为Θ＝[θ1,θ2,…,θH]T；采用最大似然估计MLE，即求解下式的最小值，得到最优Θ估计值：
其中，N为某一工况子空间AGC样本集的样本个数；i表示第i个AGC样本；
初始值确定方法：由k-mean聚类算法对AGC样本进行聚类，利用每类的均值作为μj0，并计算协方差矩阵∑j0，权重系数wj0取每类样本占样本总数的比例；
利用下式(9)计算wj的后验概率βj：
然后进行最大化步骤，分别按下式(10)至式(12)更新权重、均值和协方差矩阵；
其中w'j为更新后的混合模型权重系数；μ'j为更新后的密度函数中心点，即均值；∑'j为更新后的密度函数协方差矩阵；
迭代估计步骤和最大化步骤，重复更新权重、均值和协方差矩阵这三个参数，直到|J(Z|Θ)-J'(Z|Θ)|＜ε，ε＜105，J(Z|Θ)通过公式(8)计算，J'(Z|Θ)表示参数更新后通过公式(8)计算得到的计算值。
如上所述的任一可能的实现方式，进一步提供一种实现方式，所述AGC过程运行工况隶属度计算子模块，根据在线采集的机组实时运行数据中提取的AGC数据段，得到相应时间段的工况数据段，并提取工况特征参数集XORG，工况特征参数包括平均有功功率、AGC功率指令变化方向、平均主汽压力、总阀位、主汽流量、给煤量，采用式(13)-(14)计算该AGC过程对各工况子空间的隶属度；
其中，Dp为欧氏距离，yi为该AGC数据段对应的第i个工况特征，cpi第p个聚类中心对应的第i个工况特征，k为降维后的工况特征数量。
如上所述的任一可能的实现方式，进一步提供一种实现方式，所述机组AGC性能在线评价子模块，根据确定的AGC数据段对各工况子空间的隶属度，调用各工况子空间的训练好的AGC性能评价模型，在线评价该AGC过程性能，具体为：
采用性能衰退指数HDI作为AGC性能的评价指标，HDI计算方法如下：
HDIt＝(1-α)HDIt-1+NLLPt (17)
式中zt—t时刻机组AGC功率与实发功率组成的特征向量；
yt—t时刻机组特征提取后的运行工况特征向量；
Op—机组第p个工况子空间，p＝1,2,…,S；
Cp—t时刻机组运行工况隶属于第p个工况子空间的隶属度；
—t时刻机组运行工况隶属于第p个工况子空间时，利用该子空间GMM模型计算得到的负对数似然概率；
NLLPt—t时刻计算的负对数似然概率；
α—平滑系数，其值越大表示性能衰退指数计算式中当前值的权重越大；
HDIt—t时刻机组AGC性能衰退指数；
HDI小于报警限，该AGC过程性能合格。
另一方面，本发明还提供了一种信息处理终端，所述信息处理终端用于实现上述的火电厂机组AGC性能在线评价方法。
另一方面，本发明还提供了一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行上述的火电厂机组AGC性能在线评价方法。
本发明的有益效果为：本发明解决了火电厂机组参与灵活运行后，AGC性能受负荷率、主蒸汽压力、总阀位、主汽流量、给煤量等影响，难以准确评价的问题；适用于火电厂机组的各种工况，为维持电网运行的稳定性提供支持。
附图说明
图1所示为本发明实施例一种火电厂机组AGC性能在线评价方法的原理图。
图2所示为实施例一种火电厂机组AGC性能在线评价系统的流程示意图。
具体实施方式
下文将结合具体附图详细描述本发明具体实施例。应当注意的是，下述实施例中描述的技术特征或者技术特征的组合不应当被认为是孤立的，它们可以被相互组合从而达到更好的技术效果。
在线评价火电厂机组AGC性能，能够及时掌握机组AGC性能，进而预测机组参与AGC能力，有助于电网调度精确掌握机组的涉网性能，有利于电网的安全、经济运行；同时电源侧也可以根据评价结果，及时调整机组运行和控制参数，提升机组的AGC性能。然而，当前缺乏有效的并网机组AGC性能在线评价方法及系统。
图1所示为本发明的原理示意图。本发明实施例一种火电厂机组AGC性能在线评价方法，所述方法基于高斯混合模型GMM，所述方法包括：
调用机组DCS或SIS运行历史数据，提取所述运行历史数据的AGC数据段，进而进行运行工况划分，得到若干个工况子空间；对于每一工况子空间进行AGC性能评价模型训练；所述AGC性能评价模型采用GMM自动发电控制性能评价模型；
在机组运行过程中，在线提取机组的AGC数据段，确定该AGC数据段对各个工况子空间的隶属度，调用已训练好的各工况子空间的AGC性能评价模型，对机组的AGC性能进行在线评价。
在一个具体实施例中，调用机组DCS或SIS运行历史数据，提取所述运行历史数据的AGC数据段，进而进行运行工况划分，得到若干个工况子空间；对于每一工况子空间进行AGC性能评价模型训练，具体包括：
根据制定的机组AGC判定规则，从机组DCS或SIS运行历史数据库提取AGC数据段；
基于正交局部保持投影OLPP算法对AGC数据段进行特征提取，并进行聚类分析，实现工况子空间划分，确定工况子空间数和各工况子空间聚类中心；
利用各工况子空间AGC数据段训练所述AGC性能评价模型，确定模型参数。
在机组运行过程中，在线提取机组的AGC数据段，确定该AGC数据段对各个工况子空间的隶属度，调用已训练好的各工况子空间的AGC性能评价模型，对机组的AGC性能进行在线评价。
在一个具体实施例中，如图2所示，在机组运行过程中，在线提取机组的AGC数据段，确定该AGC数据段对各个工况子空间的隶属度，调用已训练好的各工况子空间的AGC性能评价模型，对机组的AGC性能进行在线评价，具体包括：
根据在线采集的机组实时运行数据，运用滑动窗口法提取AGC数据段；
根据在线提取到的AGC数据段对应的平均有功功率、AGC功率指令变化方向、平均主汽压力、总阀位、主汽流量、给煤量，利用工况辨识确定该AGC数据段对各工况子空间的隶属度；
根据AGC数据段对各工况子空间的隶属度，调用训练好的各工况子空间的AGC性能评价模型，实现该次AGC过程的在线性能评价。
在一个优选实施例中，调用机组DCS或SIS运行历史数据，提取AGC数据段的具体方法为：
在运行历史数据序列中含有M个满足规则的数据段，其中T为序列总长度，PAGC(t)为AGC功率指令序列，对应M组AGC数据段的/>被选择挖掘出来，P(t)为机组实发有功功率序列，L为被选择挖掘出的AGC数据段长度；令tm为第m组AGC数据段的第一个采样点，m∈[1,M]，则其AGC功率指令序列表示为PAGC[m]＝{PAGC(tm),PAGC(tm+1),…,PAGC(tm+L-1)}，其实发有功功率时间序列表示为P[m]＝{P(tm),P(tm+1),…,P(tm+L-1)}，所选择的M组AGC数据段表示为/>
在第m个AGC响应过程中，在tm+Δt时AGC功率指令发生动作，取AGC指令动作70秒之后的过程为一次AGC动作，数据段长度L被定义为：
其中，h为数据采样间隔，取为0.1s，0.5s或1s；
AGC功率指令发生动作的判断规则用式(2)表示
σ[PAGC(tm:tm+Δt)]＞λ×mean[PAGC(tm:tm+Δt)] (2)
其中，λ是设定的系数；mean表示这段数据的平均值，σ表示标准差；
根据式(2)的规则从中识别出第m个AGC数据段AGC功率指令序列PAGC[m]，进而根据对应时刻从实发有功功率序列/>中确定P[m]。
在一个优选实施例中，基于正交局部保持投影OLPP算法对AGC数据段进行特征提取，并对特征提取后的AGC数据段进行聚类分析，确定工况子空间数和各工况子空间聚类中心，实现工况子空间划分，具体方法为：
采用AGC数据段动作时刻对应的平均有功功率、AGC功率指令变化方向、平均主汽压力、总阀位、主汽流量和给煤量六个参数作为关键工况参数，构成工况样本集XORG＝[xORG1,xORG2,…,xORGn]，并用于基于OLPP和k-mean聚类的工况划分；
利用正交局部保持映射(OLPP)对工况样本集的n维特征向量进行特征提取，是指利用正交局部保持映射(OLPP)算法对工况样本集的n维特征向量xORG进行降维处理，得到反映鉴别流形特征的k维特征向量y，1≤k＜n；正交局部保持映射(OLPP)算法如下：
xORG→y＝WTxORG (3)
W＝WPCAWOLPP (4)
其中，y为特征向量xORG的k维表示，WPCA为基于主分量分析(PCA)的转换矩阵，WOLPP＝[a1,a2…,ak]为正交基映射矩阵；a1为的最小特征值对应的特征向量，ak为/>的最小特征值对应的特征向量，A(k-1)＝[a1,a2,…,ak]，/>L＝D-S，/>若节点i和j相连(即处于同一边缘)，则Sij＝exp(-||xi-xj||2/t)，t为常量，否则Sij＝0；
在对AGC数据段的工况样本集进行特征提取后，针对特征提取后得到的数据集，采用k-means聚类算法确定工况空间分类数和各工况子空间的聚类中心，以将提取出的AGC数据段进行工况子空间划分；
k-means聚类误差用来衡量k-means算法的聚类效果，k-means聚类误差按公式(5)计算：
式中，S为聚类数；Cs为第s类样本集合；ms是第s个聚类中心，
当聚类误差小于设定阈值时，认为聚类效果合格。
在一个优选实施例中，利用各工况子空间AGC数据段训练所述AGC性能评价模型的具体步骤如下：
高斯混合模型(GMM)定义为：
其中z为维数为Q的样本向量，z＝[z1,z2,…,zQ]T；H为模型混合数；wj为混合模型的权重系数，且∑wj＝1；p(z)为混合概率密度；pj(z)为第j个高斯函数概率密度；μj为第j个多维单一高斯概率密度函数中心点；∑j为第j个多维单一高斯概率密度函数的协方差矩阵；N(z；μj,∑j)为第j个多维单一高斯概率密度函数，按式(7)计算：
其中μ为此密度函数中心点，即均值；∑为此密度函数的协方差矩阵；
GMM模型训练(参数估计)，采用最大期望值EM算法进行；令θj＝[wj,μj,∑j]，则GMM模型中待估计的参数为Θ＝[θ1,θ2,…,θH]T；采用最大似然估计MLE，即求解下式的最小值，得到最优Θ估计值：
其中，N为某一工况子空间AGC样本集的样本个数；i表示第i个AGC样本；
初始值确定方法：由k-mean聚类算法对AGC样本进行聚类，利用每类的均值作为μj0，并计算∑j0，wj0取每类样本占样本总数的比例；
利用下式(9)计算wj的后验概率βj：
然后进行最大化步骤，分别按下式(10)至式(12)更新权重、均值和协方差矩阵；
/>
其中w'j为更新后的混合模型权重系数；μ'j为更新后的密度函数中心点，即均值；∑'j为更新后的密度函数协方差矩阵；
不断地迭代估计步骤和最大化步骤，重复更新权重、均值和协方差矩阵这三个参数，直到|J(Z|Θ)-J'(Z|Θ)|＜ε，ε＜105，J(Z|Θ)通过公式(8)计算，J'(Z|Θ)表示参数更新后通过公式(8)计算得到的计算值。
在一个优选实施例中，根据在线采集的机组实时运行数据，运用滑动窗口法提取AGC数据段，进而得到相应时间段的工况数据段，并提取工况特征参数集XORG，工况特征参数包括平均有功功率、AGC功率指令变化方向、平均主汽压力、总阀位、主汽流量、给煤量，采用式(13)-(14)计算该AGC过程对各工况子空间的隶属度；
其中，Dp为欧氏距离，yi为该AGC数据段对应的第i个工况特征，cpi第p个聚类中心对应的第i个工况特征，k为降维后的工况特征数量。
在一个优选实施例中，根据确定的AGC数据段对各工况子空间的隶属度，调用各工况子空间的训练好的AGC性能评价模型，在线评价该AGC过程性能，具体为：
采用性能衰退指数HDI作为AGC性能的评价指标，HDI计算方法如下：
HDIt＝(1-α)HDIt-1+NLLPt (17)
式中zt—t时刻机组AGC功率与实发功率组成的特征向量；
yt—t时刻机组特征提取后的运行工况特征向量；
Op—机组第p个工况子空间，p＝1,2,…,S；
Cp—t时刻机组运行工况隶属于第p个工况子空间的隶属度；
—t时刻机组运行工况隶属于第p个工况子空间时，利用该子空间GMM模型计算得到的负对数似然概率；
NLLPt—t时刻计算的负对数似然概率；
α—平滑系数，其值越大表示性能衰退指数计算式中当前值的权重越大；
HDIt—t时刻机组AGC性能衰退指数；
HDI小于报警限，该AGC过程性能合格，报警限的设定可采用核密度估计方法。
本发明实施例一种火电厂机组AGC性能在线评价系统，所述系统采用上述的火电厂机组AGC性能在线评价方法，所述系统包括：
机组AGC运行工况划分及模型训练模块，用于从机组DCS或SIS运行历史数据中提取AGC数据段，进而进行运行工况划分，得到工况子空间数和聚类中心；并使用每一工况子空间的AGC数据集训练相对应的AGC性能评价模型；
机组AGC性能在线评价模块，用于在线提取机组的AGC数据段，确定该AGC数据段对各工况子空间的隶属度，调用已训练好的各工况子空间的AGC性能评价模型，对机组的AGC性能进行在线评价。
在一个具体实施例中，所述机组AGC运行工况划分及模型训练模块包括：机组AGC历史数据段提取子模块，AGC过程运行工况划分子模块和AGC性能评价模型训练子模块；
所述机组AGC历史数据段提取子模块从机组DCS/SIS运行历史数据提取AGC数据段，并存入机组AGC过程数据库；
所述AGC过程运行工况划分子模块，对所述机组AGC过程数据库中提取出的AGC数据段进行运行工况划分，采用OLPP方法进行运行工况特征提取，确定工况子空间数和各工况子空间聚类中心；
所述AGC性能评价模型训练子模块，训练各工况子空间基于GMM的AGC性能评价模型的模型参数，得到训练后的各工况子空间基于GMM的AGC性能评价模型；
所述机组AGC性能在线评价模块包括：AGC数据段在线提取子模块，AGC过程运行工况隶属度计算子模块和机组AGC性能在线评价子模块；
所述AGC数据段在线提取子模块，利用滑动窗口法根据制定的规则在线提取机组AGC过程数据段；
所述AGC过程运行工况隶属度计算子模块，针对在线提取的AGC数据段，得到相应时间段的工况数据段，提取工况特征参数集，并根据所述工况特征参数集计算该AGC数据段对各工况子空间的隶属度；
所述机组AGC性能在线评价子模块，根据确定的AGC数据段对各工况子空间的隶属度，调用各工况子空间的训练好的AGC性能评价模型，在线评价该AGC过程性能。
在一个具体实施例中，所述机组AGC历史数据段提取子模块，根据制定的机组AGC判定规则，调用机组DCS或SIS运行历史数据，提取AGC数据段，具体方法为：
在运行历史数据序列中含有M个满足规则的数据段，其中T为序列总长度，PAGC(t)为AGC功率指令序列，对应M组AGC数据段的/>被选择挖掘出来，P(t)为机组实发有功功率序列，L为被选择挖掘出的AGC数据段长度；令tm为第m组AGC数据段的第一个采样点，m∈[1,M]，则其AGC功率指令序列表示为PAGC[m]＝{PAGC(tm),PAGC(tm+1),…,PAGC(tm+L-1)}，其实发有功功率时间序列表示为P[m]＝{P(tm),P(tm+1),…,P(tm+L-1)}，所选择的M组AGC数据段表示为/>
在第m个AGC响应过程中，在tm+Δt时AGC功率指令发生动作，取AGC指令动作70秒之后的过程为一次AGC动作，数据段长度L被定义为：
其中，h为数据采样间隔，取为0.1s，0.5s或1s；
AGC功率指令发生动作的判断规则用式(2)表示
σ[PAGC(tm:tm+Δt)]＞λ×mean[PAGC(tm:tm+Δt)] (2)
其中，λ是设定的系数；mean表示这段数据的平均值，σ表示标准差；
根据式(2)的规则从中识别出第m个AGC数据段AGC功率指令序列PAGC[m]，进而根据对应时刻从实发有功功率序列/>中确定P[m]。
在一个具体实施例中，所述AGC过程运行工况划分子模块，对所述机组AGC过程数据库中提取出的AGC数据段进行运行工况划分，采用OLPP方法进行运行工况特征提取，确定工况子空间数和各工况子空间聚类中心，具体为：
采用AGC数据段动作时刻对应的平均有功功率、AGC功率指令变化方向、平均主汽压力、总阀位、主汽流量和给煤量六个参数作为关键工况参数，构成工况样本集XORG＝[xORG1,xORG2,…,xORGn]，并用于基于OLPP和k-mean聚类的工况划分；
利用正交局部保持映射OLPP对工况样本集的n维特征向量进行特征提取，是指利用正交局部保持映射OLPP算法对工况样本集的n维特征向量xORG进行降维处理，得到反映鉴别流形特征的k维特征向量y，1≤k＜n；正交局部保持映射OLPP算法如下：
xORG→y＝WTxORG (3)
W＝WPCAWOLPP (4)
其中，y为特征向量xORG的k维表示，WPCA为基于主分量分析PCA的转换矩阵，WOLPP＝[a1,a2…,ak]为正交基映射矩阵；a1为的最小特征值对应的特征向量，ak为/>的最小特征值对应的特征向量，A(k-1)＝[a1,a2,…,ak]，/>L＝D-S，/>若节点i和j相连(即处于同一边缘)，则Sij＝exp(-||xi-xj||2/t)，t为常量，否则Sij＝0；
在对AGC数据段的工况样本集进行特征提取后，针对特征提取后得到的数据集，采用k-means聚类算法确定工况空间分类数和各工况子空间的聚类中心，以将提取出的AGC数据段进行工况子空间划分；
k-means聚类误差用来衡量k-means算法的聚类效果，k-means聚类误差按公式(5)计算：
式中，S为聚类数；Cs为第s类样本集合；ms是第s个聚类中心，
当聚类误差小于设定阈值时，认为聚类效果合格。
在一个具体实施例中，所述AGC性能评价模型训练子模块，利用各工况子空间AGC数据段训练所述AGC性能评价模型，具体步骤如下：
高斯混合模型GMM定义为：
其中z为维数为Q的样本向量，z＝[z1,z2,…,zQ]T；H为模型混合数；wj为混合模型的权重系数，且∑wj＝1；p(z)为混合概率密度；pj(z)为第j个高斯函数概率密度；μj为第j个多维单一高斯概率密度函数中心点；∑j为第j个多维单一高斯概率密度函数的协方差矩阵；N(z；μj,∑j)为第j个多维单一高斯概率密度函数，按式(7)计算：
其中μ为此密度函数中心点，即均值；∑为此密度函数的协方差矩阵；
GMM模型训练采用最大期望值EM算法进行；令θj＝[wj,μj,∑j]，则GMM模型中待估计的参数为Θ＝[θ1,θ2,…,θH]T；采用最大似然估计MLE，即求解下式的最小值，得到最优Θ估计值：
其中，N为某一工况子空间AGC样本集的样本个数；i表示第i个AGC样本；
初始值确定方法：由k-mean聚类算法对AGC样本进行聚类，利用每类的均值作为μj0，并计算协方差矩阵∑j0，权重系数wj0取每类样本占样本总数的比例；
利用下式(9)计算wj的后验概率βj：
然后进行最大化步骤，分别按下式(10)至式(12)更新权重、均值和协方差矩阵；
其中w'j为更新后的混合模型权重系数；μ'j为更新后的密度函数中心点，即均值；∑'j为更新后的密度函数协方差矩阵；
迭代估计步骤和最大化步骤，重复更新权重、均值和协方差矩阵这三个参数，直到|J(Z|Θ)-J'(Z|Θ)|＜ε，ε＜105，J(Z|Θ)通过公式(8)计算，J'(Z|Θ)表示参数更新后通过公式(8)计算得到的计算值。
在一个具体实施例中，所述AGC过程运行工况隶属度计算子模块，根据在线采集的机组实时运行数据中提取的AGC数据段，得到相应时间段的工况数据段，并提取工况特征参数集XORG，工况特征参数包括平均有功功率、AGC功率指令变化方向、平均主汽压力、总阀位、主汽流量、给煤量，采用式(13)-(14)计算该AGC过程对各工况子空间的隶属度；
其中，Dp为欧氏距离，yi为该AGC数据段对应的第i个工况特征，cpi第p个聚类中心对应的第i个工况特征，k为降维后的工况特征数量。
在一个具体实施例中，所述机组AGC性能在线评价子模块，根据确定的AGC数据段对各工况子空间的隶属度，调用各工况子空间的训练好的AGC性能评价模型，在线评价该AGC过程性能，具体为：
采用性能衰退指数HDI作为AGC性能的评价指标，HDI计算方法如下：
HDIt＝(1-α)HDIt-1+NLLPt (17)
式中zt—t时刻机组AGC功率与实发功率组成的特征向量；
yt—t时刻机组特征提取后的运行工况特征向量；
Op—机组第p个工况子空间，p＝1,2,…,S；
Cp—t时刻机组运行工况隶属于第p个工况子空间的隶属度；
—t时刻机组运行工况隶属于第p个工况子空间时，利用该子空间GMM模型计算得到的负对数似然概率；
NLLPt—t时刻计算的负对数似然概率；
α—平滑系数，其值越大表示性能衰退指数计算式中当前值的权重越大；
HDIt—t时刻机组AGC性能衰退指数；
HDI小于报警限，该AGC过程性能合格。
本发明实施例一种信息处理终端，所述信息处理终端用于实现上述的火电厂机组AGC性能在线评价方法。
本发明实施例一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行上述的火电厂机组AGC性能在线评价方法。
本发明提供的火电厂机组AGC性能在线评价方法及系统，可以根据机组AGC历史数据，划分运行工况空间，并针对每一子空间训练相应的AGC性能评价模型；可以在线滑窗提取机组AGC数据段，并根据其对应的工况参数，计算其工况子空间隶属度；可以调用训练好的机组AGC性能评价模型实现机组AGC性能的在线评价。
本文虽然已经给出了本发明的几个实施例，但是本领域的技术人员应当理解，在不脱离本发明精神的情况下，可以对本文的实施例进行改变。上述实施例只是示例性的，不应以本文的实施例作为本发明权利范围的限定。
Claims (12)
1.一种火电厂机组AGC性能在线评价方法，其特征在于，所述方法基于高斯混合模型GMM，所述方法包括：
调用机组DCS或SIS运行历史数据，提取所述运行历史数据的AGC数据段，进而进行运行工况划分，得到若干个工况子空间；对于每一工况子空间进行AGC性能评价模型训练；所述AGC性能评价模型采用GMM自动发电控制性能评价模型；
在机组运行过程中，在线提取机组的AGC数据段，确定该AGC数据段对各个工况子空间的隶属度，调用已训练好的各工况子空间的AGC性能评价模型，对机组的AGC性能进行在线评价。
2.如权利要求1所述的火电厂机组AGC性能在线评价方法，其特征在于，
调用机组DCS或SIS运行历史数据，提取所述运行历史数据的AGC数据段，进而进行运行工况划分，得到若干个工况子空间；对于每一工况子空间进行AGC性能评价模型训练，具体包括：
根据制定的机组AGC判定规则，从机组DCS或SIS运行历史数据库提取AGC数据段；
基于正交局部保持投影OLPP算法对AGC数据段进行特征提取，并对特征提取后的AGC数据段进行聚类分析，确定工况子空间数和各工况子空间聚类中心，实现工况子空间划分；
利用各工况子空间AGC数据段训练所述AGC性能评价模型，确定模型参数。
3.如权利要求1所述的火电厂机组AGC性能在线评价方法，其特征在于，
在机组运行过程中，在线提取机组的AGC数据段，确定该AGC数据段对各个工况子空间的隶属度，调用已训练好的各工况子空间的AGC性能评价模型，对机组的AGC性能进行在线评价，具体包括：
根据在线采集的机组实时运行数据，运用滑动窗口法提取AGC数据段；
根据在线提取到的AGC数据段对应的平均有功功率、AGC功率指令变化方向、平均主汽压力、总阀位、主汽流量、给煤量，利用工况辨识确定该AGC数据段对各工况子空间的隶属度；
根据AGC数据段对各工况子空间的隶属度，调用训练好的各工况子空间的AGC性能评价模型，实现该次AGC过程的在线性能评价。
4.如权利要求2所述的火电厂机组AGC性能在线评价方法，其特征在于，根据制定的机组AGC判定规则，调用机组DCS或SIS运行历史数据，提取AGC数据段，具体方法为：
在运行历史数据序列中含有M个满足规则的数据段，其中T为序列总长度，PAGC(t)为AGC功率指令序列，对应M组AGC数据段的/>被选择挖掘出来，P(t)为机组实发有功功率序列，L为被选择挖掘出的AGC数据段长度；令tm为第m组AGC数据段的第一个采样点，m∈[1,M]，则其AGC功率指令序列表示为PAGC[m]＝{PAGC(tm),PAGC(tm+1),…,PAGC(tm+L-1)}，其实发有功功率时间序列表示为P[m]＝{P(tm),P(tm+1),…,P(tm+L-1)}，所选择的M组AGC数据段表示为/>
在第m个AGC响应过程中，在tm+Δt时AGC功率指令发生动作，取AGC指令动作70秒之后的过程为一次AGC动作，数据段长度L被定义为：
其中，h为数据采样间隔，取为0.1s，0.5s或1s；
AGC功率指令发生动作的判断规则用式(2)表示
σ[PAGC(tm:tm+Δt)]＞λ×mean[PAGC(tm:tm+Δt)] (2)
其中，λ是设定的系数；mean表示这段数据的平均值，σ表示标准差；
根据式(2)的规则从中识别出第m个AGC数据段AGC功率指令序列PAGC[m]，进而根据对应时刻从实发有功功率序列/>中确定P[m]。
5.如权利要求2所述的火电厂机组AGC性能在线评价方法，其特征在于，
基于正交局部保持投影OLPP算法对AGC数据段进行特征提取，并对特征提取后的AGC数据段进行聚类分析，确定工况子空间数和各工况子空间聚类中心，实现工况子空间划分，具体方法为：
采用AGC数据段动作时刻对应的平均有功功率、AGC功率指令变化方向、平均主汽压力、总阀位、主汽流量和给煤量六个参数作为关键工况参数，构成工况样本集XORG＝[xORG1,xORG2,…,xORGn]，并用于基于OLPP和k-mean聚类的工况划分；
利用正交局部保持映射OLPP对工况样本集的n维特征向量进行特征提取，是利用正交局部保持映射OLPP算法对工况样本集的n维特征向量xORG进行降维处理，得到反映鉴别流形特征的k维特征向量y，1≤k＜n；正交局部保持映射OLPP算法如下：
xORG→y＝WTxORG (3)
W＝WPCAWOLPP (4)
其中，y为特征向量xORG的k维表示，WPCA为基于主分量分析PCA的转换矩阵，WOLPP＝[a1,a2…,ak]为正交基映射矩阵；a1为的最小特征值对应的特征向量，ak为的最小特征值对应的特征向量，A(k-1)＝[a1,a2,…,ak]，/>L＝D-S，/>若节点i和j相连(即处于同一边缘)，则Sij＝exp(-||xi-xj||2/t)，t为常量，否则Sij＝0；
在对AGC数据段的工况样本集进行特征提取后，针对特征提取后得到的数据集，采用k-means聚类算法确定工况空间分类数和各工况子空间的聚类中心，以将提取出的AGC数据段进行工况子空间划分；
k-means聚类误差用来衡量k-means算法的聚类效果，k-means聚类误差按公式(5)计算：
式中，S为聚类数；Cs为第s类样本集合；ms是第s个聚类中心，
当聚类误差小于设定阈值时，认为聚类效果合格。
6.如权利要求2所述的火电厂机组AGC性能在线评价方法，其特征在于，利用各工况子空间AGC数据段训练所述AGC性能评价模型，具体步骤如下：
高斯混合模型GMM定义为：
其中z为维数为Q的样本向量，z＝[z1,z2,…,zQ]T；H为模型混合数；wj为混合模型的权重系数，且∑wj＝1；p(z)为混合概率密度；pj(z)为第j个高斯函数概率密度；μj为第j个多维单一高斯概率密度函数中心点；∑j为第j个多维单一高斯概率密度函数的协方差矩阵；N(z；μj,∑j)为第j个多维单一高斯概率密度函数，按式(7)计算：
其中μ为此密度函数中心点，即均值；∑为此密度函数的协方差矩阵；
GMM模型训练采用最大期望值EM算法进行；令则GMM模型中待估计的参数为Θ＝[θ1,θ2,…,θH]T；采用最大似然估计MLE，即求解下式的最小值，得到最优Θ估计值：
其中，N为某一工况子空间AGC样本集的样本个数；i表示第i个AGC样本；
初始值确定方法：由k-mean聚类算法对AGC样本进行聚类，利用每类的均值作为μj0，并计算协方差矩阵∑j0，权重系数wj0取每类样本占样本总数的比例；
利用下式(9)计算wj的后验概率βj：
然后进行最大化步骤，分别按下式(10)至式(12)更新权重、均值和协方差矩阵；
其中w'j为更新后的混合模型权重系数；μ'j为更新后的密度函数中心点，即均值；∑'j为更新后的密度函数协方差矩阵；
迭代估计步骤和最大化步骤，重复更新权重、均值和协方差矩阵这三个参数，直到|J(Z|Θ)-J'(Z|Θ)|＜ε，ε＜105，J(Z|Θ)通过公式(8)计算，J'(Z|Θ)表示参数更新后通过公式(8)计算得到的计算值。
7.如权利要求3所述的一种火电厂机组AGC性能在线评价方法，其特征在于，
根据在线采集的机组实时运行数据，运用滑动窗口法提取AGC数据段，进而得到相应时间段的工况数据段，并提取工况特征参数集XORG，工况特征参数包括平均有功功率、AGC功率指令变化方向、平均主汽压力、总阀位、主汽流量、给煤量，采用式(13)-(14)计算该AGC过程对各工况子空间的隶属度；
其中，Dp为欧氏距离，yi为该AGC数据段对应的第i个工况特征，cpi第p个聚类中心对应的第i个工况特征，k为降维后的工况特征数量。
8.如权利要求3所述的一种火电厂机组AGC性能在线评价方法，其特征在于，根据确定的AGC数据段对各工况子空间的隶属度，调用各工况子空间的训练好的AGC性能评价模型，在线评价该AGC过程性能，具体为：
采用性能衰退指数HDI作为AGC性能的评价指标，HDI计算方法如下：
HDIt＝(1-α)HDIt-1+NLLPt (17)
式中zt—t时刻机组AGC功率与实发功率组成的特征向量；
yt—t时刻机组特征提取后的运行工况特征向量；
Op—机组第p个工况子空间，p＝1,2,…,S；
Cp—t时刻机组运行工况隶属于第p个工况子空间的隶属度；
NLLPt (p)—t时刻机组运行工况隶属于第p个工况子空间时，利用该子空间GMM模型计算得到的负对数似然概率；
NLLPt—t时刻计算的负对数似然概率；
α—平滑系数，其值越大表示性能衰退指数计算式中当前值的权重越大；
HDIt—t时刻机组AGC性能衰退指数；
HDI小于报警限，该AGC过程性能合格。
9.一种火电厂机组AGC性能在线评价系统，其特征在于，所述系统采用如权利要求1-8任一项所述的火电厂机组AGC性能在线评价方法，所述系统包括：
机组AGC运行工况划分及模型训练模块，用于从机组DCS或SIS运行历史数据中提取AGC数据段，进而进行运行工况划分，得到工况子空间数和聚类中心；并使用每一工况子空间的AGC数据集训练相对应的AGC性能评价模型；
机组AGC性能在线评价模块，用于在线提取机组的AGC数据段，确定该AGC数据段对各工况子空间的隶属度，调用已训练好的各工况子空间的AGC性能评价模型，对机组的AGC性能进行在线评价。
10.如权利要求9所述的火电厂机组AGC性能在线评价系统，其特征在于，
所述机组AGC运行工况划分及模型训练模块包括：机组AGC历史数据段提取子模块，AGC过程运行工况划分子模块和AGC性能评价模型训练子模块；
所述机组AGC历史数据段提取子模块从机组DCS/SIS运行历史数据提取AGC数据段，并存入机组AGC过程数据库；
所述AGC过程运行工况划分子模块，对所述机组AGC过程数据库中提取出的AGC数据段进行运行工况划分，采用OLPP方法进行运行工况特征提取，确定工况子空间数和各工况子空间聚类中心；
所述AGC性能评价模型训练子模块，训练各工况子空间基于GMM的AGC性能评价模型的模型参数，得到训练后的各工况子空间基于GMM的AGC性能评价模型；
所述机组AGC性能在线评价模块包括：AGC数据段在线提取子模块，AGC过程运行工况隶属度计算子模块和机组AGC性能在线评价子模块；
所述AGC数据段在线提取子模块，利用滑动窗口法根据制定的规则在线提取机组AGC过程数据段；
所述AGC过程运行工况隶属度计算子模块，针对在线提取的AGC数据段，得到相应时间段的工况数据段，提取工况特征参数集，并根据所述工况特征参数集计算该AGC数据段对各工况子空间的隶属度；
所述机组AGC性能在线评价子模块，根据确定的AGC数据段对各工况子空间的隶属度，调用各工况子空间的训练好的AGC性能评价模型，在线评价该AGC过程性能。
11.一种信息处理终端，其特征在于，所述信息处理终端用于实现如权利要求1-8任一项所述的火电厂机组AGC性能在线评价方法。
12.一种计算机可读存储介质，其特征在于，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-8任意一项所述的火电厂机组AGC性能在线评价方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311336145.4A CN117649042A (zh) | 2023-10-16 | 2023-10-16 | 火电厂机组agc性能在线评价方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311336145.4A CN117649042A (zh) | 2023-10-16 | 2023-10-16 | 火电厂机组agc性能在线评价方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117649042A true CN117649042A (zh) | 2024-03-05 |
Family
ID=90043964
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311336145.4A Pending CN117649042A (zh) | 2023-10-16 | 2023-10-16 | 火电厂机组agc性能在线评价方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117649042A (zh) |
-
2023
- 2023-10-16 CN CN202311336145.4A patent/CN117649042A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230136352A1 (en) | Method and system for predicting a day-ahead wind power of wind farms | |
| CN109002915B (zh) | 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法 | |
| CN111461421A (zh) | 一种基于互馈关系解析的梯级水库风险评估方法及系统 | |
| CN106548270B (zh) | 一种光伏电站功率异常数据辨识方法及装置 | |
| CN108549962B (zh) | 基于历史分段序列搜索和时序稀疏化的风电功率预测方法 | |
| CN110909810A (zh) | 基于数据挖掘和变分模态分解的可再生能源短期预测方法 | |
| Bhaumik et al. | Hidden Markov models for wind farm power output | |
| CN110717610B (zh) | 一种基于数据挖掘的风电功率预测方法 | |
| Feng et al. | Short-term global horizontal irradiance forecasting based on sky imaging and pattern recognition | |
| CN115099296A (zh) | 基于深度学习算法的海浪高度预测方法 | |
| Varanasi et al. | K-means clustering based photo voltaic power forecasting using artificial neural network, particle swarm optimization and support vector regression | |
| CN110795841B (zh) | 一种间歇性能源出力不确定性的数学建模方法 | |
| Yang et al. | One parametric approach for short-term JPDF forecast of wind generation | |
| CN110334847A (zh) | 基于改进K-means聚类与支持向量机的风功率预测方法 | |
| CN111159900B (zh) | 风机风速的预测方法及装置 | |
| CN116027217A (zh) | Ae-cfsfdp储能电站多源电池数据异常检测方法 | |
| CN115907195A (zh) | 一种光伏发电功率预测方法、系统、电子设备及介质 | |
| Wu et al. | Deterministic and probabilistic wind power forecasts by considering various atmospheric models and feature engineering approaches | |
| Mohamed et al. | Application of machine learning for prediction of solar microgrid system | |
| CN110163437B (zh) | 基于DPK-means的日前光伏发电功率预测方法 | |
| CN117649042A (zh) | 火电厂机组agc性能在线评价方法及系统 | |
| CN115660132B (zh) | 一种光伏发电功率预测方法及系统 | |
| CN116579120A (zh) | 一种基于综合法的日风电出力序列场景生成方法 | |
| CN113657687B (zh) | 基于特征工程和多路深度学习的电力负荷预测方法 | |
| CN115130743A (zh) | 一种基于变分推断的风电机组调节速率预测方法及系统 |
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 |